Dernière mise à jour : 16/12/2024
Nos formations sont accessibles aux personnes en situation de handicap.
Si un(e) des stagiaires le nécessite : nous contacter au 04.50.21.24.91 lors de l'inscription, afin de mettre en oeuvre les meilleures conditions d'accueil et d'apprentissage.
1. Collecte de données :
La première étape consiste à collecter des données pertinentes pour le problème de prévision. Ces données peuvent provenir de diverses sources, telles que des enquêtes, des bases de données, des capteurs, des historiques, etc. Il est essentiel de disposer d'un ensemble de données de qualité pour obtenir des prévisions précises.
2. Nettoyage des données :
Les données brutes peuvent contenir des erreurs, des valeurs manquantes ou des anomalies. Avant d'effectuer des prévisions, il est crucial de nettoyer les données en éliminant les incohérences et en remédiant aux valeurs manquantes.
3. Exploration des données :
Cette étape consiste à analyser les données pour comprendre leur distribution, leurs tendances, leurs corrélations et d'autres caractéristiques.
4. Choix du modèle :
Le choix d'un modèle statistique dépend du type de données et du problème de prévision. Il existe différents modèles statistiques, tels que la régression linéaire, la série chronologique, les modèles de machine learning, etc. Le modèle choisi doit être adapté aux données et à l'objectif de la prévision.
5. Calcul des prévisions :
Cette étape consiste à exécuter les calculs statistiques dans le système en appliquant les règles de choix de modèles et d'autres paramètres d'ajustement automatique. Cette étape permet également de calculer les erreurs et déviations des modèles.
6. Ajustement du modèle :
Cette étape implique l'utilisation de l'ensemble des résultats des calculs statistiques pour ajuster les paramètres du modèle. Dans le cas de la régression, par exemple, il s'agit de trouver la meilleure ligne de régression qui correspond aux données. Pour les modèles de machine learning, cela implique l'entraînement du modèle sur les données d'entraînement.
7. Validation du modèle :
Une fois que le modèle est ajusté, il doit être validé pour évaluer sa performance. Cela implique, par exemple, l'utilisation des données résultantes des prévisions et comparer ces prévisions aux valeurs réelles.
8. Évaluation de la performance :
Plusieurs mesures d'évaluation de la performance peuvent être utilisées en fonction du type de modèle et de l'objectif. Ces mesures peuvent inclure l'erreur quadratique moyenne (RMSE), le coefficient de détermination (R²), l'erreur absolue moyenne (MAE), etc.
9. Optimisation du modèle :
Si le modèle ne satisfait pas les critères de performance, des ajustements peuvent être apportés, et le processus d'ajustement du modèle, de validation et d'évaluation de la performance peut être répété.
10. Prévision :
Une fois que le modèle est satisfaisant, il peut être utilisé pour faire des prévisions sur de nouvelles données ou pour anticiper des événements futurs en fonction des données disponibles.
11. Suivi et mise à jour :
Les prévisions doivent être suivies dans le temps pour évaluer si le modèle reste précis. Si nécessaire, le modèle peut être mis à jour avec de nouvelles données ou des ajustements.
A l'issue de la formation les stagiaires sont capables de :
La préparation de cette formation s'effectuera à distance (revue de la configuration de l'existant et des données).
La formation se fera in-situ.
Formation par méthodologie active et expérimentale
Les supports pédagogiques seront réalisés à l'aide d'outils Microsoft et sur une base de tests IBP.
Le système de test IBP est mis à disposition par UPSA.
Les supports seront adaptés aux problématiques UPSA.
Quiz de positionnement avant formation
Quiz d'évaluation à l'issue de la formation
Philippe DEVIN dispose de plusieurs années d'expérience sur la configuration d'IBP et auparavant sur d'autres outils de gestion des prévisions avec des outils SAP.
Il a mis en place ce type de système à de nombreuses reprises et dans différentes entreprises.
Philippe a effectué ce type de formation dans le cadre des différents projets et a également été durant de nombreuses années formateur chez l'éditeur sur, entre autres, les modules de gestion des prévisions.