Techniques de prvision

Prvision: Source de planification industrielle

Prvisions ventes par famille
Commande client Consommation PIC par famille des prvisions Livraison client PIC par article PIC par article Ecriture fact. mettre de la famille de la famille
Ecriture mvts stocks

Evaluation plan appros Evaluation charges ressources critiques

Plan Directeur Facture client Ecriture facture Besoins indpendants sur PF Analyse marge Besoins dpendants sur SF Remise en cause besoins indpendants
version active ou de simulation

Evaluation lissage charges Planification Long Terme Gammes court terme Scnario reprenant bes. indp. PDP Evaluation plan appros

Macro-gammes Ressources critiques Matires critiques

MRP Besoins dpendants sur tous niveaux Sug. Achats Ordres planifis Sous Traitance Demande Achats Cde Fournisseur Ecriture engagement Rception Ecriture fact. recevoir Ecriture mvts stocks Facture Fournisseur Ecriture facture rgul. stock Sug. Fab. Ordres planifis Transformation OF OF ouvert
Rservations

Lissage de charge Capacit finie

Cot Budgt OF

OF lanc

Impression documents Pointage de temps

STOCKS

Sorties Suivi matires/Temps Ecritures de stocks OF confirm Entre Dclaration Fab. Ecritures de stocks Solde OF Rgulari. Imputation Ecritures imputations Ecritures mvts stocks carts Ecritures collecteur

Cot rel OF

Prvisions Fonctions de lentreprise

Fonction Gestion commerciale Application Prvision vente, fixation objectifs Horizon 3 6 mois 3 9 mois 6 12 mois

Gestion de production Prvision de commandes, de stocks, de livraisons, PDP, PIC Marketing Finance Contrle de gestion Plan Ordonnancement Prvision vente, plan marketing

Simulation financire, trsorerie, risque de 6 12 mois change Budget Prvision et planification stratgique Planification court terme 15 18 mois > 3 ans 1 5 jours
3

Qui est le prvisionniste ?

L'homme de terrain "Scientifique"

vendeur, reprsentant, Positif connaissance produit, march intress directement par les prvisions Ngatif confusion prvision/objectif prvisions qualitatives : influences par dernier client, client le plus important

dcideur Positif Approche statistique utilisation de mthodes quantitatives support informatique Ngatif coupure/march et /produit

Coopration entre les deux approches: Rle de la Supply Chain Logistique

La nature de la prvision et de la gestion de la demande

Une bonne gestion et la prise de dcision adquates ncessitent la connaissance des demandes satisfaire.
La demande nest pas toujours connue lavance.

La nature de la prvision et de la gestion de la demande

Pour prvoir la demande, il faut utiliser des mthodes qui tiennent compte:
des tendances passes des facteurs pouvant linfluencer de lanalyse des donnes connues (commandes dj entres).

Cest ce quon appelle la prvision. La prvision est une tape ncessaire devant prcder la planification des oprations.

La gestion de la demande

La gestion de la demande consiste : Dterminer la demande totale satisfaire et la faire connatre au moment voulu et selon des formes prcises aux gestionnaires concerns (production, marketing).

Quelles sont les responsabilits du groupe qui soccupe de la gestion de la demande? Collecte des donnes sur tous les types de demande que lentreprise doit satisfaire. Agrgation de ces demandes et la communication des rsultats aux services concerns pour avoir une ide globale des besoins en ressources.

Quelles sont les responsabilits du groupe qui soccupe de la gestion de la demande? Conception et mise en uvre de moyens permettant dadapter la demande pour la rendre plus acceptable, dans le cas o cette dernire poserait des difficults. tablissement des dlais de livraison ralistes et contrle du respect des dlais.

Dans quels contextes les prvisions sont-elles utiles?

Adoption dune technologie nouvelle.
Modification de la capacit.

Gestion de lquipement.
Localisation et lamnagement.

Gestion des stocks.

Planification intgre.

Gestion stratgiques des oprations.

Quelles sont les rgles dutilisation de la prvision de la demande? 1) La prvision doit porter sur la demande indpendante (produits finis).
2) La prvision peut tre faite sur des familles de produits ou des produits individuels.

Quelles sont les rgles dutilisation de la prvision de la demande? 3) La prvision doit tre faite court ou moyen terme seulement.
4) Il faut prendre en considration la part dincertitude dans lutilisation des prvisions.

Facteurs considrer lors du choix dune mthode de prvision

Variables prvoir le genre de donnes cots dune mthode de prvision la disponibilit des donnes cot de la cueillette des donnes

limportance de la prvision les facteurs qui influencent la variable prvoir nombre de variables prvoir
lien entre tats passs et tats futurs de la variable prvoir

temps et ressources requises pour obtenir les prvisions

les usagers des outils de prvisions frquence laquelle les prvisions doivent tre faites

Prvisions

Techniques de prvision
Mthodes qualitatives Mthodes quantitatives

Mthodes qualitatives

Dans quelles circonstances les mthodes qualitatives sont-elles appropries?

si aucune donne chiffre nest disponible. si les donnes passes sont non fiables. sil y a des changements majeurs dans les valeurs et les comportements qui empchent lutilisation des donnes existantes.

Quelles sont les mthodes qualitatives?

1. tude de march
2. Prvisions visionnaires

3. Mthodes Delphi
4. Analogie historique

1. tude de march

Questionnaires, contacts par tlphone, entrevues personnelles ou du personnel cl pour amasser des donnes.
Utilises surtout en planification stratgique, par exemple, pour information sur de nouveaux produits.

1. tude de march

Une analyse statistique des rsultats peut tre faite pour tester des hypothses concernant le comportement des consommateurs.
Mthode coteuse cause du personnel requis, de la poste, etc. Peut tre sujet un biais lev.

2. Prvisions visionnaires

Bases sur la prparation de prvisions par les vendeurs selon leurs connaissances du march, du terrain et de leurs clients.

3. Mthode Delphi
Se base sur lopinion de groupes dexperts et vise lobtention dun consensus. Les experts sont interrogs individuellement, donc pas de lien entre eux. Ils peuvent tre requestionns itrativement jusqu ce quun consensus soit atteint. Pratique pour la prvision long terme et pour prdire les changements technologiques.

4. Analogie historique

Ex.: Courbe du cycle de vie pour diffrents produits similaires

Mthodes quantitatives

Deux types de mthodes: 1- Mthodes causales

2- Mthodes des sries chronologiques

1. Mthodes causales
Utilises pour mettre en relation les facteurs explicatifs qui influencent lvolution dune variable prvoir.
Exemples: population, localisation gographique, niveau dducation, ge, etc.

1. Mthodes causales
Chaque facteur a une importance et un effet qui doivent tre valus pour expliquer comment les variables de prvision ont pu tre modifies dans le pass.
Un modle de prvision est construit qui intgre les facteurs appropris.

2. Mthodes des sries chronologiques

Elles sintressent aux liens entre les valeurs passes de la variable prvoir. Un modle mathmatique bas sur lvolution passe de la variable de prvision est dtermin.

Le choix dun modle de prvision devrait dpendre de : 1. Horizon de planification

2. Disponibilit des donnes

3. Prcision requise
4. Taille du budget affect la prvision 5. Disponibilit du personnel qualifi

Mthodes causales
1. Rgression linaire
Cette mthode permet dtablir un modle mathmatique linaire qui exprime une variable dpendante en fonction dautres variables, dites indpendantes.

Mthodes causales
2. Rgression multiple et modles conomtriques
Cette mthode est analogue celle de rgression linaire sauf quelle peut prsenter une dpendance plusieurs variables indpendantes combines. Cela donne un modle qui nest pas linaire.

Lorsque plusieurs quations de rgression doivent tre rsolues en mme temps modles conomtriques

Rgression linaire simple

Le modle de la rgression linaire simple est de la forme: Yt = a + b Xt

o Yt est la variable dpendante et Xt la variable indpendante.

Rgression simple

a Y bX

XY nXY b X nX
2 2

X ,Y

sont les moyennes respectives des n observations des X et des Y

Rgression simple
a et b sont obtenus par les quations normales de la mthode des moindres carrs. Cette mthode tente de trouver la droite reprsentant le mieux les donnes en minimisant la somme des carrs de la distance verticale entre chaque point et son point correspondant sur la droite.

Rgression simple
Les dsavantages de cette mthode sont que les donnes devraient se rapprocher dune droite.
Ceci limite son utilit.

Par contre, si on considre une priode de temps plus courte, la rgression simple peut tre adquate.

Rgression simple
La rgression simple est utilise principalement comme mthode causale. En sries chronologiques, les rsultats sont moins adquats.
Si la variable dpendante change cause du temps analyse de sries chronologiques.

Exemple 1
Le tableau suivant prsente les donnes et les calculs ncessaires pour faire des prvisions.
X 1 2 3 4 5 6 7 8 9 10 11 12 78 Y 600 1550 1500 1500 2400 3100 2600 2900 3800 4500 4000 4900 33350 XY 600 3100 4500 6000 12000 18600 18200 23200 34200 45000 44000 58800 268200 X2 1 4 9 16 25 36 49 64 81 100 121 144 650 Y2 360000 2402500 2250000 2250000 5760000 9610000 6760000 8410000 14440000 20250000 16000000 24010000 112502500 Prvision 803.1 1160.9 1520.5 1880.1 2239.7 2599.4 2959.0 3318.6 3678.2 4037.8 4397.4 4757.1

Exemple 1 (suite)
Quelle est lquation de rgression pour ce problme?
a = Y bX
b=

XY nX Y X nX
2 2

b=

XY nX Y = 268200 12(6,5)(2779,17) = 359,6 650 12(6,5) X nX

2 2 2

a = Y bX = 2779,17 359,6(6,5) = 441,7

Y = 441,7 + 359,6 X

Les sries chronologiques

Les mthodes statistiques de prvision se basent sur lanalyse de donnes historiques appeles les sries chronologiques.
Une srie chronologique est un ensemble dobservations faites diffrentes priodes successives dans le temps.

Quest-ce quune srie chronologique Priodes

1 1060 2 1426 3 1174 4 916 5 888 6 1283 7 1056 8 1295 9 1268 10 ? Demande 2 000 -

1 000 -

Srie chronologique ou srie temporelle ou srie de consommations 1 2 3 4 5 6 7 8 9 10

Xt, t = 1, , T

Srie chronologique
640 620 600

demande

580 560 540 520 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

priodes

demande

622 594 562 584 531 588 547 606 597 613 567 556

donnes historiques

prvisions pour les priodes futures

Le processus de prvision
Donnes Donnes historiques historiques Choix du modle de prvision rvision du choix du modle Prvisions Calcul des erreurs de prvision

rvision des prvisions

valuation subjective des prvisions

Voici quelques comportements de sries chronologiques

linaire

courbe en S

linaire dcroissante
cycl e

exponentiell e

asymptotiqu e

cycle avec tendance

tapes de la mthode des sries chronologiques 1. Collecte des donnes

cueillette dobservations sur les valeurs de la variable de prvision sur plusieurs priodes. mettre de ct les donnes non reprsentatives (ex.: lors de grve.)

tapes de la mthode des sries chronologiques

2. Analyse des donnes

dfinir le modle sous-jacent reprsentant le mieux lvolution de la demande passe par:
i) technique de lobservation visuelle ii) technique danalyse dautocorrlation des donnes (permet de mesurer limportance du degr de relation des observations entre elles.)

tapes de la mthode des sries chronologiques

3. Choix de la meilleure mthode de prvision
test systmatique des mthodes se rapportant au modle sous-jacent choisi.

tude des rsultats obtenus laide dune technique quon verra plus tard (mesures derreurs.

tapes de la mthode des sries chronologiques 4. Obtention des prvisions

utiliser les quations dtermines prcdemment pour dterminer les prvisions.

Modle avec niveau constant

Une tude est faite de lvolution alatoire des donnes observes autour dune valeur centrale stable dite niveau.
demand e
x x x x x x x x x x x x x x x

niveau

Le niveau correspond en fait une

temp s moyenne

Diffrentes faons dtablir ce niveau

Moyenne statistique Moyenne mobile Moyenne pondre Lissage exponentiel

Moyenne statistique
La valeur du niveau est gale la moyenne des observations retenues.
Xt

X
i 1

o X t = moyenne statistique au temps t Xi = valeur observe au temps i n = #observations

Moyenne statistique (suite)

La prvision P de la demande pour les priodes futures j est donne par

Pt j X t
La prvision est donc la mme pour toutes les priodes venir.

Moyenne mobile
Pour cette moyenne, seules les observations les plus rcentes sont utilises pour calculer la prvision.
Cette mthode ncessite de conserver un grand nombre de donnes en mmoire.

Moyenne mobile (suite)

Les prvisions se calculent de la faon suivante

Pt 1

i t m 1

X
m

o m = #observations considres (ordre de la moyenne mobile) t = la dernire priode pour laquelle nous considrons une observation

Exemple 2
Nous avons les donnes suivantes concernant les ventes en 1000 gallons dessence par semaine.
Semaine 1 2 3 4 5 6 Ventes (1000 gallons) 17 21 19 23 18 16 Semaine 7 8 9 10 11 12 Ventes (1000 gallons) 20 18 22 20 15 22

Considrons une moyenne mobile base sur 3 observations. Quelles sont les prvisions des semaines 4 et 5? Quelle serait la prvision pour la semaine 7?

Lissage exponentiel simple

Cette mthode permet de calculer une moyenne pondre qui tient compte du poids attach aux observations, le poids sestompant quand on avance dans le temps.

Cette mthode est une des plus utilises.

Lissage exponentiel simple

Soient Pt = prvision au temps t. Xt = observation au temps t. a = facteur de pondration compris entre 0 et 1 (appel aussi constante de lissage)

Lissage exponentiel simple

La prvision au temps Pt se calcule ainsi:
Pt = a Xt-1 + a1a Xt-2 + a1a2 Xt-3 ++ a1an-1 Xt-n Cette formule se rcrit sous la forme

Pt = a Xt-1 + (1-a) Pt-1= Pt-1 + a (Xt-1- Pt-1)

Lissage exponentiel simple

Trois types de donnes sont ncessaires pour appliquer la mthode: 1) La prvision pour la priode prcdente. 2) La demande relle pour cette mme priode. 3) Facteur de pondration a

Exemple 3
Une firme utilise un lissage exponentiel simple avec un coefficient a de 0,1 pour prvoir une demande. La prvision pour la premire semaine de fvrier tait de 500 units alors que la demande relle tait de 450.

Prvoyez la demande pour la semaine du 8 fvrier.

Exemple 4
Considrons les valeurs observes suivantes pour les 12 prochaines priodes.
t 1 2 3 4 5 6 7 8 9 10 11 12 Xt 90 105 95 110 95 95 105 120 120 115 125 115

Soit a=0,1 et 0,3. Quelles sont les prvisions pour les priodes 1 13?

Exemple 4 (solution)
1 2 3 4 5 6 7 8 9 10 11 12 Xt 90 105 95 110 95 95 105 120 120 115 125 115 Pt (a = 0,1) 90.00 90.00 91.50 91.85 93.67 93.80 93.92 95.03 97.52 99.77 101.29 103.67 104.80 Pt (a = 0,3) 90.00 90.00 94.50 94.65 99.26 97.98 97.08 99.46 105.62 109.94 111.45 115.52 115.36

Lissage exponentiel simple

Le facteur de pondration, a, dtermine le niveau de lissage et la vitesse de raction la diffrence entre la prvision et la demande relle. Le choix de a dpend de lallure de la demande.

Initialisation

2/a - 1

Raisons pour expliquer le succs des mthodes de lissage exponentiel

1) Le modles sont assez prcis.
2) La formulation des modles se fait aisment.

3) Lutilisateur peut comprendre comment le modle fonctionne. 4) Le modle requiert peu de calculs.

Raisons pour expliquer le succs des mthodes de lissage exponentiel:

5) Le modle requiert peu despace-mmoire car on na pas besoin de conserver beaucoup de donnes passes.
6) Les tests pour vrifier comment le modle se comporte sont faciles calculer.

Modle avec tendance

Pour ce type de modle, on ne considre plus une moyenne stable mais plutt la tendance de la demande en fonction du temps.
En fait, la moyenne ne peut nous tre utile dans ce cas.

Mesure de la tendance

La mesure de la tendance =

Ampleur de la variation moyenne observe dune priode lautre.

Mesure de la tendance
demande tendance
x

x x

x
x x x x x x x

temps

Modle avec cycle

Ici, la demande ne varie pas de faon constante. On ne peut donc plus parler de tendance linaire comme le modle prcdent. La demande varie de faon cyclique ou saisonnire. Le cycle est dcelable par visionnement des donnes ou par lanalyse de lautocorrlation.

Modle avec cycle

demande
x x
x

cycle seulement
x x x x

demande

x x x x

cycle + tendance

temps

temps

4 mthodes de prvisions pour demandes cycliques

Lissage exponentiel deux ou trois paramtres
Dcomposition classique

Rgression multiple
Recherche des harmoniques

Choix de la meilleure technique de prvision Principales mesures derreurs

La meilleure mthode de prvision doit donner les prvisions les plus prcises possibles. Pour valuer une mthode, on se base sur les erreurs de prvision passes.

Principales mesures derreurs

Lcart entre une donne passe et la prvision faite par le modle pour la priode correspondante est mesur pour sassurer de la justesse du modle.
Les diffrentes mesures que nous allons voir peuvent tre values pour diffrentes mthodes. La mthode donnant les meilleurs rsultats serait la plus approprie.

Diffrentes mesures dcart

cart quadratique moyen cart absolu moyen cart absolu moyen en % Biais

cart quadratique moyen

Lcart quadratique moyen se calcule ainsi

EQM n

P X
i i i 1

o Pi = valeur prvue et Xi = valeur relle.

cart absolu moyen

Ce type de mesure derreur tient compte des carts sans gard au signe des valeurs. L cart absolu moyen se calcule ainsi

EAM t

PX
i i 1

Erreur absolue moyenne

Par ailleurs, lerreur absolue moyenne en % se calcule un peu diffremment que lcart absolu moyen.

Pi X i 100 Xi i 1 MAPE n
n

Biais ou erreur moyenne

Pour le calcul du biais, les carts tiennent compte du signe des valeurs i.e. ngatifs ou positifs.
Le biais devrait tre prs de 0.

Biais ou erreur moyenne

Si le biais est > 0 les prvisions ont tendance dpasser les valeurs relles.
Si le biais est < 0 les prvisions ont tendance tre sous les valeurs relles. Si et = Pt - Xt

Biais ou erreur moyenne

Le biais se calcule ainsi

Biais n

P X
i i i 1

Exemple 5
Considrons les donnes sur les ventes du modle dautomobile Z pour les annes 1990 1996. Les prvisions obtenues laide de la mthode du lissage simple et laide dune rgression linaire sont galement donnes.
1 2 3 4 5 6 7 X 180 205 185 200 220 210 180 LE 180 180 200 188 198 216 211 Reg 192 194 195 197 199 200 202

Exemple 5 (suite)
Calculez les diffrentes mesures derreur.
Quelle mthode de prvision est la meilleure?

Solution, LE
X 180 205 185 200 220 210 180 LE 180 180 200 188 198 216 211 e 0 25 -15 12 22 -6 -31 Biais 1.00 abs(e) 0 25 15 12 22 6 31 EMA 15.86 e2 abs(e)% 0 0.00 625 0.12 225 0.08 144 0.06 484 0.10 36 0.03 961 0.17 EQM MAPE 353.57 8.05

1 2 3 4 5 6 7

Solution, rgression
X 180 205 185 200 220 210 180 Reg 192 194 195 197 199 200 202 e -12 11 -10 3 21 10 -22 Biais 0.14 abs(e) 12 11 10 3 21 10 22 EMA 12.71 e2 abs(e)% 144 0.07 121 0.05 100 0.05 9 0.02 441 0.10 100 0.05 484 0.12 EQM MAPE 199.86 6.50

1 2 3 4 5 6 7