Amazon
prevision de demande probabiliste a l'echelle du catalogue
L'equipe SCOT d'Amazon predit la demande de plus de 400 millions de produits dans 185 pays avec des modeles deep learning probabilistes (DeepAR, MQ-Transformer) et a obtenu une amelioration de precision de x15 en passant a un modele unifie de deep learning.
L'essentiel
- Prevision de demande probabiliste a l'echelle du catalogue (equipe SCOT).
- Modeles deep learning maison (DeepAR, MQ-Transformer) sur Apache Spark.
- Precision de prevision multipliee par 15, sur plus de 400 millions de produits.
- Preuve B, statut vivant confirme.
Objectif
Predire la demande de chaque produit du catalogue pour decider combien commander et ou placer le stock, de facon a tenir la disponibilite sans immobiliser du capital en surstock.
Le déploiement
Amazon vend plus de 400 millions de produits dans plus de 185 pays. Son equipe SCOT (Supply Chain Optimization Technologies) predit la demande de chaque reference pour alimenter les decisions de reapprovisionnement, de placement de stock et de capacite logistique. Le systeme a evolue depuis 2008: des methodes de series temporelles classiques, puis une foret aleatoire quantile parcimonieuse, et enfin un modele unifie de deep learning. Les travaux publies incluent DeepAR (reseaux recurrents autoregressifs produisant des previsions probabilistes) et MQ-Transformer (previsions multi-horizon avec attention). La prevision est probabiliste: elle ne donne pas un chiffre unique mais une distribution, ce qui permet d'arbitrer entre risque de rupture et cout de surstock.
Résultats Preuve B
Publications techniques d'Amazon Science (organisation scientifique d'Amazon) decrivant nommement le systeme de prevision d'Amazon et son gain de precision chiffre. Source officielle interessee, non independante, d'ou B.
Comment ça fonctionne
Architecture documentéeLa stack en détail
- llm DeepAR Reseaux recurrents autoregressifs de prevision probabiliste, publies par Amazon et disponibles en open source via GluonTS.
- llm MQ-Transformer Modele quantile multi-horizon avec attention, publie par Amazon Science, coeur du modele unifie de deep learning.
- infra Plateforme ML maison sur Apache Spark Pipeline d'entrainement et de scoring a l'echelle des 400 millions de references.
- outil Systemes SCOT de reapprovisionnement Systemes internes qui consomment les distributions de demande pour decider quantites a commander et placement du stock.
Comment ça tourne, concrètement
Pour les équipes ops-
1Preparation des donnees plateforme ML / equipe data
Ventes, prix, disponibilite, saisonnalite et attributs produit sont consolides en series temporelles a l'echelle du catalogue.
-
2Prevision probabiliste modele IA
Le modele de deep learning (type DeepAR / MQ-Transformer) produit pour chaque reference une distribution de demande sur plusieurs horizons.
-
3Decision de stock systemes SCOT
Les systemes de reapprovisionnement consomment ces distributions pour arbitrer quantite a commander et lieu de placement.
-
4Boucle d'apprentissage plateforme ML
Les ventes reelles et les ruptures observees reviennent en donnee d'entrainement et affinent les previsions suivantes.
La distribution de demande predite par produit. Si l'historique de vente est court (produit neuf) ou perturbe (rupture, promo exceptionnelle), la prevision devient bruyante et le systeme s'appuie sur des produits comparables.
Comment vos clients perçoivent ce type d'usage
Études sourcéesC'est la famille la moins acceptee : 68% des Americains jugent inacceptable un score financier personnel calcule par algorithme et 67% l'analyse video automatisee d'entretiens d'embauche (Pew Research, 2018). La demande d'explication et de recours est massive : 83% veulent savoir quelles donnees l'IA utilise et 91% veulent pouvoir corriger des donnees erronees (Consumer Reports, 2024). A l'echelle mondiale, seuls 46% se disent prets a faire confiance aux systemes d'IA et 70% jugent une regulation necessaire (KPMG / Universite de Melbourne, 2025).
Conditions d'acceptation
- Transparence sur les donnees utilisees : 83% des Americains la reclament (Consumer Reports 2024)
- Droit de correction des donnees erronees : 91% le demandent (Consumer Reports 2024)
- Explication de la logique de decision : 44% des consommateurs sont plus enclins a utiliser un agent IA si sa logique est clairement expliquee (Salesforce 2024)
- L'acceptabilite depend du contexte de la decision : 50% des Americains jugent equitable un score de risque criminel pour la liberation conditionnelle, contre 32% pour un score financier applique aux consommateurs (Pew Research 2018)
Lignes rouges
- La decision opaque et sans recours sur l'emploi, le credit ou le logement : 45% tres mal a l'aise pour l'embauche, 39% pour le pret, 39% pour le logement (Consumer Reports 2024)
- Le scoring des personnes a partir de donnees comportementales : 68% le jugent inacceptable pour les offres financieres (Pew Research 2018)
Sources : Pew Research Center 2018 · Consumer Reports 2024 · KPMG / Universite de Melbourne 2025 · Salesforce 2024
Voir l'acceptation complète : par pays, par usage, par génération
Comment répliquer
Inférence - non sourcéPrérequis data
- historique de vente par SKU sur plusieurs annees
- signaux de disponibilite et de prix
- attributs produit pour rattacher les nouveautes a des comparables
Prérequis orga
- equipe de data science supply chain
- systeme de reapprovisionnement capable de consommer des previsions probabilistes
Stack possible
- forecasting maison (DeepAR via GluonTS, MQ-Transformer)
- Amazon Forecast / SageMaker
- Google Vertex AI Forecast
- plateformes de demand planning
Le plan, étape par étape
- Étape 1Consolider les series temporelles par SKU : ventes, prix, disponibilite, attributs produit sur plusieurs annees.Livrable : Dataset multi-annees pret a l'entrainement
- Étape 2Remplacer la prevision point par une prevision probabiliste (quantiles, type DeepAR) sur une categorie a forte variabilite.Livrable : Modele quantile evalue en backtest face a l'existant
- Étape 3Brancher les distributions de demande sur la decision de stock : quantite a commander et placement.Livrable : Regle de commande qui consomme les quantiles
- Étape 4Faire tourner le pilote en parallele du systeme existant et mesurer ruptures et surstock.Livrable : Bilan comparatif chiffre sur la categorie pilote
- Étape 5Etendre au reste du catalogue et industrialiser la boucle de reentrainement.Livrable : Chaine de prevision en production avec monitoring de precision
Première étape : Remplacer une prevision point (moyenne) par une prevision probabiliste (quantiles) sur une categorie a forte variabilite, et mesurer le gain sur ruptures et surstock.
Sources
- S1 The history of Amazon's forecasting algorithm Officiel intéressé archive à générer
- S2 Probabilistic demand forecasting at scale Officiel intéressé archive à générer
Une erreur, une info plus récente, une source ?
Cette fiche vit de sa justesse. Si un chiffre a bougé, si le déploiement a changé, ou si vous avez une source de meilleure qualité, dites-le nous. Toute correction sourcée est vérifiée avant publication.