Discussion :

[diamas]

Bonjour!
J'aimerais avoir de l'aide sur la manière de modéliser des centaines de séries chronologiques qui représentent des données quantitatives mensuelles sur une période de 2 ans avec un modèle ARIMA.
J'utilise le logiciel R pour modéliser ces séries temporelles afin de faire des prévisions.
Je me pose une question : est-il possible d'utiliser le même modèle pour la plupart des séries pour faire des prévisions.
J'ai trouvé énormément de documentations théoriques, mais pas trop d'applications sur lesquelles me référer.

De plus, j'essaie de faire une modélisation ARIMA GARCH sachant que ce ne sont pas des données financières.
Pourriez-vous me guider s'il vous plaît ?
Merci d'avance.

[dev_ggy]

Diamas,

J'aurai besoin de mieux comprendre ta problématique pour te répondre.

Je me pose une question : est-il possible d'utiliser le même modèle pour la plupart des séries pour faire des prévisions.

Cela dépend de ce que tu veux faire, si tu as plusieurs hypothèses ou si tu limites à une seule hypothèse.

de plus, j'essaie de faire une modélisation ARIMA GARCH sachant que ce ne sont pas des données financières.

L’intérêt de l’ensemble des modèles de type ARCH est de modéliser la volatilité au lieu de la donnée constante. Il faut vérifier si l’hypothèse d'hétéroscédasticité est vrais ou fausse.

Cordialement

[diamas]

Bonjour dev_ggy,

Merci de te réponse, je n'espérai plus.

Une supply chain commande des articles mensuellement afin de satisfaire ses magasins locaux. Il doit estimer la quantité approximative du nombre de quantité d'articles qu'il doit commander mensuellement sans être en surstock ou en rupture.
La mission consiste à l’élaboration d'un modèle de prévisions applicable aux différents modes et flux d’approvisionnement. En gros, c'est de faire une prévision du nombre de quantités d'articles (il y a des centaines) sachant qu'il y a des articles qui ont des commandes nulles certains mois.
Les quantités sont aléatoires d'un article à un autre.

J'ai voulu faire une classification en regroupant les articles ayant un comportement similaire avec l'aide d'un dendogramme mais je n'ai pas réussi.
J'ai finalement constitué des groupes d'articles par rapport aux coefficients de variation.

J'ai commencé avec du ARIMA sur certains articles, mais en utilisant par exemple la fonction auto.arima() j'obtiens en sortie ARIMA(0,0,0) ou ARIMA(0,1,0) pour la plupart des articles.

[dev_ggy]

Bonjour Diamas,

Le Supply Chain n'est absolument pas mon domaine.

Par contre je me pose une question et je te ferais une remarque.

Concernant les ARIMA, ce n'est pas parce que tu as un élément temporel que tu dois automatiquement utiliser des séries chronologiques. Je pense, mais sans connaître dans son entier ta problématique que je m'y prendrais différemment.

La vraie problématique est autour de ce que tu nommes

surstock ou en rupture

Par contre pas besoin de ARIMA GARCH c'est sûre.

Pour te donner une piste, je ferais déjà des estimations de vente à partir d'un historique puis je regarderais les stocks et les délais de livraison.


Cordialement.

[diamas]

Bonjour Dev_ggy,

Je pense que je me suis mal expliqué sur la problématique.

C'est vrai que ce n'est pas parce que j'ai un élément temporel que je dois automatiquement utiliser des séries temporelles.
Le problème c'est que je n'ai pas d'autres données ni stocks et ni les délais de livraison. Les données en ma possession sont les quantités d'articles consommés mensuellement par les magasins locaux.

La problématique: L'entrepôt d'un opérateur de télécommunications commande mensuelles une certaine quantité d'articles auprès de ses fournisseurs (des antennes, des cables réseaux, des poteaux, de la quincaillerie, ..).
Des magasins locaux pour le même opérateur de télécommunications s'approvisionnent dans cet entrepôt (donc aucun achat/vente).
Le problème c'est que cet entrepôt, en fonction des quantités d'articles que les magasins locaux en globalité ont consommé les mois précédents, fait varier ses quantités de commandes d'un article à un autre sachant qu'il n'y a pas forcement une période où il y a plus de commandes qu'une autre période.
Chaque mois, on veut faire une prédiction sur les articles consommés en globalité sur les 3 mois à venir.

Exemple d'un article :
Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
2014 76008 82127 73597 50521 101626 142032 104337 87581 109998 130942 93173 105152
2015 87200 93324 130867 90957 91806 115736 107530 79905 118754 103731 87452 95220

Je veux faire une prédiction sur les trois prochains mois de tous mes articles (donc janv,fev,mars 2016).
Une méthode de régression a été faite mais les résultats ne sont pas concluants en faisant une comparaison entre les consommations réels et les prévisions.

C'est pour cela que j'utilise ARIMA. De plus sans saisonnalité car peu d'observations (24 observations pour chaque article).

J'espère que je me suis mieux expliqué.

Cordialement.

[dev_ggy]

Je ne suis pas compétent dans ton domaine, mais je pense qu'une régression linéaire généralisée c'est une très bonne idée dans la mesure ou tu prends par exemple une loi de poisson ou quasi-poisson pour les données quantitative et une loi log-normale pour les données financière. L'idéale serait de pouvoir catégorisé tes données selon plusieurs paramètres (Marge du produit, Type de produit, mois de ventes par exemple). Tu peux aussi utiliser les régressions rigide et lasso et surtout faire l'étude des résidus.

Au plaisir.

[diamas]

Bonjour Dev_ggy,

Je te remercie de ton aide,

Je vais tenté une regression Lasso, Ridge et Elastic net.
Aurais tu des références à me suggérer sur comment utiliser ces types de régressions avec R.

ET encore merci.