SAP Integrated Business Planning (SAP IBP) est une solution dynamique et complète qui prend en charge différents aspects de la planification et de la prévision statistiques interactives :

Prévision immédiate de la demande (perception de la demande) : prévisions basées sur les demandes immédiates des consommateurs.
Prévision de la demande à moyen ou long terme : aligne stratégiquement les plans d'entreprise en anticipant les demandes sur une période étendue.
Prévision des quantités : anticipe la quantité exacte de produits nécessaires, en éliminant les problèmes de surplus ou de rupture de stock.
Prévision des prix et du chiffre d'affaires : anticipe les aspects financiers, ce qui permet une planification financière efficace.
Les fonctionnalités de prévision statistique de SAP IBP permettent de créer des prévisions pour différents scénarios ou segments d'activité spécifiques. Par exemple, il peut générer automatiquement des prévisions de quantité basées sur l'historique des expéditions ou des prévisions de prix et de chiffre d'affaires pour prévoir les fluctuations des prix de l'essence dues aux variations saisonnières. Ces outils offrent une adaptabilité et une précision prédictive dans un environnement de marché en constante évolution.
Sujets clés
À mesure que vous progressez dans cette leçon, il est important de vous concentrer sur plusieurs sujets clés qui sont essentiels pour maîtriser le contenu. Ces domaines d'intérêt ne sont pas seulement des sujets à apprendre, ils sont vos tremplins vers une compréhension plus approfondie et pour atteindre les objectifs d'apprentissage du cours. En mettant l'accent sur ces domaines cruciaux, vous créerez une solide base de connaissances qui améliorera vos compétences et votre efficacité dans la gestion de la chaîne logistique.
Perception de la demande : méthode de prévision immédiate de la demande qui prédit les demandes des consommateurs en temps réel.
Moyenne simple : algorithme de prévision qui calcule la moyenne de toutes les données historiques dans un horizon temporel donné.
Moyenne glissante simple : algorithme de prévision qui calcule la moyenne des sous-ensembles de données historiques sur un nombre spécifique de périodes.
Lissage exponentiel simple : algorithme de prévision qui affecte des pondérations décroissantes de manière exponentielle à des points de données plus anciens, utile pour les données sans tendance ni saisonnalité.
Lissage exponentiel double : algorithme de prévision qui gère à la fois les valeurs de tendance et d'indicateurs, utile pour les données avec une tendance.
Lissage exponentiel triple : algorithme de prévision qui gère la tendance, la saisonnalité et les valeurs d'indicateurs, utile pour les données avec tendance et saisonnalité.
Étapes de pré-traitement : étapes initiales d'un modèle de prévision qui traitent les problèmes dans les données historiques avant de générer des prévisions.
Étapes de post-traitement : étapes finales d'un modèle de prévision, en mettant l'accent sur les actions après la génération de la prévision, y compris la mesure des erreurs.
Gérer modèles de prévision
L'application Gestion des modèles de prévision vous permet de créer et de modifier des modèles qui sous-tendent les processus de prévision dans SAP IBP. Les utilisateurs peuvent décrire les étapes de prétraitement, de prévision et de post-traitement dans des onglets distincts pour faciliter la navigation.
Options générales
Établissez les paramètres applicables à l'ensemble du modèle.
Étapes de pré-traitement :
Sélectionnez des algorithmes pour atténuer les problèmes dans les données de séries chronologiques avant de générer des prévisions.
Étapes de post-traitement :
Sélectionnez les options pour les actions effectuées par le système après la prévision, y compris les calculs de mesure d'erreur.
Résumé de la vidéo
Lors de la définition d'un modèle de prévision statistique, l'utilisateur dispose d'une flexibilité dans trois domaines clés : le prétraitement, qui implique la préparation des données, les étapes de prévision, qui incluent l'exécution de la prévision et le post-traitement, qui implique des tâches telles que la sauvegarde des mesures d'erreur. Ces sections sont organisées sous forme d'onglets dans l'écran de configuration des modèles statistiques, fournissant un processus de configuration clair et structuré.
Vous pouvez sélectionner des options valides pour l'ensemble du modèle, quels que soient les algorithmes sélectionnés, en sélectionnant Général.
En sélectionnant Étapes de pré-traitement, vous pouvez sélectionner des algorithmes utilisés pour résoudre d'éventuels problèmes dans les données de séries chronologiques avant le calcul de la prévision. Les types de problèmes suivants peuvent survenir :
Certaines valeurs d’indicateurs peuvent être manquantes dans les données d’entrée.
Les données d'entrée peuvent contenir des valeurs inhabituelles (valeurs aberrantes).
En sélectionnant Étapes de prévision, vous pouvez sélectionner les options qui définissent la manière dont le système calcule les prévisions pour les indicateurs sélectionnés. Les prévisions sont calculées à la fois pour le passé et le futur à l'aide des algorithmes sélectionnés.
En sélectionnant Étapes de post-traitement, vous pouvez sélectionner les options des étapes exécutées par le système après la prévision. Vous pouvez sélectionner des méthodes pour calculer les mesures d'erreur.
Options générales

Dans l'onglet Options générales, vous pouvez déterminer les options valables pour l'ensemble du modèle de prévision.
Les options que vous définissez ici sont prises en compte lors de la prévision et déterminent plusieurs autres options dans les autres onglets, y compris les indicateurs disponibles comme entrées principales dans la section Paramètres globaux de l'onglet Étapes de prévision.
Les options générales suivantes sont disponibles :
Périodicité :
Il s'agit du niveau de profil de temps utilisé par un modèle de prévision lors du calcul des prévisions de la demande.
Périodes historiques :
Nombre de périodes dans le passé utilisées par le système pour calculer une prévision future.
Périodes de prévisions :
Nombre de périodes dans le futur pour lesquelles vous voulez que le système calcule la prévision. La période actuelle (par exemple, la semaine en cours) est la première période à prévoir.
Décalage pour périodes historiques :
Nombre de périodes dont les données de saisie doivent être décalées. Par exemple, si la périodicité est mensuelle, que le mois en cours est avril et que vous définissez le décalage pour les périodes historiques sur -12, les données de saisie sont lues jusqu'au dernier avril. Cela est utile, par exemple, si vous voulez mesurer l'exactitude des prévisions : vous pouvez obtenir des valeurs exactes en comparant les prévisions historiques générées sur les 3 années précédant le mois d'avril dernier aux données de vente des 12 derniers mois.
Décalage pour périodes de prévisions :
Il s'agit du nombre de périodes dont la prévision doit être décalée. Par exemple, si la périodicité est mensuelle, que le mois en cours est mars et que vous définissez le décalage de prévision sur 2, la prévision est calculée à partir de mai. Cela est utile, par exemple, si un nouveau produit est planifié pour validation en mai, mais que vous voulez prévoir sa demande dès le mois de mars car il est requis pour le processus S&OP.
Horizon de calcul de la mesure d'erreur :
Le nombre de périodes pour lesquelles vous voulez que le système calcule les mesures d'erreur que vous sélectionnez dans l'onglet Étapes de post-traitement. Le calcul est basé sur la prévision ex post, qui est calculée différemment par chaque algorithme de prévision.
Périodes de prévision gelées :
Il s’agit du nombre de périodes pour lesquelles le système doit calculer une prévision mais ne doit pas la sauvegarder dans l’indicateur cible. Par exemple, si la périodicité est mensuelle, que le mois en cours est mars et que vous définissez le nombre de périodes de prévisions gelées sur 1, la prévision est calculée à partir de mars mais sauvegardée uniquement à partir d'avril. Cela est utile, par exemple, si la prévision calculée pour la période en cours n'est pas pertinente pour votre plan d'entreprise, mais que l'omettre en ajoutant une période de décalage fausserait la prévision globale.
Ignorer les valeurs nulles principales :
Si vous sélectionnez cette option, les périodes qui se trouvent au début de l'historique des ventes et qui ne contiennent aucune valeur sont ignorées lors des calculs des prévisions.
Tenir compte des informations sur le cycle de vie du produit :
Si vous cochez cette case, le système remplace les nouveaux produits par des produits de référence lors de la lecture des données historiques pour les prévisions. Les produits de référence peuvent être affectés à de nouveaux produits dans l'application Gérer cycle de vie du produit.
Prévision manuelle :
Si vous cochez cette case, vous pouvez créer des prévisions pour de nouveaux produits qui ne sont pas basés sur les valeurs de vente historiques d'autres produits mais sur des hypothèses que vous faites en fonction de votre expérience de planification. Cela est utile si aucun produit de référence n'est disponible ou si les références potentielles ne sont pas assez similaires aux nouveaux produits, par exemple en ce qui concerne la tendance ou la saisonnalité.
Planification du cycle de vie agrégée pour lancement sur le marché et fin de vie :
Si vous cochez cette case, les prévisions peuvent être calculées pour le lancement sur le marché et la fin de vie des produits au niveau d'une famille de produits ou d'une famille de produits, même si les dates prévisionnelles sont indiquées pour des produits individuels.
Étapes de pré-traitement

Dans les étapes de prétraitement, les données historiques peuvent être préparées pour la prévision à l'aide des algorithmes de prétraitement que vous sélectionnez. Si les données contiennent des valeurs aberrantes, le système peut les détecter et les corriger. Si des promotions planifiées entraînent des valeurs aberrantes, elles peuvent être identifiées et supprimées de l'ensemble de données. Si certaines valeurs sont manquantes dans les données historiques, elles peuvent être remplacées par la moyenne ou la médiane des valeurs existantes. En outre, vous pouvez configurer des algorithmes de prétraitement personnalisés dans votre système externe et les ajouter à vos modèles de prévision.
Remarque
Onglet Étapes de prévision

Les fonctionnalités prédictives de divers modèles de prévision constituent le cœur de la prévision statistique. SAP IBP améliore continuellement ses fonctionnalités en introduisant de nouveaux modèles pour améliorer l'utilité et la précision. C'est dans l'application "Gérer modèle de prévision" que ces modèles sont définis. La combinaison de plusieurs algorithmes robustes améliore la précision des prévisions de l'entreprise.
Cependant, il est essentiel de choisir une perspective spécifique pour vos algorithmes. Les algorithmes de prévision à court, moyen et long terme ne peuvent pas coexister dans un modèle unique. Cette spécificité assure des résultats précis et bénéfiques.
Comprendre les algorithmes de prévision statistique inclus dans la licence SAP IBP Foundation peut considérablement améliorer l'efficacité de la planification de la demande, permettant ainsi des stratégies prédictives avec compétence et confiance.
Remarque
Les algorithmes de modèle de prévision suivants sont pris en charge avec la licence SAP IBP Foundation :

Remarque
Les algorithmes de prévision sont des méthodes mathématiques sophistiquées qui aident à projeter la demande de produit future en fonction des valeurs de séries chronologiques historiques. Voici une synthèse des algorithmes utilisés dans la solution de planification industrielle et commerciale (S&OP) :
Moyenne simple :
Calcule la moyenne de toutes les valeurs historiques dans un horizon temporel spécifique, en l'utilisant comme prévision future. La prévision est une valeur uniforme basée sur l'historique hebdomadaire ou mensuel.
Moyenne mobile simple :
Calcule la moyenne des valeurs de séries chronologiques dans des sous-ensembles successifs de périodes. Le nombre de périodes dans ces sous-ensembles est le paramètre clé.
Lissage exponentiel simple :
Modélise une série chronologique sans tendance ni saisonnalité, en affectant moins d'importance aux données plus anciennes via des pondérations diminuant de manière exponentielle (coefficient alpha compris entre 0 et 1).
Lissage exponentiel double :
Modèles des séries chronologiques avec tendance ou saisonnalité, en gérant les valeurs de tendance et d'indicateurs à l'aide des coefficients alpha et bêta (entre 0 et 1).
Lissage exponentiel triple :
Gère les séries chronologiques avec tendance et saisonnalité, en minimisant leur influence sur les projections à l'aide des coefficients alpha, bêta et gamma (tous compris entre 0 et 1).
Méthode Croston :
Modélise la demande pour les produits avec une demande sporadique, ce qui entraîne un grand nombre de valeurs nulles dans les séries chronologiques. En définissant la manière dont le système traite les valeurs différentes de zéro lors du calcul d'une prévision, vous pouvez contrôler les distorsions que les valeurs nulles peuvent provoquer dans le calcul.
Méthode Croston TSB :
Croston TSB est une variante de la méthode Croston. Il a été proposé par Teunter, Syntetos et Babai, dont les noms sont classiquement abrégés en TSB. Tout comme la méthode Croston, Croston TSB modélise la demande de produits avec des séries chronologiques intermittentes. Pour cela, les deux algorithmes calculent la demande et les longueurs d'intervalles entre les périodes avec demande.
Cependant, les deux algorithmes diffèrent par ce qui suit :
La méthode Croston lisse à la fois les valeurs de la demande et les intervalles à l'aide du même coefficient.
La méthode Croston TSB lisse la demande et la probabilité de la demande dans chaque période à l'aide de deux coefficients différents. Il détermine ensuite les longueurs des intervalles en prenant les valeurs réciproques des valeurs de probabilité.
Copier les périodes passées
Utile pour les modèles récurrents, cet algorithme convient aux scénarios dans lesquels les données de vente mensuelles reflètent les tendances des années précédentes.
Utilisation de plusieurs algorithmes.
Lors de l'intégration de plusieurs algorithmes de prévision dans un modèle, l'engagement du système avec chaque algorithme peut être contrôlé :
Choisir la meilleure prévision :
Le système utilise une mesure d'erreur indiquée pour identifier et appliquer l'algorithme de prévision le plus précis.
Calculer prévision moyenne pondérée :
Les pondérations sont affectées à des algorithmes de prévision et une prévision moyenne est calculée en multipliant chaque résultat par son poids correspondant.
Remarque
Étapes de post-traitement

Dans cet onglet, vous pouvez définir des options pour les étapes à exécuter après la prévision, telles que le calcul des mesures d'erreur qui reflètent le niveau de précision des prévisions ou d'adaptation du modèle. Les mesures d'erreur sont calculées sur la base des différences entre la prévision ex post et les valeurs de vente historiques.
Remarque




