Menu

Stéphane Ghioldi, vice-président de l’entité Opération Excellence chez Capgemini Consulting

« Le machine learning peut améliorer les prévisions »

Tendance | Prévisions/Planification | publié le : 01.03.2018 | Dernière Mise à jour : 09.03.2018

Image

« Le machine learning peut améliorer les prévisions »

Crédit photo JF

« L’intérêt du machine learning (apprentissage automatique) réside dans un certain nombre d’algorithmes, qui prennent en considération différents paramètres au fil du temps, permettant d’améliorer en continu la prévision. Contrairement aux algorithmes classiques, ils sont capables d’établir des corrélations pas forcément évidentes entre différentes familles de produits. Nous n’en sommes qu’au début, mais beaucoup de secteurs y travaillent depuis 2-3 ans, notamment dans les environnements avec des réseaux de distribution diffus et complexes : retail et grande consommation en particulier. Il y a déjà eu des POC et même quelques mises en œuvre. C’est une belle opportunité pour les distributeurs qui n’ont jamais complètement réussi à trouver la recette magique pour les prévisions. Cette technologie peut être par exemple utilisée pour affiner les prévisions puis la planification de charge des réseaux de distribution. Comme beaucoup d’éléments qui tournent autour du digital, le machine learning peut offrir la capacité de sauter une étape. Même si le niveau de maturité des prévisions d’une entreprise n’est pas très élevé, il est susceptible de permettre d’aller un ou deux crans plus loin rapidement. Au bout de seulement quelques semaines, on arrive à obtenir des résultats équivalents à ceux obtenus avec des prévisions classiques. Néanmoins, j’identifie quelques points d’attention sur lesquels les entreprises doivent rester vigilantes. L’outil, cœur de réacteur, est un sujet crucial. La question du choix sur étagère ou du développement en interne se pose. L’open source favorise les développements maison. Sur le marché, on retrouve les acteurs historiquement fournisseurs d’outils de prévision classique qui proposent maintenant des modules de machine learning. Attention cependant à s’assurer qu’il ne s’agit pas d’une simple amélioration des algorithmes existants (non auto-apprenants). Des pure players ont également fait leur apparition. Ces outils sur étagère garantissent une certaine expérience, mais donnent parfois l’impression d’une boîte noire impénétrable. À l’inverse, développer ses propres algorithmes génère une montée en puissance plus lente, mais avec à la clé une totale maîtrise du système. Les individus et les compétences sont aussi une question critique. De nouveaux profils, encore relativement rares sur le marché, sont requis, comme le data scientist, le data analyst ou même le data engineer. Quant à la qualité des données, qui pose encore de nombreuses difficultés, elle est évidemment fondamentale et il reste beaucoup de travail à accomplir en la matière. »

Retour au sommaire

Les plus lus

Abonnez-vous

Pour rester au coeur de votre métier, profitez dès maintenant de l'accès numérique au site www.actu-transport-logistique.fr en vous abonnant à L'Officiel des Transporteurs ou à Logistiques Magazine.

Div qui contient le message d'alerte

Envoyer l'article par mail

Mauvais format Mauvais format

captcha
Recopiez ci-dessous le texte apparaissant dans l'image
Mauvais format

Div qui contient le message d'alerte

Contacter la rédaction

Mauvais format Texte obligatoire

Nombre de caractères restant à saisir :

captcha
Recopiez ci-dessous le texte apparaissant dans l'image
Mauvais format