Pour améliorer ses performances, il faut être capable de les mesurer afin de les comparer.
Chez SKU Science, nous avons sélectionné le biais et l'erreur absolue comme indicateurs de performance car nous pensons qu'il s'agit des indicateurs les plus efficaces pour analyser la qualité de vos prévisions très rapidement.

Cependant pour une analyse des KPI à un niveau agrégé, deux méthodes de calcul peuvent être utilisées pour comparer les prévisions aux valeurs réelles de demande.

Pour choisir l'option que vous souhaitez retenir pour vos KPI agrégés, cliquez en haut à droite de l'écran sur la roue crantée.

Sélectionnez Règles, puis Calcul des KPI afin de choisir l'option qui vous intéresse.

Notez au passage que le biais restera inchangé avec les deux méthodes lorsque vos données seront agrégées.
En revanche l'erreur, et donc la précision, vous fourniront des résultats différents, en fonction de la méthode retenue.

Calcul des KPI et ensuite l'agrégation

Avec cette première option, l'erreur de chaque agrégation est égale à la somme des erreurs des prévisions de plus bas niveau.

C'est la méthode la plus défavorable et en général celle qui est utilisée par les professionnels afin d'analyser les prévisions.

Calcul de l'agrégation et ensuite des KPI

La seconde option effectuera d'abord la somme des prévisions pour chaque agrégation, puis comparera les résultats à la demande de chaque agrégation afin de déterminer l'erreur (et le biais).

Cette méthode peut être intéressante pour plusieurs raisons.

La première raison est liée au fait que vos prévisions de plus bas niveau sont définies à un niveau de granularité plus fin que le niveau article.
Par exemple si vous avez défini vos prévisions au niveau article x client, ou article x canal de distribution ou article x entrepôt, vous pouvez être intéressé par visualiser votre précision au niveau article, puisqu'au final c'est ce que vous allez produire ou commercialiser. Cette méthode de calcul vous permet de visualiser cette donnée intéressante pour votre activité.
De la même manière, si vous souhaitez étudier la précision de vos prévisions pour une machine de production afin d'optimiser votre planning et améliorer votre capacité de production, vous pourrez obtenir directement cette information. Il vous suffit avec cette méthode d'agréger vos données par machine de production et vous obtiendrez directement les KPI qui vous intéressent.
Calculer les prévisions en utilisant un niveau agrégé constitue une seconde raison de vouloir utiliser cette méthode. Vos prévisions de plus bas niveau sont définies au niveau article, ou à un niveau encore plus fin, mais la plateforme calcule vos prévisions à un niveau agrégé pour obtenir une meilleure précision, par exemple au niveau famille de produit.
Cette méthode permet de visualiser directement la précision du niveau retenu pour votre calcul.

Prenons ce dernier exemple pour comparer les résultats des 2 méthodes.

Dans notre cas, les prévisions sont calculées au niveau de chaque famille, puis automatiquement réparties au niveau de chaque article.

Utilisation de la première méthode de calcul

Avec la méthode 1, la somme des erreurs de chaque article donne une erreur moyenne totale de 17% ou de 607 unités.

Utilisation de la seconde méthode de calcul

Avec la méthode 2, l'erreur est minorée, et on obtient 14% pour l'erreur moyenne totale et 477 unités.

Pour chaque famille, la plateforme vous affiche l'erreur obtenue lors du calcul.

Il est intéressant de noter par exemple que pour la famille 4, le taux d'erreur est le plus faible à 11%. C'est la famille sur laquelle la plateforme obtient de meilleurs résultats avant la répartition automatique.

Ainsi en analysant l'erreur de chaque famille, vous êtes capable d'avoir une idée de la précision du modèle retenu par la plateforme pour effectuer son calcul avant que celle ci n'effectue sa répartition sur les prévisions de plus bas niveaux.

Conclusion

Pour accéder très rapidement à l'une ou l'autre des méthodes, il suffit de vous rendre dans Règles et de basculer sur l'option qui vous intéresse.

En retournant sur l'analyse des KPI, vous obtenez directement les données pour vos prévisions.