Le demand sensing ne réparera pas une prévision à laquelle personne ne fait confiance

Chaque éditeur de demand sensing vend la même arithmétique : erreur de prévision à court terme réduite de 30 à 50 %, stock de sécurité en baisse, taux de service en hausse. La technologie est réellement authentique — elle exploite les données de point de vente, les commandes ouvertes, la météo et les signaux web avec du machine learning pour affiner la prévision à zéro-douze semaines. Les chiffres ne sont pas faux. Le cadrage, lui, l'est.

Les affirmations sont faciles à trouver. e2open affirme que son demand sensing améliore la précision des prévisions à court terme de 30 à 40 % par rapport aux méthodes traditionnelles. Arkieva chiffre la réduction de l'erreur de prévision à court terme jusqu'à 40-50 %, avec une précision des stocks en hausse de 15 à 20 %. Ces fourchettes sont crédibles en conditions de pilote. Elles sont aussi sans rapport avec le vrai problème de la plupart des entreprises, car une amélioration du demand sensing ne compte que si la prévision qui en résulte est fiable et utilisée.

Voici la donnée qui devrait recadrer toute la conversation.

Dans l'étude de Steve Morlidge portant sur plus de 300 000 prévisions réelles issues de huit entreprises de la supply chain, 52 % étaient pires qu'une prévision naïve de type marche aléatoire — pires, autrement dit, que le simple fait d'utiliser le chiffre réel de la période précédente. Des travaux de suivi menés dans plus de vingt entreprises ont trouvé que 30 à 50 % des prévisions de bas niveau étaient régulièrement pires que le naïf.

Prenez le temps d'y réfléchir. Si la moitié de vos prévisions perdent déjà face à « utiliser le chiffre de la semaine dernière », alors une amélioration de 30 à 40 % via le demand sensing ne fait que reconquérir un terrain que vous n'auriez jamais dû céder. C'est traiter un symptôme.

Et ce symptôme a une cause qu'aucun algorithme ne traite. En quatorze ans, j'ai vu exactement quatre causes profondes d'échec de la prévision, aucune d'entre elles statistique :

• Aucun propriétaire unique du chiffre. Les ventes, la finance, le marketing et la supply chain gardent chacun leur propre prévision et arbitrent les écarts dans une réunion qui ne résout rien.
• Des incitations désalignées avec la précision. Les ventes sont payées pour atteindre le quota, la finance pour tenir le budget, la supply chain pour tenir le service. Personne n'est payé pour prédire la réalité.
• Le surcroît de jugement qui détruit de la valeur. C'est le facteur décisif, et il est mesurable.
• Aucune boucle de retour. La plupart des entreprises ne suivent jamais quelle étape — le moteur, l'analyste, la réunion de consensus, le dirigeant — a dégradé la prévision, et ne peuvent donc pas la corriger.

Sur le troisième point, la recherche est sans appel. Une étude de 2024 publiée dans l'International Journal of Forecasting a trouvé que les ajustements de jugement n'amélioraient la précision que pour un peu plus de la moitié des références produits, et que les ajustements positifs étaient plus susceptibles de dégrader la performance. Le demand sensing produit une meilleure prévision statistique. Si votre organisation ne fait pas confiance aux prévisions statistiques, elle écartera aussi la meilleure — et les faits suggèrent qu'elle la rendra probablement pire.

Donc avant d'acheter du demand sensing, menez une analyse Forecast Value Added. Mesurez chaque étape de votre processus par rapport à ce référentiel naïf. Si votre processus actuel détruit de la valeur par rapport à une marche aléatoire — une probabilité proche du pile ou face selon les données de Morlidge — le bon investissement n'est pas un meilleur algorithme. C'est une propriété claire du chiffre, des incitations liées à la précision, des dérogations surveillées par la FVA, et la discipline de supprimer le surcroît décisionnel exécutif qui détruit systématiquement de la valeur.

Achetez du demand sensing une fois cela fait. Pas avant. Une prévision plus fine remise à une organisation qui ne fait pas confiance aux prévisions est un moyen coûteux de produire un chiffre que les gens continueront d'ignorer.

---

Sources

• Morlidge, S. FVA and the Limits of Forecastability, IBF Amsterdam — cité dans Gilliland, Tashman & Sglavo, Business Forecasting: Practical Problems and Solutions (Wiley, 2015).
• Fildes, R. et al. (2024). Forecast value added in demand planning. International Journal of Forecasting. sciencedirect.com
• e2open. Demand Sensing Software. e2open.com
• Arkieva. 6 Ways You Can Improve Forecast Accuracy with Demand Sensing. blog.arkieva.com
• Kinaxis. What is demand sensing? kinaxis.com