Le demand sensing est une approche de prévision à court terme qui utilise les signaux de demande les plus récents afin d’ajuster la vision de ce que les clients sont susceptibles d’acheter dans les prochains jours ou prochaines semaines.

Il ne remplace pas la prévision de la demande.

Il vient compléter un forecast plus large afin d’aider les équipes supply chain à réagir lorsqu’un changement récent commence à diverger du plan initial.

Cette distinction est essentielle.

Une prévision de la demande à moyen ou long terme permet notamment de planifier la capacité, les achats, les budgets, la production ou les niveaux de stock.

Le demand sensing répond à une autre question :

qu’est-ce qui a suffisamment changé récemment pour que les prochaines semaines ne ressemblent plus à ce que nous avions prévu ?

Les systèmes modernes de demand sensing peuvent combiner commandes récentes, données point-of-sale, expéditions, mouvements de stocks, promotions, météo et différents signaux externes.

Les modèles statistiques ou de machine learning tentent ensuite de distinguer les variations réellement significatives du simple bruit.

L’objectif n’est donc pas de modifier le forecast dès qu’une nouvelle donnée apparaît.

Il est de déterminer quels signaux récents contiennent suffisamment d’information pour justifier une modification de la prévision à court terme.

Qu’est-ce que le demand sensing ?

Le demand sensing est un processus permettant d’affiner une prévision de demande à court terme grâce à des signaux récents et à fréquence élevée qui révèlent comment la demande réelle évolue.

Dans la plupart des architectures, le demand sensing ne part pas de zéro.

Il commence à partir d’un forecast existant, par exemple :

• une prévision statistique

• un forecast commercial

• un consensus entre équipes

• une prévision validée dans le cadre du S&OP

Le système intègre ensuite de nouvelles informations afin de déterminer si la partie la plus proche du forecast doit être ajustée.

Le demand sensing fonctionne généralement à un niveau de granularité plus fin que la planification stratégique.

Cela peut concerner :

un produit, un magasin, une région, un canal de vente, une journée ou une combinaison produit-localisation.

Le principe est donc relativement simple :

conserver la stabilité du forecast global tout en rendant la partie court terme plus sensible aux changements récents.

Demand sensing vs demand forecasting : quelle différence ?

Le demand sensing et le demand forecasting sont liés, mais ils ne répondent pas exactement au même problème.

Dans une architecture mature, les deux approches sont complémentaires.

Le demand forecasting fournit la trajectoire générale.

Le demand sensing vérifie si les événements les plus récents justifient de corriger la partie court terme de cette trajectoire.

L’expression demand sensing vs demand forecasting peut donc être trompeuse si elle laisse penser qu’il faut choisir l’un ou l’autre.

Dans la majorité des cas, la véritable architecture est :

forecasting + sensing.

CTA à insérer ici

Quand la demande change, la vraie question devient pourquoi

Identifier un changement de demande est une première étape. Les équipes doivent ensuite comprendre où se situe l’écart, quelles variables l’expliquent et quelles conséquences opérationnelles en découlent.

thaink² permet de relier prévision, investigation analytique et workflows récurrents autour des décisions métier.

Bouton : Découvrir l’IA pour les équipes supply chain

Comment fonctionne le demand sensing ?

Un workflow de demand sensing en production peut être résumé en six étapes.

1. Partir d’une prévision de référence

Le système a besoin d’une base de comparaison.

Cette référence peut être :

• un forecast statistique

• une prévision consensus

• un forecast commercial

• une prévision provenant d’un outil de planification

Le demand sensing cherche ensuite à déterminer si les données récentes justifient une modification de cette base.

2. Collecter des signaux récents

Le système récupère des informations susceptibles de signaler une évolution de la demande plus rapidement que le cycle de planification traditionnel.

Ces signaux peuvent provenir :

• des commandes clients

• des ventes point-of-sale

• des stocks

• des expéditions

• des promotions

• du pricing

• de la météo

• d’événements externes

3. Aligner et nettoyer les données

Ces informations proviennent généralement de systèmes différents.

Les données doivent donc être normalisées.

Il faut notamment gérer :

• les différences de fréquence temporelle

• les identifiants produits

• les magasins ou régions

• les unités de mesure

• les données manquantes

• les doublons

• les changements de référentiel

Sans cette couche de préparation, un système peut interpréter comme signal métier ce qui n’est qu’une incohérence de données.

4. Séparer le signal du bruit

C’est l’une des étapes les plus importantes.

Une hausse soudaine de commandes peut représenter une vraie accélération de la demande.

Mais elle peut également provenir :

• d’une commande exceptionnelle

• d’un rattrapage

• d’une promotion

• d’un changement de canal

• d’un stockout antérieur

• d’un retard de livraison

• d’une anomalie de données

Le modèle doit donc déterminer si le changement observé contient réellement de l’information prédictive.

5. Ajuster la prévision à court terme

Lorsque les signaux sont suffisamment fiables, le système ajuste la partie la plus proche du forecast.

La prévision stratégique n’est pas nécessairement reconstruite entièrement.

C’est précisément l’un des principes du demand sensing :

corriger l’horizon proche sans déstabiliser inutilement l’ensemble du plan.

6. Connecter le forecast à une décision

Une prévision ajustée n’a de valeur que si elle peut influencer une décision.

Elle peut par exemple déclencher :

• un réapprovisionnement

• une réallocation de stock

• une modification de production

• une alerte

• une revue du plan

• une investigation supplémentaire

Illustration 1 à insérer ici
Utiliser l’illustration montrant la courbe de forecast long terme, les signaux récents, le noyau thaink² et l’ajustement du forecast court terme.
Texte alternatif : fonctionnement du demand sensing pour ajuster une prévision à court terme à partir de signaux récents de la supply chain.
Source : illustration originale thaink².

Quelles données utilise le demand sensing ?

Le demand sensing devient réellement intéressant lorsque les données utilisées sont suffisamment proches du comportement réel du client et arrivent assez tôt pour influencer une décision.

On peut regrouper les signaux en trois grandes catégories.

1. Les signaux de demande directe

Ce sont généralement les informations les plus proches du comportement réel du client.

On retrouve notamment :

• les données point-of-sale

• les commandes clients

• les variations de lignes de commande

• les ventes e-commerce

• les données de consommation

• le sell-through

Pour un fabricant passant par des distributeurs ou des retailers, les données point-of-sale peuvent permettre de détecter un changement de demande avant que celui-ci ne remonte à travers les commandes de réapprovisionnement.

2. Les signaux opérationnels

Les ventes observées ne représentent pas toujours la demande réelle.

Il faut également comprendre ce qui se passe dans la supply chain.

Cela peut nécessiter :

• les niveaux de stock

• les ruptures

• les commandes ouvertes

• les expéditions

• les backorders

• les annulations

• le taux de disponibilité

• les stocks disponibles dans le canal

Cette distinction est essentielle.

Supposons qu’un produit vende moins parce qu’il est en rupture de stock.

Un système observant uniquement les ventes pourrait conclure :

la demande diminue.

Alors que la réalité est exactement inverse :

la demande est supérieure à la capacité de vente disponible.

3. Les signaux contextuels et externes

Certaines variations de demande peuvent être expliquées par des informations qui ne proviennent pas directement du système transactionnel.

Par exemple :

• promotions

• changements de prix

• campagnes marketing

• lancements produits

• météo

• événements locaux

• tendances de recherche

• données de mobilité

• certains indicateurs économiques

Ces informations peuvent être utiles, mais elles ne doivent pas être intégrées uniquement parce qu’elles sont disponibles.

Un signal doit démontrer qu’il améliore réellement la qualité de la prévision sur des données futures.

Une hiérarchie utile des signaux de demande

Toutes les données ne doivent pas avoir le même poids.

Une manière simple de structurer les signaux consiste à mesurer leur proximité avec la demande réelle.

L’objectif n’est donc pas de collecter le maximum de données possible.

Il est de maximiser la quantité d’information réellement utile à la décision.

Demand sensing ne signifie pas simplement données en temps réel

C’est l’une des erreurs les plus fréquentes.

Des données en temps réel peuvent être :

• erronées

• incomplètes

• trop volatiles

• sans rapport réel avec la demande

• impossibles à exploiter opérationnellement

Une commande exceptionnelle peut créer un pic.

Une rupture de stock peut provoquer une baisse artificielle des ventes.

Une promotion peut simplement déplacer des achats d’une semaine à l’autre.

Une augmentation des recherches Google ne signifie pas automatiquement une augmentation des ventes.

Le demand sensing nécessite donc une couche d’interprétation.

La question n’est pas :

« avons-nous reçu une nouvelle donnée ? »

Mais :

« cette nouvelle donnée modifie-t-elle suffisamment notre estimation de la demande pour justifier une modification du plan ? »

Le principe peut être résumé ainsi :

l’objectif n’est pas de réagir plus vite à tous les signaux, mais de réagir plus vite aux signaux qui comptent.

Dans quels cas le demand sensing crée-t-il le plus de valeur ?

Le demand sensing est particulièrement intéressant lorsque la demande évolue assez rapidement pour qu’un cycle de planification mensuel ou hebdomadaire devienne obsolète avant la fin de son exécution.

C’est notamment le cas dans :

• le retail

• les produits de grande consommation

• l’alimentaire

• la mode

• les pièces détachées

• certains produits de santé

• les produits promotionnels

• les environnements comportant beaucoup de références et de points de vente

Réapprovisionnement

Le demand sensing peut détecter une accélération locale avant qu’un magasin ou un entrepôt ne tombe en rupture.

Allocation

Lorsqu’un stock est limité, les signaux récents peuvent aider à rediriger les quantités disponibles vers les zones où la demande est la plus forte.

Promotions

Les équipes peuvent observer si une promotion produit réellement l’augmentation attendue pendant qu’elle est encore active.

Lancement produit

Les premiers jours ou premières semaines d’un lancement comportent peu d’historique.

Le sell-through initial et le comportement de produits similaires peuvent alors devenir des signaux utiles.

Production à cycle court

Lorsque les délais industriels le permettent, une modification récente de la demande peut contribuer à ajuster les volumes de production.

Gestion des exceptions

Au lieu de demander aux planners de vérifier manuellement l’ensemble des références, le système peut prioriser les produits, régions ou magasins présentant la plus forte divergence entre demande réelle et forecast.

Illustration 2 à insérer ici
Utiliser l’illustration montrant les signaux de demande filtrés par le noyau analytique avant d’aboutir au réapprovisionnement et à l’allocation.
Texte alternatif : demand sensing transformant des signaux récents en décisions de réapprovisionnement et d’allocation de stocks.
Source : illustration originale thaink².

Quand le demand sensing est-il moins utile ?

Le demand sensing n’a pas vocation à devenir une couche obligatoire dans toutes les supply chains.

Il apporte moins de valeur lorsque :

• la demande est très stable

• les délais de décision sont très longs

• les changements détectés ne permettent aucune réaction opérationnelle

• les données récentes sont trop pauvres

• la supply chain ne peut pas adapter son exécution suffisamment rapidement

Une question permet de tester très rapidement la pertinence du demand sensing :

si nous détectons aujourd’hui un changement de demande, pouvons-nous encore faire quelque chose d’utile avec cette information ?

Si la réponse est non, l’horizon de sensing est probablement plus court que l’horizon réel de réaction de l’entreprise.

Les principales erreurs du demand sensing

Les problèmes les plus importants ne viennent pas toujours du modèle prédictif.

Ils viennent souvent d’une mauvaise interprétation des signaux.

Les ruptures peuvent ressembler à une baisse de demande

Lorsqu’un produit n’est plus disponible, les ventes diminuent.

Mais cela ne signifie pas que les clients ne souhaitent plus l’acheter.

La demande observée est alors censurée par l’absence de stock.

Un modèle ignorant la disponibilité peut donc apprendre une relation complètement fausse.

Les promotions peuvent perturber le forecast

Une promotion peut :

• créer de nouvelles ventes

• avancer des achats futurs

• cannibaliser un autre produit

• déplacer la demande entre canaux

Le système doit donc distinguer ces effets.

Les commandes du réseau peuvent amplifier le signal

Les distributeurs ou retailers peuvent commander par lots ou constituer des stocks de sécurité.

Les commandes upstream ne représentent donc pas toujours directement la demande du consommateur final.

C’est l’une des raisons pour lesquelles les données sell-through ou POS peuvent être particulièrement utiles.

Trop de variables externes peuvent provoquer de l’overfitting

Un signal externe peut sembler très prédictif sur l’historique simplement par hasard.

Il faut donc évaluer sa capacité à améliorer le forecast sur des périodes futures réellement non observées.

Le modèle peut réagir plus vite que l’organisation

Même un excellent forecast temps réel devient inutile si chaque décision nécessite plusieurs jours de validation manuelle.

Le demand sensing doit donc être pensé comme une évolution du modèle analytique et du processus opérationnel.

Comment mesurer la performance du demand sensing ?

La bonne méthodologie consiste à comparer le demand sensing au forecast qu’il est censé améliorer.

Plusieurs métriques peuvent être utilisées.

WAPE

Le Weighted Absolute Percentage Error permet de mesurer l’erreur globale en tenant compte du volume.

MAE

Le Mean Absolute Error mesure l’écart absolu moyen entre la prévision et la demande réelle.

RMSE

Le Root Mean Squared Error donne davantage de poids aux erreurs importantes.

MAPE

Le Mean Absolute Percentage Error est intuitif mais doit être utilisé avec prudence lorsque les valeurs réelles sont très faibles ou nulles.

Aucune métrique n’est parfaite dans toutes les situations.

Il faut également surveiller le bias.

Un forecast peut avoir une erreur moyenne raisonnable tout en surestimant systématiquement certaines références ou en sous-estimant certaines catégories.

Mais la véritable question ne doit pas se limiter à l’accuracy.

Il faut également mesurer l’impact opérationnel :

• les ruptures ont-elles diminué ?

• le taux de service s’est-il amélioré ?

• l’excès de stock a-t-il diminué ?

• le safety stock a-t-il pu être réduit ?

• les planners effectuent-ils moins de corrections manuelles inutiles ?

• les décisions sont-elles prises plus rapidement ?

L’analyse du forecast value added peut également permettre d’identifier si chaque couche supplémentaire améliore réellement la prévision.

Comment mettre en place le demand sensing sans sur-complexifier l’architecture ?

Le point de départ ne doit pas être :

« quelles données pouvons-nous collecter ? »

Il doit être :

« quelle décision voulons-nous améliorer ? »

1. Choisir une décision opérationnelle précise

Commencez par un problème concret :

• réapprovisionnement

• allocation

• production court terme

• exception planning

2. Définir le forecast de référence

Vous devez savoir ce que le demand sensing doit battre.

Mesurez donc le niveau de performance actuel.

3. Commencer par les signaux les plus proches de la demande

Avant d’ajouter des dizaines de sources externes, commencez par :

• commandes

• POS

• inventaire

• ruptures

• promotions

4. Mesurer la latence

Une donnée peut être excellente mais arriver trop tard.

Si une information est disponible trois jours après l’événement alors que la décision doit être prise le lendemain, elle possède peu de valeur opérationnelle.

5. Backtester correctement

Le backtesting doit reproduire ce qu’une équipe aurait réellement su à l’instant de décision.

Utiliser involontairement des informations futures crée du data leakage et donne une impression artificielle de performance.

6. Mesurer la valeur incrémentale

Comparez systématiquement :

forecast initial vs forecast avec demand sensing.

Et faites cette comparaison par :

• catégorie

• produit

• localisation

• horizon

• saison

• cas d’usage

7. Relier le forecast à une action

Définissez ce qui se passe lorsque le système détecte un changement important.

Une alerte sans processus opérationnel associé devient rapidement du bruit.

8. Surveiller le drift

Les relations entre météo, promotions, comportement client et ventes peuvent évoluer.

Les modèles et les features doivent donc être réévalués dans le temps.

CTA à insérer ici

Étendre la prévision vers un workflow analytique plus large

Le demand sensing répond à une partie du problème de prévision.

Lorsque les équipes doivent également comparer différents scénarios, comprendre les écarts et exécuter des missions prédictives récurrentes sur plusieurs sources de données, un agent spécialisé peut prolonger le workflow au-delà du forecast.

Bouton : Découvrir le Predictive Agent

Quel rôle jouent l’IA et le machine learning dans le demand sensing ?

Le machine learning devient particulièrement utile lorsque les équipes doivent combiner :

• beaucoup de signaux

• de nombreuses références

• plusieurs localisations

• des relations non linéaires

• des mises à jour très fréquentes

Les modèles peuvent notamment aider à :

• sélectionner les signaux réellement utiles

• détecter des anomalies

• identifier des relations non linéaires

• ajuster les forecasts à grande échelle

• différencier certains comportements exceptionnels

Mais le modèle n’est qu’une partie du système.

La qualité du demand sensing dépend également de :

• la qualité des données

• la disponibilité des produits

• l’alignement temporel

• la stabilité des signaux

• la qualité du backtesting

• l’intégration opérationnelle

Un modèle plus sophistiqué ne peut pas compenser un signal qui arrive trop tard ou qui mesure le mauvais phénomène.

Demand sensing, predictive analytics et workflows agentiques : quelles différences ?

Ces concepts appartiennent au même univers mais ils ne désignent pas la même couche.

Le demand sensing est un cas d’usage spécialisé de prévision de la demande à court terme.

La predictive analytics constitue une discipline plus large utilisant les données pour estimer des résultats futurs.

Les workflows agentiques concernent des systèmes capables d’enchaîner plusieurs étapes analytiques, outils et décisions autour d’une mission.

Ces différentes couches peuvent parfaitement fonctionner ensemble.

Un système de demand sensing peut détecter une accélération de la demande sur une référence donnée.

Un modèle prédictif peut estimer la probabilité que cette accélération se poursuive.

Un agent analytique peut ensuite :

• comparer les régions

• examiner les promotions

• vérifier les canaux

• étudier les stocks

• produire une explication

• préparer une analyse pour le planner

Chaque couche doit cependant conserver un rôle clair.

Où se positionne thaink² ?

thaink² ne doit pas être présenté comme un remplacement des logiciels spécialisés de demand sensing intégrés aux suites de supply-chain planning.

Si une entreprise recherche principalement :

• du demand sensing produit-localisation

• de l’ingestion point-of-sale spécialisée

• de l’optimisation du réapprovisionnement

• de l’exécution directement intégrée au système de planification

les plateformes spécialisées doivent être évaluées directement.

thaink² devient pertinent autour du workflow analytique plus large.

Le Predictive Agent peut prendre en charge des missions de prévision et d’analyse prédictive.

D’autres agents spécialisés peuvent ensuite aider à analyser les écarts, comparer le contexte métier et transformer des analyses répétitives en missions récurrentes.

Pour une équipe supply chain, cela permet d’aller au-delà de :

« la demande a changé »

pour répondre également à :

« où a-t-elle changé ? »

« pourquoi ? »

« quelles régions ou catégories sont concernées ? »

« quel risque opérationnel cela crée-t-il ? »

« que devons-nous analyser ensuite ? »

C’est dans cette articulation entre prévision, analyse et investigation que l’approche agentique devient intéressante.

Ce qu’il faut retenir sur le demand sensing

Le demand sensing doit être compris comme une couche de correction court terme appliquée à une prévision de demande plus large.

Il permet d’intégrer rapidement les signaux récents dans l’horizon opérationnel.

Mais sa valeur ne dépend pas du nombre de flux temps réel utilisés.

Elle dépend de trois conditions :

les données doivent réellement représenter la demande, elles doivent arriver avant la décision, et elles doivent améliorer le forecast sur des périodes que le modèle n’a jamais vues.

Le demand forecasting reste indispensable pour la planification à moyen et long terme.

Le demand sensing permet de maintenir la partie court terme du plan plus proche de la réalité opérationnelle.

La meilleure architecture combine donc les deux :

stabilité de la planification et capacité d’adaptation à court terme.

FAQ

Qu’est-ce que le demand sensing en supply chain ?

Le demand sensing est une approche de prévision à court terme utilisant des signaux récents comme les commandes, les ventes point-of-sale, les stocks, les expéditions, les promotions ou certains facteurs externes afin d’ajuster la prévision de demande la plus proche.

Quelle différence entre demand sensing et demand forecasting ?

Le demand forecasting construit une prévision globale de la demande sur plusieurs semaines ou plusieurs mois.

Le demand sensing utilise des informations plus récentes et plus fréquentes pour ajuster l’horizon court terme de cette prévision.

Les deux approches sont complémentaires.

Quelles données utilise le demand sensing ?

Les sources fréquentes incluent les commandes clients, données POS, stocks, expéditions, promotions, prix, ruptures et certains signaux externes comme la météo ou des événements.

Le demand sensing nécessite-t-il de l’intelligence artificielle ?

Pas nécessairement dans toutes les implémentations.

Cependant, l’IA et le machine learning deviennent particulièrement utiles lorsque le système doit combiner de nombreux signaux, identifier des relations complexes et recalculer les prévisions sur un grand nombre de produits et de localisations.

Le demand sensing peut-il remplacer la prévision de la demande ?

Non, dans la majorité des cas.

Le demand sensing est surtout efficace comme couche court terme permettant de compléter un forecast plus large.

Les prévisions classiques restent nécessaires pour la capacité, les budgets, les achats et la planification stratégique.

Quelle est la différence entre demand sensing et données en temps réel ?

Les données en temps réel désignent la vitesse à laquelle les informations deviennent disponibles.

Le demand sensing désigne la capacité à déterminer si ces informations contiennent réellement un signal suffisamment utile pour modifier une prévision.

Une donnée rapide n’est donc pas automatiquement un bon signal.

Quels sont les principaux avantages du demand sensing ?

Le demand sensing peut aider à améliorer la réactivité de la supply chain, réduire certaines ruptures, mieux répartir les stocks, suivre l’impact des promotions et adapter plus rapidement le forecast aux changements récents de comportement.

Comment savoir si le demand sensing est pertinent pour mon entreprise ?

Posez une question simple :

si nous détectons aujourd’hui un changement de demande, pouvons-nous encore agir suffisamment vite pour améliorer une décision opérationnelle ?

Si la réponse est oui, le demand sensing peut représenter une vraie opportunité.