La plupart des équipes publient un seul chiffre de précision chaque mois. Or ce chiffre peut sembler bon alors que le plan échoue discrètement sur les articles les plus importants. Choisir les bons indicateurs est la première étape vers une prévision fiable.
MAPE : facile à lire, facile à mal interpréter
L'erreur absolue moyenne en pourcentage fait la moyenne de l'erreur en pourcentage de chaque article ou période. Intuitive, elle est très utilisée. Mais elle devient inutilisable lorsque les ventes réelles sont nulles ou très faibles, elle donne le même poids à un article lent qu'à un best-seller et elle pénalise différemment la surprévision et la sous-prévision.
WMAPE : pondérer l’erreur par ce qui compte
Le MAPE pondéré divise l'erreur absolue totale par les ventes réelles totales. Les gros articles comptent davantage que les petits et les périodes sans ventes ne posent plus problème. Pour un suivi au niveau du portefeuille, le WMAPE est un meilleur indicateur principal que le MAPE.
Le biais : l’erreur qui s’accumule
La précision indique la taille des erreurs, le biais leur direction. Une prévision toujours trop haute crée du surstock, une prévision toujours trop basse des ruptures, même si l'erreur moyenne semble acceptable. Suivez le biais, soit la somme des prévisions moins les ventes réelles divisée par les ventes réelles totales, pour chaque segment.
MASE : comparer à une référence simple
L'erreur absolue moyenne normalisée, proposée par Hyndman et Koehler, compare l'erreur de votre prévision à celle d'une prévision naïve. Une valeur inférieure à 1 signifie que votre méthode fait mieux. Elle fonctionne pour la demande intermittente et permet de comparer des articles aux volumes très différents.
Un tableau de bord pratique
- Publiez ensemble le WMAPE et le biais, jamais la précision seule.
- Mesurez au niveau où les décisions sont prises, par exemple article par entrepôt, et à l'horizon du délai d'approvisionnement.
- Ventilez les résultats par segment ABC-XYZ, car un bon total peut masquer une faible précision sur les articles A.
- Utilisez le MASE pour vérifier qu'un modèle apporte de la valeur par rapport à une référence simple.
- Suivez la valeur ajoutée de la prévision : chaque ajustement manuel a-t-il amélioré ou dégradé le résultat ?
Dans OPTIAI, la précision et le biais sont suivis par segment et par planificateur, afin que l'équipe voie quels modèles et quels ajustements améliorent réellement le plan.
Voyez-le sur vos propres données
Réservez une démo et nous vous montrerons comment OPTIAI ou OPTIFLOW applique ces pratiques à vos produits, vos sites et votre supply chain.
Réserver une démo