Résumé canonique
En bref
Praedixa transforme les données déjà présentes dans les systèmes opérationnels en prévisions exploitables, scénarios comparables et arbitrages relisibles, sans remplacer les outils déjà en place.
- Lecture prioritaire des systèmes déjà en place: POS, ERP, stock, WFM, CRM, exports et API disponibles.
- Normalisation site par site, produit par produit, puis contrôle des trous, ruptures de série, anomalies de saisie et changements de référentiel.
- Découpage explicite par horizon de décision: intra-journalier, lendemain, semaine à venir ou fenêtre de production plus longue.
Signaux & alignement temporel
La méthode commence par les données réellement disponibles au moment de la décision: ventes caisse, historiques horaires et journaliers, promotions, planning, stock, contexte réseau, météo, calendrier, événements locaux et autres signaux exogènes utiles selon le cas d'usage.
Chaque signal est horodaté et aligné sur l'horizon visé pour éviter toute fuite temporelle. Praedixa ne cherche pas à reconstruire le passé avec des informations connues après coup, mais à reproduire la situation réelle dans laquelle l'équipe devait arbitrer.
- Lecture prioritaire des systèmes déjà en place: POS, ERP, stock, WFM, CRM, exports et API disponibles.
- Normalisation site par site, produit par produit, puis contrôle des trous, ruptures de série, anomalies de saisie et changements de référentiel.
- Découpage explicite par horizon de décision: intra-journalier, lendemain, semaine à venir ou fenêtre de production plus longue.
Features & horizons de prévision
À partir de cette base, Praedixa construit des variables qui capturent les vrais moteurs de la demande: lags, moyennes glissantes, saisonnalités, effets jour de semaine, vacances, météo, événements, cadence promotionnelle, mix produit et comportement spécifique de chaque site ou cluster de sites.
La prévision n'est pas limitée à un chiffre de ventes. Le même socle peut servir à projeter volume par produit, pression sur les matières, charge opérationnelle et besoins en effectifs selon les recettes, les temps de préparation ou les contraintes de service disponibles chez le client.
- Features construites sans fuite: uniquement à partir de l'information réellement connue à la date de décision.
- Granularité adaptable: site, produit, famille, créneau horaire, jour ou semaine selon la qualité de donnée disponible.
- Pont explicite entre demande prédite et besoins opérationnels concrets: matières, capacité, staffing, fenêtres de production.
Familles de modèles utilisées
Praedixa ne repose pas sur un modèle unique ni sur une boîte noire marketing. Selon le problème, la granularité et la quantité d'historique disponible, la pile combine prévision de séries temporelles, modèles tabulaires supervisés et baselines économétriques pour obtenir le meilleur compromis entre robustesse, lisibilité et performance.
En pratique, les modèles de gradient boosting et autres approches tabulaires servent bien les interactions non linéaires entre météo, calendrier, site et produit. Des modèles plus classiques de séries temporelles ou de réconciliation hiérarchique restent utiles pour garder des points de comparaison solides, stabiliser certaines granularités et éviter de confondre sophistication et qualité réelle de prévision.
- Baselines simples d'abord: saisonnalité, historique, moyennes conditionnelles, règles métier déjà utilisées par l'opération.
- Machine learning tabulaire ensuite quand il apporte un vrai gain sur les patterns complexes, les effets croisés et l'hétérogénéité multi-sites.
- Ensembles ou sélection de modèle par segment quand un seul modèle global dégrade certaines familles de produits ou certains sites.
Validation, backtests & métriques utiles
Le niveau d'exigence n'est pas seulement prédictif. Les modèles sont validés par backtests en marche avant, avec des découpes temporelles cohérentes avec l'usage réel, et comparés à des baselines opérationnelles claires avant d'être retenus.
Les métriques suivies ne se limitent pas à l'erreur moyenne. Praedixa regarde aussi la stabilité par site, la qualité sur les pics, les effets sur les ruptures, le gaspillage, le coût matière ou le staffing, parce qu'un modèle peut gagner quelques points de MAE tout en dégradant la décision économique.
- Backtesting walk-forward pour simuler une vraie exploitation dans le temps.
- Comparaison systématique contre une baseline exploitable par le client, pas seulement contre un autre modèle complexe.
- Lecture par segments critiques: jours atypiques, météo forte, promo, pics de charge, sites peu historiques, produits à faible volume.
Incertitude, scénarios & arbitrage
Une prévision utile n'est pas seulement un point estimate. Praedixa cherche aussi à quantifier l'incertitude, à repérer les contextes fragiles et à montrer ce qui change quand les hypothèses externes bougent: météo plus faible, trafic plus fort, événement local, contrainte de capacité ou absence de personnel.
C'est là que la couche produit dépasse le simple forecasting. Les scénarios sont reliés à des options d'action comparables avec des hypothèses explicites: coût d'action, coût de non-action, niveau de service, risque et contraintes opérationnelles. L'objectif est de rendre l'arbitrage plus défendable, pas d'imposer une recommandation opaque.
- Bandes d'incertitude et signaux d'alerte sur les contextes où le modèle sait moins bien.
- Comparaison de scénarios en gardant visibles les hypothèses externes et les contraintes internes.
- Traduction des prévisions en décisions concrètes: produire plus tôt, ajuster les équipes, sécuriser des matières, limiter une promo ou accepter un risque mesuré.
Auditabilité & boucle d'amélioration
Chaque recommandation ou arbitrage garde son contexte, ses hypothèses, son raisonnement et ce qui a réellement été fait ensuite. Cette traçabilité est essentielle pour éviter l'effet boîte noire et pour apprendre de façon cumulative au lieu de rejouer les mêmes débats chaque semaine.
La relecture s'appuie sur des modèles économétriques et des comparaisons avant / recommandé / réel pour relier plus proprement baseline, décision prise et impact observé. La valeur est dans la boucle complète: prévoir, arbitrer, documenter, relire et améliorer le prochain arbitrage.
- Journal de décision relisant ce qui était prévu, recommandé, exécuté et observé.
- Attribution plus propre de l'impact pour distinguer effet contexte, effet décision et simple variance normale.
- Amélioration continue des features, des modèles et des règles d'arbitrage à partir des retours terrain et des résultats mesurés.