En mars, un loueur de matériel de chantier installé à Linas, soixante salariés et quatre agences, a acheté quatre nacelles supplémentaires. La décision reposait sur une prévision de croissance de douze pour cent pour la saison. La saison a fait un point. Les nacelles ont passé l’été alignées sur le parc, avec leurs mensualités de crédit-bail. Le dirigeant nous a résumé l’épisode d’une phrase juste : « on avait confondu un objectif avec une prévision ». C’est le meilleur point de départ possible pour parler sérieusement de l’IA et de la prévision des ventes en PME.
Trois choses différentes portent le même nom
Dans la plupart des PME, le mot « prévision » recouvre trois objets qui n’ont rien à voir. Le budget, d’abord, qui est un engagement négocié en interne, avec une part de volontarisme assumé. Le portefeuille pondéré, ensuite, qui traduit l’état des affaires en cours à un instant donné. La prévision statistique, enfin, qui extrapole un historique de ventes sans rien connaître des intentions de qui que ce soit.
Les trois sont utiles. Aucun ne remplace les autres. Confondre le premier et le troisième, ce qui était arrivé à ce loueur, revient à acheter du matériel sur la foi d’une ambition.
Un test rapide permet de savoir où en est une entreprise. Demandez qui produit le chiffre, à quelle date, et ce qui se passe s’il est faux. Si la réponse est « la direction commerciale, en décembre, et rien », vous avez affaire à un budget. Si la réponse est « le système, chaque lundi, et le parc se réajuste », vous avez affaire à une prévision. Dans la PME que nous accompagnions, les deux tenaient dans le même onglet du même fichier, ce qui expliquait tout le reste.
Ce qu’un modèle sait tirer d’un historique de ventes
Le métier de la location s’y prête bien, parce que les rythmes y sont marqués. Creux de février, montée en avril, pic de mai à début juillet, arrêt quasi complet la première quinzaine d’août, reprise en septembre. Un modèle apprend cette structure en quelques minutes sur cinq ans de facturation.
Il apprend aussi des choses moins visibles. Le nombre de jours ouvrés du mois, qui explique à lui seul une bonne partie des écarts entre un mois de mai et un mois de juin. L’effet des ponts, particulièrement fort dans ce secteur. La corrélation avec les autorisations de construire délivrées dans le département six à neuf mois plus tôt, qui donne un signal avancé plutôt fiable. La météo, dont l’influence sur les terrassements est réelle mais moins forte que ne le croient les agences.
Résultat après six mois de mise au point : sur un horizon de trois mois et par agence, l’erreur moyenne est passée d’environ quatorze pour cent à sept. C’est un progrès considérable et cela reste sept pour cent. Au-delà de treize semaines, la qualité se dégrade vite, et personne ne devrait vous dire le contraire.
Une fourchette, jamais une promesse
C’est le point sur lequel nous ne transigeons pas en mission. Une prévision se présente sous forme d’intervalle, avec une valeur centrale et des bornes, du type « entre 780 000 et 900 000 euros pour le trimestre, valeur centrale 840 000 ». Jamais un chiffre unique. Un nombre seul donne une impression de maîtrise que les données ne justifient pas, et il finit toujours par être cité comme un engagement dans une réunion où son auteur n’est pas présent.
L’intervalle n’est pas une précaution de langage, il s’utilise. Le parc se dimensionne sur le bas de fourchette, avec des accords de sous-location négociés à l’avance pour absorber le haut. Les recrutements saisonniers se calent de la même manière. Le raisonnement rejoint celui que nous exposons dans notre article sur l’analyse des coûts et des marges par l’intelligence artificielle : ce n’est pas le chiffre attendu qui décide, c’est le coût respectif des deux erreurs possibles.
Si un éditeur vous annonce une prévision fiable à trois pour cent près sur douze mois, il ne vous vend pas une prévision. Il vous vend une promesse, et vous en paierez le prix un an plus tard.
Ce que la machine ne verra pas venir
Un modèle statistique ignore l’avenir. Il ne sait pas qu’un chantier d’infrastructure va ouvrir à quatre kilomètres de l’agence de Linas, qu’un client représentant huit pour cent du chiffre vient d’être placé en redressement, ou qu’un marché-cadre a été remporté la semaine dernière. Ces événements-là écrasent toutes les régularités apprises.
La réponse tient en un mot : réconciliation. La sortie du modèle sert de socle. Les responsables d’agence ajoutent les événements connus, chiffrés, avec une justification écrite d’une ligne. L’écart entre le socle et la prévision finale est visible, tracé, et relu le trimestre suivant. C’est cette relecture, davantage que le modèle lui-même, qui fait progresser une équipe.
Un mot sur les biais, puisqu’ils existent et qu’il vaut mieux les nommer. Les équipes commerciales sont optimistes en début de trimestre et prudentes après une mauvaise semaine. Mesurer cet écart historique, agence par agence, permet de le corriger dans la consolidation. Cette correction est un outil de calcul, pas une appréciation sur les personnes : elle se discute en réunion de prévision, elle n’a rien à faire dans un entretien annuel.
Contrôler la qualité de ses propres prévisions
Peu de PME le font, et c’est pourtant l’étape qui distingue un outil sérieux d’un gadget. On rejoue le modèle sur les vingt-quatre derniers mois comme s’il ne connaissait rien de la suite, et on mesure son erreur mois après mois. Le chiffre obtenu se publie, y compris quand il est médiocre.
Un test très simple mérite d’être fait avant tout investissement : comparer le modèle à une prévision naïve, celle qui reprend le même mois de l’année précédente corrigé de la croissance générale. Un modèle qui ne bat pas cette référence ne mérite pas son abonnement. Nous en avons écarté plusieurs pour cette raison, dans le commerce comme dans les services, et ce réflexe vaut aussi pour les acteurs de la distribution et du commerce.
Deux ans après l’épisode des nacelles, ce loueur décide toujours sur des fourchettes, et il lui arrive encore de se tromper. La différence, c’est qu’il sait de combien il peut se tromper avant de signer un bon de commande. Si vous voulez évaluer honnêtement ce que l’IA et la prévision des ventes en PME peuvent apporter à votre activité, MINOBIA teste vos données sur votre propre historique et vous montre l’erreur mesurée avant de proposer quoi que ce soit.
Questions fréquentes
Combien d’historique faut-il au minimum ?
Trois ans permettent de capter une saisonnalité, cinq valent nettement mieux. Avec moins de deux ans, on peut modéliser une tendance mais pas un cycle annuel, et il faut le dire clairement à ceux qui liront la prévision.
Les années atypiques faussent-elles tout ?
Elles peuvent, si on les laisse dans l’historique sans les signaler. La bonne pratique consiste à marquer explicitement les périodes exceptionnelles et à comparer les résultats obtenus avec et sans ces périodes.
Peut-on prévoir par client plutôt que globalement ?
Rarement avec profit. Plus on descend dans le détail, plus l’erreur relative augmente. La prévision par agence et par grande famille de matériel est en général le bon niveau de finesse pour une PME.
Faut-il abandonner le budget annuel ?
Non, il garde sa fonction de cap et de négociation interne. Il gagne simplement à être confronté chaque trimestre à la prévision statistique, l’écart entre les deux étant l’information la plus utile de la réunion.
Quel budget prévoir pour ce type de dispositif ?
Une première étude sur données existantes se mène en quelques semaines pour un coût de mission modeste. L’industrialisation ne se décide qu’ensuite, une fois l’erreur mesurée, jamais sur la base d’une démonstration commerciale.
À propos de l’auteur
Joël Obitz est entrepreneur et fondateur de MINOBIA, cabinet spécialisé dans l’intégration stratégique de l’intelligence artificielle au sein des PME et ETI. Fort de 20 ans d’expérience dans le B2B industriel, il accompagne les entreprises dans leur transformation numérique, avec une approche directe, pragmatique et orientée résultats.
Contactez-nous : contact@minobia.ai
Suivez-nous sur LinkedIn et Facebook
MINOBIA – Activateur France Num https://www.francenum.gouv.fr/activateurs/minobia
