La prévision commerciale que personne ne peut rattacher à une source

01Une prévision qui ne peut pas s'expliquer n'est pas une prévision, c'est une supposition avec un graphique

Les opérateurs de produits de grande consommation construisent des prévisions de la demande en combinant des données issues de mondes réellement différents : chiffres de ventes au point de vente du commerce moderne, estimations informelles des points de vente du commerce traditionnel qui n'ont pas de caisses électroniques, calendriers promotionnels et données de dépenses publicitaires. Chacun de ces éléments a une fiabilité différente, un décalage de collecte différent et des modes de défaillance différents. Un modèle de prévision qui les fond en un seul chiffre sans préserver quels intrants ont produit ce chiffre génère une sortie que personne dans l'entreprise ne peut réellement interroger lorsque la prévision se révèle fausse.

C'est là la défaillance récurrente : non pas que la prévision se soit trompée, mais que, lorsqu'elle s'est trompée, personne n'a pu reconstituer pourquoi assez vite pour corriger le cap avant le cycle de planification suivant.

02Où la traçabilité se rompt

Les données du commerce traditionnel sont généralement le maillon le plus faible et le moins examiné. Elles reposent fréquemment sur des estimations d'agents de terrain, des enquêtes informelles auprès de détaillants ou une extrapolation à partir d'un échantillon, ce qui est raisonnable comme méthodologie, mais seulement si le modèle en aval sait qu'il travaille avec une estimation plutôt qu'avec une mesure et la pondère en conséquence. Traiter les chiffres du commerce traditionnel avec la même confiance que les données de ventes au point de vente du commerce moderne est une source courante et silencieuse d'erreur de prévision qui n'est jamais diagnostiquée, parce que le mélange masque quel côté du modèle a réellement échoué.

Les données promotionnelles et publicitaires ajoutent une seconde couche d'ambiguïté : l'effet d'une promotion sur la demande est déduit, et non mesuré directement, et cette déduction dépend d'hypothèses sur la demande de référence qui sont rarement documentées là où l'équipe de prévision peut les réexaminer plus tard.

03Ce qu'exige réellement une prévision traçable

Construire une prévision en laquelle une entreprise peut avoir confiance suppose de préserver la traçabilité de chaque intrant tout au long du mélange : les estimations du commerce traditionnel étiquetées comme estimations, avec leur méthodologie de collecte documentée ; les chiffres du commerce moderne étiquetés comme mesurés, avec leur propre décalage et leur processus de rapprochement ; et les effets promotionnels étiquetés comme déduits, avec l'hypothèse de référence énoncée explicitement plutôt qu'enfouie dans un paramètre de modèle dont personne ne se souvient qu'il l'a fixé. Lorsque la prévision se trompe, c'est ce qui permet à une équipe de localiser l'erreur en quelques minutes au lieu de relancer une enquête depuis le début.

04Pourquoi cela importe d'autant plus à mesure que davantage d'acteurs entrent sur les marchés africains des produits de grande consommation

Les nouveaux entrants comme les opérateurs existants prennent leurs décisions d'entrée sur le marché et d'expansion sur la base de ces prévisions : où placer les stocks, dans quels canaux investir les dépenses promotionnelles, quels marchés montrent une demande réelle par opposition à une demande estimée qui n'a pas été testée. Une prévision construite sur un mélange intraçable donne une fausse assurance précisément aux décisions qui portent le plus de risque en capital. Une prévision construite avec une traçabilité préservée donne à une entreprise la capacité de faire confiance au chiffre pour les décisions qui comptent, et de savoir rapidement quand elle ne le devrait pas.

La différence technique entre ces deux prévisions est souvent faible : les mêmes données, modélisées en tenant compte de ce qu'est réellement chaque intrant plutôt qu'en traitant tout comme également solide. La différence commerciale est de savoir si une mauvaise prévision coûte un trimestre de stocks gaspillés ou si elle est détectée et corrigée avant.