Aller au contenu principal

Section 8. Module de prévision : Prévision

8.A. Prévisions de consommation​

Les prévisions basées sur la consommation, qui s'appuient sur des données de consommation historiques, sont plus utiles dans les programmes matures et stables qui disposent d'un nombre complet d'unités de planification et de données fiables. Cette méthode peut être le prédicteur le plus fiable de la consommation future si l’on prévoit que l’utilisation future sera très similaire à celle du passé. Ainsi, un utilisateur doit être capable d'extrapoler des données historiques (idéalement, plus de 24 mois de données mensuelles de consommation réelle sont disponibles) et les données doivent être une série de données au fil du temps (c'est-à-dire la consommation mensuelle réelle ajustée).

Il existe quatre éléments de base pour une prévision de consommation :

Prévision $\cong$ Base + Tendance + Saison + Aléatoire

Différents modèles d'extrapolation utiliseront différentes méthodes statistiques pour estimer ces différentes composantes et produire une prévision. Dans QAT, les utilisateurs suivront trois étapes pour produire une prévision basée sur la consommation :

  1. Importer/saisir les données de consommation réelle : Cela peut être fait en important des données à partir du module QAT Supply Planning ou en saisissant les données manuellement.
  2. Ajustez les données de consommation réelles : En ajoutant le taux de reporting et les ruptures de stock, et/ou en interpolant les données manquantes.
  3. Extrapoler les données de consommation réelles : Pour produire une prévision. QAT propose cinq méthodes d'extrapolation différentes : moyennes mobiles, semi-moyennes, régression linéaire, triple lissage exponentiel (TES, Holt-Winters) et moyenne mobile intégrée auto-régressive (ARIMA).

8.A.1. Importer/Saisir les données réelles​

Il existe deux manières pour un utilisateur d'ajouter des données de consommation réelle à son programme :

  1. Importer les données de consommation réelle d'un programme existant dans le module QAT Supply Planning, ou
  2. Saisissez manuellement les données dans l'écran « Saisie des données et ajustements » du module de prévision QAT.

Étapes d'importation des données à partir du module QAT Supply Planning :​

  1. Accédez à l'écran Prévisions basées sur la consommation → Importer à partir du plan d'approvisionnement QAT.
  2. Choisissez le programme de prévision, la plage de données de consommation réelle à importer, le programme du plan d'approvisionnement, puis la version du plan d'approvisionnement. Remarque : seuls les programmes de prévisions téléchargés sur l'ordinateur local de l'utilisateur seront disponibles dans la liste déroulante « Programme de prévisions ». Voir Télécharger/Supprimer un programme pour savoir comment télécharger un programme sur l'ordinateur local.
  3. Les utilisateurs mapperont ensuite l'unité de planification du plan d'approvisionnement à l'unité de planification des prévisions. Remarque : seules les unités de planification qui ont été ajoutées au programme de prévision dans l'écran « Mettre à jour les unités de planification » et pour lesquelles nous avons coché la case pour les prévisions de consommation seront disponibles dans la liste déroulante « Unité de planification de prévision ». Voir Unités de planification du module de prévision pour savoir comment ajouter des unités de planification à un programme de prévision.
  4. Choisissez « Ne pas importer » dans la liste déroulante pour les PU qui ne correspondent pas automatiquement. Si vous avez beaucoup de PU et que vous souhaitez sélectionner « Ne pas importer » pour toutes celles non mappées, vous pouvez cocher la case « Ne pas importer toutes les unités de planification non mappées ».
  5. Les utilisateurs choisissent quelle région doit être importée dans le programme de prévision et fournissent également des informations sur le % de la consommation réelle qui doit être importée dans le programme de prévision.
  6. La dernière étape permettra aux utilisateurs de revérifier les données de consommation réelle du plan d'approvisionnement pour s'assurer qu'ils importent la bonne unité de mesure et les bons mois de données. Si les données existent déjà dans le programme de prévision, elles seront surlignées en jaune. Si un utilisateur importe des données surlignées en jaune, cette nouvelle importation remplacera les données qui existent déjà dans le programme de prévision. Les utilisateurs peuvent décocher manuellement les mois de données à ne pas importer, s'ils le souhaitent.
  7. Cliquez sur Importer.

Étapes pour saisir manuellement les données de consommation réelle :​

  1. Accédez à l'écran Prévisions basées sur la consommation → Saisie des données et ajustements.
  2. Sélectionnez le programme de prévision et la période de révision souhaitée. Par défaut, QAT présélectionne une plage de dates de 36 mois avant le début de la période de prévision. Un tableau non modifiable et tous les produits liés à ce programme de prévisions sont affichés, ainsi que leurs données de consommation ajustées si vous avez préalablement saisi ces données ; sinon, vous verrez des cellules jaunes indiquant qu'aucune donnée de consommation n'a été saisie. Par défaut, les produits et la consommation sont affichés en unités de planification. L'utilisateur peut également développer chaque ligne du tableau pour afficher la consommation par région, s'il gère un programme multi-régions.
  3. Dans le tableau supérieur, cliquez sur une unité de planification pour afficher le tableau de données détaillé ci-dessous pour cette unité de planification. Le tableau de données détaillé comportera une section pour chaque région de votre programme.
  4. Le tableau de données détaillées permet aux utilisateurs d'ajouter, de modifier, d'ajuster ou de supprimer des enregistrements de consommation historiques.
    • un. Si vous souhaitez saisir les données manuellement, saisissez la consommation historique pour chaque région et mois dans la ligne « Consommation réelle ».
    • B. Si vous avez importé des données de QAT, vous verrez votre consommation historique importée dans la ligne « Consommation réelle ».
    • c. Par défaut, les données sont supposées être saisies dans l'unité de planification. Cependant, l'utilisateur peut spécifier l'unité appropriée pour les données détaillées en cliquant sur le lien « modifier » sous le nom de l'unité de planification et dans la fenêtre contextuelle suivante, en choisissant de saisir les données en utilisant l'unité de planification, les quantités de l'unité de prévision (en appliquant un facteur de conversion géré par le domaine) ou une autre unité saisie par l'utilisateur (et un facteur de conversion).
  5. Une fois qu'un utilisateur saisit des données dans la ligne « Consommation réelle » du tableau de données du bas, cliquez sur Soumettre afin d'enregistrer les entrées et de les visualiser dans le graphique.
    • Les utilisateurs peuvent également copier et coller des données à partir d'un Excel ou d'autres formats tabulaires dans la ligne « Consommation réelle ».

8.A.2. Ajustements​

Objectif : Permettre aux utilisateurs de préparer des données de consommation historiques avant de passer à l'écran « Extrapolation ». La consommation réelle historique peut être des quantités vendues, des quantités distribuées à l'utilisateur ou des quantités émises par les installations de stockage. Sur cet écran, les utilisateurs peuvent ajuster les données de consommation historiques qui ont été soit saisies manuellement sur cet écran, soit importées à partir d'un programme de plan d'approvisionnement QAT.

À l'aide de cet écran :​

  1. Méthodes d'extrapolation disponibles dans QAT : Les méthodes de prévision dans QAT sont organisées du simple au sophistiqué.
    • un. Moyenne mobile : La moyenne mobile est une moyenne qui évolue dans le temps, supprimant les données plus anciennes à mesure qu'elles intègrent des données plus récentes. Pour que QAT calcule la moyenne mobile, entrez le nombre de mois dans le passé que vous souhaitez utiliser dans le calcul de la moyenne. L'utilisateur peut sélectionner n'importe quel entier positif pour ce champ. Saisir 5 par exemple signifierait que la projection pour le mois suivant de la série serait la moyenne de la consommation des cinq mois précédents. Cette méthode est particulièrement utile pour les prévisions à court terme et est sensible aux tendances. Cela n'est pas approprié pour les données saisonnières.
    • b. Semi-moyennes : Les tendances semi-moyennes sont estimées sur la base de deux moitiés d'une série. QAT divise les données réelles en deux parties égales (moitiés) et la moyenne arithmétique des valeurs de chaque partie (moitié) est calculée comme les valeurs « y » de deux points sur une ligne. La pente de la ligne de tendance est déterminée par la différence entre ces valeurs « y » au fil du temps, définie par la différence des points médians des deux moitiés de la série, ou valeurs « x », des points. Cette méthode est sensible aux tendances et utile pour les prévisions à court et moyen terme mais n'est pas appropriée pour les données saisonnières.
    • c. Régression linéaire : La régression linéaire modélise la relation entre deux variables en ajustant une équation linéaire aux données observées. Intervalle de confiance : entre 0 % et 100 % (exclusif), par exemple, un niveau de confiance de 90 % indique que 90 % des points futurs possibles doivent se situer dans ce rayon de la prédiction représentée par la ligne de régression. Cette méthode n'est pas appropriée pour les données saisonnières.
    • d. Lissage exponentiel triple (Holt-Winters) : Dans les statistiques, différents types de lissage sont utilisés pour filtrer le bruit afin que nous puissions voir plus clairement les modèles dans un ensemble de données de séries chronologiques. Le lissage exponentiel utilise des données plus anciennes avec des poids décroissants de façon exponentielle au fil du temps. Les paramètres de lissage exponentiel sont définis entre 0 et 1, les valeurs proches de 1 favorisant les valeurs récentes et les valeurs proches de 0 favorisant les valeurs plus anciennes. Les utilisateurs utilisant le triple lissage exponentiel peuvent choisir quatre paramètres :
      • alpha, s'applique au niveau ou à la ligne de base de l'ensemble de données. Des valeurs alpha plus élevées donnent plus de poids aux données les plus récentes. Le paramètre par défaut de QAT pour alpha est 0,2.
      • bêta, détermine dans quelle mesure les tendances récentes doivent être valorisées par rapport aux tendances plus anciennes. Le paramètre par défaut de QAT pour la version bêta est 0,2.
      • gamma, reflète la composante saisonnière de la prévision. Saisonnier fait généralement référence à des modèles répétitifs au cours d’une année. Plus le gamma est élevé, plus la composante saisonnière la plus récente des données sera pondérée. Le paramètre par défaut de QAT pour le gamma est 0,2.
      • Intervalle de confiance : entre 0 % et 100 % (exclusif) par ex. Un niveau de confiance de 90 % indique que 90 % des points futurs doivent se situer dans ce rayon de prévision. L'intervalle de confiance par défaut de QAT est de 85 %.
      • QAT ne calculera les prévisions TES que pour les ensembles de données contenant 24 mois ou plus de données.
    • e. ARIMA : ARIMA ou moyenne mobile intégrée autorégressive permet d'intégrer et d'appliquer deux modèles statistiques conçus pour les séries chronologiques stationnaires à des séries chronologiques non stationnaires, c'est-à-dire des séries chronologiques qui ont des tendances ou des saisons. Il est souvent appliqué aux prévisions à court terme. « Auto-régressif » signifie que chaque point de la régression est influencé par ses valeurs précédentes et « moyenne mobile » implique que chaque point est une moyenne, une combinaison linéaire d'un ou plusieurs points adjacents. L'auto-régression et la moyenne mobile sont "intégrées" ensemble pour obtenir le meilleur modèle pour la série par différenciation, ou en utilisant littéralement la différence entre les points d'une série chronologique pour l'analyse au lieu des valeurs brutes. Les modèles ARIMA ont trois paramètres :
      • p ou AR (ordre de décalage) : le nombre d'observations de retard dans le modèle. Le paramètre par défaut de QAT

euh pour p est 0.

  • d ou I (degré de différenciation) : le nombre de fois que les observations brutes sont différenciées. Cette valeur est normalement 1 (s'il y a une tendance) ou 0 (pas de tendance). D'autres valeurs plus élevées sont possibles mais non attendues. Le paramètre QAT par défaut pour d est 1.
  • q ou MA (ordre de la moyenne mobile) : la taille de la fenêtre de moyenne mobile ou le nombre d'observations différenciées à moyenner. Le paramètre QAT par défaut pour q est 1.
  • Intervalle de confiance : entre 0 % et 100 % (exclusif) par ex. Un niveau de confiance de 90 % indique que 90 % des points futurs doivent se situer dans ce rayon de prévision. L'intervalle de confiance par défaut de QAT est de 85 %.
  • Le calcul ARIMA peut être saisonnier ou non saisonnier, basé sur le choix de l'utilisateur et sa compréhension de ses données et de ses attentes quant à savoir si la consommation d'un produit particulier est soumise ou non à des influences saisonnières. La sélection par défaut de QAT concerne l'ARIMA saisonnier. QAT ne calculera les prévisions ARIMA que pour les ensembles de données contenant 13 mois ou plus de données.

  1. Il existe trois façons d'ajuster les données :

    • une. Ajuster pour tenir compte de la sous-déclaration : La valeur par défaut est de 100 % de déclaration chaque mois. L'utilisateur peut modifier cette valeur pour la valeur correcte. QAT calculera la consommation ajustée en raison de la sous-déclaration. Le calcul suppose que les établissements qui n’ont déclaré aucune consommation avaient le même taux de consommation que ceux qui l’ont déclaré.
    • b. Ajuster les ruptures de stock : Pour les données importées, le nombre de jours de rupture de stock est extrait du programme de plan d'approvisionnement QAT, si les données sont collectées. La valeur par défaut pour les jours de rupture de stock est zéro jour (produit supposé toujours en stock). L'utilisateur peut modifier cette valeur et QAT calculera la consommation ajustée en raison des ruptures de stock. Le calcul suppose que les jours où le produit était en rupture de stock auraient eu le même taux de consommation que le reste du temps où le produit était en stock. La valeur par défaut du nombre de jours dans un mois est basée sur les jours calendaires, mais les utilisateurs peuvent ajuster le nombre de jours utilisés pour le calcul des ruptures de stock dans « Mettre à jour les paramètres de la version ». Taux de rupture de stock = rupture de stock (jours) / nombre de jours dans le mois Consommation ajustée = Consommation réelle / [Taux de déclaration $\times$ (1 - Taux de rupture de stock)] Exemple : Pour un mois donné, un produit avait une consommation de 1 000 unités, était en rupture de stock 5 jours sur 31 dans le mois et le taux de reporting était de 98 % : Taux de rupture de stock = 5/31 = 16,1% Consommation ajustée = 1 000 / [0,98 $\times$ (1 - 0,161)] = 1 217 unités
    • c. Ajuster les valeurs manquantes : Cliquez sur le bouton vert « Interpoler » au milieu à droite de l'écran pour rechercher les périodes où la valeur de consommation est vide et les remplacer par une valeur interpolée. QAT interpole en trouvant les valeurs les plus proches de chaque côté (avant ou après le blanc), calcule la ligne droite entre elles et utilise cette formule de ligne droite pour calculer la valeur du ou des blancs. Notez que QAT n'interpolera pas les mois où la consommation réelle est nulle. QAT n'interpolera que s'il y a au moins un point de données avant et un point de données après la ou les valeurs vides. Mathématiquement :
      • Où $x$ représente les mois et $y$ représente la consommation réelle,
      • Où les valeurs de données connues sont $(x_0 , y_0)$ et $(x_1 , y_1)$
      • Où les valeurs de données inconnues sont $(x, y)$
        • La formule de la ligne interpolée est $y = y_0 + (x - x_0) \times (y_1 - y_0) / (x_1 - x_0)$

  2. Utilisez le tableau des données détaillées pour consulter la consommation ajustée.

  3. Cliquez sur Soumettre pour enregistrer toutes les données saisies/ajustées. Une fois les ajustements enregistrés, le graphique sera mis à jour.

  4. Répétez les étapes 1 à 3 pour chaque unité de planification qui doit être ajustée.

8.A.3. Extrapolation​

Objectif : Permettre aux utilisateurs de créer une prévision en identifiant les tendances et les saisons à partir des données de séries chronologiques historiques saisies par l'utilisateur dans l'écran « Saisie et ajustement des données ». Plusieurs options d'extrapolation statistique sont disponibles. Les extrapolations à partir des données de consommation sont effectuées unité de planification par unité de planification.

À l'aide de cet écran :​

  1. Début de l'extrapolation :

    • Avant d'utiliser cet écran, veuillez vous assurer d'avoir rempli l'écran « Saisie et ajustement des données » pour chaque unité de planification et région que vous souhaitez extrapoler.
    • Utilisez les filtres en haut de cet écran pour sélectionner l'unité de planification, la région à extrapoler et la plage de dates pour les données historiques à utiliser.
    • L'utilisateur peut sélectionner une ou plusieurs des méthodes d'extrapolation disponibles dans QAT, en fonction du modèle général de consommation et des données disponibles.
    • Notez que les modifications dans cet écran sont facultatives – QAT applique automatiquement les paramètres d'extrapolation par défaut à toutes les unités de planification une fois l'écran Ajustements terminé. L'utilisateur effectue ensuite la sélection finale des prévisions dans l'écran « Comparer et sélectionner ».

  2. Quelle méthode d'extrapolation dois-je utiliser ? Vous trouverez ci-dessous quelques considérations pour sélectionner une méthode de prévision. Les méthodes de prévision dans QAT sont organisées du simple au sophistiqué. En général,

    • Les modèles plus sophistiqués sont plus sensibles aux problèmes liés aux données.
    • Si vous disposez de données plus pauvres (points de données manquants, taux de reporting variables, < 12 mois de données), des méthodes de prévision plus simples comme les moyennes mobiles sont probablement plus utiles.
    • Le choix de la méthode d'extrapolation dépend de la tendance attendue dans les données. Certains modèles typiques incluent :
      • Stationnaire, où la plage des valeurs observées au fil du temps oscille autour d'une moyenne. Les modèles appliqués à ces ensembles de données peuvent inclure : Moyenne mobile, ARIMA (non saisonnier).
      • Tendance sans composante saisonnière, où les valeurs observées ont une tendance à la hausse ou à la baisse. Les modèles appliqués à de tels ensembles de données peuvent inclure : des semi-moyennes, une régression linéaire.
      • Tendance et saisonnier, où les valeurs observées dans un ensemble de données comportent à la fois des composantes de tendance et des composantes saisonnières. Les modèles appliqués à de tels ensembles de données peuvent inclure : ARIMA (saisonnier), triple lissage exponentiel (Holt-Winters).
      • Saisonnier sans tendance, où les valeurs observées ont une composante saisonnière mais pas de tendance. Les modèles appliqués à de tels ensembles de données peuvent inclure : Lissage exponentiel triple (Holt-Winters).
    • Les modèles proposés ici ne sont ni exhaustifs ni exclusifs. QAT permet à l'utilisateur d'appliquer diverses méthodes d'extrapolation, puis de les comparer à l'aide des mesures de meilleur ajustement ou d'erreur de prévision.
    • La deuxième étape consiste à déterminer si les valeurs prévisionnelles sont censées refléter fidèlement les modèles historiques de vos données et donc si vous utiliserez les mesures d'erreur pour éclairer votre sélection. Lors du choix d'un résultat (que ce soit en ignorant ou non la mesure d'erreur), il sera important de documenter les raisons pour lesquelles vous le faites afin d'éclairer les discussions ou les examens de vos prévisions et d'aider les futurs prévisionnistes à étayer leurs décisions.

  3. Comment interpréter les erreurs ? QAT calcule automatiquement les mesures d'erreur de prévision à l'aide de plusieurs méthodes. Ceux-ci incluent :

    • MAPE (Mean Absolute Percentage Error) : Peut être interprété comme la différence moyenne en pourcentage entre les prédictions et leurs cibles prévues dans l'ensemble de données. Par exemple, si MAPE est de 15 %, vos prévisions sont en moyenne éloignées de 15 % des valeurs réelles. MAPE = (1 / N) $\times \sum$ |(réel - prévision) / réel| $\fois$ 100
    • WAPE (Weighted Absolute Percentage Error) : WAPE est une métrique appropriée lorsque l'ensemble de données utilisé a des valeurs faibles ou intermittentes. Un pourcentage WAPE de 5 signifie que la prévision était erronée de 5 % sur l'ensemble des données pour une certaine période d'évaluation. Selon le cas d'utilisation, il est recommandé de choisir un modèle qui donne le moins de valeur WAPE. WAPE = [$\somme$ |réel - prévision| / $\somme$ réel] $\times$ 100
    • RMSE (Root Mean Squared Error) : Le RMSE peut être interprété comme l'erreur moyenne des prédictions du modèle par rapport à la réalité, avec un poids supplémentaire ajouté aux erreurs de prédiction plus importantes. Généralement, plus le RMSE est proche de zéro, plus le modèle est précis. RMSE = $\sqrt$[$\sum$ (réel - prévision)$^2$ / N]
    • MSE (Mean Squared Error) : MSE est la moyenne agrégée de la différence quadratique entre les valeurs réelles et les prévisions. Les erreurs importantes sont mises en évidence à cause de cette quadrature. MSE est utile lorsque vous travaillez sur des modèles où les erreurs occasionnelles importantes doivent être minimisées. Généralement, plus il est proche de 0, plus le modèle est précis. MSE = $\somme$ (réel - prévision)$^2$ / N
    • R² (Coefficient de Détermination) : $R^2$ = 1 - SSR/SST Où la somme au carré des résidus pour la régression (SSR) est la somme de ses résidus au carré, et la somme totale des carrés (SST) est la somme de la distance entre les données et la moyenne, le tout au carré. La valeur $R^2$ est toujours un nombre compris entre 0 et 1. $R^2$ est une mesure de l'ajustement d'une ligne de régression à une série d'observations historiques avec des valeurs plus proches de 1 indiquant une correspondance plus forte entre les valeurs réelles et prédites (modèle de régression). Il ne s’agit pas d’une mesure d’erreur et ne doit pas être utilisée seule pour évaluer la pertinence d’une prédiction, mais en combinaison avec d’autres mesures d’erreur et avec la connaissance du programme par l’utilisateur.

    Hormis $R^2$, plus le score est faible, plus le résultat de la méthode de prévision correspond aux données historiques. Dans les modèles où les modèles historiques d'un ensemble de données devraient se refléter dans les valeurs futures, une faible valeur d'erreur pourrait être utilisée pour aider à sélectionner une méthode d'extrapolation préférée, et QAT mettra en évidence ces meilleurs ajustements dans un tableau. Toutefois, si des changements substantiels qui ne correspondent pas aux données historiques sont anticipés, l’extrapolation la mieux adaptée n’est peut-être pas la prévision la plus appropriée à sélectionner. Pour faire la meilleure sélection entre les méthodes d'extrapolation en fonction de votre objectif, avant d'examiner les mesures d'erreur, la chose la plus importante est d'abord de comprendre quelle méthode d'extrapolation est la plus appropriée pour le modèle attendu dans les données.

  4. Optimisation des paramètres de prévision TES et ARIMA : Les utilisateurs sont libres d'utiliser les valeurs par défaut de QAT ou de saisir des paramètres de prévision alternatifs dans le but de réduire les mesures d'erreur, augmentant ainsi la correspondance entre les sorties de la méthode de prévision et les points de données réels dans la période de données historiques. Si l'utilisateur travaille en ligne, QAT peut optimiser les paramètres TES et ARIMA en itérant, en calculant le RMSE de chaque itération et en sélectionnant les paramètres qui produisent le RMSE le plus bas.

    • Pour TES, QAT calcule 125 itérations de la prévision, testant chacun des paramètres alpha, bêta et gamma en combinaison avec les valeurs suivantes : 0, 0,2, 0,4, 0,8 et 1. Laquelle des 125 combinaisons pour un produit donné produit le résultat avec le RMSE le plus bas sera affichée sur l'écran d'extrapolation.
    • Pour ARIMA ou ARIMA saisonnier, QAT calcule 24 itérations de la prévision, testant chacun des paramètres p, d et q en combinaison, en utilisant les valeurs suivantes :
      • p : 0 ou 1
      • d : 0, 1 ou 2
      • q : 0, 1, 2 ou 3 Laquelle des 24 combinaisons pour un produit donné produit le résultat ARIMA avec le RMSE le plus bas sera affichée sur l'écran d'extrapolation.
    • Remarque : les statistiques ne sont pas magiques. L’hypothèse sous-jacente à toutes ces méthodes d’extrapolation est que les tendances et les modèles des données historiques se poursuivront dans le futur. Par conséquent, des mesures à faible erreur ne garantissent pas nécessairement une meilleure prévision.

  5. Extrapolation groupée : Dans l'écran d'extrapolation QAT, l'utilisateur peut comparer les résultats des différentes méthodes d'extrapolation à la fois graphiquement et dans un tableau de résultats, produit par produit. Cela permet à l'utilisateur de désélectionner les méthodes d'extrapolation qui, selon lui, ne s'appliquent pas à un produit donné afin de limiter les options de l'écran Comparer et sélectionner uniquement celles que l'utilisateur choisit d'afficher. Si l'utilisateur préfère envoyer tous les résultats des méthodes d'extrapolation disponibles pour plusieurs produits directement à l'écran Comparer et sélectionner, l'utilisateur peut sélectionner l'extrapolation groupée. Dans la fenêtre contextuelle Extrapolation globale, l'utilisateur peut ensuite sélectionner une plage de dates historiques à partir de laquelle extrapoler la prévision (une seule plage de dates par extrapolation globale), s'il souhaite appliquer la saisonnalité à son calcul ARIMA, quelles unités de planification et régions (si des données régionales sont utilisées) inclure dans l'extrapolation globale et s'il doit ou non optimiser les paramètres ARIMA et TES pour l'extrapolation. Après avoir exécuté l'extrapolation globale, tous les résultats peuvent être visualisés dans l'écran d'extrapolation, l'écran de comparaison et de sélection et la boîte déroulante de l'écran de résumé des prévisions (régional). L'utilisateur peut sélectionner sa méthode d'extrapolation préférée à partir de l'écran de comparaison et de sélection ou de l'écran de résumé des prévisions (régional). L'extrapolation globale dans QAT est particulièrement utile lorsque vous travaillez avec un large éventail de produits pour lesquels des données de consommation actuelles, complètes et précises sont disponibles pour 12 mois ou plus.

8.B. Prévisions d'arbres​

Les utilisateurs peuvent effectuer une prévision basée sur une arborescence si les données nécessaires à une prévision basée sur la consommation ne sont pas disponibles ou ne sont pas utiles pour prédire la consommation future. Les prévisions arborescentes s'adaptent de manière flexible à toutes les autres méthodes de prévision, telles que les méthodes de morbidité, de services et démographiques. Les utilisateurs peuvent spécifier les changements au fil du temps dans une arborescence, soit en spécifiant directement le taux de changement, soit en extrapolant à partir de données passées.

8.B.1. Construire un arbre​

Objectif : Permettre aux utilisateurs de :

  1. Affichez une liste de leurs arbres existants.
  2. Modifiez une arborescence existante en cliquant sur n'importe quelle ligne.
  3. Faites un clic droit sur une ligne pour :
    • Dupliquer les arbres existants : Les utilisateurs peuvent également dupliquer un arbre existant dans un autre programme. Les utilisateurs doivent avoir accès aux deux programmes et les avoir tous deux téléchargés sur leur ordinateur local pour pouvoir les dupliquer.
    • Supprimer les arbres existants : Il y aura un écran de confirmation, mais cette action est ensuite irréversible. Cependant, si vous supprimez accidentellement une arborescence, vous pouvez retélécharger un programme si l'arborescence supprimée a été sauvegardée sur le serveur.
    • Tree Table : Cela permet à l'utilisateur de modifier l'arbre sélectionné dans l'écran Tree Table.
  4. Ajoutez une nouvelle arborescence à un programme téléchargé en cliquant sur le menu déroulant « Créer ou sélectionner » dans le coin supérieur droit de l'écran. De nouveaux arbres peuvent être construits :
    • Manuellement - sélectionnez « + Dessinez votre propre arbre »
    • Depuis un modèle d'arborescence - sélectionnez le nom du modèle souhaité.

Remarque : les visualiseurs de prévisions peuvent afficher n'importe quelle arborescence qui a été téléchargée sur le serveur et à laquelle ils ont accès ; cependant, seuls les utilisateurs/administrateurs de prévisions pourront créer et modifier/mettre à jour des arborescences.

À l'aide de cet écran :​

  • Un programme de prévision doit d'abord être téléchargé pour construire ou éditer un arbre.
  • Avant de construire et d'éditer une arborescence, ajoutez d'abord les unités de planification du programme de prévision dans l'écran « Mettre à jour les unités de planification ».
  • Construire un arbre similaire à un arbre existant ?
    • Même structure, nombres différents : Construisez un seul arbre et utilisez la fonctionnalité de scénario.
    • Structure légèrement différente : Dupliquez un arbre existant en cliquant avec le bouton droit sur une ligne et en sélectionnant « Dupliquer l'arbre ».
  • Les utilisateurs peuvent également supprimer des arbres en cliquant avec le bouton droit sur une ligne et en sélectionnant « Supprimer l'arbre ».

8.B.2. Types de nœuds et fonctions​

Construire l'arbre : L'arbre de prévision est construit de haut en bas, en utilisant différents types de « nœuds ». Chaque arbre de prévision doit commencer par un nœud Agrégation ou un nœud Numéro et inclure un ou plusieurs nœuds Unité de planification, qui forment la sortie de prévision.

Actions du nœud :​

  • Supprimer : Supprime le nœud sélectionné et tous ses enfants.
  • Copier/Déplacer : Copie ou déplace le nœud sélectionné et tous les enfants sous le nœud.
  • Ajouter un modèle de branche : Ajoute un modèle d'arborescence sous forme de branche sous le nœud choisi.
  • Ajouter : Ajoute un enfant au nœud sélectionné.
  • Réduire/Agrandir : Réduire/Agrandir le nœud actuel et tous ses enfants.

Types de nœuds :​

Type de nœudValeurEnfants potentiels
Agrégation $\somme$Somme des nœuds enfants.$\sum$ ou Nombre
Numéro #Défini à ce nœud.% ou UF
Pourcentage %Pourcentage du parent.% ou UF
Nœud d'entonnoirSomme des nœuds sources liés.% ou UF
Unité de prévisionPourcentage des paramètres du parent et de l'unité de prévision.Unité de planification
Unité de planificationPourcentage des paramètres parent et unité de planification.Aucun

Attributs du nœud :​

  • $\sum$ Attributs spécifiques au nœud d'agrégation : Aucun – il est défini par la somme de ses enfants.
  • # Numéro d'attributs spécifiques au nœud :
    • Unité de nœud : Liste déroulante composée d'un patient, d'un client, d'un client, d'une personne ou d'une unité.
    • Mois : Choisissez le mois/l'année à partir duquel ces données ont été rapportées.
    • Valeur du nœud : Définissez la valeur numérique de ce nœud.
  • % Attributs spécifiques au nœud de pourcentage :
    • Unité de nœud : Liste déroulante composée d'un patient, d'un client, d'un client, d'une personne ou d'une unité.
    • Mois : Choisissez le mois/l'année à partir duquel ces données ont été rapportées.
    • Pourcentage du parent : Définissez le pourcentage du nœud parent.
    • Valeur parentale pour le mois : Non modifiable et fourni uniquement à titre de référence.
    • Valeur du nœud : Calculée automatiquement par QAT en fonction du pourcentage défini par l'utilisateur et de la valeur parent.
  • Attributs spécifiques au nœud de l'unité de prévision :
    • Mois : Choisissez le mois/l'année à partir duquel ces données ont été rapportées.
    • Pourcentage du parent : Définissez le pourcentage du nœud parent.
    • Valeur parentale pour le mois : Non modifiable et fourni uniquement à titre de référence.
    • Pourcentage de la valeur parentale pour le mois : Non modifiable et fourni uniquement à titre de référence.
    • Catégorie de traceur : Liste déroulante qui peut être utilisée pour aider à affiner les unités de prévision, mais sera remplie automatiquement une fois l'unité de prévision choisie.
    • Copier à partir du modèle : Fonctionnalité avancée, dans laquelle un utilisateur peut utiliser un modèle d'utilisation pour aider à créer efficacement une arborescence.
    • Unité de prévision : Liste déroulante de toutes les unités de prévision disponibles dans le programme utilisateur.
    • Unité de planification : Liste déroulante filtrée en fonction de l'unité de prévision choisie.
    • Type d'utilisation :
      • Discret : Chaque _______ [unité de nœud parent] nécessite _________ [unité de mesure de prévision] __________ fois par [jour/semaine/mois/année] pendant _____________ [jour/semaine/mois/année]
        • Calculer (Tout au cours du premier mois/mois par mois) : Si vous avez sélectionné « Tout au cours du premier mois », QAT préchargera la quantité totale prévue au mois de début du nœud. Si vous sélectionnez « Mois par mois », QAT calculera la quantité discrètement mois par mois.
        • Usage unique (Oui/Non) : Permet à l'utilisateur de déterminer si cette unité de prévision est utilisée sur une période de temps spécifique.
      • Continu : Chaque _______ [unité de nœud parent] nécessite _________ [unité de mesure de prévision] tous les _______ [jour/semaine/mois/année]
        • Décalage en mois : Utilisé pour détailler si une unité de prévision est en retard ou a une utilisation progressive du produit.
  • Attributs spécifiques au nœud de l'unité de planification : Nœud créé automatiquement lorsque l'unité de prévision est ajoutée à une arborescence. La plupart des attributs ne sont pas modifiables ; cependant, le remplacement du calcul permet aux utilisateurs de choisir d'utiliser le calcul automatique de QAT pour le nombre d'unités de planification ou de saisir manuellement une valeur.

8.B.3. Changements au fil du temps​

Bien que la structure arborescente reste constante dans le temps, les pourcentages et les valeurs des nœuds peuvent changer au fil du temps. Utilisez le menu déroulant des dates pour afficher l’arborescence à n’importe quel mois. Les trois fonctionnalités ci-dessous sont disponibles dans chaque nœud et permettent à l'utilisateur de contrôler la façon dont les nœuds évoluent au fil du temps :

  • ⇅ Modélisation : Permet à l'utilisateur de spécifier le taux de changement exact.
  • Transfert : Permet aux utilisateurs de relier deux nœuds ensemble – de sorte que la diminution du nœud source est liée à l'augmentation du nœud de destination. Utile pour les transitions.
  • Extrapolation : Permet aux utilisateurs d'utiliser des données historiques pour extrapoler des changements futurs.

8.B.4. Bases de la construction d’un arbre​

Les arbres de prévision sont construits de haut en bas en utilisant différents types de nœuds. Chaque arbre de prévision doit commencer par un nœud Agrégation ou un nœud Numéro et inclure un ou plusieurs nœuds Unité de planification. Les nœuds d'unité de planification doivent être l'enfant d'un nœud d'unité de prévision. Ainsi, un utilisateur doit disposer d’au moins trois niveaux de nœuds pour produire une sortie prévisionnelle.

Étapes pour créer une arborescence manuelle :​

  1. Téléchargez un programme.
  2. Accédez à l'écran Arbre de prévision → Gérer l'arborescence.
  3. En haut à droite de l'écran, cliquez sur la liste déroulante bleue « Créer ou sélectionner » et sélectionnez « + Dessinez votre propre arbre » dans la liste déroulante.
  4. Définissez les détails de l'arbre, tels que la méthode de prévision (démographique, morbidité ou services), le nom de l'arbre et la région.
  5. Par défaut, QAT commencera par un nœud numérique avec une valeur de zéro au niveau 0. Cliquez sur ce nœud par défaut pour modifier/mettre à jour le nœud.
  6. Ajoutez un nouveau nœud (enfant) sous le nœud parent en cliquant sur Ajouter et en choisissant le type de nœud approprié.
  7. Les utilisateurs peuvent insérer un modèle d'arborescence dans le corps de leur arborescence en cliquant sur l'icône Ajouter un modèle de branche.
  8. Cliquez sur les niveaux d'arborescence pour nommer les niveaux d'une arborescence ou réorganiser les branches.
  9. Les arborescences QAT sont automatiquement enregistrées sur l'ordinateur local.
  10. Pour modifier par lots des valeurs dans une arborescence, l'utilisateur peut utiliser l'écran Tree Table.

8.B.5. Scénarios​

Utilisation de scénarios : Les scénarios sont utilisés pour modéliser différentes valeurs pour le même arbre. Les scénarios sont utiles lorsque les utilisateurs souhaitent analyser le résultat de différents changements au fil du temps, tout en conservant la même structure de base. Pour créer un arbre avec des structures différentes, il est recommandé de créer un autre arbre.

Corrigé pour tous les scénariosUnique à chaque scénario
ArborescenceValeur du nœud
Titre du nœudMois
Type de nœudRemarques
Modélisation/Transfert/Extrapolation

Remarques :

  • Par défaut, seuls les scénarios actifs sont affichés.
  • Les utilisateurs peuvent choisir différentes combinaisons arbre-scénario pour chaque unité de planification dans l'écran Comparer et sélectionner.

8.B.6. Modélisation/Transferts​

Objectif : Si un nœud change au fil du temps, un utilisateur peut utiliser l'onglet Modélisation/Transfert pour modéliser la croissance/la perte au sein d'un seul nœud ou un transfert d'un nœud à un autre. Notez que cette fonctionnalité n'est disponible que pour les nœuds Nombre (#) et Pourcentage (%).

En utilisant cet onglet :​

Les utilisateurs peuvent saisir manuellement les modifications souhaitées au fil du temps dans le tableau supérieur ou utiliser la calculatrice de modélisation.

  • Règles pour les nœuds de transfert :
    • Les nœuds numériques ne peuvent être transférés que vers d'autres nœuds numériques et doivent appartenir au même niveau.
    • Les nœuds de pourcentage ne peuvent être transférés que vers d'autres nœuds de pourcentage et doivent appartenir au même parent.
    • Les transferts sont toujours négatifs depuis le nœud source et positifs vers le nœud destination.
    • L'extrapolation n'est pas autorisée sur un nœud disposant également d'un transfert.

Types de modélisation :​

Type de modélisation# Calcul de nœud% Calcul du nœud
Linéaire (#)+/- un nombre statique chaque moisN/A
Linéaire (%)+/- un pourcentage statique chaque moisN/A
Exponentiel (%)+/- un pourcentage chaque mois (rolling)N/A
Linéaire (points de %)N/A+/- un pourcentage statique chaque mois

Saisonnalité et modifications manuelles :​

Cliquez sur « Afficher les données mensuelles » pour afficher un tableau et un graphique avec la valeur du nœud au fil du temps.

  • Les utilisateurs peuvent ajouter une modification manuelle pour un mois spécifique ou saisir un pourcentage d'indice de saisonnalité.
  • Entrez un % positif pour une valeur augmentée ce mois-ci ou une valeur négative pour une valeur diminuée.

8.B.7. Calculatrice de modélisation​

Cliquez sur l'icône de la calculatrice de modélisation si vous avez besoin d'aide pour calculer le taux de variation mensuel.

Valeur/Modification de fin :​

Utilisez-le si vous avez une valeur cible (non cumulative) ou un changement total souhaité sur une période spécifique.

  1. La date de début, la date cible et la valeur de début sont calculées ou saisies.
  2. Saisissez les données dans : Valeur finale cible, Modification cible (%) ou Modification cible (#).
  3. Les formules utilisées dépendent du type de modélisation (Linéaire %, # Linéaire, Exponentiel %).

Objectif annuel :​

Utilisez-le si vous avez des valeurs cibles (cumulatives sur un an). QAT interpole entre les points médians en calculant un taux de variation mensuel linéaire ou exponentiel.

8.B.8. Onglet Extrapolation​

Objectif : L'onglet d'extrapolation permet aux utilisateurs de prévoir les valeurs futures des nœuds en extrapolant à partir des valeurs passées d'un nœud d'arborescence.

En utilisant cet onglet :​

  1. Cochez la case à côté de « Extrapoler ».
  2. Sélectionnez « Afficher les données ».
  3. Saisissez les valeurs réelles et les taux de reporting.
  4. Cliquez sur « Extrapoler ».

8.B.9. Techniques avancées​

  • Utilisation du produit retardée ou échelonnée : Utilisez le champ Lag dans le nœud Unité de prévision.
  • Utilisation discrète du produit sur une période plus longue : Choisissez entre « Tout au cours du premier mois » ou « Mois par mois ».
  • Nœuds d'entonnoir : Regroupez plusieurs nœuds en un seul nœud avant d'ajouter des nœuds supplémentaires ci-dessous.
    • Comment lier les valeurs : Indiquez les nœuds sources, créez des nœuds d'entonnoir et sélectionnez les nœuds sources.

8.C. Validations de modélisation​

Objectif : Une fois qu'une arborescence a été créée, les utilisateurs peuvent utiliser l'écran de validation de la modélisation pour visualiser les modifications au fil du temps.

8.D. Validations de produits​

Objectif : Une fois l'arborescence créée, les utilisateurs peuvent utiliser l'écran Validations de produits pour vérifier l'utilisation des produits dans l'arborescence de prévisions.

8.E. Utiliser des modèles​

8.E.1. Modèles d'arbre​

Objectif : Permettre aux utilisateurs de commencer à concevoir leur arbre de prévision à partir d'un modèle préétabli.

8.E.2. Modèles de succursales​

Objectif : Les modèles de branche permettent aux utilisateurs d'ajouter un modèle d'arborescence en tant que branche au sein d'une arborescence préexistante.

8.E.3. Modèles d'utilisation​

Objectif : Les modèles d'utilisation permettent à l'utilisateur de renseigner simultanément les détails d'un nœud d'unité de prévision.