Chapitre 4 : Prévision de la demande
1. OBJECTIFS ET CONTRAINTES DE LA PRÉVISION DE LA DEMANDE
Il est idéal pour une entreprise de produire exactement ce que ses clients achètent.
Cela nécessite d'anticiper les commandes futures, et donc d'utiliser un système de
prévisions fiables selon des horizons à long, moyen ou court terme.
1.1. Objectif de la prévision de la demande
Prévisions à long terme : stratégies de diversification et investissements.
Prévisions à moyen terme : définir et maîtriser les capacités de production et
d’approvisionnement.
Prévisions à court terme : gestion des stocks et ajustements des activités planifiées. Plus
les prévisions sont à court terme, plus elles sont fiables, mais les prévisions à long terme
sont plus incertaines.
1.2. Les éléments du choix
Le choix de la méthode dépend de l’objectif des prévisions (stratégique ou
opérationnel) et de plusieurs facteurs, tels que les données historiques disponibles, la
précision souhaitée, le coût et le temps. Les prévisions agrégées sont plus sûres.
1.3. Les sources de données
Les sources incluent des données historiques et des méthodes prédictives, telles que
les études de marché et les avis d’experts. Les données historiques sont privilégiées,
mais d’autres sources peuvent être utilisées comme complément.
1.4. Typologie de la demande
La demande peut être :
Constante : oscille autour d’une moyenne constante.
À tendance : oscille autour d’une valeur croissante ou décroissante.
Saisonnière : variations périodiques importantes.
Saisonnière et à tendance : pics autour d'une droite non horizontale.
Erratique : valeurs aléatoires dans le temps.
2. LES MÉTHODES DE PRÉVISION
2.1. Généralités sur les méthodes de prévision
Deux types de méthodes : qualitatives (non mathématiques) et quantitatives (basées
sur des modèles mathématiques).
2.2. Les méthodes qualitatives
Utilisées pour la prévision à moyen ou long terme, elles reposent sur des données
d’études de marché. La méthode de Delphes permet d’interroger des experts pour
parvenir à un consensus. En l'absence de données historiques, on peut s'appuyer sur
des produits analogues ou sur l’intuition du manager.
2.3. Les méthodes quantitatives
Représentation graphique : visualisation des données historiques pour détecter des
tendances.
Méthode de régression linéaire : prolongation de séries passées avec la méthode des
moindres carrés pour prédire la demande future.
Méthode de décomposition : recherche de tendance, variations saisonnières et
éléments résiduels. La demande pour une période peut s’exprimer sous forme additive
ou multiplicative. Les saisons doivent être définies pour estimer les variations
saisonnières.
Moyenne mobile pondérée
Lors d’une prévision, on peut affecter des poids différents aux données pour
privilégier les plus récentes. Par exemple :
Preˊv janv 2011=(2×Demande oct 2010+3×Demande nov 2010+4×Demande deˊc 201
0)2+3+4\text{Prév janv 2011} = \frac{(2 \times \text{Demande oct 2010} + 3 \times
\text{Demande nov 2010} + 4 \times \text{Demande déc 2010})}{2 + 3 +
4}Preˊv janv 2011=2+3+4(2×Demande oct 2010+3×Demande nov 2010+4×Demande
deˊc 2010)
Cette formule attribue une importance double (4/24/24/2) à la donnée Dn−1D_{n-
1}Dn−1 par rapport à Dn−3D_{n-3}Dn−3 et une fois et demie (3/23/23/2) à
Dn−2D_{n-2}Dn−2 .
Autre utilisation de la moyenne mobile
La moyenne mobile peut également être utilisée pour lisser les données. Par exemple,
remplacer D5D_5D5 par D5′D'_5D5′ :
D5′=D4+D5+D63D'_5 = \frac{D_4 + D_5 + D_6}{3}D5′ =3D4 +D5 +D6
Le nombre de périodes impliquées détermine l’importance du lissage.
2.3.4 Méthode des moyennes échelonnées
Cette méthode consiste à faire la moyenne des ventes d’un même mois sur plusieurs
années différentes.
2.3.5 Méthodes de lissage exponentiel
Lissage exponentiel simple
Cette méthode est largement utilisée pour la prévision de la demande. La prévision
pour la période nnn est ajustée en fonction de l'écart Dn−1−Pn−1D_{n-1} - P_{n-
1}Dn−1 −Pn−1 entre la demande réelle et la prévision de la période précédente :
Pn=Pn−1+α(Dn−1−Pn−1)P_n = P_{n-1} + \alpha (D_{n-1} - P_{n-
1})Pn =Pn−1 +α(Dn−1 −Pn−1 )
où α\alphaα est un coefficient entre 0 et 1. Si α=0\alpha = 0α=0, la prévision reste
identique à celle de n−1n-1n−1. Si α=1\alpha = 1α=1, la prévision pour nnn devient
égale à la demande réelle de n−1n-1n−1.
On peut démontrer que cette méthode implique les demandes réelles passées :
Pn=αDn−1+α(1−α)Dn−2+(1−α)2Pn−2P_n = \alpha D_{n-1} + \alpha(1 - \alpha)
D_{n-2} + (1 - \alpha)^2 P_{n-2}Pn =αDn−1 +α(1−α)Dn−2 +(1−α)2Pn−2
Le lissage exponentiel constitue ainsi une moyenne mobile pondérée avec une
décroissance exponentielle des coefficients affectés aux données. La relation entre
α\alphaα et une moyenne mobile à NNN périodes est approximativement donnée par :
α=2N+1\alpha = \frac{2}{N + 1}α=N+12
Lissage exponentiel triple
Le lissage exponentiel peut aussi inclure les coefficients saisonniers en introduisant
un coefficient γ\gammaγ. Le modèle devient alors un lissage exponentiel triple avec
trois coefficients α\alphaα, β\betaβ, et γ\gammaγ. Ce modèle est simple à mettre en
œuvre, peu coûteux, et nécessite des données historiques suffisamment étoffées.
2.3.6 Autres modèles mathématiques
D'autres modèles plus complexes, comme les régressions simples ou multiples, sont
utilisés pour établir des corrélations entre la demande de produits et celle d'autres
secteurs économiques. Ces modèles débordent de l'esprit de cet ouvrage.
3. Erreur et incertitude sur les prévisions
Une prévision est incertaine par nature. L’erreur moyenne eee et l’écart moyen absolu
MADMADMAD sont utilisés pour évaluer la qualité des prévisions.
L'erreur moyenne eee :
e=∑i=1N(Demande reˊellei−Preˊvi)Ne = \frac{\sum_{i=1}^{N} (\text{Demande
réelle}_i - \text{Prév}_i)}{N}e=N∑i=1N (Demande reˊellei −Preˊvi )
L’écart moyen absolu MADMADMAD est défini comme :
MAD=∑i=1N∣Demande reˊellei−Preˊvi∣NMAD = \frac{\sum_{i=1}^{N} |
\text{Demande réelle}_i - \text{Prév}_i
|}{N}MAD=N∑i=1N ∣Demande reˊellei −Preˊvi ∣
Un autre indicateur est le signal d’alerte AiA_iAi :
Ai=eiMADA_i = \frac{e_i}{MAD}Ai =MADei
Si AiA_iAi dépasse 4, on suspectera un changement dans la demande. Le tableau
4.18 illustre ces calculs avec des données réelles.
4. Bonnes pratiques
4.1 Logiciels de prévisions de ventes
Des logiciels spécialisés permettent de gérer les historiques de ventes et d’effectuer
des prévisions avec différentes méthodes. Certains logiciels recommandent
automatiquement la meilleure méthode.
4.2 Participation des commerciaux
Les commerciaux, experts des ventes et du marché, doivent participer à l’élaboration
des prévisions. Cependant, il faut parfois ajuster leurs prévisions en fonction d'un
coefficient réducteur basé sur l'historique.
5. Conclusion
Les méthodes de prévision classiques sont rapides et peu coûteuses, mais moins
fiables à long terme. Les modèles plus complexes sont plus précis, mais aussi plus
coûteux. Chaque entreprise doit choisir la méthode adaptée à ses besoins, vérifier sa
validité avec des indicateurs d'erreurs, et utiliser des logiciels spécialisés tout en
combinant expérience et bon sens.
