Une enquête menée par Kahn (2002), auprès de professionnels en gestion et développement de produits, en marketing, en gestion de produits et en prévision des ventes, a pour objectif d’identifier les pratiques les plus couramment utilisées en industrie dans le processus de prévision de la demande de nouveaux produits à lancer sur le marché. Dans cette analyse, un nouveau produit est soit une nouvelle version plus économique d’un produit dans un marché déjà existant, une version améliorée d’un produit ou un tout nouveau produit. Les études de marché et les méthodes qualitatives de prévision sont les outils privilégiés dans la majorité des entreprises interrogées, et ce, sans égard au type de nouveaux produits à mettre en marché (version améliorée, élargissement de la gamme, nouveau produit, etc.). L’enquête révèle que les entreprises utilisent, en ordre décroissant d’importance, les études de marché, l’opinion d’un jury d’experts, la méthode composite de la force de vente (chaque vendeur fournit ses propres prévisions des ventes, lesquelles sont agrégées pour donner les prévisions pour une ligne de produits), et l’analyse par analogie (estimation des ventes d’un nouveau produit en se basant sur les résultats des ventes de produits semblables déjà sur le marché). Kahn (2002) rapporte que l’augmentation du nombre de techniques utilisées ne conduit pas nécessairement à une meilleure précision dans l’estimation des prévisions. En moyenne, cette précision se situe autour de 58 %, tous types de nouveaux produits confondus sur un horizon approximatif de 26 mois.
Kahn (2014) confirme, dans une nouvelle étude, que la problématique de la prévision des ventes de nouveaux produits sans historique est encore d’actualité même si les outils statistiques et informatiques sont de plus en plus sophistiqués et que l’usage de méga données (Big data) dans les
21 organisations progresse rapidement. En l’absence de données historiques propres à un nouveau produit, les outils qualitatifs basés sur le jugement et l’intuition sont encore la norme.
Dans le cas où des milliers de nouveaux produits sont mis en marché à chaque nouvelle saison de vente, le besoin d’une méthode rapide, dont l’efficacité est démontrée, se fait sentir. La complexité du problème de prévision de la demande de nouveaux produits est grande. Thomassey (2014) dresse à cet effet un portrait détaillé des différentes particularités des produits de consommation à court cycle de vie avec lesquelles nous avons eu à conjuguer dans le cadre de cette thèse.
Les auteurs s’entendent pour dire que la prévision de nouveaux produits est un exercice très difficile en raison du nombre limité de données historiques.
Thomassey (2014) propose une procédure en deux étapes pour prévoir les ventes futures des nouveaux produits. La première étape consiste à construire un profil de vente d’un nouveau produit à partir des historiques de vente de produits semblables dans la même famille de produits vendus dans les saisons précédentes. La seconde étape consiste à regrouper, à l’aide de techniques de classification, les profils de vente en fonction des caractéristiques comme le prix, la période de vente, le style du produit, la durée de vie, etc. Les prévisions de ventes de nouveaux produits sont donc établies à partir des historiques de vente des regroupements de produits de même profil et même caractéristique.
Certains auteurs ont tenté de prévoir les ventes futures de nouveaux produits sur la base de résultats de tests de marché (prévente) consistant à introduire les nouveaux produits dans des magasins tests durant une courte période. Cependant la fiabilité des prévisions obtenue n’est pas constante (Tanaka, 2010).
Tanaka (2010) affirme aussi que la méthode de réseaux de neurones n’est pas un outil de prévision approprié dans le cas de produits à court cycle de vie ou lorsqu’on doit prévoir un très grand nombre de nouveaux produits étant donné le traitement préliminaire qu’on doit apporter aux données à prévoir. Bien que de nombreuses tentatives aient été effectuées pour prévoir les nouveaux produits dont l’historique de vente est de quelques jours ou quelques semaines, aucune méthode de prévision bien établie pour traiter de ce type de produit n’était disponible avant 2010. Dans cette étude, Tanaka utilise la corrélation entre les ventes cumulées à court terme et à long terme d’un regroupement de produits
22
similaires pour obtenir des prévisions à long terme basées sur le résultat des ventes des nouveaux produits (non saisonniers) quelques jours ou quelques semaines après leur introduction sur le marché. L’utilisation d’outils quantitatifs, notamment les modèles de prévision, nécessite pour la plupart l’utilisation de données historiques. Toutefois, les travaux récents de Hsu et Chen (2003) appliqués sur la demande en énergie et dans l’industrie des circuits intégrés et requérant peu de données historiques sont un premier pas dans le développement d’outils de prévision de nouveaux produits. L’algorithme (modèle gris) utilisé par Hsu et Chen (2003) donne malheureusement des résultats mitigés. Pour pallier aux lacunes soulevées, Choi et al., (2014) proposent un algorithme de prévision intelligent combinant l’apprentissage automatique (machine-learning) et le modèle gris (grey model) afin d’obtenir des meilleures prévisions sous la contrainte de temps et de données limitées. Appliqué sur des données mensuelles réelles d’entreprise, l’algorithme donne tout de même des erreurs absolues moyennes en pourcentage entre 43 % et 50 % selon le temps de résolution accordé.