Comment calculer un forecast ?

Quelques définitions utiles ici

Calculer un forecast, c'est transformer en valeur notre analyse de l'avenir.
Pour que cette valeur soit robuste et ait du sens, il faut une méthode de calcul.

Méthodologie de création

La construction d'un modèle de prévision doit répondre aux conditions suivantes. La méthode doit :

• Produire une prévision de la demande en unité de vente sur la période de réservation considérée, en fonction de la stratégie tarifaire, du segment et des canaux.
• Répondre à n’importe quelle structure de prix
• Permettre de quantifier la précision de la prévision.
• Uniquement utiliser des données observables.
• Montrer une stabilité des paramètres dans le temps et une robustesse des prévisions
• Minimiser l’erreur de prévision.
• Estimer les paramètres conjointement pour être cohérente avec elle-même.

Création d'un forecast simple

La méthode suivante produit un modèle simple de forecast d'atterissage, répondant aux conditions ci-dessus.

Le modèle ci-dessous va :

• Produire une prévision en occupation pour une période de réservation donnée (par exemple, en chambre, sur une date donnée), en considérant les prix, la structure tarifaire, la segmentation client, la segmentation de l'inventaire et les canaux comme exogène.
• Des mesures d'incertitude pourront être calculé sur les valeurs produites
• Les données utilisées sont des données passées, une montée en charge de référence, et des données actuelles, le portefeuille de la période de réservation considérée.
• Il n'y a pas de paramètres pour ce modèle.

Soit les variables suivantes, pour exemple.

import numpy as np
J0=0
Jx = 30
leadtime = np.linspace(J0, Jx, 30)[::-1] # création du booking horizon

Soit les montées en charges ci-dessous.

La montée en charge de référence MEC_ref termine autour de 152 unités de ventes.
Mon portefeuille MEC_N montre 26 unités vendues. à combien vais-je terminer dans 10 jours ?

Forecast additif

Une première technique consiste à se dire que je vais garder, en valeur absolue, mon écart avec la MEC de référence.

JX = -10 # on est à J-10 !

delta = mec_N[JX] - mec_ref[JX] # avance retard.

forecast = np.zeros(leadtime.size)
forecast[:JX+1] = np.nan

forecast[JX+1:] = mec_ref[JX+1:] + delta # on propage l'avance retard en valeur absolue

Le retard est de 12 unités, ainsi le forecast additif va donner un atterrissage pour N à 140 unités.

forecast multiplicatif

Une deuxième technique consiste à se dire que je vais garder l'écart relatif avec la MEC de référence.

JX = -10 # on est à J-10 !

delta = (mec_N[JX] - mec_ref[JX])/ mec_ref[JX] # avance retard.

forecast = np.zeros(leadtime.size)
forecast[:JX+1] = np.nan

forecast[JX+1:] = mec_ref[JX+1:]*(1+ delta) # on propage l'avance retard en écart relatif

Le retard est de 30%, ainsi le forecast multiplicatif va donner un atterrissage pour N à 103 unités.

Convergence

Les deux techniques ne donnent pas les mêmes résultats, et c'est normal.
Le graphique ci-dessous représente l'évolution de la prévision en fonction de l'anticipation d'analyse (de J-30 à J-1). Les deux forecasts sont mis en parallèle de la montée en charge et du réalisé (valeur que nous cherchons à prévoir)

Les constats suivants peuvent être établis :

• Les prévisions convergent toutes les deux vers la valeur du réalisé, ce qui est logique puisque plus l'anticipation diminue, plus l’incertitude sur le “reste à prendre” diminue également.
• Le forecast multiplicatif a anticipé plus rapidement la tendance des ventes que la méthode additive
• La forecast multiplicatif a une plus grande variance que le forecast additif.
• Le forecast additif surestime le réalisé (plus grand biais). On peut montrer que lorsque la montée en charge est en avance par rapport à la montée en charge de référence, alors le forecast additif sous estime le réalisé.

plus d'informations sur le dilemme biais-variance ici

Les questions à se poser :

Cet exemple-jouet nous permet de soulever les questions suivantes :

Qu'est-ce je choisis de prévoir ?

• Qu'est-ce que je dois choisir de prévoir : la valeur finale ou les valeurs intermédiaires ?
• Est-ce que je choisis de prévoir en valeur absolue (valeur du portefeuille) ou en différentiel (valeur du pick up à chaque anticipation)

Quelle est ma référence ?

• Que doit contenir ma montée en charge de référence (ou plus simplement, à quoi est-ce que je compare mon portefeuille ?)
  • La même date que l’an dernier ? Le même jour de semaine que l'an dernier ?
  • Est-ce que je fais plutôt un modèle synthétique ? Si oui, qu'est-ce que je choisis d'agréger ? Qu'est-ce que je choisis d'exclure ?

Quel est mon modèle ?

• Est-ce que j'utilise des modèles simples comme ceux présentés ici ou je souhaite aller vers des modèles plus complexes ? (Séries temporelles, Réseaux de neurones etc)

Qu'est-ce qui n'est pas pris en compte dans mon modèle ?

• Comment est-ce que je gère la saturation ?
• Comment réagit mon forecast si j'agis sur mes contrôles de vente ? (prix, disponibilités des plans tarifaires, du stock, ...)

Pour aller plus loin

Les deux pistes suivantes ouvrent sur le vaste sujet de la prévision

• A Comparative Analysis of Pickup Forecasting Methods
• Forecasting: Principles and Practice, the Pythonic Way

Mes préconisations sont les suivantes :

• Rester simple, car la simplicité permet une meilleure compréhension.
• Se rappeler que le rôle même du revenue manager est de faire mentir le forecast. Le rôle du RM est d'affirmer ou d'infirmer une tendance, le forecast est donc plus une boussole car il sera inexacte à partir du moment où le RM aura pris une décision.

Vous souhaitez de l'accompagnement pour aller plus loin ? échangeons :)