De combien d'historique avez-vous besoin pour vos prévisions ?

Introduction

‍

Quand une équipe démarre un projet de prévision, l'une des premières questions est faussement simple : de combien de données historiques avons-nous besoin ?

Il n'y a pas de réponse universelle. Et pourtant, cette seule décision peut déterminer si votre modèle produit des enseignements exploitables ou un bruit trompeur.

Trop peu de données, et votre modèle ne détectera pas les tendances significatives. Trop, et il risque de surapprendre des schémas dépassés ou de gaspiller des ressources de calcul. En bref : plus de données n'est pas toujours mieux.

Cet article explique comment raisonner de façon stratégique sur le volume de données, l'horizon temporel et la pertinence pour construire des systèmes de prévision qui fonctionnent dans le monde réel.

‍

Pourquoi l'historique compte

‍

Les modèles de prévision apprennent en reconnaissant des schémas entre le passé et le futur. L'historique en est le socle : il définit le contexte, les cycles saisonniers et les relations qui font la précision des prédictions.

Mais toutes les données historiques ne se valent pas. Des données collectées dans d'autres conditions, avec des processus dépassés ou des métriques incohérentes, peuvent introduire une dérive qui embrouille le modèle au lieu de le renforcer.

L'objectif n'est pas d'avoir plus de données, mais des données pertinentes, qui reflètent le fonctionnement actuel de votre activité.

‍

Le principe de Boucle d'or appliqué à l'historique

‍

Pensez à l'historique comme à une fenêtre de temps : trop courte, vous ratez le schéma ; trop longue, vous perdez le signal.

La fenêtre idéale dépend de trois facteurs principaux :

1. La dynamique de votre activité
   • Les secteurs qui évoluent vite (e-commerce, tech) peuvent n'avoir besoin que de 6 à 18 mois de données avant que les conditions changent.
   • Les environnements stables (énergie, industrie) peuvent exploiter 3 à 5 ans ou plus.
2. La saisonnalité
   • Pour modéliser correctement les effets saisonniers, il faut au moins deux cycles saisonniers complets.
   • Pour une activité à saisonnalité annuelle, cela représente environ deux ans d'historique.
3. L'horizon de prévision
   • Plus vous voulez prévoir loin, plus il faut d'historique pour capter les tendances de long terme.
   • En règle générale : au moins 10 fois la durée de l'horizon de prévision (pour 12 mois de prévision, 10 ans d'historique seraient idéaux, ce qui est rarement possible en pratique).

‍

Le piège du « plus de données, c'est mieux »

‍

Beaucoup d'équipes pensent qu'ajouter de l'historique améliore automatiquement la précision. En réalité, l'effet peut être inverse.

Les données anciennes peuvent refléter des modèles de prix, des gammes de produits ou des comportements clients qui n'existent plus. C'est ce qu'on appelle la dérive conceptuelle (concept drift) : les relations dans vos données évoluent, mais votre modèle continue d'apprendre sur des contextes obsolètes.

Résultat : des prévisions statistiquement solides en apparence, mais qui échouent en pratique.

Un modèle de prévision doit apprendre du passé récent et pertinent, pas de l'histoire ancienne de votre entreprise.

‍

La qualité avant la quantité

‍

La qualité de l'historique compte souvent plus que sa quantité. Un jeu de données plus petit, plus propre et représentatif de votre environnement actuel fera mieux qu'un jeu plus large truffé d'incohérences ou de ruptures structurelles.

Pour améliorer la qualité de vos données :

• Écartez les changements de régime (par exemple les données d'avant et d'après la pandémie).
• Normalisez les évolutions de l'activité, comme l'ouverture de nouveaux marchés ou un changement de modèle de prix.
• Comblez les trous par interpolation ou grâce à la connaissance métier.

En IA prédictive, la cohérence l'emporte sur la longueur.

‍

Repères pratiques par cas d'usage

‍

Voici un guide général pour estimer l'historique nécessaire selon les domaines de prévision les plus courants :

• Prévision de la demande en retail
  • Historique : 2 à 3 ans
  • Objectif : capter la saisonnalité et les évolutions du cycle de vie produit
• Prédiction du churn en SaaS
  • Historique : 12 à 18 mois
  • Objectif : refléter les comportements récents des utilisateurs
• Prévision financière
  • Historique : 3 à 5 ans
  • Objectif : des cycles macroéconomiques stables améliorent la précision
• Optimisation des prix
  • Historique : 12 à 24 mois
  • Objectif : modéliser l'élasticité et l'impact des campagnes
• Prévision de la demande énergétique
  • Historique : 5 ans et plus
  • Objectif : capter les dépendances saisonnières et environnementales de long terme

Ce ne sont pas des règles strictes, mais des points de départ. La fenêtre optimale dépend de la volatilité de votre environnement et de la fréquence des changements structurels.

‍

Comment vérifier que vous avez assez de données

‍

Inutile de deviner si votre jeu de données est suffisant. Vous pouvez le tester empiriquement :

1. Faites des backtests sur différentes longueurs de fenêtre
   Entraînez des modèles sur des historiques de plus en plus courts (par exemple 5 ans, 3 ans, 1 an) et observez l'évolution de la performance.
2. Mesurez la stabilité des prévisions
   Si les prévisions restent cohérentes quand vous raccourcissez la fenêtre, vous avez probablement assez de données.
3. Surveillez la dérive de performance
   De fortes variations de performance suggèrent que votre jeu de données est trop petit ou trop bruité pour un apprentissage stable.

‍

L'arbitrage business

‍

Collecter et maintenir plus de données a un coût : stockage, traitement, complexité. Le bon équilibre dépend du gain marginal apporté par l'historique supplémentaire.

Posez-vous la question :

• Ajouter des données améliore-t-il significativement la précision ?
• Ou cela allonge-t-il seulement le temps d'entraînement et la complexité du modèle, sans réel bénéfice ?

Dans la plupart des cas, les équipes de prévision les plus efficaces n'utilisent pas toutes les données disponibles : elles utilisent le sous-ensemble le plus pertinent.

‍

Conclusion

‍

Bien prévoir, ce n'est pas prédire l'avenir avec toutes les données dont vous disposez. C'est le prédire avec les bonnes données.

Que vous construisiez des prévisions de demande, des modèles de churn ou des projections financières, votre réussite dépend de votre compréhension de l'arbitrage entre profondeur d'historique et pertinence business.

L'objectif n'est pas de nourrir votre modèle avec chaque donnée depuis le premier jour, mais de lui donner une fenêtre qui reflète le fonctionnement de votre activité aujourd'hui.