Prévision des ventes par IA : 9 pièges

Hier, je n'arrivais pas à m'arracher à l'ordinateur. Quand j'ai levé la tête, il était huit heures et demie du soir. J'étais resté seul à l'étage pendant environ trois heures.

J'apprenais à un agent IA — capable de travailler de façon autonome avec des données et du code — à prévoir les commandes et les revenus. La tâche : une prévision des ventes à court terme — une vue prédictive des commandes et des revenus à venir.

Le plan était simple.

Donner à l'agent les données, les campagnes, le contexte, et le laisser prévoir les commandes pour les trente prochains jours, chaque matin. Et lui apprendre à comprendre pourquoi le chiffre atterrit là où il atterrit un jour donné.

J'ai décidé de construire cela de manière plus robuste que ce que ce résultat particulier exige strictement. La raison va au-delà d'une simple prédiction. Une fois que l'agent comprend de quoi est fait le revenu — la queue d'une saison, une poussée à court terme, une panne inattendue, l'effet de campagnes qui se chevauchent — tout un champ de possibilités s'ouvre quant à ce que je peux encore lui faire faire.

Une chose était claire dès le départ. Lancer un tas de chiffres à l'agent ne suffit pas. Pour que le résultat soit utilisable, il doit comprendre les connexions entre eux. Il doit pouvoir répondre « si cette campagne saisonnière n'était pas en cours, à quoi ressemblerait le graphique ? ». Il doit dire « ce pic de mi-mois que nous attendons à cause d'une campagne de rétention qui se termine dans deux semaines ». Il doit répondre à des questions du type que se passerait-il si et renvoyer des simulations crédibles.

L'objectif est clair.

Un pas de plus vers l'état où votre agent IA rejoint l'équipe. Amener l'agent à un niveau où quelqu'un d'autre peut dire « bien, vous prenez le relais, je fais autre chose ». Ce n'est pas facile.

LA PREMIÈRE VERSION NAÏVE

La position de départ était la suivante. L'entrepôt de données conserve les agrégats quotidiens de commandes. L'outil de gestion de projet stocke les campagnes avec des étiquettes, des dates de début et de fin, des types. Le plan marketing fournit les hypothèses de croissance d'année en année.

Je l'ai donné à l'agent et il a produit une formule :

baseline(2026-D) = actual(2025-D, weekday-aligned)
forecast(2026-D) = baseline × growth_target × campaign_multiplier

Le multiplicateur — le nombre par lequel vous multipliez la ligne de base pour refléter l'impact d'une campagne — il l'a tiré de l'historique. Une journée au pic d'une campagne particulière avait historiquement un certain multiple de revenu par rapport à l'état où aucune campagne n'était en cours. Un multiple différent pour les fêtes saisonnières.

À première vue, cela semblait correct. Suffisamment proche pour mériter d'être ajusté. J'ai commencé à construire un tableau de bord pour pouvoir visualiser le résultat tout en l'ajustant.

Quand je lui ai demandé d'expliquer la logique et de visualiser les données, une bataille de plusieurs heures a commencé.

ROUND 1 — POURQUOI MES MULTIPLICATEURS DE PROFIL MENTAIENT-ILS ?

Une des campagnes que le modèle avait signalée comme la plus forte. C'était faux.

Je lui ai écrit : « C'est complètement à côté. Cette semaine thématique fait partie des plus faibles. L'autre campagne qui tourne en parallèle a un impact bien plus important. »

Le problème était dans la ligne de base — l'état de référence par rapport auquel on mesure l'impact d'une campagne. Le multiplicateur était calculé comme le ratio entre la médiane des jours où la campagne tournait et la médiane des autres jours. Mais « les autres jours » incluaient d'autres campagnes parallèles. La ligne de base était artificiellement gonflée. L'attribution du lift — l'incrément de revenu attribué à une campagne — était déformée dans les deux sens : certaines campagnes surévaluées, d'autres sous-évaluées, selon les autres campagnes qui tournaient pendant leurs jours inactifs. Dans les périodes de chevauchement — c'est-à-dire la majeure partie de l'année — l'attribution était totalement à côté.

Après ma protestation, l'agent a réécrit la définition de la ligne de base : « médiane des jours où aucune campagne push ne tournait ». Mais le résultat n'était pas adapté comme point de départ pour l'analyse. Il y avait peu de jours propres. Pour certains marchés et jours de la semaine, je n'avais même pas cinq exemples. Les campagnes se chevauchent presque continuellement.

ROUND 2 — POURQUOI L'ATTRIBUTION PUBLICITAIRE N'EST-ELLE QUE LA PARTIE ÉMERGÉE DE L'ICEBERG ?

Puis vint la tentative d'ajouter du contexte. Impact mesurable de la campagne via l'attribution publicitaire — assigner les commandes à une publicité spécifique — conversions issues des plateformes publicitaires.

L'agent n'a de nouveau pas su l'interpréter correctement.

Je lui ai écrit : « Mais tu n'as pas tenu compte du taux de consentement. Combien de gens refusent les cookies. »

Via les plateformes publicitaires, seule une partie des commandes est appariée. Le reste passe par des clients sans consentement qui ont refusé les cookies — ils n'apparaissent pas sur les plateformes publicitaires, mais ils apparaissent dans les enregistrements de commandes. L'agent était au courant de cet écart, mais ne l'a pas inclus dans la méthode de prédiction.

Après recalcul, les chiffres des campagnes sont remontés à des valeurs plus réalistes.

Et tout de suite, nous avons heurté une autre couche.

ROUND 3 — COMMENT LA COMMUNICATION SUR LE SITE CHANGE-T-ELLE LES TAUX DE CONVERSION ?

Je lui ai écrit : « Une campagne n'a pas d'impact uniquement par les publicités. Quand une campagne apparaît sur le site, la conversion s'élève pour tous ceux qui arrivent, pas seulement les clics depuis les publicités. Y compris ceux qui viennent des références de recherche, du direct, et ainsi de suite. »