Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.

Prévision de la demande pour le lancement de nouveaux produits à l'aide de services d'apprentissage AWS automatique

Amazon Web Services (contributeurs)

octobre 2024 (historique du document)

Présentation de

La prévision de la demande, également appelée prévision des ventes, est au cœur des préoccupations de nombreuses entreprises manufacturières, en particulier dans le secteur de l'électronique grand public (CE). La prévision de la demande pour les nouveaux produits introduits sur le marché est considérée comme une prévision du lancement de nouveaux produits (NPI).

Les meilleures stratégies de prévision de la demande doivent tenir compte de divers facteurs susceptibles d'affecter les ventes. Dans le contexte des prévisions NPI, et en particulier pour le secteur CE, l'un des principaux facteurs influençant les ventes de produits est le cycle de vie du produit. Souvent, de nombreuses catégories CE enregistrent un grand nombre de ventes au début du cycle de vie du produit. Par exemple, d'autres ventes sont attendues dans les semaines qui suivront immédiatement le lancement du produit. La demande pour de nombreux produits CE diminue généralement de manière significative après le pic initial, et parfois, le produit devient obsolète en quelques années. Cela se produit notamment lorsque les entreprises publient de nouvelles versions d'un produit sur une base annuelle ou semestrielle. Les ventes de nouvelles versions de produits suivent souvent un schéma similaire, même si les nouvelles versions ne sont pas publiées au même moment de l'année. Outre le cycle de vie du produit, d'autres facteurs importants influent sur la demande, notamment les dépenses marketing, les promotions, la saisonnalité et le prix.

Les entreprises utilisent les prévisions de différentes manières, par exemple pour la planification des approvisionnements et les prévisions de revenus. Pour la planification des approvisionnements, les prévisions NPI doivent être générées bien avant le lancement, car les délais peuvent être supérieurs à neuf mois. Les fabricants sous contrat peuvent prendre de 6 à 7 mois pour se procurer des fournitures, un mois pour la fabrication et un mois pour expédier depuis des usines internationales.

Les modèles d'apprentissage automatique (ML) peuvent générer de la valeur dans l'ensemble de votre chaîne d'approvisionnement en améliorant la précision des prévisions. Ils peuvent vous aider à répondre à des questions telles que les suivantes :

Une faible précision des prévisions du NPI peut entraîner une situation de trop faible inventaire ou de surcharger les entreprises d'en avoir trop. Les fabricants aimeraient être avertis rapidement afin de corriger la situation. Sans les modèles ML, le premier signal de demande arrive des semaines après le lancement initial du produit, ce qui laisse peu ou pas de temps pour aligner la chaîne d'approvisionnement et les opérations de fabrication sur la demande attendue. Les pratiques industrielles dominantes en matière de prévision de la demande de NPI reposent largement sur des experts en la matière et des connaissances du domaine.

L'adoption d'une approche moderne basée sur le ML aide les organisations à exploiter des stratégies basées sur les données pour la prévision de la demande de NPI. Les approches basées sur le ML peuvent fournir des prévisions à long terme, qui sont générées plusieurs semaines avant le lancement du produit. Ces prévisions à long terme sont cruciales pour la planification des approvisionnements et la logistique de distribution.

Objectifs

En fournissant les meilleures pratiques et une architecture recommandée, ce guide vous aide à effectuer les opérations suivantes :