La prévision de la demande dans des environnements commerciaux compétitifs et incertains nécessite des modèles capables d'intégrer plusieurs perspectives d'évaluation, plutôt que de se limiter à l'optimisation des hyperparamètres via une seule métrique. L'approche traditionnelle tend à privilégier un indicateur d'erreur unique, ce qui peut biaiser les résultats lorsque les métriques fournissent des signaux contradictoires. Dans ce contexte, la Fonction d'évaluation hiérarchique (HEF) est proposée comme un cadre multi-métrique pour l'optimisation des hyperparamètres qui intègre la puissance explicative (R²), la sensibilité aux erreurs extrêmes (RMSE) et la précision moyenne (MAE).
Les performances de HEF ont été évaluées à l'aide de quatre jeux de données de référence largement reconnus dans le domaine de la prévision : les ensembles de données Walmart, M3, M4 et M5. Les modèles de prédiction ont été optimisés via Grid Search, l'optimisation par essaims particulaires (PSO) et Optuna, et des analyses statistiques basées sur des tests de différence de proportions ont confirmé que HEF fournit des résultats supérieurs par rapport à une fonction de référence unimétrique, quel que soit l'optimiseur employé. Cette supériorité est particulièrement marquée pour les séries temporelles mensuelles hétérogènes (M3) et les scénarios de demande quotidienne très granulaires (M5).
Les résultats démontrent que HEF améliore la stabilité, la généralisation et la robustesse à un faible coût computationnel, consolidant son rôle comme cadre d'évaluation fiable qui améliore la sélection des modèles, permet des prévisions de demande plus précises et soutient la prise de décision dans des environnements commerciaux dynamiques et compétitifs. La validation expérimentale extensive utilisant des jeux de données réels et l'analyse comparative contre des méthodes classiques et modernes confirment l'efficacité de cette approche innovante.