2.1 Introduction
2.4.2 Méthodes avancées
Le premier paramètre à prendre en compte lors de la conception d’un système de prévision des ventes est la disponibilité des ventes historiques. Comme indiqué en section2.2.2et sur la figure 2.7, les prévisions pour l’industrie et la distribution de produits modes doivent être effectuées à au moins deux niveaux différents d’agrégation de données :
— le niveau "famille d’articles" composé de produits d’une même catégorie commerciale (par exemples : T-shirts, pantalon,...) pour lequel des données de ventes historiques sont géné- ralement disponibles. Ce niveau de données est utile afin de planifier les achats, de réserver les capacités de production et d’approvisionnement à long terme (un saison à l’avance).
planifier les approvisionnements à long terme, et effectuer les implantations par magasin (prévision à long terme), réapprovisionner et allouer les stocks dans les différents points de ventes à court terme (de quelques jours à quelques semaines).
Ainsi, deux problématiques bien distinctes se dégagent : 1. la prévision des ventes à partir d’historiques de ventes, 2. la prévision des ventes sans historique de ventes.
2.4.2.1 Prévision de ventes avec historiques de ventes
Lorsque des historiques de ventes sont disponibles, l’objectif du système de prévision est d’ex- traire le maximum d’information de ces données. Si ces données concernent des produits modes, ces informations sont la tendance, la saisonnalités et les impacts des facteurs exogènes. Ces der- niers sont souvent difficiles à modéliser et à contrôler (section2.2.4) et nécessitent des techniques de calcul avancé.
Parmi les techniques existantes, les réseaux de neurones sont probablement les plus fréquemment utilisés pour la prévision des ventes, en particulier pour les prévisions à court terme où l’objectif principal du système est de pouvoir réagir correctement aux dernières ventes connues [YOO et
PIMMEL,1999].
Les réseaux de neurones sont d’autant plus efficaces lorsque qu’un pré-traitement des ventes est effectués notamment pour mieux intégrer les phénomènes saisonniers [WONGet GUO,2010]. Parmi les différents types de réseaux de neurones, les réseaux de type "extreme learning machine" (ELM) sont largement utilisés dans la littérature pour les système de prévision de ventes [GUANG- BINHUANGet collab.,2004;ZHUet collab.,2005] et particulièrement dans le secteur de la mode [CHENet OU,2011;CHOIet collab.,2014;SUNet collab.,2008;WONGet GUO,2010;XIAet collab.,
2012]. En effet, les ELM montrent des aptitudes de généralisation et de vitesse d’apprentissage intéressantes face aux algorithmes de rétro-propagation du gradient utilisé dans les réseaux de neurones traditionnels [WONGet GUO,2010].
DansSUNet collab.[2008], un réseau de neurones de type ELM est développé pour la prévision des ventes d’articles de mode sur un horizon à court terme. Le modèle proposé permet de quanti- fier les relations entre les quantités vendues et les attributs les plus pertinents tels que les couleurs, les tailles et le prix.
DansWONGet GUO[2010], les auteurs décrivent un système de prévision des ventes pour la dis- tribution textile sur des données annuelles ou mensuelles pour un horizon à long terme par caté- gories d’articles. La méthode proposée est basée sur un modèle hybride comprenant un module de pré-traitement des données et un moteur de prévision utilisant un réseau de neurones de type ELM.
DansXIAet collab.[2012], un système hybride basé sur un ELM est spécifiquement conçu pour éviter les problèmes de sur-apprentissage. Les résultats obtenus sur des ventes mensuelles d’ar- ticles de mode sont satisfaisants mais l’horizon de prévision est de seulement une unité de temps (un mois).
DansCHENet OU[2011], une autre méthodologie basée sur des réseaux de neurones est proposée : un modèle de prévision hybride associe un modèle de Gray et un ELM. Les résultats obtenus sur les données expérimentales montrent que le système est capable de sélectionner les facteurs in- fluençant les ventes les plus pertinents, d’apprendre plus rapidement et d’améliorer les prévisions en comparaison avec d’autres réseaux de neurones basés sur la rétro propagation du gradient. Ainsi, de nombreux exemples dans la littérature montrent l’efficacité des ELM pour la prévision des ventes dans le secteur de la mode. Cependant, comme les méthodes de rétro propagation, ces techniques restent sensiblement aux problèmes de sur et sous apprentissage particulièrement lors de leur mise en œuvre dans le secteur de la mode où les historiques de ventes restent limités
CHAPITRE 2. LA PRÉVISION DES VENTES D’ARTICLES TEXTILES
et les ventes très fluctuantes. Ce facteur doit être la principale préoccupation lors du déploiement de telles techniques sur les ventes d’articles textiles.
D’autres techniques de calcul avancé ont également été appliquées avec succès pour la prévi- sion des ventes dans le secteur de la mode, notamment les techniques issues du soft computing. La logique floue et les systèmes d’inférence flou (Fuzzy Inference System, FIS) sont généralement utilisés pour modéliser les données et les connaissances incertaines, non linéaires, fluctuantes et incomplètes [ZADEH et A.,1994]. Ainsi, les FIS sont souvent utilisés pour modéliser les rela- tions complexes entre les données, telles que par exemple l’influence des facteurs exogènes sur les ventes [KUO,2001].
Un tel système a été développé sur des données de ventes réelles d’articles textiles lors de ma thèse de doctorat [THOMASSEY,2002] et dansTHOMASSEYet collab.[2005b]. Dans un premier temps, le FIS sert à quantifier et extraire l’influence des facteurs exogènes des historiques de ventes. A par- tir de ces historiques modifiés, un modèle de prévision statistique basé sur la saisonnalité et la tendance peut alors être utilisé pour prévoir les ventes de la saison future. L’influence des facteurs exogènes connus sur la saison future (promotions, périodes de vancances,...) est alors calculée par le FIS et ajoutée à la prévision initiale. Les règles d’inférence et les paramètres du FIS sont extraits et optimisés avec un algorithme génétique à partir de la base de données historiques.
En comparaison avec les traditionnels systèmes de prévisions basés sur les techniques de séries temporelles, le système proposé améliore la prévision des prévisions de ventes de familles d’ar- ticles sur un horizon à long terme de façon significative. Cela confirme que la prise en compte de variables exogènes est essentielle pour la prévision de ventes dans le secteur de la mode.
L’analyse plus approfondie des effets des baisses de prix, promotions ou autres offres commer- ciales est également essentielle pour la prévision des ventes. Les articles de mode sont générale- ment très sensibles aux variations de prix. Les gestionnaires ont pour habitude d’utiliser le prix de vente comme levier pour contrôler les ventes pendant la saison et ainsi limiter les invendus de fin de saison. Un outil d’aide à la décision intégrant un système de prévision performant peut aider les entreprises à contrôler plus précisément les ventes et les profits à partir du prix de vente. Un tel outil nécessite cependant une parfaite modélisation des relations entre les ventes et le prix pour chaque article.
De nombreuses études portent sur l’influence du prix sur les ventes dans différents domaines d’application [ABRAHAMet LODISH,1987; BLATTBERG et LEVIN,1987; DIVAKAR et collab.,2005;
DUBÉ,2004;NAIKet collab.,2005;NAIRet collab.,2005].
Dans RAMANATHAN et MUYLDERMANS[2010], un modèle d’équation structurel [HAIR,2010] est mis au point pour comprendre comment différents facteurs, tels que les promotions, affectent les ventes. La méthode proposée est développée pour les ventes hebdomadaire d’une entreprise de boissons gazeuses.
Dans ARCELUSet collab.[2008], une simulation d’une supply chain de deux échelons d’un pro- duit sensible aux variations prix est réalisée. Cette simulation a pour objectif d’étudier l’impact des baisses de prix sur les profits du fabricant et du distributeur. Il est démontré que les relations entre le prix et les profits réels des acteurs de la supply chain sont très complexes et nécessitent des analyses approfondies.
DansDEMIRIZ[2018] (chapitre de l’ouvrageTHOMASSEYet ZENG[2018]), l’auteur propose un système de prévision de la demande hebdomadaire intégrant les effets de variation de prix. Ce système s’appuie sur des régressions linéaires qui sont basées sur une classification spécifique des articles. Ce modèle de "pricing dynamique" multi articles obtient de meilleurs résultats que le modèle standard de pricing.
Pour conclure, les techniques de calcul avancé telles que les ELM ou les FIS sont des techniques intéressantes pour les prévisions des ventes et surclassent généralement les méthodes de type sé- ries temporelles ou les traditionnels réseaux de neurones type retro propagation. Ces systèmes
section suivante.
2.4.2.2 Prévision de ventes d’articles textiles sans historique
La plupart des articles de mode est vendu lors d’une seule et unique saison. Ce renouvellement constant des collections oblige les entreprises à réaliser des prévisions de ventes sans historique propre au produit considéré. Pour se faire, des modèles de prévisions spécifiques doivent être dé- veloppés.
Les prévisions de ventes de nouveaux articles est un problème très complexes [CHING-CHINet col- lab.,2010]. Ainsi pour réaliser des prévisions à long terme, le principe consiste à identifier les ar- ticles historiques les plus proches de l’article considéré. Les ventes historiques de ces articles simi- laires sont ensuite utilisées pour réaliser la prévision de ventes [SAAKSVUORIet IMMONEN,2004]. Cependant, la notion de similarité peut s’avérer complexe à définir pour des article modes. La problématique peut être résolue par une approche basée sur des classifications non-supervisée et supervisée. Cette méthode a été mise en œuvre avec succès dans [THOMASSEYet FIORDALISO,
2006] et [THOMASSEYet HAPPIETTE,2007] pour les prévisions de ventes d’articles de mode (section 2.5.1.1). L’objectif principal de cette méthode est d’établir des liens entre les ventes et les attributs des articles.
Ces relations sont souvent complexes et non linéaires [ALTMANet collab.,1994]. Dans ce contexte, les techniques d’apprentissage automatique (machine learning) sont reconnues pour leur capa- cité à créer des systèmes de classification efficaces [LEE et OH,1996; MÜLLERet WIEDERHOLD,
2002].
Le choix de la méthode de classification non supervisée dépend du type et de la quantité de don- nées à traiter. Pour la classification supervisée, les réseaux de neurones et les arbres de décisions sont souvent considérés comme les techniques les plus efficaces pour ce type d’applications [LEE
et OH,1996;MAKet MUNAKATA,2002;TSUJINOet NISHIDA,1995].
La décomposition des ventes en profils de ventes d’une part et quantité vendue d’autre part est une stratégie commune à ces travaux portant sur la prévision à long terme. Cette méthodologie est justifiée par le fait que les profils de ventes et les quantités ne sont pas influencées par les mêmes facteurs. La quantité globale vendue est également fortement dépendante des décisions de l’entreprise en terme d’achat et de réapprovisionnement.
Cependant, pour la mise en œuvre de tout système d’apprentissage automatique dans le secteur de la mode, le principal problème reste l’acquisition de données pertinentes, fiables et suffisam- ment nombreuses. En effet, jusqu’à l’avènement des données massives, cette problématique était un frein majeur au développement de ces techniques.
La prévision des ventes par classification est particulièrement adaptée à des prévisions à long terme (une saison ou collection à l’avance) par articles (SKU). Afin d’optimiser l’allocation des stocks et réapprovisionner dans les magasins en cours de saison, des prévisions à court terme, hebdomadaires ou journalières, sont nécessaires.
Dans ce but, lorsque cela est possible, les entreprises mettent souvent en place une technique de "pré-ventes" pour les articles de mode notamment pour les nouveaux articles. Cette technique consiste à approvisionner une petite quantité d’articles pour couvrir une courte période de la sai- son avec quelques magasins avant la période de vente "officielle". L’analyse de ces "pré-ventes" permet alors de définir des prévisions plus précises et de planifier le(s) approvisionnent(s) de la quantité totale. Cependant, cette méthode peut générer des coûts et des délais additionnels dis- suasifs.
Le principe général pour établir des telles prévisions à court terme consiste à extrapoler les ventes futures à partir des dernière ventes connues. Différentes techniques sont présentées dans la litté- rature pour réaliser ce type de systèmes.
CHAPITRE 2. LA PRÉVISION DES VENTES D’ARTICLES TEXTILES
DansFISHERet RAJARAM[2000], les données issues des "pré-ventes" sont exploitées pour définir des groupes de magasins. Les "pré-ventes" sont ensuite utilisées dans chaque groupe pour esti- mer les ventes pour chaque magasin.
DansGOLDFISHERet CHAN[1995], trois semaines de ventes sont considérées pour déterminer le succès ou l’échec d’un nouveau produit. Cette fenêtre de trois semaines permet de définir un ratio de ventes prévisionnelles qui sert à établir les prévisions hebdomadaires.
D’autres méthodes sont basées sur les séries tronquées de Taylor (truncated Taylor Series) [MCLEAN
et WORTHAM,1981]. La prévision de ventes est identifiée comme une série de Taylor où les pre- mières dérivées sont les composantes les plus importantes. La prévision finale est calculée par une somme pondérée des ventes historiques avec un poids plus important pour les données récentes. Cette méthode permet de réaliser des prévisions à court terme lorsque le nombre de données est limité.
DansMORRISON[1996], un modèle de diffusion est mis en œuvre pour prévoir les ventes de nou- veaux produits. Les ventes sont extrapolées à partir d’une courbe logistique symétrique intégrant les niveaux de saturation, les points d’inflexions et les composantes de retard du cycle de vie du produit pré-défini.
DansCHING-CHINet collab.[2010], un système d’aide à la décision pour les prévisions de ventes de nouveaux produits est proposé. Ce système sélectionne automatiquement le meilleur modèle selon les caractéristiques des données et les besoins de l’utilisateur. Les méthodes mises en œuvre inclues les modèles de type séries temporelles mais aussi des modèles basés sur les séries de Tay- lor ou des modèles de diffusion.
DansTSENG[2008], un modèle de diffusion est également exploité en combinaison avec un mo- dèle flou en utilisant différentes courbes de références.