Le chiffre de précision de prévision IA vous ment

Quand un éditeur vous dit que son IA a amélioré la précision de prévision de 30%, ne dites pas "super". Posez trois questions : à quel niveau d'agrégation, à quel décalage de prévision, et mesuré avec quelle métrique. Le chiffre affiché se dissout presque toujours sous l'une d'elles.

Commençons par la métrique elle-même. L'erreur moyenne absolue en pourcentage — MAPE, la référence par défaut du secteur — se casse aux faibles volumes et est asymétrique. Sur des articles à demande intermittente où la moitié des périodes sont à zéro, prévoir zéro à chaque période produit l'erreur moyenne la plus basse, ce qui est absurde sur le plan opérationnel. Et la MAPE et sa cousine pondérée peuvent diverger fortement sur les mêmes données : un exemple travaillé montre une MAPE à 36,7% alors que la WAPE affiche seulement 5,9% sur le même jeu de données, parce qu'une seule journée à faible volume avec 100% d'erreur gonfle la moyenne non pondérée tout en modifiant à peine la moyenne pondérée par le volume. Un éditeur qui cite une "précision" précise rarement laquelle il entend — et ce choix peut faire varier le chiffre du simple au sextuple.

Vient ensuite l'agrégation, d'où proviennent la plupart des chiffres des études de cas. La précision de prévision au niveau SKU–DC–semaine est ce qui pilote réellement les ruptures de stock et les excédents. La précision au niveau national-mensuel est ce qui apparaît dans les présentations des éditeurs, parce que l'agrégation gomme les erreurs par la moyenne. Une prévision nationale-mensuelle précise à 95% cache couramment une erreur de 50 à 60% au niveau où quelqu'un passe réellement une commande de réapprovisionnement.

Et puis il y a le biais, l'erreur que le chiffre affiché est structurellement incapable de voir. Une prévision qui tourne à +20% sur la moitié de vos SKU et à −20% sur l'autre moitié peut afficher une MAPE agrégée flatteuse tout en générant simultanément des ruptures de stock sur les articles sous-prévus et des surstocks sur les articles surprévus. Les métriques de précision symétriques ne peuvent pas voir cela. Un biais positif persistant construit silencieusement un excédent chronique ; un biais négatif persistant construit des ruptures de stock chroniques. Dans les deux cas, la conséquence sur l'inventaire est coûteuse et prévisible — et le chiffre de précision ne vous en dit rien.

Le problème le plus profond est l'absence de référentiel. Dans une étude portant sur plus de 300 000 prévisions réelles dans huit entreprises, 52% étaient pires qu'une simple marche aléatoire. Mike Gilliland, de SAS, propose la règle empirique du praticien : si vous pouvez réduire l'erreur de prévision de 10 à 20% par rapport à un modèle simple, vous faites probablement à peu près le mieux qu'on puisse attendre. Un éditeur d'IA qui prétend une amélioration de 30% devrait être tenu de montrer cette amélioration par rapport à un référentiel naïf — pas par rapport à votre processus précédent, potentiellement destructeur de valeur.

Alors que mesurer à la place ? Une pile défendable comporte cinq niveaux : l'erreur pondérée au niveau SKU–DC actionnable, non agrégée ; le biais suivi par hiérarchie, pour détecter la sur- et sous-prévision avant qu'elle n'atteigne l'inventaire ; la valeur ajoutée de la prévision par rapport à un référentiel naïf à chaque étape du processus — moteur, analyste, consensus, direction ; et les résultats réels, niveau de service et rotations de stock, parce que la précision est un moyen, pas une fin. Une vision probabiliste de la prévision se trouve sous tout cela, parce que les décisions de planification se prennent dans l'incertitude, pas face à un chiffre unique.

Quand l'éditeur d'IA affirme 30%, la bonne réponse n'est pas l'enthousiasme. C'est : montrez-moi la valeur ajoutée de la prévision par rapport à une marche aléatoire au niveau SKU–DC–semaine, le biais par hiérarchie, et le résultat en inventaire et niveau de service sur quatre cycles de planification complets. C'est cet ensemble de métriques qui révèle si l'IA ajoute de la valeur — ou si elle est simplement mesurée avec indulgence.

Sources

• Morlidge, S. — cité dans Gilliland, Tashman & Sglavo, Business Forecasting: Practical Problems and Solutions (Wiley, 2015).
• Gilliland, M. (2013). When do you stop trying to improve forecast accuracy? SAS Blogs.
• Gilliland, M. Forecast Value Added Analysis: Why and How. Institute of Business Forecasting (forecasters.org).
• Prospeo. (2026). Forecast Accuracy Metrics: Practitioner Guide. prospeo.io
• DemandPlan; OnePint. Forecast accuracy metrics and benchmarks. demandplan.io; onepint.ai