Le data scientist en prévision de la demande produit chaque semaine, parfois chaque jour, des prévisions pour des milliers ou des millions de séries : un article dans un magasin, une référence dans un entrepôt. Il travaille en Python avec des modèles statistiques (lissage exponentiel, ARIMA, Croston) et des modèles de machine learning entraînés sur toutes les séries à la fois, comme LightGBM. Ses prévisions alimentent un outil de planification (SAP IBP, Kinaxis, Blue Yonder, o9) ou directement le réapprovisionnement. On le recrute dans la distribution, le e-commerce, l'industrie et en ESN.
Sur ce poste, les CV se ressemblent. Presque tous citent Prophet, LightGBM et parfois un modèle de fondation comme TimeGPT ou Chronos. L'expérience se lit ailleurs : savoir que les ventes d'un article en rupture ne disent rien de sa demande, choisir une métrique qui tient sur les petites séries, mesurer si la prévision fait mieux que les corrections des planificateurs. Un profil venu de la finance maîtrise les séries temporelles et découvre souvent ces sujets.
Pour un premier tri par téléphone, retenez la question sur les ruptures et celle sur le choix de la métrique. Le PDF contient l'entretien entier, soit 30 questions sur six axes, une étude de cas de 20 minutes dans la distribution alimentaire et une grille de 1 à 4.
Modèles, métriques et outils de la prévision de la demande
Modèles statistiques (lissage exponentiel, ARIMA, Theta)
Les modèles classiques, ajustés série par série, rapides et robustes. Des bibliothèques comme statsforecast (Nixtla) ou statsmodels les font tourner sur des milliers de séries. Un bon candidat les compare toujours à une prévision naïve saisonnière avant de proposer plus compliqué.
Demande intermittente (Croston, SBA, TSB)
Beaucoup d'articles se vendent zéro, une ou deux fois par semaine. Les méthodes de Croston, SBA ou TSB et les prévisions par quantiles traitent ces séries mieux qu'une moyenne. En magasin, elles représentent souvent une grande part du catalogue, et c'est un point faible fréquent des profils venus d'autres domaines.
Modèles globaux de machine learning (LightGBM, mlforecast)
Un seul modèle entraîné sur toutes les séries, avec des variables de calendrier, de prix, de promotion et des ventes passées décalées. C'est l'approche la plus courante sur les gros catalogues. Elle demande de la rigueur sur les variables connues à l'avance et sur la construction des décalages.
Deep learning et modèles de fondation
N-BEATS, N-HiTS, Temporal Fusion Transformer, et des modèles pré-entraînés comme TimeGPT de Nixtla, Chronos d'Amazon ou TimesFM de Google. Ils aident sur certains catalogues et coûtent cher sur d'autres. Demandez au candidat dans quels cas il les a vus battre un LightGBM bien réglé.
Prévision hiérarchique et réconciliation
Les prévisions doivent rester cohérentes entre l'article, la famille, le magasin, la région et le total. Les méthodes de réconciliation (bottom-up, top-down, MinT) ajustent les niveaux pour que les sommes tombent juste. La bibliothèque hierarchicalforecast de Nixtla les propose en Python.
Métriques et backtest
MAPE, WAPE, MASE, biais, pinball loss pour les quantiles : chaque métrique favorise un type d'erreur. Le backtest rejoue la prévision à plusieurs dates passées. C'est là que se cachent les erreurs de méthode les plus coûteuses, et c'est là que l'entretien doit insister.
Outils de planification (APS)
SAP IBP, Kinaxis Maestro, Blue Yonder ou o9 portent le processus de planification (S&OP) et les corrections des planificateurs. Le data scientist y injecte ses prévisions ou les compare à celles de l'outil. Connaître le trajet d'une prévision jusqu'à la commande compte plus que la maîtrise d'un logiciel précis.
Stocks et recherche opérationnelle
Une prévision ne sert qu'une fois transformée en quantité : stock de sécurité, niveau de service, modèle du vendeur de journaux (newsvendor), colisage, délais. Pour l'allocation et le réapprovisionnement sous contraintes, on passe par des solveurs comme OR-Tools ou des modèles écrits avec Pyomo.
Le poste dépend du maillon de la chaîne. En distribution et en e-commerce, le volume domine : des millions de couples article-magasin, des prévisions quotidiennes et beaucoup de demande intermittente. Dans les biens de consommation et l'industrie, la prévision se fait plutôt au mois, sur moins de séries, et nourrit le S&OP avec les équipes commerciales. Les ESN placent ces profils sur des projets d'outil de planification ou de refonte de la prévision. Partout, l'expérience se juge à la qualité du backtest et à la façon dont la personne relie l'erreur de prévision au stock et aux ruptures.
Le bagage attendu en prévision de la demande
- Modèles de séries temporelles statistiques et ML
- Demande intermittente et nouveaux produits
- Ruptures, prix, promotions et calendrier
- Backtest et choix des métriques
- Prévision hiérarchique et probabiliste
- Passage de la prévision au stock
Cinq cas de prévision à soumettre en entretien
Chaque question vient avec ce qu'une bonne réponse contient et le signal qui doit vous alerter. Pas besoin d'être technique pour les poser : écoutez si le candidat raconte du vécu.
Question 1 · confirmé
Un article est resté en rupture trois semaines en mars. Que faites-vous de ces ventes avant d'entraîner votre modèle ?
Une bonne réponseLes ventes de ces semaines sous-estiment la demande, puisque le stock a limité ce qui pouvait se vendre. La personne repère les ruptures avec les données de stock ou des jours à zéro inhabituels, puis exclut ces périodes ou reconstruit une demande non contrainte (semaines comparables, magasins non touchés). Elle signale aussi le report possible des ventes vers un article voisin, qui gonfle la demande apparente de celui-ci.
Signal d'alerteEntraîner sur les ventes brutes. Le modèle apprend à prévoir peu pour un article souvent en rupture, et entretient les ruptures suivantes.
Question 2 · confirmé
Votre direction juge la prévision au MAPE. Qu'en pensez-vous sur un catalogue de 20 000 références ?
Une bonne réponseLe MAPE explose sur les petites ventes et n'est pas défini quand la vente vaut zéro, ce qui arrive souvent. La personne propose un WAPE (erreur absolue rapportée au volume total), pondéré en valeur si besoin, le biais pour savoir si l'on prévoit trop ou pas assez, et le MASE pour comparer à une prévision naïve. L'erreur se calcule au niveau et à l'horizon où se prend la décision de commande.
Signal d'alerteGarder le MAPE tel quel en retirant les zéros du calcul, ou ne jamais regarder le biais.
Question 3 · confirmé
Comment construisez-vous le backtest d'un modèle qui prévoit à 4 semaines ?
Une bonne réponsePlusieurs dates de départ dans le passé (origine glissante), avec à chaque fois un entraînement sur les seules données disponibles à cette date et une prévision des 4 semaines suivantes. Les variables doivent être connues au moment de prévoir : prix et promotions planifiés oui, ventes de la semaine en cours non. Le délai réel d'arrivée des données est respecté, et chaque modèle est comparé à une prévision naïve saisonnière.
Signal d'alerteUne validation croisée aléatoire, ou une seule date de coupure retenue parce qu'elle donne un bon score. Des ventes réelles d'une semaine encore à prévoir utilisées comme variable.
Question 4 · confirmé
Un article sur deux se vend moins d'une fois par semaine et par magasin. Comment le prévoyez-vous ?
Une bonne réponseC'est de la demande intermittente. Les méthodes de Croston, SBA ou TSB, l'agrégation temporelle (ADIDA) ou un modèle global qui prévoit des quantiles s'y prêtent. L'évaluation utilise des métriques qui ne récompensent pas une prévision à zéro partout. Pour ces articles, c'est le quantile qui fixe le stock, plus que la moyenne.
Signal d'alerteUn ARIMA ou un Prophet par article, qui prévoit des fractions de pièce lissées et inutilisables, évaluées au MAPE.
Question 5 · senior
Le marketing prépare une promotion à -30 % sur une gamme. Comment la prévision en tient-elle compte ?
Une bonne réponseDes variables de promotion connues à l'avance (mécanique, remise, mise en avant, prospectus), un effet estimé sur les promotions passées comparables, la cannibalisation des articles voisins et le creux qui suit l'opération. Les promotions passées sont modélisées explicitement ou retirées de l'historique de base. Sur une mécanique jamais testée, l'incertitude annoncée est plus large.
Signal d'alerteMultiplier la prévision par un coefficient fixe, ou ignorer la baisse des autres articles et des semaines suivantes.
Recevez la fiche d'entretien complète en PDF
La fiche pour mener l'entretien de bout en bout, prête à imprimer ou à partager avec le manager.
- 30 questions sur 6 axes, avec la bonne réponse, le signal d'alerte et la relance
- Le niveau visé pour chaque question
- Une mise en situation de 20 minutes et ce qu'on attend du candidat
- La grille d'évaluation de 1 à 4, axe par axe
Data scientist supply chain, questions avant l'embauche
Python, R, outil de planification : que mettre dans l'offre d'un data scientist prévision ?
Python domine, avec pandas ou Polars, statsforecast, LightGBM et souvent PySpark sur les gros catalogues. R reste présent chez certains profils statistiques, avec les packages forecast et fable. L'expérience d'un outil comme SAP IBP ou Kinaxis est un plus pour un poste proche des planificateurs, rarement un prérequis. Exigez surtout un backtest bien construit et la maîtrise de la demande intermittente, deux points où les CV se ressemblent sans se valoir.
Comment voir si un candidat sait combiner historique de ventes et avis des planificateurs ?
Demandez-lui ce qu'il fait quand un planificateur corrige la prévision à la main. La réponse attendue : mesurer ces corrections sur plusieurs mois, comparer l'erreur avant et après, et garder celles qui améliorent le résultat, souvent sur les lancements ou les événements absents de l'historique. Un candidat qui rejette tout avis métier, ou qui l'accepte sans mesure, aura du mal avec les équipes. Le terme attendu est la valeur ajoutée de prévision, ou FVA.
Les modèles de fondation pour séries temporelles changent-ils le profil à recruter ?
TimeGPT, Chronos ou TimesFM produisent des prévisions sans entraînement spécifique et donnent parfois de bons résultats sur des séries courtes ou nouvelles. Ils ne règlent ni les ruptures dans l'historique, ni les promotions, ni le passage au stock. Le profil reste le même : quelqu'un qui évalue un modèle par backtest et le compare à une référence simple. Méfiez-vous d'un CV qui présente ces modèles comme une solution complète.
Un exercice sur un jeu de ventes public suffit-il pour évaluer un candidat ?
Les données de la compétition M5, issues des ventes de Walmart, sont publiques et très connues : un candidat peut avoir déjà lu les meilleures solutions. Préférez un extrait anonymisé de vos ventes, avec des ruptures et des promotions, et demandez un backtest et une prévision commentés, sans viser le meilleur score. Le test technique tient en deux heures au plus. La discussion sur les choix faits vous en apprendra plus que le chiffre final.
Pour structurer vos autres entretiens, consultez aussi nos pages sur les questions d'entretien de recrutement, la méthode de l'entretien structuré et la grille d'évaluation d'entretien.
