Dan Seville CFP, du Institute of Business Forecasting & Planning, dans l’article « Demand Planning 101: The Basics » paru en mai 2025, apporte une clafirifaction utile à la différence entre prévision de la demande et planification de la demande. Elles sont étroitement liées mais visent des objectifs différents :

• La prévision de la demande est le processus d’analyse qui consiste à utiliser des données, des modèles statistiques et le jugement pour prédire la demande future. C’est une estimation probabiliste de ce qui pourrait se produire et qui sert de base aux décisions de planification. C’est un exercice de prédiction.
• La planification de la demande va plus loin que la prévision en l’intégrant à la stratégie de l’entreprise, aux règles de fonctionnement que s’est donné l’entreprise et en alignant les parties prenantes — ventes, production, approvisionnement, distribution, marketing, finance — autour d’un ensemble commun d’attentes et en déterminant les actions nécessaires pour répondre à cette demande. C’est un exercice de prescription.

Elles servent donc des objectifs différents même si elles sont étroitement liées.

La prévision de la demande alimente la planification de la demande, mais n’est pas la seule information considérée.

Je pousse donc un peu plus loin l’article « Il faut bien choisir son modèle d’IA » pour réfléchir aux modèles d’IA pouvant soutenir la prévision de la demande et la planification de la demande.

Prévision de la demande (Demand Forecasting)

👉 Objectif : prédire la demande future le plus précisément possible.

👉 Modèles d’IA à envisager : principalement des modèles quantitatifs et prédictifs, avec une forte capacité statistique, probabiliste et d’analyse de séries temporelles. On revient au besoin de données de qualité en quantité suffisante. Avec les outils IA basés sur ces modèles, on pourra « arriver à un chiffre » de prévision de la demande.

💡 Exemple : prédire que la demande de vélos de route sera de 10 000 unités en septembre, avec un intervalle de confiance.

Planification de la demande (Demand Planning)

👉 Objectif : traduire la prévision en actions concrètes dans l’entreprise. 👉 Modèles d’IA à envisager : modèles prescriptifs, d’optimisation et de simulation. On doit considérer les règles de fonctionnement de l’organisation, les capacités de production, les inventaires actuels (produits et matières premières) et peut-être mètre les initiatives marketing prévues.

Les modèle d’optimisation mathématique : programmation linéaire / mixte (MILP), les simulation multi-agents pour tester des scénarios pour aligner production, stocks et logistique. Le Reinforcement Learning (apprentissage par renforcement) : pour ajuster les politiques d’inventaire et de distribution. Même les LLM pour tenir compte des politiques de l’entreprise. Ici, l’approche mixte humain-IA est souvent de mise pour orchestrer les prévisions des ventes, du marketing et de la production.

💡 Exemple : décider combien produire, où stocker et comment répartir les ressources, compte tenu de la prévision de 10 000 unités en respectant les engagements de délai de livraison et minimisant les coûts de transport.

En résumé

Comme nous l’avons vu dans l’article « Il faut bien choisir son modèle d’IA », on doit réfléchir aux modèles d’IA à utiliser et éviter à tout prix l’improvisation.

Dans l’exemple de la prévision de la demande et la planification de la demande :

• Prévision (forecasting) = modèles prédictifs (ce qui va probablement arriver).
• Planification (planning) = modèles prescriptifs et d’optimisation (comment l’entreprise doit réagir).

Cette courte réflexion ne prétend aucunement prescrire des choix de modèles. Elle illustre seulement soin soin qu’on doit accorder au processus de choix de modèle.

À bientôt.

Ciao