Le Machine Learning révolutionne la prévision dans le retail et les CPG

Prévision basée sur le Machine Learning

Le Machine Learning joue un rôle important dans de nombreuses initiatives Big Data aujourd’hui. Les grands retailers et les entreprises de biens de consommation emballés (Consumer Packaged Goods) utilisent l’apprentissage automatique combiné à l’analyse prédictive pour aider à améliorer l’engagement des consommateurs et créer des prévisions de la demande plus précises dans leur transformation omnicanale. Avec le Machine Learning, les superordinateurs apprennent à partir des données récoltées par le Big Data, sans intervention humaine, et délivrent des tendances de demande consommateur sans précédents.

L’analyse prédictive et les algorithmes avancés, tels que les réseaux neuronaux, ont émergé dans les discussions des équipes décisionnelles. Les algorithmes de réseaux neuronaux sont auto-correctifs et puissants, mais sont difficiles à reproduire et à expliquer en utilisant des modèles traditionnels de régression multiple.

Pendant des années, les modèles de réseaux neuronaux ont été rejetés en raison du manque de capacités de stockage et de traitement nécessaires pour les mettre en œuvre. Maintenant, avec le cloud computing utilisant des algorithmes de réseaux neuronaux de superordinateurs, avec Arimax, la régression dynamique et les composants non observés, les modèles deviennent le catalyseur de la prévision basée sur le Machine Learning.

Selon un article paru dans le magazine Consumer Goods Technology, grâce à la reconnaissance des patterns, il y aura un de changement de l’engagement actif à l’engagement automatisé. Dans le cadre de ce changement, le Machine Learning prend en charge les tâches de la collecte de l’information à l’exécution réelle. Par rapport aux méthodes traditionnelles de prévision de la demande, la prévision basée sur le Machine Learning aide les entreprises à comprendre et à prévoir la demande dans de nombreux cas où cela serait normalement impossible. En voici quelques raisons :

Des informations complètes et des données.

Les prévisions traditionnelles sont basées sur des méthodes de séries chronologiques (Lissage Exponentiel, ARIMA et autres) qui ne peuvent utiliser qu’une poignée de facteurs  (par exemple, tendance, saisonnalité et cycle). D’autre part, l’apprentissage automatique combine des algorithmes d’apprentissage (Arimax, régression dynamique, les réseaux de neurones et d’autres) avec le Big Data et le cloud computing pour analyser des milliers – voire des millions – de produits utilisant des quantités illimitées de facteurs de causalité.


Les systèmes traditionnels de prévision de la demande et de planification sont limités à l’historique de la demande, alors que la prévision basée sur le Machine Learning peut tirer profit de données illimitées, déterminer ce qui est important, et prioriser les tendances disponibles (la demande de détection) pour influer sur la demande future en utilisant « what if » analyse (mise en forme de la demande). Par rapport aux systèmes traditionnels de prévision des séries chronologiques, des solutions de prévision basées sur le Machine Learning identifient les moteurs de demande sous-jacents qui influent sur la demande, en découvrant des tendances invisibles avec des méthodes de séries chronologiques traditionnelles. En outre, les algorithmes d’auto-apprentissage deviennent plus intelligents car ils consomment de nouvelles données et adaptent les algorithmes à la demande des consommateurs.

Des modèles holistiques utilisant plusieurs dimensions contre des algorithmes à dimension unique.

Les systèmes traditionnels de prévision sont caractérisés par un certain nombre d’algorithmes à « simple dimension », chacune étant conçue pour analyser la demande en fonction de certaines contraintes à données limitées. En conséquence, beaucoup de manipulations humaines entrent en compte dans le nettoyage des données, et leur séparation. Cela limite l’apport des algorithmes.

 

La prévision basée sur le Machine Learning prend une approche plus sophistiquée.

Cela fait appel à la reconnaissance des patterns avec un unique spectre d’algorithmes à but général qui s’adapte à toutes les données. Ils comprennent de nombreux types de patterns de la demande de manière simultanée.

Par exemple, là où les anciens systèmes ont un but spécifique qui mène à de nombreuses prévisions infondées, le Machine Learning permettra à ce même algorithme d’être utile pour de multiples process, y compris le prix, les promotions, le merchandising en magasin, la publicité, la température, le stock en magasin, et ainsi de suite, créant ainsi une vision d’une prévision réaliste et intégrée.

Utilisation partielle contre utilisation complète de l’historique produit.

Lors de la création des prévisions, les systèmes traditionnels de prévision de la demande et de planification analysent l’historique de la demande pour un seul produit/SKU, une seule catégorie, un canal et une zone du marché démographique. Les prévisions issues de l’apprentissage automatique tirent profit de l’historique de tous les produits, en prenant en compte les promotions, pour prévoir la demande de chaque article à tous les nœuds de la Supply Chain de manière simultanée.

Beaucoup prédisent que la prochaine génération de Machine Learning incluront également l’informatique cognitive, ce qui rendra la supply chain autonome. Cela permettra d’aller au delà des prévisions et de corriger de manière automatique les anomalies de la Supply Chain.

Voyez-vous les prévisions basées sur le Machine Learning soutenir la gestion de la demande de nouvelle génération ? Cela mènera-t-il à l’apprentissage cognitif créant une Supply Chain autonome?