A.

COURTOIS
CFPIM
Docteur s Sciences Professeur mrite des Universits Universit de Savoie

C. MARTIN-BONNEFOUS
CPIM
Agrg dconomie et de Gestion Ancien lve de lENS de Cachan Professeur lIUT dAnnecy (OGP) Universit de Savoie

M. PILLET
CFPIM
Docteur HDR en Sciences de lIngnieur Agrg en Gnie Mcanique Ancien lve de lENS de Cachan Professeur lIUT dAnnecy (OGP)

Gestion de production

Quatrime dition

ditions dOrganisation, 1989, 1994, 1995, 2003 ISBN : 2-7081-2986-4

Chapitre 3

La prvision de la demande

1. Objectifs et contraintes de la prvision de la demande

Lidal pour une entreprise serait videmment de produire exactement les produits que ses clients vont acheter mais, sauf dans le cas trs spcial o lentreprise commence approvisionner et fabriquer partir de la rception de la commande du client, ce nest pas du domaine du possible. Il faut quelle anticipe un minimum les futures commandes de ses clients. Ainsi, an de prendre les dcisions relatives son bon fonctionnement et sa prennit, toute entreprise, quelles que soient sa nature et sa typologie commerciale, doit sappuyer sur un systme de prvisions ables. Selon le type de dcisions prendre, ce dernier devra tre long, moyen ou court terme.

65

Gestion de production

1.1 Objectif de la prvision de la demande

Les prvisions long terme (suprieures trois ans) ont un rle au niveau stratgique de lentreprise : diversication, produits nouveaux, investissement ou dsinvestissement en quipements. moyen terme (de lordre de six mois deux ans), les prvisions permettront de dnir et matriser les capacits globales de production et dapprovisionnement. Il nest pas question denvisager la construction dune usine mais lacquisition dune machine, lembauche de personnel ou lapprovisionnement darticles long dlai dacquisition. Les prvisions court terme (jusqu six mois) serviront lactivit oprationnelle de production : dune part, approvisionnement et gestion des stocks, dautre part, charge des ateliers et ordonnancement, correspondant des ajustements des activits planies. Plus les prvisions concernent le court terme, plus elles sont ables car elles se rfrent un futur proche. Au contraire, des prvisions plus long terme seront plus incertaines. Remarquons immdiatement que la notion de court, moyen ou long terme dpend du type dactivit et des produits de lentreprise ; ainsi les dures ne sont-elles cites qu titre dexemple. Lactivit de prvision est le point de dpart de la planication. Toute activit de production est fonde sur des commandes fermes et des prvisions de commandes. Le plus souvent, le second point est trs majoritaire surtout lorsquon sloigne dans lhorizon de planication. Pour lentreprise, ces prvisions ont pour objet de dnir ce quil faudra produire et quand il faudra le produire. Prcisons que, dans un environnement instable comme cest le cas aujourdhui , la prvision est difcile. Toutefois, mieux vaut prvoir mme avec incertitude que de ne pas le faire ! Pour tayer cette afrmation, il est intressant de proposer un exemple ; considrons le cas dune entreprise qui ralise un produit dont les quantits vendues dans les derniers mois dactivit ont t les suivantes :

66

ditions dOrganisation

La prvision de la demande

Priode Janvier Fvrier Mars Avril Mai Juin Juillet Aot Septembre Octobre Novembre Dcembre

Quantits vendues (Qi) 100 150 150 150 160 120 100 100 120 150 160 140

Si on cherche dterminer le stock de scurit que lentreprise doit constituer sur ce produit pour assurer un taux de service client de 97,72 %, on ne va se baser que sur la dispersion observe au niveau des ventes passes pour lestimer puisque cest la seule information que lon possde. Le calcul va tre le suivant : SS = 2n1(Qi) SS = 2 23,86 = 47,73
(cf. chap. 5 pour les modalits de calcul dun stock de scurit)

Il faut donc constituer un stock de scurit de 48 produits pour assurer un taux de service client de 97,72 %. Supposons maintenant que lentreprise avait effectu des prvisions sur cette priode. Pour raliser la prdiction des ventes, on a intgr les grandes tendances connues du march, par exemple, un mois de janvier toujours plus ou moins atone et une priode creuse en t dans lexemple que nous avons pris. On dispose donc des informations suivantes :

ditions dOrganisation

67

Gestion de production

Priode Janvier Fvrier Mars Avril Mai Juin Juillet Aot Septembre Octobre Novembre Dcembre

Quantits vendues (Qi) 100 150 150 150 160 120 100 100 120 150 160 140

Prvisions (Pi) 95 160 140 150 150 130 110 90 100 150 150 150

Erreurs de prvision Ei = (Qi Pi) 5 10 10 0 10 10 10 10 20 0 10 10

Grce aux prvisions, on va pouvoir calculer le stock de scurit, non pas sur les ventes passes ou les prvisions effectues, mais sur les erreurs de prvisions. Le stock de scurit ne sera l que pour couvrir les erreurs de prvisions toujours pour un taux de service client gal 97,72 %. Cela nous donne le calcul suivant : SS = 2n1(Ei) SS = 2 10,32 SS = 20,63 soit environ 21 produits On voit bien dans ce cas particulier que le fait davoir ralis des prvisions, mme si elles ne sont pas compltement ables, a permis de diviser le stock de scurit par un peu plus de 2. En effet, dans le premier calcul du stock de scurit, toutes les variations y compris celles attendues comme la baisse estivale contribuent augmenter lcart type. Dans le second cas, les prvisions permettent au moins dliminer la partie des variations prvisibles. Cela contribue forcment rduire lcart type, et donc diminuer le stock de scurit.

68

ditions dOrganisation

La prvision de la demande

1.2 Les lments du choix

Dans toute approche de prvision, le choix de la mthode exige de se poser tout dabord la question fondamentale suivante : quel est lobjectif de mes prvisions ? En effet, de nombreux facteurs vont inuer sur ce choix. En premier lieu, il est indispensable de savoir si les prvisions sont long terme pour dnir les choix stratgiques de lentreprise ou si nous nous plaons moyen et court terme pour grer les domaines oprationnels, ces derniers tant plus rapprochs dans le temps. Aprs avoir vu quelques notions gnrales sur les prvisions, nous dirons quelques mots de mthodes utiles pour le long terme, puis nous examinerons plus en dtail des mthodes ayant trait la prvision de la demande moyen et court terme. Outre la question fondamentale susmentionne, les lments permettant de choisir une mthode de prvision dpendent eux-mmes de nombreux facteurs. Voici les plus importants dentre eux : les donnes historiques disponibles propos du produit ou de la famille de produits considr(e) ; la prcision souhaite sur les prvisions ; le cot accept pour tablir les prvisions ; le temps disponible pour les obtenir. Une prvision est par nature imprcise. Toutefois, par compensation, une prvision agrge est plus sre. Ainsi, une prvision portant sur des priodes plus longues (mois par exemple) sera plus prcise que celle qui sera tablie sur des priodes courtes (semaines), et un regroupement de produits (famille) donnera une prvision plus prcise que cela est possible par produit individuel (il est, par exemple, plus facile dvaluer le nombre de tables qui seront commandes par nos clients au mois de mai que dvaluer sparment les commandes de tables bleues, rouges et vertes dans la semaine 20 !). La prvision devra tre dautant plus agrge quelle est plus long terme.

ditions dOrganisation

69

Gestion de production

1.3 Les sources de donnes

Les sources de donnes correspondent aux deux familles de mthodes de prvisions : dune part, celles fondes sur des donnes releves dans le pass que lon modlise pour faire une projection dans le futur et dautre part celles, purement prdictives, tablies par des experts interrogs. La source privilgie de donnes est un historique de donnes concernant un produit. Cette base permet deffectuer une prvision si, videmment, on estime quil existe un lien entre lvolution de la demande passe (donnes enregistres) et celle de la demande prvoir. Les autres sources de donnes sont constitues par les tudes de march, les avis dexperts, le suivi des commerciaux, les enqutes auprs des clients... Mais ces donnes sont plus dlicates manipuler et interprter ; en revanche, elles constituent un complment sr un historique ; sans compter que, si lon ne dispose pas dhistorique, cest la seule source utilisable.

1.4 Typologie de la demande

Les graphiques de la gure 3.1 dnissent schmatiquement les caractristiques de la demande : demande constante (A) si elle oscille statistiquement autour dune valeur moyenne constante dans le temps, la moyenne de D = f (t) est une droite horizontale ; demande tendance (B) sil y a oscillation autour dune valeur croissante ou dcroissante dans le temps, D = f (t) est une droite pente positive ou ngative ; demande saisonnire (C) si elle prsente des variations nettement plus importantes, en hausse et en baisse, dune manire priodique. Il peut sagir dun pic de la demande en hiver (li la neige par exemple) ou en t (vacances) mais il peut aussi sagir de variations saisonnires plus subtiles (petit outillage lectrique avec pics la fte des pres et Nol) ;

70

ditions dOrganisation

La prvision de la demande

demande saisonnire et tendance (D) si les pics et les creux sont disposs autour dune droite non horizontale ; demande erratique (non reprsente sur la gure 3.1) si les valeurs sont totalement alatoires dans le temps. Figure 3.1 Typologie de la demande

A Demande constante D D

B Demande tendance

t C Demande saisonnire D

t D Demande saisonnire tendance D

2. Les mthodes de prvision

2.1 Gnralits sur les mthodes de prvision
On distingue deux grands types de mthodes de prvision : les mthodes qualitatives et les mthodes quantitatives. Les techniques qualitatives font appel une mthodologie non mathmatique (mais elles peuvent impliquer des valeurs numriques). Les techniques quantitati-

ditions dOrganisation

71

Gestion de production

ves au contraire seront fondes sur des modles mathmatiques. De plus, ces techniques sont dites intrinsques si les donnes manipules sont celles du produit considr. Elles sont extrinsques sil sagit de donnes appartenant des vnements relatifs larticle mais qui ne le concernent pas directement.

2.2 Les mthodes qualitatives

Les mthodes qualitatives sont principalement utilises pour la prvision moyen ou long terme. Elles sont avant tout destines des dcisions de mercatique avec des donnes provenant dtudes de march ou dintentions dachats travers notamment linterrogation et le traitement de prvisions du rseau de distribution. Il sagit de techniques excellentes dans ce domaine. Pour les utiliser des ns de planication, il faudra tre prudent et ne les utiliser quen complment dautres informations. La mthode de Delphes consiste interroger des experts sur une question, et ce indpendamment les uns des autres an dviter toute inuence forte directe. Le coordinateur remet lensemble des rponses aux experts qui peuvent modier et complter leur proposition. Aprs deux ou trois cycles de ce type, on parvient une proposition de consensus efcace, ou ventuellement des divergences argumentes. Cette technique nest pas adapte une prvision court terme dun article, mais au contraire une dcision de stratgie long terme. Lorsquon doit prvoir la demande dun nouveau produit, les donnes historiques nexistent pas. On peut alors utiliser les donnes existantes dun produit analogue. Il faut videmment considrer un produit au comportement sufsamment proche. Nous ajouterons ces lments lestimation du manager fonde sur son intuition partir de nombreux faits souvent peu formaliss, qui constituent son savoir-faire et sa connaissance du domaine. Si ce jugement subjectif ne peut remplacer une technique mathmatique base sur de bonnes donnes, en revanche, il peut rendre dexcellents services si les seules donnes sont de pitre qualit.

72

ditions dOrganisation

La prvision de la demande

2.3 Les mthodes quantitatives

2.3.1 Reprsentation graphique

Cest un pralable simple et explicite aux autres mthodes. Elle prsente lnorme avantage dtre trs visuelle car dun coup dil elle permet de rsumer la prvision et de mettre le bon sens en veil. De plus, par extrapolation de la courbe des consommations passes, on peut obtenir une estimation de la demande venir. Les gures 3.2 et 3.3 donnent un relev de valeurs (nombre de produits vendus) sur un an, et sa reprsentation graphique.

Figure 3.2 - Relev des valeurs de la demande pendant un an

Priode Janvier Fvrier Mars Avril Mai Juin Juillet Aot Septembre Octobre Novembre Dcembre Total No priode 1 2 3 4 5 6 7 8 9 10 11 12 Demande 20 000 21 000 19 000 22 000 23 000 22 000 20 000 16 000 20 000 23 000 25 000 27 000 258 000

ditions dOrganisation

73

Gestion de production

Figure 3.3 Reprsentation graphique de lhistorique de la demande

Historique de la demande Demande

30 000 25 000 20 000 15 000 10 000 5 000 0 Janv Fv Mar Avr Mai Jun Jul Ao Sep Oct Nov Dc

priode

2.3.2 Mthode de dcomposition

Le niveau de base de la demande est la moyenne de la srie de donnes prvues une date dtermine. Cest une loi stationnaire qui, selon les concepts introduits au paragraphe 1.4, sera complte avec les lments suivants : une tendance T donnant lvolution moyen terme de la demande ; des variations saisonnires S dues des modications priodiques de la demande lies la nature du produit et son utilisation ; des lments rsiduels R dus de nombreuses causes autres que les prcdentes (modications climatiques inattendues, pidmies, grve, apparition dun nouveau client sur le march, mode...). La demande pour une priode n peut alors sexprimer sous deux formes :

74

ditions dOrganisation

La prvision de la demande

une forme additive de ces diffrents lments o Dn = T n + Sn + Rn ; une forme multiplicative de ces lments avec Dn = Tn Sn Rn. Nous avons choisi de dvelopper ici la forme multiplicative qui est la plus frquente. Estimation de la tendance T On peut dnir une droite de tendance par la mthode des moindres carrs. Cela consiste retenir parmi toutes les droites du plan tudi celle qui minimise la somme des carrs des carts des points observs la droite. Lquation de cette droite, exprimant la demande D en fonction du numro de la priode n, est du type D=an+b N nD n n D n avec a = --------------------------------------------------------N n 2 ( n )2

n Dn et b = --------------- a ---------N N
o N est le nombre de priodes de lhistorique des donnes. Facile calculer partir dun tableur, cette droite est reprsente sur la gure 3.4 en comparaison des valeurs historiques prcdentes. On pourra donc reprsenter lvolution de la tendance par lquation : Dt = 378 n + 19 045 o Dt reprsente la prvision de la demande en tenant compte que de la tendance n : le numro de la priode considre. Le coefcient R2 de 0,22 signie que 22 % de la variance (carr de lcart type) de la demande peuvent tre expliqus par lquation de la droite. Les 78 % restants doivent tre expliqus par dautres lments (variations saisonnires, caractre alatoire).

ditions dOrganisation

75

Gestion de production

Figure 3.4 Droite de tendance et donnes historiques

Droite de tendance Demande

30 000 25 000 20 000 15 000 10 000 5 000 0 1 2 3 4 5 6 7 8 9 10 11 12

y = 377,62 n + 19045 R2 = 0,22

n (priodes)

On notera que des donnes historiques tronques peuvent conduire une droite de tendance mathmatiquement correcte, mais ne reprsentant pas la demande relle (notamment lorsquil y a des variations saisonnires). Pour viter cela, il faut disposer de sufsamment de donnes dans le temps (deux ou trois ans). De plus, la reprsentation graphique mettra le bon sens en alerte ! Par ailleurs, on peut remplacer la droite de rgression par une courbe plus labore, tablie au sens des moindres carrs des carts. Mais estce bien utile de se compliquer la tche ? Estimation des variations saisonnires Les variations saisonnires sont traduites par des coefcients reprsentant les carts la valeur de base. Les indices saisonniers reprsentent, pour chaque priode lmentaire, le rapport entre la demande relle constate et une moyenne globale value sur lensemble, correspondant une valeur dsaisonnalise .

76

ditions dOrganisation

La prvision de la demande

Reprenons lexemple prcdent. Il faut tout dabord dterminer la priode sur laquelle nous allons travailler. Lobservation de la srie chronologique fait apparatre des variations sensiblement trimestrielles et on choisit une priode de trois mois partir de janvier. La moyenne globale donne la valeur dsaisonnalise suivante : 258 000/ 12 = 21 500. Pour le premier trimestre, la moyenne mensuelle de la demande est de 20 000 produits par mois ; cela donne un coefcient de saisonnalit de 20 000/21 500 = 93 %. Le tableau 3.5 indique le calcul des indices de saisonnalit. Figure 3.5 Calcul des coefcients de saisonnalit
1er trimestre Demande totale Moyenne mensuelle Coeff. de saison. 60 000 20 000 93,0 % 2e trimestre 67 000 22 333 103,9 % 3e trimestre 56 000 18 667 86,8 % 4e trimestre 75 000 25 000 116,3 %

lments rsiduels et prvision Nous avons exprim la demande pour la priode n par le produit : Dn = T n S n Rn Nous venons dvaluer les termes Tn et Sn exprimant respectivement la tendance et la saisonnalit. Rn reprsente tout ce qui nest pas pris en compte par ces deux facteurs. Il sagit dlments alatoires non identis et qui ne se reproduiront pas selon notre modle. Nous sommes donc obligs de ne prendre pour prvision que le produit Tn Sn (gure 3.6).

ditions dOrganisation

77

Gestion de production

Figure 3.6 Vrication du modle

Priodes Janvier Fvrier Mars Avril Mai Juin Juillet Aot Septembre Octobre Novembre Dcembre Dn 20 000 21 000 19 000 22 000 23 000 22 000 20 000 16 000 20 000 23 000 25 000 27 000 Tn = 378n + 19 045 19 421 19 799 20 177 20 555 20 933 21 311 21 689 22 067 22 445 22 823 23 201 23 579 Sn 93,0 % 93,0 % 93,0 % 103,9 % 103,9 % 103,9 % 86,8 % 86,8 % 86,8 % 116,3 % 116,3 % 116,3 % Pn = Tn . Sn 18 062 18 413 18 765 21 357 21 749 22 142 18 826 19 154 19 482 26 543 26 983 27 422

Exemple dutilisation de la mthode de dcomposition Le tableau 3.7 montre la prvision de la demande estime pour mars et aot prochains laide du modle construit ci-avant. Figure 3.7 Demande estime laide du modle
Priode Mars N + 1 Aot N + 1 n 15 20 Tn = 378n + 19 045 24 715 26 605 Sn 93,0 % 86,8 % Pn 22 985 23 093

Cette mthode implique un stockage de donnes et de nombreux calculs, mais elle est simple utiliser laide dun ordinateur et peu coteuse. Les prvisions seront correctes si les demandes ne sont affectes que par les deux facteurs considrs et si, de plus, la tendance est rgulire et la saisonnalit reproductible.

78

ditions dOrganisation

La prvision de la demande

2.3.3 Mthode des moyennes mobiles

Cette mthode a deux utilisations : elle permet dtablir une prvision de la demande ; elle sert galement lisser des donnes utilises avec dautres mthodes de prvision. On estime la prvision de la demande pour une certaine priode partir des valeurs connues pour les quelques priodes prcdentes. Prenons le cas dune moyenne mobile trois priodes. Dans ce cas, la demande de la priode 8 est calcule partir des consommations des priodes 5, 6 et 7 selon : P8 = (D5 + D6 + D7)/3 Puis de priode en priode on estimera P9 partir de D6, D7 et D8, puis P10... (do le nom de la mthode). Le tableau 3.8 illustre la mthode avec, par exemple, P8 = (41,7 + 42,5 + 36,7)/3 = 40,3.

ditions dOrganisation

79

Gestion de production

Figure 3.8 Exemple de prvision par moyenne mobile trois priodes

Priodes 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 Demande relle 31,6 30,0 33,9 37,0 41,7 42,5 36,7 31,0 35,8 40,9 38,3 36,5 42,3 38,2 35,4 38,6 38,4 31,8 33,6 37,5 40,4 40,3 36,7 34,5 35,9 38,3 38,6 39,0 39,0 38,6 37,4 37,5 Moyenne mobile

Utilisation de la moyenne mobile La mthode des moyennes mobiles implique un stockage important de donnes et un certain nombre de calculs, mais elle est simple mettre en uvre sur un ordinateur et elle est peu coteuse. Son inconvnient est de traner derrire lvolution de la consommation passe puisque, tout instant, on ne prend en compte que des moyennes de valeurs antrieures. Ce phnomne est illustr sur la gure 3.9 qui correspond aux valeurs du tableau 3.8.

80

ditions dOrganisation

La prvision de la demande

Figure 3.9 Moyenne mobile tranant derrire les valeurs relles

Demande 45 40 35 30 25 20
Valeurs relles

15 10 5 0 1 2 3 4 5 6 7 8 9 10 11 12 13

Moyenne mobile

priodes

14

15

16

17

18

Comme annonc en dbut de ce paragraphe, on peut galement, laide de la moyenne mobile, effectuer un lissage de donnes destines dautres mthodes. On vite ainsi dintroduire des points anormaux qui risqueraient de perturber les estimations de la demande. On remplace, par exemple D5 par D5 : D5 = (D4 + D5 + D6)/3 et de mme pour D6, D7... Le nombre de priodes impliques (ci-avant trois) conduit, videmment, un lissage plus ou moins important des donnes. Remarque : moyenne mobile pondre Lors dune prvision, on peut affecter des poids diffrents aux donnes an de favoriser les plus rcentes au lieu de mettre sur le mme plan les diverses valeurs, par exemple :

ditions dOrganisation

81

Gestion de production

P8 = (2 D5 + 3 D6 + 4 D7)/(2 + 3 + 4) = (2 D5 + 3 D6 + 4 D7)/9 donne une importance double (4/2) la donne Dn-1 vis--vis de Dn-3 et une fois et demie (3/2) la donne Dn-2. La somme des poids doit videmment tre gale 1.

2.3.4 Mthodes de lissage exponentiel

Lissage exponentiel simple Cette mthode est probablement la plus connue pour la prvision de la demande des articles. La prvision pour la priode n est celle de la priode n1 corrige proportionnellement lcart Dn-1 Pn-1 entre la demande relle et la prvision qui avait t faite pour la priode prcdente : Pn = Pn-1 + a (Dn-1 Pn-1) o est un coefcient compris entre 0 et 1. Si = 0, on considre que la prvision de n est la mme que celle de n1. Au contraire, si = 1, on prend comme prvision de la priode n la demande relle de la priode n1, en effet : Pn = Pn-1 + Dn-1 Pn-1 = Dn-1 Une valeur de se rapprochant de 1 conduit donc favoriser les demandes relles rcentes, comme cela sera illustr dans le tableau 3.10. On peut montrer aisment que cette mthode implique les demandes relles passes : Pn = Pn-1 + (Dn-1 Pn-1) = Dn-1 + (1 )Pn-1 or donc Pn1 = Pn2 + (Dn-2 Pn-2) = Dn-2 + (1 )Pn-2 Pn = Dn-1 + (1 )Dn-2 + (1 )2Pn-2 Pn = Dn-1 + (1 )Dn-2 + (1 )2Dn-3 +
82
ditions dOrganisation

de proche en proche on arrive :

La prvision de la demande

La mthode du lissage exponentiel effectue donc une moyenne mobile pondre o les coefcients affects aux donnes passes sont relis par une loi de dcroissance exponentielle. En pratique, la relation entre le coefcient et une moyenne mobile N priodes est approximativement donne par = 2/(N + 1).

Le tableau 3.10 rappelle les poids successifs attribus aux donnes et fournit ces poids pour trois valeurs caractristiques du coefcient .

Figure 3.10 Dcroissance des poids pour diffrentes valeurs de

Priode Poids = 0,9 = 0,3 = 0,1 n 0,9 0,3 0,1 n1 ( 1 - ) 0,09 0,21 0,009 n2 ( 1 - )2 0,009 0,147 0,081 n3 ( 1 - )3 0,0009 0,1029 0,0729 n4 ( 1 - )4 0,00009 0,07203 0,06561

Poids de l'historique en fonction d'alpha

0,30

0,25 n 0,20 poids n-2 n-4 0,15 n-3 n-1 0,10

0,05

0 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 alpha

ditions dOrganisation

83

Gestion de production

Le coefcient est dni empiriquement ou dune manire plus scientique par la mthode des moindres carrs. Sa valeur permet de rgler la sensibilit du systme. Lissages exponentiels multiples La mthode du lissage exponentiel peut tre employe avec deux coefcients et si la demande est tendance (lissage exponentiel double). Nous appellerons tendance instantane la variation de prvision dune priode la suivante : tn = Pn Pn-1 On effectue alors un lissage exponentiel de la tendance : Tn = .tn + (1 )Tn-1 Nous nentrerons pas plus dans le dtail du lissage exponentiel double et nous demanderons au lecteur dadmettre que la prvision corrige sexprime par : 1+ P n = P n + ------------ T n 2 Il est galement possible deffectuer un lissage exponentiel des coefcients saisonniers en introduisant un coefcient . Le lissage exponentiel comporte alors trois coefcients , et . Il est ainsi appel lissage exponentiel triple. L encore, les modles employs sont faciles mettre en uvre sur ordinateur et peu coteux. Ils ncessitent, comme les prcdents, de disposer de donnes historiques sufsamment toffes.

2.3.5 Autres modles mathmatiques

De nombreux autres modles mathmatiques plus complexes sont utiliss pour raliser des prvisions de la demande. Certains modles recherchent des corrlations entre donnes divers intervalles xs ou cherchent des corrlations entre facteurs. On peut, par exemple, chercher lier la demande de produits celle de secteurs conomiques associs par des rgressions simples ou multiples. On dnit ainsi des

84

ditions dOrganisation

La prvision de la demande

modles conomtriques fonds sur des expressions analytiques. Ces traitements plus complexes dbordent le cadre que nous nous sommes x dans cet ouvrage.

3. Erreurs et incertitude sur les prvisions

Une prvision est par nature incertaine. Il ne faut pas confondre incertitude et erreur. Il peut naturellement y avoir erreur... si on se trompe en prenant des donnes inexactes, en calculant ou en utilisant mal les mthodes ! Nous pouvons valuer la qualit des prvisions au moyen de deux valeurs complmentaires : lerreur moyenne e et lcart moyen absolu MAD. Lerreur moyenne est dnie par :

( Di Pi ) e = -------------------------n
Cet indicateur signale la prsence ou lapparition dun biais systmatique : prvision en moyenne trop forte ou trop faible. On peut donc apprcier le centrage statistique du modle : un modle correct avec variations alatoires donnera une valeur nulle de e. Puisque des termes de signes contraires, mme importants, peuvent se compenser au moins partiellement pour donner une valeur de e qui semble acceptable, on dnit lcart moyen absolu (que nous noterons MAD, pour Mean Absolute Deviation, en anglais) :

Di Pi MAD = -----------------------n
qui vite ces compensations et contrle lcart entre demande relle et prvision. Le tableau 3.11 illustre le calcul de lerreur moyenne et de la MAD sur un nombre rduit de donnes.

ditions dOrganisation

85

Gestion de production

Remarque : MAD et cart type La MAD est simple calculer. Elle est souvent utilise la place de lcart type. Il faut connatre la correspondance facile retenir 3 = 4MAD (ce qui correspond un ltre 99,7 % pour une loi normale, cest--dire o le risque daccepter une valeur rejeter est infrieure 0,3 %). On pourra utiliser cette grandeur pour valuer les stocks de scurit permettant de couvrir lincertitude de la prvision. Figure 3.11 Erreur moyenne et MAD
Di 150 146 156 152 145 146 153 157 Pi 153 155 147 145 155 154 148 146 Di Pi 3 9 9 7 10 8 5 11 2

Di Pi
3 9 9 7 10 8 5 11 62

do et MAD lisse e = 2/8 = 0,25 MAD = 62/8 = 7,75

On prfre parfois calculer la MAD lisse (lissage exponentiel) : MADi = bDi Pi (1 b)MADi-1 On choisit un coefcient b petit (par exemple 0,1), ce qui assure un lissage long terme de la MAD. Avec les donnes prcdentes, on obtient :

86

ditions dOrganisation

La prvision de la demande

Figure 3.12 MAD lisse

Di 150 146 156 152 145 146 153 157 Pi 153 155 147 145 155 154 148 146

Di Pi
3 9 9 7 10 8 5 11

n 1 2 3 4 5 6 7 8

(Di Pi)/n 3,00 6,00 7,00 7,00 7,60 7,67 7,29 7,75

MADi 0,30 1,17 1,95 2,46 3,21 3,69 3,82 4,54

Qualit du modle de prvision Lobservation simultane de e et MAD permet davoir une bonne ide de la qualit du modle de prvision. An de matriser un systme de prvision de nombreux articles, il faut mettre en place des fourchettes pour ces indicateurs. Le suivi de ces indicateurs et de leur comportement nous alertera dune quelconque modication et nous permettra de ragir. Un autre indicateur utilis pour prvenir dun processus de prvision qui devient hors contrle est le signal dalerte suivant :

( Di Pi ) A i = -------------------------MAD i
Cette valeur peut naturellement tre positive ou ngative, mais doit rester dans des limites raisonnables et non biaises (systmatiquement ngative ou positive). Dune manire analogue un contrle statistique de la qualit o lon souhaite une valeur dans une fourchette de plus ou moins trois carts types, si le signal dalerte Ai dpasse quatre en valeur absolue (car 3 = 4MAD), on souponnera un changement dans la demande. Il nous restera en rechercher les causes et modier le modle. Le tableau 3.13 illustre le calcul de Ai sur les quelques donnes prcdentes. On remarquera les valeurs trs leves de A i en
ditions dOrganisation

87

Gestion de production

tte du tableau. Cest tout fait normal car les carts taient initialement supposs nuls... ce qui correspond bien une modication du modle ! Figure 3.13 Calcul du signal dalerte Ai
Di 150 146 156 152 145 146 153 157 Pi 153 155 147 145 155 154 148 146 Di Pi 3 9 9 7 10 8 5 11

(Di Pi)
3 12 3 4 6 14 9 2

Ai 10,0 10,2 1,5 1,6 1,9 3,8 2,4 0,4

4. Conclusion
Nous navons nulle intention dans cet ouvrage de donner un panorama exhaustif des mthodes de prvision, mais bien de fournir un aperu des diffrents types de mthodes. Les mthodes classiques sont rapides et peu coteuses. Elles donnent des informations intressantes court terme mais moins ables ds quon sloigne dans le temps. Les modles plus complexes et plus rcents sont beaucoup plus coteux mais fournissent en gnral des prvisions valables plus long terme. Il reste du ressort de chaque entreprise de choisir la mthode qui lui conviendra en fonction de lobjectif x, ainsi que des critres de donnes et de cots dcrits en dbut de chapitre. De mme, il lui appartiendra de vrier la validit du modle au moyen dindicateurs. Tous les modles de prvision voqus ont t intgrs des logiciels. Certains progiciels comportent plusieurs mthodes et proposent mme un choix lutilisateur sil le dsire. Soulignons toutefois quil est

88

ditions dOrganisation

La prvision de la demande

indispensable de bien connatre les problmes de la prvision de la demande et de ne pas faire une conance aveugle un traitement automatique. Lexprience, lintuition et le bon sens seront des facteurs fondamentaux pour raliser une bonne prvision et dtecter toute anomalie.

ditions dOrganisation

89