Prévoir la demande à travers les saisons et les chocs

# Prévoir la demande à travers les saisons et les chocs

Un jour de grands départs, un agent d'embarquement fait face à un vol complet, une file d'attente de passagers en standby qui déborde, et un système qui a vendu plus de sièges que l'avion n'en contient. Passagers furieux. Connexions manquées. Vidéos virales. Cette scène n'est pas de la malchance. C'est un échec de prévision.

Les compagnies aériennes et les hôtels pratiquent délibérément l'overbooking parce que certains voyageurs annulent ou ne se présentent pas. Le pari ne fonctionne que si la prévision des no-shows est juste. Quand le modèle attend 8 % de no-shows et que le chiffre réel est de 2 %, vous avez un avion de clients refoulés et un problème d'image.

Cette leçon porte sur la manière de rendre ce pari plus intelligent. Les prévisions modernes par IA combinent historiques, météo, tendances de recherche et signaux macro pour prédire le taux d'occupation et les besoins en personnel plusieurs semaines à l'avance, aussi bien pour les saisons prévisibles que pour les chocs soudains.

Pourquoi les prévisions simples échouent

L'ancienne méthode, c'était un tableur : regarder la même semaine l'année précédente, ajuster à la hausse ou à la baisse au feeling. Cela échoue pour trois raisons.

La saisonnalité est superposée. Une station balnéaire a des saisons annuelles (pic d'été), des cycles hebdomadaires (pointes de week-end) et des à-coups liés aux événements (un festival à proximité). Ces effets se chevauchent. Une moyenne unique les écrase.

Les chocs sont invisibles pour l'historique. Un ouragan, une grève, une destination virale sur les réseaux sociaux ou une variation de devise n'apparaissent pas dans les chiffres de l'an dernier. Les moyennes historiques supposent que l'avenir ressemble au passé.

Le lead time varie aussi. Les voyageurs d'affaires réservent quelques jours à l'avance. Les vacanciers réservent plusieurs mois à l'avance. Une prévision qui ignore *quand* les réservations arrivent se trompe sur le chiffre final.

L'IA aide parce qu'elle peut apprendre de nombreux motifs superposés en même temps et les combiner avec des signaux externes en temps réel.

Les signaux qui alimentent une prévision moderne

Voyez une prévision de demande comme une recette à plusieurs ingrédients.

Les courbes de réservation historiques

La booking curve (aussi appelée pickup curve) montre comment les réservations s'accumulent dans le temps avant une date donnée. Si un hôtel est habituellement rempli à 40 % à 30 jours de l'échéance et qu'il en est aujourd'hui à 25 %, le modèle signale une demande molle suffisamment tôt pour agir.

La météo

La météo pèse lourd sur le tourisme de loisirs. Une vague de chaleur annoncée fait grimper les réservations sur la côte ; une neige précoce profite aux stations de ski. Les données gratuites des services météorologiques nationaux et d'agrégateurs comme OpenWeather peuvent alimenter un modèle directement.

Les signaux de recherche et de web

L'intérêt de recherche est un indicateur avancé. Quand les requêtes pour une destination augmentent, les réservations suivent souvent quelques semaines plus tard. Google Trends offre une vue publique et gratuite de l'intérêt de recherche relatif par région et par période.

Les signaux macro

Taux de change, prix du carburant, confiance des consommateurs et calendriers de vacances déplacent tous la demande. Une monnaie locale plus faible attire les visiteurs étrangers et pousse les résidents à partir. Les jours fériés d'un marché source clé (par exemple la Golden Week au Japon ou l'Aïd dans le Golfe) crcrLe pourcentage de visiteurs ou de prospects qui réalisent une action attendue (achat, inscription, formulaire de contact), calculé en divisant les conversions par le nombre total d'opportunités.Voir la définition complète →éent des pointes prévisibles.

Les événements et les prix des concurrents

Concerts, congrès et rencontres sportives crcrLe pourcentage de visiteurs ou de prospects qui réalisent une action attendue (achat, inscription, formulaire de contact), calculé en divisant les conversions par le nombre total d'opportunités.Voir la définition complète →éent des pointes locales marquées. Les tarifs concurrents comptent aussi : si l'hôtel voisin baisse son prix, votre pickup ralentit.

Comment l'IA combine réellement tout cela

Vous n'avez pas besoin de construire cela vous-même, mais comprendre la mécanique aide à acheter ces outils et à les questionner.

Une approche courante consiste en un modèle de gradient-boosted tree ou un réseau de neurones de séries temporelles qui prend tous les signaux en entrée et produit la demande prédite pour chaque date future. Le modèle apprend, à partir de milliers d'exemples passés, le poids de chaque signal et la façon dont ils interagissent.

Voici un schémamaUtiliser un logiciel pour automatiser les tâches et campagnes marketing répétitives, afin de personnaliser à grande échelle sur des canaux comme l'email, le web et le social.Voir la définition complète → simplifié de la table de features qui alimente un tel modèle. Chaque ligne correspond à une date future pour un établissement.

# Chaque ligne = une date de prévision pour un hôtel
features = {
    "days_before_arrival": 30,
    "day_of_week": "Saturday",
    "month": 7,
    "bookings_so_far": 82,      # chambres déjà vendues
    "same_date_last_year": 140, # chambres finalement vendues l'an dernier
    "search_index": 118,        # intérêt web vs base de 100
    "forecast_temp_c": 31,
    "local_event_flag": 1,      # festival en ville
    "fx_rate_change_pct": -4.2, # monnaie locale plus faible
    "competitor_avg_rate": 210
}
# Le modèle prédit : occupation finale attendue + un intervalle de confiance

Deux choses comptent plus que l'algorithme.

La première, ce sont les intervalles de confiance plutôt que des chiffres uniques. Une bonne prévision dit « 88 % d'occupation attendue, probablement entre 80 % et 94 % ». L'intervalle vous indique le degré de confiance à accorder au pari. Des intervalles larges appellent à la prudence sur l'overbooking.

La seconde, c'est la re-prévision continue. Le modèle tourne à nouveau chaque jour à mesure que de nouvelles réservations et de nouvelles prévisions météo arrivent. Une prédiction faite à 60 jours est affinée chaque jour jusqu'à l'arrivée.

Prévoir à travers les chocs

Les saisons sont la partie facile. C'est sur les chocs que l'argent se gagne ou se perd.

Prenez les chutes soudaines de demande. Une alerte sécuritaire, une catastrophe naturelle ou un avis aux voyageurs peuvent effondrer les réservations en quelques jours. Les systèmes d'IA surveillent les anomalies : un rythme de réservation qui tombe très en dessous de son intervalle prédit déclenche une alerte. Ce signal précoce permet aux équipes revenue de baisser les tarifs ou de réorienter le marketing avant que les chambres restent vides.

Les pointes soudaines de demande fonctionnent en sens inverse. Une destination devient virale, ou un aéroport concurrent ferme et le trafic est réacheminé vers le vôtre. Le modèle n'a peut-être jamais vu cet événement précis, donc les humains prennent le dessus. L'IA gère la routine ; les humains gèrent ce qui est véritablement inédit.

La pandémie de COVID-19 (à partir de 2020) est la leçon la plus claire. Les modèles entraînés uniquement sur des données d'avant la pandémie sont devenus inutiles du jour au lendemain. La reconstruction a appris au secteur à intégrer des signaux de choc externes et à élargir les intervalles de confiance en période d'incertitude, plutôt qu'à se fier à un chiffre faussement précis.

De la prévision à la décision

Une prévision ne vaut rien si elle ne change pas une action. Voici où les chiffres atterrissent.

Le personnel

Si le modèle prédit une pointe d'occupation le samedi, les plannings de l'étage, de la réception et de la restauration s'ajustent des semaines à l'avance. Un sous-effectif signifie des check-ins lents et de mauvais avis. Un sureffectif brbrLe pourcentage de visiteurs qui repartent après avoir vu une seule page, souvent le signe d'une pertinence insuffisante, d'un décalage d'intention ou d'une expérience utilisateur faible.Voir la définition complète →ûle de la masse salariale. Les restaurants appliquent la même logique pour planifier les équipes de cuisine en fonction des couverts prévus (repas servis).

Le pricing et l'overbooking

Cela nous ramène à notre agent d'embarquement. La limite d'overbooking devrait être fixée en fonction du *taux de no-show prédit et de son incertitude*, pas d'une règle fixe. Sur les lignes où les no-shows sont stables et prévisibles, vous pouvez faire de l'overbooking agressif. Sur les lignes volatiles, vous vous retenez. Se tromper là-dessus produit le désastre de fête décrit dans notre scène d'ouverture.

Inventaire et marketing

Une demande molle à 45 jours déclenche une promotion. Une demande forte déclenche des hausses de tarifs et la rétention de l'inventaire discount. La prévision décide où va le budget marketing.

Ce qui peut mal tourner

Les prévisions par IA sont puissantes, mais traitez ces outils avec un scepticisme éclairé.

Garbage in, garbage out. Si vos données de réservation sont sales (annulations enregistrées en retard, réservations de groupe mal codées), le modèle apprend du bruit. La qualité des données est la fondation ingrate.

Attention aux boucles de rétroaction. Si vous baissez les prix parce que le modèle prédit une demande faible, et que la demande repart grâce au prix bas, le modèle peut mal interpréter son propre effet. Les bons systèmes tiennent compte des actions engagées.

Trop se fier à la précision est un autre piège. Un chiffre comme « 87,3 % d'occupation » a l'air autoritaire. Pendant un choc, il peut être absurde. Demandez toujours l'intervalle de confiance et les hypothèses.

Et les événements inédits. Aucun modèle ne prédit correctement un événement véritablement sans précédent. Gardez des humains dans la boucle pour les overrides, et gardez un plan pour les cas où le modèle se trompe manifestement.

Une façon pratique d'évaluer un fournisseur

Si vous achetez un outil de prévision, posez ces questions.

• Produit-il des intervalles de confiance, et pas seulement des estimations ponctuelles ?
• Quels signaux externes ingère-t-il (météo, recherche, événements, FX) ?
• À quelle fréquence re-prévoit-il ?
• Comment s'est-il comporté lors du dernier choc réel sur notre marché ?
• Notre équipe peut-elle l'outrepasser, et l'override est-il tracé ?

Un fournisseur qui ne vous montre qu'un seul chiffre bien propre sur une saison stable cache le plus dur.

Points clés

• Les désastres d'overbooking et de planification du personnel sont des échecs de prévision. Le pari ne fonctionne que si le taux de no-show ou de demande prédit, et son incertitude, sont justes.
• L'IA combine des signaux superposés : courbes de réservation historiques, météo, tendances de recherche, facteurs macro et événements, puis re-prévoit en continu à mesure que de nouvelles données arrivent.
• Exigez des intervalles de confiance, pas des chiffres uniques. Des intervalles larges pendant les chocs sont une fonctionnalité : ils vous disent quand agir avec prudence.
• L'IA gère la saisonnalité de routine ; les humains gèrent la véritable nouveauté. Conservez une capacité d'override et tracez son utilisation.
• La qualité des données est la fondation. Le modèle le plus intelligent ne peut pas réparer des données de réservation sales ou mal codées.