Les étapes d’un projet de mise en place d’un logiciel de forecasting
Les projets basés sur l’intelligence artificielle et de forecasting suivent un schéma qui peut être décrit à travers un processus agile et itératif. Aussi, les projets de création d’application de forecasting ne peuvent démarrer sans la définition d’un cas d’usage ou use case remplissant un objectif business précis, tel que la prévision des ventes ou l’optimisation de la gestion des stocks. Le pilotage et la gestion du projet nécessitent de choisir les données à exploiter en vue de créer et d’entraîner des modèles de forecasting de test. Une fois validée, cette étape conduit au déploiement des modèles de prédiction sur le périmètre défini en amont du projet ou dans le cahier des charges.
La mise en place de logiciels ou d’applications de forecasting nécessite également la création d’un socle d’échange entre les équipes métier et IT de l’entreprise cliente et l’équipe de data scientists en charge de la modélisation du forecasting. La planification de ce type de projets prend donc en compte contraintes business, métier et l’infrastructure technique à laquelle viendra se greffer le produit final. Par ailleurs, d’autres paramètres spécifiques au projet doivent être considérés avant le démarrage ou pendant la mise en place du proof of concept à savoir l’identification des facteurs de risques et des potentiels coûts cachés.
Nous vous proposons ici d’en apprendre plus sur les cycles et les processus suivis lors de la mise en place d’un projet de forecasting en détaillant les différentes contraintes à prendre en compte afin de garantir l’atteinte des objectifs business de votre entreprise.
Définition de l’enjeu business
Les cas d’usage et objectifs business
Les projets d’applications de forecasting en SaaS fonctionnent suivant les mêmes principes que le reste des projets liés à la data science. Le démarrage de ceux-ci nécessite la spécification d’un enjeu business ou business case. Ce use case business est ensuite converti en modèle mathématique par les équipes de data scientists. Les business cases que couvrent les solutions élaborées par Verteego peuvent être regroupés comme suit :
- prévision des ventes permanentes ou promotionnelles, des cash flows, de l’affluence en points de vente physique ou virtuel ;
- optimisation des assortiments de produits en magasin physique ou e-commerce ;
- allocation des ressources humaines, logistiques, de matières premières ou de cash ;
- accompagnement sur les lancements de nouveaux produits ou de nouvelles collections ;
- optimisation des coûts de stockage, du pricing ;
- etc.
Un projet peut posséder différents objectifs business. Verteego assure alors un déploiement progressif des systèmes prédictifs répondant aux problématiques de chaque use case en priorisant les projets en amont.
Approche orientée ROI et choix des KPI
Une fois que le use case a été défini, l’étape suivante est de faire un état des lieux des données historiques de l’entreprise ainsi que des applications ou outils utilisés par le passé par l’entreprise pour répondre à ce même enjeu business s’il en existe. Le but derrière cette démarche est de définir les indicateurs clés ou KPI nécessaires à la validation du projet pilote par la suite ainsi que la définition des variables et données pouvant être exploitées pour la modélisation des prévisions. Les outils utilisés par l’entreprise précédemment peuvent servir de référentiel afin de quantifier les performances des outils Verteego et leur efficacité pour atteindre vos objectifs business.
Les valeurs suivies pour apprécier les performances des algorithmes et des méthodes prédictives peuvent être l’augmentation des taux de disponibilité des articles et des produits en ligne ou en physique, la croissance du nombre de ventes, l’évolution positive des taux de conversions, etc. Des métriques décroissantes peuvent être visées dans le cas d’objectifs de diminution des coûts de stockage, des délais de livraison, des ruptures de stock ou des pertes de produits périssables. Enfin, le retour sur investissement (ROI) permet dès la phase pilote de chiffrer et évaluer le succès du processus prédictif.
Lancement du projet pilote et gestion des données
Définition du périmètre test
Dans les projets d’intelligence artificielle, le POC sert de projet pilote. Il concerne un périmètre défini entre le fournisseur de la solution applicative et l’entreprise cliente. Le cadre de mise en œuvre du use case pilote peut par exemple concerner un certain nombre de points de ventes (physiques ou non), certains produits, gammes de produits ou collections d’articles. Le projet test permet de mettre en place une première version du modèle prédictif. Les indicateurs de succès des prédictions générées valident la pertinence de celui-ci.
La phase de création du use case pilote s’étend sur trois ou quatre mois et permet de tirer des conclusions rapidement sur la fiabilité et la qualité des données exploitées ainsi que la validité du projet. Elle amène également les équipes Verteego à débuter l’interprétation des lignes de prédictions obtenues en fonction des interactions avec les équipes métier de l’entreprise cliente.
Choix des données et des ressources à exploiter
La conception du premier modèle de forecasting se fait elle-même en plusieurs étapes. La première étant le choix et le pré-processing de la data extraite du data lake de l’entreprise (nettoyage, suppression des doublons, uniformisation, standardisation, etc.). De plus, lors de cette phase les équipes métier et de data scientists peuvent vérifier la disponibilité des données essentielles à la réussite du projet et réfléchir aux solutions pour pallier tout manque d’informations utiles à la modélisation. En effet, des problématiques connues dans le domaine de la data science peuvent émerger à ce moment-là comme la découverte d’absence de données historiques continues ou des quantités de données faibles ou non exploitables, etc.
Des ressources supplémentaires sont sélectionnées lors de cette phase pour compléter les données historiques de l’entreprise. En effet, l’entraînement des modèles prédictifs nécessite le croisement de données internes et externes afin de mieux expliquer les variables étudiées et à optimiser. Les sources des données exogènes peuvent être des bases de données contenant des informations météorologiques ou économétriques, des renseignements au sujet de la concurrence ou des caractéristiques au sujet des zones géographiques des points de vente physiques par exemple.
Mise en production et connexion au SI de l’entreprise
Déploiement et connexion au SI de l’entreprise
Une fois que le projet pilote a été validé, la mise en production ou industrialisation du modèle obtenu peut commencer. Il s’agit ici de connecter la plateforme portant le logiciel de forecasting au système d’information (SI) de l’entreprise cliente via l’exploitation de l’API Verteego entre autres. Le POC ayant eu lieu sur un périmètre limité de l’infrastructure technique de l’entreprise, la mise en production permet de l’élargir ainsi que de gérer la scalabilité du modèle prédictif créé. La mise en production prend également en compte l’interopérabilité de l’application de forecasting avec les progiciels de votre organisation et les applications dédiées à la Supply chain.
Amélioration du modèle de prédictif
Une fois effectué, le déploiement laisse place à la possibilité d’améliorer les performances du modèle de forecasting originel. Cette phase peut inclure un ajout de nouvelles données ou un rééchantillonnage de celles-ci. Le tuning des hyperparamètres des algorithmes utilisés servira également à optimiser les performances prédictives du logiciel de forecasting.
Cette troisième étape sert aussi de cadre de définition des conditions d’utilisation de la plateforme et à penser l’interaction entre la plateforme SaaS et les utilisateurs de l’entreprise exploitante. Cela passe par la création de tableaux de bord adaptés aux besoins des équipes métier ou IT de votre organisation.
Suivi et optimisation du forecasting dans le temps
Lorsque le déploiement applicatif a eu lieu sur le périmètre concerné pas votre enjeu business (points de vente physiques, web ou mobiles par exemple), vous pouvez continuer à profiter des améliorations logicielles Verteego ainsi que le suivi des résultats des prédictions générées par le produit SaaS de forecasting. La continuité du support et du suivi se font dans le cadre d’un abonnement annuel.
Verteego et la gouvernance de vos données d’entreprise
Un des volets pris en compte par les équipes Verteego lors du pilotage du projet (phases de test, déploiement et suivi) est de répondre aux interrogations liées à la transparence de l’IA conçue pour répondre aux besoins business. Verteego assure un travail de pédagogie tout au long du déploiement applicatif afin d’expliciter le rôle des algorithmes implémentés et des différentes techniques exploitées (approches machine learning et deep learning).
Par ailleurs, les projets d’intelligence artificielle et de façon plus large de Business Intelligence nécessitent de prêter attention aux règlementations européennes et du pays d’accueil de votre entreprise (GDPR, HIPAA par exemple). Le capital data des entreprises est donc soumis à la fois de contraintes législatives et règlementaires, mais également à une politique de gestion des données définie au sein de l’entreprise elle-même. Verteego définit en amont et en collaboration avec votre structure les modalités de stockage et d’exploitation de vos données afin d’assurer le respect de votre politique de gouvernance des données.
Pour conclure, les projets se basant sur les méthodes de machine learning et de deep learning suivent un processus itératif et progressif orienté par un objectif business. La définition du planning du projet prend en compte le nettoyage et le pré-processing de la data, une phase de test servant à valider la viabilité du modèle pour entamer le déploiement de la solution prédictive et sa liaison à l’infrastructure technique de votre entreprise. Différentes métriques déterminées en fonction du business case de départ permettent de quantifier l’efficacité et la qualité des prédictions générées par le modèle prédictif tout au long du pilotage du projet. Enfin, parmi les étapes clés de la gestion de projet en intelligence artificielle, une phase d’analyse des modalités d’exploitation de la data de l’entreprise afin de respecter le cadre tracé par sa politique de gouvernance des données.