Fiche concept

Modèles de fondation séries temporelles vs prévision classique IBP

À jour au 2026-07-23

Édité par Cédric-Olivier Mâry, éditeur et directeur de la publication — 27 ans d'écosystème SAP. Comment ces pages sont produites, et où intervient l'automatisation.

Qu'est-ce que Modèles de fondation séries temporelles vs prévision classique IBP ?

La prévision classique d'IBP (Croston, Holt-Winters, ARIMA) échoue sur trois scénarios SAP fréquents — lancements de nouveaux produits, pièces détachées à faible volume, volatilité liée aux promotions — exactement là où des modèles zéro-shot comme Chronos et TimeGPT sont conçus pour s'insérer.

De quoi il s'agit

Les modèles de fondation séries temporelles sont de grands réseaux de neurones pré-entraînés sur des jeux de données temporelles variés; ils produisent des prévisions zéro-shot ou few-shot sans entraînement spécifique au jeu de données. Les deux modèles de référence sont TimeGPT (Nixtla, 2023 — transformer encodeur-décodeur entraîné sur plus de 100 milliards d'observations de séries temporelles issues des domaines finance, énergie, trafic web et retail) et Amazon Chronos (2024 — prévision probabiliste basée sur une architecture T5, traitant les valeurs de séries comme du langage tokenisé). L'affirmation structurelle : un seul modèle pré-entraîné généralise suffisamment bien entre domaines pour battre les benchmarks classiques univariés sur des séries jamais vues, sans aucun fine-tuning.

Le point de douleur SAP structurel : SAP Integrated Business Planning (IBP) pour la demande est livré avec des algorithmes de prévision classiques — méthode de Croston pour la demande sporadique, lissage exponentiel triple (Holt-Winters), ARIMA et Random Forest ML (ajouté au T4 2022). Ces méthodes fonctionnent bien sur les SKU à fort volume et à demande régulière. Elles échouent dans trois scénarios fréquents chez SAP : lancements de nouveaux produits (NPI, sans historique), demande sporadique de pièces détachées à faible volume (Croston la gère, mais la précision se dégrade en deçà de 12 mois d'historique), et pics de volatilité liés à des promotions encodées dans des variables externes indisponibles dans le jeu de features natif d'IBP.

Pourquoi c'est important

Chronos ou TimeGPT peuvent générer un signal de demande zéro-shot pour un nouveau produit sans historique, chargé dans IBP via OData comme prévision externe mélangée à la baseline statistique.
La sortie probabiliste par quantiles de Chronos se mappe naturellement à la formule de stock de sécurité d'IBP, améliorant le MAPE des pièces détachées de 1-3 % par rapport à Croston sur séries creuses.
TimeGPT accepte des régresseurs exogènes (promotion, remise, météo) qu'IBP ne peut pas intégrer nativement sans développement ML sur mesure.

Points clés

TimeGPT (Nixtla) et Chronos (Amazon) sont les deux modèles de fondation séries temporelles de référence en 2026.
Les algorithmes classiques IBP (Croston, ETS, ARIMA) traitent 80 % des SKU à demande régulière ; les modèles de fondation adressent les 20 % de queue (nouveaux produits, demande intermittente, sensible aux promos).
Chronos produit des distributions de quantiles complètes — se branche nativement sur la formule de stock de sécurité d'IBP.
Pattern d'intégration : endpoint Chronos/TimeGPT sur SAP BTP AI Core → écriture OData vers l'override de prévision IBP.
L'IBP classique l'emporte sur l'interprétabilité, la gouvernance, le coût GPU nul et la traçabilité réglementaire CSRD.
Time-Series Foundation Models vs IBP Classical Forecasting n'est maîtrisé que lorsqu'il change une décision d'achat nommée.
Commencer par le contrat sémantique et le modèle de contrôle avant de démontrer l'outil.
Utiliser les signaux SAP, analystes, études, KG et actualités actuels comme preuves, pas comme décoration.
Séparer les faits vérifiés des tendances directionnelles et des hypothèses modélisées.
Définir le propriétaire, la métrique, le seuil, le circuit de support et le plan de retour arrière avant de passer à l'échelle.

Termes employés sur cette page

TimeGPT: Modèle de fondation pour séries temporelles de Nixtla 2023. Encodeur-décodeur transformer entraîné sur plus de 100 milliards d'observations issues de domaines variés. Accessible par API ; prend en charge les régresseurs exogènes.
Chronos: Modèle probabiliste de prévision de séries temporelles d'Amazon 2024. Utilise une architecture de classe T5 traitant les valeurs de série temporelle comme des tokens de langage discrets. Produit des distributions de quantiles complètes, et non des prévisions ponctuelles.
IBP: SAP Integrated Business Planning — suite de planification supply chain cloud-native de S/4HANA. Le module Demand inclut les algorithmes de prévision Croston, ETS/Holt-Winters, ARIMA et ML Random Forest.
NPI: New Product Introduction — un produit avec des données de demande historiques nulles ou minimales ; le scénario où la prévision statistique classique n'a aucun signal sur lequel s'ajuster.
Zero-shot forecasting: Produire une prévision pour une série que le modèle n'a jamais vue, en s'appuyant sur les motifs appris à partir d'autres séries lors du pré-entraînement.
Decision owner: La personne responsable qui accepte l'arbitrage et finance l'action suivante.
Semantic contract: La définition partagée des termes métier, indicateurs, entités et règles d'accès utilisés par les outils et les équipes.
Control plane: La couche qui applique la politique, l'accès, la traçabilité (lineage), la supervision et l'escalade à travers le modèle opérationnel.

Sources

Fiche complète réservée aux abonnés. Ce que la fiche complète ajoute : le cadre de décision complet · la comparaison SAP · Snowflake · Databricks · Fabric · les pièges courants et leur correctif · l'aide-mémoire · les schémas d'architecture · les blocs de code.

Ouvrir dans l'application →

Modèles de fondation séries temporelles vs prévision classique IBP

Qu'est-ce que Modèles de fondation séries temporelles vs prévision classique IBP ?

De quoi il s'agit

Pourquoi c'est important

Points clés

Termes employés sur cette page

Sources

Concepts liés

Modules d'académie associés

Études approfondies

Guides SAP analytics & TJM