← Portfolio · Carnet
Prévision de la demande — chaîne d’approvisionnement en santé du Rwanda
Question métier
Peut-on prévoir la consommation mensuelle de médicaments essentiels (ARV, HRDT) pour que les responsables logistiques planifient les réapprovisionnements et réduisent les ruptures ? Le Rwanda est le pays-cible (105 observations mensuelles, 2007–2015, 94 mois non-nuls) dans un jeu de données public réel de 10 324 expéditions PEPFAR/USAID SCMS sur 43 pays.
Données
- Source : registres d’expéditions réels PEPFAR / USAID Supply Chain Management System (SCMS) — apoorvwatsky/supply-chain-shipment-pricing-data. 10 324 expéditions sur 43 pays, 2006–2015. Agrégées en unités mensuelles livrées ; le Rwanda est la série modélisée (105 mois, 94 non-nuls).
- La mention antérieure dans le README d’un « fallback synthétique 12 SKU × 10 districts × 60 mois » est retirée — le carnet modélise directement l’agrégat Rwanda réel.
Modélisation
| Famille |
Modèle |
| Séries temporelles classiques |
SARIMA(1,1,1)(1,1,1)₁₂ |
| Espace d’états |
UnobservedComponents (local-linear-trend + saisonnier stochastique) |
| Lissage exponentiel |
Holt-Winters additif triple |
| ML pour la prévision |
GradientBoostingRegressor sur features lag/calendrier/rolling |
| Baseline de référence |
Naïf-saisonnier (mois prochain = même mois il y a un an) |
Validation
- Backtest à origine glissante, 18 folds à un pas d’avance, les quatre candidats ré-ajustés à chaque origine sur données d’entraînement uniquement.
- Métrique : WAPE (robuste aux mois à ventes nulles, contrairement au MAPE vanilla).
- Chiffres en tête :
| Modèle |
WAPE |
Gain vs naïf |
| GBM (récursif 1 pas) |
0,863 |
24 % d’amélioration |
| SARIMA |
0,941 |
17 % d’amélioration |
| Naïf-saisonnier |
1,130 |
— |
| Holt-Winters |
1,143 |
−1 % (pire) |
Un WAPE dans cette fourchette est un score absolu faible. Cela reflète la difficulté réelle des données mensuelles de chaîne logistique santé à demande intermittente (94 mois non-nuls sur 105), pas une faiblesse des modèles. Le gain de 24 % du GBM sur le naïf-saisonnier est ce que le backtest reporte.
- Couverture IP 95 % de SARIMA sur les 18 folds glissants : 18/18 = 100 %, demi-largeur moyenne ≈ 385k unités. Intervalles trop larges (sur-couverture par rapport au nominal 95 %), pas calibrés. L’IC Clopper-Pearson autour de 18/18 est environ [0,81 ; 1,00], donc l’échantillon est compatible avec toute vraie couverture ≥ 81 %.
Esquisse de déploiement
- Ré-entraînement mensuel par série (pays × catégorie de produit) ; artefacts versionnés.
- Le carnet s’arrête à la prévision hors-ligne sur l’extraction PEPFAR réelle. Un déploiement nécessiterait un service d’inférence connecté à l’entrepôt SCMS et des alertes sur la dérive inter-folds.
Résultat métier
- Visibilité à 12 mois sur les unités mensuelles livrées PEPFAR au Rwanda. Le GBM mène selon le WAPE à origine glissante.
- Régime de demande intermittente : s’attendre à un WAPE dans la fourchette 0,8–1,0 sur les agrégats mensuels de chaîne logistique santé ; les prévisions d’intervalle importent plus que les prévisions ponctuelles pour les décisions de réapprovisionnement.
Prochaines itérations : réconciliation hiérarchique (pays → région → global), régresseurs exogènes (lancements de programmes, cycles de financement), méthode de Croston par SKU à faible rotation.