Prévoir la demande dans une entreprise : modèles classiques, modèles de fondation et les questions qui comptent davantage
Toute entreprise prévoit : le stock à commander, le personnel à planifier, les serveurs à provisionner, la trésorerie à garder. En 2026, la boîte à outils a deux bouts. À l'un, les méthodes classiques (lissage exponentiel, ARIMA, décomposition saisonnière) tournent en millisecondes sur un portable ; statsforecast 2.1 ajuste des milliers de séries en quelques secondes. À l'autre, les modèles de fondation pour séries temporelles (Chronos-2 d'Amazon, TimesFM 3 de Google, Moirai 2 de Salesforce) prévoient une série qu'ils n'ont jamais vue, sans entraînement, et mènent le benchmark GIFT-Eval. Cet article montre de quoi une prévision est faite, comment les deux familles se comparent sur une vraie question, comment l'erreur se propage dans une chaîne logistique, et comment garder une prévision honnête une fois en production.
De quoi une série est faite
Tendance, saisonnalité, résidu. La tendance (environ 10 % de croissance par an) est ce que veut le plan financier ; le motif saisonnier (novembre et décembre à 1,5 fois la moyenne, août à 0,8) est ce autour de quoi les opérations planifient ; le résidu est ce qu'aucun modèle ne prévoit, et sa taille fixe le stock de sécurité. Une prévision qui ne montre pas ces trois composantes séparément cache d'où viennent ses erreurs.
Deux familles, une question
Le modèle classique prolonge niveau et tendance ; il manque la reprise saisonnière des deux dernières semaines de contrôle parce que cet historique court lui donne trop peu de cycles. Un modèle de fondation nourri des mêmes 16 points ne ferait guère mieux ; nourri des 36 mois complets avec le calendrier mensuel, il reconnaît en général le motif, et il le fait sans apprentissage, sans étape d'ajustement par série.
| Classique et statistique | Modèles de fondation |
|---|---|
| statsforecast 2.1 (ETS, ARIMA, Theta, MSTL), Prophet 1.5, R forecast | Chronos-2 (v2.3, Amazon), TimesFM 3.0 (Google), Moirai 2.0 (Salesforce, 11 millions de paramètres), TiRex |
| Ajustement par série ; des milliers de séries par minute sur CPU | Pas d'ajustement : un modèle prévoit n'importe quelle série ; un GPU aide mais un CPU suffit |
| Composantes interprétables ; facile à expliquer à un planificateur | Boîte noire ; les explications viennent de la prévision, pas du modèle |
| Exige 2 à 3 cycles saisonniers d'historique ; faible sur les nouveaux produits | Fort sur les historiques courts et les démarrages à froid ; Chronos-2 et TabPFN-TS prennent des covariables (prix, promotions) |
| Benchmarks : compétitif sur les séries longues et régulières | Têtes de GIFT-Eval : Chronos-2 taux de victoire d'environ 80 %, TimesFM 2.5 et TiRex environ 70 %, Moirai 2.0 56 % (chiffres des auteurs) |
| Gratuit, minuscule, tourne partout | Poids ouverts ; Chronos-2 intégré à AutoGluon et SageMaker ; le coût d'inférence par prévision est réel à grande échelle |
La règle pratique en 2026 : commencer par statsforecast comme référence parce que c'est gratuit et explicable ; essayer un modèle de fondation sur les séries où la référence échoue (historique court, saisonnalité irrégulière, nombreuses séries liées) ; garder celui qui gagne sur vos semaines de contrôle, mesurées de la même façon.
Mesurer comme vous l'utiliserez
Les planificateurs consomment rarement un nombre ; ils consomment une décision : commander plus, ajouter une équipe, garder de la trésorerie. Évaluez donc la prévision comme la décision qu'elle entraîne. Ici le modèle attrape 67 % des vraies ruptures (rappel) et 65 % de ses alarmes sont réelles (précision). Que ce soit bon dépend du coût de chaque case : une rupture manquée perd des ventes et des clients, une fausse alarme immobilise du stock. Réglez le seuil d'alarme sur la borne haute de l'intervalle de prévision, pas sur la valeur ponctuelle, et déplacez-le jusqu'à ce que les deux coûts s'équilibrent.
Pourquoi de petites erreurs deviennent de grosses commandes
La demande client bouge de quelques pour cent ; l'usine voit des oscillations de dizaines de pour cent, parce que chaque niveau prévoit à partir des commandes du niveau du dessous, ajoute sa propre marge de sécurité, et regroupe. Mieux prévoir au magasin aide moins que partager la prévision du client final avec chaque niveau : une prévision, visible de tous, supprime l'amplification qu'aucun modèle ne peut prévoir.
Garder la prévision honnête en production
Une prévision est un modèle du passé ; le monde change. La carte de contrôle de l'erreur est le moniteur le moins cher : tant que les erreurs restent dans les limites et autour de zéro, gardez le modèle ; quand elles dérivent ou restent du même côté plusieurs semaines, quelque chose de structurel a changé (un prix, un concurrent, un canal) et aucun réglage d'hyperparamètres n'y remédiera. Réentraînez sur le nouveau régime, ajoutez la covariable qui explique le changement, ou passez à un modèle qui la prend.
En résumé
La question de la prévision en 2026 n'est pas « classique ou modèle de fondation » ; les deux sont assez bon marché pour tourner côte à côte sur vos propres semaines de contrôle et garder le gagnant série par série. Les questions qui décident si la prévision rapporte sont plus anciennes : les trois composantes sont-elles montrées séparément, la prévision est-elle évaluée comme la décision qu'elle entraîne, une prévision est-elle partagée le long de la chaîne, et l'erreur est-elle surveillée pour que la dérive soit vue en semaines plutôt qu'en trimestres. Nos articles sur la surveillance des modèles de ML et l'intelligence décisionnelle couvrent la surveillance et le volet décision.
Sources : pages de publication de Nixtla statsforecast, Meta Prophet, Amazon Chronos, Google TimesFM (lues le 19 octobre 2026) ; articles Chronos-2 et Moirai 2.0 pour les chiffres GIFT-Eval (résultats des auteurs) ; missions pour les exemples travaillés, dont les données sont illustratives.