Prévoir ses ventes avec l’IA : ce que change Timestral, de Mistral

Combien de pièces commander pour décembre ? Dans beaucoup d’entreprises, la réponse sort d’un tableur : les ventes de l’an dernier, un coefficient de croissance, un peu d’intuition. Mistral veut changer la donne avec Timestral, une famille de modèles de prévision présentée le 15 octobre, qui tournent sur un processeur ordinaire, sans carte graphique. La prévision des ventes par l’IA cesse d’être réservée aux grands distributeurs équipés d’équipes de data science.

Reste à savoir ce que ce genre d’outil apporte à une entreprise qui prévoit déjà, tant bien que mal. La réponse tient moins à l’algorithme qu’aux données qu’on lui donne et au test qu’on lui fait passer. C’est un de ces cas d’usage de l’IA en entreprise qui n’ont rien à voir avec la rédaction de textes.

Une IA qui ne parle pas

Un modèle de prévision n’a rien d’un assistant conversationnel. Il lit une série de chiffres datés (des ventes par semaine, des appels par heure, des commandes par jour) et en estime la suite. Timestral appartient à la catégorie des modèles dits « de fondation » : pré-entraîné sur un vaste ensemble de séries, en majorité synthétiques, il s’utilise directement sur vos données, sans phase d’apprentissage préalable, et peut ensuite être spécialisé sur votre historique.

Surtout, il ne rend pas un chiffre unique mais une fourchette. Plutôt que « 1 200 unités en mars », il indique une zone probable, plus ou moins large selon l’incertitude. C’est précieux pour décider : un stock de sécurité se dimensionne sur le haut de la fourchette, pas sur la moyenne.

À l’inverse, coller un tableau de ventes dans un assistant comme ChatGPT et lui demander « combien en mars ? » donne une réponse plausible, rarement une prévision qu’on peut vérifier ou reproduire. Ces assistants savent écrire le programme qui fera la prévision ; ils ne sont pas faits pour la calculer eux-mêmes.

Trois décisions où une bonne prévision paie

Les commandes. Anticiper ce qu’on vendra dans six ou huit semaines, c’est commander au bon moment chez le fournisseur, sans payer l’urgence d’un réassort express ni négocier en position de faiblesse.

Les stocks. Chaque erreur coûte dans les deux sens : la rupture fait perdre la vente (et parfois le client), le surstock immobilise de la trésorerie et finit en démarque. Une prévision plus fine, produit par produit, réduit les deux à la fois.

La charge de travail. Les pics d’appels au service client, de préparation de commandes ou de demandes d’intervention se prévoient comme des ventes. Mieux les anticiper permet de caler les plannings, les intérimaires et les astreintes avant d’être débordé. Mistral cite d’ailleurs la chaîne d’approvisionnement et la planification de capacité parmi les usages visés.

L’historique compte plus que l’algorithme

Un modèle de prévision ne voit que ce qu’on lui montre. Quatre points décident de la qualité du résultat, bien avant le choix de l’outil.

La profondeur. Pour qu’un modèle repère une saisonnalité annuelle, il lui faut idéalement deux années complètes, ou davantage. Avec six mois d’historique, il ne peut pas deviner que décembre ne ressemble pas à juin.

Le bon niveau de détail. Prévoir chaque référence au jour près produit surtout du bruit. La semaine et la famille de produits forment souvent un meilleur point de départ, quitte à descendre ensuite sur les références qui pèsent.

Les ventes ne sont pas la demande. Une semaine de rupture affiche zéro vente alors que les clients étaient là. Laissée telle quelle, elle apprend au modèle qu’il n’y avait pas de demande. Ces périodes doivent être repérées et signalées comme manquantes, ce que Timestral sait traiter.

Les événements. Une promotion, un jour férié, l’ouverture d’un point de vente déforment l’historique. Timestral accepte qu’on lui fournisse ce que l’on sait déjà du futur : on peut lui indiquer qu’une promotion est prévue en semaine 12, plutôt que de le laisser deviner.

Réunir ces données propres, souvent dispersées entre un logiciel de gestion, une caisse et des fichiers Excel, représente l’essentiel du travail. C’est la même question que pour toute IA nourrie des données de l’entreprise, que nous détaillons dans notre guide pour alimenter une IA avec ses données.

Le seul test qui compte : faire mieux que ce que vous faites déjà

Un modèle de prévision ne se juge pas à ses résultats sur des tests comparatifs publics, mais face à votre méthode actuelle, sur vos chiffres. Cette méthode de référence, c’est souvent « la même semaine l’an dernier » ou « la moyenne des quatre dernières semaines ». Elle est rustique, et souvent difficile à battre.

Le principe consiste à remonter le temps. On se place à une date passée, on fait prévoir les semaines suivantes à la méthode de référence et au modèle, puis on compare les deux à ce qui s’est vendu. On répète l’exercice à plusieurs dates, en période calme comme en période de pointe. On regarde l’écart moyen, mais surtout l’écart sur les produits qui comptent : les meilleures ventes, et ceux dont la rupture coûte cher. On vérifie enfin que les fourchettes annoncées contiennent le résultat aussi souvent qu’elles le promettent.

Si le modèle ne bat pas nettement la méthode de référence, on garde la méthode de référence. Ce n’est pas un échec : c’est une dépense d’intégration évitée, et une méthode maison confirmée chiffres à l’appui.

Timestral, une brique et non un logiciel

Les annonces de Mistral sont sérieuses, à lire avec leurs conditions. Quatre tailles de modèle, de 5 à 209 millions de paramètres. Sur un processeur de serveur standard à huit cœurs, prévoir la journée suivante à partir de trois semaines de relevés au quart d’heure prend 10 millisecondes avec le plus petit modèle, 140 avec le plus grand. Sur un ordinateur portable, ce sera plus lent, mais la carte graphique reste superflue. Mistral annonce la première place sur les trois principaux classements publics du domaine ; le rapport technique est encore à paraître, et l’éditeur reconnaît lui-même que les données d’une entreprise peuvent se comporter très différemment de celles des bancs d’essai, et changer quand la demande évolue.

Les modèles sont téléchargeables librement sur Hugging Face, sous une licence MIT modifiée. Ce qu’on télécharge, en revanche, est une bibliothèque de programmation : elle prend des tableaux de chiffres en entrée et rend des tableaux de chiffres en sortie. Pas d’écran, pas de connexion au logiciel de gestion, pas d’alerte de réassort. Entre le modèle et une décision de commande, il reste l’extraction des données, leur nettoyage, le test décrit plus haut, puis une restitution que les équipes consultent pour de bon.

C’est un travail d’intégration, pas un abonnement à souscrire. Mais l’économie du projet change : un modèle qui tourne sur le serveur de l’entreprise, sans carte graphique ni données envoyées à l’extérieur, rend un projet pilote abordable pour une PME. La question n’est plus de savoir si l’IA prévoit bien. C’est de savoir si elle prévoit mieux que vous, sur vos chiffres, et cela se vérifie avant d’engager le moindre budget.