Prévision time-series à l'échelle
À jour au 2026-08-16
La prévision de la demande et du chiffre d'affaires sur données SAP échoue moins sur le choix du modèle que sur l'hygiène des données : des contre-passations de sorties de marchandises non nettées et une dérive du calendrier fiscal suffisent à faire basculer un score MASE, et avec lui une décision de mise en production. Pour 90 % des missions, la séquence défendable est une baseline classique par SKU, puis un modèle LightGBM global avec lag features -- l'approche qui a remporté la compétition M5 de Walmart et domine aujourd'hui la prévision SAP retail et distribution -- promu en production seulement s'il bat la baseline de plus de 10 % de MASE sur un jeu de validation. Quand le client dispose déjà de HANA Cloud, PAL prévoit 50 000 séries SKU en moins de dix minutes sans déplacer les données; au-delà, Databricks avec promotion contrôlée par MLflow est le chemin de production. Les data scientists seniors capables de porter cette décision de bout en bout, nettoyage des données SAP inclus, se négocient entre 900 et 1 200 EUR/jour en supply chain et 1 100 à 1 400 EUR/jour en services financiers en EMEA.
Ce que vous apprendrez
- Choisir entre méthodes statistiques classiques (Holt-Winters, ARIMA/SARIMA), approches ensemblistes (LightGBM, XGBoost) et modèles deep learning (LSTM, TFT) en fonction de la taille du dataset, des exigences d'interprétabilité et de la complexité opérationnelle
- Opérationnaliser la prévision time-series sur des données SAP avec hana-ml/PAL, SAC Predictive Planning et Databricks AutoML ou MLflow
- Évaluer une prévision avec des métriques adaptées (MASE, SMAPE, pinball loss pour le quantile) et détecter les modes de défaillance courants spécifiques aux patterns de données SAP
- Formuler la valeur métier, les compromis d'interprétabilité et les coûts d'infrastructure dans les ateliers clients et les négociations tarifaires
Pourquoi les Données Time-Series SAP Sont Plus Difficiles que les Benchmarks
La plupart des benchmarks publics de séries temporelles (M4, M5, compétitions Kaggle) utilisent des séries propres, régulièrement espacées et complètes. Les données transactionnelles SAP ne sont rien de tout cela. Comprendre cet écart est la première compétence pratique pour un consultant construisant des solutions de prévision sur SAP.
Séries irrégulières -- les données de demande SAP (valeurs de stock MBEW, quantités de commande de vente VBAP, lignes COPA) sont pilotées par événements : un enregistrement existe quand une transaction se produit, pas à chaque point calendaire. Un matériau qui se vend trois fois par semaine en période chargée peut passer quatre semaines sans transaction en saison creuse. Traiter naïvement les périodes sans transaction comme des données manquantes et interpoler introduit une demande fantôme. La bonne approche est la modélisation explicite de la demande intermittente (méthode de Croston ou sa variante Syntetos-Boylan pour les SKU à rotation lente, en ensemble avec un modèle standard pour les articles à vente régulière).
Module complet réservé aux abonnés. Le module complet ajoute : le cadre de décision · le cas guidé de bout en bout · la grille de KPI · les anti-patterns · les blocs de code · le contrôle de connaissances · les schémas.