|
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
|