Prévision de demande par machine learning en PME : ce qui marche vraiment

« On prévoit à plus ou moins 30 %, et encore. » C'est la phrase qu'on entend dans la plupart des PME quand on parle de prévision de demande. Résultat : on surstocke pour ne pas rater une vente, on rate quand même des ventes par rupture, et on immobilise de la trésorerie dans des stocks dormants. Le machine learning ne fait pas de magie — mais bien appliqué, il réduit nettement cette double peine.

Cet article fait le point sur ce qui marche réellement en PME, sans jargon et sans promesse de boule de cristal.

Pourquoi les prévisions « à la main » plafonnent

La prévision artisanale repose en général sur une moyenne mobile des ventes passées, corrigée à l'œil par un commercial expérimenté. Ça fonctionne tant que la demande est stable. Ça décroche dès qu'interviennent :

• une saisonnalité marquée (et plusieurs saisonnalités superposées : annuelle, mensuelle, jours de la semaine) ;
• des promotions qui déforment l'historique et créent des effets de report ;
• des variables externes (météo, calendrier, prix, concurrence) ;
• un nombre de références trop élevé pour être suivi individuellement à la main.

C'est précisément là que les modèles statistiques et de machine learning prennent l'avantage : ils intègrent ces facteurs simultanément, sur des milliers de références, sans fatigue ni biais.

Les trois familles d'approches

1. Statistiques classiques (ETS, ARIMA, Prophet)

Décomposition tendance / saisonnalité / résidu. Robustes, explicables, peu gourmands en données. Pour beaucoup de PME, c'est le bon point de départ : une méthode comme Prophet (open source) donne souvent 80 % du gain pour 20 % de l'effort. Ne sautez pas cette étape sous prétexte que « ce n'est pas de l'IA ».

2. Machine learning supervisé (gradient boosting)

Des modèles comme XGBoost ou LightGBM apprennent la demande à partir d'un jeu de variables (historique, calendrier, promo, prix, météo…). Ils excellent quand les facteurs explicatifs sont nombreux et que vous avez un historique suffisant. C'est aujourd'hui le standard pragmatique pour la prévision multi-références en PME.

3. Deep learning (réseaux de neurones temporels)

LSTM, Temporal Fusion Transformer et consorts. Puissants sur de très gros volumes et des structures complexes, mais coûteux à mettre en œuvre et à maintenir. En PME, rarement nécessaire au démarrage : réservez-les aux cas où le gradient boosting a atteint son plafond et où l'enjeu financier le justifie.

La donnée compte plus que le modèle

L'erreur classique est de se focaliser sur l'algorithme. Dans la réalité, la qualité du jeu de données explique la majorité de la performance. Avant de parler modèle, il faut :

• un historique de ventes propre, à la bonne maille (référence × point de livraison × jour ou semaine) ;
• l'historique des promotions et des ruptures (une rupture n'est pas une demande nulle, c'est une demande non servie — l'ignorer biaise le modèle à la baisse) ;
• un calendrier enrichi (jours fériés, vacances, événements) ;
• les variables externes pertinentes selon le métier (météo pour les boissons, glaces, jardinage…).

Mesurer la bonne chose

Une prévision ne se juge pas à sa beauté mais à son erreur mesurée (MAPE, WMAPE, biais). Et surtout : ne cherchez pas la prévision parfaite, cherchez la prévision qui réduit vos coûts réels. Une erreur de 15 % bien orientée (le bon sens du biais, sur les bonnes références) vaut mieux qu'une erreur de 10 % qui vous met en rupture sur vos produits stratégiques. Le bon KPI final, c'est le couple taux de service ↑ / stock ↓, pas le MAPE pris isolément.

Du modèle à la décision

Une prévision qui dort dans un fichier ne sert à rien. La valeur naît quand elle alimente une décision : proposition de réapprovisionnement, plan de production, allocation entre points de vente. L'enjeu d'intégration est donc aussi important que l'enjeu de modélisation — il faut brancher la prévision sur l'ERP, le calcul de besoin, et idéalement une boucle de feedback qui ré-entraîne le modèle au fil des ventes réelles.

Par où commencer concrètement

1. Cadrer le périmètre : une famille de produits où l'enjeu stock/rupture est réel.
2. Nettoyer l'historique et reconstruire la demande corrigée des ruptures.
3. Établir une baseline statistique (Prophet/ETS) — c'est votre point de référence.
4. Tester un modèle ML et comparer honnêtement à la baseline sur une période de validation.
5. Industrialiser seulement ce qui bat la baseline, et brancher sur la décision.

Cette démarche s'inscrit dans une logique data plus large, que nous décrivons sur nos pages Business Intelligence PME et IA locale en entreprise.

Pour démarrer

Vous surstockez et vous manquez quand même des ventes ? C'est le symptôme typique d'une prévision à reconstruire. Trente minutes suffisent à juger du potentiel sur votre cas — réservez un créneau.