Prévision des ventes

Bien prévoir ses ventes futures, c’est mieux gérer son budget. Bien souvent, les prévisions de ventes se font à l’aide de statistiques basiques tel l’ajustement linéaire par méthode des moindre carrés, pas toujours adaptées à la nature des données.
Nous proposons des modèles de deep learning afin de prévoir le plus précisément possible les ventes futures.
Vous trouverez ci-dessous un exemple de prévision de ventes que nous réalisons.

1. QUESTION INITIALE

Une entreprise de location de vélos en libre-service observe qu’elle loue actuellement beaucoup plus de vélos que l’année passée à la même période. Elle veut savoir si cette tendance va perdurer, auquel cas elle devra investir 100K€ dans de nouveaux vélos pour pouvoir satisfaire la demande croissante.

2. RÉCOLTE DE DONNÉES

Le volume de vélos loués par date est fourni par la société. Pour chaque date, nous avons également des paramètres, issus de données libres en ligne, tels que : saison, férié (si c’est un jour férié ou non), météo, température, humidité, vitesse du vent, semestre, trimestre, etc.

3. ANALYSE DES DONNÉES

Nous testons plusieurs algorithmes, et optons pour un réseau de neurones artificiels. Nous affinons la structure du réseau en utilisant des méthodes d’hyper-parameter tuning. Une partie de la plage de données à été réservée pour valider le modèle et une autre pour le tester afin d’éviter l’overfitting (l’overfitting est la propriété d’un modèle d’être plus performant sur le jeu de données d’entraînement que sur le jeu test, ce qui signifie que le modèle performe mal en production).

  

4. RÉSULTATS

Notre modèle parvient à prédire l’importante diminution du nombre de vélos loués, alors même que cette la zone de test présente des motifs que le modèle n’a pas été entrainé à prédire. Ce comportement est une propriété des algorithmes de deep learning, qui sont capables de “comprendre” des interactions complexes de paramètres.

  

Prévision ventes Machine Learning DataTailors

  

5. CONCLUSION

Notre modèle est performant et réussit à prédire des motifs pour lesquels il n’a pas été entraîné. Nous conseillons à l’entreprise de ne pas investir immédiatement dans de nouveaux vélos. Nous offrons à l’entreprise un logiciel de prédiction convivial qu’ils pourront utiliser de manière autonome.