Obtenir en quelques heures des prévisions de demande qui prenaient 160 heures

Ce qui a été fait

Dans un article du MagIT publié le 31 octobre 2025, Maxime Lelièvre, responsable senior de la planification de la demande au centre d’excellence européen de Danone, et Hugo Niel décrivent le passage d’outils éclatés et d’Excel à SAP Integrated Business Planning, déployé par vagues entre 2019 et 2023, désormais dans 38 pays, essentiellement en Europe. Fin mai 2023, 35 pays étaient déjà équipés. Environ 44 % du chiffre d’affaires fait l’objet de prévisions dans IBP. Plus de 230 prévisionnistes des ventes utilisent l’outil. Le volume de points de données observés par pays est passé de 20 000 à 66 millions, en ajoutant les dimensions clients et canaux aux produits et localisations. « De 160 à quatre heures pour obtenir les prévisions » : il fallait 160 heures, cela réclame « 20 minutes à quatre heures en première instance », prétraitement inclus ; les quatre heures correspondent au temps d’exécution des modèles Python pour des résultats de base. Les prévisions portent sur 75 000 combinaisons produit/segment de clientèle, avec des millions de prédictions par semaine, des alertes pour concentrer les prévisionnistes sur les cas importants, et une fiabilité qui « augmenterait de 1 à 10 % » selon les catégories. L’article indique aussi que cela « permettrait de réduire de 35 % les déchets » : ces deux derniers chiffres sont formulés au conditionnel. Ce cas est distinct d’un usage déjà recensé, portant sur le contrôle des prix avant facturation.

Avant de commencer

Outil cité par la source : SAP IBP et modèles de machine learning (Danone) ; autres outils cités : SAP IBP et modèles de machine learning (Danone). Éléments entre crochets à remplir : [pays, catégorie, horizon], [coller]. Retirez les données confidentielles qui ne sont pas utiles et vérifiez les conditions d’accès de votre outil. Les fonctionnalités et abonnements disponibles peuvent évoluer.

La méthode, en trois étapes.

1. 01

   Rassembler le contexte

   Repérez les éléments entre crochets du prompt ([pays, catégorie, horizon], [coller]) et préparez ce qu’ils demandent.

2. 02

   Adapter le prompt

   Copiez le prompt ci-dessous, remplacez les éléments entre crochets, puis collez-le dans l’assistant IA que vous utilisez. L’outil cité (SAP IBP et modèles de machine learning (Danone)) n’est pas forcément accessible au public..

3. 03

   Relire avant d’utiliser

   Relisez le résultat, corrigez-le si besoin et gardez la décision finale. Les points de vigilance sont détaillés plus bas.

Votre point de départ.

Remplacez les éléments entre crochets, puis adaptez la proposition à votre situation. Ce prompt est rédigé par la rédaction d’iadujour, ce n’est pas une citation de la source.

Périmètre à prévoir : [pays, catégorie, horizon]. Séries historiques, promotions, ruptures : [coller].

1. Propose une prévision, en indiquant la méthode et les variables vraiment utilisées.
2. Liste les combinaisons produit/client trop instables pour être fiables.
3. Prépare les alertes que le prévisionniste devrait regarder en priorité.
N’invente aucune vente passée et ne transforme pas une hypothèse en chiffre définitif.

Ce qui mérite votre attention

Skills utiles

Des skills officielles qui portent sur la même tâche, rapprochées par la rédaction : elles ne font pas partie du cas décrit.

• Piloter Azure Machine Learning (SDK v2) en PythonMicrosoft · Le SDK Azure Machine Learning v2 pour Python pilote les espaces de travail, les jobs, les modèles, les jeux de données, le calcul et les pipelines, principalement via MLClient.