Par Elisha Bajemon, Ingénieur IA chez TW3 Partners. Dernière mise à jour : 3 novembre 2026.
En bref
La réconciliation ajuste les prévisions pour que la somme des unités corresponde à la prévision du groupe. Elle donne aux responsables des chiffres compatibles pour préparer leurs décisions de production ou d’approvisionnement. Dans le chapitre consacré à la réconciliation de leur ouvrage OTexts de 2021, Hyndman et Athanasopoulos présentent une méthode appelée MinT, qui utilise les erreurs de prévision et leurs relations pour répartir ces ajustements. La cohérence des sommes et la précision des prévisions doivent être vérifiées séparément. Le choix entre addition des prévisions locales, répartition du total et MinT dépend des informations disponibles à chaque niveau. Un essai sur une période réservée à l’évaluation permet de juger l’intérêt de la méthode pour le périmètre retenu.
1. Pourquoi des prévisions correctes isolément peuvent-elles être incohérentes ?
Des prévisions produites séparément peuvent viser chacune une bonne précision sans respecter leurs égalités d’addition. Une hiérarchie désigne ici une organisation de séries dans laquelle les valeurs des niveaux détaillés s’additionnent pour former celles des niveaux supérieurs. Dans le chapitre sur la réconciliation, publié par OTexts dans l’ouvrage de 2021, Hyndman et Athanasopoulos appellent prévisions de base les prévisions calculées sans imposer ces contraintes.
Il faut distinguer les objets contrôlés. Comme le définit leur chapitre sur l’évaluation, OTexts, ouvrage de 2021, l’erreur de prévision est l’écart entre la valeur observée et sa prévision. L’incohérence compare les prévisions entre elles : le total annoncé correspond-il à la somme de ses composantes ? La réconciliation construit un ensemble qui respecte cette seconde exigence. L’évaluation sur des observations ultérieures reste nécessaire pour mesurer la première.
Pour un projet de planification, TW3 recommande de commencer par écrire les égalités attendues avec les responsables métier. Précisez la grandeur prévue, les unités de mesure, le calendrier et le périmètre de chaque total. Inscrivez aussi les niveaux auxquels une décision sera prise. Ce cadrage constitue une proposition de méthode du cabinet : il permet de définir ce que devra vérifier le contrôle des sommes avant de comparer des algorithmes.
2. Comment représenter la structure d’agrégation ?
La matrice de sommation décrit quels éléments entrent dans chaque total. Dans la notation du chapitre OTexts de Hyndman et Athanasopoulos, 2021, le vecteur b rassemble les séries du niveau le plus détaillé, le vecteur y contient tous les niveaux et S représente leurs règles d’addition : y = S b.
Prenons une hypothèse symbolique de méthode : des unités A et B forment un total T. L’égalité attendue s’écrit T = A + B. La ligne de S associée à T indique que les composantes A et B doivent être additionnées ; les lignes des unités conservent chacune leur propre composante.
Les auteurs séparent ensuite la structure d’agrégation de la méthode d’ajustement. Une matrice G transforme les prévisions de base en prévisions du niveau détaillé ; S les additionne pour retrouver tous les niveaux. La même écriture permet donc de comparer plusieurs méthodes de réconciliation linéaire en conservant une structure commune.
Pour la mise en œuvre, établissez un ordre explicite des séries et utilisez-le partout : observations, prévisions et erreurs. Faites relire la correspondance entre chaque ligne de S et son libellé métier. Nous proposons de conserver cette correspondance avec la version du référentiel utilisée lors du calcul, afin que les résultats puissent être relus après une réorganisation.
3. Que font les méthodes ascendante et descendante ?
L’approche ascendante additionne les prévisions détaillées ; l’approche descendante répartit la prévision du total. Le chapitre OTexts de 2021 les décrit au moyen de la matrice G et montre ainsi quelles prévisions participent au résultat.
Dans l’approche ascendante, les prévisions des unités sont conservées puis agrégées. Les prévisions calculées indépendamment aux niveaux supérieurs ne contribuent pas à cette construction. Dans l’approche descendante, des proportions distribuent le total jusqu’au niveau détaillé ; les prévisions de base des niveaux inférieurs ne sont pas reprises directement dans la combinaison finale. Il faut donc examiner la manière dont ces proportions sont établies.
Une approche intermédiaire part d’un niveau choisi, répartit ses prévisions vers le bas et les additionne vers le haut. Ces méthodes concentrent l’information utilisée sur un niveau d’agrégation. Les auteurs soulignent pourtant que des caractéristiques visibles à un niveau peuvent être masquées à un autre.
| Méthode | Prévisions de base utilisées | Construction des prévisions cohérentes |
|---|---|---|
| Ascendante | Niveau détaillé | Addition vers les totaux |
| Descendante | Niveau supérieur | Répartition par proportions |
| Intermédiaire | Niveau choisi | Répartition puis addition |
| MinT | Ensemble des niveaux | Ajustement selon la covariance des erreurs retenue |
La question du biais mérite une attention propre. Dans le cadre présenté par les auteurs, les méthodes descendantes ne satisfont pas la contrainte qui préserve l’absence de biais pour toutes les prévisions de base non biaisées. Leur cohérence arithmétique ne suffit donc pas à établir cette propriété statistique. Pour choisir, comparez les méthodes sur les niveaux utiles au métier et documentez les proportions employées.
4. Quel problème MinT optimise-t-il ?
Parmi les ajustements linéaires, MinT minimise la somme des variances des erreurs réconciliées, sous une contrainte de préservation de l’absence de biais. Le chapitre OTexts de Hyndman et Athanasopoulos, 2021 expose ce critère sous le nom de « Minimum Trace ».
Une variance mesure la dispersion d’une erreur autour de sa moyenne. Une covariance décrit comment les erreurs de différentes séries varient ensemble. La matrice de covariance des erreurs de base, notée W dans cette présentation, rassemble ces informations pour l’horizon considéré. Elle concerne les erreurs des prévisions, ce qui impose de conserver la correspondance avec les modèles qui les ont produites.
La « trace » est la somme des éléments diagonaux d’une matrice. Pour la covariance des erreurs réconciliées, ces éléments sont les variances propres à chaque série. MinT cherche la combinaison G qui réduit leur somme tout en respectant S G S = S. Selon les auteurs, cette égalité assure que des prévisions de base non biaisées restent non biaisées après réconciliation.
L’expression « optimal » se rapporte donc à un objectif défini et à ses hypothèses. Elle suppose notamment de disposer d’une représentation pertinente de la covariance des erreurs. En pratique, celle-ci doit être estimée. Pour une direction métier, la décision reste à instruire sur les erreurs observées aux horizons et aux niveaux qui servent la planification. Aucun gain universel de précision ne peut être chiffré à partir de cette propriété théorique.
5. Comment estimer la covariance avec peu d’historique ?
Il faut choisir la quantité d’information sur les erreurs que l’historique permet d’estimer. Le chapitre OTexts de 2021 présente plusieurs approximations de la matrice de covariance, dont les implications diffèrent.
La réconciliation par moindres carrés ordinaires, ou OLS, utilise une matrice proportionnelle à l’identité. Elle laisse de côté les différences d’échelle entre niveaux et les relations entre séries. La pondération diagonale fondée sur les variances des résidus distingue la dispersion des erreurs de chaque série, sans retenir leurs covariances croisées. Dans leur chapitre sur l’évaluation, OTexts, ouvrage de 2021, les auteurs distinguent les résidus, calculés sur les données d’apprentissage, des erreurs de prévision évaluées sur les données de test.
La covariance complète exploite aussi les relations entre erreurs. L’approximation présentée suppose que les matrices de covariance aux différents horizons sont proportionnelles à celle des erreurs à un pas. Le choix de cette approximation fait donc partie des hypothèses à documenter.
Les auteurs indiquent que la covariance empirique devient un mauvais estimateur lorsque le nombre de séries détaillées est grand par rapport à leur longueur. Ils proposent alors un estimateur par rétrécissement, qui rapproche la covariance empirique d’une matrice diagonale. Cette variante est désignée par mint_shrink dans leur implémentation.
Pour un essai, nous recommandons de comparer OLS, la pondération diagonale et le rétrécissement avec les mêmes prévisions de base. Consignez la période utilisée pour estimer les erreurs et la disponibilité des résidus par série. En leur absence, l’ouvrage décrit aussi une pondération fondée sur la structure d’agrégation, avec ses propres hypothèses d’égalité des variances élémentaires et d’absence de corrélation entre elles.
6. Comment vérifier le résultat réconcilié ?
Vérifiez les égalités d’addition, puis mesurez les erreurs sur une période tenue à l’écart de l’estimation. Dans leur chapitre sur l’évaluation, OTexts, 2021, Hyndman et Athanasopoulos expliquent que la précision se juge sur de nouvelles données et que les résidus d’apprentissage ne suffisent pas à l’établir.
Le protocole proposé par le cabinet consiste à figer la structure, les modèles de base et la variante de réconciliation avant cette évaluation. Pour chaque échéance, recalculez les totaux à partir des prévisions détaillées et rapprochez-les des totaux livrés. Mesurez ensuite les erreurs avant et après ajustement, par niveau métier et par horizon. Présentez séparément les écarts d’addition et les erreurs de prévision afin que la direction puisse apprécier les deux résultats.
Conservez les prévisions d’origine avec les ajustements appliqués. Cette traçabilité permettra de relire une modification importante d’une prévision locale et de discuter son acceptation avec le responsable concerné. Il s’agit d’une proposition de protocole, à adapter au périmètre de décision.
Dans la prépublication de Nathan Thierry et André-Louis Rochet, déposée sur arXiv le 16 septembre 2026, la table de routage en annexe B comprend des configurations hierarchical_sales. La prépublication ne revendique aucune réconciliation hiérarchique des sorties. L’essai de MinT proposé ici constitue un prolongement méthodologique distinct, à évaluer.
FAQ
Pourquoi des prévisions correctes isolément peuvent-elles être incohérentes ?
La précision d’une prévision locale ne lui impose aucune égalité avec un total calculé séparément. La réconciliation ajoute les contraintes d’addition décrites dans le chapitre OTexts cité plus haut. La qualité statistique de l’ensemble se mesure ensuite sur les observations.
Comment représenter la structure d’agrégation ?
La matrice S indique comment les séries détaillées composent les agrégats. Le vecteur b rassemble ces séries et la relation y = S b produit tous les niveaux. Pour une application métier, associez chaque ligne à un libellé et à un périmètre explicites.
Que font les méthodes ascendante et descendante ?
La première additionne les prévisions du niveau détaillé. La seconde distribue la prévision du total à l’aide de proportions. Le choix dépend des prévisions que l’on souhaite conserver et de la validité des hypothèses de répartition.
Quel problème MinT optimise-t-il ?
Dans le cadre linéaire présenté par OTexts, MinT minimise la trace de la covariance des erreurs réconciliées, soit la somme de leurs variances. La contrainte S G S = S préserve l’absence de biais lorsque les prévisions de base sont non biaisées. La précision effectivement obtenue dépend notamment de l’estimation de cette covariance.
Comment estimer la covariance avec peu d’historique ?
Les options vont d’OLS à une covariance complète, en passant par une pondération diagonale. OTexts propose le rétrécissement vers une matrice diagonale lorsque les séries sont nombreuses par rapport à leur longueur. Comparez ces choix sur une période réservée à l’évaluation, avec les mêmes prévisions de départ.
Pour aller plus loin
- Prévisions hiérarchiques probabilistes : obtenir des scénarios cohérents entre niveaux.
- M5 Accuracy : construire une évaluation de ventes à plusieurs niveaux d’agrégation.
- Modèle local ou global : faut-il apprendre une prévision par série ?.
Sources
- OTexts, Hyndman et Athanasopoulos, Forecasting: Principles and Practice, troisième édition, 2021, consulté le 9 octobre 2026.
- OTexts, Hyndman et Athanasopoulos, Forecast reconciliation, 2021, consulté le 9 octobre 2026.
- OTexts, Hyndman et Athanasopoulos, Evaluating point forecast accuracy, 2021, consulté le 9 octobre 2026.
- arXiv, Thierry et Rochet, TW3Cast: A Frozen Router of Lightly Fine-Tuned Foundation Models for Time-Series Forecasting on GIFT-Eval, Selected Entirely on the Training Split, prépublication déposée le 16 septembre 2026, consulté le 9 octobre 2026.
- arXiv, Thierry et Rochet, TW3Cast, texte intégral et annexe B, septembre 2026, consulté le 9 octobre 2026.