Kué Gilles Gaba, PhD, Actuaire IA & Economiste

Actuariat & Risk Management, Data Science A.I., Economie

Prévisions des Ventes

1. Fonction

Directeur de Projet

2. Contexte et objectifs

2.1. Utilisateur de l'étude : Industriel, Institut de Panels & Etudes Marketing

2.2. Univers étudié : Pharmacies, Hôpitaux

2.3. Problématiques
a. Gestion Marketing
  - Anticipation, simulation des ventes
  - Recherche de facteurs évolutifs
  - Ajustement du mix-marketing

b. Gestion commerciale
  - Anticipation des ventes
  - Fixation des objectifs

c. Finances & Contrôle de gestion
  - Prévision budgétaire
  - Prévision de trésorerie

d. Logistique & Gestion de production :
  - Anticipation des commandes et livraisons
  - Ordonnancement, approvisionnements

2.4. Objectifs
a. Prévision de ventes (Unités, Chiffre d’affaires) dans un contexte d’incertitude plus ou moins importante :
  - Lancement d’un nouveau produit
  - Retrait d’un produit du marché (volontaire ou règlementairement contraint)
  - Risque sur sources habituelles de données

b. Découverte de facteurs explicatifs des évolutions
  - Tendances
  - Saisonnalités
  - Mix-marketing (produits internes ou concurrents)

3. Démarche et méthodologie

3.1. Echantillonnage des jeux de données
a. Historiques d'apprentissage
  - Durée minimale équivalente à 3 fois l'horizon de prévision souhaité
  - Historique est utilisé estimer les modèles pour la "simulation de prévision"

b. Historiques de Test et de Validation
  - Cet historique constitue la série à prévoir lors de la "simulation de prévision"
  - Permet de mesurer les performances du modèle de prévision

3.2. Exploration des données
  - Statistiques descriptives
  - Détection des valeurs manquantes ou aberrantes
  - Tests d’association

3.3. Modélisation
a. Gestion des effets suivants
  - Jours ouvrés
  - Tendance des ventes
  - Instabilité de variance
  - Saisonnalité des ventes
  - Hétéroscédasticité

b. Méthodes de prévision en compétition
  - Méthodes univariées :
   * Holt & Winters : Triple lissage exponentiel
   * Box & Jenkins : Modèles S-ARIMA (modèles Saisonniers Autorégressifs & Moyennes-mobiles)
   * Census X-11
   * Random walk with drift
   * Réseaux de neurones

  - Méthodes multivariées :
   * Préalables : Recherche d’indicateurs avancés, ACP
   * Modèle multiplicatif log-linéaire
   * Réseaux de neurones

c. Mesure de la performance des modèles
  - Erreurs d’estimation
  - Cohérence hiérarchique


3.4. Choix du meilleur modèle & Prévision
- Comparaison des performances de modèles prévisionnels
- Choix du meilleur modèle
- Réalisation des prévisions à l'horizon voulu, avec le modèle retenu.

4. Descriptifs des fonctions des intervenants

- Ingénieurs Décisionnels (Datamining, développement informatique)

5. Environnement technique

SAS (ETS, STAT, Macros compilées), QUESTION Data, VBA, VB

6. Assurance qualité

- Recalculs partiels de résultats
- Vérification de la cohérence des résultats avec le cahier des charges

7. Livrables et formats des livrables

- la base QUESTION avec des variables issues des questionnaires (Format Access)
- le descriptif des champs contenus dans la base question (Format Excel)
- le résultat des tris à plat (Format Excel)
- le résultat des tris à croisés (Format Excel)

8. Liste des Clients utilisateurs

IMS HEALTH, NOVO NORDISK, CIP