Vous êtes sur la page 1sur 26

Les mthodes de simulation : modlisation et utilisation dun tableur.

B. BALLAZ Professeur l'Universit P. Mends-France de Grenoble Ecole Suprieure des Affaires

Plan du chapitre : 1- Introduction 2- La simulation : mthode heuristique de rsolution de problme 2-1 Une mthode de rsolution de problme 2-2 Comment concevoir un modle de simulation ? 2-2-1 L'identification du problme 2-2-2 Comment construire un bon modle ? 2-2-3 Mise en oeuvre de la dmarche de conception d'un modle Etape 1 : lidentification du problme Etape 2 : l'arbre d'analyse Etape 3 : le rseau ou graphe de dpendance Etape 4 : le modle formel Etape 5 : le modle programm Etape 6 : validation du modle 2-3 Lutilisation du modle 3- Traitement de lincertitude affectant linformation utilise: valuation de son impact sur les critres de dcision 3-1 La gnration de variables alatoires 3-2 Le calcul itratif avec EXCEL 3-3 Mise en place des indicateurs statistiques permettant de caractriser la distribution du rsultat 3-4 Mise en oeuvre de la simulation Bibliographie

1- Introduction L'approche des problmes par la simulation suscite un intrt constant. Dans des domaines scientifiques trs diffrents: physique, conomie, gestion ... , elle apparat comme une mthode efficace pour aborder l'tude du comportement des systmes complexes (FORRESTER 1977). Sa contribution au progrs de la connaissance scientifique est importante et certains auteurs (MOLES 1990, LEVY 1991) n'hsitent pas lui donner un statut pistmologique particulier. Les dveloppements de la simulation sont troitement lis aux progrs de l'informatique. Rappelons que VON NEUMANN a dvelopp l'un des premiers ordinateurs (1947), l'ENIAC, pour traiter par simulation un problme de physique nuclaire (EKLAND 1991). Si l'emploi de la simulation pour l'tude des problmes scientifiques ncessite des moyens informatiques puissants et l'utilisation de techniques de programmation avance pour raliser des modles complexes (mtorologie, physique atomique,...), nous allons voir quun simple tableur loutil de base disponible sur le poste de travail de tout gestionnaire - peut tre utilis de faon efficace et simple pour raliser des modles de simulation utiles pour laide la dcision. Les objectifs que lon poursuit par la mise en uvre de mthode de simulation sont les suivants : (1) rsolution heuristique de problme, (2) tude de la sensibilit des facteurs de performance et des critres de dcision l'incertitude de l'information, (3) tude des processus rgis par des phnomnes stochastiques (ex: file d'attente), (4) tude du comportement des systmes complexes (Dynamique des systmes : simulation de flux, Supply Chain Management,). Dans ce chapitre, nous abordons les points (1) et (2). 2- La simulation : mthode heuristique de rsolution de problme Dans ce paragraphe nous allons prsenter la dmarche de mise en oeuvre de la simulation en tant que mthode de rsolution de problme. Nous proposerons une approche mthodologique pour construire le modle ncessaire sa mise en uvre, en lillustrant par un exemple simple. 2-1 Une mthode de rsolution de problme La simulation repose sur une ide simple, qui a fait ses preuves dans les sciences exprimentales: on construit un modle du systme rel tudi, et sur ce modle qui peut tre un dispositif physique (maquette) ou numrique (modle programm), on exprimente des hypothses, politiques ou scnarii qui pourraient constituer des solutions possibles au problme tudi. L'observation du comportement du modle permet de rpondre aux questions que l'on se pose au sujet du monde rel (Minsky). C'est ainsi qu'un pilote peut apprendre sur un simulateur de vol faire face une situation catastrophique ventuelle, que la maquette d'un port permet d'tudier l'influence du rgime local des mares, ou que le modle d'une conomie nationale permet dvaluer les consquences du choix dune politique conomique. La mise en oeuvre d'une simulation va se faire selon une dmarche radicalement diffrente des mthodes classiques de rsolution de problme, mthodes que l'on peut schmatiser de la faon suivante:

Identification du problme

Formalisation du problme (modle prt porter)

Mise en oeuvre d'un algorithme de rsolution

Obtention d'une solution "optimale"

Figure N1: Dmarche classique de rsolution de problme

De lidentification du problme sa solution, cette approche est squentielle et linaire. La caractrisation du problme consiste reconnatre le type gnral auquel il appartient : problme de prvision, problme doptimisation sous contraintes, problme dordonnancement, de choisir la mthode mathmatique particulire qui semble la mieux adape aux caractristiques du problme et dexprimer ce problme dans le formalisme propos par la mthode retenue. La mise en oeuvre de l'algorithme de rsolution associ cette mthode va produire une solution, gnralement optimale. Par exemple : - un problme de planification de production pourra tre exprim sous la forme d'un programme linaire (optimisation sous contraintes), la solution optimale sera obtenue par la mise en oeuvre de l'algorithme du simplexe, disponible dans le Solveur dExcel. - L'ordonnancement des oprations constituant un projet ( ex: lancement d'un nouveau produit) prendra la forme d'un rseau PERT, l'algorithme de Ford permettra d'obtenir le calendrier optimal. La difficult essentielle rside dans la bonne identification de la classe gnrique laquelle appartient le problme et les approximations ou distorsions que lon peut tre conduit appliquer la description de la situation concrtre tudie pour quelle rentre dans le formalisme et les contraintes du modle "prt porter". Il existe de nombreux problmes de gestion pour lesquels on ne dispose pas dun modle-type, ou , sil existe, sa mise en uvre peut tre difficile : les outils informatiques ncessaires ne seront pas toujours disponibles, les mthodes mathmatiques doptimisation peuvent tre complexes et dun abord difficile pour le gestionnaire qui naura pas t form leur utilisation. Dou lide de mettre en uvre une approche de type exprimental, procdant par simulation sur un modle, plus proche de nos mcanismes naturels de rsolution de problme : on essaie pour voir ce que cela donne (What if ?)

Dtermination d'une solution priori

Nouvelle solution

Test de la solution sur un modle

Evaluation des rsultats

Solution rejete

Solution accepte

Solution "satisfaisante"

Figure N 2 : Dmarche de mise en uvre de la simulation

Cette dmarche de type heuristique met en oeuvre une approche itrative procdant par essais et erreurs successifs. L'analyste dtermine priori les valeurs dune premire solution (scnario ou hypothse) et lexprimente sur son modle. Les rsultats obtenus sont compars des critres d'acceptation, si les critres sont vrifis, la solution est accepte : il a obtenu une solution satisfaisante . Si les critres ne sont pas vrifis, la solution est rejete. Utilisant l'information rsultant de ce test, lanalyste imagine un nouvel ensemble de valeurs possibles pour les variables caractristiques dune nouvelle solution et renouvelle son exprimentation sur le modle, jusqu ce que, par essais et erreurs successifs , il finisse par trouver une solution satisfaisante. Par ces exprimentations successives, lanalyste rentre dans un processus dapprentissage qui lui permet de comprendre de mieux en mieux son problme et amliore sa capacit imaginer les caractristiques de solutions qui auront plus de chance dtre des solutions satisfaisantes. Le couple analyste/modle utilise au mieux, d'une part la capacit de l'ordinateur calculer rapidement des rsultats correspondant de nouvelles hypothses, et d'autre part, les aptitudes de l'analyste: intuition, dductions, pour imaginer les caractristiques d'une solution satisfaisante. Par rapport la dmarche classique, on remarque: - que la solution est dtermine priori : par intuition, par des heuristiques simples, voire gnre alatoirement (mthode de Monte-Carlo) sans utilisation d'outils mathmatiques complexes, la diffrence des algorithmes d'optimisation; - qu'il n'y a pas de recherche d'optimisation: la notion d'optimum est une notion peu robuste, il est en gnral instable et transitoire. Un optimum est sur la frontire du domaine des solutions possibles, il est donc de ce fait fortement dpendant du contexte du problme. Or ce contexte est changeant, perturb, les informations utilises prsentent une forte incertitude; - que l'on peut facilement introduire plusieurs critres d'acceptation, sans complication particulire, si ce n'est que cela rduit l'espace des solutions acceptables, alors que l'optimisation multicritre est beaucoup plus dlicate.
4

2-2 Comment concevoir un modle de simulation ? L'intrt des rsultats que l'on peut obtenir par la mise en oeuvre d'une approche par la simulation va dpendre trs troitement : - d'une bonne identification du problme - de la capacit construire un bon modle de la situation problmatique. 2-2-1 L'identification du problme C'est videmment la premire tape, nous renvoyons le lecteur la littrature qui traite des mthodes de rsolution de problme ( problem solving ) (SIMON, LEMAITRE,... ). Nous rappellerons simplement la dfinition usuelle en management : un problme est un cart entre, d'une part une situation actuelle perue insatisfaisante, et d'autre part une situation future dsire. Rsoudre un problme, cest tendre rduire cet cart. C'est l'analyse de chacune de ces deux composantes qui permet une bonne identification du problme. L'analyse en profondeur de la situation actuelle par une analyse systmatique des causes permet d'viter le travers habituel qui consiste traiter les symptmes apparents plutt que le vrai problme. La situation analyse est la situation perue : l'analyste doit en permanence conserver l'esprit qu'il ne peut pas saisir la ralit dans toute son objectivit et qu'il doit essayer de limiter les biais d'interprtation : - en travaillant avec rigueur, - en multipliant les points de vue : tous les acteurs concerns par ce problme doivent tre impliqus dans sa formalisation, - en pratiquant une critique systmatique des informations recueillies. La dfinition de la situation future dsire renvoie la ncessit d'une rflexion sur les objectifs, de les placer dans la perspective des buts stratgiques, de les hirarchiser, de les exprimer sous une forme qui permettra de les quantifier et de fixer leur horizon. La conduite spare de ces deux analyses permet d'viter de formuler le problme en terme de solution et prserve en principe un espace de solutions le plus ouvert possible. L'analyste doit en particulier attacher beaucoup d'importance la "contextualisation" du problme(Morin). Le contexte facilite l'intelligibilit de la situation analyse et permet de mieux dfinir le primtre du problme en limitant le risque de traiter un problme partiel

2-2-2 Comment construire un bon modle ? Le processus de construction dun modle doit mettre en correspondance une situation concrte de gestion avec une reprsentation conceptuelle qui aura la forme dun ensemble de variables et de relations entre ces variables et dont lutilisateur devra tre convaincu quil permet de rpondre de faon pertinente aux questions quil se pose quant au sujet du monde rel. Ce processus dabstraction est familier au monde de linformatique. Mais dans le domaine de la construction de modle pour laide la dcision, la matrise du cycle de dveloppement du modle est plus dlicate. A la diffrence de la modlisation informatique de processus oprationnels : gestion dune commande client, suivi dun ordre de fabrication, il est pratiquement impossible de dfinir priori et compltement les spcifications de ralisation d'un modle daide la dcision, du fait des difficults de structuration de la situation modliser. Cela nous conduit vers une dmarche de type incrmental, qui conduit l'analyste qui travaille troitement avec son "client-utilisateur", parcourir plusieurs fois un cycle de
5

dveloppement qui va faire passer le modle du stade initial de maquette, celui de prototype, puis enfin de systme finalis, valide, fiable et commode dutilisation. Le cycle de dveloppement que nous proposons passera par les principales tapes suivantes:

Identification du problme

Elaboration d'un arbre d'analyse

Graphe de dpendance des variables

Modle formel en PDL

Modle organis en procdure de calcul

Validation du modle

Figure N 3 : Processus de dveloppement du modle

Cette procdure est squentielle, mais itrative, chaque tape, l'analyste peut tre conduit revenir n'importe quel niveau antrieur pour reprendre ou complter son analyse. Nous allons illustrer cette dmarche l'aide de l'exemple suivant. 2-2-3 Mise en oeuvre de la dmarche de conception d'un modle Etape 1 : lidentification du problme Les problmes du monde rel se caractrisent par un nombre lev de variables. Comme notre but ici est de prsenter en dtail la mthode de dveloppement du modle, nous nous limiterons un exemple sommaire afin de ne pas trop alourdir la prsentation. La situation problmatique:
6

Le responsable dune unit de production doit redfinir, pour l'anne prochaine, sa politique de prix pour l'un de ses produits, la Direction Gnrale ayant rcemment rappel que la politique de l'entreprise doit reposer clairement sur la recherche de la rentabilit maximum. Afin dvaluer la sensiblit de ses clients au prix de vente du produit, actuellement commercialis 130 K, il commande une tude de march un cabinet dtudes Marketing: - le march global annuel est estim 100000 units. - pour un budget de publicit de 50000 K, et compte tenu des hypothses faites sur les actions des concurrents, l'tude de l'lasticit de la demande au prix de vente donnerait les rsultats globaliss suivant : Prix de vente Part de march 100 110 120 130 140 150 0,20 0,18 0,15 0,10 0,07 0,05

La capacit de production actuelle est de 15000 units par an, le budget des investissements, fix pour l'anne prochaine est de 100000 K, ce qui permettrait un accroissement de capacit ventuel d'une tranche supplmentaire de 5000 units. La problmatique gnrale pourrait tre la suivante : la pratique dun prix de vente lev, si elle dgage une marge unitaire importante limite la pntration du march et linverse, un prix bas, sil donne une marge unitaire faible permet une plus grande pntration de march ; la rentabilit globale rsulte donc de la composition de deux variables : marge unitaire, ventes en volumes, qui varient en sens contraire pour une variation donne du prix de vente. Dans cette situation, il existe probablement un prix de vente qui dgagerait une rentabilit globale optimale. Cest ce prix de vente que lon va chercher tablir en valuant, sur un modle, la formation de la marge globale. A partir de cette description gnrale et grossire de la situation problmatique , qui comporte ncessairement des "trous" d'information qu'il faudra combler, on passe la deuxime tape qui consiste construire un arbre d'analyse du problme. La dmarche de modlisation est par elle-mme une dmarche de structuration, puis de rsolution du problme. Etape 2 : l'arbre d'analyse L'objectif est de faire apparatre les variables "pertinentes ", ncessaires la description de la situation tudie. La construction de l'arbre repose sur les principes gnraux suivants: - la racine de l'arbre est constitue par le critre associ l'objectif : dans notre cas, une mesure de rentabilit, qui reste prciser. Il convient de remarquer quil sagit dun objectif au sens managrial, cest dire ce qui permet de qualifier les politiques ou solutions testes, de dire, dans ce cas, quune politique de prix est meilleure quune autre au sens du critre retenu. - l'arbre se dveloppe partir de cette racine par un processus de dcomposition des variables qui suit les principes des modles gnraux proposs par les "sciences de gestion ": analyse des cots, finances, marketing,..... Chaque concept du modle gnrique choisi dfinit une variable. Toute activit de gestion ne pouvant chapper lvaluation du cot quelle reprsente, le choix dun modle danalyse des cots constitue en gnral une des toutes premires tapes du processus de modlisation. Il convient de privilgier le choix du modle qui permet le mieux de remonter aux causes des cots, ce qui recommanderait une mthode de type Activity based Costing . A dfaut de disposer des informations correspondantes et compte tenu du niveau danalyse trs global auquel nous nous plaons, nous allons suivre dans notre exemple les principes du "direct costing", qui supposent une sparation des charges variables et des charges fixes. En cohrence avec ce choix, il convient donc de retenir comme mesure de lobjectif, la
7

marge nette globale annuelle, qui dfinit la racine de larbre danalyse partir de laquelle le processus de dcomposition est amorc : le calcul de la marge nette globale passe par le calcul de la marge globale sur cots variables et celui des charges fixes ; le calcul de la marge globale sur cots variables ncessitent la connaissance du chiffre daffaires et des charges variables globales,. (voir figure n 4) Ce processus se poursuit jusqu' ce que l'on atteigne le degr de dtail jug adquat par l'analyste. La profondeur du processus danalyse par dcomposition successive dfinira la granularit (ou finesse) du modle. Difficile spcifier priori, elle dpend : - de la disponibilit des informations : il est inutile de faire apparatre des variables composantes pour lesquelles faute dinformations, il ny a pas de mesure disponible, par exemple : march global connu, segments de march non connus. - de la ncessit de limiter la complexit du modle - qui croit avec le nombre de variables - en retenant des niveaux d'agrgation de variables adapts aux objectifs recherchs par l'tude du problme. Il est inutile de diffrencier les composantes dune variable, si cette diffrenciation nest pas prise en compte dans la problmatique : par exemple dcomposer un march global en segments de march si lon ne diffrencie pas la politique de prix ou les actions marketing en cohrence avec ces segments.Par exemple, lanalyse dun march peut se faire au niveau du march global, ou par segment de march, mais galement, pour certains produits, au niveau le plus atomique, celui du consommateur final, grce au dveloppement des entrepts de donnes (datawarehouse) qui permettent denregistrer les comportements dachat au jour le jour. Un autre principe gnral est respecter : il convient de dcomposer le plus tt possible les variables globales valorises en variables mesurant lactivit physique : volume de ventes, production, stock de produits finis, des variables qui valuent le prix unitaire de ces grandeurs de type flux ou stocks : les charges variables se dcomposent en production vendue (mesure en nombre de produits) et en cot variable unitaire dun produit vendu. Cette dmarche applique notre exemple peut conduire l'arbre suivant:

Marge nette globale Marge globale sur couts variables Charges variables Chiffre d'affaires Production * Cot variable unitaire charges fixes Charges de structure

Prix de vente

Ventes Investissement Demande Production

Amortissement supplmentaire

Dure de vie

Capacit disponible* Demande*

Part de march

March global

Demande *

Capacit disponible

Prix de vente *

Publicit Demande *

Tranche supplmentaire Capacit actuelle

Figure N 4 : Arbre danalyse

Etape 3 : le rseau ou graphe de dpendance Si l'arbre d'analyse sert faire merger les variables pertinentes, le rseau va servir de support pour tablir une typologie de variables qui favorisera la structuration du modle et la conduite de lexprimentation par simulation, il permettra galement l'identification des relations qui lient les variables. Pour passer de l'arbre au rseau, on appliquera les rgles suivantes: - chaque branche de l'arbre est remplace par un arc orient selon le sens de dtermination de la variable (sens de causalit et de calcul), par exemple : pour pouvoir calculer du chiffre daffaire, il faut connatre les quantits vendues et le prix de vente, - chaque variable n'apparat qu'une seule fois dans le rseau, les occurrences multiples d'une variable sont remplaces par un arc dont l'origine est prise au niveau de la seule occurrence conserve, - la lisibilit du rseau est une vertu importante, on essaie de disposer les variables en minimisant les intersections d'arcs. Cela est facilit si l'on reprend l'arbre en disposant ses branches de faon obtenir la meilleure proximit des variables lies. ce travail ncessite de toutes faons plusieurs itrations avant d'obtenir un rseau bien organis. On obtient alors le rseau suivant:

Marge nette globale Marge globale sur couts variables Charges variables Chiffre d'affaires Production Prix de vente Ventes Cot variable unitaire Charges de structure charges fixes

Amortissement supplmentaire

Demande

Capacit disponible

Investissement

Dure de vie

Part de march

March global Tranche supplmentaire Capacit actuelle

Publicit

Figure N 5: Graphe de dpendance des variables

La typologie des variables Nous allons distinguer 4 groupes de variables: 1) Les variables contrlables: elles dfinissent la solution ou le scnario qui sera test sur la modle, elles constituent les leviers d'action sur lesquels l'analyste va jouer pour obtenir des rsultats satisfaisants. Dans notre exemple, il n'y a qu'une seule variable contrlable : le prix de vente; cette notion est troitement dpendante de la situation particulire laquelle on s'intresse et des objectifs que poursuit l'analyste. Dans un autre cas, le budget publicit, l'investissement auraient aussi bien pu tre des variables contrlables; "contrlables" signifie que c'est l'analyste qui en fixe les valeurs qui seront testes sur le modle, ces variables sont sous son contrle. 2) Les paramtres : Ils caractrisent le contexte d'application du modle. Par exemple la publicit, le cot variable, le march global, ... Ils donnent une caractristique gnrique au modle: le mme modle pourrait tre utilis pour un autre produit dans une situation similaire. Il suffit alors d'ajuster les paramtres. Il ne doit jamais il y avoir de constante numrique dans un modle, il n'y a que des variables, si elles ne prennent qu'une valeur constante, ce sont des paramtres qui seront ajusts par modification de leur valeur dans une table ou un fichier, sans que lutilisateur nait intervenir dans la structure mme du modle.

10

Variables contrlables et paramtres sont des points d'entre du rseau : nuds du rseau qui n'ont que des arcs mergents. L'identification des paramtres initie des investigations pour rechercher l'information ncessaire leur valuation. Linformation disponible sur notre situation exemple nous donne les valeurs suivantes: Paramtres : Capacit_actuelle = 15 000 Tranche_supplmentaire = 5 000 Investissement = 600 000 Dure_damortissement = 10 Charges_de_structure_actuelle = 400 000 March_global_annuel = 100 000 Publicit = 50000 En ce qui concerne le cot variable unitaire, on suppose que le produit fabriqu intgre une matire premire achete sur le march mondial. Son cours d'achat subit des fluctuations alatoires, caractristiques des marchs caractre spculatif (mtaux non ferreux, agroalimentaire,...). L'tude historique de ces fluctuations conduit l'hypothse suivante, quant leur impact sur le cot unitaire : Cot variable unitaire en K Probabilit 60 0,2 65 0,5 70 0,3

Danc cette premire tape, la valeur que lon retiendra pour le cot variable unitaire sera sa valeur moyenne : 65,5 K 3) Les variables auxiliaires : c'est l'ensemble des variables fonction d'autres variables, des paramtres et des variables contrlables. Par exemple, la part de march est fonction du prix de vente et de la publicit. Le seul problme qu'elles posent est celui de la dtermination de la relation qui les lient aux variables dont elles dpendent. 4) Les critres : ce sont les variables qui mesurent l'objectif et qui permettront de savoir si les rsultats obtenus par le test du scnario sont acceptables. dans notre exemple le critre retenu est la marge nette globale, et on recherche la politique qui lui donnerait la meilleure valeur.

Etape 4 : le modle formel C'est l'ensemble des relations liant les variables identifies dans le rseau. Ce modle peut tre dcrit dans un pseudolangage. Il est prfrable de l'crire selon la squence logique des calculs, pour cela, on suit le rseau partir des variables contrlables comme point d'entre. Les relations sont dtermines au fur et mesure qu'elles se prsentent. On obtient alors la squence suivante, chaque variable auxiliaire constituant une ligne du modle. Part_de_march = F(Prix_de_vente, Publicit) /* La dtermination de la fonction F partir de lanalyse des rsultats de l'tude de march sera faite ultrieurement.*/ Demande = Part_de_march * March_global_annuel
11

Capacit_disponible = Capacit_actuelle + tranche_supplmentaire (SI Demande > Capacit_actuelle; Sinon 0) /* On n'augmente la capacit que si la demande le justifie */ Production = Min ( Demande, Capacit_disponible) /* On ne peut pas produire plus que la capacit, il est inutile de produire plus que la demande */ Ventes = Min ( Demande, Production) /* On ne peut pas vendre plus que la demande ou plus que le disponible */ Chiffre_d'affaires = Prix_de_vente * Ventes Charges_variables_globales = Production * Cot_variable_unitaire Marge_globale_sur_cots_variables = Chiffre_d'affaires - Charges_variables_globales Amortissement_supplmentaire = Investissement / Dure_damortissement (Si Demande > Capacit_actuelle; Sinon 0) Charges_fixes_annuelles = Charges_de_structure_annuelles + Amortissement_supplmentaire Marge_nette_globale_annuelle = Marge_sur_cots_varaiables - Charges_fixes_annuelles

Etape 5 : le modle programm Les quatre tapes prcdentes sont indpendantes du choix du langage de programmation du modle. Le tableur - "calculateur visible" outil familier au gestionnaire, constitue un excellent outil de modlisation pour des problmes de taille raisonnable, condition de suivre quelques rgles simples lors du dveloppement. Le respect de ces rgles de "bon usage" d'un tableur, s'il n'est pas impratif, est une condition ncessaire pour obtenir un modle d'un bon niveau de qualit. Rgles respecter : 1 - Dtermination d'une seule variable par cellule partir des variables dpendantes, pour chaque variable auxiliaire. Il est possible de "tasser " les formules de calcul dans une seule cellule, mais on perd en lisibilit, en comprhension du dveloppement, alors que de cette faon ralise un dbut d'auto-documentation du modle. 2 - Utilisation systmatique du nom de variable pour rfrencer une cellule : les adresses absolues ou relatives sont peu lisibles, l'utilisation de nom de variable mnmonique renforce la lisibilit du modle; 3 - Pas de constante numrique dans le modle, mais des paramtres que l'on met jour dans une zone de saisie rserve, 4 -Recalcul automatique chaque fois qu'une nouvelle variable auxiliaire est entre, de faon pouvoir sassurer de la vraisemblance du rsultat - y compris toutes les sorties de test logique - . Cest le principe de validation progressive du modle, que seul le tableur permet de mettre en uvre facilement. 5 - La feuille de calcul est organise sur 3 colonnes: libell descriptif clair de chaque variable dans la premire colonne largie 40 caractres ou plus, nom mnmonique donn cette variable dans la deuxime colonne, la 3ime colonne est rserve, soit la valeur numrique du paramtre ou des variables contrlables, soit l'expression de calcul de la valeur de la variable auxiliaire; 6 - Dveloppement squentiel du modle : les variables ncessaires un calcul un niveau donn doivent tre dtermines dans les lignes prcdentes. Ce principe n'est pas obligatoire dans un tableur, mais il prfrable de le respecter, toujours dans l'optique de faciliter la comprhension du dveloppement, cela favorise la maintenance et l'volution du modle, c'est un facteur de qualit.
12

La mise en oeuvre de ces bons principes nous conduit au modle suivant, programm sur EXCEL, ou sur tout autre tableur.
Exemple du cours: Recherche de la meilleure politique de prix I Paramtres March global annuel Capacit annuelle actuelle Tranche supplmentaire de capacit Montant de l'investissement Dure d'amortissement Charges de structure annuelle actuelle Cout variable unitaire Budget publicit II Variables contrlables Prix de vente III Modle Part de march Demande commerciale Capacit de production Production Ventes Chiffre d'affaires Charges variables globales Marge globale sur cots variables Amortissement supplmentaire Charges fixes annuelles IV Critre Marge nette globale annuelle Pm De Capd Prod Ve Ca Cvg Mgcv Ams Cf 0,15 14760 15000 14760 14760 1741680 965304 776376 0 450000 Pv 118
0,25

Mg Capa Dcap Invest Dv Csa Cvu Pub

100000 15000 5000 600000 10 400000 65,4 50000

Analyse des rsultats de l'tude de march Prix de vente Part de march 100 0,20 110 0,18 120 0,15 130 0,10 140 0,07 150 0,05 -0,003228571 0,528571429 Pente Ordo Coefficients de la droite de rgression
Part de march

0,20

0,15

0,10

0,05

0,00 100 120


Prix de vente

140

160

Res

326376

Soit en faisant afficher les formules:

13

Dure d'amortissement Charges de structure annuelle actuelle Cout variable unitaire Budget publicit II Variables contrlables Prix de vente III Modle Part de march Demande commerciale Capacit de production Production Ventes Chiffre d'affaires Charges variables globales Marge globale sur cots variables Amortissement supplmentaire Charges fixes annuelles IV Critre Marge nette globale annuelle

Dv Csa Cvu Pub

10 400000 65,4 50000

Pv

118

Pm =Ordo+Pente*Pv De =ENT(Mg*Pm) Capd =SI(De>Capa;Capa+Dcap;Capa) Prod =MIN(Capd;De) Ve =MIN(Prod;De) Ca =Pv*Ve Cvg =Prod*Cvu Mgcv =Ca-Cvg Ams =SI(De>Capa;Invest/Dv;0) Cf =Csa+Pub+Ams

Res =Mgcv-Cf

La ralisation de ce modle appelle les remarques suivantes - la richesse fonctionnelle du tableur permet, sans sortir d'EXCEL d'obtenir rapidement l'allure graphique de la loi Part_de_march=f(prix_de_vente), et l'analyste peut alors juger du type de modle d'ajustement. On retiendra ici un modle linaire de rgression, en utilisant la fonction DROITREG du tableur. Cette approximation est grossire, mais limprcision inhrente ce type dinformation rend inutile la recherche dun modle dajustement sophistiqu. On pourra prendre en compte cette incertitude et redonner de l'lasticit la relation en injectant un ala de l'ordre de grandeur de l'cart-type des coefficients de la droite d'ajustement, voir le suivant. Dans le modle, la pente est nomme "Pente" et l'ordonne l'origine "Ordo", ces noms de variable sont utiliss dans la relation du calcul de la part de march.

Etape 6 : validation du modle


14

Cette tape est essentielle, il est indispensable que le modle ralis fournisse une aide efficace la rsolution du problme tudi : - (1) il doit fonctionner sans erreur danalyse ou de programmation - (2) il doit se comporter de faon cohrente et fournir des solutions pertinentes Le pemier point sera plus facilement atteint en respectant les rgles indiques prcdemment. Des tudes ont montr que le taux derreur peuttre extrement lev dans des feuilles de tableur : cest souvent la consquence de sa facilit demploi et dune absence de rigueur dans le dveloppement. A notre sens, le tableur est un excellent outil de modlisation, pour autant que son utilisateur ait t bien form son usage et quil en respecte les rgles. Le deuxime point est plus dlicat : la validation externe du modle se fera par lobservation et lanalyse de son comportement. On peut juger de la fiabilit du modle par sa capacit reproduire des rsultats de situation antrieures connues (validation par historique). En ce qui concerne des situations nouvelles, lanalyste doit comprendre, par lanalyse des valeurs des variables auxiliaires, comment se forme le lien entre les hypothses quil teste (valeurs des variables contrlables) et les valeurs correspondantes obtenues pour les critres dvaluation. Nous illustrons ce point dans le paragraphe suivant, concernant lutilisation du modle. 2-3 Lutilisation du modle Conformment la dmarche indique (figure n2), aprs avoir fix les valeurs des paramtres, lutilisateur doit dterminer une premire valeur pour les variables contrlables qui lui donneront un premier rsultat. Dans notre exemple, il doit fixer un prix de vente, qui doit tre choisi entre 100 et 150 K et, par essais successifs, identifier celui qui dgagera la meilleure marge nette. 1 Une approche dichotomique : avec une seule variable contrlable, cette approche permet lutilisateur dexplorer systmatiquement lespace du problme est de trouver la mailleur solution. Il procde de la faon suivante : il fixe le prix de vente 100 et obtient une marge nette de 239100, puis 150, il obtient -75391. Il essaie ensuite 125 (le milieu de lintervalle), il obtient 295000. La partie gauche de lintervalle donne un meilleur rsultat, ce que lon vrifie pour (125+150)/2= 137, on obtient 167550, alors que pour (125+100)/2 = 112, la marge nette est de 268080. Un dernier esai (112+125)/2= 118 donne 326376 de marge nette ce qui semble le meilleur rsultat possible, ce que confirme lessai 119 et 117. On rcapitule les rsultats obtenus dans le tableau et le graphe suivant :
Marge nette globale 400 300 200 100 0 -100100

110

120

130

140

150

Retour sur la validation du modle : La validation externe repose sur une analyse des rsultats fournis par le modle. Cette analyse est plus facile si l'on dispose de donnes historiques que le modle permet de reconstituer. Ce
15

point est surtout intressant dans les modles qui simulent des processus. Sinon, il convient d'examiner avec attention la cohrence des rsultats obtenus en fonction des hypothses des divers scnarios tests. Dans l'exemple tudi, on peut par exemple observer la problmatique suivante : Si l'on pratique un prix de vente lev, la pntration de march doit tre plutt faible, alors que la marge unitaire est forte, la combinaison des deux composantes conduit une certaine marge globale. Symtriquement, si le prix est faible, on compose une part de march forte avec une marge unitaire faible, d'o une autre contribution la marge globale. On se trouve donc avec une fonction marge globale dont les deux composantes varient en sens inverse par rapport une mme variable causale : le prix de vente. Cette situation, frquente en gestion (ex problme du lot conomique, srie optimale de lancement en production,... ) est favorable l'ventualit d'un optimum, et l'on doit vrifier que la marge globale croit avec le prix de vente, passe par un extremum, puis dcrot. Les rsulats obtenus semblent cohrents : la fonction de marge nette globale a bien une allure parabolique : la marge globale est une fonction quadratique du Prix de vente , et on observe une rupture dissymtrique 117 : cest partir de ce prix de vente que laugmentation de la demande dclanche linvestissement en capacit de production. On observe donc un effet de seuil sur les charges fixes par la prise en compte de lamortissement suplmentaire induit par cet investissement. 2-Recherche de la solution par la mthode de Monte-Carlo : Sil y a plusieurs variables contrlables, lapproche dichotomique nest pas envisageable. On utilisera la mthode de Monte-Carlo qui consiste gnrer des solutions de faon alatoire. On constitue ainsi un chantillon de solutions, cet chantillon est reprsentatif de la population des solutions possibles puisquil est construit au hasard. La meilleure solution de lchantillon sera une solution satisfaisante que lon pourra conserver. Pour notre exemple, il sagit de gnrer des prix de vente au hasard, supposons 10, celui qui donnera la meilleure marge globale nette sera le prix de vente retenu. Excel dispose dun gnrateur de nombre pseudo-alatoire, la fonction Alea() qui renvoie un nombre au hasard, sur lintervalle [0 ;1], en densit uniforme. Pour obtenir un prix de vente au hasard, en densit uniforme sur lintervalle [100 ; 150], il suffit dcrire la relation suivante : Prix_de_vente= Ent(100 + 50 * alea())

16

Prix de vente

150

100

Alea()

Figure n6 : Prix de vente fonction linaire de lala uniforme

A chaque re-calcul de la feuille (F9), un nouveau prix de vente est gnr, do une nouvelle marge : Prix de vente au hasard 138 146 124 142 108 149 101 113 120 117 Marge nette globale 152 725 10 951 301 369 87 042 256 288 -52 816 227 048 269 402 320 624 268 231

Cette srie de 10 tirages alatoires donne comme meilleure solution, un prix de vente de 120 K pour une marge nette globale annuelle de 320 624 k.

17

3-Traitement de lincertitude affectant linformation utilise: valuation de son impact sur les critres de dcision Certains paramtres et certaines variables auxiliaires peuvent avoir une composante alatoire qui provient : - soit du fait quil sagit dune information prvisionnelle et que la dtermination de sa valeur est ncessairement affecte dincertitude: par exemple le march_global sera estim 100000 units +/- 10%, - soit dune incertitude lie la nature alatoire de la variable : cours dune matire premire caractre spculatif, mtaux non ferreux, ptrole, agro-alimentaire, - soit pour prendre en compte la distorsion de linformation rsultant du caractre arbiraire de certaines procdures de traitement de linformation , comme par exemple les rgles dimputation de charges indirectes dans la dtermination dun cot de revient, - soit d'une incertitude lie l'estimation statistique de la relation de dpendance, par exemple l'estimation par rgression de la relation part_de_march=F(prix_de_vente) pour un buget de publicit fix. De la mme faon que le physicien value l'incertitude des mesures qu'il ralise, il est intressant pour le gestionnaire d'adopter une attitude analogue et de chercher valuer la fiabilit des informations qu'il utilise. Plutt que de raisonner comme si il tait dans un monde certain, le gestionnaire doit identifier les facteurs de risque, mesurer leurs effets sur les valeurs prises par les variables qu'il utilise, et valuer l'impact de ces alas sur les valeurs prises par les critres de dcision. C'est cette condition qu'il peut ensuite entreprendre des actions de rduction d'incertitude lorsque cela est possible et qu'il peut dfinir les niveaux de risque qu'il juge acceptable. La caractrisation de cette incertitude se fait en associant chaque variable une densit de probabilit modlise par une loi connue : loi Normale, loi de Poisson, loi Bta, ... ou une loi quelconque identifie par des mesures de frquence historique. En l'absence d'une forme particulire, on pourra toujours se placer dans des conditions d'incertitude maximum, en valuant la plage des valeurs possibles pour la variable et en lui associant une densit uniforme, par exemple, une prvision du march global annuel dun produit estim 100000 units plus ou moins 10%. Associer une mesure de lerreur possible lestimation dune grandeur conomique diffrencie la prvision, fiabilise, de la prdiction. Son utilit est importante, par exemple, la connaissance de lincertitude sur des dlais de livraison ou des niveaux de consommation permettra de mieux dimensionner des stocks de scurit. Les langages de programmation et les tableurs disposent d'un gnrateur d'ala qui permet de donner, chaque variable affecte d'incertitude, une valeur obtenue au hasard et conforme sa densit de probabilit, ces alas sont propags par le modle qui value leurs contributions la formation du critre de dcision. 3-1 La gnration de variables alatoires a) cas d'une variable alatoire uniforme: C'est l'exemple du march global dont on suppose que sa valeur future est de 100 000 +/- 10% : toute valeur comprise entre 90 000 et 110 000 est possible, on l'obtiendra par la relation linaire March_global = 90 000 + 20 000 *Alea()

18

Si Alea() = 0, March_global = 90000; si Alea()=1, March_global= 110000 et pour toute valeur de l'ala uniforme appartenant [0;1] on obtient en quiprobabilit une valeur de march global, par exemple si ALEA()=0,5, March_global=100000 b) cas d'une densit de probabilit particulire : C'est l'exemple du cot variable unitaire, le principe est le suivant: on cumule la densit de probabilit pour obtenir la fonction de rpartition. Cot variable unitaire Probabilit Probabilit cumule 60 0,2 0,2 65 0,5 0,7 70 0,3 1

On dcoupe le segment de longueur 1, sur lequel on tire un nombre alatoire appartenant [0;1], selon les probabilits cumules. La probabilit d'obtenir un ala <= 0,2 est gale 0,2. Si cet vnement se ralise - obtenir un nombre alatoire entre 0 et 0,2 - on a simul un vnement dont la probabilit est de 0,2, on dira alors que le cot variable est gal 60; puisque la probabilit qui est associe cette valeur est 0,2. De mme si l'on obtient un ala compris entre 0,2 et 0,7, on a ralis un vnement dont la probabilit est de 0,5, le cot variable sera de 65; enfin si l'ala est suprieure 0,7, sa probabilit est de 0,7 et le cot variable sera de 70. D'o le programme de calcul du cot variable en fonction de l'ala obtenu : Ala = Alea(); /* appel de la fonction Alea() */ Si Ala <= 0,2 Alors Cot_variable_unitaire = 60; Sinon Si (Ala > 0,2 Et Ala <= 0,7) Alors Cot_variable_unitaire = 65; Sinon Cot_variable_unitaire = 70; Finsi; Finsi; c) Le cas dune variable alatoire suivant une densit de probabilit correspondant modle thorique connu Supposons que linvestissement dune tranche supplmentaire de capacit de production conduise linstallation dun nouveau matriel pour lequel on peut penser quun certain nombre dalas : politique de maintenance, fiabilit, absentisme du personnel, vont induire une incertitude sur sa disponibilit relle. Cette dernire est suppose distribue selon une loi normale de moyenne 5000 et dcart-type 200. Cela signifie que la disponibilit relle de cet quipement sera comprise entre 5000- 2*200 = 4600 et 5000+2*200=5400 avec une probabilit de 0.95. On bornera les valeurs possibles dans la limite de +/- 3 cart-types. Excel dispose de la fonction Loi.Normale.Inverse qui renvoie la valeur de la variable alatoire (capacit de la tranche supplmentaire) pour toute valeur de probabilit de la fonction de rpartition, qui mesure la probabilit davoir une valeur de la v.a . infrieure ou gale la la valeur obtenue pour cette v.a.. A toute valeur alatoire de la fonction de rpartition (probabilit cumule) obtenue par la fonction alea(), on pourra ainsi associer une valeur particulire de la capacit supplmentaire, distribue selon la loi normale identifie. Les paramtres passs la fonction utiliser lassistant fonction dExcel seront donc - champ Probabilit : alea() - champ Esprance : 5000 - champ Ecart_type : 200
19

La valeur de capacit renvoye dans la cellule , ex : 4978, sera diffrente pour chaque valeur dAlea(). Le dispositif de gnration des fluctuations alatoires tant construit, on peut passer son exprimentation. Lobjectif est de tester la sensibilit de la politique optimale lincertitude de linformation utilise pour valuer certaines des variables qui ont contribu la dfinir, sur la base de leur valeur moyenne (Figure n 7). Les alas gnrs en entre sont propags par le modle et leur combinaison va disperser les valeurs du critre obtenues en sortie : pour chaque valeur alatoire de march global, de cot variable unitaire et de capacit de production, on obtiendra une marge nette globale diffrente. Il conviendra alors de caractriser cette distribution de marge nette globale alatoire en mesurant sa valeur moyenne et son cart-type.

Entres

Modle

Paramtres Variables contrlables

Variables auxiliaires

Sorties
Critres Alas

March Rsultat Cvu

Capacit

Figure N 7

Comme nous lavons indiqu prcdemment, par la touche fonction F9 on obtient un recalcul de la feuille donc une gnration de lensemble des alas et une valeur alatoire rsultante de la marge nette globale. Afin dautomatiser ce processus, nous allons mettre la feuille Excel dans une boucle itrative que lon va excuter n fois (n=500, par exemple), en mettant en place un calcul automatis de la valeur moyenne de la marge nette et de son ecart-type. A cette fin on utilise le mode calcul itratif dExcel

3-2 Le calcul itratif avec EXCEL a Principe : Le principe du calcul itratif consiste imposer le recalcul d'une feuille autant de fois qu'on le dsire, les rsultats de la nouvelle feuille (itration n) dpendent des rsultats obtenus lors du recalcul de la feuille l'itration prcdente (n-1). le contrle du calcul itratif se fait par la squence de commandes suivantes du menu Outils:

20

Options, Calcul o l'on coche la case "Itration" et o l'on prcise le "Nb maximum d'itrations:". (ex : 500) La validation, bouton "OK", dclenche le calcul itratif qui effectue le nombre d'itrations spcifi. L'information "Ecart maximum" sera ignore dans l'utilisation d'EXCEL pour la mise en oeuvre de la mthode de Monte Carlo. b-Les problmes: en calcul itratif, le tableur descend systmatiquement la colonne (ou la ligne) en recalculant squentiellement toutes les cellules. EXCEL est un tableur optimis qui ne recalcule que les cellules susceptibles de changer de valeur compte tenu des relations de dpendance qui les lient. En consquence, les fonctions ALEA() des diverses cellules ne sont recalcules qu'une seule fois, la premire itration et ne sont pas recalcules aux itrations suivantes puisque rien ne les lie explicitement l'itration prcdente. Ce qui est gnant puisque notre objectif est de regnrer une valeur alatoire pour ces variables, chaque itration, afin d'en valuer l'impact sur les critres de dcision. ce qui lui permet de regnrer un ala chaque fois que la fonction ALEA() est rencontre dans une cellule Le deuxime problme tient au fait que la fonction qui contrle le nombre ditrations nest plus accessible dans Excel, alors quelle ltait dans les tableurs de la gnration prcdente (Multiplan, Lotus, Quattro,). Sa disponibilit facilitait le contrle dinitialisation des diffrents cumuls que nous allons devoir faire : calcul de la valeur moyenne, de la variance ou d'une probabilit. c-Les solutions : ces deux problmes vont tre rsolus en crant un compteur d'itrations. On cre le nom de variable Compteur, on laffecte la cellule adjacente, dans laquelle on entre ensuite : =Compteur+1 EXCEL signale alors une rfrence circulaire puisque la nouvelle valeur de la cellule est l'ancienne valeur de cette cellule plus 1, mais le calcul itratif sait rsoudre les rfrences circulaires, - il calcule squentiellement les diffrentes cellules - ce qui va permettre de faire des cumuls dynamiques. L'existence de ce compteur permettra : 1 - d'initialiser les cumuls (compteur=1) exemple: pour une cellule de la colonne C et de la ligne dans laquelle on veut cumuler les valeurs successives des marges nettes obtenues chaque itration (cellule C ) pour pouvoir ensuite calculer la marge nette globale moyenne : =si(Compteur=1;Res;Cumul+Res) C'est sur ce principe que l'on peut cumuler de faon dynamique les diffrentes valeurs de marge nette obtenues chaque itration. 2 - de lier explicitement le compteur toute cellule dont on veut forcer le recalcul chaque itration parce qu'elle contient un appel de la fonction Alea(). Exemple pour obtenir un nouveau march global chaque itration: Ent(90000+20000*alea()) + Compteur - Compteur Compteur tant le nom donn la cellule qui contient le compteur d'itrations. Le fait dajouter et de retrancher la mme valeur est un artifice qui ne modifie pas la valeur de la cellule, mais contraint Excel r-valuer cette cellule qui dpend de la valeur du compteur, valeur qui change chaque itration. C'est ce que l'on fait galement pour la cellule dans laquelle on gnre l'ala pour le cot variable et celle du calcul de la capacit supplmentaire disponible. Pour lancer le calcul et assurer l'initialisation des variables, il suffit de placer le curseur sur la cellule contenant la valeur du compteur d'itrations, de faire F2 suivi de Retour.

21

3-3 Mise en place des indicateurs statistiques permettant de caractriser la distribution du rsultat A chaque itration, la feuille est recalcule, les alas sont gnrs et donnent une nouvelle valeur de march global, de part de march et de capacit de production, donc on obtient un nouveau rsultat conomique. Naturellement, chaque nouvelle itration crase les rsultats de litration prcdente. Afin de pouvoir conserver linformation permettant de calculer les paramtres caractrisant la distribution statistique du rsultat, on utilise la possibilit de calcul de cumul en mode calcul itratif : - la moyenne de la marge nette globale annuelle sera obtenue en cumulant les rsultats obtenus chaque itration et en le divisant par le nombre ditrations (valeur du compteur) - sa variance sera obtenue en cumulant les carts centrs quadratiques et en le divisant par le nombre ditrations - on pourra galement calculer la probabilit datteindre un objectif de rsultat fix priori, en comptant le nombre de marge nette globale suprieure ou gael cet objectif, divis par le nombre total de rsultats obtenus. 3-3-1 Calcul de la moyenne X : Soit Xi la marge nette de litration i : Lesprance mathmatique de marge ou valeur 1 i n moyenne sera : X X i , n est le nombre ditrations, c'est--dire la valeur du compteur. n i 1 Soit dans Excel : On nomme la cellule dans laquelle on va faire le cumul des marges nettes : Cumul On programme le cumul en linitialisant avec la marge nette obtenue Res la premire itration (Compteur=1), soit : Cumul = Si (Compteur=1; Res ; Cumul+Res) Do la valeur de la marge nette globale moyenne : Espmarge Espmarge = Cumul / Compteur 3-3-2 Calcul de lcart-type : On calcule la variance Vx =
1 i n ( X i X )2 n i 1
2 1 i n 2 Xi ) X n i 1

Soit aprs dveloppement de la formule : Vx = ( Et lcart-type : Vx

Soit dans Excel : On nomme Cumarge2 le cumul des marges nettes moyennes quadratiques, que lon initialise avec le carr de la premire marge nette moyenne obtenue (Compteur=1) : Cumarge2 = Si (Compteur=1 ; Res * Res ; Cumarge2 + Res * Res) Do la variance Var Var =( Cumarge2 / Compteur) Espmarge * Espmarge Et lcart-type Sigma : Sigma= Racine (Var)
22

3-3-3 Calcul de la probabilit datteindre un objectif de rsultat donn Supposons que cette unit de production se voit assigner un objectif de marge nette globale annuelle de 250 000 K. On peut valuer la probabilit datteindre cet objectif en mesurant la frquence exprimentale avec laquelle ce rsultat sera obtenu dans la simulation: lobjectif est atteint chaque fois que le rsultat dune itration est suprieur ou gal 250 000 K. Pour mesurer cette frquence on compte le nombre de fois que la marge est suprieure ou gale lobjectif et on le divise par le nombre total de rsultats obtenus. On nomme Cumres la cellule dans laquelle on programme le calcul du nombre ditrations o la marge est suprieure ou gale lobjectif, nomm Objectif que lon a entr dans la zone des variables contrlables. Comme pour les autres calculs de cumul, on utilise compteur =1 pour initialiser le cumul la valeur 0, ce qui suppose que la premire marge obtenue nest pas suprieure lobjectif. - Cette minoration ventuelle de la frquence mesure nest pas significative -. Soit : Cumres = Si (Compteur=1 ; 0 ; Si ( Res >= Objectif ; Cumres + 1 ; Cumres)) La variable Cumres est incrmente de 1 si la marge Res est suprieure ou gale Objectif. Do la frquence mesure, que lon assimilera, par dfinition, (le rapport entre le nombre de cas favorables et le nombre de cas possibles) la probabilit datteindre lobjectif : Proba = Cumres / Compteur

3-4 Mise en oeuvre de la simulation 1. On fixe les paramtres et les valeurs retenues pour les variables contrlables 2. On fixe le nombre d'itrations : Outils, Options, Calcul, Itrations, nombre max ditrations=500, par exemple. Ce nombre maximum est revu par ajustement successif en examinant la stabilisation de la valeur moyenne du critre (marge_nette_globale_moyenne). Plus le nombre de variables alatoire est lev plus il faut envisager un nombre important d'itrations. 3. On initialise le compteur d'itrations en positionnant le curseur sur la cellule du compteur, puis F2 et Entre, ce qui lance la simulation et rinitialise tous les cumuls. 4. Il peut-tre intressant dintroduire les variables alatoires sparment, une par une, de faon voir limpact spcifique de chacune delles sur les critres (esprance mathmatique, carttype, Probabilit). On pourra constater, ensuite, que chaque fois que lon introduit une variable alatoire supplmentaire, la dispersion du rsultat augmente. On trouvera ci-aprs, la feuille Excel (sans et avec formules) pour lexemple support du cours.

23

Exemple du cours: Recherche de la meilleure politique de prix Impact de l'incertitude sur la formation du rsultat I-1 Paramtres Capacit annuelle actuelle Montant de l'investissement Dure d'amortissement Charges de structure annuelle actuelle Budget publicit I-2 Variables alatoires March global annuel Alea uniforme sur [0;1] Si alea<=0,2 ==> Cvu=60 Si alea>0,2 et alea<=0,7 ==> Cvu=65 Si alea>0,7 ==> Cvu=70 Cout variable unitaire Tranche supplmentaire de capacit Limite +/- 3 cart-types II Variables contrlables Compteur d'itrations Prix de vente Objectif atteindre III Modle Part de march Demande commerciale Capacit de production Production Ventes Chiffre d'affaires Charges variables globales Marge globale sur cots variables Amortissement supplmentaire Charges fixes IV Critres Marge nette globale annuelle
Cumul ders marges nettes annuelles Marge nette globale moyenne Cumul des marge nettes quadratiques Variance de la marge nette globale Ecart-type de la marge nette globale

Capa Invest Dv Csa Pub

15000 600000 10 400000 50000

Mg alea

Cvu Dcap

102534 0,436325 60 0 0 60 4989 4989

Compteur Pv Objectif

2500 100 250000

Pm De Capd Prod Ve Ca Cvg Mgcv Ams Cf

0,21 21092 19989 19989 19989 1998900 1199340 799560 60000 510000

Res

289560

Cumul 697471760 Espmarge 278988,7 Cumarge2 1,955E+14 Var 352470724 Sigma 18774,204
24

Nombre de rsultats suprieurs l'objectif Cumres Probabilit d'atteindre l'objectif Proba

2200 0,88

I-1 Paramtres Capacit annuelle actuelle Montant de l'investissement Dure d'amortissement Charges de structure annuelle actuelle Budget publicit I-2 Variables alatoires March global annuel Alea uniforme sur [0;1] Si alea<=0,2 ==> Cvu=60 Si alea>0,2 et alea<=0,7 ==> Cvu=65 Si alea>0,7 ==> Cvu=70 Cout variable unitaire Tranche supplmentaire de capacit Limite +/- 3 cart-types II Variables contrlables Compteur d'itrations Prix de vente Objectif atteindre III Modle Part de march Demande commerciale Capacit de production Production Ventes Chiffre d'affaires Charges variables globales Marge globale sur cots variables Amortissement supplmentaire Charges fixes IV Critres Marge nette globale annuelle
Cumul ders marges nettes annuelles Marge nette globale moyenne Cumul des marge nettes quadratiques Variance de la marge nette globale Ecart-type de la marge nette globale
Nombre de rsultats suprieurs l'objectif

Capa Invest Dv Csa Pub

15000 600000 10 400000 50000

Mg Alea

Cvu Dcap

=ENT(90000+20000*ALEA())+Compteur-Compteur =ALEA()+Compteur-Compteur =SI(Alea<=0,2;60;0) =SI(ET(Alea>0,2;Alea<=0,7);65;0) =SI(Alea>0,7;70;0) =SOMME(C13:C15) =ENT(LOI.NORMALE.INVERSE(ALEA();5000;200))+Compteur-Compteur =SI(C17<4400;4400;SI(C17>5600;5600;C17))

Compteur =Compteur+1 Pv 100 Objectif 250000

Pm De Capd Prod Ve Ca Cvg Mgcv Ams Cf

=Ordo+Pente*Pv =ENT(Mg*Pm) =SI(De>Capa;Capa+Dcap;Capa) =MIN(Capd;De) =MIN(Prod;De) =Pv*Ve =Prod*Cvu =Ca-Cvg =SI(De>Capa;Invest/Dv;0) =Csa+Pub+Ams

Res

=Mgcv-Cf

Cumul =SI(Compteur=1;Res;Cumul+Res) Espmarge =Cumul/Compteur Cumarge2 =SI(Compteur=1;Res*Res;Cumarge2+Res*Res) Var =(Cumarge2/Compteur)-Espmarge*Espmarge Sigma =RACINE(Var) Cumres Proba =SI(Compteur=1;0;SI(Res>=Objectif;Cumres+1;Cumres)) =Cumres/Compteur

25

Probabilit d'atteindre l'objectif

Bibliographie BALLAZ B., BINET P., GIROD P., MICHALLAT R. La simulation de gestion, PUF, 1974 BALLAZ B., 1989 L'utilisation du tableur MULTIPLAN pour la mise en oeuvre de simulation de type "Monte Carlo", papier de recherche N89-15, CERAG, ESA Grenoble EKLAND I., Au Hasard, Seuil. 1991 FORRESTER J.W., Industrial Dynamics 9e d. MIT Press, 1977. HERTZ D., Risk analysis in capital investment, Harvard Business Review, January, 1964. LEMOIGNE J.L., La thorie du systme gnral, PUF, 1977. LEVY P., Les technologies de l'intelligence, Point Seuil, 1991 MICROSOFT EXCEL 5.0, Guide de l'utilisateur, 1994. MOLES A., Les sciences de l'imprcis, Seuil, 1990. NAYLOR, T Computer simulation experiments with models of economic systems, Wiley,1971 SENGE S., The 5th Discipline, SIMON, H., NEWELL, A. Human problem solving; Prentice Hall, 1972.

26