Oui, parfois. Avec 24 mois d'historique, on prévoit correctement une activité régulière et saisonnière, à condition de rester sur des méthodes simples et de mesurer l'erreur honnêtement. Avec moins d'un an, ou des données qui ont changé de définition, on ne prévoit pas : on structure la collecte et on utilise une règle métier en attendant.
Cette réponse déçoit souvent, parce que la question arrive après une réunion où quelqu'un a dit que « l'IA prédictive » allait régler les prévisions de ventes ou de stock. Dans la pratique, le volume d'historique décide moins que sa qualité et que la méthode choisie. Une solution d'IA prédictive sur mesure n'a de sens que si les données la justifient, et c'est ce que l'on vérifie en premier.
De combien d'historique a-t-on vraiment besoin ?
Il n'existe pas de seuil universel, mais il existe des ordres de grandeur utiles. Ils dépendent de ce que l'on veut prévoir et du rythme de l'activité.
- Moins de 12 mois : impossible de séparer une tendance d'une saisonnalité. On peut décrire, pas prévoir.
- 12 à 24 mois : on observe un seul cycle annuel, voire deux. Les méthodes saisonnières simples deviennent envisageables, avec une marge d'erreur large qu'il faut annoncer.
- 24 à 36 mois : on peut comparer deux années entre elles, tester une prévision sur la seconde et vérifier qu'elle tient. C'est le premier seuil de confiance réel.
- Plus de 36 mois : on peut ajouter des variables explicatives (météo, promotions, calendrier) sans que le modèle ne mémorise le bruit.
Ces repères valent pour une série mensuelle ou hebdomadaire. Pour une série quotidienne, 24 mois donnent environ 730 points, mais le nombre de cycles annuels, lui, reste de deux. Le piège classique est de confondre nombre de lignes et nombre de cycles observés. Un entrepôt qui enregistre un million de mouvements par an n'a toujours qu'une seule année de saison.
Quelles méthodes simples fonctionnent avec 24 mois ?
La littérature sur les séries temporelles est constante sur un point : sur des historiques courts, les méthodes simples battent souvent les méthodes sophistiquées. Le manuel de référence de Rob Hyndman et George Athanasopoulos, Forecasting: Principles and Practice, présente ces approches et insiste sur le fait de toujours les utiliser comme point de comparaison. La compétition M4, l'une des plus grandes confrontations publiques de méthodes de prévision, a donné un résultat qui surprend encore : les six méthodes d'apprentissage automatique « pures » engagées ont mal performé, aucune n'a battu la simple combinaison de méthodes statistiques servant de référence, et une seule a fait mieux que la prévision naïve (Makridakis, Spiliotis et Assimakopoulos, International Journal of Forecasting, 2018).
La prévision naïve saisonnière
On prend la valeur du même mois l'an dernier. C'est rudimentaire, et c'est le niveau à battre. Si un modèle complexe ne fait pas mieux, il ne sert à rien de le mettre en production.
Le lissage exponentiel
Les méthodes de type ETS ou Holt-Winters pondèrent davantage les observations récentes et séparent niveau, tendance et saisonnalité. Elles tournent dans un tableur ou en quelques lignes de code, s'expliquent à un directeur financier et se contrôlent facilement. Sur 24 mois, elles donnent en général le meilleur rapport fiabilité sur effort.
La régression avec peu de variables
Quand l'activité dépend d'un moteur identifiable (le nombre de chantiers ouverts, le carnet de commandes, le calendrier des fermetures), une régression de trois ou quatre variables bien choisies est plus robuste qu'un réseau de neurones. Le choix des variables vient du terrain, pas de l'algorithme.
L'agrégation avant la prévision
Prévoir 800 références une par une avec 24 mois de données est presque toujours une erreur. On prévoit au niveau de la famille de produits ou du client type, puis on répartit selon les parts historiques. Le signal ressort, le bruit s'annule.
Et les modèles d'apprentissage automatique ?
Les arbres de décision boostés ou les réseaux récurrents ont leur place, mais plus tard. Ils demandent assez d'exemples pour apprendre des interactions entre variables, et sur 24 mois ils retiennent le bruit au lieu du signal. Nous les réservons aux cas où l'on dispose de nombreuses séries comparables (plusieurs magasins, plusieurs sites) qui permettent d'apprendre ensemble. Une seule série courte ne le permet pas, quel que soit l'algorithme.
Il faut aussi traiter à part les demandes intermittentes : une pièce vendue trois fois par an ne se prévoit pas avec une courbe saisonnière. On utilise alors des méthodes dédiées, qui estiment un rythme moyen de survenue, ou on revient à une règle de stock de sécurité.
Que faire quand les données sont trop courtes ou trop sales ?
Il y a trois situations de repli, et chacune a une réponse honnête.
La première : l'historique existe mais il est faussé par des événements ponctuels (un incendie chez un client, une rupture fournisseur, une année Covid). On les marque, on les neutralise, et on documente chaque correction. Ce travail ressemble à celui d'un audit de données : il précède la modélisation et représente souvent la moitié de l'effort. Quand l'historique est dispersé dans plusieurs classeurs, les étapes sont celles de notre guide vos données sont dans vingt fichiers Excel.
La deuxième : l'historique est court mais l'activité ressemble à d'autres. Une entreprise qui lance une nouvelle gamme peut emprunter la courbe de lancement d'une gamme voisine, ajustée au volume. C'est de l'analogie assumée, pas de la prédiction, et on l'écrit comme telle dans le livrable.
La troisième : les données sont trop pauvres pour que quoi que ce soit tienne. Dans ce cas, la bonne recommandation est de ne pas bâtir de modèle, de poser une règle de pilotage simple (un stock de sécurité, une revue mensuelle des commandes en cours) et de commencer à collecter proprement dès maintenant. Dans douze mois, la question se posera autrement.
Comment le dire au client quand ce n'est pas possible ?
C'est la partie la moins technique et la plus délicate. Prenons un scénario type : un fabricant veut prévoir la demande de pièces détachées, mais l'historique propre ne remonte qu'à 14 mois, après un changement de logiciel de gestion. Le dirigeant attend un modèle. La bonne réponse consiste à lui présenter trois choses : ce que les données permettaient de dire aujourd'hui, ce qu'elles ne permettaient pas, et la date à partir de laquelle on pourrait reposer la question.
Ce type de conversation tient en quelques principes :
- Montrer la courbe brute avant toute explication. Le dirigeant voit lui-même qu'il n'y a qu'un cycle.
- Chiffrer l'erreur d'une prévision naïve, pour que « mieux que ça » ait un sens concret.
- Proposer une alternative qui apporte de la valeur tout de suite : un tableau de bord, une règle de réapprovisionnement, une alerte sur les écarts.
- Donner une échéance de réexamen, pas un refus sec.
Un client à qui l'on dit non avec des éléments et une suite ne se sent pas éconduit. Celui à qui l'on vend un modèle fragile le découvre six mois plus tard, quand la première rupture de stock arrive.
Comment savoir si une prévision est fiable ?
La prévision se juge sur des données que le modèle n'a pas vues. On retient les derniers mois de l'historique, on les cache, on prévoit, puis on compare. Pour une série courte, on répète l'exercice sur plusieurs fenêtres glissantes, ce qu'on appelle une validation croisée temporelle.
On rapporte ensuite l'erreur en termes métier : « en moyenne, la prévision s'écarte de tant de pour cent du réel sur le mois suivant, et de tant à trois mois ». Un responsable des achats sait quoi faire d'une telle phrase. Un score abstrait ne lui dit rien.
Deux contrôles complémentaires évitent les mauvaises surprises. Le premier compare le modèle à la prévision naïve saisonnière, avec une exigence claire d'amélioration. Le second vérifie que les erreurs ne sont pas toujours du même côté : un modèle qui sous-estime systématiquement en haute saison est dangereux, même si son erreur moyenne paraît correcte.
Quelles données collecter dès maintenant pour prévoir mieux dans un an ?
Quand l'historique manque, le meilleur investissement est la collecte. Elle coûte peu et change le champ des possibles à échéance de douze à vingt-quatre mois.
- Conserver les données brutes, sans écraser les anciennes valeurs lors des mises à jour.
- Figer les définitions : ce qu'est une commande, une vente, une annulation, et ne plus les changer sans le noter.
- Enregistrer les événements qui expliquent les écarts : promotions, ruptures, fermetures, changements de prix.
- Garder la demande exprimée, pas seulement les ventes réalisées. Un produit en rupture n'a pas une demande nulle.
Ce dernier point est le plus oublié. Les ventes sont une mesure de la demande tronquée par le stock, et un modèle entraîné dessus apprend à reproduire les ruptures du passé.
Faut-il lancer le projet quand même ?
Cela dépend de la valeur de la décision que la prévision éclaire. Une erreur de 15 % sur un poste qui pèse peu ne justifie rien. La même erreur sur l'approvisionnement d'une matière première qui représente la moitié des achats change la marge de l'année. Il est utile de rapprocher cet enjeu du retour sur investissement attendu avant de dimensionner l'effort.
Notre démarche reste la même : une courte étude sur site pour mettre à plat les données et les processus, puis une recommandation honnête, qui peut être « pas encore ». Quand le projet est lancé, nous le menons au forfait, avec un chef de projet ingénieur IA dédié, et le client reste propriétaire du code, des modèles et des accès. Pour le cadre méthodologique, notre article sur la transformation d'un historique en modèle prédictif détaille les étapes, et celui sur le reporting financier automatisé montre ce qu'on peut déjà faire sans modèle. Si vous voulez savoir où vous en êtes, un premier échange sur votre cas de prévision suffit pour trancher.









