Prévision demande pièces détachées aéronautique : gérer l'intermittent avec l'IA

La prévision de la demande de pièces détachées aéronautiques est un problème fondamentalement différent de la prévision de ventes classique : la demande est intermittente, c'est-à-dire nulle la plupart du temps, avec des pics rares et irréguliers. Les outils génériques - ARIMA, Prophet, lissage exponentiel simple - ratent ce profil, produisant des prévisions biaisées qui engendrent soit des ruptures coûteuses (risque AOG), soit des surstocks immobilisant du capital. Il existe des méthodes spécifiquement conçues pour ce problème, et le machine learning permet aujourd'hui d'aller plus loin en intégrant des signaux métier que les statistiques classiques ignorent.

Cet article couvre les mécanismes de la demande intermittente, les méthodes de référence (Croston, SBA, TSB), les approches ML et foundation models adaptées, les métriques pertinentes pour évaluer ces prévisions, et l'enjeu concret pour les acteurs MRO de l'écosystème aéronautique toulousain - sous-traitants Airbus, centres MRO, équipementiers.

Pourquoi la demande de pièces détachées est différente

Dans la grande majorité des catalogues MRO, la demande suit un profil radicalement différent des produits de grande consommation. Une pièce de rechange spécifique peut ne générer aucune commande pendant six mois, puis concentrer trois demandes en une semaine lors d'un événement de maintenance planifié sur une flotte entière.

Ce profil - appelé demande intermittente ou sporadique - se caractérise par :

• Un taux de zéros élevé : souvent 60 à 90 % des périodes d'observation sont à zéro.
• Des tailles de demandes irrégulières quand elles surviennent.
• Des intervalles entre deux demandes eux-mêmes variables.

Un outil classique comme ARIMA ou le lissage exponentiel simple ne peut pas modéliser ce comportement correctement. Il va soit lisser les zéros et produire une prévision permanente légèrement positive (générant du surstockage), soit osciller erratiquement autour des pics. Dans les deux cas, la prévision n'est pas actionnable.

La spécificité de l'aéronautique

En contexte MRO aéronautique, la demande de pièces est pilotée par des facteurs structurels que les historiques de ventes ne reflètent pas directement : les cycles de vie des appareils, les heures de vol cumulées, les bulletins de service Airbus/Boeing, les campagnes de modifications. Une pièce peut voir sa demande s'emballer sur 6 mois puis s'éteindre complètement une fois la campagne terminée.

L'écosystème toulousain - avec Airbus comme client pivot, entouré de sous-traitants de rang 1 et 2 et de centres MRO comme Airbus MRO Services, Air France Industries KLM E&M ou Sabena Technics - gère des catalogues de plusieurs centaines de milliers de références actives. Même avec des équipes supply chain expérimentées, le volume de SKU rend impossible une analyse manuelle pièce par pièce.

L'enjeu AOG : pourquoi rater une prévision coûte cher

Le risque ultime d'une rupture de stock sur pièce critique est l'AOG - Aircraft On Ground : un appareil immobilisé au sol faute de la pièce nécessaire à sa remise en service. Selon les données IATA 2025, un court-courrier cloué au sol génère une perte entre 10 000 et 150 000 dollars de l'heure, en cumulant les revenus perdus, les perturbations d'équipage, les compensations passagers et le repositionnement.

Ce qui est moins visible : quand une rupture non anticipée déclenche un approvisionnement AOG en urgence, les opérateurs paient en moyenne 4,8 fois le prix normal de la pièce - absorbant les frais de fret express, les marges des brokers et le premium OEM. Une étude de marché récente estime que 73 % des événements AOG impliquent des pièces dont la consommation aurait pu être anticipée à partir des historiques de maintenance.

L'autre coût, symétrique, est le surstockage : selon les benchmarks MRO industriels, 23 à 30 % de la valeur des stocks de pièces de rechange aéronautiques est immobilisée dans des pièces à rotation lente ou obsolètes. Pour une PME équipementière ou un sous-traitant rang 1, c'est du besoin en fonds de roulement (BFR) gelé sans retour.

Méthodes statistiques spécialisées : Croston, SBA, TSB

Trois méthodes statistiques constituent le socle de la prévision intermittente. Elles sont toutes basées sur la même idée : au lieu de modéliser la série brute (avec ses zéros), on décompose le problème en deux composantes indépendantes.

Méthode de Croston (1972)

La méthode de Croston sépare la série en deux sous-séries : la taille des demandes non nulles, et l'intervalle entre deux demandes successives. Chaque sous-série est lissée indépendamment par lissage exponentiel simple. La prévision de demande par période est le ratio taille/intervalle.

Avantage principal : elle évite que les zéros "polluent" l'estimation de la taille des demandes réelles. Limitation connue : elle introduit un biais positif systématique - elle tend à surestimer la demande moyenne, ce qui génère du surstockage.

SBA - Syntetos-Boylan Approximation (2005)

La méthode SBA (Syntetos-Boylan Approximation) corrige précisément ce biais de Croston par un facteur multiplicatif simple : la prévision Croston est multipliée par (1 - alpha/2), où alpha est le paramètre de lissage de l'intervalle. Ce correctif paraît anodin, mais il améliore significativement les performances sur les demandes intermittentes classiques.

Des études empiriques sur des catalogues de pièces aéronautiques montrent que SBA domine Croston sur les séries intermittentes pures, et constitue aujourd'hui la baseline recommandée avant d'aller vers des approches ML.

TSB - Teunter-Syntetos-Babai (2011)

La méthode TSB change de perspective : au lieu de lisser l'intervalle entre demandes, elle lisse directement la probabilité d'occurrence de la demande à chaque période. Cette reformulation a un avantage majeur : TSB s'adapte mieux aux pièces dont la demande décroit progressivement ou tombe en obsolescence. Quand une pièce commence à être remplacée par une version plus récente, TSB détecte la tendance à la baisse plus vite que Croston ou SBA.

Méthode	Décomposition	Biais	Point fort	Limites
Croston (1972)	Taille + intervalle	Biais positif connu	Simple, robuste, lisible	Surestime la demande moyenne
SBA (2005)	Croston + correctif biais	Corrigé	Meilleure précision sur intermittent pur	Ne gère pas l'obsolescence
TSB (2011)	Taille + probabilité d'occurrence	Faible	Détecte déclin / obsolescence	Deux paramètres a ajuster

Machine learning et variables exogènes pour dépasser les limites statistiques

Les méthodes Croston/SBA/TSB n'utilisent que l'historique de demande de la pièce elle-même. Elles ignorent tout le contexte opérationnel disponible en MRO aéronautique. C'est là qu'intervient le machine learning.

Variables exogènes utiles en contexte MRO

Un modèle ML pour la prévision de pièces détachées peut exploiter des signaux qu'aucune méthode statistique univariée ne captera :

• L'age et les heures de vol de la flotte associée : une pièce de composant hydraulique se consomme plus vite quand la flotte vieillit.
• Les bulletins de service (SB) et les airworthiness directives (AD) : chaque publication déclenche une vague de consommation prévisible.
• Les plannings de maintenance (vérifications A, C, D) : le calendrier des grandes visites est connu mois à l'avance et corrèle fortement avec la demande de pièces spécifiques.
• La saisonnalité des rotations : les flottes charter en Méditerranée ont des cycles d'utilisation et donc de maintenance différents des floudes long-courrier. Notre article sur l'intégration de variables exogènes dans une prévision de séries temporelles couvre en détail comment encoder ces signaux météo, calendaires et opérationnels dans un modèle ML.

Des modèles comme LightGBM ou des architectures de type DeepAR (Amazon) gèrent nativement ces variables exogènes et produisent des distributions de probabilité sur la demande future - ce qui permet de calibrer les niveaux de stock en fonction d'un taux de service cible, plutôt que d'une prévision ponctuelle.

Foundation models pour séries temporelles

Depuis 2024, une nouvelle catégorie de modèles entre dans le champ de la prévision de pièces détachées : les foundation models pour séries temporelles. Chronos (Amazon, 2024), TimesFM (Google, pré-entraîné sur 100 milliards de points de données), et Moirai (Salesforce, 27 milliards d'observations) permettent d'obtenir des prévisions zero-shot sur des séries courtes, sans entraînement préalable sur vos propres données.

Pour la demande intermittente en particulier, leurs performances sont hétérogènes en 2025-2026 : ils surpassent souvent les baselines statistiques sur les séries modérément éparses, mais montrent des limites sur les cas extrêmement lumpy. La recherche publiée sur arXiv en 2025 (Foundation Models for Demand Forecasting via Dual-Strategy Ensembling) montre que les meilleures performances sont obtenues en ensemblant ces foundation models avec SBA ou TSB - chaque approche capturant des aspects complémentaires du signal.

Pour approfondir le fonctionnement de ces modèles, notre article sur les foundation models pour séries temporelles détaille les architectures et leur positionnement par rapport aux approches ML classiques.

Métriques d'évaluation adaptées à l'intermittent

C'est un point souvent sous-estimé : évaluer une prévision de demande intermittente avec le MAPE (Mean Absolute Percentage Error) est une erreur méthodologique. Le MAPE est mathématiquement indéfini quand la demande réelle est zéro - ce qui est la situation majoritaire pour les pièces intermittentes.

Ce qu'il faut utiliser à la place

• MASE (Mean Absolute Scaled Error) : met l'erreur en perspective par rapport à la prévision naive (demande moyenne historique). Défini même pour les zéros, comparable entre séries de différentes échelles. C'est la métrique recommandée dans la littérature académique sur l'intermittent.
• MAE absolu par bucket de demande : séparer les périodes à zéro des périodes avec demande pour diagnostiquer où le modèle échoue (sur la fréquence ou sur la taille).
• Métriques orientées stock : taux de service (fill rate), niveau de stock moyen, nombre de ruptures simulées. Ces métriques mesurent l'impact réel sur les opérations, pas la précision abstraite de la prévision.
• Intervalle de prédiction calibré : pour la gestion de stock sous incertitude, avoir une distribution de probabilité bien calibrée vaut mieux qu'une prévision ponctuelle précise.

Notre article sur l'évaluation des prévisions de séries temporelles (MAPE, MASE, backtesting) couvre ces métriques en détail avec des exemples de calcul.

Mise en oeuvre : par où commencer pour une PME toulousaine

Un projet de prévision pièces détachées ne commence pas par le choix du modèle. Il commence par une revue des données disponibles - et dans beaucoup de structures MRO, c'est là que les surprises arrivent.

Audit des données avant tout

Les prérequis minimaux pour obtenir des prévisions utilisables :

• Historique de consommation par référence : idéalement 3 à 5 ans, avec la date exacte de chaque transaction (pas seulement les agrégats mensuels).
• Données de flotte : nombre d'appareils en service par type, heures de vol cumulées, age moyen. Ces données sont souvent dans le CAMO (Continuing Airworthiness Management Organisation) ou chez le gestionnaire de navigabilité.
• Données de maintenance planifiée : calendrier des visites C et D, bulletins de service applicables. Ces éléments existent dans les CMMS (Computerized Maintenance Management System) comme AMOS, TRAX ou Ramco.
• Catalogue propre : classification des pièces (rechangeable/consommable, criticité de navigabilité, nombre de fournisseurs qualifiés). Cela conditionne les stratégies de stock appropriées par segment.

Séquence de déploiement pragmatique

Une approche réaliste pour une PME ou un équipementier avec un catalogue de quelques milliers à quelques dizaines de milliers de références :

• Classifier les références par profil (ADI/CV2) et par criticité opérationnelle.
• Déployer SBA comme modèle baseline sur les références intermittentes, Croston simple sur les références lisses, TSB sur les références en phase de déclin.
• Mesurer les performances sur 12 mois de backtesting avec MASE et taux de service simulé.
• Identifier les 20 % de références qui concentrent 80 % des erreurs et des risques (AOG potentiel) - c'est là qu'un modèle ML avec variables exogènes apporte le plus de valeur marginal.
• Itérer sur ces références prioritaires avec LightGBM ou DeepAR en ajoutant les variables de flotte et de maintenance.

Cette séquence s'articule naturellement avec les outils de prévision des stocks par IA que nous déployons pour les acteurs de la supply chain aéronautique, et avec les projets de supply chain aéronautique pour les PME que nous accompagnons depuis Toulouse.

Pour aller plus loin sur la maintenance prédictive dans ce contexte MRO, notre article dédié à l'IA dans le MRO aéronautique toulousain couvre les usages complémentaires (prognostics, détection d'anomalies, documentation technique).

Pour aller plus loin

• IA dans le MRO aéronautique toulouse - usages concrets chez les sous-traitants et centres MRO.
• IA supply chain aéronautique pour les PME - de la commande fournisseur au just-in-time.
• Foundation models pour séries temporelles et prévision - Chronos, TimesFM, Moirai : architectures et benchmarks.
• Evaluer une prévision de séries temporelles : MAPE, MASE, backtesting - méthodologie complète avec exemples.
• Prévision des stocks par IA pour les PME - precision, couts et retours terrain 2026.
• Top librairies Python pour la prévision de séries temporelles - statsforecast, darts, nixtla et les autres.
• Prévision des ventes par IA et séries temporelles - guide complet pour PME et ETI.
• décomposer une série temporelle : tendance, saisonnalité et STL - méthodes de décomposition utiles pour isoler la composante de tendance avant d'appliquer Croston ou TSB sur les pièces en phase de déclin.
• Intermittent Demand Forecasting with Deep Renewal Processes - arXiv, Turkmen et al., approche probabiliste avancée pour l'intermittent.
• A New Approach to Forecast Intermittent Demand (MDPI 2025) - comparaison SBA, TSB et méthodes hybrides sur données réelles.