Apprendre AutoML (French Edition)

Chapitre 9. Prévision de sérieschronologiques avec AutoGluon

Cet ouvrage a été traduit à l'aide de l'IA. Tes réactions et tes commentaires sont les bienvenus : [e-mail]

Je me souviens encore de la première fois où j’ai été témoin de l’impact dévastateur d’une mauvaise prévision de la demande. C’était en 2015, et je travaillais pour une entreprise de commerce électronique en pleine croissance qui perdait des sommes colossales malgré des ventes record. Son entrepôt débordait d’articles saisonniers invendus tandis qu’elle était constamment en rupture de stock de ses best-sellers. La satisfaction des clients a chuté, les délais de livraison passant de quelques jours à plusieurs semaines. La cause profonde ? Le système de prévision de l’entreprise était sophistiqué, mais reposait en grande partie sur des suppositions, en utilisant des moyennes mobiles et l’intuition des dirigeants.

Les membres de l'équipe d'analyse de l'entreprise avaient tout essayé. Ils avaient mis en place des modèles ARIMA qui n'avaient pas réussi à saisir la saisonnalité complexe de leur activité. Ils avaient testé des réseaux neuronaux qui s'étaient trop adaptés aux tendances historiques et avaient échoué de manière spectaculaire lorsque la COVID-19 a bouleversé les comportements d'achat traditionnels. C'est un scénario classique de changement de régime : quand les tendances fondamentales changent si radicalement que les relations historiques ne sont plus valables. Lorsque la COVID a ...