Cet article souligne l'importance de la prévision de la demande dans la gestion des stocks dans des environnements commerciaux dynamiques et concurrentiels. Pour surmonter les limites des mesures d'évaluation à facteur unique telles que MAE et RMSE, nous proposons une nouvelle fonction d'évaluation, la fonction d'évaluation hiérarchique (HEF), qui intègre des pénalités adaptatives dans un cadre hiérarchique et dynamique. La HEF intègre R2, MAE et RMSE et exploite des techniques d'optimisation telles que Grid Search, Particle Swarm Optimization (PSO) et Optuna pour évaluer les performances de divers modèles de prévision sur les jeux de données Walmart, M3, M4 et M5. Les résultats expérimentaux démontrent que la HEF surpasse les mesures d'évaluation conventionnelles basées sur MAE en R2, précision relative globale, RMSE et RMSSE, et améliore notamment la stabilité et l'explicabilité face aux erreurs extrêmes. Cependant, la MAE conserve ses avantages en termes de simplicité et d'efficacité de calcul. Par conséquent, la HEF constitue une alternative puissante et adaptative pour la sélection de modèles et l'optimisation des hyperparamètres dans des environnements très volatils.
