Méthodologie de prévision des ventes B2B avec une demande intermittente

Dans le domaine de la prévision des ventes, le phénomène de demande intermittente pose un défi important pour la précision de la prévision. Une demande intermittente est sporadique et irrégulière. Les méthodes traditionnelles telles que les moyennes mobiles ou le lissage exponentiel ne sont pas capables de les prévoir. Le manque de données historiques et l'influence de facteurs externes peuvent rendre ces prévisions d’autant plus difficiles à faire. Pour faire face à ces défis, diverses méthodes avancées de prévision ont été proposées dans la littérature. Parmi ces méthodes, la méthode de Croston a été spécifiquement développée pour prévoir la demande intermittente. Les méthodes bayésiennes sont aussi connues à être efficaces pour modéliser l'incertitude et l'irrégularité de la demande. L'incorporation de données externes telles que les tendances de l'industrie ou du marché pourrait également améliorer la précision de la prévision. Cette étude vise à contribuer à cette littérature en étudiant à l’aide d’un cas industriel l'efficacité de ces différentes méthodes avancées à prévoir les ventes B2B pour les produits avec une demande intermittente. En outre, cette étude examine l'impact de l'incorporation de données externes sur la précision de la prévision. Nous proposons une application innovante pour améliorer la prévision en commençant par prédire quand la vente aura lieu. À cette fin, nous utilisons deux approches, soit une basée sur des modèles de classification et une basée sur l’analyse de séries temporelles des intervalles interdemande. Nous proposons également d'utiliser une approche d’agrégation / désagrégation temporelle afin de fournir une prévision plus précise de la demande. Les résultats fournissent des informations pertinentes pour les praticiens et les chercheurs dans le domaine de la prévision des ventes B2B, et peuvent contribuer au développement de stratégies de prévision plus robustes pour la demande intermittente.

Abstract

In the field of sales forecasting, the intermittent demand phenomenon poses a significant challenge for forecast accuracy. Intermittent demand is sporadic and irregular, and traditional methods such as moving averages or exponential smoothing are not capable of forecasting it. The lack of historical data and the influence of external factors can make these forecasts even more difficult to make. To address these challenges, various advanced forecasting methods have been proposed in the literature. Among these methods, the Croston method has been specifically developed to forecast intermittent demand. Bayesian methods are also known to be effective in modeling the uncertainty and irregularity of demand. The incorporation of external data such as industry or market trends could also improve forecast accuracy. This study aims to contribute to this literature by studying the effectiveness of these different advanced methods in forecasting B2B sales for products with intermittent demand using an industrial case. Furthermore, this study examines the impact of the incorporation of external data on forecast accuracy. We propose an innovative application to improve forecasting by first predicting when the sale will occur. To this end, we use two approaches, one based on classification models, and one based on analysis of interdemand time series intervals. We also propose using a temporal aggregation/disaggregation approach to provide a more accurate demand forecast. The results provide relevant information for practitioners and researchers in the field of B2B sales forecasting and can contribute to the development of more robust forecasting strategies for intermittent demand.