La plupart des PME se servent de l’IA pour écrire. Beaucoup moins pour prévoir. Pourtant, vos commandes, vos bons de travail et vos factures d’achat contiennent déjà des réponses : quand une machine risque de lâcher, combien vous allez vendre en mars, à quel moment acheter pour payer le juste prix. Un modèle prédictif, c’est l’outil qui va chercher ces réponses pour votre PME.
L’usage de l’IA dont on parle le moins
Chez les entreprises canadiennes qui utilisent l’IA, l’analyse de données arrive au premier rang des usages (36,6 %), devant l’analyse de texte et les robots conversationnels, selon Statistique Canada. On en parle moins parce que ça ne se montre pas en dix secondes comme un chatbot. C’est pourtant souvent là que se cachent les gains en dollars.
Ce qu’un modèle prédictif fait pour vous
Un modèle prédictif apprend de votre historique pour estimer ce qui va probablement arriver : une quantité, un prix, une date, un risque. Il ne converse pas et ne rédige rien. C’est une autre famille d’IA que ChatGPT, qu’on explique dans notre article sur l’automatisation, l’IA générative et les agents.
- Il donne une estimation avec sa marge d’erreur. Un bon modèle dit aussi à quel point il est sûr de lui.
- Il doit battre votre méthode actuelle. La moyenne des trois derniers mois, ou l’intuition du planificateur. S’il ne fait pas mieux, on garde votre méthode, et on vous le dit.
- Il vaut par la décision qu’il change. Une prévision qui dort dans un rapport ne rapporte rien.
Cinq prévisions utiles en PME
| On prévoit | Avec | Ce que ça change |
|---|---|---|
| La demande | L’historique des commandes, sur au moins deux cycles saisonniers | On achète et on produit au bon moment, avec moins de stock qui dort. |
| Les pannes | Les bons de travail, les heures de marche, les capteurs s’il y en a | La pièce se change pendant un arrêt prévu, pas en pleine commande. |
| Les prix d’achat | Les factures fournisseurs, les dates, les quantités | On sait quand acheter et quel prix est raisonnable. |
| Les retards fournisseurs | Les dates promises et les dates de réception réelles | La planification s’ajuste avant que le retard frappe. |
| Le temps réel d’une job | Les heures estimées et les heures réelles des jobs passées | Des soumissions et des échéanciers plus justes. |
- La demande. Combien de pièces ou de produits vos clients vont commander le mois prochain, à partir de l’historique des commandes. L’acheteur commande au bon moment, et le stock qui dort fond.
- Les pannes. Quelle machine risque de lâcher, à partir des bons de travail et des heures de marche. L’entretien se fait pendant un arrêt prévu, pas en pleine commande urgente.
- Les prix d’achat. À quel moment une matière ou un service coûte le moins cher, à partir de vos factures. Vous savez quand acheter, et si un prix proposé est raisonnable.
- Les retards de vos fournisseurs. Quel fournisseur risque de livrer en retard, en comparant les dates promises aux dates réelles. La planification s’ajuste avant que le retard frappe.
- Le vrai temps d’une job. Combien d’heures une commande va vraiment prendre, à partir des heures estimées et réelles du passé. Vos soumissions et vos délais promis deviennent plus justes.
Pour la maintenance, l’ordre de grandeur est connu depuis longtemps. Selon le guide des bonnes pratiques du département de l’Énergie des États-Unis, un programme de maintenance prédictive économise de 8 à 12 % par rapport à la maintenance préventive seule, et parfois plus de 30 % quand l’entreprise fonctionne surtout en mode réparation.
Des modèles de prédiction ont trouvé où se cachent les économies, dans 8 millions de prix de billets d’avion
C’est un de nos projets les plus poussés, réalisé pour le Pulse Incubateur HES, à Genève (HES-SO). La question : qu’est-ce qui fait vraiment le prix d’un billet d’avion, et quand faut-il réserver pour payer le juste prix ?
Au départ, il y avait 8 millions de prix de billets. Après nettoyage, 163 000 billets fiables ont été retenus. Des modèles de prédiction bâtis en Python ont ensuite mesuré l’effet de chaque facteur. Le résultat : jusqu’à 151 $ d’écart par billet, et une fenêtre de 22 à 45 jours avant le départ où le prix est le plus juste.
Ce qui a fait la différence, c’est le livrable : une application qui affiche le juste prix avant de réserver. Pour une grande entreprise qui achète 10 000 billets par année, l’économie est estimée jusqu’à 1,5 M$ par année. C’est une estimation, pas un résultat mesuré chez un client. Le récit complet du projet.
À quoi ça ressemble dans votre semaine
Un modèle prédictif ne vit pas dans un rapport qu’on ouvre une fois par mois. Il apparaît là où la décision se prend. Le lundi matin, l’acheteur voit dans son écran de commande la quantité suggérée pour chaque matière, avec la marge d’erreur. Il garde le dernier mot, mais il ne part plus de zéro.
Le responsable de la maintenance reçoit la liste des trois machines à surveiller cette semaine, et pourquoi. L’estimateur voit, à côté de son estimation, le temps que des jobs semblables ont vraiment pris. Personne n’a appris un nouveau logiciel : la prévision s’est installée dans les outils qu’ils ouvraient déjà.
Et chaque fois que la réalité contredit la prévision, le modèle en tient compte au prochain entraînement. Il devient meilleur à mesure que votre entreprise s’en sert.
Ce qu’il faut avant de se lancer
- Un historique cohérent. Pas forcément énorme, mais avec les mêmes codes et les mêmes unités d’une année à l’autre. Pourquoi la qualité des données de l’ERP compte autant.
- Un chiffre de référence. Comment vous prévoyez aujourd’hui, et à quel point vous vous trompez. C’est ce chiffre que le modèle doit battre, comme on l’explique dans le vrai test d’un projet d’IA réussi.
- Une personne qui décide avec. L’acheteur, le planificateur ou le responsable de la maintenance. Le modèle se bâtit avec elle.
C’est le genre de projet qu’on bâtit dans notre volet Production intelligente : des modèles bâtis sur vos données, livrés dans un outil que votre équipe utilise vraiment, branché à l’ERP quand c’est possible.
Par où commencer
Pensez à une décision que vous prenez chaque semaine avec un peu d’instinct : combien commander, quand entretenir une machine, quel délai promettre. Si vous avez deux ou trois ans d’historique sur cette décision, il y a probablement un modèle à bâtir. On regarde d’abord vos données, on vous dit franchement si ça vaut la peine, et on bâtit ensuite.
Questions fréquentes
Combien de données faut-il pour un modèle prédictif ?
Ça dépend de ce qu’on prévoit. Pour une demande qui varie selon les saisons, il faut idéalement au moins deux cycles complets. Pour des pannes, il faut assez d’événements passés pour que le modèle voie les signes avant-coureurs.
Un modèle prédictif, est-ce la même chose que ChatGPT ?
Non. ChatGPT produit du texte. Un modèle prédictif apprend de vos chiffres pour estimer une quantité, un prix, une date ou un risque. Les deux peuvent travailler ensemble : l’IA générative peut expliquer en mots ce que le modèle prévoit.
Faut-il des capteurs pour faire de la maintenance prédictive ?
Pas toujours. Les bons de travail et les heures de marche suffisent souvent pour un premier modèle. Les capteurs viennent ensuite, sur les machines où l’enjeu le justifie.
Qu’est-ce qu’on obtient à la fin du projet ?
Un outil, pas un rapport : une application interne, un tableau de bord ou une prévision qui apparaît directement dans l’ERP, avec sa marge d’erreur.
Que se passe-t-il si le modèle se trompe ?
Il se trompera parfois, comme toute prévision. On mesure son erreur en continu, on le compare à votre méthode d’avant et on le réentraîne quand les conditions changent.
Ce travail relève de notre service de production intelligente : des applications, des agents et des modèles prédictifs bâtis sur mesure pour vos opérations.
Une décision que vous prenez à l’instinct ?
Parlez-nous-en. On regarde si vos données peuvent la prévoir, et on vous dit franchement si ça vaut la peine.
Ce que cet article avance vient d'un projet réalisé pour le Pulse Incubateur HES. L'étude de cas raconte ce qui a été bâti, comment, et ce qu'une entreprise peut en tirer.
