THSE / UNIVERSIT DE BRETAGNE SUD

UFR Sciences et Sciences de lIngnieur

sous le sceau de lUniversit Europenne de Bretagne
Pour obtenir le grade de :
DOCTEUR DE LUNIVERSIT DE BRETAGNE SUD
Mention : Mathmatiques, Spcialit: Statistiques appliques
cole Doctorale SICMA
prsente par
Wilfried DESPAGNE
Laboratoire des Sciences et Techniques de lInformation,
de la Communication et de la Connaissance
CNRS (UMR 3192)
Construction, analyse et
implmentation dun modle
de prvision.
Dploiement sous forme dun systme de
prvision chez un oprateur europen du
transport et de la logistique.
Thse soutenue le 1
er
Avril 2010,
devant la commission dexamen compose de :
M. Stphane LALLICH
Rapporteur
M. Rgis BOURBONNAIS
Rapporteur
M. Alain HILLION
Examinateur
M. Serge CAPITAINE
Examinateur
M. Emmanuel FRENOD
Directeur de thse
Mme. Valrie MONBET
Co-Directrice de thse
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
Construction, analyse et implmentation dun modle de
prvision.
Dploiement sous forme dun systme de prvision chez un
oprateur europen du transport et de la logistique.
La thse est le fruit dun projet collaboratif. Ce projet innovant a runi des acteurs majeurs
de la formation et de la recherche (UBS, UEB, Lab-STICC) avec un professionnel du
transport et de la logistique (STEF-TFE). LANRT a particip au nancement par le biais
dune convention industrielle de formation par la recherche (CIFRE).
Figure 1 Les partenaires
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
Rsum
Cette thse montre que pour innover, le secteur priv peut faire appel la connais-
sance acadmique. En effet, un partenariat entre un tablissement universitaire et un
professionnel du transport de marchandises a permis de rpondre des problma-
tiques industrielles par lapplication de mathmatiques de pointe. Cette thse porte sur
la conception, limplmentation et la mise en production dun systme de prvision dac-
tivit pour loptimisation de la planication des ressources. Elle propose galement un
modle mathmatique pour modliser les ux de marchandises qui transitent sur un quai
de messagerie.
Pour comprendre la problmatique pose par lindustriel, le contexte industriel dans le-
quel sinsrent les travaux de recherche est pos. Il sen suit une rexion sur la manire
daborder le problme de mise en place dun systme de prvision en entreprise. Une
synthse de lexistant en matire de production dinformation prvisionnelle est mene
dans lentreprise. En sappuyant sur les informations rcoltes, une mthodologie pour
intgrer, analyser et prvoir des indicateurs conomiques, est avance. Cette mthodo-
logie est applique avec succs dans le groupe STEF-TFE, leader franais du transport
sous temprature dirige. Dans le but de planier les ressources ncessaires pour faire
face lactivit prvue, une recherche a t mene pour modliser les ux de marchan-
dises en transit sur un quai de messagerie.
Le rsultat de la thse est, quen 2010, 70 agences de transports du groupe STEF-
TFE ont accs aux prvisions dactivits. Aussi, la mthodologie avance est susceptible
dtre utilise dans divers secteurs industriels et notamment ceux appartenant la chane
logistique.
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
Abstract
This thesis shows for innovation purposes, the private sector can use academic know-
ledge. Indeed, a partnership between a university and a professional merchandise trans-
portation business has forwarded responses to industrial issues through the application
of advanced mathematics. This thesis is about the development, implementation and set-
ting up of an activity forecasting system for planning and resource enhancement. It also
offers a mathematical model for the merchandise ow that passes in transit through ex-
press parcel docks.
To better understand industrial issues, the industrial context of this work is set forth. A
thought process on how to best approach the issue of setting up a forecasting system
in a rm is then presented. A synthesis of the existing production means of forecasting
information is carried out in the rm. Using the information gathered, a methodology to
integrate, analyse and forecast economic indicators is set forth. This methodology is suc-
cessfully applied in the STEF-TFE group, a French leader in cold logistic. To plan the
necessary recourses to deal with the forecasted activity, research was carried out on mo-
delling the ow of goods in transit on a express parcel dock.
The result of this thesis is that in 2010, 70 transportation agencies of the STEF-TFE
group will have access to forecasts of the activity. Furthermore, the methodology set
forth here is likely to be used in various industrial domains.
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
Remerciements
A lorigine de ce projet de recherche il y a lintervention de lOGGAM
1
et une relation
de longue dure entre lUBS
2
et STEF-TFE. Grace cette coopration un poste Cifre
3
,
nanc pour partie par lANRT
4
et pour une autre partie par STEF-TFE, a t cr.
Je tiens remercier en tout premier lieu Emmanuel Frnod qui a dirig cette thse.
Tout au long de ces trois annes, il ma accord sa conance. Tout en me laissant une
libert daction, il a su orienter mes recherches dans le bon sens. Il a su me motiver dans
les moments de doutes et a toujours t disponible pour dintenses discussions. Je le
remercie vivement.
Je remercie Valrie Monbet, co-directrice de la thse, qui ma enseign la rigueur du
vocabulaire statistique. Elle a aussi t dune grande aide dans la rdaction du modle
statistique de prvision.
Je remercie les rapporteurs de cette thse Rgis Bourbonnais et Stphane Lallich
pour leurs rexions avises. Elles ont contribu la lisibilit du document et enrichirent
le fond des ides souleves.
Merci galement aux autres membres du jury qui ont accept de juger ce travail : Alain
Hillion, directeur du laboratoire Lab-STICC, et Serge Capitaine, Directeur Gnral Ad-
joint, Commerce et Marketing STEF-TFE. Jajouterai que ce projet de recherche naurait
pas pu voir le jour sans lappui de Serge Capitaine.
Je voudrais remercier lquipe Business Intelligence avec laquelle jai travaill. Je com-
mencerais par remercier les responsables, Yann Morin (avant 2008) et Benot Co-
las (depuis 2008). Pour reprendre un ordre alphabtique, je remercie les membres de
1. Un rseau de comptences en TIC au service de linnovation dans le monde de la recherche et de lco-
nomie
2. Universit de Bretagne Sud
3. Conventions industrielles de formation par la recherche
4. Association Nationale de la Recherche et de la Technologie
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
lquipe : Gal Bernier, Vincent Cauchepin, Christophe Cuzin, Fabrice Le-Roux, St-
phane Oberlechner, Jean-Ghislain Robert, Vincent Thongdy et Yoann Touffait pour
leur aide. Je noublierai pas les aides permanentes reues de lquipe DEX
5
et tout sp-
cialement de Jrome Leroyer et Eric Songis.
Je tiens aussi remercier Marie-Claude Boyaval et Jean-Luc Despagne pour avoir
contrl lorthographe et la grammaire du document.
Je remercie Agrostar
6
, mon employeur, de mavoir accord le temps ncessaire la
nalisation du manuscrit et la prparation de la soutenance.
5. Direction dexploitation
6. Service informatique du groupe STEF-TFE
vi
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
Table des matires
Rsum iii
Abstract iv
Remerciements v
Table des matires vii
Liste des tableaux xi
Table des gures xiii
Introduction 1
1 Contexte gnral 6
1.1 Prambule . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.1.1 Transport sous temprature dirige . . . . . . . . . . . . . . . . . 6
1.1.2 Groupe STEF-TFE . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.2 A lcoute de lindustriel . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
1.2.1 Enjeux de la prvision dactivit chez TFE . . . . . . . . . . . . . . 26
1.2.2 Suivi des marchandises dans le rseau TFE . . . . . . . . . . . . 29
1.2.3 Mthodologie et prrequis linstallation dun systme de prvision 30
1.2.4 Dnition des besoins de TFE en information prvisionnelle . . . . 32
1.2.5 Intgration du systme de prvision au systme dinformation de TFE 36
1.3 Une dmarche de projet industriel et scientique . . . . . . . . . . . . . . 38
1.3.1 Analyse et dcoupage du projet de recherche . . . . . . . . . . . . 39
1.3.2 Risque et estimation des cots du projet de recherche . . . . . . . 48
2 Etude dun systme de prvision et de reporting 51
2.1 Les concepts autour de la prvision des ventes . . . . . . . . . . . . . . . 51
2.1.1 De la demande aux ventes . . . . . . . . . . . . . . . . . . . . . . 51
2.1.2 De la prvision au Systme de prvision . . . . . . . . . . . . . . . 52
2.1.3 Le systme de prvision : un outil transversal . . . . . . . . . . . . 55
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
2.1.4 Le systme de prvision : un outil daide la dcision et de produc-
tivit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
2.2 Les questions pralables la mise en place dun systme de prvision de
la demande . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
2.2.1 Que doit permettre la prvision de la demande ? . . . . . . . . . . 59
2.2.2 Quelles sont les donnes sources de la prvision des ventes ? . . . 60
2.2.3 Quels sont les paramtres de prvision des ventes ? . . . . . . . . 62
2.2.4 Quelles sont les techniques choisir pour prvoir les ventes ? . . . 64
2.2.5 Pourquoi prendre en compte lexpertise terrain pour valider la pr-
vision des ventes ? . . . . . . . . . . . . . . . . . . . . . . . . . . 67
2.2.6 Quel budget est accorder la prvision des ventes ? . . . . . . . 68
2.2.7 Quelle est la taille du portefeuille client ? . . . . . . . . . . . . . . . 68
2.2.8 Quel est le nombre de nouveaux produits ? . . . . . . . . . . . . . 68
2.2.9 Existe-t-il des diffrences rgionales ? . . . . . . . . . . . . . . . . 69
2.2.10 Quelles sont les comptences du prvisionniste ? . . . . . . . . . . 69
2.2.11 Quelle est lerreur de prvision acceptable ? . . . . . . . . . . . . . 70
2.2.12 Quel est le format de restitution de la prvision des ventes ? . . . . 71
2.2.13 Quelle procdure suivre pour aboutir une prvision des ventes
juste ? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
2.3 Les composants du systme de prvision . . . . . . . . . . . . . . . . . . 74
2.3.1 Environnement . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
2.3.2 Organisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
2.3.3 Techniques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
2.3.4 Systme informatique . . . . . . . . . . . . . . . . . . . . . . . . . 83
2.3.5 Mesures de performance . . . . . . . . . . . . . . . . . . . . . . . 90
2.4 Le processus collaboratif . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
3 Analyse de lexistant avant le projet de recherche Horizons 96
3.1 La structure de linformation chez TFE et son interrogation . . . . . . . . . 97
3.1.1 Interaction entre le systme dinformation et le systme de prvision 97
3.1.2 Segmentation des ux de marchandises . . . . . . . . . . . . . . . 100
3.1.3 Source des heures productives sur le quai . . . . . . . . . . . . . . 105
3.1.4 Structure et agencement des donnes sources . . . . . . . . . . . 106
3.2 Les modles de prvision utiliss chez TFE . . . . . . . . . . . . . . . . . 107
3.2.1 Notions autour des sries chronologiques . . . . . . . . . . . . . . 108
3.2.2 Modle conomtrique de TFE . . . . . . . . . . . . . . . . . . . . 110
3.2.3 Modle endogne de TFE - lissage par moyennes mobiles . . . . . 115
3.2.4 Modle endogne de TFE - mthode de Holt-Winters . . . . . . . . 120
3.2.5 Outil informatique utilis . . . . . . . . . . . . . . . . . . . . . . . . 123
4 Le systme de prvision Horizons : Conception, dveloppement et mise en
viii
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
uvre 125
4.1 Nouvelle organisation de la prvision chez TFE . . . . . . . . . . . . . . . 125
4.2 Harmonisation et centralisation de linformation . . . . . . . . . . . . . . . 126
4.3 Modles de prvision proposs en analyse statistique . . . . . . . . . . . 128
4.4 Modle statistique de prvision proposs par Horizons . . . . . . . . . 133
4.4.1 Historique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134
4.4.2 Nettoyage des donnes . . . . . . . . . . . . . . . . . . . . . . . . 135
4.4.3 Schma de dcomposition . . . . . . . . . . . . . . . . . . . . . . 139
4.4.4 Dcomposition dune chronique : mthode n1 . . . . . . . . . . . 140
4.4.5 Dcomposition dune chronique : mthode n2 . . . . . . . . . . . 146
4.4.6 Evnements calendaires . . . . . . . . . . . . . . . . . . . . . . . 150
4.4.7 Cycle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 153
4.4.8 Modle complet . . . . . . . . . . . . . . . . . . . . . . . . . . . . 153
4.4.9 Prvision . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 154
4.4.10 Recomposition de la prvision . . . . . . . . . . . . . . . . . . . . 156
4.4.11 Combinaison des prvisions . . . . . . . . . . . . . . . . . . . . . 157
4.4.12 Redressement des prvisions . . . . . . . . . . . . . . . . . . . . 158
4.4.13 Contrle de la qualit dajustement par le test du bruit blanc . . . . 159
4.4.14 Avantages et inconvnients . . . . . . . . . . . . . . . . . . . . . . 161
4.5 Validation du modle mathmatique propos . . . . . . . . . . . . . . . . 162
4.5.1 Critres de comparaisons . . . . . . . . . . . . . . . . . . . . . . . 162
4.5.2 Exemple : Lagence de transport TFE Nantes . . . . . . . . . . . 164
4.5.3 Etude des variations des erreurs de prvision sur une trentaine
dagences . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 168
4.6 Choix et cartographie des outils informatiques . . . . . . . . . . . . . . . . 168
4.6.1 Outil ETL de Pentaho
tm
. . . . . . . . . . . . . . . . . . . . . . . . 169
4.6.2 Logiciel de traitement statistique . . . . . . . . . . . . . . . . . . . 172
4.6.3 Reprsentation des rsultats . . . . . . . . . . . . . . . . . . . . . 176
4.6.4 Interfaage Kettle / R / site web . . . . . . . . . . . . . . . . . . . . 177
4.7 Dveloppement des modules du systme de prvision . . . . . . . . . . . 178
4.7.1 Rdaction du modle mathmatique en R . . . . . . . . . . . . . . 178
4.7.2 Alimentation des tables sources (oracle) par Kettle . . . . . . . . 183
4.7.3 Interface graphique : partie merge de liceberg . . . . . . . . . . 186
4.8 Mode demploi du systme de prvision Horizons . . . . . . . . . . . . 193
4.9 Retour sur investissement . . . . . . . . . . . . . . . . . . . . . . . . . . 197
4.10 Industrialisation : Prvision moyen terme . . . . . . . . . . . . . . . . . 200
5 Simulation des ux de marchandises sur un quai de messagerie 201
5.1 Modle n . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 202
5.2 Modle agrg . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 208
5.3 Modle de lorganisation des quais en rseau . . . . . . . . . . . . . . . . 210
ix
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
5.4 Tests de validation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 212
5.4.1 Rsultats obtenus par le modle n . . . . . . . . . . . . . . . 213
5.4.2 Rsultats obtenus par le modle agrg . . . . . . . . . . . . . 218
5.5 Perspectives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 220
5.5.1 Calcul de la quantit de main duvre . . . . . . . . . . . . . . . . 220
5.5.2 Allocation de la main duvre chaque position . . . . . . . . . . 221
5.5.3 Optimiser le temps (p) . . . . . . . . . . . . . . . . . . . . . . . . 222
Conclusion 229
Bibliographie 231
Glossaire 240
x
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
Liste des tableaux
1.1 Palmars des principales socits de transport frigorique
Sources : Lofciel des transporteurs magazine, Novembre 2004
(1) ensemble routier multi-tempratures
(2) activit frigo seule . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.2 tableau extrait de linterface web . . . . . . . . . . . . . . . . . . . . . . . 38
1.3 Le cycle de R&D aboutissant au modle mathmatique et son pro-
gramme informatique en quelques chiffres . . . . . . . . . . . . . . . . . . 42
1.4 procdure ETL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
1.5 Le cycle de conception et de mise en uvre du lot 2 en quelques chiffres 43
1.6 Le cycle de conception et mise en uvre du lot 3 en quelques chiffres . . 45
1.7 Planning grosse maille du projet Horizons . . . . . . . . . . . . . . . . 47
1.8 Analyse du risque li au projet Horizons . . . . . . . . . . . . . . . . . 49
2.1 Schma additif . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
2.2 Schma multiplicatif . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
3.1 Avantages et inconvnients du modle conomtrique de TFE . . . . . . 115
3.2 Exemple des poids jours calculs par trimestre . . . . . . . . . . . . . . . 118
3.3 Exemple des poids jours des semaines avec jour fri . . . . . . . . . . . 119
3.4 Avantages et inconvnients du modle endogne de TFE - lissage par
moyennes mobiles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120
3.5 Coefcients journaliers du modle endogne de TFE - mthode de Holt-
Winters . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122
3.6 Avantages et inconvnients du modle endogne de TFE - mthode de
Holt-Winters . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
4.1 Tables cres dans lInfocentre pour le besoin du projet Horizons . . . . . 129
4.2 Matrice des vnements calendaires - Un champ date, un champ pour
chaque vnement calendaire analys, un champ pour la distante entre
lenregistrement et le jour fri. . . . . . . . . . . . . . . . . . . . . . . . . 152
4.3 Avantages et inconvnients du modle de prvision Horizons . . . . . 161
4.4 Moyenne des erreur de prvision . . . . . . . . . . . . . . . . . . . . . . . 164
4.5 Ecart-type des erreur de prvision . . . . . . . . . . . . . . . . . . . . . . 165
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
4.6 Indicateurs de performance . . . . . . . . . . . . . . . . . . . . . . . . . . 165
4.7 Indicateurs de performance, suite . . . . . . . . . . . . . . . . . . . . . . 166
4.8 Pourcentage de prvisions justes . . . . . . . . . . . . . . . . . . . . . . 166
4.9 Pourcentage de prvisions justes, suite . . . . . . . . . . . . . . . . . . . 167
5.1 Paramtres de position . . . . . . . . . . . . . . . . . . . . . . . . . . . . 213
5.2 Paramtres de position, suite . . . . . . . . . . . . . . . . . . . . . . . . . 214
5.3 Paramtres de quai . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 214
5.4 Paramtres dquipe de quai . . . . . . . . . . . . . . . . . . . . . . . . . 215
5.5 Paramtres dquipe de quai, suite . . . . . . . . . . . . . . . . . . . . . . 215
5.6 Paramtres du modle . . . . . . . . . . . . . . . . . . . . . . . . . . . . 216
5.7 Paramtres de position . . . . . . . . . . . . . . . . . . . . . . . . . . . . 218
5.8 Paramtres de quai . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 218
5.9 Paramtres de quai, suite . . . . . . . . . . . . . . . . . . . . . . . . . . . 219
5.10 Paramtres dquipe de quai . . . . . . . . . . . . . . . . . . . . . . . . . 219
5.11 Paramtres du modle . . . . . . . . . . . . . . . . . . . . . . . . . . . . 219
xii
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
Table des gures
1 Les partenaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ii
1.1 La chane logistique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.2 Localisation des sites TFE en Europe en 2007 . . . . . . . . . . . . . . . 17
1.3 Situation gographique des agences TFE . . . . . . . . . . . . . . . . . . 18
1.4 Voyage des ux physiques chez TFE . . . . . . . . . . . . . . . . . . . . 20
1.5 circuit de la marchandise de lexpditeur au destinataire . . . . . . . . . . 21
1.6 Schma dun quai TFE . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
1.7 Flux engendrs par le rseau . . . . . . . . . . . . . . . . . . . . . . . . . 29
1.8 Organigramme dun systme de prvision
Source : R. Bourbonnais et JC Usunier . . . . . . . . . . . . . . . . . . . 30
1.9 Matrice de lactivit dune agence TFE . . . . . . . . . . . . . . . . . . . . 34
1.10 Les horizons de prvision . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
1.11 Cycle de vie dun projet en SI . . . . . . . . . . . . . . . . . . . . . . . . . 39
2.1 Interaction entre systme dinformation et prvision des ventes : Dmarche
transversale (Mentzer et Moon, 2005) (85) . . . . . . . . . . . . . . . . . 56
2.2 Pyramide produit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
2.3 Arbre de slection pour les mthodes de prvision Armstrong, 1999 (8) . . 66
2.4 Processus de prvision des ventes, Mentzer et Moon, 2005 (85) . . . . . . 75
2.5 Chane logistique dont le stock de sret cumul est de 110,5% . . . . . . 94
3.1 Architecture du Systme dInformation chez STEF-TFE . . . . . . . . . . 98
3.2 Architecture du Rseau Informatique chez STEF-TFE . . . . . . . . . . . 99
3.3 Traduction des ux physiques en ux informatiques . . . . . . . . . . . . . 102
3.4 Le dcoupage de lactivit transport en segments . . . . . . . . . . . . . . 103
3.5 Une partie du modle relationnel de la base GTI . . . . . . . . . . . . . . 107
3.6 Reprsentation de la tendance, la saisonnalit et leffet dune variable ex-
plicative . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
4.1 Serie chronologique du poids quotidien, en kg, total, des marchandises
passes quai avant et aprs nettoyage des valeurs extrmes . . . . . . 137
4.2 Tendance par palier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141
4.3 Poids hebdomadaire en tonne pass quai entre 2001 et 2007 . . . . . . 142
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
4.4 Superposition des poids quotidiens, en tonne, pass quai, entre 1999 et
2007, dune agence . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
4.5 Reprsentation graphique de la saisonnalit . . . . . . . . . . . . . . . . 146
4.6 Dcoupage de lhistorique en chantillon dApprentissage et chantillon Test 162
4.7 Reprsentation graphique de la chronique des poids quotidiens passs
quai entre Janvier et Fvrier 2007 . . . . . . . . . . . . . . . . . . . . . . 166
4.8 Reprsentation graphique de la chronique des poids quotidiens passs
quai entre Avril et Mai 2007 . . . . . . . . . . . . . . . . . . . . . . . . . . 167
4.9 Dispersion des pourcentages derreur quotidien commis sur la prvision
du poids des marchandises passes quai dans 36 agences . . . . . . . 169
4.10 Kettle gre des ux ETL (gauche) par une interface graphique simple (droite)171
4.11 Cartographie des applications retenues dans le systme de prvision Ho-
rizons . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 177
4.12 Arbre du package R regroupant les fonctions de prvisions Horizons . 179
4.13 Impression cran dune tche Kettle de mise jour quotidienne des indi-
cateurs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 186
4.14 Impression cran dune transformation Kettle dextraction des donnes et
de leur transformation pour chargement . . . . . . . . . . . . . . . . . . . 187
4.15 Impression cran de la tranformation Kettle dextraction des donnes et de
leur transformation pour chargement . . . . . . . . . . . . . . . . . . . . . 188
4.16 Page daccueil du site web Horizons . . . . . . . . . . . . . . . . . . . 188
4.17 Propositions de prvision journalire sur le site web Horizons . . . . . 189
4.18 Indicateurs de conance aux prvisions sur le site web Horizons . . . . 191
4.19 Interface pour ajuster les propositions de prvision sur le site web Hori-
zons . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 192
4.20 Process dutilisation du systme de prvision Horizons . . . . . . . . . 194
4.21 Valeur extrme identi rapidement grce linterface web Horizons . 197
5.1 Dcomposition du quai en 5 compartiments . . . . . . . . . . . . . . . . . 202
5.2 Rpartition de la masse des marchandises sur les diffrentes zones du
quai, suivie du dtail pour chaque position . . . . . . . . . . . . . . . . . . 224
5.3 Rpartition de la masse des marchandises sur les diffrentes zones du
quai, avec n
Res
= 0, 08 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 225
5.4 Rpartition de la masse des marchandises sur les diffrentes zones du
quai, avec S
Res
max
= 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 226
5.5 Rpartition de la masse des marchandises sur les diffrentes zones du
quai, avec n
In
= 0, 5 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 227
5.6 Incohrence dans la rpartition de la masse des marchandises sur les
diffrentes zones du quai . . . . . . . . . . . . . . . . . . . . . . . . . . . 227
5.7 Superposition des rsultats du modle n avec ceux du modle agrg 228
xiv
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
Introduction
Gouverner cest prvoir , cette maxime se justie galement dans le milieu cono-
mique. Pour adapter leur stratgie face la crise conomique de 2008 et 2009, les en-
trepreneurs cherchent anticiper lactivit de leur entreprise. Cest un enjeu stratgique.
Pour piloter lentreprise, les dirigeants ont besoin dinformations prospectives comme
des indicateurs de croissance, de rentabilit et de performance oprationnelle. Lobjectif
annonc des prvisions est un programme de matrise des cots par le pilotage des res-
sources humaines et matrielles au service des besoins prvus.
Prvoir nest pas chose simple. La crise ajoute, la difcult de prvoir, un manque de vi-
sibilit, une incertitude conomique et nancire, et pousse les oprateurs conomiques
la prudence. Malgr cela, et le fait que la publication dinformation prospective reste fa-
cultative, 83%
7
des entreprises du CAC 40 ont fourni des prvisions pour lanne 2009.
Pourtant, en communiquant la vision quils ont du futur, les dirigeants engagent leur cr-
dibilit. Mais les prvisions sont de nature rassurer. Elles fournissent une vision pros-
pective permettant dagir. Si les prvisions sont de nature pessimiste, elles conduisent
un programme de rduction des cots alors que des prvisions optimistes conduisent
des investissements.
Cette thse se propose dtudier la conception, le dveloppement et la mise en uvre
dun systme de prvision. A travers le cas de STEF-TFE, leader franais de la logis-
tique du froid, entreprise cote en bourse
8
, la thse expose un processus rigoureux
dlaboration des prvisions. Les rsultats obtenus ont permis de valider ce processus.
Loriginalit de cette thse est dutiliser une dmarche scientique pour rpondre une
problmatique industrielle.
Le projet a pris forme grce une relation de longue dure entre lUniversit de Bre-
tagne Sud et le groupe STEF-TFE. La volont des dirigeants du groupe dinvestir dans
la recherche oprationnelle, et la dtermination des chercheurs universitaire accom-
pagner le groupe, ont permis de dnir un sujet de recherche et de donner les moyens
7. Prvisions 2009, Philippe Kubisa, Associ, Elodie Fornas, Global Capital Markets Group, Pricewaterhou-
seCoopers
8. STEF-TFE, valeur boursire cote sur le march du Compartiment B
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
dy rpondre. Pour rsumer lextrme, la formulation de lobjectif initial du projet tait
de fournir une prvision des quantits de marchandises transporter quotidiennement
par la branche transport du groupe. Cette branche concentre son expertise autour du
groupage, de la messagerie, du transport de lot complet et des ux internationaux. Le
besoin de prvisions ables est dautant plus sensible que le secteur du transport fri-
gorique fonctionne en ux tendu cause du caractre prissable de certains produits.
La branche transport du groupe STEF-TFE regroupe plus de 70 agences de groupage
en France et en Europe. Les camions des agences ramassent des marchandises chez
les clients pour les livrer chez leur destinataire ou les expdier vers dautres agences
de groupage qui se chargent alors de la livraison au destinataire nal. Pour aboutir un
systme de prvision homogne aux 70 agences, il faut harmoniser les donnes partir
desquelles sont labores les prvisions, construire un systme de prvision commun,
convaincre de son efcacit et former le personnel.
Limpact dune mauvaise prvision des quantits de marchandises transporter se traduit
soit par des manutentionnaires en surnombre sur les quais dapprovisionnement ou de
dchargement, ce qui reprsente des cots inutiles ; soit par un manque de personnel,
ce qui contrarie le client. En somme, la prvision est un lment essentiel de la matrise
de la qualit des services et dune gestion optimise des ressources. Elle est aussi le
pralable incontournable de toute prise de dcision (voir section 1.2).
Mettre en uvre la prvision des quantits de marchandises transporter savre dif-
cile. Ces quantits sont en effet le rsultat de sries chronologiques qui concernent
non seulement des facteurs ayant un comportement stochastistique, mais aussi des fac-
teurs explicatifs (mto, jours fris, jours de grves, impact sur le consommateur de
lactualit : grippe aviaire et vache folle). La prvision demande donc de faire appel des
mthodes de modlisation statistique, probabiliste et dterministe (voir section 2.3.3).
Prvoir nest pas tout, il faut que la prvision puisse servir dans le quotidien. Elle doit
tre utilise pour dimensionner les besoins en ressources humaines. Le personnel doit
tre sufsamment exible pour rpondre aux uctuations dactivit et le budget doit per-
mette dallouer des ressources supplmentaires (voir sections 2.1.3 et 2.1.4).
Dautre part pour quune prvision soit envisageable il faut que la grandeur prvoir
soit une reproduction de situations stant produites dans le pass. Un historique des
vnements passs est donc ncessaire. Sil existe, lhistorique nest souvent pas unifor-
mis. La dnition de la canicule nest pas la mme suivant que lon se trouve Lille ou
Madrid. La notion de qualit de service attendu par les clients est aussi trs diffrente
selon que lon se trouve en France ou en Espagne. Cette confusion peut tre lourde de
consquences si nous utilisons des grandeurs sans les uniformiser dans le processus de
2
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
dcision (voir section 2.2.2 et 2.2.9).
Il faut aussi cibler les facteurs qui ont une inuence signicative sur la quantit de mar-
chandises transporte. Prvoir suppose de pouvoir discerner des corrlations entre ces
donnes ; par exemple entre une augmentation de la temprature en t de deux degrs
de plus que la moyenne et la hausse des quantits de glaces (sorbets) transporter
vers les supermarchs. Nous devons galement dissocier les facteurs inuant sur le long
terme de ceux lis au rythme saisonnier (fte, vacance, solde) ou encore des facteurs
vnementiels prvisibles ou non comme une pidmie de grippe aviaire (voir section
2.4 et 2.3.1).
Le processus de prvision ncessite destimer des paramtres (complexes) du modle
en oprant des calculs statistiques. Cela ne peut pas se faire laide doutils bureau-
tiques simples. Il faut alors envisager de programmer un logiciel permettant de prendre
en compte de nombreux composantes et qui puisse tre implment au niveau industriel
dans toutes les succursales du groupe (voir section 2.3.4 et 4.6).
Par la suite il faut prendre en compte lefcacit du modle. Il est capital de contrler
lcart entre le prvu et le rel ; lui attribuer un ordre de grandeur et le cas chant
amliorer la capacit prdictive du modle en dtectant ses drives. Pour chacune des
prvisions, il faut mesurer sa abilit (voir section 2.3.5 et 4.5).
La prvision en entreprise nest ni une dcision prise par un manager, ni un chiffre issu
dune bote noire, cest un ensemble doutils, de procdures et dorganisations permet-
tant de parvenir un rsultat prvisionnel able. En effet, une bonne prvision est plus
quun chiffre (voir section 2.2.11), elle doit tre utilise en concordance avec dautres in-
formations disponibles. Cest ce que nous appelons un systme de prvision.
Le processus de prvision imagin commence par lidentication de lenvironnement
dans lequel se place lentreprise. Ainsi, le chapitre 1 prsente le contexte industriel dans
lequel sinsrent les travaux de recherche. Il fait ressortir les objectifs industriels, les
moyens accords et les dcisions prises pour utiliser ces moyens an de rpondre aux
objectifs. Le chapitre 1 introduit aussi les lments thoriques qui sont dvelopps dans
le chapitre 2. Ces premiers lments permettent de mieux comprendre le contexte. Enn,
le chapitre 1 dvoile un aperu de ce qui a t ralis et les obstacles franchis pour y
parvenir.
Le chapitre 2 est la bibliographie pour prsenter le contexte scientique. Le chapitre 2
sappuie, entre autres, sur deux grandes rfrences qui sont louvrage de R. Bourbon-
nais et J.C. Usunier sintitulant Prvision des ventes (18), et louvrage de T.J. Mentzer
3
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
et A.M. Moon sintitulant Sales Forecasting Management (85). Le chapitre 2 numre
les points importants retenir pour la mise en place dun systme de prvision. Notons
la abilit des donnes sources, la dclaration des hypothses sur lesquelles reposent
les prvisions, la validation des informations prvisionnelles par les organes dirigeants,
la documentation des mthodes de calcul des prvisions, lhorizon de temps, lagrgation
ou dsagrgation des prvisions, la sensibilit des prvisions aux variations, les supports
de communication, etc.
Le chapitre 3 est un audit. Il prsente lexistant en matire de prvision dactivit et sys-
tme dinformation prsent dans lentreprise. Cette synthse de lexistant, indite jusqu
prsent, a contribu grandement la dnition prcise des besoins de prvision, Le bilan
de lexistant prsent dans le chapitre 3 a t un lment moteur la dnition prcise
des besoins de prvision, la normalisation des indicateurs, la rdaction dun cahier
des charges et llaboration des recommandations.
Le chapitre 4 prsente les apports personnels. Nous documentons les outils math-
matiques et informatiques choisis. Par une dmarche scientique, nous apportons une
mthodologie pour intgrer, analyser et prvoir des indicateurs conomiques. Cette m-
thodologie a t teste grande chelle. Elle a t approuve par les rsultats obtenus.
Elle a aussi t rutilise pour prvoir des grandeurs mensuelles. La mthodologie est
dveloppe et les choix qui ont t faits sont arguments. Le produit nal est prsent et
les recommandations dutilisation sont donnes. Ainsi, du dveloppement lindustriali-
sation, en passant par la formation du personnel et la communication, la mise en place
dun systme de prvision lchelle du groupe est entirement documente.
Suite aux prvisions dactivit, lobjectif suivant de la thse est deffectuer un premier
pas dans la modlisation des ux de marchandises circulant sur le quai.
Le rseau dagences de groupage et messagerie du groupe STEF-TFE permet de propo-
ser ses clients des livraisons sur tout lHexagone en moins de 48h. Le fonctionnement
dun tel rseau ncessite un pilotage rigoureux laide dun ensemble de procdures et
des logiciels permettant de grer les ux dinformation, les ux physiques et des inter-
faces entre les diffrents acteurs. Cet ensemble est connu sous le nom de supply chain
management (SCM) ou gestion de la chane logistique (GCL) en franais. Parvenir la
matrise des ux (physique et informatique) suppose dindustrialiser les processus : op-
timisation des plans de transport, synergie des ux, introduction de linformatique, etc.
Les outils SCM ont considrablement aid les transporteurs amliorer leur produc-
tivit. Loutil phare du transporteur est le TMS (Transport Management System). Il est
lquivalent du WMS (Warehouse Management System) utilis pour la gestion des entre-
pts (voir section 3.1.1). Le TMS permet de planier et optimiser les voyages, dexcuter
des oprations courantes, de dialoguer avec le client et par lintermdiaire du reporting,
4
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
danalyser les capacits du transporteur.
Une activit de recherche a t mene pour transporter le maximum de produits au
moindre cot. Des logiciels acadmiques et commerciaux, bass sur des algorithmes
de mthodes numriques et doptimisation, permettent doptimiser les plans de transport
tout en satisfaisant la grande majorit des contraintes imposes. En revanche, la com-
prhension et la modlisation dun quai de messagerie sont un domaine peu explor.
Lobjectif du dernier chapitre (5) de la thse est de contribuer de manire signicative
son exploration.
Dans un premier temps, les ux physiques et informatiques occasionns par le transport
dune marchandise sont dcrits. Ces informations nous permettront de dnir les entres
et sorties du quai de messagerie. Ensuite deux modles dcrivant le comportement dun
quai de messagerie, deux chelles diffrentes, laide dquations diffrentielles ordi-
naires, sont construits. Ces deux modles sont ensuite implants dans lenvironnement
R
9
. Quelques tests, sur des exemples simples, dmontrent la pertinence dutiliser ces
modles pour simuler le temps de traitement de la marchandise sur un quai ou pour r-
partir la main duvre aux diffrentes tches.
Bien que non implmente, une mthodologie pour construire une mise en rseau de
modles de quai est dcrite. Plusieurs questions industrielles sont galement poses en
termes de problmes doptimisation utilisant les modles construits.
9. langage de programmation pour le traitement de donnes et lanalyse statistique
5
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
Chapitre 1
Contexte gnral
1.1 Prambule
1.1.1 Transport sous temprature dirige
Pour prvoir les ventes, il faut sintresser lenvironnement de lentreprise (voir sec-
tion 2.3.1). Cest aussi lobjet des quatre sections suivantes. Elles introduisent lactivit
qui consiste transporter de la marchandise sous temprature dirige, le milieu gogra-
phique dans lequel est implante cette activit, son contexte conomique et son fonc-
tionnement.
1.1.1.1 Lactivit transport sous temprature dirige
Les notions abordes ci-dessous nous permettent dintroduire limportance de la pr-
vision des ventes. Nous indiquons que les ventes dun transporteur frigorique, sont les
transports raliss entre un point A et un point B tout en maintenant la chane du froid.
Selon la dsignation de ces deux points, le transport est appel ramasses, expdition
ou distribution (voir section 3.1.2). Il ncessite du personnel routier, manutentionnaire,
administratif et une infrastructure importante (camions, remorques, quais de message-
rie, bureaux). Le transport est rgi par des lois. Ainsi, pour respecter les contraintes, il
est ncessaire danticiper. Cest par la prvision des ventes, que le transporteur sera
mme danticiper son activit et ds lors planier ses ressources humaines et mat-
rielles. Commenons par introduire lactivit dun transporteur frigorique.
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
Le transport sous temprature dirige est lactivit qui consiste transporter de la mar-
chandise soumise une temprature dnie entre -25C et +15C. Il est ncessaire de
distinguer le froid positif qui correspond la logistique des produits frais, du froid nga-
tif traitant celle des produits surgels (56). La marchandise est achemine dun point A
vers un point B. Les marchandises sont essentiellement des denres alimentaires p-
rissables, les produits carns, les produits de la mer, les fruits et lgumes, les produits
laitiers, les surgels, mais aussi des plantes ou des mdicaments. Elles ont en commun
dtre soumises un cahier des charges trs strict qui est dni dans la chane du
froid .
La chane du froid (113) est le processus qui permet de maintenir un produit basse
temprature. Le froid ralentit la propagation des micro-organismes. La loi impose des
rgles en cette matire. Les arrts du 9 mai 1955 (rglementant lhygine des aliments
remis directement au consommateur) et du 20 juillet 1998 (xant les conditions tech-
niques et hyginiques applicables au transport des aliments) soumettent les industriels
une obligation de rsultat. Tous les moyens de prventions et dautocontrle doivent
tre mis en uvre pour vendre des denres ne reprsentant aucun risque pour la sant.
Suivant la catgorie des produits, des tempratures sont imposes. Les fruits et lgumes
doivent tre maintenus de 7C 8C, les produits frais et ultra frais de 2C 3C et les
surgels -20C.
A la contrainte du maintien de la temprature lie la chane du froid, sajoutent celles
lies au mtier du transporteur. L encore, le lgislateur impose des rgles en matire
de dure de travail dun chauffeur routier et dautorisation de circulation. Le temps de
travail journalier dun chauffeur ne peut pas excder 10 heures, son temps de conduite
sans interruption est limit 4h30. La circulation des vhicules de plus de 7,5 tonnes af-
fects au transport routier de marchandises est interdite en France les samedis et veilles
de jours fris partir de 22 heures, jusqu 22 heures les dimanches et jours fris.
Le transporteur frigorique bncie dune drogation quand il transporte des denres
alimentaires, il a lautorisation de circuler dans un rayon de 150 km du premier point de
livraison ou de collecte.
Ce ne sont ici que des exemples de lois parmi dautres pour percevoir lampleur des
contraintes lgislatives en matire de transport et plus encore de transport frigorique.
Les obstacles ne sarrtent pourtant pas l. Le transporteur frigorique doit faire face
dimportants investissements dinfrastructures. Les quipements spciques un trans-
porteur sous temprature dirige sont, entre autres, un parc de vhicules et un parc
immobilier frigorique.
Les camions frigoriques doivent obtenir lagrment de CAMEFROID (organisme des
services sanitaires nationaux) (88). Ces vhicules se dclinent en trois catgories :
les vhicules utilitaires lgers permettant de livrer les commerants du centre-ville,
7
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
les camions porteurs destins transporter des charges lourdes. Ils possdent sur
le mme chssis la cabine et le frigo. Ils sont des vhicules de livraisons, urbains
ou rgionaux.
les tracteurs ou semi-remorques sont des vhicules de plus de 7,5 tonnes. Les
tracteurs sont composs dune partie motrice comprenant la cabine et dun chssis
auxquels une caisse frigorique est attele. Ils sont destins des longs trajets.
Quel que soit le vhicule, il est quip dune cellule isotherme. Elle permet de mainte-
nir la temprature un niveau constant entre -25C et +25C. Certaines cellules sont
capables de se diviser pour proposer des compartiments diffrentes tempratures.
Elles sont appeles bi-tempratures. Elles fonctionnent en frais/surgels ou suivant deux
tempratures de frais. Les chauffeurs prennent la temprature des denres leur char-
gement. La temprature est contrle au dchargement quai. La procdure stipule qu
chaque maniement de la marchandise, sa temprature doit tre sonde. Ainsi, en cas de
litige, il est possible de revenir au dernier contrle. Dans les vhicules, un mcanisme
enregistre intervalles rguliers la temprature du compartiment. Ainsi, en cas de pro-
blme alimentaire, comme la listriose, il est facile de tracer les tempratures
1
.
Le mtier du transporteur consiste collecter la marchandise chez les clients expdi-
teurs (souvent ce sont des producteurs industriels), de la regrouper selon les clients
destinataires (souvent ce sont les points de vente) puis de les livrer. Pour regrouper et
dgrouper la marchandise, le transporteur a besoin dun quai frigorique (1) (voir section
1.1.2.2.3). Cest un entrept quip dune ventilation lui permettant dassurer des tem-
pratures infrieures 8C. Le quai permet daccueillir des camions en entre comme
en sortie. Les uns dchargent pendant que les autres chargent la marchandise. Ce ux
dentres - sorties rsume lactivit dun quai dun transporteur frigorique. En entre,
nous dnissons les ramasses et les expditions reues alors quen sortie nous distin-
guons les expditions et les livraisons 1.1.2.2.3,5.1.
Les ramasses dsignent les ux des expditeurs vers les transporteurs. Les expdi-
tions (ou messagerie) sont les ux internes au rseau du transporteur. Les livraisons
ou distributions sont les ux du transporteur vers les destinataires naux. Un client peut
expdier des colis en groupage ou en lots complets. Le groupage signie que ces co-
lis seront expdis avec dautres venant de clients diffrents. Le lot complet dsigne le
transport dun lot en direct depuis le lieu de chargement jusquau lieu de dchargement
et justiant lusage dun vhicule exclusif (20).
1. Transporteur & technologies, n27, nov. 2001
8
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
1.1.1.2 Le contexte gographique
Comprendre linteraction entre les acteurs, leur site gographique et leur rle (distri-
buteur ou industriel) permet denrichir la qualit des prvisions. A linverse, anticiper les
comportements des acteurs long terme permet de prendre des dcisions stratgiques
comme limplantation dun nouveau quai de messagerie par exemple. Cest pourquoi
nous analysons les relations gographiques entre industriels et distributeurs.
Le transporteur frigorique doit sadapter son milieu. Il simplante dans un tissu indus-
triel. En amont, les expditeurs sont pour une grande part des IAA (Industriels de lAgro-
Alimentaire). Leurs usines de conditionnement sont proches de lagriculteur. En aval, les
points de vente tenus par les GMS (Grandes et Moyennes Surfaces) sont installs dans
le milieu urbain. Ainsi, le transporteur frigorique est dans lobligation de desservir aussi
bien les rgions agricoles quurbaines, soit tout le territoire. Dans un territoire rgional, les
industriels de lagro-alimentaire, lui sous-traitent les liaisons inter-usines, lapprovisionne-
ment des plates-formes, les changes inter-plates-formes et les livraisons aux points de
vente (26).
Pour livrer les points de vente au niveau national, le transporteur a besoin dun rseau
(ou dune toile) (20). Prenons lexemple de la Bretagne. Cest une rgion agricole riche
en industriels de lagro-alimentaire. Le transport frigorique tient une place importante
dans lactivit conomique de la rgion. Mais la rgion est excentre par rapport au reste
de la France et plus encore de lEurope. Il nest pas possible pour un routier deffec-
tuer le trajet Brest-Marseille dune seule traite. Un rseau de plates-formes localises
des points stratgiques devient alors un avantage considrable pour le transporteur. Il
raccourcit les distances pour le chauffeur. Le trajet Brest-Marseille devient un trajet Brest-
Rennes-Lyon-Marseille. Le transport fait alors intervenir trois chauffeurs ce qui augmente
son cot. Mais le bnce, en contrepartie, est considrable. Le trajet est accompli en
A pour A dans le jargon transport. Cest--dire quil est parti le matin pour arriver le soir
mme. Les lois sur les temps de conduite des chauffeurs (voir section 1.1.1.1) nauraient
pas permis deffectuer le trajet en une traite avec seulement un chauffeur. Il aurait ga-
lement fallu payer lhbergement du chauffeur. A savoir aussi, quun chauffeur national
cote plus cher quun chauffeur rgional. Enn, le rseau permet aux camions de laller
de revenir avec une cargaison pleine de fruits de la rgion Provence Alpes Cte dAzur
par exemple.
Le transporteur a pour seul souci dconomiser du temps. Pour viter les bouchons de
la circulation urbaine et pour accder rapidement aux grands axes routiers, il implante
ses quais ou plates-formes logistiques dans des zones industrielles situes en bordure
de voies rapides (46).
Nous venons de montrer que le transporteur est un maillon qui relie non seulement
9
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
les industriels avec les distributeurs, mais aussi les rgions entre elles. Il contribue au
dveloppement du tissu conomique rgional.
1.1.1.3 Le contexte conomique
Prvoir les ventes au plus juste, cest aussi comprendre le contexte conomique de
lentreprise. Il contient des lments cls pour la performance des prvisions. Une entre-
prise doit tre capable dagir sur son environnement conomique pour ne pas le subir.
Do limportance de dresser un tat des lieux.
Le transport frigorique est un maillon de lactivit Transport & Logistique . Cette ac-
tivit consiste organiser les ux de biens et dinformations de manire transparente
pour le client. Le transport frigorique est troitement li la sant des industriels de
lagro-alimentaire et des grandes et moyennes surfaces. Ils sont les premiers utilisateurs
des services proposs. Les lois Royer 1973 et Raffarin 1996, visant rduire la surface
autorise dun magasin en centre ville, ont oblig les grandes et moyennes surfaces
dlocaliser leurs entrepts de stockage en priphrie. Dans la foule, leur gestion a t
sous-traite des entreprises spcialises dans la logistique. An que la concurrence
sexerce et que les prix de vente baissent, les grandes et moyennes surfaces multiplient
leurs rfrences produits (111). Ainsi, elles font pression sur les industriels en leur mon-
trant quelles nont aucune difcult de se passer de leurs produits. Cette tactique est
bnque au transporteur, elle augmente dautant les trajets et la gestion des entrepts.
Nous verrons dans le paragraphe suivant comment le transporteur sorganise autour de
ces deux acteurs (IAA et GMS). Le transport frigorique a galement bnci du dve-
loppement des produits alimentaires surgels de ces 15 dernires annes. La consom-
mation de ces produits a augment en volume de 2,5% en 2005 (79). Pour situer le
transport frigorique parmi lensemble des marchandises convoyes, ajoutons quil re-
prsente 15% du volume transport sur les routes franaises en 2005
2
.
Par sa nature, le transport routier frigorique national, de produits frais, ne craint pas
la concurrence uviale ou ferroviaire. Les impratifs de temps dus la date limite de
consommation (DLC) des produits frais empchent ces deux secteurs de se positionner.
Lavion restant trop onreux, ils sont rservs linternational. Les transporteurs frigori-
ques routiers sont les seuls capables de rpondre aux exigences du cahier des charges
des produits frais. Par contre, les produits surgels peuvent tre transports par voie ma-
ritime dans des navires rfrigrs ou par rail.
La France compte un grand nombre de transporteurs rgionaux, mais une vingtaine
seulement ralisent un chiffre daffaires (CA) suprieur 20 millions deuro et se po-
2. DAEI/SESP - Enqute TRM 2005
10
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
sitionnent linternational. Les chiffres du tableau 1.1 mettent en avant la domination de
STEF-TFE dans le paysage du froid et du frais. Suivent derrire Nexia et TNT. Dautres
groupes spcialistes du froid rsistent limage de STG, Olano, Transport Lahaye et le
groupe Gringore. Le GRPD (Groupement National des Transporteurs Routiers de Den-
res et Produits Prissables) estime la croissance du transport sous temprature dirige
entre 2 et 3% par an. Elle dpend troitement de la consommation alimentaire des m-
nages.
Rang Raison Sociale Eectif CA 2003 en Ke Flotte frigo (2)
1 STEF-TFE 11986 1347000 2300
2 NEXIA FROID 2245 199586 300
3 TNT LOGISTICS 1500 150000 300
4 STG 1329 122691 1150
5 GROUPE OLANO 600 75000 300
6 TRANSPORT LAHAYE 867 75000 502
7 GROUPE GRINGORE 580 56165 280
8 GROUPE DENTRESSANGLE (1) nc 52700 230
9 TRANSPORT CHABAS 377 52246 130
10 BSA INTERNATIONAL 620 51358 136
Table 1.1 Palmars des principales socits de transport frigorique
Sources : Lociel des transporteurs magazine, Novembre 2004
(1) ensemble routier multi-tempratures
(2) activit frigo seule
Le transport frigorique nchappe pas la tendance mondiale des fusions / acquisitions
(111). Pour rpondre aux attentes toujours croissantes de leurs clients, en matire de
performances et de garanties les entreprises doivent sagrandir. Pour crotre une entre-
prise a deux possibilits :
soit, elle dveloppe de nouvelles capacits de production,
soit, elle prend le contrle dune entreprise existante. Il est alors question dun
processus de fusion / acquisition.
Nombreuses sont les socits qui ont t rachetes par de grands groupes. La plus r-
cente en date est lacquisition de Cryologistic par le groupe STEF-TFE en Janvier 2006.
Cryologistic tait un leader franais de la logistique sous temprature contrle. Avec
12.000 employs et un chiffre daffaires de 1,4 milliard deuros en 2004, STEF-TFE est
le premier groupe franais de la logistique et du transport de produits alimentaires frais
et surgels. Il se place parmi les 20 premiers groupes de transport franais aprs Aro-
ports de Paris. A la diffrence de ses concurrents, STEF-TFE est le seul groupe franais
11
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
centr uniquement sur le secteur de la messagerie du froid.
La concentration des transporteurs permet de disposer des infrastructures logistiques
(parc immobilier & parc vhicules) indispensables pour crer un rseau national. Rache-
ts par des grands groupes comme STEF-TFE, les transporteurs locaux (Mldo, Le
Bas Froid, Le Coz et Mah en Bretagne) continuent organiser le rseau rgional. Les
grands groupes sous-traitent galement une part de leur activit transport aux PME r-
gionales. Elles assurent les ramasses et livraisons.
Malgr les fusions / acquisitions, des groupes comme Nexia peuvent ne pas survivre.
Nexia tait le deuxime groupe de transport et de logistique frigorique en France. Il pe-
sait 200 millions deuros de chiffre daffaires annuel rparti sur 28 agences dans lHexa-
gone. Pourtant, ce groupe est en redressement judiciaire depuis janvier 2007.
Mais STEF-TFE ne reste pas seul sur le march, son premier concurrent est la socit
suisse Kuehne et Nagel. Ce groupe est un des leaders mondiaux de la logistique et du
supply chain management (voir section 1.1.1.4), avec un effectif de 47.000 personnes,
830 implantations rparties sur plus de 100 pays et plus de 6 millions de mtres carrs de
surfaces dentreposage. Pour entrer dans le march franais, le groupe a fait lacquisition
de ACR Logistics. Base Paris, ACR Logistics est une importante structure britannique
fortement implante en France.
Le march du transport frigorique semble attirer des transporteurs dautres milieux. Nor-
bert Dentressangle est une puissante socit de transport et logistique franaise. Pour
entrer dans le march du transport sous temprature dirige elle sempare dbut 2006
de TNT logistics. Cette dernire possde, entre autres, un savoir-faire dans les secteurs
dactivits de la temprature dirige. En Octobre 2007, elle fait une proposition dachat
sur le groupe Christian Salvesen, qui lui aussi possde des activits de transport et den-
treposage frigorique.
Sur un autre secteur que celui des produits alimentaires, nous reprons Chronopost et
DHL. Ils se spcialisent dans le transport des produits de sant sous temprature diri-
ge. Avec un volume de trois milliards dunits distribues chaque anne en France, le
march du mdicament reste attractif pour les transporteurs
3
.
Une pnurie de camions en 2007 augmente les cots de la sous-traitance transport. La
ambe constante du ptrole pousse les prix du transport vers la hausse. Concernant le
march des produits alimentaires, la loi Dutreil (Janvier 2006), qui vise faire baisser les
prix des produits de grandes marques, engendre des tensions dans les ngociations ta-
rifaires entre les chargeurs et les prestataires. Alors que la consommation des mnages
crot entre 2001 et 2008 un rythme annuel de 2,1%, les achats des produits alimen-
taires progressent deux fois plus lentement
4
.
Le transporteur a la charge, quelle que soit la distance, dacheminer des produits frais
avec la contrainte de prserver leur saveur et dinformer le client par des systmes de
3. Lociel des transporteurs, n2283, janvier 2005
4. INSEE : La consommation des mnages en 2005
12
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
suivi informatique, du lieu de son colis. Pour y parvenir, il doit programmer une logistique
sans faille.
1.1.1.4 La logistique
Le maintien de la chane du froid lors du transport des marchandises, les contraintes
lgislatives, la multiplicit des acteurs conomiques et leur loignement gographique
impose une logistique complexe. Matriser les mcanismes de la chane logistique per-
met danticiper les besoins an de renforcer les maillons faibles.
Dans la dnition ofcielle de la norme AFNOR (norme X 50-600), la logistique est
une fonction dont la nalit est la satisfaction des besoins exprims ou latents, aux
meilleures conditions conomiques pour lentreprise et pour un niveau de service dter-
min. Les besoins sont de nature interne (approvisionnement de biens et de services
pour assurer le fonctionnement de lentreprise) ou externe (satisfaction des clients). La
logistique fait appel plusieurs mtiers et savoir-faire qui concourent la gestion et la
matrise des ux physiques et dinformations ainsi que des moyens
5
. A en croire cette
dnition, tous les services de lentreprise seraient susceptibles dtre impliqus par la
logistique. Le spcialiste du transport et de la logistique se restreint la chane logis-
tique ( supply chain en anglais, voir la dnition dans la mme section) qui va des
fournisseurs aux clients.
Aujourdhui, lconomie de consommation, vise satisfaire avant tout les attentes du
consommateur nal. Ce dernier a des exigences dhygine alimentaire, il montre un en-
gouement pour des produits frais et rclame des prix bas. Il en dcoule des changements
de comportements de la part des producteurs. Les problmes de scurit alimentaire
poussent la conservation des produits des tempratures constantes et contrles
(100). De plus en plus de produits alimentaires sont ainsi transports et stocks sous
temprature dirige. Il en est de mme de certains produits non alimentaires destins
la sant et aux cosmtiques. Pour conserver la fracheur des produits, il faut en produire
juste assez de faon ne pas les stocker et rduire les dlais dacheminement. Cest ce
qui est appel la mthode JAT (Juste Temps) (111). La dure moyenne des stocks de
produits frais est de 2 3 jours alors que les surgels peuvent dpasser lanne. Lautre
cause du JAT est la Date Limite de Consommation (DLC). Elle est de quelques jours pour
des dcoupes de volaille ou de 21 jours pour des yaourts. La DLC gouverne la Supply
Chain des produits frais et imprime un rythme rapide la chane de distribution
6
.
La vision moderne de la gestion industrielle vise liminer de faon systmatique tous
5. agrojob.com
6. Stratgie logistique n66, mai 2004
13
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
les gaspillages et rechercher lamlioration continue de la exibilit, de la productivit et
de la ractivit. Lentreprise doit partir des besoins du client et sorganiser pour rpondre
la demande de faon rapide et efcace (111). Cest ce que proposent les spcialistes
de la logistique. Contrairement certaines ides reues, le JAT nest pas synonyme de
vitesse et prcipitation, mais bien dorganisation globale et de respect des dlais conve-
nus
7
. Par leur mtier dorigine, le transport, les logisticiens sont le lien entre le producteur
et le distributeur. Ils prsentent des services forte valeur ajoute qui sont : hygine, tra-
abilit, scurit, rapidit et zro stock.
Daprs la dnition de lencyclopdie e-business , la chane logistique ou supply
chain , en anglais, est dnie comme un ensemble de procdures et de logiciels per-
mettant de grer de faon optimale la totalit des ux dinformation, des ux physiques
et des interfaces entre les diffrents acteurs, producteurs et fournisseurs quimplique
la fabrication dun produit ou loffre dun service. Ils se basent sur les renseignements
concernant la demande jusquaux donnes ncessaires la distribution, en passant par
la conception et la production proprement dite .
Figure 1.1 La chane logistique
La gure 1.1 illustre la dnition de la chane logistique. Elle prsente les 3 principaux
acteurs qui sont lindustriel, le transporteur et le distributeur. Les industriels prennent
en charge lacheminement de lusine vers les entrepts de distributions, tandis que les
grandes et moyennes surfaces supervisent la distribution de leurs entrepts vers les ma-
gasins. La tendance actuelle est dexternaliser les services de la logistique et du trans-
port pour se recentrer sur leur domaine de comptence. Les investissements de dpart
pour prtendre faire de la logistique du froid sont dailleurs trop levs. Ainsi, les grands
groupes de transporteurs proposent la location et la gestion des entrepts, ltiquetage,
le co-packing et le transport. Cette prestation est appele supply chain management
(98). Le transporteur se trouve nanmoins dans une situation dlicate. Il doit la fois
rpondre aux exigences du producteur et du distributeur. Nos trois contraintes sont la
7. La performance logistique, J-Philippe Guillaume, 1993, chez Nathan
14
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
tension des ux, le respect de la chane du froid et la traabilit cone Jean-Pierre
Sancier, directeur gnral adjoint de STEF, 2004.
Dans un contexte de forte concurrence, les industriels des produits frais font preuve dune
extrme ractivit pour coller aux exigences des distributeurs. Mais leurs relations res-
tent tendues. Un rapport de force commercial entre eux a pour consquence de tirer les
prix du transport vers le bas. La rentabilit devient trs faible. Il est coutume de dire quun
transporteur fait son bnce le 31
ime
jour du mois.
Pour rpondre aux exigences imposes par les chargeurs et les distributeurs, daprs
une tude ralise par Eurostaf en 2007
8
, les prestataires logistiques et de transport
sattachent :
Approvisionner les distributeurs en ux tendus,
Les industriels de lagro-alimentaire et de la grande distribution cherchent optimi-
ser les DLUO (Date Limite dUtilisation Optimale) et rduire les dlais de livraison
de faon acclrer la rotation de leurs stocks.
Matriser les cots,
Les carburants reprsentent 20% des cots de revient et environ 5% du prix nal
dun produit. Laugmentation constante du prix des carburants pousse les prix du
transport vers la hausse. Les frais de personnel et ceux du foncier qui subissent
une forte progression compriment galement les marges.
Optimiser les cots de transport et de la logistique,
De nouvelles mthodes dorganisation destines amliorer la productivit et le
taux de service sont adoptes pour grer les entrepts, comme la prparation de
commande par reconnaissance vocale. De mme, les prestataires recourent la
sous-traitance de la traction ou au pooling pour rationaliser les cots de transport
et gagner en exibilit.
Investir pour amliorer la scurit et la traabilit,
Le respect de la chane du froid est un pr-requis et une composante essentielle
de la qualit du service. Les prestataires doivent donc possder des entrepts et
des vhicules spcialement quips.
Densier leur rseau,
Cette stratgie peut impliquer des acquisitions, comme STEF-TFE la fait avec
Cryologistic en 2007. Elle peut passer par des implantations directes, comme le
fait STEF -TFE (ouverture de 7 nouveaux sites logistiques ces deux dernires an-
nes).
Proposer des prestations plus forte valeur ajoute,
Ceci passe par des prestations de diffrenciation retarde (co-packing et co-manufacturing)
ou par la gestion de la traabilit.
8. Etude Eurostaf : Le transport et la logistique sous temprature dirige en Europe
15
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
La matrise des cots passe par une optimisation des plannings et donc par la prvision
des ventes (voir section 2.2.1). Les nouvelles implantations et autres investissements se
font quaprs une tude de march et donc dune prvision des ventes. De mme, pour
proposer de nouvelles prestations, il faut anticiper les besoins des clients.
Plus gnralement, les performances du transporteur dpendent de la faon dont il ma-
trise les ux. Nous avons soulign que les ux physiques des marchandises taient ac-
compagns de ux dinformations. Ces derniers composent la matire premire des pr-
visions de vente chez un transporteur (voir section 3.1).
Le transporteur est le maillon qui unit producteur et distributeur. Ces derniers lui ac-
cordent leur conance et se reposent sur lui pour tre livrs lheure. Pour y parvenir, le
transporteur doit veiller tre constamment la pointe dans les domaines techniques et
technologiques (voir section 2.3.3 et 2.3.4). Il doit galement entretenir une relation pro-
fessionnelle saine avec les acteurs de la chane logistique. Ils apportent les informations
dont le transporteur a besoin pour amliorer ces prvisions (voir section 2.4).
Pour illustrer la thorie par un cas concret, nous entrons au sein du groupe STEF-TFE.
1.1.2 Groupe STEF-TFE
1.1.2.1 Carte didentit
STEF-TFE est le premier logisticien du froid en France. Il opre sur les secteurs du
transport, de la prestation logistique et des systmes dinformation. Il pse 1, 7 milliard
deuros de chiffres daffaires en 2006 et compte plus de 11.900 salaris. Comme lillustre
la gure 1.2, le groupe et ses partenaires disposent de plus de 331 plates-formes et en-
trepts et 23.000 camions travers toute lEurope. Depuis son introduction en bourse
(1999), le cours du titre STEF-TFE a t multipli par 3, 5. Dans le mme temps, son CA
a progress de 40% et son rsultat net de 300%
9
.
Le groupe STEF-TFE cone la prestation logistique (surgels, frais et restauration rapide
hors foyer) sa branche STEF. Celle-ci gre les entrepts en temprature positive et
ngative. Le transport des produits frais et surgels, relve de la comptence de TFE.
Avant 2009, la logistique et le transport des produits de la mer sont la spcialit de la
liale Tradimar. En 2009 Tradimar disparat et lactivit est cone TFE. Les systmes
dinformation lis au pilotage des ux stocks ou tendus sont regroups dans la liale
Agrostar. Le groupe dtient galement des parts dans la CMN spcialiste dans le fret
9. Lociel des transporteurs, n2302, mars 2005
16
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
Figure 1.2 Localisation des sites TFE en Europe en 2007
entre la Corse et le continent.
Le ple transport TFE livre 100.000 destinataires rguliers par semaine. Il dispose, en
France, de 70 plates-formes de groupage sous temprature dirige (0/4C), situes tant
dans les zones de production que dans les zones de consommation et de distribution
10
.
Toutes les rgions franaises sont reprsentes (voir carte, gure 1.3). TFE est en me-
sure de prendre en charge le transport de camions complets, le groupage et la messa-
gerie. Grce son rseau, TFE assure ses livraisons en moins de 24 heures (livraison
en A pour B, selon le jargon en usage dans le groupe) quelle que soit la destination en
France.
Le ple STEF est le spcialiste de la prestation logistique en frais et surgel. Il exploite
dans toute la France des entrepts surgels, en ux stocks, et des plates-formes, en
ux tendus. Compte tenu des contraintes spciques lies au grand froid (voir section
1.1.1.1), les grandes et moyennes surfaces sous-traitent la logistique du froid. Ainsi, cha-
cune des plates-formes STEF sert dentreposage pour le compte dindustriels, de distri-
buteurs et de restaurateurs hors domicile. Les prestations associes au service dentre-
posage sont la conglation et la surglation des produits alimentaires, le conditionnement
et le traitement par froid de fruits et lgumes, le calibrage, la prparation de matire pre-
mire, le co-packing. STEF propose galement la gestion des approvisionnements, la
prparation des commandes, et lorganisation des livraisons aux points de vente. Les
concurrents directs de STEF sont Frigoscandia et Sofrino-Sogena.
10. Rapport annuel 2006 de STEF-TFE
17
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
Tradimar est le numro 1 du transport des produits de la mare. Il assure 80% des tra-
cs au dpart de Boulogne-sur-Mer, premier port de pche de France. Tradimar ralise
30% de son activit linternational (Angleterre, cosse, Italie, Espagne). Il transporte
500.000 tonnes de produits de la mare issus des 150 ports europens, pour alimenter
5.000 clients, des grandes et moyennes surfaces aux grossistes
11
.
Agrostar, est le service informatique du groupe STEF-TFE. Par ses solutions informa-
tiques, il optimise la logistique globale et les performances conomiques du groupe et
de ses clients. Chaque opration de la chane logistique (commande, prparation des
commandes, livraisons, transports, manutentions, stockages), ncessite une application
spcique. Elles peuvent tre regroupes dans un systme dinformation vou au m-
tier de lentreprise. Les plus rpandus dans le transport et la logistique sont les modules
TMS et WMS. Le TMS (Transport Management System) est un outil informatique ddi
la gestion du transport alors que le WMS (Warehouse Management System) couvre les
besoins lis la gestion des stocks et lapprovisionnement des magasins.
1.1.2.2 Le transporteur TFE
Figure 1.3 Situation gographique des
agences TFE
1.1.2.2.1 Le rseau Seuls des groupes consti-
tus de rseaux et disposant de moyens im-
portants sont mme dassurer des tracs in-
ternationaux.
A la diffrence dautres transporteurs, TFE
sest consacr transporter uniquement des
denres sous temprature dirige. Cest une
contrainte importante. Dans un territoire seg-
ment par activit de production, le transpor-
teur part dune rgion R1 pour livrer les produits
de cette rgion dans la rgion R2. Or lactivit
de la rgion R2 est diffrente de celle de R1.
Un camion qui revient vide, (sans tre charg
des produits dune activit de R2), ne produit
aucune recette. Cest pourquoi le transporteur
doit tre capable de se diversier. Dans la pra-
tique, cest moins vident. La lgislation im-
pose de respecter des rgles suivant les pro-
duits transports. Pour prserver la qualit sa-
nitaire des frigos, une remorque isotherme na
11. Lociel des transporteurs, n2120, juin 2001
18
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
pas le droit de transporter du sable par exemple. Dautre part, de par leur nature (li-
quide, solide, fragile) les produits se transportent diffremment. Parmi les transports de
marchandises spcialises, lINSEE recense 7 sous catgories :
transport routier frigorique,
transport routier de produits ptroliers,
transport routier dautres vracs liquides ou gazeux,
transport routier de marchandises conteneurises,
transport routier de meubles,
transport routier de marchandises en vrac sec,
transports routiers spcialiss n.c.a (non classs ailleurs).
Pour augmenter les chances de retour plein, TFE innove et met en place un rseau na-
tional de messagerie sous temprature contrle. Avec des commerciaux dans chaque
site et le rachat de transporteurs locaux, TFE construit un portefeuille client local. Cest
le plus sr moyen de faire circuler les camions plein. Le deuxime avantage du rseau
est quil permet de relier les sites de production et les points de vente dans un dlai de
moins de 24 heures.
Le rseau TFE dcoupe la France en 6 rgions, Bretagne/Pays de Loire, Est, Nord,
Normandie/Ile de France, Sud-Ouest, Sud-Est. Chaque rgion comporte un ensemble
dagences dont une direction rgionale. En moyenne, les plates-formes se trouvent
moins de 150 km lune de lautre. Lemplacement des sites nest pas anodin. La carte
de la gure 1.3, fait apparatre que les rgions agricoles du Nord-Ouest (Bretagne, Nor-
mandie), du Bordelais, de lalsace, de la champagne, des Pays de la Loire et celles du
Sud-Ouest ont t bien implantes par les agences de transport TFE. Les rgions ur-
baines (le Nord, la rgion parisienne, lOuest) comportent galement de nombreux sites.
Dautre part, certaines agences sont plus importantes par leur taille. Elles sont appeles
plate-forme toile . Elles sont situes sur des axes stratgiques. Leur rle est de rece-
voir la marchandise de toutes les agences de la rgion et de la desservir sur lHexagone.
Les plates-formes toiles sont : Paris, Rennes, Lyon, Avignon, Dijon, Niort, Langres, Tou-
louse, Le Mans, Nantes (voir section 1.2.2).
STEF-TFE a fait construire un grand nombre de ses plates-formes. Deux raisons pour
cela, la premire est quil existe peu doffres disponibles dans ce secteur, la deuxime
est lie la localisation. Pascal Wagner, secrtaire gnral du groupe, relve que les
choses se jouent 10 ou 20 km pour trouver le bon barycentre et les nuds de commu-
nication qui permettent dconomiser des kilomtres ou du temps
12
.
Le rseau engendre des ux physiques et dinformation. Cest pourquoi nous tudions
les deux types de ux.
12. Stratgie logistique, n57, juin 2003
19
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
Figure 1.4 Voyage des ux physiques chez TFE
1.1.2.2.2 Les ux physiques Les plates-formes (agence) du groupe travaillent en troite
collaboration. Pour raliser les chanes de transport en A pour A ou A pour B, les ux
de transport fonctionnent suivant la gure 1.4. Rappelons quun transport A pour A, si-
gnie ramasser la marchandise chez lexpditeur le jour A pour la livrer chez le destina-
taire moins de 24H aprs. Entre 8h et 12h, les camions de lagence partent en tourne
pour distribuer les marchandises reues la nuit par le rseau TFE (distribution rgionale).
Avant de rentrer, ils partent faire le tour des industriels pour ramasser la marchandise
destination des distributeurs (ramasses).
Ces dernires sont dposes sur la plate-forme TFE pour tre tries suivant leur desti-
nation. Elles sont ensuite expdies entre 14h et 19h vers les agences du rseau (exp-
dition). Le mme cycle se reproduit dans lagence rceptrice.
Les ux physiques sont dcomposs par segments (voir gure 1.5) pour ensuite tre
traduits en objets informatiques (voir section 3.1.2). Chaque transport est un segment.
Suivant son lieu de dpart et sa destination le segment porte un nom diffrent. Cest le
20
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
moyen choisi par TFE pour tracer le circuit quemprunte la marchandise depuis lexpditeur
au destinataire. Chacun de ces segments est informatis et enregistr dans une banque
de donnes.
Figure 1.5 circuit de la marchandise de lexpditeur au destinataire
La gure 1.5 dsigne les diffrents types de transfert de marchandises possibles entre
deux acteurs. Les segments denlvement sont les oprations consistant prendre en
charge la marchandise chez un expditeur pour lamener au quai de lagence de trans-
port. Les ramasses dsignent les enlvements rguliers ne ncessitant plus de conr-
mation.
Les ux dentres quai appartiennent lune des trois catgories suivantes :
remises quai effectues par les expditeurs ou remettants,
retours de livraison / ramasses / enlvements effectus par les vhicules de lagence,
arrivages en provenance des autres agences.
La remise des marchandises aux destinataires peut tre effectue de deux manires
diffrentes :
21
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
livraison chez le destinataire par TFE,
prise quai TFE par le destinataire.
La livraison est toujours faite au destinataire dsign sur le document de transport.
Les ux de sortie de quai appartiennent lune des deux catgories suivantes :
expdition vers les autres agences,
livraison vers un destinataire nal.
Les segments livraison , livraison Directe (ou distribution ) et expdition sont
les principaux ux en termes de poids de marchandises en sortie du quai. Cest pourquoi
ils dcrivent, eux seuls, lactivit dun quai. Les enseignes de grandes et moyennes
surfaces imposent le rythme de lactivit livraison (distribution) des agences de trans-
port. Les producteurs et lindustrie agro-alimentaire imposent, pour leur part, le rythme
de lactivit expdition des agences de transport.
Le transporteur TFE fait la distinction entre livraison locale (LI) et livraison directe (LD).
La dernire survient quand une agence livre un destinataire nal situ hors de sa zone
de chalandise. A contrario, une livraison (locale) se produit dans la zone commerciale de
lagence.
Les expditions sont des ux inter-rseaux. Pour augmenter la productivit, les agences
se partagent leurs ressources. Les marchandises en provenance des agences Le Bras
et Le Coz et Mah, dans le Finistre, vont transiter par lagence de Rennes pour tre soit
livres sur place soit expdies vers une autre agence. Dans le premier cas, lagence
de Rennes est appele agence de dgroupage dans le deuxime cas elle est une
agence de transit . Les agences du Finistre sont les remettants . Elles seront fac-
tures par Rennes pour la prestation rendue.
Quand le voyage est trop long pour tre effectu en une seule traite (aller-retour dans la
journe), les agences A et B sorganisent. Elles envoient chacune leur chauffeur sur la
route. Ces derniers se croisent un point de rendez-vous x mi-chemin. Ils changent
leur remorque et font demi-tour. Cette astuce permet dconomiser des frais de dplace-
ment pour lagence et au chauffeur de rentrer chez lui aprs sa journe de travail.
1.1.2.2.3 Schma du passage quai Le vhicule et lentrept sont les outils de tra-
vail de rfrence. Les quais (ou plates-formes ou agences) TFE sont installs dans des
rgions fort potentiel conomique. Dun point de vue nancier, linvestissement quils
reprsentent est considrable. Les btiments ont une surface de 5.000 6.000 m
2
. Ils
sont quips de climatisations fonctionnant 24 heures sur 24. Les tempratures sont af-
ches en temps rel via un systme dcran de contrle. Lhygine doit y tre de qualit
irrprochable.
Contrairement aux entrepts de la STFE, ceux de TFE ne sont pas destins au stockage.
22
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
Figure 1.6 Schma dun quai TFE
Ils ont pour vocation dorienter la marchandise vers sa destination. Ils jouent le rle de
nuds du rseau.
La gure 1.6 montre le fonctionnement dun quai de messagerie. En entre, le quai re-
oit des marchandises expdies par les autres agences du rseau, les marchandises
apportes quai par les clients et celles enleves pendant une tourne de ramasses.
Habituellement, les marchandises sont poses sur des palettes standard appeles Eu-
rope . Elles supportent une charge de 300 kg sur un volume de 1, 728 m
3
(80120180).
Un vhicule supporte jusqu 33 palettes.
Sur un quai, les manipulations de produits sont rduites au minimum. Selon les cas, les
palettes passent directement du quai dentre celui de sortie (cross docking), ou elles
sont reconditionnes dans la zone de tri. Dans ce cas, les colis sur la palette dentre
sont clats sur diffrentes palettes selon leurs destinations. Une palette au sol peut ainsi
contenir plusieurs palettes empiles les unes sur les autres. Elle est appele palette ger-
be. Une agence comme celle de Rennes traite une moyenne de 3.000 palettes jour.
Cest une centaine de camions en provenance de plus de 500 expditeurs qui arrivent
quai de lagence de Rennes. Aprs passage quai, les marchandises repartent vers
plus de mille destinations.
La productivit sur le quai se calcule par le taux de productivit qui est le ratio tonne /
heure par manutentionnaire. Il se situe entre 2, 5 et 3 T/H.
23
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
1.1.2.2.4 Les ux dinformation Dbut des annes 2000, le groupe STEF-TFE inves-
tit massivement en moyens informatiques. Une des cls du succs repose sur la mise en
place dun systme dinformation particulirement avanc. Pour rpondre aux exigences
de traabilit imposes par lEurope (texte CE n178/2002), amliorer la rentabilit et du
mme coup le service rendu au client, le groupe utilise un entrept de donnes ( Data
Warehouse en anglais). Cet entrept de donnes stocke toutes les informations rela-
tives aux colis transports et entreposs par le groupe, soit plusieurs giga-octets dinfor-
mation.
Le rglement europen soumet les transporteurs sous temprature dirige une obli-
gation gnrale de traabilit. Chaque maillon de la chane du froid doit tenir jour les
entres et les sorties des denres ou produits avec la liste des fournisseurs et clients
correspondants et disposer de systmes permettant de mettre ces informations la dis-
position des autorits comptentes
13
.
La banque de donnes du groupe STEF-TFE met en ligne quelque 100 millions de
contrats qui sont passs au crible de lanalyse multidimensionnelle avec laide doutils
dcisionnels. Avec ces outils, les collaborateurs accdent de manire simplie, via une
interface web, un ensemble de statistiques pour la prise de dcision. Prsentes sous
forme de tableaux de bord ou de cubes dynamiques, ces analyses rendent compte, grce
des indicateurs de rentabilit, de la performance dune agence, dun client ou dune
tourne
14
. Pour diminuer le risque dutilisation abusive, les collaborateurs se voient attri-
buer un mot de passe avec lequel ils ont accs linformation restreinte leur domaine
de comptence. Les contrleurs de gestion par exemple accdent aux informations leur
permettant de surveiller la bonne sant de leur agence (grille tarifaire, niveau de produc-
tion, nombre de colis, retard de livraison, . . .). Les commerciaux, quant eux, accdent
des informations clients (activit, rentabilit,. . .).
Loutil web dvelopp est appel Infomanager. Le catalogue Infomanager est partag en
rubriques telles que Contrle de gestion oprationnel , Ordre de transport , Sta-
tistiques commerciales , Domaine dactivit , Heure quartz (relatif aux disques
des camions), Tableau de bord de pilotage , Ressources humaines , Suivi des
horaires navettes . . . (voir section 3.1.1).
Suite cette exprience concluante, le groupe a continu sa progression dans le partage
de linformation. Il propose aujourdhui den faire bncier ses clients. A travers le portail
TFE-online, des outils web comme e-sent, e-track, e-plan, permettent aux clients de pas-
ser leurs ordres de transport, de suivre gographiquement leurs expditions en temps
rel, de connatre le nombre de contrles temprature effectus, les dates et heures de
ramasses de leur localit, les tarifs et temps de transport pour une destination, les litiges,
les retards, . . . Dautres outils proposent de grandes enseignes des tableaux de bord
dynamiques sur leur propre activit. Elles peuvent notamment savoir o sont vendus
13. Lociel des transports magazine, Novembre 2004
14. Transports Actualits, n751, juillet 2002
24
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
leurs produits et qui les achte.
Dautres ux dinformations sont gnrs. La rglementation de janvier 2005 sur la tra-
abilit, oblige les diffrents acteurs de la lire communiquer entre eux en faisant
dialoguer les systmes dinformation. Do la ncessit de matriser lEDI (Echanges de
Donnes Informatises)
15
. LEDI permet, travers un protocole de normes internatio-
nales, dchanger des donnes dordinateurs ordinateurs. Les informations changes
sont diverses et varies. Par exemple, les poulets sont pess, tiquets avec le poids, le
numro de lot, le prix au kilo, la temprature, etc. Ces donnes circulent entre chaque
maillon de la chane logistique.
A Givors, nous avons particulirement mis laccent sur la traabilit, grce une int-
gration complte de notre informatique avec celle des clients et via des systmes radio,
une gestion en temps rel de lentrept et de la production automatique dtiquettes code-
barre aux normes EAN-Gencod qui permettent de tracer les produits sortant de lentrept
jusquaux destinataires . commente Daniel Page, directeur de lentrept Givors (Rhne
Alpes) en 2001
16
.
1.2 A lcoute de lindustriel
Lentreprise TFE vend du transport de marchandises. Ce transport est factur soit au
poids, soit au nombre de palettes. Une vente quivaut une lettre de voiture. La lettre
de voiture ou position (voir section 3.1.2) dans le jargon du transporteur est le document
qui scelle le contrat pass entre le transporteur et son client. La lettre de voiture contient
entre autres comme informations, le nom de lexpditeur, le poids, le lieu de chargement
et le lieu de livraison des marchandises. Les ventes des agences de transport TFE sont
donc rsumes par deux indicateurs, le poids des marchandises transporter et le
nombre de lettres de voiture (ou positions) associes.
Le nombre de lettres de voiture est fortement corrl avec le nombre darrts pendant
les tournes de ramasses ou de livraison. On conoit aisment quenlever plusieurs
centaines de colis par jour auprs dun seul client cote moins cher au commission-
naire quenlever le mme nombre de colis auprs de dizaines de clients diffrents. Le
mme raisonnement sapplique la livraison pour la concentration des domiciles livrs ,
Branche, 2006 (20). Cest pourquoi TFE souhaite prvoir le nombre de lettres de voiture
quotidien par agence du rseau.
Historiquement chez TFE, le poids des marchandises transportes est lindicateur de
rfrence. Un grand nombre dindicateurs de productivit et rentabilit en dcoule. Le
poids peut, par exemple, tre converti en nombre de palettes au sol. Cest un indicateur
15. Lociel des transporteurs magazine, Mars 2004
16. Lociel des transporteurs magazine, Mars 2004
25
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
prcieux quand lobjectif est de remplir les camions de 33 palettes.
Ainsi, une importante partie de la thse se consacre prvoir les ventes des agences de
transport TFE. Par la suite, dans le contexte de lentreprise TFE, nous prfrons parler de
prvision dactivit au lieu de prvision des ventes. Lactivit est dnie comme la com-
binaison des facteurs poids et nombre de lettres de voiture. La section 1.2.1 introduit la
demande des clients et lorganisation que TFE met en place pour y rpondre. Elle montre
galement comment la prvision dactivit joue un rle dterminant pour augmenter la
productivit tout en satisfaisant les attentes des clients. La section 1.2.2 souligne les
changes de marchandises entre les agences de transport du rseau. La section 1.2.3
introduit une suite dactions excuter pour installer un systme de prvision. La sec-
tion 1.2.4 dnit le besoin de TFE en information prvisionnelle. Elle prcise aussi quel
chelon de la pyramide et quel horizon lactivit des agences de transport TFE doit tre
prvue. La section 1.2.5 pose
1.2.1 Enjeux de la prvision dactivit chez TFE
La tendance des magasins est de travailler en ux les plus tirs possibles. Il faut
alimenter les linaires en vitant de stocker. Les industriels rpondent aux commandes
quotidiennes des grandes et moyennes surfaces pour approvisionner leurs entrepts.
Les quantits de ravitaillement uctuent quotidiennement selon les sorties de caisse des
grandes et moyennes surfaces. Dans le cas de Carrefour, tous les soirs, toutes les don-
nes de vente en magasin sont centralises lentrept, les commandes sont expdies
ds le lendemain. Ce rapprovisionnement automatique reprsente : 80% des ventes
pour lpicerie et 98% des produits frais ,Terrolle, 2004 (111).
Pour faire face, les gros industriels de lagro-alimentaire tablissent des prvisions de
vente aussi bien un rythme mensuel que quotidien. Le premier maillon de la chane
logistique, cest la prvision des ventes. Et cette prvision doit tre la plus proche pos-
sible de la ralit. Elle constitue un avantage concurrentiel dcisif sur son march o le
matre mot est le juste--temps , Ayadi, 2005 (12). Ainsi, les industriels utilisent la
prvision des ventes comme un outil permettant dapprovisionner les distributeurs en ux
tendus.
Quen est-il du transporteur ? Nous avons mentionn dans la section 1.1.1.4 que la
chane logistique le plaait entre lindustriel et le distributeur. Pour satisfaire la demande
de transport des marchandises entre les diffrents acteurs, le transporteur a galement
intrt anticiper ces transports. Or les industriels ne sont pas encore prts partager
les informations prvisionnelles avec le transporteur. Ils craignent de donner trop dinfor-
mation au transporteur qui, se voyant dans une position de force, pourraient en proter
26
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
pour augmenter ses prix. Cest pourquoi le transporteur doit galement prvoir la de-
mande de son secteur dactivit. La section 2.1.1 montre que la prvision de la demande
passe par la prvision des ventes, cest--dire, pour TFE, la prvision du nombre de
lettres de voiture et du poids des marchandises transporter.
Une brve description de lorganisation du transporteur permet dapprhender les en-
jeux de la prvision dactivit chez TFE.
Les chargeurs font leurs commandes tous les jours pour un transport le mme jour.
Les ordres de transports sont passs par fax ou EDI 7h du matin. La marchandise
est collecte chez le donneur dordre entre 8h et 12h. Cest le circuit de ramasse
(voir section 1.1.2.2.2).
La marchandise rcolte est dcharge sur le quai de lagence TFE pour tre re-
groupe par destination. Cest lactivit de groupage (voir section 1.1.1.1).
Les marchandises groupes, sont expdies entre 18h et 22h sur toute la France.
Les agences du rseau qui reoivent les marchandises expdies et qui les livrent
chez le destinataire nal sont appeles agences de dgroupage. Tous les jours,
aprs 19h, elles reoivent, par EDI, les lettres de voiture livrer.
Suite au dgroupage, la tourne de livraison (ou distribution) se fait entre 8h et 12h,
avant la tourne de ramasse.
Ainsi, dans 90% des cas, lagence de transport reoit les ordres de transport de lindus-
triel moins de 3 heures avant lenlvement de la marchandise. Elle a donc peu de temps
pour sorganiser. Pour constamment rpondre prsent ses clients, lagence propose un
plan de transport. Il comprend les horaires de collectes chez les chargeurs et les horaires
darrives en fonction des destinations. De cette faon, les clients utilisent le rseau de
TFE aussi facilement quils prennent un train. Par contre, il reste pour TFE la difcult
dapprcier sufsamment lavance :
le nombre de camions planier sur une tourne de ramasse, dexpdition ou de
distribution,
le nombre de manutentionnaires sur le quai pour traiter les marchandises collec-
tes lors des tournes de ramasses ou reues des expditions du rseau.
En outre, il arrive que les quantits transporter varient de 1 10 dun jour lautre. Les
oprations spciales, comme les promotions, en sont la cause. Elles dsorganisent le
plan de transport. Comme les clients nen communiquent pas la priode, cest TFE de
les prvoir. Ajoutons que TFE utilise lintrim pour rpondre la variation dactivit. Or,
lintrim reprsente un cot important quil faut rduire. Pour ne plus subir mais anticiper
lactivit, une prvision du poids des marchandises passes quai et du nombre de
lettres de voiture journalier pass quai sera un rel outil daide la dcision. Dune
part, TFE est capable de dterminer le nombre de camions en fonction des noms des
27
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
chargeurs, du poids des marchandises et du nombre de positions (ou lettre de voiture).
Dautre part, TFE dduit du poids des marchandises passes quai et du nombre de
position, le nombre dheures productives sur le quai.
Le transport pour les grandes et moyennes surfaces reprsente peu prs 12% du
chiffre daffaire (CA) de TFE. La rgle des 80/20 ne sapplique donc pas forcment dans
toutes les agences de transport du groupe. Quand bien mme, si 20% des clients g-
nrent 80% du CA, il faut sefforcer de satisfaire les 80% de clients restants. Du petit
agriculteur ou picier lindustriel ou GMS, ils sont nombreux. Leurs demandes voluent
trs rapidement. Pour tirer cette demande et ainsi tre plus ractif, il faut tablir des prvi-
sions ables de la demande. Or prvoir le nombre de lettres de voiture et le poids passs
quai quotidiennement quivaut anticiper le besoin du client, amliorer le niveau de
service et optimiser la chane logistique (voir section 2.1.1).
Les agences sont aussi des entreprises indpendantes. Elles grent leur comptabilit
et leurs propres clients. Elles se facturent les prestations et font jouer la concurrence.
Elles parlent de clients internes quand il sagit dagences du groupe et de clients ex-
ternes dans les autres cas. Dans le but de rduire les cots de transport, de multiples
combinaisons sont envisageables pour acheminer un produit. Loptimisation du charge-
ment dun camion ne consiste pas uniquement le remplir. Quelle que soit la distance, il
est parfois plus rentable pour une agence de ramasser un demi-camion de marchandises
chez lindustriel et de le livrer directement chez le destinataire nal, que de faire passer
cette marchandise par le rseau, pour remplir les camions. Cet exemple montre que le
dchargement, le tri et le chargement sur un quai sont une part importante de la facture.
Cest pourquoi il est devient urgent pour TFE de baisser les cots de fonctionnement du
quai. La prvision du nombre de lettres de voiture et du poids des marchandises passes
quai va ly aider. Ajoutons que cette prvision est la matire premire pour optimiser
les ressources matrielles et humaines ncessaires lactivit sur le quai.
Plus gnralement, les exigences actuelles de qualit de service (rapidit, abilit,
scurit . . .) imposent aux prestataires et aux entreprises de transport de devenir des
organisations ractives et exibles, capables de faire face aux invitables alas et uc-
tuations de lactivit , Fabbe-Costes, 1999 (49). La prvision de la demande est un outil
pour y parvenir.
Nous venons de monter que parmi le nombre de lettres de voiture et le poids des mar-
chandises transportes, nous retenons, pour la prvision, que les marchandises passes
quai. Ces prvisions visent fournir des lments cruciaux pour :
planier des ressources matrielles et humaines,
optimiser les rgles de ramasse, dexpditions et distribution,
28
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
faire baisser les cots de fonctionnement,
formaliser le comportement court, moyen et long terme des clients,
atteindre une qualit de service leve,
limiter la dpendance vis--vis de lincertitude.
Prvoir les indicateurs cits ncessite de matriser lacheminement des marchandises
entre lexpditeur et le destinataire.
1.2.2 Suivi des marchandises dans le rseau TFE
Figure 1.7 Flux engendrs par le r-
seau
Dans un but prvisionnel, le suivi des mar-
chandises dans le rseau est un lment cl.
Par dnition, le rseau relie les agences du
groupe entre elles par des changes de mar-
chandises. En thorie, cette connexion en-
gendre des lois de cause effet. Prenons une
agence A, son activit en expdition et distribu-
tion dpend de ses ramasses, mais aussi des
expditions reues du rseau. Ces dernires
dpendent des ramasses du rseau. En pra-
tique, il existe dans le rseau TFE plusieurs
sous rseaux. Nous avions prcdemment d-
ni la plate-forme toile comme une agence si-
tue sur un axe de communication routier stra-
tgique et, de par cette situation, elle recevait
les marchandises des diffrentes agences ex-
centres de la rgion pour les rexpdier tra-
vers lHexagone.
Ainsi, comme lindique la gure 1.7, chaque
plate-forme toile comporte son propre rseau
dagences. Les nuds quelles reprsentent, permettent la connexion entre le rseau
local et le rseau national. Mais les agences dcidant ne pas passer par une plate-forme
toile pour rejoindre un autre rseau sont, dans certains cas, autorises le faire.
Cette complexit ne permet pas de dire que toutes les expditions dune agence A vont
vers lagence B ou que toutes les livraisons de lagence B proviennent des expditions de
lagence A. Un moyen de suivre les ux est de prendre les lettres de voiture une par une.
Sachant quil en existe plus de 100 millions, il parat difcile, mme avec les outils infor-
matiques daujourdhui, de les analyser individuellement. De mme, suivre les diffrents
29
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
ux constitus de plus de deux points darrts savre difcile cause du nombre de pos-
sibilits illimites entre les 70 agences du groupe. En revanche, TFE souhaite analyser
les ux entre deux acteurs, soit entre une agence et son client, soit entre deux agences
(voir matrice de la gure 1.9). Notons que deux entits forment un rseau minimal. La
section 1.2.4 montre que les prvisions du nombre de positions et du poids des marchan-
dises transportes entre deux acteurs de la chane logistique sont inutilisables. La maille
choisie, cest--dire entre deux acteurs, est trop ne (voir section 2.2.2). Cest pourquoi
la thse se concentre prvoir le nombre de positions et le poids des marchandises
passes quai et partant vers une tourne dexpdition ou une tourne de distri-
bution. Une perspective sera de prvoir le poids des marchandises transportes entre
une agence et ses 5 10 plus gros clients ou agences du groupe.
1.2.3 Mthodologie et prrequis linstallation dun systme de prvi-
sion
Figure 1.8 Organigramme dun sys-
tme de prvision
Source : R. Bourbonnais et JC Usunier
Hubert Carpentier, directeur de lorganisa-
tion et des systmes dinformation des super-
marchs Match, dclare : il ne fait aucun
doute que des prvisions de vente trs pr-
cises engendrent dimportants gains de pro-
ductivit
17
.
A lchelle dune grande entreprise comme
TFE qui souhaite un systme de prvision op-
rationnel commun ses 70 agences, il est pri-
mordial de mettre en place une chane de pro-
cessus. Comme lindique la gure 1.8 un sys-
tme de prvision repose sur :
des donnes dentre issues dun sys-
tme dinformation et du rsultat des pr-
cdentes prvisions,
des processus de correction et validation
des prvisions fournies,
un modle mathmatique construit par-
tir dhypothses statistiques et dinforma-
tions dcrivant le phnomne prvoir,
17. Success Story : Le systme de prvision des ventes chez Match, Aldata Solution 2008
30
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
un dveloppement informatique du sys-
tme de prvision permettant une mise
jour rgulire et automatis des prvi-
sions,
des pratiques de management pour intro-
duire la prvision en entreprise.
Ainsi, avant mme de se lancer dans une suite de traitement, danalyse de donnes et
de calculs des prvisions, il faut rpondre des questions comme : Quelles grandeurs
sont prvoir ? Quel doit tre lhorizon de prvision? Quelle est la frquence des mises
jour ? Quelle erreur de prvision peut tre perue comme acceptable? Aprs avoir
rpondu aux questions (voir section 2.2), les donnes internes lentreprise seront ana-
lyses et transformes dans le but de constituer un historique able (voir section 4.4.1
et 4.4.2). Il sen suivra la recherche dun modle mathmatique de prvision compatible
avec les donnes disponibles (voir section 4.4.3). Il sera informatis pour tre excut
intervalle rgulier selon les mises jour des donnes (section 4.7). Linformation prvi-
sionnelle pourra tre corrige le cas chant. Au nal, elle sera diffuse par un systme
de reporting (voir section 4.7.3).
Hubert dHondt
18
, met laccent sur le fait que de nombreuses organisations ont d-
pens des sommes importantes mettre en place des systmes logistiques base de
progiciels de gestion intgrs et doptimisation (ERPs, APS) pour rduire les stocks et
les dlais sans atteindre les objectifs viss et donc sans obtenir le retour sur investisse-
ment escompt
19
. Il nest donc pas question pour TFE de faire lachat dun progiciel de
prvision et de commettre la mme erreur. Au contraire, le challenge de la thse est de
construire autour des prconisations de R. Bourbonnais, JC Usunier (18) et J. T. Mentzer,
M. A. Moon (85) une dmarche permettant de monter un systme de prvision qui colle
aux besoins rels de lentreprise, avec un petit budget.
Mettre en place un systme de prvision demande de la part de lentreprise quelle pos-
sde les connaissances et les comptences couvrant au moins les quatre domaines
suivants :
la capacit de dnir ses rels besoins en termes de prvision et les contraintes
qui y sont lies,
lapplication de diffrentes mthodes de prvision,
les procdures lui permettant de slectionner les mthodes de prvision adquates
des situations spciques,
18. Vice-prsident Global Services chez Cartesis
19. Tribune publie par Hubert dHondt le 06 Novembre 2003 dans /www.journaldunet.com
31
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
un support organisationnel pour lapplication et lutilisation des mthodes de prvi-
sion (87).
La suite de la thse fournit lentreprise une rponse ces diffrents points.
1.2.4 Dnition des besoins de TFE en information prvisionnelle
Comme il a dj t dit, historiquement, lunit de rfrence chez TFE est le poids des
marchandises transportes. Les marchandises taient de la matire premire transpor-
te en sac de poids quivalent. Les contrats avec les chargeurs taient signs sur la base
du poids transporter. La lgislation impose des poids de charge maximum aux camions.
Avant larrive des chariots de manutention et chariots lvateurs, la main-duvre tait
proportionnelle au poids de la marchandise manipuler. Dautre part, les sources of-
cielles
20
utilisent comme indicateur de lactivit du transport, le poids des marchandises
transportes.
Aujourdhui, le poids ne semble plus tre un indicateur prpondrant. Les produits sont
trs dissemblables. Du fait de leur packaging (commercial) ils prennent de plus en plus
de volume. Une tonne de pots de yaourt nest pas analogue en volume une tonne de
carcasses de viande crochetes. Admettons que la tonne de yaourt reprsente une di-
zaine de palettes europe au sol (PES) alors que la tonne de viande nen prend quune.
Grce aux chariots de manutention, quil sagisse de dplacer la palette de yaourt ou la
palette de viande, leffort physique est quivalent. Par contre, la tonne de yaourt est plus
longue dplacer, car elle ncessite plus de vas et vient pour traiter la dizaine de pa-
lettes. Ainsi, lindicateur de lactivit du quai est relatif au nombre de palettes dplacer.
TFE tant capable de convertir les prvisions du poids des marchandises transportes
pour un certain chargeur en quantit de palettes au sol, le service quai est un consom-
mateur de ces prvisions.
Le service exploitation dune agence de transport gre laffrtement des camions.
Il dcide du nombre de camions mettre disposition sur une tourne de ramasse,
dexpdition ou de distribution (voir section 1.2.1). Ce nombre dpend de la quantit de
palettes charger et du nombre de clients desservir, soit le nombre de destinataires.
Or, une position satisfait un expditeur et un destinataire. Le nombre de clients des-
servir est donc corrl au nombre de positions journalier. Ds lors, le service exploitation
ncessite des prvisions en nombre de positions. Le service dexploitation dcide gale-
ment des marchandises qui remplissent un camion. Les camions supportent des charges
maximales rarement atteintes . Par contre, ils sont limits 33 palettes au sol. Cest pour-
20. Le Service de lobservation et des statistiques (SOeS), rattach au Commissariat gnral au dveloppe-
ment durable (CGDD)
32
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
quoi le service dexploitation ncessite aussi des prvisions du poids des marchandises
passes quai. Aprs conversion en nombre de palettes au sol il estime le nombre de
camions affrter.
La direction des ressources humaines (DRH) a pour objectif la planication du per-
sonnel de quai et des chauffeurs. Actuellement lactivit quai est partage en quai nuit et
quai jour. Le quai nuit est charg de remplir les camions de distribution avec la marchan-
dise rceptionne par les expditions du rseau. Le quai jour rceptionne la marchan-
dise ramasse dans la zone de chalandise de lagence pour la charger dans les camions
dexpdition. Suite des expriences menes dans des agences TFE, il savre que
cette organisation nest plus ncessairement loptimale. Pour lamliorer et planier les
horaires de travail, la DRH souhaite obtenir des prvisions dactivit, non plus par exp-
dition ou distribution, mais par tranches horaires.
La direction dexploitation (DEX) est ladministration qui supervise lensemble des
agences de la branche transport du groupe STEF-TFE. Cest aussi le donneur dordre du
projet de recherche quest la thse. Dans le but de satisfaire lensemble des utilisateurs
potentiels, la DEX a transcrit les besoins en prvisions dans une matrice (voir gure 1.9).
Les lignes de cette matrice reprsentent les provenances des marchandises passes
quai. Les colonnes reprsentent les destinations de ces mmes marchandises. Le bloc
du bas de la matrice croise les provenances et les destinations des marchandises qui ne
passent pas quai. Les cellules de la matrice reprsentent un poids ou un nombre de
positions une date.
La gure 1.5 de la section 1.1.2.2.2 montre que les marchandises passes quai pro-
viennent soit dune tourne dexpdition (segments EX), soit dune tourne de ramasse
(segments EN), soit dun amen quai (segments AQ).
Les marchandises charges sur le quai partent, soit destination dun client pour livrai-
son, soit vers une agence de transport, appele dgroupeur. Le client destinataire peut se
trouver dans la zone de chalandise du transporteur, comme lextrieur. Dans le premier
cas nous parlons de destinataire nal local , dans le second cas, nous le nommons
destinataire nal hors local . Ils sont reprsents dans la matrice de la gure 1.9 par
les deux derniers blocs de colonnes.
Ainsi, cette matrice reprsente lactivit quotidienne dune agence de transport TFE. Len-
semble des marchandises transportes par une agence y est reprsent. La somme de
leurs poids, ou du nombre de positions quelles reprsentent, est lire dans la cellule
nomme 1 . La DEX souhaite prvoir quotidiennement chacune des cellules de la
matrice. Elle demande galement ce que cette matrice soit construite pour deux cat-
gories de marchandises : frais et non rfrigrs et surgels .
33
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
Figure 1.9 Matrice de lactivit dune agence TFE
La gure 1.10 tmoigne de diffrents horizons de prvision. La DEX souhaite des ho-
rizons de prvision au cas par cas. Certaines cellules de la matrice doivent tre ren-
seignes sur les 3 horizons de la gure 1.10, alors que dautres seulement sur le long
terme. Les cellules marques dtail , segment ED et segment LD prsentent
des informations oprationnelles. Leurs prvisions sont attendues un horizon court
terme (jour J plus 6 15 jours). Les cellules de la matrice reprsentant des sommes
portent des informations plutt considres comme stratgiques. La DEX en attend des
prvisions hebdomadaires horizons de 26 semaines.
De plus, les objectifs de la DEX sont datteindre une erreur de prvision infrieure 5%
34
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
Figure 1.10 Les horizons de prvision
la journe. Suivant lactivit des agences et des jours concerns, les 5% peuvent repr-
senter entre 5 et plus de 50 tonnes pour une journe qui voit passer 100 1.000 tonnes
au quai. Lidal serait de ne pas se tromper de plus ou moins une semi-remorque soit 25
tonnes.
Les premires investigations ont vite dmontr que la ralisation de cette matrice serait
difcile. Gnralement, une agence de transport TFE collecte des marchandises chez
plus dune cinquantaine de chargeurs et livre chez plus dune cinquantaine de destina-
taires. Dans un souci de lisibilit, la matrice ne pourrait pas afcher lensemble de ces
acteurs. Elle devrait donc ne retenir que les 10 premires provenances et les 10 pre-
mires destinations. Mais rien ne laisse envisager que les 10 premires provenances
sorientent vers les 10 premires destinations et vice versa. Donc mme ce choix oblige
afcher un bien plus grand nombre de provenances et destinations. Au nal, nous ris-
quons de nous retrouver avec une matrice creuse.
Dautre part, au regard de la pyramide produit (voir gure 2.2 de la section 2.2.2), les
cellules marques dtail sont des indicateurs rsidant la base de la pyramide. Or la
section 2.2.2 nous apprend que, de par leur grand nombre, il est prilleux de prvoir ces
indicateurs. Il est conseill de les regrouper pour atteindre un palier suprieur de la pyra-
mide. Une faon dy parvenir est par exemple de rassembler les segments dexpdition
suivant la rgion administrative des expditeurs (voir nomenclature INSEE).
Enn, lerreur de prvision attendue ne peut pas tre xe seulement suivant des imp-
ratifs conomiques. R. Bourbonnais (18) explique que lerreur de prvision attendue est
la moiti du coefcient de variation de la srie prvoir, corrig des variations saison-
nires (voir section 4.7.1). La section 2.2.11 argumente le choix dune erreur de prvision
acceptable.
Rappelons que le systme de prvision a pour nalit dapporter un outil daide la
dcision pour les centres de production (Quai, Parc camion) et de logistique (Exploita-
tion, DRH). Paralllement, les prvisions pourront tre utilises dautres ns comme la
35
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
dtermination des objectifs par la direction.
Aussi, le choix retenu est de commencer par prvoir :
le nombre de positions et le poids des marchandises passes quai. Cest la cel-
lule 2.1 de la matrice,
le nombre de positions et le poids des marchandises passes quai et destina-
tion dune tourne de distribution. Cest la cellule 4 .5 de la matrice,
le nombre de positions et le poids des marchandises passes quai et destina-
tion dune tourne dexpdition. Cest la somme des cellules 4 .4 et 4.6 de
la matrice.
Pour rpondre aux attentes de planication des ressources, nous prvoyons :
le nombre total dheures productives sur le quai,
le nombre dheures productives sur le quai pour traiter les marchandises destines
la distribution,
le nombre dheures productives sur le quai pour traiter les marchandises destines
lexpdition.
Le tout reprsente 9 sries temporelles communes aux 70 agences de transport du
groupe, soit 630 sries temporelles prvoir toutes les semaines. Lhistorique des chro-
niques dbute pour beaucoup dentre elles le 1
er
Janvier 2002. La maille de temps entre
deux observations est le jour. Les indicateurs cits seront prvus :
sur un intervalle de temps quotidien, un horizon de 24 jours,
sur un intervalle de temps mensuel, un horizon de 24 mois.
La prvision des autres cellules de la matrice sera envisage lorsque lentreprise TFE
matrisera lensemble des contraintes lies un systme de prvision. Comme le disait
Jean de la Fontaine, rien ne sert de courir, il faut partir point .
1.2.5 Intgration du systme de prvision au systme dinformation de
TFE
Comme le mentionne la section 1.2.3, un systme de prvision ncessite un environ-
nement et un dveloppement informatique pour une mise jour rgulire et automatise
des donnes relles et prvues. Voici quelques aspects informatiques ncessaires au
systme de prvision installer.
Le systme de prvision doit communiquer avec le systme dinformation dAgrostar (voir
section 3.1). Linformation de rfrence est lordre de transport. Lordre de transport donne
36
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
accs aux informations de chargement et dchargement : produit, unit logistique, lieu
de dchargement-chargement, date, heure, tiers expditeur, tiers destinataire, nombre
de colis, type demballage, poids, catgories demballages, etc. La base de donnes est
mise jour quotidiennement avec les donnes de la veille. Aujourdhui, ce rfrentiel
qui compte plus de 300.000 chiers tiers est un lment cl de notre systme de traabi-
lit
21
indique Serge Capitaine, directeur gnral adjoint de TFE. Dautres informations,
provenant des outils cits dans la section 1.1.2.2.4 seront utiles pour afner les prvi-
sions. Nous recensons les ordres de transport passs plus de deux jours avant la date
effective de dpart, les tarications, les distances des trajets, les effectifs, etc.
Le systme de prvision doit fonctionner sur le principe dun ETL (Extract Transform
Load) (voir section 4.6.1). Les donnes ncessaires sont extraites dune base de don-
nes mtier pour tre sauvegardes sous un format lisible par le logiciel de traitement
statistique choisi. Elles sont traites par ce mme logiciel et exportes vers un systme
de reporting. Pour agencer le tout, une application permettant de faire linterface entre
le logiciel de traitement statistique et le reporting doit tre trouve (voir section 4.6.4).
Les traitements doivent tre compltement automatiss. Lintervention humaine en bout
de chane cest--dire le destinataire des prvisions, peut tre envisage pour modier
les rsultats en fonction des dernires informations conjoncturelles non prises en compte.
Concrtement, depuis plus de cinq ans, TFE collecte, pour chacune de ses agences,
un grand nombre de donnes. Pour rpondre lobjectif des besoins prvisionnels, lhis-
torique du poids des marchandises, leurs provenances et destinations est un point de
dpart. Sajoute des donnes calendaires (jours fris, vacances, ftes), des donnes
internes (perte ou gain dun portefeuille client), des donnes externes (conjoncture co-
nomique, concurrence). Leurs sources doivent tre informatises.
Lactivit du transporteur TFE est lie la grande consommation (alimentation, pharma-
cie, horticulture). Laction marketing des producteurs et des distributeurs provoque des
variations importantes de la consommation et donc du transport. Il sen suit un boule-
versement de la rpartition des provenances et expditions des marchandises du trans-
porteur. Il devient alors intressant dintgrer dans le modle de prvision des variables
explicatives traduisant laction marketing. Il est envisag de rcolter ces informations par
lutilisation de linterface graphique des prvisions. Au cours du temps, lutilisateur dtecte
des erreurs de prvision quil explique par un vnement (voir section 4.8). Le prvision-
niste prend alors en compte ce fait et lintgre dans le modle.
La frquence de mise jour est hebdomadaire. Lhorizon de prvision est fonction de
la ractivit de lagence sadapter. Il ne sert rien de prvoir pour le lendemain si la
21. Lociel des transporteurs magazine, Avril 2005
37
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
planication des ressources se fait la semaine.
Les rsultats prvisionnels sont prsents sous forme de tableau accessible par une
interface web (voir section 4.7.3). Lutilisateur se connecte avec un mot de passe, il choi-
sit une agence TFE et voit apparatre le tableau suivant :
Ce tableau fournit les tonnages raliss suivant les critres slectionns par lutilisateur.
semaine 12 Lundi Mardi Mercredi Jeudi Vendredi Samedi
Tonnage 2008 253 265 292 246 231 126
Prvision 2009 255 260 298 250 220 112
Ton. Rel 2009 259 258 NaN NaN NaN NaN
Table 1.2 tableau extrait de linterface web
Il peut choisir entre domaines dactivits (Expdition, Distribution, Ramasse, Total) ou par
client de lagence.
1.3 Une dmarche de projet industriel et scientique
La section 1.2 a pos, avec lentreprise TFE, les objectifs, les attentes, les contraintes
et lorganisation de linformation prvisionnelle. La section 1.3 dcrit la mthode utilise
pour conduire la thse.
Lingnierie du logiciel est lapplication pratique des connaissances scientiques la
conception et llaboration des programmes informatiques et de la documentation n-
cessaire leur dveloppement, leur fonctionnement et leur maintenance , Boehm, 1988
(16).
Cette dnition de lingnierie du logiciel rsume bien la dmarche suivie dans cette
thse. Les premiers temps ont t consacrs la formation et lacquisition de connais-
sance. La comprhension qui en a rsult est retranscrite dans le deuxime chapitre de
la thse. En suivant une dmarche scientique, nous aboutissons non seulement un
modle mathmatique de prvision, mais aussi un plan de dveloppement du systme
de prvision (voir section 1.3.1). Cest ce que la dnition entend par connaissances
scientiques . Le quatrime chapitre de la thse centre ses efforts sur la conception
et llaboration dun outil informatique pour mise en production chelle industrielle.
La formation des utilisateurs, la maintenance du logiciel et son volution font partie de
lindustrialisation. Ainsi le systme de prvision mis en place chez STEF-TFE est pass
dune version bta une version V1 et V2.1.
38
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
1.3.1 Analyse et dcoupage du projet de recherche
Un projet correspond la situation dans laquelle on se trouve quand on doit at-
teindre un objectif avec des moyens et dans un dlai donn , Morley, 1999 (93). Cest-
-dire que dans la gestion de projet il faut chercher quilibrer les objectifs en fonction
des moyens et du dlai imparti. Beynon-Davies, 1989 (14), dcompose un projet de d-
veloppement logiciel en trois phases : lanalyse, la conception, et la mise en uvre. Le
CNRS (32), dans sa recommandation de conduite de projet en Systme dInformation
(SI), ajoute la phase dexploitation et la phase de maintenance et volution.
Figure 1.11 Cycle de vie dun projet en SI
La phase danalyse (voir gure 1.11) cherche clarier les besoins, vrier la faisabilit,
valuer les impacts et la rentabilit du projet.
Le projet de mise en place dun systme de prvision pour les agences TFE est con
Agrostar, le ple informatique du groupe. Le projet se nomme Horizons . Lors de
son lancement, deux groupes de travail ont t mis en place : un COPIL (Comit de
pilotage) et une quipe projet. Le COPIL est charg du pilotage stratgique du projet,
danalyser les besoins et de dnir le champ de ltude. Suivant les directives internes
dAgrostar, le COPIL doit tre constitu de personnes ayant le pouvoir dcisionnel nces-
saire au bon droulement du projet. En cas de non consensus, le COPIL a recours au
commanditaire du projet pour prendre une dcision. Lquipe projet est prside par un
directeur opration de projet. Il est garant des objectifs oprationnels contracts dans le
cadre du projet. Il est charg du pilotage oprationnel du projet et des ressources. Il gre
la relation contractuelle avec les prestataires et le client. Il reporte au comit de pilotage
lavancement du projet, ainsi que les risques et problmes rencontrs.
Le COPIL du projet Horizons , regroupe le responsable du service dinformation dci-
39
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
sionnelle
22
, le responsable de lingnierie mtiers la direction dexploitation (DEX)
23
, le
directeur de thse lUBS
24
. Lquipe projet est constitue de moi-mme, de mon direc-
teur de thse et dun stagiaire
25
pour 6 mois.
La phase danalyse du projet Horizons a rassembl des experts mtiers aussi bien du
ct des concepteurs (Agrostar) que du ct des commanditaires (Direction dExploita-
tion TFE). Suite aux runions de travail, plusieurs livrables ont t produits (voir annexes).
Le contrat de collaboration de recherche dans le cadre dune convention cifre
analyse le budget et le retour sur investissement du projet. Il prcise lenvironne-
ment du projet, les acteurs, les commanditaires et les matres duvre. Il value
une dure globale.
Un cahier des besoins comme son nom lindique recueille une premire estima-
tion des besoins pour raliser le projet. Il tablit un inventaire de lexistant. Il dnit
galement diffrents scnarios possibles pour mener bien le projet.
Le sujet de thse dlimite les contours du projet et spcie le bnce apport
par le ct Recherche du projet.
Le cahier des charges exprime les objectifs et les besoins du client. Il dnit les
exigences fonctionnelles (fonctions de base) et les techniques (performances, ap-
titudes, interfaces, environnements, etc.) du produit ou service raliser. Il prcise
galement le budget et le planning respecter pour la ralisation du projet.
Cette phase danalyse, qui peut galement tre qualie de dcouverte et de dnition
du projet, a permis de dcouper le projet Horizons en trois lots :
Lot 1 : Recherche et dveloppement dun modle mathmatique de prvision dac-
tivit,
Lot 2 : Dveloppement de requtes dextraction, de transformation et denregistre-
ment ddies au systme de prvision,
Lot 3 : Dveloppement dune interface web.
Les lots se suivent dans le temps et sont dpendants les uns des autres. Ce qui signie
que pour nir le lot 2 il faut terminer le lot 1 et il faut nir le lot 2 avant de terminer le lot 3.
Chaque lot passe par les phases de conception et de mise en uvre. Ce nest quaprs
la conception et les tests des lots que nous pourrons passer la phase dexploitation de
lensemble.
Avec le lot 1 nous rentrons dans la phase de conception. Lobjectif de la phase de
22. Benot Colas
23. Jrome Leroyer
24. Emmanuel Frnod
25. Maria Jaimes
40
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
conception est de savoir o nous mettons les pieds. Il faut viter de se prcipiter rdiger
le code et sapercevoir trop tard que le sujet a t abord du mauvais cot. Cest pour-
quoi lcriture thorique dun modle mathmatique de prvision est considre comme
de la conception. Ce nest quaprs sa validation scientique que le modle mathma-
tique sera dvelopp et test.
Alors que le projet dbute en novembre 2006, la phase de conception dmarre en janvier
2007. Le modle mathmatique de prvision spcique lactivit du transporteur nest
pas connu. Cest l quintervient la recherche. La recherche est le processus qui consiste
dcouvrir ce qui nest pas encore connu. Cest pourquoi la recherche du modle ma-
thmatique est mene suivant une dmarche scientique. Conventionnellement, cette
dmarche propose cinq paliers : lobservation, la formulation du problme, lexprimen-
tation, le traitement des rsultats et la gnralisation et dveloppement.
Ainsi, la recherche du modle mathmatique de prvision dactivit a dbut par lob-
servation des donnes. Pour ce faire, il a fallu saisir la structure des bases de donnes
mtiers et de lentrept de donnes (voir section 3.1.1). Ces notions ont permis dex-
traire, dans un format adapt, les donnes reprsentant lactivit des agences TFE et
les donnes pouvant inuencer cette activit. Lensemble des donnes rcoltes a t
analys par des mthodes de data-mining et de statistique descriptive (voir annexes -
Statistique descriptive, Procdure dextraction).
Suite lobservation, nous avons cherch formuler le problme. Cette tape a conduit
la rdaction dun document intitul la problmatique (voir annexes). Des premires
possibilits de rponses avaient dj vu le jour dans ltape prcdente, mais le choix de
privilgier les mthodes endognes au dtriment des mthodes exognes (voir section
2.3.3) sest rellement fait aprs avoir pos le problme et soulev les bonnes questions
(voir section 2.2). Nous verrons tout de mme dans la section 3.2.2 que des modles de
prvision bass sur les mthodes exognes peuvent tre viables pour anticiper lactivit
des agences de transport du groupe STEF-TFE. Le systme de prvision mis en place
permet la minimisation des erreurs de prvision tout en minimisant les cots : le respect
des dlais de mise jour, les cots nanciers et les cots en termes de temps.
La recherche du modle de prvision a ncessit plusieurs phases dexprimentation.
Les premires sont apparues la lecture de la bibliographie sur le sujet (voir section 4.3)
et suite lanalyse statistique des sries chronologiques. La formulation du problme a
dbouch sur la piste la plus pragmatique. Elle repose sur des mthodes connues et
dcrites dans louvrage de Bourbonnais, en 2007 (18). La formulation nale du modle
auquel nous avons abouti dcoule dune suite dexprimentations. Il y a donc un cycle
itratif dans la dmarche scientique. Nous entrons dans la boucle de litration en po-
sant un modle mathmatique, nous vrions ses hypothses de base, son droulement
et ses rsultats pour les comparer aux modles prcdents. La condition de sortie de la
boucle est de trouver le modle le mieux adapt pour rsoudre le problme pos.
41
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
Cest en aot 2007 que commence la gnralisation et dveloppement proprement
dit. Cette phase est aussi appele phase de mise en uvre du lot 1. La rdaction du
modle mathmatique, noir sur blanc est acheve (voir section 4.4). La validation de
la thorie du modle mathmatique de prvision a t faite dans Wilfried Despagne,
(37; 41; 38; 39; 40; 42; 43) en 2008, 2009. Un programme informatique est dvelopp. Il
subit une panoplie de tests aussi bien dun point de vue informatique que du point de vue
des rsultats obtenus (voir annexes - abilit rsultats). Il en rsulte 22 scripts rdigs
dans lenvironnement de dveloppement R (voir section 4.7.1).
Le cot dun projet est fonction du temps qui y est consacr. Cest pourquoi la table
1.3 relve le nombre de jours passs sur les 5 paliers dune dmarche scientique. Ces
chiffres sont comparer aux 217 jours dactivit dans une anne complte. Ajoutons que
le dveloppeur a saisi 1.740 lignes de code fonctionnelles.
Observation Formulation du problme Exprimentation et Gnralisation
Traitement des rsultats et dveloppement
11 jours 11 jours 56 jours 19 jours
Table 1.3 Le cycle de R&D aboutissant au modle mathmatique et son programme
informatique en quelques chires
De la mme faon que le lot 1, le lot 2 va passer par les phases de conception et de mise
en uvre. Suite la construction du modle mathmatique, nous connaissons les infor-
mations quil faut extraire pour calculer la prvision dactivit. Par contre, le systme de
prvision doit galement afcher un certain nombre dautres informations permettant
lutilisateur de se faire sa propre opinion sur les prvisions ou valoriser la prvision. Ainsi,
le dveloppement des requtes dextraction, de transformation et de chargement (ETL)
ddies au systme de prvision, a ncessit au pralable de rchir sur les informa-
tions que le systme de prvision allait partager. Les mthodes de dveloppement des
requtes ETL ou dun site web sont connues. La difcult rside dans larchitecture de
lensemble et dans la matrise de ces outils. Les premires runions ont soulev lenthou-
siasme et les ides ont fus. Il tait question dextraire des donnes gographiques pour
dvelopper un site web avec application cartographique. Lide tant dintgrer terme
une notion de distancier entre les agences, ou encore de visualiser graphiquement, sur
un fond de carte nationale, les ux expdis entre agences. Une autre proposition tait
de construire un cube avec laide des outils de reporting et des requeteurs . Les
axes danalyse du cube tant le temps, les rgions, les clients, la ramasse, lexpdition et
la livraison (voir section 3.1.2). Aprs avoir explor ces pistes, et dautres, nous avons ni
par choisir de prsenter linformation prvisionnelle au travers dun site web (voir section
42
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
4.7.3).
La phase de conception du lot 2 a ainsi dbouch sur la structure que porte un ETL.
La table 1.4 montre quil existe plusieurs sources de donnes (HP,GTI, GTA, Infocentre).
Elles sont dcrites dans la section 3.1.
Extract Transform Load
sources {
HP Uniformisation des donnes Insertion dans
GTI Nettoyage des donnes les tables ddies entreposes
GTA Prvision dans linfocentre
Infocentre
Table 1.4 procdure ETL
Pour afcher les informations demandes dans le site web, il faut les produire (Extract +
Transform) et les stocker (Load) dans une base de donnes. Les tables ddies au projet
Horizons sont entreposes dans un entrept de donnes (voir section 4.2). Les tables
spciques au projet Horizons sont alimentes par des procdures duniformisation
des donnes, de nettoyage des donnes et de prvision (voir schma 1.4 et section 4.4).
Nous reviendrons en dtail sur les procdures dalimentation de mise jour de donnes
et de leur prvision dans le chapitre 4.
La table 1.5 prsente les temps passs sur les tches de conception et dveloppement
du lot 2.
Conception Dveloppement
Historique
expe/distri
Historique heures
productives
Prvision 2007 /
2008
23 jours 25 jours 10 jours 6 jours
Table 1.5 Le cycle de conception et de mise en uvre du lot 2 en quelques chires
Le lot 3 consiste prsenter les donnes prvisionnelles. Une partie de la rexion sur
linformation prsenter et la faon de la prsenter a t mene lors de la conception
du lot 2. Lide est de dvelopper une interface web simple, ergonomique et conviviale
permettant la fois :
danalyser visuellement et de manire plus approfondie lactivit dune agence,
de saisir et de sapproprier les prvisions proposes.
43
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
La description de linterface graphique est dcrite dans la section 4.7.3. Mais avant
daboutir ce niveau de prcision, un ensemble dtapes a d tre franchi. Pour prparer
les utilisateurs larrive dune nouvelle application et pour les faire participer au projet,
nous avons commenc par leur envoyer un questionnaire (voir annexes - Questionnaire).
Lensemble des questions cherche recueillir la perception quont les utilisateurs sur la
prvision dactivit. Le nombre de retour na pas t satisfaisant pour en dduire une
rponse collective. Nous avons alors pens quil serait plus simple daller vers les utilisa-
teurs avec une dmonstration du site que nous cherchons dvelopper. Cette dmarche
a eu un certain succs et a permis de faire voluer nos premires rexions. Ainsi, nous
avons afn le dtail de nos 4 fentres principales (Proposition de prvision, Indicateurs
de conance, Correction des prvisions, Indice de productivit) et ajout de nouvelles
fentres. Cette dmarche a aussi permis dimpliquer lutilisateur nal la conception du
produit quil sera amen utiliser.
Les lots 1, 2 et 3 sont programms sur un serveur de dveloppement. Ils passent les
tests dintgration pour sassurer du bon fonctionnement de chaque composant, des liens
qui les unissent et de leurs performances face des donnes volumineuses. La vracit
des donnes est maintes fois contrle. Les chantillons sont envoys des spcialistes
mtiers pour quils valident les indicateurs.
La mise en production se fait suite un test taille relle. En Juin 2008, 5 agences pilotes
(Dijon, Nantes, Mcon, Lille, Niort) testent pendant quatre mois le systme de prvision.
Les chefs dagences, les CGO (Contrleur de Gestion Oprationnel) et les chefs de quai
reoivent une formation pour utiliser lapplication. Le but tant quils se lapproprient et
quils en tirent le meilleur pour rsoudre des problmatiques mtiers courantes. Le retour
des utilisateurs est tudi dans la section 4.9.
La mise en production du site Horizons se fait en Septembre 2008. Les composants
formant le systme de prvision, sont basculs sur des serveurs de production. Pour ce
faire, il faut installer les programmes adquats, les paramtrer, les faire communiquer,
installer les packages et les scripts dvelopps pour le systme de prvision, congurer
les mises jour automatiques, vrier les temps de traitement, ajuster des leviers si n-
cessaire.
En Octobre 2008, les lots 1, 2 et 3 passent en phase dexploitation. Ce qui signie
que le systme de prvision est livr la DEX. Les chefs de sites sont avertis par un mail
de la DEX que les prvisions dactivits sont disponibles sur le site Horizons . Une
communication pour prsenter le projet et loutil qui en dcoule, est publie sur lintranet
du groupe.
La formation des utilisateurs va faire lobjet dun lot spcique. Cest une activit part
44
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
entire qui ncessite la rdaction de documents pour le support de la formation (voir an-
nexes - Support de formation), une prise de contact avec les utilisateurs, une organisation
des plannings de formation et des dplacements pour se rapprocher des utilisateurs.
Lutilisation quotidienne du site web provoque le dbut de la phase de maintenance.
De nouvelles tches apparaissent :
le suivi des mises jour,
la vrication des donnes afches,
lassistance aux utilisateurs,
la gestion des dysfonctionnements qui subsistent.
A cela sajoute :
ce que nous avons dj mentionn, la formation des utilisateurs,
lajout dagences nayant pas t prises en compte dans la premire version et sur
demande de la Dex,
des volutions mineures sur le choix et la dnition des indicateurs,
des volutions mineures sur la mise en page de linterface web.
En Janvier 2009, le site compte plus de 300 connexions. Les connexions sont traces
en rcuprant ladresse IP du poste client. Une mme adresse IP nest compte quune
seule fois par jour. Il est possible de retrouver lagence laquelle appartient ladresse IP.
Ainsi, des statistiques dutilisation du site sont produites tous les mois.
La table 1.6 prsente les temps passs sur les tches de conception et dveloppement
du lot 3.
Conception Dveloppement
6 jours 28 jours
Table 1.6 Le cycle de conception et mise en uvre du lot 3 en quelques chires
La phase dexploitation comme la phase de maintenance des lots 1, 2 et 3 est en cours
lheure de la rdaction de cette thse. Le transporteur est quip dun systme de
prvision qui fonctionne quasiment en autonomie. Les utilisateurs sont chaque mois plus
nombreux y rcolter de linformation prvisionnelle. Ils font remonter leurs attentes pour
le dveloppement des versions futures du systme de prvision. Des projets locaux de
planications sont monts. Ils prennent comme sources les prvisions fournies par Ho-
rizons .
La maintenance du systme de prvision de lactivit quotidienne consiste surveiller le
45
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
bon droulement des dveloppements informatiques ; ajouter, si besoin, une agence
de transport dans le systme de prvision; rpondre des modications mineures ;
assister les utilisateurs, rpondre leurs interrogations et les conseiller, etc.
Nous pourrions penser qu ce stade le projet est termin. Mais voil, le succs du projet
et surtout lenthousiasme quil a soulev vis--vis des prvisions fournies, a pouss la
direction continuer. Nous avons ainsi dni 5 lots :
Lot 4 : Communication interne et formation des utilisateurs,
Lot 5 : Prvision du tonnage par demi-journes en entre et sortie de quai,
Lot 6 : Prvision du tonnage par rgion en sortie de quai,
Lot 7 : Prvision mensuelle des indicateurs horizon de 12 mois pour le budget,
Lot 8 : Modlisation mathmatique des ux circulant sur un quai de messagerie
TFE.
Pour tre complet dans linventaire des lots, nous ajoutons deux lots supplmentaires :
Lot 9 : Promotion de la thse du ct acadmique (articles, confrences, rdaction),
Lot 10 : Management (gestion de projet, runions).
Le planning de la gure 1.7 nous permet de rsumer les temps de charges (voir sec-
tion 1.3.2) et de leur ordonnancement dans le temps sur ce projet long terme. Cest un
macro-planning dans le sens o, dans un mois donn, il est possible de raliser plusieurs
tches. Le planning montre que les dveloppements sous R (lot 1) ont d tre rajusts
en Avril 2008, en fonction des besoins de la conception des requtes ETL (lot 2). Le d-
veloppement de linterface Web (lot 3) na pu commencer que lorsque le lot 2 rendait ses
premiers rsultats en Novembre/Dcembre 2007. La premire formation a t donne en
Mars 2008 Dijon. Cest un site pilote. Suite ce retour dexprience, des amliorations
du systme de prvision ont t possibles. Suite la mise en production en Aot 2008,
les formations ont pu reprendre.
Le lot 5 est en phase de dveloppement. Des indicateurs sont calculs. Nous attendons
la recette du commanditaire. Plusieurs aller-retours entre le commanditaire et le dvelop-
peur sont envisager. Le lot 6 est en cours de dveloppement. Les premiers rsultats
sont extraits en Mai 2009. Le lot 7 est ralis par une tudiante stagiaire de 6 mois
(entre Avril et Septembre 2009) en master de statistique et marketing. Sur lexemple de
la mthode de prvision journalire, elle produit un modle mathmatique de prvision
mensuelle. Elle dveloppe galement les requtes dETL et linterface web ddies (voir
section 4.10).
La modlisation mathmatique des ux circulant sur le quai (lot 8) a fait lobjet de la
rdaction du modle thorique (voir section 5.1). Une application informatique a t d-
veloppe pour dmontrer sa faisabilit (voir section 5.4).
46
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
2007
1 2 3 4 5 6 7 8 9 10 11 12
lot 1
lot 2
lot 3
lot 4
lot 5
lot 6
lot 7
lot 8
lot 9
2008
1 2 3 4 5 6 7 8 9 10 11 12
lot 1
lot 2
lot 3
lot 4
lot 5
lot 6
lot 7
lot 8
lot 9
2009
1 2 3 4 5 6 7 8 9 10 11 12
lot 1
lot 2
lot 3
lot 4
lot 5
lot 6
lot 7
lot 8
lot 9
Table 1.7 Planning grosse maille du projet Horizons
Le lot 9 englobe tout ce qui concerne la prsentation des travaux de recherche devant la
communaut scientique franaise et internationale. Ceux sont des tches ponctuelles
47
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
qui nous amnent prendre du recul sur les travaux pour les publier dans des revues
scientiques (37; 38; 39; 40; 42; 43) ou pour les rendre accessibles au plus grand nombre
(ftes des sciences par exemple). Le lot 10 ne gure pas dans le planning, car il nces-
site de passer du temps quotidiennement. Ce sont les runions organiser, les rponses
donner rapidement des problmes ponctuels, lencadrement des stagiaires, le suivi
du projet et son encadrement, etc.
1.3.2 Risque et estimation des cots du projet de recherche
Les risques lis un projet de recherche sont nombreux. Il y a le risque de ne pas
dboucher sur un rsultat ; les rsultats ne sont pas la hauteur des attentes ; les utili-
sateurs rejettent le systme; le systme dvelopp est trop compliqu ou non adapt au
besoin des utilisateurs ; les budgets sont dpasss ; le projet est abandonn en cours de
route.
Le prol de risque (Morley, 1999) (93), est identi par 6 critres mesurs sur une chelle
de 0 5. La table 1.8 montre les rsultats lis au projet qui nous concerne. Pour rduire
le risque li la taille (voir table 1.8), nous avons dcoup le projet en sous-projets que
nous avons nomms des lots (voir section 1.3.1).
Le risque attach la difcult technique (voir table 1.8) correspond la nouveaut tech-
nologique et scientique, lchelle de lentreprise. Ni les techniques scientiques, ni
les outils informatiques utiliss nont fait lobjet de recherches prcdentes. Il va de soit
que les outils informatiques choisis ont fait lobjet dune analyse approfondie pour vrier
leur capacit dintgration dans le systme dinformation du groupe. Cest ainsi que nous
avons baiss le risque dintgration (voir table 1.8). Cependant, des ajustements peuvent
toujours tre ncessaires.
La conguration organisationnelle (voir table 1.8) est lie au nombre de dcideurs. Plus
il y a de services ou entits lis au projet, moins les dcisions sont faciles et rapides
prendre. En ce qui concerne le projet de mise en production dun systme de prvision,
les orientations stratgiques sont prsentes par le chef de projet (moi-mme) au com-
manditaire (la DEX). Il prend les dcisions qui lui semblent les plus justes. Les dcisions
techniques sont prises par le chef de projet. Souvent, les difcults rsident dans le choix
des priorits prendre. A la vue des premiers rsultats, les utilisateurs captivs, font de
nombreuses demandes dvolutions. Leur dveloppement est alors hirarchiser.
Le changement (voir table 1.8) dsigne le fait que nous proposons aux utilisateurs de re-
penser la gestion de leur activit. Nous leur demandons lavenir de planier la gestion
de leurs ressources. Pour ce faire, nous leur proposons de se familiariser avec un nouvel
outil de prise de dcision. Le fait de passer dune analyse a posteriori une anticipation
48
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
Nature du risque Degr du risque pour le projet
0 1 2 3 4 5
taille du projet X
dicult technique X
degr dintgration X
conguration organisationnelle X
changement X
instabilit de lquipe projet X
Table 1.8 Analyse du risque li au projet Horizons
de lactivit est un changement profond. Dautre part, les utilisateurs ont encore souvent
peur que la machine remplace leur savoir-faire. Pour limiter ce risque, laccompagnement
par la formation est primordial. Un autre changement provient des outils qui nont pas t
utiliss auparavant dans lentreprise. Cest le cas du logiciel de traitement statistique R.
Lintgration de ces nouveaux outils dans le systme dinformation du groupe ncessite
du temps de dveloppement et un effort de conception/innovation important.
Linstabilit (voir table 1.8) de lquipe projet sur une dure de trois ans est thoriquement
forte. Agrostar fait appel des prestataires externes (comme les SSII) pour le dveloppe-
ment des applications. Or, le turn-over des Socits de Services en Ingnierie Informa-
tique (SSII) est important. Le transfert de connaissance nest jamais assur 100% lors
dun changement de dveloppeur. Le risque derreur de dveloppement d des erreurs
dinterprtation est alors lev. Ce qui a un impact sur les dlais et sur la cohrence de
la conception. Mais lquipe du sujet de thse est restreinte. Elle ne fait pas appel des
prestataires externes. Elle est passionne par les travaux quelle mne. Le risque zro
nexistant pas, nous lavons estim 1 sur une chelle de 5.
La charge reprsente la quantit de travail ncessaire, indpendamment du nombre
de personnes qui vont effectivement raliser ce travail. La charge peut sexprimer en
jour/homme, mois/homme ou anne/homme. Elle permet destimer le cot des ressources
humaines du projet (voir tables 1.3, 1.5, 1.6). La dure dpend du nombre de personnes.
Si la charge est estime 30 jours/homme et quon lui affecte 2 personnes, la dure sera
de 15 jours. Dans le cas de ce projet de thse, nous estimons quune charge est ralise
par une seule personne (voir planning de la gure 1.7).
Le cot nancier du projet pour lemployeur Agrostar est estim moins de 200 Ke
rpartis 3 ans. Ce cot peut tre compar au cot dune licence dun progiciel de prvi-
sion. Pour la taille dun groupe comme STFE-TFE, lentre de gamme pour lachat dun
progiciel de prvision se situe entre 30 et 80 Ke annuel. Sur ce crneau nous trouvons
les progiciels FuturMaster, Predicast et Walters. Les diteurs de ces logiciels sont, dans
49
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
le mme ordre, FuturMaster, Aperia, BSK (voir section 2.3.4.3).
Les diteurs cits ont dvelopp des outils bien adapts aux produits de la grande
consommation, agroalimentaire, pharmacie, mode. Dans le haut de gamme, nous pou-
vons citer les diteurs, Gold-Forecast de la socit Aldata, n.skep demand planning de
chez Dynasys et SAP SCM Demand Planning de chez SAP. Ces progiciels cotent entre
50 et 1.000 Ke
26
.
26. Supply Chain Mag n17 Septembre 2007 Progiciels de prvision : Des outils trs sollicits
50
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
Chapitre 2
Etude dun systme de prvision et de
reporting
2.1 Les concepts autour de la prvision des ventes
2.1.1 De la demande aux ventes
Nous avons mentionn que pour planier son activit, lentreprise souhaite connatre
la demande de ses clients, pour y rpondre au mieux. La demande, cest ce que le client
achterait sil le pouvait. Cest son envie daccder un bien ou service propos. Cette
envie et ce pouvoir sont inuencs par le contexte socio-conomique qui lentoure. S.
Meunier Martins, 2003 (87), souligne que les ouvrages traitant du sujet de prvision font
souvent, par abus de langage, lamalgame entre la prvision de la demande et la prvi-
sion des ventes, cest pourquoi nous dnissons les deux notions.
En marketing, la demande dun bien ou service est une fonction qui dpend du prix du
bien ou service, du prix des biens ou services concurrents, du revenu des consomma-
teurs et de leur got. Nous percevons immdiatement que les variables de cette fonction
sont difciles, voire impossibles, mesurer. En effet, le got dun consommateur est une
notion abstraite et plus encore lorsque quil est question du got dun panel de consom-
mateurs. Il semble galement difcile de prvoir les gots futurs des consommateurs.
Lestimation du revenu des consommateurs reste souvent approximative. Quels biens ou
services concurrents choisir ? Il est souvent difcile de mettre la mme enseigne deux
biens ou services tellement ils ont leurs propres caractristiques.
Les ventes sont lies la capacit de lentreprise accepter les ordres dachat des
consommateurs. En pratique, les ventes sont les quantits de biens ou services pro-
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
duites et vendues par lentreprise ses clients. Cette donne est facile calculer. Elle
sert pour une multitude dindicateurs (CA, prix, etc.). Cest pourquoi toutes les entreprises
savent lobtenir, et mieux encore, elles lont calcule au l du temps, intervalle rgulier.
Il en dcoule un historique des ventes.
Nous souhaitons prvoir la demande, mais celle-ci est difcilement mesurable. S. Meu-
nier Martins, 2003 (87), rappelle dans sa thse, que sous certaines conditions, les ventes
sont une bonne approximation de la demande. Il faut notamment que la demande soit
parfaitement alimente par les ventes. Cest pourquoi nous nous rabattons sur les ventes.
Elles sont quantiables et historises. Cet historique va composer la source des prvi-
sions de vente issues dun modle mathmatique. En effet, le principe des modles ma-
thmatiques est dextrapoler la donne passe dans le futur.
Le nombre de biens ou services vendus reste le meilleur indicateur pour apprcier la
demande du march. La prvision des ventes doit permettre danticiper la production
future et ainsi de sy prparer en planiant ses ressources par exemple. En anticipant
les ventes, lentreprise cherche galement tirer les ventes pour tre plus ractive et
rpondre aux nouveaux besoins des clients.
Notons tout de mme, quen rgle gnrale, les ventes ne permettent pas de faire res-
sortir les situations de march dans lesquelles la demande est suprieure loffre et vice
versa. Les chiffres permettant de donner lcart entre ce que le consommateur aurait
voulu acheter et ce quil a rellement pu acheter sont rares. Cet cart peut tre d de
nombreuses causes, rupture de stock, dlai de livraison trop long, capacit de production
insufsante, etc. En se fondant sur des historiques de vente, le risque est de se priver de
ventes potentielles en nadaptant pas correctement loffre la demande.
2.1.2 De la prvision au Systme de prvision
Cest un fait, lhomme cherche explorer lavenir. Nous sommes passs du temps
des prophties au temps des sciences. La prvision nest pas une science exacte, ce
qui nempche pas les chercheurs davoir pos des fondements pour avancer sur le su-
jet. Attardons nous sur la vision quen ont les conomistes et les mathmaticiens. A son
poque dj, le scientique, Lonard de Vinci (1452-1519), dclare Ne pas prvoir cest
dj gmir . Deux sicles plus tard, lconomiste Adam Smith (1723-1790) prcise que
ce nest pas le prvisionniste qui donne le rythme du march mais il cherche lanticiper.
Dans la premire moiti du sicle dernier, lconomiste Jan Tinbergen (1903-1994), suite
la crise conomique de 1929, cherche des solutions pour prdire les crises futures. A
la n des annes 1960, Robert Klein construit le Wharton Econometric Forecasting
Model . Ce modle analyse les uctuations conomiques lchelle dun pays pour pr-
dire les rcessions. Plus rcemment, et en nous recentrant sur lchelle de lentreprise,
52
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
citons les ouvrages Granger, 1986 (58), Ansion, 1990 (6), Mlard, 1990 (89), Wei, 1994
(118), Brockwell et Richard, 1996 (21), Markridakis, et al., 1998 (81), Armstrong, 2001
(7), Bourbonnais et Usunier, 2007 (18) pour regrouper diffrentes mthodes de prvision
mathmatique utilises en conomie et notamment en prvision des ventes. Les math-
matiques ne sont pas le seul outil pour aboutir une prvision. Helmer et Dalkey, 1963
(61) exprimentent la mthode Delphi. Elle consiste demander lopinion dun expert.
Enn, les auteurs Moon et Mentzer, 2000 (91), Fildes, et al., 2006 (51) se sont penchs
sur linsertion de la prvision des ventes en entreprise, et plus prcisment ce qui est
appell aujourdhui les systmes de prvision (ou FSS : Forecasting Support System en
anglais).
Avant dintroduire ce quest un systme de prvision, dnissons ce que nous entendons
par prvision. La prvision est un scnario, trs probable si le contexte reste inchang
dans le futur, et connaissant la situation prsente et passe. La prvision consiste
projeter les rcurrences. Selon les techniques utilises, les chiffres prvisionnels seront
diffrents. Ainsi, il existe une innit de prvision. La prvision des ventes est limage la
plus probable de ce que les ventes futures seront. Elle utilise des mthodes statistiques
pour dduire des informations prsentes, une vision future.
Fitoussi, 1997 (52), nous met en garde, pour que nous ne soyons pas tent daccorder
une conance aveugle aux prvisions. Il explique quil est utile de comprendre les li-
mites des prvisions pour ne point sen servir comme argument dautorit . Rappelons
quune condition fondamentale des prvisions est de considrer la continuit dans le futur
de ce quont t les vnements passs. Or, dune part, (Fitoussi, 1997) fait remarquer
que certaines informations cruciales ne sont pas vraiment disponibles (dans le prsent),
car, pour lessentiel elles dpendent de dcisions venir et quil nexiste pas vraiment
de thorie permettant de dduire des donnes existantes ce que seront ces dcisions
(futures). Dautre part, les ventes sont sujettes lala. Les ventes sont inuences par
de nombreux facteurs externes, ce qui les rend volatiles. Nous en concluons que les
conditions poses par les modles de prvision, sur les donnes utilises et sur le cadre
thorique, ne sont jamais respectes. Ainsi, par dnition, une prvision est une donne
errone. Cest pourquoi il nest pas facile de faire des prvisions, cest mme souvent
risqu den fournir car notre comptence est remise en cause. Mais les prvisions, de
manire gnrale, sont fondamentales.
Sans prvision il nest pas possible de planier. Chacun dentre nous se e aux prvi-
sions mtorologiques pour shabiller le matin. Si nous prenons le parapluie pour sortir,
cest quil pleut ou que nous prvoyons quil va pleuvoir. Nicholas Seiersen, 2006 (105),
rappelle que le but de lentreprise est de piloter les ressources matrielles et humaines
vers les objectifs prvus.
Attardons-nous sur les objectifs des ventes. Il semble parfois exister une confusion de la
part des entreprises, entre prvision de vente et objectif des ventes. Si nous pouvons sim-
plement poser des objectifs de vente, et attendre des commerciaux et du marketing quils
53
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
les atteignent, pourquoi faire des prvisions de vente ? Dans la prvision, nous cherchons
rduire lerreur entre le ralis et le prvu. En xant des objectifs, nous cherchons les
atteindre, voire les dpasser. Les fonctions de planication et objectif devraient tre infor-
mes par les prvisions de vente. Les objectifs et la planication devraient tre dduits
des prvisions. La rciproque est fausse. Cest--dire que les objectifs et la planication
ne peuvent pas dterminer les prvisions. Et cest pourquoi Moon et Mentzer, 2000 (91),
tmoignent quil nest pas possible de faire de la planication ou de dresser des objectifs
sans faire de la prvision au pralable et que les termes ne sont pas synonymes, il y a
un ordre. Enn, il doit exister une forte connexion entre le business plan et la prvision
des ventes.
Puisque la prvision est une condition sine qua non pour piloter lentreprise, alors
il vaut mieux de mauvaises prvisions que pas de prvisions du tout. Mais tout lart de
lentreprise est doptimiser linfrastructure existante en se basant sur les prvisions les
plus justes. (Rigoureau de chez Catalliances, 2001) conrme, les prvisions sont un
point cl de loptimisation des ventes et de la qualit de service. Elles sont calcules
partir des historiques de vente, corrigs par un certain nombre de paramtres matriss
par les entreprises .
Des rsultats dtudes, repris par Armstrong et Brodie, 1999 (8), montrent quen 1987,
99% des entreprises prparent des prvisions quand elles dveloppent un plan marke-
ting, 93% des entreprises (1975) indiquent que les prvisions sont un des aspects les
plus critiques, mais trs important pour le succs de lentreprise. En 1985, une tude
montre que la prvision est le domaine le plus commun au travers de la diversit des
activits des entreprises. Ainsi, la prvision fait partie du Business Performance Manage-
ment (BPM). Ce sont de puissants environnements qui ont pour but dunier les aspects
traditionnels de restitution et de reporting des performances de lentreprise avec de nou-
velles fonctionnalits permettant la simulation et lanticipation de dcisions stratgiques
pour lentreprise. Le management de la Supply Chain (chane logistique) nest pas une
exception. Fildes et al., 2006 (51), cone que la prvision y joue donc un rle cl. Rap-
pelons que la Supply Chain dsigne lensemble des intervenants entre la fabrication dun
produit chez lindustriel et sa mise en vente au consommateur nal
En somme, la prvision en entreprise nest ni une dcision prise par un manager, ni un
chiffre issu dune bote noire, cest un ensemble doutils, de procdures et dorganisations
permettant de parvenir un rsultat prvisionnel able. En effet, une bonne prvision est
plus quun chiffre, elle doit tre utilise en concordance avec dautres informations dispo-
nibles. Cest ce que nous appelons un systme de prvision.
Lanalyse statistique sert de base aux systmes de prvision de vente. La prvision peut
tre considre comme le rsultat issu dun modle prvisionnel. Le systme de prvi-
sion, quant lui, inclut dans une dmarche verticale et transversale, un modle prvision-
nel (voir section 4.4), la mise en production doutils informatiques (voir section 4.7) et une
procdure dutilisation (voir section 4.8). La dmarche verticale dsigne lensemble des
54
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
liaisons existantes entre la consolidation de linformation de sources diffrentes, la simu-
lation, le calcul de plusieurs variantes de lactivit future dune entreprise et la restitution
de linformation. Le but dun systme de prvision tant, avant tout, dalerter lentreprise.
La dmarche transversale vise comprendre la relation qui existe entre le service de pr-
vision et le reste de lorganisation (voir section 2.1.3). Non seulement la prvision en sera
enrichie, mais elle se traduira aussi en oprations concrtes. Le systme de prvision
doit sadosser sur le systme dinformation de lentreprise. Le systme de prvision doit
imprativement interagir avec le systme dinformation et les diffrentes fonctions trans-
versales de lentreprise (nance, marketing, production, ventes logistiques) (voir section
2.1.3). Nous verrons comment mettre en production loutil informatique de prvision (voir
section 4.7). Le systme de prvision doit communiquer auprs des diffrents utilisa-
teurs et ERP (Enterprise Resource Planning) de planication (voir section 2.3.4). Enn,
les utilisateurs doivent apprendre utiliser ce nouvel outil daide la dcision pour b-
ncier de lensemble des atouts proposs (voir section 4.8). Soulignons quun systme
de prvision vise obtenir et analyser les donnes, puis produire la prvision et la
communiquer (voir section 4.6.4).
2.1.3 Le systme de prvision : un outil transversal
Aprs avoir introduit comment passer dune simple prvision un systme de pr-
vision , il semble important de dnir les besoins de chacun en matire de prvision. La
gure 2.1 montre que tous les services dune entreprise (nance, marketing, production,
commande, ventes, logistique) peuvent tre concerns par le besoin de prvision. Cest
pourquoi Mentzer et Moon, 2005 (85), indiquent que le systme de prvision est transver-
sal et communique avec le systme dinformation. Pour Cluzel, 2006 (31), le systme
de prvision doit tre un outil pour les units oprationnelles, comme pour les structures
de direction. La mise en place dune application de prvision des ventes permet de fournir
les renseignements ncessaires :
la chane production/distribution pour mettre le bon produit, au bon moment, au
bon endroit et au moindre cot ;
aux acheteurs pour sapprovisionner (. . .) en optimisant le couple cots des stocks
de matires premires/conditions consenties par les fournisseurs en fonction des
volumes ;
aux directions du marketing et de la recherche et dveloppement pour sorienter
vers les produits dont la rentabilit est la plus grande au dtriment des articles
faible marge (. . .) ;
la direction gnrale pour prendre des dcisions tactiques et stratgiques impli-
quant lensemble de lorganisation .
55
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
Figure 2.1 Interaction entre systme dinformation et prvision des ventes : Dmarche
transversale (Mentzer et Moon, 2005) (85)
Suite aux prvisions, le service des nances construit son budget ; le service du com-
merce mise plus ou moins deffort sur tel ou tel client ; le service de la production aug-
mente ou rduit ses capacits de production; le service des ventes cherche dpasser
les prvisions et le service de la logistique pilote les ressources humaines et matrielles
au service des besoins prvus. Chaque service tablit ainsi un plan daffaires (plan dap-
provisionnement, plan de fabrication, plan de vente, plan de distribution, plan RH, plan
nancier, plan de dveloppement). Ils peuvent tre court terme, moyen ou long terme.
Ils sont regroups dans un plan gnral appel S&OP (Sales & Operation Planning). A
travers ces plans, le S&OP gre les ressources partir des prvisions de la demande.
Cest un moyen de prioriser les plans, les choix stratgiques et les risques prendre.
Charles Pomerleau
1
ajoute : le S&OP a aussi pour vocation de suivre et contrler la
performance et la variance de lentreprise .
2.1.4 Le systme de prvision : un outil daide la dcision et de pro-
ductivit
Nous venons de prsenter la gense dun systme de prvision et le cadre dans
lequel il simplante. Linvestissement dans un systme de prvision doit tre vu comme
rentable ds quil permet un accroissement de la pertinence des dcisions. Les dcisions
prises en entreprise ont pour nalit laccroissement de la productivit. Ainsi, la prvision
est aussi un outil de productivit. Lobjet de cette section est dtudier les dcisions que
nous pouvons prendre suite la connaissance des prvisions de vente et les gains de
1. Consortium de recherche For@c, Aot 2004
56
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
productivit que ces dcisions engendrent. Les promoteurs doutil de prvision
2
vantent
un meilleur niveau de rponse au client. Ils ajoutent que la prvision des ventes permet
de renforcer lattention porte aux fournisseurs et aux partenaires commerciaux en leur
donnant une meilleure visibilit des tendances de la demande des clients. En effet, la
prvision des ventes peut permettre de ngocier avec le fournisseur et le transporteur.
Si nous connaissons lavance les marchandises dont nous aurons besoin chez le four-
nisseur ou faire transporter sur lanne venir, nous pouvons ngocier des prix sur de
gros volumes et favoriser les transports de lots.
Lors dune interview pour le site internet Dcideo.fr, M. Bruley
3
donne sept bonnes
raisons de mettre en place une solution de prvision de la demande.
Amlioration du service propos aux clients : comprendre la demande pour am-
liorer les niveaux de service, notamment sur les produits les plus rentables,
Optimisation de lassortiment du stock : comprendre comment chaque rfrence
contribue aux rsultats an didentier et de corriger aisment les problmes lis
au stock,
Optimisation de la gestion des promotions : prvoir avec prcision des promotions
an de slectionner la meilleure dentre elles pour obtenir le rsultat voulu,
Retour sur investissement rapide : les projets de prvision de la demande type se
concrtisent par un retour sur investissement de plusieurs millions deuros et sont
rentabiliss en moins de 12 mois aprs la mise en uvre,
Anticipations prcises : hausse des ventes et des rotations de stocks,
Gestion des exceptions : des alertes proactives permettent de transformer rapide-
ment un problme potentiel en opportunit,
Impacts sur les dmarques et les vols : rduction des dmarques de 5% 10% et
baisse des vols de 20% ou plus .
Ne soyons pas dupes, les commerciaux ventent les mrites des outils de prvision pour
mieux les vendre. Tous les problmes ne vont pas se volatiliser. En rgle gnrale, len-
treprise demande que linvestissement dans un bien ou service apporte un bnce, cest
le retour sur investissement ou ROI (Return Of Investment). Le ROI est la somme gagne
par rapport au capital initialement investi. Le montant investi est souvent facilement iden-
tiable. En revanche, largent gagn lest moins. Dans le cas dun investissement pour un
systme de prvision, cest la somme des conomies lies la rduction des oprations
et marketing. Fildes et al., 2006 (51), fait remarquer que les dcisions dachat, marketing,
fabrication, direction, budget et logistique sont toutes dpendantes de la prvision. En ef-
fet, en marketing, les dcisions fondes sur les prvisions de la demande permettent de
mieux planier les oprations commerciales, les points de vente, les efforts faire sur le
2. SAP Demand Planning, 2007
3. Directeur Marketing de Teradata France (2007)
57
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
packaging. La prvision de la demande peut galement servir tablir les prix de vente
en anticipant le volume et les cots engendrs, et en dduire le bnce. De par sa
prvision, la demande tire la production et ne la pousse plus. Cest--dire que les quan-
tits produire sont dduites des prvisions de vente et non plus des ventes effectives.
De plus, certaines industries de pointe ont besoin, pour la fabrication de leur produit,
de composants qui mettent du temps tre produits. Si les approvisionnements ne sont
pas prvus correctement toute la chane de production peut en subir les consquences.
Ensuite, le budget est par dnition un tat prvisionnel des dpenses et des recettes de
lentreprise. La logistique utilise les prvisions pour grer les stocks. Il faut constamment
trouver un quilibre de la gestion des stocks dans un contexte de zro rupture. Enn, le
graphique de la srie chronologique des ventes analyse la sant du business. Ce mme
graphique peut montrer la diffrence entre une activit rentable et une qui ne lest pas. La
prvision permet alors des actions correctives et un service au client amlior, indiquent
Forslund et Jonsson, 2007 (53).
Lentreprise est constamment la recherche de la performance. En se dotant dun sys-
tme de prvision, elle acquiert un outil supplmentaire de pilotage. Le systme vise
augmenter la ractivit de lentreprise pour un meilleur niveau de rponse. Il ambitionne
daugmenter le contrle de la production par la mise en uvre dune planication matri-
se. Marien, 2001 (80), soutiennent que la prvision de la demande et la planication des
ressources le long de la chane logistique peut apporter de gros bnces. McCarthy, Te-
rea M. et Golicic, 2002 (83), ajoutent que la prvision des ventes a t reconnue comme
contribuant lamlioration des performances. Enn, Hubert Carpentier, directeur de lor-
ganisation et des Systmes dInformation chez Match, enchrit en dclarant quil ne fait
pas de doute que les prvisions de vente trs prcises engendrent dimportants gains de
productivit
4
. Par contre, Cluzel, 2006 (31), montre que pour tre la hauteur des at-
tentes, le systme de prvision doit donner lentreprise des informations utiles, jour,
ables, cohrentes et prcises, dans un monde en volution permanente .
La socit anonyme ModelEdition a interrog 41 grosses et moyennes entreprises eu-
ropennes pour connatre leur besoin en matire de prvision. Il ressort que les ap-
plications de business plan reprsentent 32% de lensemble des modles de prvision
raliss par les entreprises. Les applications budgtaires reprsentent 20%, ltablisse-
ment des prix 18%, lestimation des cots 15% et les allocations de production 5%. Ce
qui montre que, pour lentreprise, lobjectif principal des prvisions de vente est la plani-
cation de son activit.
Nous venons de montrer que le systme de prvision est un outil daide la prise de
dcision. Ces dcisions ont pour but laccroissement de la productivit et/ou de la qualit
des processus. Le systme de prvision fournit un avantage concurrentiel. La prvision
court terme a pour objectif de faciliter les activits de production alors que la prvision
long terme a pour but de donner des pistes marketing ou nancires expliquent Mentzer
4. Success Story : Le systme de prvision des ventes chez Match, Aldata Solution 2008
58
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
et Schroeter, 1994 (86) et Seiersen, 2006 (105). Pour illustrer cette srie de bnces,
reprenons lexemple de Deceuninck dans le (Journal de la logistique n14, Avril 2004). A
partir des prvisions tablies lhorizon dun an, lentreprise ralloue les capacits sai-
sonnires deux fois par an an dviter les goulets dtranglement, tant sur les outillages
que sur les machines. Toujours partir des prvisions sur un horizon de 4 10 semaines,
une fois par semaine, lentreprise gre les nouveaux stocks et les commandes, les dlais
de livraison des commandes des clients, tout en assurant la planication optimale des
ressources. Grce loutil mis en place, Deceuninck observe une rduction des investis-
sements et des cots oprationnels, donc des conomies.
2.2 Les questions pralables la mise en place dun systme
de prvision de la demande
Etant donn le cot quengendre la mise en place dun systme de prvision, lentre-
prise doit faire leffort pralable de rpondre une srie de questions. Ce sont 13 ques-
tions poses et argumentes dans les sections 2.2.1 2.2.13. Ces mmes questions
ont t poses durant le projet de recherche Horizons . Ainsi, la suite de chaque
argumentaire nous rfrons aux sections permettant dobtenir la rponse la question
pose dans le cadre du projet Horizons .
2.2.1 Que doit permettre la prvision de la demande ?
Moon et Mentzer, 2000 (91), distinguent trois proccupations pivotant autour des pr-
visions :
la prvision de la demande, dnie comme une projection dans le futur de la de-
mande, sachant un certain nombre de conditions environnementales ;
le planning oprationnel, dni comme un ensemble de dcisions et actions mana-
griales prises pour atteindre ou surpasser les prvisions de la demande ;
les objectifs de vente, dnis comme les ventes atteindre, pour satisfaire la de-
mande et motiver les commerciaux et le marketing.
Nous avons longuement crit, dans la section 2.1, sur les liaisons de dpendance qui
existent entre prvision des ventes, planning oprationnel et objectif des ventes. Nous
rappelons ici que la prvision des ventes est la condition sine qua non toute plani-
cation et que, de par ce fait, elle est aussi un outil essentiel pour le pilotage de lentre-
prise. Il nen reste pas moins quil faut tre plus prcis pour rpondre la question que
59
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
doit permettre la prvision des ventes ? . En effet, en fonction de lutilisation que nous
en faisons, elle sera calcule par article ou par gamme darticle ; elle sera une prvision
journalire, mensuelle ou annuelle; lerreur acceptable sera plus ou moins importante, et
ainsi de suite.
La rponse la question que doit permettre la prvision dactivit chez TFE? est
examine dans la section 1.2.1.
Les trois questions suivantes sont reprises par Abraham et Ledolther, 1983 (3). Ils iden-
tient cinq paramtres qui inuencent le choix dun modle particulier de prvision : la
disponibilit des donnes, le degr de abilit des donnes, lhorizon de prvision, le
budget accorder, la complexit attendue, Tan, 2007 (109).
2.2.2 Quelles sont les donnes sources de la prvision des ventes ?
Pour tablir des prvisions partir de mthodes statistiques, il faut tre en posses-
sion dun historique des grandeurs prvoir. Cela peut paratre vident, mais il y a en-
core quelques annes les entreprises ne stockaient pas systmatiquement linformation.
Dautre part, mme si elles le font aujourdhui, les donnes ne sont pas toujours propres.
Soit, il manque des informations, soit elles ne retent pas la ralit, soit la requte dex-
traction est errone. Quoi quil en soit, lopration la plus importante dans le processus
de prvision est la rcupration des historiques et leur assainissement, avoue Robert
Husset, Directeur Gnral dAldata Solution
5
.
Quelles sont les donnes disposition de lentreprise qui peuvent tre utilises dans le
modle mathmatique de prvision? Quel ge ont les donnes ? Quelles sont les don-
nes externes qui expliquent la grandeur prvoir ? Quelle est la qualit des donnes ?
Quelle est la abilit ? Quel est le niveau de dtail ? Quelle est la frquence ?
Lge des donnes, ou encore lhistorique des donnes va dterminer les modles ma-
thmatiques utiliser. Si seulement un an dhistorique est porte, alors il est conseill
dutiliser les simplistic xed model (FMTS). Les OMTS (voir section 2.3.5) ont besoin
dau moins quatre ans dhistorique.
Les ventes sont souvent inuences par des phnomnes externes (promotion, mto,
mode, conance des mnages,. . .). Si lentreprise est capable de matriser ces variables,
de les prvoir et mme de les provoquer, ou inuencer, elle a intrt utiliser la rgres-
sion comme outil mathmatique de prvision.
Les donnes ne sont pas toujours aussi ables quon le voudrait. Des erreurs de ma-
nipulation, saisie, transformation, mise jour, insertion, etc, sont toujours possibles. Si
5. Success Story : Le systme de prvision des ventes chez Match, Aldata Solution 2008
60
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
les mises jour ne sont pas faites temps, cela a ncessairement un impact sur les
prvisions.
Figure 2.2 Pyramide produit
A limage de la gure 2.2, la hirarchie des prvisions est reprsente par une pyra-
mide, car le bas ncessite beaucoup plus de prvisions que le haut. Quand il sagit de
prvoir la vente de 30.000 articles diffrents dans un supermarch, la prvision devient
laborieuse (bas de la pyramide). Certains articles sont nouveaux et ne possdent pas
dhistorique de vente. Dautres ont des ventes tellement volatiles quil semble impossible
de les prvoir. Il est alors important dtre capable de regrouper ces articles en familles
de produits, voire en segments de marchs (milieu de la pyramide). Lide est quil sera
toujours plus juste de prvoir leur regroupement, car la baisse des ventes des uns est
amortie par la vente des autres. Ainsi, la srie chronologique des familles de produits est
moins volatile. Suite leur dbat sur les techniques de prvision utiliser pour les larges
gammes darticles, Narasimhan, McLeavy et Billington, 1995 (96), conseillent dagrger
les articles en familles de produits, avant de les prvoir. La prvision obtenue peut en-
suite tre dsagrge au niveau des produits en utilisant des coefcients daffectation
(top-down, en anglais), Widiarta, Viswanathan et Piplani, 2009 (119).
Une autre mthode est lagrgation du bas vers le haut (bottom-up, en anglais). Elle
consiste sommer les prvisions des diffrents produits pour parvenir la ligne de pro-
duits. La somme des prvisions par ligne de produits fournit la production totale. Cette
mthode est lourde maintenir, car elle implique un modle de prvision pour chacun
des produits. Dautre part, prvoir lchelon du haut comme une somme des prvisions
61
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
des chelons prcdents a linconvnient dadditionner les erreurs de prvision. Or la
somme des erreurs est suprieure lerreur dune somme.
Une troisime solution prconise est de calculer des prvisions chaque niveau et de
les corriger par un algorithme doptimisation de sorte quelles soient cohrentes entre
elles.
La mthode la moins coteuse semble de calculer une prvision au niveau dagrgation
qui permet de rpartir la prvision de manire homogne dans les niveaux du dessus
(bottom-up) comme dans ceux du dessous (top-down). Il faut alors distinguer le calcul
de la prvision au niveau dagrgation adquat et la restitution de cette prvision aux
niveaux restants.
Comme pour la pyramide produit, il existe une pyramide temps. Les donnes sont asso-
cies une unit de temps. Certaines sont disponibles lheure, dautre au jour, au mois,
au trimestre, lanne. Les prvisions suivent la mme unit de temps que la donne.
Si nous cherchons faire des prvisions de vente quotidiennes, il faut que lhistorique
des ventes soit connu au jour. Le niveau des donnes, annuel, mensuel ou journalier, est
mettre en relation avec la planication que nous cherchons tablir. Cest ce qui est
appell en anglais forecasting hierarchy .
Les donnes utilises pour la prvision dactivit, dans le cadre du projet de recherche
Horizons sont tudies dans la section 4.4.1. Leur abilit est teste dans la sec-
tion 4.4.2. Le systme de prvision Horizons prend, aussi, en compte la notion de
hirarchie des prvisions dans la section 4.4.12.
2.2.3 Quels sont les paramtres de prvision des ventes ?
Les concepts de base des prvisions de vente sont :
composante,
saisonnalit,
horizon de prvision,
frquence de rafrachissement.
La prvision tant en amont de la planication, les concepts de base de la prvision re-
posent essentiellement sur le planning.
La composante est de savoir quelle donne doit tre prvue. Elle se dcide suivant ce
que lentreprise cherche en dduire (voir section 2.2.1). Pour planier ses ressources,
la production a besoin de prvision en unit de production. Le marketing a besoin de
prvision de la demande pour ajuster les prix. La direction souhaite des prvisions de
62
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
vente pour naliser son budget.
Le degr de saisonnalit du produit affecte le choix des mthodes mathmatiques
utiliser (voir section 2.3.3).
Lhorizon de prvision est en relation avec la dure du plan. Lhorizon de prvision
est dni par la taille du planning que nous voulons en dduire (en units temporelles).
Nous comptons trois horizons parmi les sries temporelles
prvisions court terme (< 3 mois). Cest un horizon de prvision oprationnel.
Les prvisions sont utilises pour prendre des dcisions continues sur le planning,
linventaire, le management, lactivit logistique,
prvisions moyen terme (3 mois 2 ans). Cest un horizon tactique. Les prvi-
sions sont utilises pour le budget, le contrle de cot, le marketing, la mise sur
le march de nouveaux produits, le plan de restructuration des forces de vente, le
plan de distribution, etc.
prvision long terme (> 2 ans). Cest un horizon stratgique. Les prvisions sont
utilises pour dcider de rentrer dans un nouveau march, dvelopper de nouveaux
produits ou services, tablir un contact long terme.
Les temps donns (3 mois ou 2 ans) sont titre indicatif, car la reprsentation du court,
moyen, long terme dpend des projets et de la conception quen a lentreprise. Des pr-
visions de capacit long terme, par exemple, seront considres comme trs impor-
tantes pour des entreprises qui font de la production sur commande (ou make-to-order,
en anglais) alors que des prvisions court terme seront utiles pour des entreprises qui
produisent pour alimenter le stock (make-to-stock), expliquent Forslund et Jonsson, 2007
(53).
Il nest pas ncessaire de faire des prvisions trs court terme si lentreprise na pas
le temps de ragir celles-ci. Prenons lexemple dune agence de transport laquelle
le prvisionniste annonce une hausse dactivit dans 2 jours, de lordre de 5%. Le plan-
ning convertit cette hausse en 24 heures productives, soit 3 personnes plein-temps. La
question est : o trouver ces 3 personnes de plus en moins de 48H? . La ractivit de
lentreprise ne sera pas au rendez-vous. Cest pourquoi, lhorizon de prvision dpend
aussi de la ractivit de lentreprise face aux annonces.
Si lentreprise dcide dutiliser un modle de prvision diffrent pour chaque niveau tem-
porel de la pyramide des temps (voir section 2.2.2), lintervalle de temps ou la maille de
temps entre deux priodes dpend de lunit temps des plannings. Si les plannings se
font par jour de semaine, les donnes prvisionnelles sont au jour. Si lentreprise dcide
dutiliser quune seule prvision pour la restituer sur diffrentes chelles de temps, il lui
faut trouver le niveau dagrgation temporel lui permettant de rpartir la prvision de fa-
on homogne sur les mailles de temps suprieures et infrieures celle choisie pour la
63
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
prvision (voir section 2.2.2).
Plus leve est la frquence de rafrachissement, meilleures seront les prvisions.
Si le planning est mis jour une fois par mois, les prvisions devront ltre au moins une
fois par mois. Limportant est quelles le soient avant la rvision du planning.
Dans le cadre de la mise place dun systme de prvision chez TFE, les paramtres
voqus ci-dessus sont discuts dans la section 1.2.4.
2.2.4 Quelles sont les techniques choisir pour prvoir les ventes ?
Mentzer et Gomez, 1994 (84), montrent quil nexiste pas de technique rellement
suprieure lautre. La raison vient de la grande varit des sries chronologiques et
des horizons de prvision. Sil vient lesprit par exemple de comptabiliser le nombre de
voitures passant sur le pont de Kerino Vannes, entre 12h et 13h, jour aprs jour, en
2009, le rsultat est une srie de valeurs exprimes en nombre de vhicules, chacune
dentre elles correspondant un jour de cette anne. Une machine, cependant, pourrait
raliser un enregistrement du nombre de vhicules en continu et nous pourrions ainsi
disposer dinformations (inniment) plus nombreuses. Les prvisions de ces deux sries
chronologiques pourraient tre estimes divers horizons. Cela pour souligner que les
sries chronologiques entourent notre quotidien et quelles occupent une place impor-
tante dans tous les domaines de lobservation ou de la collection de donnes (48). Elles
contiennent toutes des spcicits propres et, par consquent, il semble difcile de rete-
nir une seule technique comme la meilleure qui soit.
Dautre part, les techniques les plus complexes ne sont pas toujours les plus fructueuses.
Beaucoup de techniques utilisent la mme approche et ont, par consquent, la mme
efcacit. Par exemple, la mthode de lissage exponentiel double, la mthode de Holt
Winters et un modle ARIMA peuvent tre identiques sous certaines conditions (21). Ce
qui nous amne constater que beaucoup de techniques sont similaires alors quelles
portent des noms diffrents. Enn, Mentzer et Gomez, 1994, prconisent den choisir
une ou deux avec lesquelles le prvisionniste est familier et qui se prtent bien aux s-
ries chronologiques tudies.
La section 2.3.3 classe des techniques de prvision. A savoir que les mthodes sta-
tistiques sont toujours plus performantes que les mthodes simplistes, pour la bonne
raison quelles gnralisent ces mthodes. En revanche, il est plus difcile de compa-
rer les mthodes statistiques aux mthodes empiriques, car il faudrait tudier chaque
cas individuellement Marien, 2001 (80). Schnaars, 2006 (103), Armstrong et Collopy,
1998 (9), Armstrong et Roderick, 1999 (8), Mentzer et Schroeter, 1994 (86), Mentzer et
64
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
Moon, 2005 (85) pensent que la combinaison de prvision engendre une amlioration
des rsultats. Ainsi, il est bien de choisir plusieurs mthodes. Schnaars examine quelles
mthodes sont les plus efcaces pour des prvisions annuelles pour divers produits la
consommation. Il conclut une combinaison de mthodes alternatives. Mentzer et Moon
soutiennent quil est important de reconnatre le rle que peut apporter une rexion em-
pirique pour ajuster des prvisions obtenues par un processus mcanique. Seul le choix
de la technique mathmatique de prvision utilise, fait appel une rexion de la part
du prvisionniste. Une rexion est aussi mene sur le choix des donnes, le choix des
indicateurs de performance. Mais plus concrtement, il est recommand dutiliser lexp-
rience, la connaissance du mtier, le savoir-faire, pour aboutir des prvisions formelles.
Un premier avantage est la capacit prvoir un changement brutal (un palier) dans
le comportement de la srie chronologique. Ceci nest pas possible avec les modles
mathmatiques qui ne se basent que sur lhistorique. Ou alors avec lanalyse de rgres-
sion, si une des variables explicatives reprsente ce changement brusque. Le second
avantage est celui dutiliser la masse dinformations reprsentes par le savoir-faire dun
expert, son intuition, son jugement pour valider les prvisions.
Comment, parmi toutes ces mthodes, choisir la plus approprie ? Armstrong, 2001 (7),
tente dy rpondre et recommande de choisir la mthode de prvision en fonction dun
nombre de questions auxquelles il est ais de rpondre. Elles sont reprsentes par la
gure 2.3.
Selon cette dcomposition du processus de choix, la premire question qui se pose au
prvisionniste est de savoir sil existe un historique. Si ce nest pas le cas, il faudra avoir
recours un processus destimation empirique.
Pour ces procdures destimation empirique, la question suivante est de savoir si la
situation implique une interaction entre les dcideurs, et si des changements impor-
tants sont envisags . Ces changements concernent aussi bien lenvironnement interne
quexterne de lentreprise. Pour dimportants changements, est-il question de faire une
analyse de la politique actuelle, et si cest le cas, quelle est la meilleure source pour
cerner la situation ? Allons nous consulter des experts externes, faire des tudes dopi-
nions, lancer une enqute sur les intentions dachat, demander une tude de march ?
Sil existe un grand nombre de donnes, sagit-il de sries temporelles ? La question
suivante est de savoir si nous avons des informations sur les relations empiriques que
nous pouvons nous attendre rencontrer comme, par exemple, llasticit des prix, Tellis,
1988 (110). Lorsque le prix augmente, la demande diminue. Si une telle connaissance
empirique des relations est disponible, il faut se servir de modles conomtriques. De
plus, tant que possible, il est bon dutiliser le savoir-faire de lentreprise pour matriser les
ventes et ainsi prvoir au plus juste.
Quand les sries temporelles sont disposition, mais quil manque des donnes cau-
sales, il est prfrable dextrapoler. Si nous ne disposons daucune connaissance pra-
lable des relations, mais dune connaissance du domaine, (par exemple : un commercial
65
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
annonce larrive dun nouveau portefeuille client, ce qui va avoir pour effet une augmen-
tation des ventes), il faut faire appel aux prvisions bases sur les rgles.
Figure 2.3 Arbre de slection pour les mthodes de prvision Armstrong, 1999 (8)
Ajoutons que ce schma nest pas complet, en ce sens o lhorizon de prvision est un
critre important dans la slection du choix du modle. Il permet de distinguer les m-
thodes de prvision long terme, de celles moyen et court terme.
De manire gnrale, quand lhistorique est consquent et quun grand nombre de pr-
vision est demand, la mthode la plus rpandue est lextrapolation des sries chrono-
logiques. Ces mthodes sont bon march alors que les mthodes conomtriques sont
plus coteuses. Le cot provient essentiellement de lachat des donnes externes len-
treprise et du cot humain, pour lentretien et la surveillance de ces donnes.
Le choix des techniques utiliser pour prvoir lactivit des agences de transport TFE
est dbattu dans la section 4.3.
66
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
2.2.5 Pourquoi prendre en compte lexpertise terrain pour valider la
prvision des ventes ?
Mentzer et Moon, 2005 (85), Keen et Scott Morton, 1978 (70), mettent en vidence
que la combinaison du verdict des managers et la prvision statistique fournissent de
meilleurs rsultats que les deux indpendamment. Fildes, Goodwin et Lawrence, 2006
(51), conrment et prcisent que le modle prend en compte des vnements rguliers
globaux alors que le manager prend en compte des vnements plus ns tels quune pro-
motion. Ces facteurs sont souvent analyss comme du bruit dans les modles mathma-
tiques. Ils ajoutent quil est vident que ce potentiel issu de la combinaison du manager
et du moteur de prvision est sous exploit par les systmes de prvision. Dune part, les
managers ont tendance ne faire conance qu leur propre jugement o les donnes
quantitatives seraient plus judicieuses. Dautre part, quand le jugement du manager est
appropri, les systmes de prvision du commerce noffrent pas la possibilit de prendre
en compte ce jugement. Rappellons lhypothse de base sur les prvisions : la trame ou
le comportement pass va continuer de la mme manire dans le futur. Or si le compor-
tement pass cesse, les statistiques vont faillir et il ny a plus que le discernement humain
qui sera prdire, crit Markridakis, et al., 1998. Cest pourquoi il conseill de ne pas uti-
liser uniquement les prvisions statistiques. Dun autre ct, lhumain fait galement des
erreurs et il ne faut pas non plus sappuyer uniquement sur son verdict. Goodwin, 2002,
voque la combinaison des deux prvisions (statistique et empirique) en remarquant que
la pense humaine sadapte et prend en compte un vnement, mais son inconscient
ne peut prendre en compte quun nombre limit de donnes et souffre derreur cognitive.
Il va donc donner plus de poids lvnement considr au dtriment des vnements
mis de cot. A linverse, les mthodes statistiques seront rigides, mais peuvent prendre
en compte un grand nombre de donnes et vont en maximiser lutilit. Nicholas Seier-
sen, 2006 (105), ajoute : quand bien mme la technologie est devenue puissante dans
le soutien aux prvisions et la planication, les entreprises performantes constatent
quil est impratif de mettre en uvre un forum o la validit des prvisions et des plans
soit vrie par les principaux responsables marketing, ventes, distribution, fabrication,
nances. A lissue de cette runion S&OP (sales and operation planning) le plan dap-
provisionnement des marchs est accept et mis en uvre . Forslund et Jonsson, 2007
(53), concluent, les prvisions doivent tre contrles par lhomme avant dtre injectes
dans un systme de planication automatique.
Le systme de prvision Horizons propose de prendre en compte lexpertise terrain
en permettant certain utilisateur de corriger les prvisions proposes. Le systme leur
demande dans ce cas dexpliquer le motif de la correction apporte (voir section 4.7.3 et
4.8).
67
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
2.2.6 Quel budget est accorder la prvision des ventes ?
Peu dentreprises xent un budget de prvision adquat ou raliste. Lerreur souvent
commise est de considrer que le systme de prvision existe dans lentreprise ds que
le logiciel a t factur. Il faut tre conscient que lintroduction dun nouvel outil infor-
matique dans un service quelconque fait souvent face une rsistance au changement.
Dautre part, limage quont les managers de la prvision nest pas toujours fameuse. Ils
ont entendu dire quelque part que la prvision est toujours fausse. Cest pourquoi il faut
accompagner la mise en production de loutil par une formation. Elle doit persuader luti-
lisateur de lintrt quil y a utiliser loutil de prvision. Suite la formation, il scoule
un temps assez long pour que tout fonctionne et que lutilisateur sapproprie loutil de
prvision.
Le budget accord au projet de recherche Horizons est rvl dans la section 1.3.2.
2.2.7 Quelle est la taille du portefeuille client ?
Moins grand est le portefeuille client, plus lentreprise peut esprer des prvisions
pour chaque client. Lentreprise a galement plus de facilits discuter avec ses clients.
Alors quune entreprise qui a 65 millions de foyers comme clients ne peut pas simaginer
des prvisions par client. Par contre, elle peut les classier sur le modle de la pyramide
prsente en section 2.2.2. Suite cela, la loi des grands nombres lui laisse esprer de
bonnes prvisions.
Dans le cas de la prvision dactivit chez TFE, les segments de sortie de quai ont t
agrgs en deux classes : les expditions et les distributions (voir 1.2.4).
2.2.8 Quel est le nombre de nouveaux produits ?
La vente des nouveaux produits est difcile prvoir, car par dnition, il nexiste
pas dhistorique des ventes. Si le nouveau produit ressemble un connu, il sera toujours
possible de reprendre lhistorique des ventes du produit connu. Dans le cas contraire, il
sera utile de faire des tudes de march ou de passer par des prvisions dexpert (voir
section 2.2.5).
68
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
2.2.9 Existe-t-il des dirences rgionales ?
Si les ventes sont trs diffrentes selon les rgions, cela complique les prvisions de
vente. Il faut alors passer par les historiques de vente par rgion et multiplier les facteurs
exognes par le nombre de rgions. Un mme produit dont les ventes se comportent
diffremment selon deux rgions quivaut prvoir deux produits diffrents.
Cest le cas des agences de transport TFE. La section 1.1.2.2.1 dcrit lclatement du
rseau de transport et la section 4.3 souligne la technique retenue pour contourner le
problme.
2.2.10 Quelles sont les comptences du prvisionniste ?
Dans son numro de Juin 2008, le Supply Chain Magazine
6
prsente le prvision-
niste comme un chasseur dinformation. Son objectif est de raliser des prvisions de
ventes les plus justes possible. Et surtout, il est en mesure danalyser les rsultats effec-
tifs par rapport aux prvisions et de proposer les solutions et moyens propres rduire
les carts. Il relie lanalyse statistique avec la ralit de lactivit de lentreprise, dont il est
un n connaisseur . Ainsi, le prvisionniste est polyvalent. Non seulement il doit avoir
des notions de statistique et dconomtrie, mais il doit galement acqurir une bonne
connaissance de lensemble du fonctionnement de lentreprise . Comme son outil (voir
section 2.1.3), le prvisionniste occupe un poste transversal. Pour aboutir une prvision
able et prenne, le prvisionniste doit tre lcoute des managers, il doit savoir utiliser
les outils de prvision thorique et informatique, et il doit rester humble pour accepter de
manire rcurrente lerreur de prvision, Fildes et al., 2006 (51).
Fildes et al., 2006 (51), signalent quil est dangereux de laisser le manager faire ses
propres prvisions. Dune part, il ne possde pas les notions de bases en statistiques,
dautre part sa prvision sera automatiquement inuence de la vision quil a du futur. Le
problme tant quil publiera les prvisions comme provenant dun modle scientique
alors que ce ne sera pas rellement le cas. Enn quand un utilisateur a la possibilit de
crer son modle de prvision avec le systme de prvision, ses choix statistiques sont
souvent trs pauvres. Il entre les paramtres par dfaut et appuie sur le bouton best
forecast pour que la machine cherche un rsultat par le biais dune bote noire. La jus-
tesse des prvisions est alors souvent remettre en cause.
Le systme de prvision Horizons a t conu de sorte que la donne prvision-
6. Supply Chain Magazine, n25, Juin 2008
69
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
nelle soit comprise et utilise par des non statisticiens. Linitiation sa lecture est donne
dans la section 4.8.
2.2.11 Quelle est lerreur de prvision acceptable ?
Dun cot, les experts afrment quil vaut mieux des prvisions fausses que pas
de prvisions du tout, mais, dun autre cot, soulignons que les prvisions mdiocres
peuvent avoir une inuence ngative sur lactivit de lentreprise. Seiersen, 2006 (105),
mentionne que les erreurs dans les prvisions de vente se dtectent au l des ventes
relles et mettent en cause les enchanements et les quantits fabriquer, entreposer,
transporter, livrer, installer . Bien entendu, nous ne pouvons pas liminer lincer-
titude. Le challenge du prvisionniste est de rduire cette incertitude. Lorsquil fait des
prvisions, il se trompe plus ou moins. Si les prvisions sont trop optimistes, il y a trop de
dpenses pour des ventes qui ne seront pas ralises, le prot est rduit. Dautre part,
des prvisions trop pessimistes, engendrent des performances mdiocres et font que le
client est insatisfait de la prestation rendue, car il y a un manque de ressources alloues.
Dun autre ct, une prvision trop pessimiste peut avoir comme effet de faire ragir len-
treprise. Elle met en uvre des actions volontaristes pour que la prvision pessimiste ne
se ralise pas. Quest-ce quune bonne prvision ?
Nombreux sont ceux qui pensent que plus les prvisions sont justes et mieux cest. Or le
bnce gagn par de meilleures prvisions ne vaut souvent pas les cots qui y ont t
injects. Chercher une erreur toujours plus faible cote cher. Pourquoi utiliser du temps
et de largent chercher des prvisions plus justes si lerreur de prvision nest pas p-
nalisante ? Autrement dit, si le risque de perdre un client est faible et que le cot de sto-
ckage est faible pourquoi augmenter la justesse des prvisions de vente ? Bourbonnais,
2007 (18), pense que cest lentreprise de mettre en place lorganisation qui convient
pour remdier ses erreurs, en fonction de ses objectifs . Un moyen, par exemple,
daugmenter la justesse des prvisions des ventes, est de connatre les commandes des
clients, par avance. Pour les pousser anticiper leurs commandes, lentrepreneur peut
leur proposer un rabais de 3% si la commande dpasse trois tonnes et quelle est mise
3 semaines lavance. Les erreurs des prvisions passes peuvent galement permettre
de corriger les prvisions venir, mais personne nest capable de rendre des prvisions
ables 100%.
Selon Fitoussi, 1997 (52), les erreurs de prvision peuvent avoir au moins 3 origines :
une insufsance dinformation sur le prsent, une mauvaise spcication thorique, la
non-ralisation de certaines hypothses. Une incertitude irrductible au sens o certains
vnements sont imprvisibles, alors mme que leurs consquences sur lactivit sont
dterminantes .
70
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
Une analyse de retour sur investissement devrait tre faite pour dterminer les rels be-
soins sur le pourcentage derreur acceptable, lhorizon et lintervalle. Nanmoins, le but
du prvisionniste reste de se rapprocher au mieux de la ralit en cherchant rduire
lerreur de prvision au plus juste, un niveau acceptable pour le management. Limpor-
tance de lexactitude des prvisions dpend de la manire dont elles sont utilises dans
la planication et le contrle des processus. Il est souvent difcile, pour lentreprise, de
juger de lerreur acceptable. Elle dpend de lutilit que lentreprise fait des prvisions. Et
pourtant lentreprise doit xer un niveau derreurs admissibles pour ne pas chercher in-
utilement la performance thorique. Dautre part, comme le mentionne Cluzel, 2006 (31),
les prvisions permettent de mesurer les carts, puis de les analyser an de prendre
des mesures correctives et ainsi sengager dans une dmarche de progrs continu .
Ainsi, une entreprise doit amliorer ses prvisions avec lexprience quelle accumule.
Mais lerreur de prvision nest pas le seul indicateur qui permette au manager daccor-
der sa conance la donne prvisionnelle. Il surveille que la prvision narrive pas en
retard par rapport son utilit. Par exemple, si la prvision apparat aprs que le planning
a t dcid, elle ne sert plus rien. La donne prvisionnelle doit aussi tre stable. Un
manager, qui voit sa prvision du mois prochain changer tous les jours, va manquer de
conance. Le format de la prvision doit aussi convenir celui qui lutilise. Si elle arrive
par fax et ncessite trop doprations avant de pouvoir utiliser linformation, elle sera mise
de ct.
Lerreur de prvision acceptable du projet Horizons est mentionne dans les sections
1.2.4 et 4.5.
2.2.12 Quel est le format de restitution de la prvision des ventes ?
Lenvironnement de restitution doit tre convivial, simple et clair. Tous les services
doivent y accder car les prvisions de vente sont aussi l pour motiver le personnel.
Ainsi, les prvisions de vente pourront mme tre dpasses. Lenvironnement de resti-
tution des prvisions doit rappeler lutilisateur ce quil a lhabitude de voir. Il ne doit pas
sembler compliqu et du coup repousser lutilisateur. Cest pourquoi les donnes qui ac-
compagnent la prvision doivent safcher selon le niveau de comprhension de chacun.
Un commercial ne regarde pas les mmes donnes quun planicateur.
Suivant lutilisateur, la prvision peut tre donne sous une forme diffrente. Lhorizon
diffre selon que nous nous adressons un patron dagence ou un chef dquipe. Le
premier a une vision long terme. Il a des objectifs tenir, un budget grer. Son ho-
rizon est au-del des 6 mois. Alors que le chef dquipe doit faire face aux uctuations
quotidiennes. Il veut des prvisions journalires pour planier son quipe.
71
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
La prvision peut tre accompagne dindicateurs qui permettent de faciliter sa lecture.
Elle peut tre envoye par mail, par EDI, chier plat ou tre consultable grce aux outils
de reporting proposs par la plateforme BI.
Lutilisateur peut galement tre un ERP de planication. Dans ce cas, il faut dnir le
format informatique de restitution de la donne prvisionnelle. Elle doit tre stocke un
endroit prcis du systme dinformation. Elle doit tre mise jour selon les besoins du
module de planication.
Le systme de prvision, mis en place chez TFE, choisit le mode web (voir section 4.6.3)
et une interface commune tous (voir section 4.7.3) pour diffuser linformation. La con-
dentialit est prserve par un systme didentication et une limitation des droits selon
lutilisateur.
2.2.13 Quelle procdure suivre pour aboutir une prvision des ventes
juste ?
Nous avons plusieurs fois mentionn quun systme de prvision ntait pas seule-
ment un outil informatique ou seulement un modle mathmatique. Cest aussi toute une
organisation et un ensemble de procdures mettre en uvre au sein de lentreprise.
La qualit dun systme de prvision est dabord une question de management
7
.
Il faut dnir une procdure par laquelle seront dveloppes les prvisions. Mentzer et
Moon, 2005 (85), rappellent que trop souvent, lentreprise tente de dvelopper un sys-
tme de prvision sans en comprendre le management. Souvent dans les entreprises,
peu de personnes matrisent lensemble des procdures de prvision, cest pourquoi il
est difcile de corriger les prvisions. Beaucoup connaissent un maillon, mais pas la
chane entire.
Prenons lexemple dune entreprise qui, pour le mme produit, a des commerciaux dans
diffrents pays, des clients de natures diffrentes et qui utilisent le produit des ns diff-
rentes. Lentreprise veut un systme de prvision qui permette de calculer une prvision
quantitative, avec des ajustements en fonction de la localit gographique, du client et
de la force de vente. Elle veut aussi des ajustements par gamme de produits et enn un
planning.
Pour la mise en place dun systme de prvision, conseillons cette entreprise la pro-
cdure suivante : commencer par un calcul informatique des prvisions. Les prvisions
de vente sont clates par gamme de produits, localit gographique et client, pour tre
envoyes aux commerciaux. Chaque force de vente a en possession un grand nombre
dindicateurs march avec lesquels elle peut faire un ajustement qualitatif des prvisions.
7. Les Echos n19043, Dcembre 2003
72
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
Les commerciaux renvoient les prvisions en central. Les corrections venant des com-
merciaux sont regroupes pour tre r-agrges, les managers marketing reoivent les
prvisions agrges pour la ligne de produits quils ont en charge. Ils corrigent, sil y a
lieu, et renvoient au groupe de prvision. Une nouvelle boucle est forme. Les prvisions
sont envoyes au niveau plus haut pour validation et entrent dans le processus planning.
Notez que cette procdure a besoin dune transmission de donnes informatiques, lagr-
gation et dsagrgation des donnes, et de lhorizon de prvision et la comparaison des
prvisions avec le rel chaque instant.
Dans de nombreuses compagnies, une automatisation des procdures de prvision est
mise en place pour que les prvisions soient mises jour intervalle rgulier (hebdo-
madaire, quotidien). Cette automatisation raccourcit le temps donn aux managers pour
tudier et valider les prvisions. Cest pourquoi il est primordial que les prvisions soient
accompagnes dun ensemble dindicateurs ayant pour but de retourner un feed-back
sur les erreurs de prvision. Si les utilisateurs comprennent les erreurs de prvision, ils
sont mme de les corriger. Ce qui permet aussi au prvisionniste de conclure que ler-
reur nest pas juste du bruit mais quelle contient des causes dterministes.
D. Bourgoin, Directrice Gnrale dAzap, souligne que : souvent, les projets sont plus
globaux que les prvisions, ils incluent les approvisionnements et la planication
8
.
Moon et Mentzer, 2000 (91), compltent que les entreprises souhaitant implanter un
systme de prvision et planication doivent se prparer tre confrontes une nou-
velle faon de faire du business. Ce ne sera pas toujours vident de faire accepter une
nouvelle mthode de travail ou dorganisation. Les managers oprationnels doivent ac-
qurir le rexe de faire remonter les informations vers le prvisionniste. Les logisticiens
doivent abandonner un peu de leur autonomie
9
. Des rsistances vont se crer. Cest
pourquoi il est recommand de ne pas tout installer en un seul coup, mais plutt dat-
tendre que les utilisateurs acceptent et sapproprient les outils au fur et mesure. Il est
plus important de gagner de petites batailles, et de dmontrer lefcacit des prvisions
que dinstaller une usine gaz.
2.2.13.1 Retour dexprience
Mentionnons les rsultats dun audit chez Lucent Technologie fourni par Moon et
Mentzer, 2000 (91), et un exemple de dmarche chez Rayovac apport par Marien, 2001
(80).
Laudit sur le CDP (Customer Demand Planning) chez Lucent Technologie a recom-
mand :
8. Supply Chain Magazine, n17, Septembre 2007
9. Les Echos n19043, Dcembre 2003
73
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
une formation plus approfondie sur la manire de faire les prvisions et sur la ma-
nire de les utiliser ;
rcompenser les meilleures prvisions, ce qui permettra aussi de faire en sorte que
les utilisateurs fassent attention aux prvisions ;
prconiser le suivi des prvisions et rcompenser les personnes qui ajoutent de
linformation aux prvisions en leur montrant ce que cette information a apport de
positif ;
mettre en place un service de prvision qui propose des prvisions (initiales) par
des mthodes statistiques. Cette prvision de base pourra tre ensuite diffuse au
sein des diffrents services qui les ajusteront ;
recommander que le service de prvision soit implant au plus proche du service
marketing, car ce dernier a plus de visibilit sur lavenir.
La dmarche de prvision chez Rayovac est un processus itratif. En dbut danne, un
plan oprationnel annuel, bas sur des mesures de rsultats, est produit. Il est utilis
comme baromtre pour suivre lvolution de la prvision. Priodiquement, une prvision
base sur lhistorique des ventes est calcule par des modles mathmatiques. Une
runion regroupant les ventes, le marketing, la nance, les fournisseurs, les distribu-
teurs, le transport, est organise. Pendant cette runion, les diffrents partis comparent
leurs prvisions issues du modle mathmatique et les erreurs de prvision passes,
pour sentendre sur les nouvelles prvisions. Si ces nouvelles prvisions diffrent trop du
plan daction annuel, soit ils corrigent leur copie, soit ils rorientent le plan daction. Les
prvisions dnies et approuves, sont injectes dans les ERP de planication.
Un autre retour dexprience est prsent en annexes. Il concerne le site logistique Bain
de Bretagne (STEF-TFE). Cest un rsum du rapport daudit fourni par la socit Eu-
rodcision dans le cadre dun projet dautomatisation des plannings des quipes opra-
tionnelles.
2.3 Les composants du systme de prvision
Comment assurer une grande qualit des prvisions an dinduire des dcisions se-
reines et augmenter les performances de lentreprise ? Toute entreprise qui mesure lim-
portance des diffrents environnements qui lentourent et qui cherche les coordonner
peut prtendre raliser des prvisions performantes. Mentzer et Schroeter, 1994 (86),
distinguent lpoque, trois aspects dans le processus de prvision : logiciel (systme
informatique), technique de prvision (technique), gestion des services (organisation).
Quelques annes plus tard, Mentzer et Moon, 2005 (85), reprennent les composants
74
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
dun systme de prvision pour les illustrer par la gure 2.4.
Figure 2.4 Processus de prvision des ventes, Mentzer et Moon, 2005 (85)
Le processus de prvision commence par lidentication de lenvironnement dans lequel
se place lentreprise. Elle dnit alors une organisation, cest--dire les services respon-
sables de la production des prvisions. Le prvisionniste tudie les techniques. En fonc-
tion de lenvironnement, de lorganisation et des techniques retenus, il choisit un logiciel
de prvision. Nous dveloppons chacun des composants dans les sections suivantes.
2.3.1 Environnement
La couronne extrieure (voir gure 2.4) reprsente lenvironnement qui entoure len-
treprise. Cest lensemble des facteurs externes lentreprise qui inuencent son activit.
Lenvironnement dsigne gnralement le march sur lequel lentreprise se positionne et,
en particulier, la demande des clients. Pour prciser, lenvironnement peut tre dcoup
en deux parties. Une premire partie regroupe lensemble des facteurs sur lesquels len-
treprise peut agir (2) :
la publicit, pour faire connatre le produit,
75
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
les types points de vente, leur localisation et leur nombre, pour rendre le produit
accessible au plus grand nombre,
la mise en valeur du produit dans les points de vente,
les ambassadeurs du produit pour renforcer sa crdibilit,
les services lis au produit (livraison, garanties, etc),
les politiques dinvestissement, de dlocalisation pour rendre le produit innovant et
bon march,
la motivation du personnel pour accrotre la rentabilit . . .
Par opposition, la deuxime partie est lensemble des facteurs sur lesquels lentreprise
na pas dinuence :
les facteurs juridiques et institutionnels (rglementation juridique, sociale, scale),
les relances de lEtat,
lination,
la croissance conomique,
lvolution du taux de change,
lvolution du prix des matires premires.
Cest dans cette dernire partie que nous allons trouver lala. Pour rduire lala, le
prvisionniste cherche recueillir de linformation sur les 2 types de facteurs. Il est ainsi
en mesure de didentier les facteurs les plus discriminants et de proposer des solutions
pour agir en consquent. Ainsi, lentreprise dicte son activit future. Elle nest plus prise
au dpourvu. Lala induit par le futur est dautant plus rduit.
Lenvironnement qui entoure lentreprise TFE est dcrit dans lintroduction de la section
1.1.1.
2.3.2 Organisation
Daprs ltude mene par Mentzer et Moon, 2005 (85), les entreprises abordent les
prvisions de vente de quatre manires diffrentes : approche indpendante, approche
concentre, approche ngocie, approche consensuelle. Ces approches dcrivent la
gestion des relations entre services. Elles sont analyses suivant trois axes : la coordina-
tion, la communication et la collaboration. La communication est lchange crit, verbal
ou informatique entre les services. La coordination est la structure entre deux ou plu-
sieurs services. La collaboration est une orientation commune des diffrents services et
de lentreprise avec ses partenaires qui dcident dun objectif atteindre.
76
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
Les entreprises prconisant lapproche indpendante visent ce que chaque ser-
vice de lentreprise utilise son propre moyen de prvision, ses propres techniques, ses
propres donnes, pour ses propres valeurs prvoir. Les uns prvoient court terme
alors que les autres prvoient moyen ou long terme. Le point faible de cette approche
est que, dune part, lentreprise utilise beaucoup de ressources pour aboutir un mme
rsultat et, dautre part, quil manque de la communication entre les services. Lchange
dinformations entre eux est nul. Sous prtexte que ce sont des experts de la vente, il est,
par exemple, souvent demand aux commerciaux de prvoir les ventes. Dans ce cas, il
faut faire extrmement attention aux questions qui leurs sont poses et comment sont
agrges leurs rponses, soulignent Armstrong et Brodie, 1999 (8). Un autre exemple
pose le problme de savoir comment, la production ou la logistique, peuvent aboutir
des prvisions ables pour le planning de production ou distribution, sans connatre les
oprations vnementielles du marketing ?
En revanche, les entreprises, privilgiant lapproche concentre, donnent la respon-
sabilit des prvisions un seul dpartement, exemple logistique ou marketing. Cette
approche managriale permet une meilleure communication sur les prvisions, car elle
est de la responsabilit du service. En revanche, elle ne prend pas en compte laspect
de collaboration, car le service concern sera inuenc par ses propres donnes pour
tablir les prvisions. Si cest le service en charge du commerce, ils feront des prvisions
au niveau du client un horizon mensuel, ou plusieurs annes. Alors que la production
a besoin de prvision au niveau produit et horizon plus court.
Les entreprises, favorisant lapproche ngocie, dveloppent des prvisions dans cha-
cun des grands dpartements de lentreprise. Puis elles rassemblent les prvisions
intervalle rgulier pour construire, via une ngociation une prvision commune et of-
cielle au niveau de lentreprise. En termes de communication entre services, lobjectif est
atteint ; En revanche la collaboration nest quun leurre puisque chaque dpartement ap-
porte ses propres prvisions. La prvision nest donc pas guide par un objectif commun
et une information commune, mais par des objectifs et informations spars des diff-
rents dpartements.
Enn, les entreprises qui embrassent lapproche consensuelle nomment un dlgu
de chaque dpartement et un responsable prvisionnel pour former un groupe de tra-
vail an de rendre des prvisions issues de donnes provenant de chaque dpartement.
Lentreprise leur demande daboutir une prvision commune tout en respectant les trois
axes. Bien entendu, il faut que les personnes du groupe aient le mme niveau de res-
ponsabilit et quils communiquent au niveau de leur dpartement respectif.
Pour illustrer, citons la revue Les Echos
10
: Les acheteurs et les logisticiens doivent
abandonner un peu de leur autonomie ; quant aux managers oprationnels, ils doivent
acqurir le rexe de faire remonter les informations vers le prvisionniste . Une or-
10. Les Echos n19043, Dcembre 2003
77
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
ganisation centre autour de la prvision des ventes ne fonctionne que si elle est vrai-
ment voulue et porte par la direction gnrale , conrme Martine Grosse
11
. (. . .)
pour tre pertinente, une prvision ne peut tre faite que localement. Il faut surtout que
le prvisionniste puisse travailler en toute indpendance, quel que soit son rattachement
hirarchique , ajoute Fabien Siguier
12
. Nous retrouvons dans cet extrait, lide que la
prvision doit tre proche du terrain, quelle doit faire lobjet de communication et colla-
boration entre les services, et quen aucun cas elle ne doit tre inuence par des conits
dintrts.
Lorganisation retenue chez TFE est dcrite dans lintroduction de la section 3.1.
2.3.3 Techniques
A partir des annes 60, une vritable mutation sest produite quant au fond et lex-
pansion de la pense prospective prcise Franois Hetman, 1969 (62). Depuis, une trs
large gamme de mthodes sont apparues. Les entreprises se sont empares des m-
thodes et des rsultats obtenus par les statisticiens pour tenter de dcrire, analyser,
et trouver des relations de cause effet pour expliquer la production. Daprs Mentzer
et Moon, 2005 (85), il existe environ 70 techniques pour simuler des sries chronolo-
giques. La littrature sur le sujet classe ces techniques en trois groupes. Marien, 2001
(80), les nomme Judgmental approach , Simplistic models , Statistical approach .
Chateld, 2001 (27), prfre les termes Judmental forecast , Univariated methods ,
Multivariated methods . Nous allons les appeler prvision empirique , prvision
simpliste et prvision statistique .
La prvision empirique consiste demander des personnes rputes comptentes
dans un domaine leur avis sur son volution. Leurs avis rsultent de leur connaissance
du domaine considr, ou de celle de domaines analogues. La prvision empirique peut
tre utilise quand il manque des donnes historiques, mais aussi pour ajuster une pro-
position de prvision mathmatique. Des mthodes prouves telles que Delphi d-
composent le processus de rexion et offrent une large gamme doutils pour aboutir
une prvision optimale. La mthode Delphi, repose sur la recherche de consensus de la
part dun groupe dexperts. La mthode Delphi propose de rpondre une question dont
la rponse sera connue dans un futur lointain ; Que sera le transport frigorique ? .
Les experts se penchent sur la question, rdigent leurs conclusions et se les partagent.
Cest une mthode itrative, aprs chaque rencontre les experts rchissent individuel-
lement en prenant en compte lavis des autres. En n de boucle, lopinion des experts
11. directrice marketing de Manugistics, fournisseur de solutions de supply chain management
12. contrleur de gestion de formation, chez fromagerie Bel
78
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
doit converger vers une prdiction . La prdiction est base sur un raisonnement plus
ou moins intuitif conduisant annoncer un vnement probable. Alors que la prvision
suppose que nous disposons dune srie dobservations et dhypothses conduisant
une modlisation du phnomne tudi clarient M. David et J.-C. Michaud, 1989 (36).
Les avantages les plus souvent mentionns sont le fait que la prvision empirique in-
corpore le savoir du terrain (produit, retour sur exprience, expertise) et que la prvision
ne ncessite ni historique, ni calcul savant. Les inconvnients sont que la prvision est
subjective et trs coteuse. Dune part, les prvisions sont forcment biaises par les
politiques de lentreprise, les buts xs, les souhaits, loptimisme, le conservatisme et la
persuasion. Dautre part, lexpert charg de la prvision est toujours inuenc par des
facteurs externes et il ne peut pas croiser de manire optimale toutes les connaissances.
En particulier, les prvisions ne sont pas gnres avec toutes les informations juges
importantes, mais seulement avec celles qui ont marqu lesprit de lexpert, cest dire
les dernires en date ou les plus utilises. Enn, le cot des prvisions qualitatives est
lev, car elles engendrent un temps dexpertise important.
A loppos, des mthodes qualitatives, reprsentes ci-dessus par les prvisions empi-
riques, se situent les mthodes quantitatives. Elles sont utilises pour prvoir un horizon
court ou moyen terme. Elles reposent sur des modles mathmatiques. Leur principe
de base est destimer la valeur future dune variable, partir de la connaissance dun
historique. Lhistorique peut comprendre le phnomne tudier ainsi que les variables
ayant une inuence sur lui. Gnralement, les valeurs sont observes des dates xes
et quidistantes. Lhypothse est quil est possible de dceler une loi dans les donnes
du pass et quelle restera vraie dans un avenir proche. Ces techniques sont partages
entre la prvision simpliste et la prvision statistique.
La prvision simpliste est un ensemble dalgorithmes simples de prvision tel que les
moyennes mobiles, la reprise des donnes de lanne prcdente, la rgression linaire
au premier degr, etc. Ces mthodes sont apprcies, car elles sont faciles com-
prendre et utiliser. Elles sont souvent incorpores dans des logiciels de prvision les
plus anciens, souvent associes un algorithme qui choisit le meilleur modle pour un
historique donn. Bien quprouves, ces mthodes ne sont pas recommandes si nous
voulons faire de la prvision partir de bases de donnes. De nouveaux logiciels utilisent
des algorithmes plus performants pour prvoir plusieurs sries.
La prvision statistique se dcompose en deux catgories : les techniques endognes
et les techniques exognes.
Les techniques endognes sont des processus univaris qui utilisent comme seule
source dinformation celle contenue dans la srie temporelle (ou chronique). Un type de
modlisation trs rpandu dans le milieu de lanalyse temporelle, et prsent pour la
premire fois par Warren Persons en 1919, est celui qui isole 4 composantes :
79
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
la tendance est lallure (croissance ou dcroissance) que prend la chronique sur le
long terme. Pour la reprsenter, il est classique de lexprimer par une droite dite de
rgression linaire. Bien quil soit parfois tentant de lapproximer par une fonction
non linaire (exponentiel, logarithme), des prcautions doivent tre prises quant
lutilisation de ce type de fonction des ns prvisionnelles. En effet, ces courbes
ont une branche parabolique verticale (pour lexponentielle) ou horizontale (pour le
logarithme) qui peut alors symboliser une croissance extrmement rapide et innie
ou au contraire une saturation. Daprs B.Burtschy et C.Menendian, 1980 (24), ces
cas de gure sont rares dans le milieu conomique.
la saisonnalit est caractrise par une variation du phnomne tudi qui se r-
pte intervalles rguliers sur une priode annuelle. Le mouvement saisonnier se
rpte dune anne lautre.
le cycle est un mouvement comportant une phase de croissance et une phase de
dcroissance. La priodicit dun cycle est au-del dune anne. Au contraire de
la saisonnalit, lintervalle de temps entre les phases nest pas forcment rgulier.
Cest pourquoi dans la plupart des tudes, la tendance et le cycle sont regroups
en une seule composante.
le rsidu, aussi appel uctuation accidentelle, est ce qui reste de la chronique
aprs avoir isol la tendance, le cycle et la saisonnalit. Il peut tre en partie expli-
qu par les facteurs corrls la chronique (la mto, offre promotionnelle, grve,
. . .).
Aprs avoir t isoles, les 4 composantes fondamentales sont extrapoles individuelle-
ment les unes des autres, et ragrges, pour aboutir la prvision.
Il existe deux grands types de dcomposition, le schma additif et le schma multiplica-
tif.
Le schma additif, considre que les composantes sont indpendantes les unes des
autres. Autrement dit, la variation saisonnire ne uctue pas avec le temps.
Le schma multiplicatif, considre que les composantes sont lies et interagissent entre
y
t
= T
t
+ S
t
+ R
t
Table 2.1 Schma additif
elles.
80
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
Passer dun schma multiplicatif un schma additif se fait par la fonction logarithmique.
y
t
= T
t
S
t
R
t
Table 2.2 Schma multiplicatif
Les techniques destimation des composantes sont nombreuses. Nous avons vu que la
tendance pouvait prendre plusieurs formes (linaire, exponentielle, polynomiale). La m-
thode la plus souvent utilise en conomtrie pour estimer les coefcients est celle des
moindres carrs ordinaires (MCO). Les procdures de calcul des coefcients saisonniers
sont aussi vastes. La plus populaire est lestimation de la composante saisonnire par
moyenne mobile. R.Bourbonnais et JC.Usunier, 2007 (18), font remarquer que quelle que
soit la mthode retenue, le risque dincorporer dans la saisonnalit des uctuations dues
des valeurs erratiques est toujours prsent. Cest pourquoi il est conseill de net-
toyer la srie (correction des jours ouvrables, des valeurs dues une activit juge
anormale, etc.) avant de lancer les calculs.
Daprs Mentzer et Moon, 2005 (85), les techniques endognes sont partages entre les
Open-Model Time Series Techniques (OMTS) et les Fixed Model TS techniques
(FMTS).
Les OMTS analysent la srie chronologique passe pour en dterminer quatre compo-
santes et les projeter dans le futur. Les quatre composantes sont celles identies pour
la premire fois par Warren Persons en 1919. Nous faisons allusion la tendance, la sai-
sonnalit, le cycle et le bruit (voir section 4.4.3). Les OMTS posent lhypothse que les 4
composantes existent dans la srie chronologique prvoir. Ces techniques utilisent une
suite de formules pour analyser les composantes individuellement. Les OMTS ont besoin
dun historique consquent. Dautre part, elles peuvent comporter un grand nombre de
paramtres dlicats manipuler. Cest pourquoi elles ncessitent une exprience et un
savoir-faire du prvisionniste. Les modles proposs par Box & Jenkins, 1970 (19), ou
lanalyse spectrale dont une introduction est prsente par Graps, 1995 (59), font partie
des OMTS.
Les FMTS supposent que seulement certaines des quatre composantes de la chronique
existent. Les techniques se servent dquations en posant des hypothses de dpart
pour dterminer si les composantes existent ou non dans la srie chronologique. Les
FMTS sont utilises quand il y a peu dhistorique, quand le comportement de la srie
81
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
chronologique change considrablement et rgulirement. Elles sont connues sous les
appellations : lissage simple, lissage exponentiel, Holt-Winters (voir section 3.2.4).
Les techniques exognes, aussi appeles modles conomtriques, font appel lana-
lyse par rgression. Elles ajoutent des sources dinformations provenant de facteurs plus
ou moins corrls avec la chronique prvoir. Ces sources dinformations sont appeles
facteurs exognes. Ainsi, la fonction principale du modle conomtrique est lexplication
de la srie temporelle travers dautres facteurs. Par des calculs de corrlation, le mo-
dle conomtrique entrane le prvisionniste rechercher dautres sries temporelles
pouvant expliquer celles prvoir. Dans le contexte de la prvision des ventes, les fac-
teurs exognes dcrivent lenvironnement de lentreprise (voir section 2.3.1). Dans un
environnement conomique, les quantits de vente dun produit dpendent troitement
de la force de ventes de lentreprise, des changements conjoncturels du march, du com-
portement des consommateurs, de lattractivit du produit, de la situation conomique du
pays, etc. Lorsque les facteurs explicatifs des ventes sont identis, leurs valeurs futures
sont utilises pour prdire les ventes.
Dans une perspective de prvision, cette dmarche est oprationnelle dans la mesure
o nous connassons, par avance, les valeurs des variables explicatives. Cest rarement
le cas. Pour pallier cet inconvnient, il faut, soit instaurer un dcalage de temps entre la
variable prvoir et les variables exognes, soit prvoir les variables explicatives. Enn,
il ne faut pas perdre de vue que deux sries chronologiques sont comparables seulement
si elles sont corriges des variations saisonnires. Autrement, si nous ne dsaisonnali-
sons pas, il nest pas possible de dterminer si leffet dinteractions entre les sries est d
la saison ou non. Dautre part, deux sries temporelles nont pas forcment la mme
saisonnalit (amplitude et priode). Prenons lexemple dune agence de transport base
Nice. Son activit de distribution augmente signicativement en t (juillet, aot). Cette
hausse est due aux nombreux touristes pendant la priode des vacances scolaires. Le
nombre de touristes en Cte dAzur, comme lactivit de lagence de transport, sont des
sries forte saisonnalit. Les deux augmentent tout naturellement en juillet-aot, mais
pas de la mme intensit car les touristes nont pas tous les mmes comportements
dachat. Pour nous affranchir de cet effet, nous considrons des valeurs corriges des
variations saisonnires (CVS). Ainsi, nous pouvons non seulement comparer nimporte
quel mois nimporte quel autre, mais aussi apprcier le vritable impacte du tourisme
sur lactivit de lagence (106).
Souvent, les changements dans les valeurs des facteurs explicatifs retenues ne sont pas
dus au hasard. Ils sont la rponse une action. Par exemple, laction dune campagne
publicitaire a pour effet une augmentation des ventes. De cette faon, lentreprise peut
inuencer les valeurs futures des facteurs exognes retenus, et ainsi, orienter la prvi-
sion des ventes. En stimulant les variables explicatives retenues, lentreprise simule un
ensemble de scnarios et choisi celui qui lui convient le mieux. Mais dans la pratique,
82
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
les choses ne sont pas aussi simples. Armstrong et Brodie, 1999 (8), expliquent que la
difcult dans le modle conomtrique est de trouver les bonnes variables explicatives
qui dcrivent 100% la chronique prvoir. De plus, cause de lincertitude de len-
vironnement qui entoure les ventes, les facteurs explicatifs du modle conomtrique
sont susceptibles de changer dans le temps. Leur effet sur les ventes est galement
variable dans le temps. Les entreprises doivent donc scruter priodiquement lenvironne-
ment pour ne pas passer ct de variables explicatives fondamentales.
Enn, les variables explicatives slectionnes permettent dajuster un modle de rgres-
sion. Lquation suivante dcrit la srie temporelle (y
t
) comme une combinaison linaire
de 4 sries explicatives, dune constante et dun bruit.
Y
t
= a
1
X
1,t
+ a
2
X
2,t
+ a
3
X
3,t
+ a
4
X
4,t
+ a
0
+
t
Les modles conomtriques permettent danticiper les changements structurels (au ni-
veau de lentreprise), les variations macro-conomiques, les politiques gouvernemen-
tales, etc. Lavantage du modle conomtrique est de quantier linuence des facteurs
sur ce qui est prvoir et ainsi proposer lentreprise des actions correctives.
Les techniques utiliss dans les modles de prvision TFE sont dcrites dans les sec-
tions 3.2 et 4.4.
2.3.4 Systme informatique
Personne ne peut prvoir sans information pralable. Pour obtenir les informations
du pass et du prsent, pour cibler les variables exognes, pour publier les rsultats,
le logiciel de prvision doit communiquer et interagir avec le systme dinformation. Les
donnes doivent tre numriques et ables pour pouvoir tre traites aisment et rapide-
ment. Pour extraire de linformation des donnes rcoltes durant les annes passes,
les entreprises utilisent linformatique dcisionnelle ou BI (Business Intelligence), pour le
terme anglais. Dans sa forme la plus simple la BI a pour objectif de donner la bonne
personne, linformation la plus juste, au moment le plus opportun, pour prendre la plus
pertinente des dcisions. Techniquement, la plateforme BI dsigne les outils informa-
tiques permettant lintgration des donnes, leur analyse et leur restitution. Ces outils
se nomment : systme dinformation, entrept de donnes, application mtiers (ou data
mart en anglais), restitution de donnes (ou reporting en anglais), tableau de bord, fouille
des donnes (ou data mining en anglais).
Les entreprises se sont rendues compte que lhistorisation de leurs donnes pouvait leur
rapporter plus que des tableaux de bords postriori. Elles peuvent, en effet, utiliser
lexprience acquise en BI pour y intgrer une analyse prdictive de leur activit.
83
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
Le logiciel de prvision na pas pour vocation de refaire ce que la plateforme BI sait dj si
bien faire. Au contraire, le logiciel de prvision doit sadosser sur les outils et les rsultats
de BI existants dans lentreprise. Ce sont eux qui permettent de collecter, stocker et ex-
ploiter les donnes dorigines diverses. Cest pourquoi nous listons des architectures de
systme dinformation existant (voir section 2.3.4.1). Nous poursuivons par ltude dune
linterface entre le systme dinformation et le logiciel de prvision (voir section 2.3.4.2).
Nous proposons une liste de critres auxquels il est souhaitable que loutil de prvision
rponde favorablement (voir section 2.3.4.3). Enn nous apportons des lments pour
faciliter la lecture des prvisions par lutilisateur (voir section 2.2.12).
En considrant que le logiciel de prvision fait partie de linformatique dcisionnelle, il
dsigne non seulement le programme informatique permettant de prvoir, mais aussi
lensemble des systmes de communication utiliss pour interroger le systme dinfor-
mation et restituer linformation cre (voir lapplication chez TFE dans la section 4.6.4).
2.3.4.1 Le systme dinformation ou MIS (Management Information System)
Un systme dinformation stocke les informations ncessaires au pilotage de lentre-
prise. La difcult est, dune part, de slectionner linformation pertinente et dautre part,
de trouver cette information dans le grand ventail des sources de donnes disponibles.
Celles-ci sont des bases de donnes mtiers internes lentreprise, des bases de
donnes en provenance des clients et des bases de donnes achetes chez des presta-
taires. Mentzer et Moon, 2005 (85), recensent trois architectures de donnes possibles :
System disconnects ,
dsigne des bases de donnes mtiers sans connexion entre elles. Ce qui
signie quil ny a ni change, ni croisement dinformation.
Internal Open Systems Architechture ,
dans cette architecture chaque branche de lentreprise partage ses informations
dans une bote commune appele entrept de donnes (ou data warehouse en
anglais). Le service production, le service des ventes, le service de la logistique,
le service de la nance, le service du marketing y dposent leurs donnes et ac-
cdent lensemble. Ainsi, toute information utile pour les prvisions est facilement
accessible et est lectronique. Toute personne voulant accder une information
passe par le systme central et, ainsi, peut produire ses propres prvisions.
External Open System Architechture ,
est bas sur le mme principe mais implique en plus les clients et collaborateurs ex-
trieurs. Les informations apportes par ces derniers sont susceptibles damliorer
la qualit des prvisions de vente. Cette dmarche amne la notion de prvision
collaborative appele CPFR (Collaborative Planning Forecasting Replenishment)
84
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
qui sera discute ultrieurement (voir section 2.4).
Les aspects darchitecture du systme dinformation chez TFE sont abords dans les
sections 3.1 et 3.1.1.
2.3.4.2 Le systme dinformation - le systme de prvision
Les grandes entreprises, cumulent des milliers dindicateurs. Ces indicateurs ne sont
pas toujours donns pour la mme unit de temps, ils sont mis jour des priodes
diffrentes, ils sont stocks sur des serveurs diffrents, ils ne sont pas bruts, certains se
construisent partir dautres indicateurs. Le logiciel de prvision doit avoir accs toutes
les donnes susceptibles davoir une inuence sur la grandeur prvoir.
Suivant la structure du systme dinformation disponible et la faon dont le logiciel de
prvision est implant, laccs aux donnes sera diffrent. Si le SI est en mode System
disconnects le logiciel de prvision accde au mieux une base de donnes mtiers
et, au pire, une base de donnes enregistre par le prvisionniste sur son propre poste
de travail. Dans tous les cas il ne peut pas regrouper des informations dorigines diff-
rentes. Mentzer et Moon, 2005 (85), font remarquer que cest le meilleur moyen pour que
le prvisionniste dveloppe, par une analyse individuelle, ses prvisions pour son besoin
personnel. Le rsultat est la duplication des efforts. Chacun fait ses prvisions de son
ct avec ses propres donnes sans partager linformation.
Si lentreprise possde un Internal ou External Open System Architechture , le lo-
giciel de prvision doit pouvoir interroger linfocentre. Par ce biais, le logiciel de prvision
accde lintgralit de linformation disponible au niveau de lentreprise. Souvent ces
mmes entreprises ont implant un systme de communication EDI ou des interfaces
web permettant de faciliter la prvision collaborative aussi bien au sein de lentreprise
quavec ses partenaires.
Les communications entre le logiciel de prvision et le systme dinformation chez TFE
sont tudies dans les sections 4.6.1 et 4.7.2.
2.3.4.3 Caractristiques requises dun logiciel de prvision
Daprs le magazine Stratgie Logistique
13
, le march franais compte une tren-
taine de progiciels de prvision de la demande. Citons les diteurs comme APERIA,
FUTURMASTER, JDA SOFTWARE, SAP, TXT E-SOLULUTION. Ils se spcialisent dans
13. Progiciels de prvision de la demande (. . .), Stratgie Logistique, Hors Srie n5, 2007
85
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
des secteurs dactivit de la grande distribution, lindustrie, la pharmacie, lagroalimen-
taire, la mode, les produits de grande consommation (CPG). Les progiciels de prvi-
sion ne cessent dvoluer pour mieux rpondre la demande, gestion des promotions,
processus collaboratif, budget labor partir des prvisions valorises, intgrations de
variables exognes, prise en compte du rseau de distribution etc.
14
.
Cependant, les grands groupes sont encore souvent sous Excel ou Access en rai-
son du dploiement des ERP . Daprs une tude de ModelEdition SA, ralise sur
41 grosses et moyennes entreprises europennes sur leur besoin en matire de prvi-
sion, il en ressort quExcel est utilis pour 64% des prvisions. Les entreprises ont
plus dvelopp des interfaces de saisies simplies, que, dploy des outils de calcul de
prvision labors. Leur souhait de baisser les stocks les pousse nanmoins adopter
des solutions qui prennent en compte des spcicits plus complexes, indique Rmy
Le Moigne
15
. Comme pour tous les autres outils, il est difcile de faire un choix parmi la
vaste panoplie propose. Lobjet de cette section est de donner des pistes de rexion
pour adapter loutil informatique de prvision au besoin de lentreprise.
Mentzer et Moon, 2005 (85), numrent les principes de bases dun logiciel de prvi-
sion. Le logiciel doit :
1. rpondre aux attentes du prvisionniste,
2. communiquer avec son environnement et proposer une gamme complte de m-
thodes de prvision,
3. permettre de croiser les mthodes de prvision empirique et statistique,
4. permettre de comparer des techniques pour en retenir une,
5. mettre en avant le feed-back ,
6. permettre de slectionner des catgories darticles en fonction de leur importance
stratgique.
Dveloppons ces 6 critres :
1/ Le logiciel de prvision doit pouvoir rpondre aux attentes du prvisionniste. Si le
prvisionniste veut des prvisions horizon de trois semaines avec une maille de temps
la journe, loutil doit pouvoir les lui fournir. Si le prvisionniste veut pouvoir faire des
ajustements, il doit pouvoir les faire, etc. Limportant est que ce soit loutil de prvision qui
sadapte aux protocoles mis en place par le prvisionniste et non le contraire. Trop sou-
vent, lorsque lentreprise a dans lide de faire des prvisions de vente, elle se prcipite
pour acqurir un logiciel. Or, la dmarche suivre est dabord de poser la mthode de
travail, pour ensuite acheter un outil de prvision qui sache sy ajuster.
14. Supply Chain Magazine, n17, Septembre 2007
15. associ Supply Chain dInneo
86
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
2/ Nous avons vu dans la section 2.3.4.2 que, pour accder aux donnes, loutil
de prvision doit communiquer avec le systme dinformation de lentreprise. Cest trs
souvent une tape complexe mettre en uvre. Les bases de donnes sont stockes
sur diffrents serveurs. Les connexions aux bases de donnes doivent tre paramtres
pour une utilisation optimale. Laccs aux donnes doit tre scuris. Les requtes per-
mettant dinterroger les bases de donnes gnrent un besoin important en ressources
informatiques. Cest pourquoi, le systme de prvision doit intgrer un module de gestion
et de communication. Cest--dire quil doit tre compatible avec dautres systmes an
de communiquer avec ces derniers dans le but de rcuprer les donnes utiles et de
diffuser la prvision dans les ERP de planication. Paralllement, il faut sassurer que le
systme de prvision puisse intgrer des vnements exceptionnels (promotion, prix qui
changent, . . .) et quil dispose des documents faisant tat des hypothses de dpart des
prvisions.
Ainsi, le prvisionniste peut avoir accs lensemble des donnes de lentreprise pour
les analyser et en extraire une prvision des ventes. Le prvisionniste ne doit cepen-
dant pas se proccuper de la complexit du systme qui se cache derrire le logiciel de
prvision, pour accder aux donnes. En dautres termes, laccs aux donnes doit tre
transparent pour le prvisionniste.
Le logiciel doit fournir un ensemble dalgorithmes permettant dexcuter les mthodes
de prvision mathmatique usuelles. Leur programmation ne doit pas tre refaire. Le
logiciel doit restituer, sous une forme comprhensible, linformation ncessaire pour per-
mettre au prvisionniste dajuster ou de valider un modle de prvision. Ce qui signie
que le prvisionniste doit savoir paramtrer un modle mathmatique de prvision et in-
terprter les rsultats obtenus.
3/ Les logiciels de prvision ne permettent pas de combiner les techniques de
prvision statistiques et les techniques de prvision empirique. Or les avantages et incon-
vnients des diffrentes techniques sont trs complmentaires. Il semble quune bonne
prvision commence par une approche des techniques endognes. La prvision est alors
ajuste grce des techniques exognes. Elle est donne aux experts pour quils cor-
rigent suivant les techniques empiriques. Autrement dit, cest la prise en compte des
donnes qualitatives. Elle permet dinterroger les experts mtiers pour les associer la
prvision. Ainsi, Moon, Mentzer et Thomas, 2000 (91), soulignent que loutil de prvi-
sion doit donner la possibilit lexpert de rentrer des informations subjectives comme
la prvision risques. Il doit galement lui donner la possibilit de valider ou corriger les
propositions de prvision. Le cycle entre les propositions de prvision mathmatiques,
obtenues par les prvisionnistes, et les diffrents services de lentreprise reprsents
par les experts mtiers, doit tre bien dni. A quel moment du processus les experts
peuvent-ils faire les ajustements et quand les prvisions seront-elles valides pour tre
injectes dans le DPR? (voir section 2.2.13).
87
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
4/ Le logiciel de prvision doit tre capable, parmi plusieurs modles, de slection-
ner le meilleur modle de prvision, suivant des critres de comparaison dnis. Cest
le fameux bouton best t (ou meilleure prvision, en franais). A partir des donnes
rcoltes dans le systme dinformation, le logiciel de prvision slectionne les facteurs
les plus discriminants, analyse lhistorique de la srie chronologique prvoir, simule
diffrentes techniques statistiques sur lhistorique fourni et applique celle qui donne les
meilleures prvisions suivant un ou plusieurs critres paramtrs. Seiersen, 2006 (105)
mentionne quil nest pas rare de trouver des dizaines de calculs des prvisions de vente
avec slection automatique de la plus approprie. Lorsquil sagit de prvoir les ventes de
nombreux produits, ce travail pralable qui se fait automatiquement, peut tre trs utile au
prvisionniste. Il ne lui reste plus qu ajuster les techniques pour chacun des produits.
Par contre, soulignons comme le fait Stan, 2005 (108), un problme de conance dans
les prvisions ralises automatiquement. De mme, Hondt, 2007 (44), note que les
algorithmes doptimisation sont souvent trop complexes et ne sont pas compris par les
planicateurs gnrant ainsi des syndromes de botes noires, prise en compte partielle
des recommandations de loutil ou application systmatique sans analyse de cohrence.
Do le risque de non-utilisation ou dutilisation malencontreuse . Dautre part, Stan,
2005 (108) observe que les situations sont frquentes dans lesquelles les modles
complexes ne donnent pas de meilleurs rsultats que les modles simples .
Soulignons, quune tude mene par Stan, 2005 (108), a compar des indicateurs fon-
ds sur les erreurs de prvision, obtenus par des algorithmes communs chacun des
6 logiciels compars. Ltude a montr que la performance des modles mathmatiques
nest pas signicativement diffrente dun logiciel lautre.
5/ Il est arriv frquemment que les utilisateurs des systmes de prvision naient
pas de notions lmentaires en statistique pour crer, avec laide de loutil un modle
de prvision. Cest pourquoi le systme de prvision doit tre capable de leur retourner
des indicateurs derreurs et/ou de visualisation graphique leur permettant de juger de la
validit du modle. Cest ce qui est appel le feed-back . Ces informations permettent
au prvisionniste dapprendre les incertitudes lies aux prvisions. Le feed-back peut
tre un graphique superposant les courbes du rel et du prvu. Il peut afcher des indi-
cateurs relatifs lerreur de prvision et la stratgie de prvision. Enn, le feed-back
doit rvler la corrlation entre la variable dpendante et les variables exognes.
6/ Prenons lexemple dune grande surface. Elle vend des milliers de produits dans
ses linaires. Pour son rapprovisionnement, elle souhaite prvoir les ventes de chacun
de ces produits. Par contre, pour diverses raisons (nouveaux produits, rapprovisionne-
ment difcile, forte marge) certains produits doivent faire lobjet dun suivi plus rigoureux
que dautres. Le logiciel doit alors permettre au prvisionniste de classer ces produits
88
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
comme stratgiques. Ainsi, lattention du prvisionniste doit se focaliser ces produits en
particulier pour lesquels une faible erreur de prvision est attendue. Les autres produits
continueront tre prvus par le logiciel, de manire automatique.
Au six critres retenus par Mentzer et Moon, 2005 (85), ajoutons celui de easy-to-
use . Comme un systme dcisionnel, le systme de prvision doit guider lutilisateur
construire et excuter un processus de dcisions en lassistant dans le choix de lusage
des oprateurs. Pour ce faire, Fildes et al., 2006 (51), suggre que le systme de prvi-
sion limite laccs au choix des modles et des donnes, ainsi quau choix de lordre des
oprations effectuer et des variables exognes slectionner. Toujours dans loptique
de guider lutilisateur dans le meilleur choix du modle, un systme de prvision doit
aussi tre facile utiliser. Les mthodes mathmatiques offertes doivent tre diversies
et paramtres par dfaut, pour en faciliter lutilisation.
Retenons galement les critres de performances proposs par un diteur de logiciel
16
:
rapidit et facilit travail dcideur / utilisateur,
capacit de simulation stratgique,
travail collaboratif,
gestion de paramtres du modle,
gestion de scnario et traage modication,
capacit dagrgation et de dsagrgation de donnes.
D. Bourgoin, Directrice Gnrale dAzap, note que les diteurs ont un vrai rle ddu-
cation quant aux capacits relles des logiciels de prvision et de planication. Bien
souvent, les maquettes ralises lors des processus avant vente polluent le discours en
faisant rver inconsidrment les responsables pour mieux les sduire. Derrire viennent
les dsillusions. Il y a encore dimportants projets APS (Advanced Planning System) qui
sont des checs
17
.
Finalement, Marien, 2001 (80), estime que le march propose quatre catgories de pro-
giciels de prvisions :
spreadsheet ,
ils sont souvent utiliss pour gnrer des prvisions. Ils permettent dimplmenter
facilement des modles simplistes. Ils proposent des environnements commodes
pour saisir lhistorique des donnes, pour visualiser les prvisions et gnrer des
rapports. Citons les logiciels tels quExcel et les add_on associs, comme
Eview.
16. ModelEdition SA : www.modeledition.com
17. Supply Chain Magazine, n17, Septembre 2007
89
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
broad-based statistics packages ,
ils sont conus pour des statisticiens. Ils offrent une longue gamme de mthodes
danalyses, dont les prvisions. Ils demandent ce que lutilisateur ait un fort ba-
gage thorique, les paramtres ne sont pas toujours donns par dfaut. Mention-
nons les logiciels SPSS, SAS.
business forecasting packages ,
ils sont conus pour des commerciaux. Ils intgrent des mthodes de prvision
connues (rgression, lissage, Box & Jenkins) Ils offrent, un degr dautomatisa-
tion dans la slection des paramtres de modles pour que les non spcialistes
puissent lutiliser. Ils permettent souvent dajouter des commentaires aux prvi-
sions. Faisons rfrence aux progiciels Forecast Pro, Autocast.
Forecasting engines ,
ils sont conus pour gnrer automatiquement un grand nombre de prvisions.
Ils sont capables de communiquer et donc de travailler avec le systme de pla-
nication de type ERP, MRP, Supply Chain. Similaires aux business forecasting
packages en terme de fonctions, ils sont conus pour traiter de grands volumes.
Comme exemple, nous trouvons Futurmaster, JDA-Software.
Lapplication, chez TFE, des critres cits est consulter dans la section 3.1.
2.3.5 Mesures de performance
Nous avons mentionn quil existait une innit de prvision. Partant de ce principe,
toute personne est susceptible de donner une prvision. Il nest donc pas tout de don-
ner une prvision, faut-il encore que nous puissions mesurer sa crdibilit au cours du
temps. Lutilisateur fera dautant plus conance aux prvisions fournies, quil peut vrier
leurs performance ds les rsultats du ralis connus. Toutefois, il existe tellement din-
dicateurs statistiques qui dnissent la justesse des prvisions quil est difcile de choisir
lesquels fournir et comment les interprter.
Mentzer et Moon, 2005 (85), proposent de les classer sous trois catgories :
mesures actuelles,
mesures relatives une prvision parfaite,
mesures relatives au modle de prvision.
Les mesures actuelles de performance sont fondes sur lerreur de prvision. Lerreur
de prvision est le rsultat de la donne prvisionnelle moins la donne relle la mme
priode. Mathmatiquement, a pourrait tre linverse, mais pas dun point de vue p-
dagogique. Il faut toujours garder en mmoire que les chiffres doivent tre une aide la
dcision pour ceux qui les interprtent. Prsente ainsi, lerreur de prvision nous indique
90
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
que, quand elle est positive, nous avons surestim le rel et quand elle est ngative, nous
avons sous-estim le rel. Cest une interprtation didactique et comprhensible de ler-
reur. A partir des erreurs de prvision rparties intervalle rgulier dans le temps, une
moyenne peut tre calcule sur une priode donne. Lerreur moyenne (ou Mean Error
en anglais),
ME =
1
N

e, avec e = donne prvue - donne ralise

Il faut toutefois garder lesprit, que cette moyenne efface une erreur positive sur une p-
riode par une erreur ngative dune autre priode. Ainsi, un des critres de performance
du modle serait de trouver une erreur moyenne proche de zro. Linterprtation sera de
dire que la prvision a aussi bien tendance surestimer qu sous-estimer le rel. Par
contre, si lerreur est ngative, la prvision aura plutt tendance sous-estimer et vice
versa.
Pour pallier le problme quune erreur positive soit efface par une erreur ngative, lindi-
cateur erreur moyenne absolue (MAE : mean absolute error, en anglais) utilise la valeur
absolue de lerreur. Il permet de fournir lerreur moyenne de prvision sans se proccuper
du signe. Cest un indicateur plus rvlant que lerreur moyenne. Par contre, il ne nous
donne pas dindications sur la taille de lerreur par rapport aux priodes. Pour ce faire,
il faut la rapporter au nombre de priodes qui nous fournira un pourcentage derreurs
plus facile interprter. Dautre part, il donne une importance gale aussi bien aux pe-
tites quaux grandes erreurs. Or les grandes erreurs sont plus nfastes lentreprise que
les plus petites. Pour faire la distinction entre grandes et petites erreurs, il est prconis
dutiliser la somme des erreurs quadratiques. En effet, la fonction quadratique bncie
de lavantage de rester constamment positive et celui de pondrer moins fortement les
faibles erreurs et plus fortement les erreurs importantes. Comparons une erreur de 2
pour un jour J et une erreur de 4 pour le jour J + 1. Lcart entre les deux erreurs est de
2, mais il passe 12 (164) lorsque que nous comparons les erreurs quadratiques. Pour
faciliter linterprtation, il faut ramener lerreur quadratique un rfrentiel connu. Pour ce
faire, elle est divise par le nombre de priodes sur lesquelles elle a t calcule. Nous
obtenons ainsi une MSE (Mean Square Error) par priode.
Les mesures de performances relatives une prvision parfaite sont les erreurs de
prvision rapportes aux valeurs ralises.
PE =
_
prev-reel
reel
_
100
Cet indicateur rend un pourcentage de sous ou surestimation du ralis sur la priode
du calcul. Son dfaut apparat quand le rel est nul. Informatiquement, la division par
zro nest pas permise. Il faut alors crer une rgle qui affecte lindicateur une valeur
(exemple : 100%) quand les ventes sont nulles. La reprsentation graphique de cet indi-
cateur indique sur quelle priode la prvision a t majore et sur quelle autre elle a t
91
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
dprcie. Suite cette analyse, le prvisionniste peut chercher amliorer les perfor-
mances du modle.
Pour prendre plus de recul et ne pas rentrer trop dans le dtail, lindicateur : moyenne
des erreurs absolues en pourcentage (ou MAPE, Mean Absolute Percentage Error en
anglais) fournit une vision de lerreur de prvision sur un ensemble de priodes appeles
N.
MAPE =
1
N

|PE|
Cet indicateur a le dfaut de donner la mme importance aux erreurs anciennes quaux
erreurs rcentes. En dautres termes, il ne montre pas la justesse des dernires pr-
visions. Pour corriger ce dfaut, nous utilisons le pourcentage derreur moyenne abso-
lue mobile (ou Year to Date Mean Absolute Percent Error, YTD en anglais). Cest une
moyenne mobile sur les 12 derniers mois ou les 4 dernires semaines, etc., selon les
besoins.
Les mesures de performance du modle, comparent les rsultats du modle utilis
avec les rsultats dune prvision nave. La prvision nave est le rel du mois pass, par
exemple, utilis comme prvision pour le mois daprs. Si le modle adopt ne donne pas
de meilleures performances que la prvision nave, il est strile. Lindice de Theil, 1966,
est la statistique qui rapporte les prvisions du modle adopt aux prvisions naves.
Si le rsultat est suprieur 1 alors le modle adopt est carter. Nous chercherons
le modle de prvision qui rapprochera lindice de Theil de 0. Pour simplier, la formule
suivante peut tre utilise :
SFTAB (Sales Forecasting Technique Acuracy Bentchmark) =
MAPE(modle)
MAPE(Nave)
Cest au prvisionniste, en concertation avec les utilisateurs, de dcider des mesures de
performance afcher.
La section 4.5 dcrit les mesures de performance retenues dans le systme de prvi-
sion dvelopp pour TFE.
2.4 Le processus collaboratif
Ce qui est nomm collaboratif , en informatique, est un principe qui offre aux sys-
tmes dinformations, ou plus globalement aux architectures, la capacit de dialoguer
ensemble en temps rel, et ce, sur la base dun rfrentiel dchange commun, ex-
plique Lon de SAHB, Directeur Gnral dAgrostar. Rassembler les hommes pour quils
92
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
changent leurs connaissances mtiers pour le bien de la prvision est un processus
collaboratif. Les processus collaboratifs servent mettre en regard les connaissances
dtenues divers endroits dune organisation pour assurer que toutes les donnes clefs
vont bien tre prises en compte dans la dcision nale
18
. Seiersen, 2006 (105), dnit
le processus collaboratif dans le contexte des prvisions de vente comme une runion
mensuelle structure, pour arriver une prvision de consensus tenant compte de toutes
les perspectives, ainsi quun plan dopration pour servir les ventes .
Pour ce faire, les systmes doivent tre capables dune part de recevoir un certain
nombre de donnes, de les intgrer et dautre part, dmettre des donnes qui seront
intgres dans le systme du partenaire. Cela suppose un travail pralable dit collabo-
ratif et un travail dintgration en interne chez chaque partenaire, au sein de sa chane
logistique et au sein de son systme dinformation, ainsi quun travail dintgration externe
avec les partenaires amont et aval des chanes logistiques et des systmes dinforma-
tion
19
.
Cest en 1998, aux tats-Unis, que pour la premire fois un consortium de fournisseurs
et dtaillants (VICS : Voluntary Interindustry Commerce Standart Association) publie un
guide pour la prvision et la planication collaborative (CPFR : Collaborative planning
forecasting et replenishment). Depuis McCarthy et Golicic, 2002 (83), recensent deux
approches de la prvision collaborative vue par la littrature :
la prvision collaborative intra-entreprise : Diehn (2000/2001) (45), Lapide (1999)
(73), Reese (2000/2001) (102), Wilson (2001) (121)
la prvision collaborative inter-entreprise : Alkerman (2000) (4), Andraski (1999)
(5), Barratt et Oliveira (2001) (13), Ireland et Bruce (2000) (67), VICS (1999) (11)
La prvision collaborative intra-entreprise est le processus de prvision sur lequel in-
sistent de nombreux auteurs pour conjuguer la puissance de loutil informatique et lexp-
rience des hommes, an daboutir aux prvisions les plus exactes possible (voir section
2.2.5). Ce processus se droule au sein dune mme entreprise. Elle doit tre capable
de matriser la communication entre les managers et le systme. Elle doit avoir rod les
techniques de prvision et ses mesures de performance. Ainsi, une entreprise doit ma-
triser ces 4 composantes dans son systme de prvision avant de prtendre faire de la
prvision collaborative.
La prvision collaborative inter-entreprise est une extension de la prvision collaborative
intra-entreprise. Elle inclut, en plus, les partenaires externes face face ou par le biais
de linformatique, Burgin et al., 2000 (23).
Pour dmontrer les avantages dune prvision collaborative inter-entreprises, citons lexemple
donn par Mentzer et Moon, 2005 (85). La gure 2.5 dsigne une chane logistique dont
les acteurs ne communiquent pas leurs prvisions.
18. Supply Chain Magazine, n17, Septembre 2007
19. Lon de Sahb, La traabilit, Pratique logistique, Grs dOr 2005
93
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
Consommateur
nal
Distributeur Grossiste Industriel Fournisseur
Stock de sret
Ventes prvues :
1000
Unit de fabrication
1000 1, 1 = 1100
Unit de fabrication
1100 1, 1 = 1210
Unit de fabrication
1210 1, 1 = 1331
Unit de fabrication
1310 1, 1 = 1464
6 6 6 6
10% 10% 10% 10%
Figure 2.5 Chane logistique dont le stock de sret cumul est de 110,5%
Le distributeur se donne une marge de 10% pour le consommateur nal, mais ne la
communique pas au grossiste. Du coup le grossiste se donne une marge de 10% sur
la commande du distributeur (1100 1.1) pour faire face limprvu. Lindustriel fait de
mme sur la commande du grossiste et ainsi de suite. Au total la marge de 10%, soit
100 units de plus, qui tait destine remdier une erreur de prvision des ventes au
niveau du consommateur nal se transforme en (100 +210 +331 +464) = 1105 units de
surproduction soit une erreur de 110,5%.
Avec une relation de communications entre tous les acteurs, il est possible de baisser
cette erreur (100 + 100 + 100 + 100) 1000 = 40%. Cest--dire que chaque acteur de
la chane communique la marge calcule lchelon prcdent (dans cet exemple, 100
chez le distributeur) et nen ajoute pas inutilement.
Pour atteindre ce niveau de conance entre les partenaires, pour quils changent de
linformation et tablissent des processus communs, le CPFR, prsent par le VICS,
recommande la feuille de route suivante :
dveloppement et approbation des objectifs,
rdaction dun plan commun pour aboutir aux objectifs,
cration dune prvision commune,
identication les exceptions,
attribution des exceptions tous,
cration et remplissage de la commande.
Il est noter que ce ne sont que des outils et quaucune prvision ne sera able si les
partenaires nont pas forg des liens forts et durables entre eux. Cest laspect le plus
difcile : passer de ladversaire traditionnel partenaire ayant le mme objectif, la sa-
tisfaction du consommateur nal. Le point commun dans les entreprises qui russissent
la prvision collaborative, expliquent McCarthy et Golicic, 2002 (83), est la relation de
long terme qui existe entre elles. Mentzer et al. ,2000 (91), relate qu la question pose
aux entrepreneurs quel est le facteur de succs dune prvision collaborative? , ils r-
pondent que les partenaires doivent travailler comme une seule entit pour des objectifs
communs. La prvision nest quun aspect de cette chane logistique collaborative.
94
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
Concrtement, dans les faits, Smros, 2003 (107), souligne un manque de demande de
prvision au niveau des entreprises europennes. Cest une des raisons pour lesquelles
lamlioration promise des performances de la chane logistique, par la prvision collabo-
rative (CPFR : Collaborative Planning Forecasting and Replenishment), a t plus lente
quattendu. Dautre part, Zhao et al., 2002 (123), montrent que la valeur de linformation
partage est signicativement inuence par le modle de la demande, le modle de
prvision utilis et la capacit des fournisseurs satisfaire la demande. Les acteurs ont,
pour des raisons tangibles, ou non, de grandes craintes partager des informations telles
que le niveau de leur stock, les commandes futures, les temps dapprovisionnement, etc.
qui sont ncessaires aux prvisions collaboratives. Linuence des facteurs environne-
mentaux (contexte de concurrence, de ngociation des prix, . . .) ne prsage pas une
prvision collaborative objective. Trop souvent, les partenaires ne se connaissent pas
assez. Il faut informer, motiver, convaincre les partenaires des avantages que les deux
partis peuvent obtenir par le biais de la prvision collaborative. Il faut encourager les
partenaires communiquer les informations ncessaires pour augmenter la abilit des
prvisions. Pour aider les partenaires et leur apprendre comment amliorer leurs propres
prvisions, il est ncessaire de mettre en place un consultant en prvision.
95
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
Chapitre 3
Analyse de lexistant avant le projet de
recherche Horizons
Imaginez la gestion dun rseau de messagerie, sans quivalence en France, com-
pos de plus 70 plateformes et 1.900 vhicules, pour satisfaire chaque jour 15.000 clients
en moins de 24 heures. Le rseau TFE compte 100.000 destinataires rguliers par mois.
Tous les jours, des milliers darticles changent de main ; entre une plateforme et ses
clients, des centaines de camions arrivent et repartent avec un chargement diffrent. Les
plates-formes sont toutes sous temprature dirige.
Pour matriser les ux physiques et informatiques qui dcoulent de la gestion dun tel
rseau, lentreprise a besoin dun systme dinformation (SI). TFE utilise un entrept
de donnes dans lequel sont collectes toutes les informations provenant des solutions
informatiques mtiers (Transport, Logistique, . . .). Les informations ainsi rcoltes per-
mettent lentreprise dassurer la gestion de ses activits. Fabbe-Costes, 1999 (49),
explique que le SI intervient tous les stades du processus dcisionnel : la prvision
et la planication dactivit, le dclenchement de la circulation, le suivi et le pilotage des
mouvements, le contrle et lvaluation des oprations et de lorganisation. Jusqu pr-
sent, le systme dinformation ne pouvait donner quune vision a postriori des donnes,
constatant un tat de fait . Pour aller plus loin, le systme de prvision implanter, va
fournir les moyens danticiper lactivit future. Justement, pour ne plus subir, mais antici-
per son activit, TFE souhaite approfondir son savoir-faire en matire de prvision et de
planication. Le transporteur cherche par ce moyen :
comprendre la demande et lanticiper pour amliorer sa prestation au client ;
optimiser les ux de marchandises, comprendre comment chaque ux de marchan-
dises (expdition, livraison, ramasse) contribue aux rsultats an didentier et de
corriger aisment les problmes lis aux litiges ;
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
optimiser la gestion des vnements ponctuels (jours fris, promotion, . . .) et pr-
voir avec prcision limpact an dy faire face avec srnit ;
grer des exceptions ou mettre en place des alertes proactives permettant de trans-
former rapidement un problme potentiel en opportunit ;
anticiper de manire prcise les uctuations de lactivit et ainsi augmenter sa s-
rnit face ces uctuations ;
Bncier dun retour sur investissement rapide. Les diteurs de logiciels pro-
mettent que les projets de prvision de la demande se concrtisent par un retour
sur investissement de plusieurs dizaines de milliers deuros et sont rentabiliss en
moins de 12 mois aprs leur mise en uvre.
La prvision de lactivit dans les sites de transport TFE ne date pas daujourdhui. Avant
le projet de recherche Horizons , la responsabilit de la prvision dactivit tait don-
ne aux agences. Ainsi, certains sites de transport utilisent dj des tableurs pour faire de
la prvision sur leurs propres donnes (voir section 3.2) et non sur des donnes centra-
lises (voir section 3.1). Le souci est que cette organisation sassimile une approche
indpendante (voir section 2.3.2), avec les inconvnients quelle renferme. Lobjectif de
ce chapitre est danalyser lexistant chez TFE dans loptique de ne pas rpter les mmes
erreurs et surtout dutiliser ce qui fonctionne.
3.1 La structure de linformation chez TFE et son interro-
gation
La section 3.1.1 rvle linteraction entre les bases de donnes mtiers et lentre-
pt de donnes. Elle dcrit la source des donnes et la faon dont elles sont rcoltes.
La section 3.1.2 dcrit les procdures dextraction et leurs rgles de calcul pour alimen-
ter lhistorique et extrapoler les donnes prvisionnelles. La section 3.1.4 dcrit la partie
de lentrept de donnes utiles pour lextraction des donnes et leur transformation pour
aboutir aux sries chronologiques dcrivant lactivit des sites de transport.
3.1.1 Interaction entre le systme dinformation et le systme de prvi-
sion
Lentrept de donnes rassemble les donnes provenant de diverses applications
mtiers. Il fournit une vision transversale travers plusieurs mtiers de lentreprise. La
97
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
gure 3.1 indique les sources dalimentation de lentrept de donnes. Ce sont des bases
de donnes Oracle ddies aux activits transversales de lentreprise (Transport, Lo-
gistique, Contrle de gestion et Ressources Humaines, Direction Technique Vhicules,
Direction des Achats). Les bases de donnes sont issues des applications TMS (Trans-
port Management System), WMS (Warehouse Management System), SAP (Systems,
Applications, and Products for data processing), GTA (Gestion des Temps et Activit).
Lentrept de donnes enregistre lhistorique des transactions menes par ces bases de
donnes. Les chanes de chargement sont quotidiennes, hebdomadaires, mensuelles et
trimestrielles. Seiersen, 1998 (104), signale que lentrept de donnes peut tre inter-
rog par une palette doutils daide la dcision, comprenant des outils de prvision,
de simulation, ainsi que des outils data mining, de reporting ou encore des algorithmes
de recherche oprationnelle . Ces outils sont prsents sur la couche infrieure de la
gure 3.1.
Figure 3.1 Architecture du Systme dInformation chez STEF-TFE
La plate-forme dcisionnelle dveloppe par Agrostar se nomme Infomanager. Cette
plate-forme est dveloppe sous Cognos V7 et C8. Lobjectif dInfomanager est de
fournir au groupe STEF-TFE un systme dinformation dcisionnel permettant :
laccs direct aux indicateurs cls de performance par domaine fonctionnel,
une navigation naturelle vers les rapports,
98
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
Figure 3.2 Architecture du Rseau Informatique chez STEF-TFE
lutilisation doutils de requtage, danalyse ou danticipation collaboratifs,
la mise en place dalertes et la dtection derreurs dans les donnes du rfrentiel.
Infomanager est un outil disposition de lensemble des services et mtiers du groupe.
Citons le CGO (Contrle de Gestion Oprationnel), la DHR (Direction Ressources Hu-
maine), la DEX (Direction dExploitation), la DTV (Direction Technique Vhicules), la DC
(Direction Commerciale), ADV (Administrateur Des Ventes), les Directeurs de site, les
Directeurs Rgion, les services Oprationnels (Quai, Exploitation, SAV).
Parmi cet ensemble doutils de prsentation de linformation, daide la dcision, dana-
lyse des donnes en aval de lentrept de donnes (ou Infocentre, voir gure 3.1), notons
que Fabbe-Costes, 1999 (49), retient la prvision comme module essentiel. Le sys-
tme de prvision installer chez le transporteur a pour vocation danticiper lactivit des
agences de transport. Historiquement, lactivit est mesure par le poids des marchan-
dises transportes et par le nombre de lettres de voiture signes (voir section 1.2.1).
Branche, 2006 (20), signale que ce sont deux indicateurs essentiels. Ils conditionnent
une partie des moyens matriels mobiliss . La prestation de transport est encore sou-
vent facture au poids, sinon la palette. Une semi-remorque pleine contient 33 palettes
Europe pour un poids de 25 tonnes.
Linformation requise pour construire lhistorique des sries chronologiques prvoir pro-
vient de la base de donnes du TMS (Transport Management System). Le TMS est
lensemble des solutions informatiques ddi la gestion du transport des marchan-
dises. Avant 2006, le rseau informatique du transporteur tait constitu dune multitude
99
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
de serveurs rgionaux relis un serveur central appel HP 3000 . Les postes in-
formatiques rgionaux se connectaient au serveur rgional. Lavantage tant que quand
le serveur central tombait en panne, les serveurs rgionaux et par consquent les ux
dinformations continuaient fonctionner. Linconvnient majeur tait la rplication des
donnes ncessaires pour partager linformation. Pour remdier sa vtust et dans un
souci de modernisation, le transporteur change en 2007/2008 de rseau informatique.
Il passe GTI (Gestion du Transport Intgr). Cest une base de donnes unique (voir
gure 3.2) qui permet un partage de linformation en temps rel. Lorsque quun camion
prend son dpart Limoges, par exemple, lensemble du rseau du transporteur est au
courant.
Le rseau du transporteur tant par nature multi-acteurs et multi-sites, le SIC (Sys-
tme dInformation et de Communication) a pour principale mission dassurer la coh-
rence de ces ensembles complexes doprations que le transporteur cherche synchro-
niser explique Fabbe-Costes, 1999 (49). Le SIC au niveau transport est le TMS. Il
a pour mission de raliser le couplage des ux dinformation (technique, administratif,
stratgique), avec des ux physiques (lot, emballage, marchandise) avec des actions
(manutention, transport) et les acteurs (chauffeurs, manutentionnaire) qui les ralisent
(49). Il contient des modules de planication et dorganisation du transport. Ces modules
permettent de planier les voyages, dallouer les ressources (vhicules, chauffeurs) aux
voyages, dorganiser et grer les transports (ramasses, livraisons, expditions) et la ges-
tion du groupage de marchandises. Lensemble des informations saisies dans ces mo-
dules est enregistr dans la base de donnes GTI et historis dans lInfocentre. Ainsi, le
transporteur rpond la volont davoir une traabilit totale des processus logistiques
(voir section 1.1.1.1). Il est en mesure de proposer ses clients, un suivi informatique des
expditions (SIE) et damener des preuves de bonne ralisation de la prestation (49).
Pour apprhender lorganisation des tables dans cette base, il faut avant tout comprendre
la segmentation des ux de marchandises indique Seiersen, 1998 (104).
3.1.2 Segmentation des ux de marchandises
Pour quun transport existe, il faut quun donneur dordres fasse appel un transpor-
teur en lui envoyant une lettre de voiture (ou bon de commande). Le donneur dordres
est aussi, dans la plupart des cas, le tiers factur. La lettre de voiture comporte, au mini-
mum, un client expditeur chez lequel le transporteur vient ramasser la marchandise et
un client destinataire, chez lequel le transporteur vient livrer la marchandise. Nous dis-
tinguons dores et dj les ux amont, des usines aux entrepts, et les ux aval des
entrepts aux destinataires naux souligne Artous, 2006 (10). Seront aussi indiqus
100
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
sur la lettre de voiture, un certain nombre dindicateurs caractrisant la marchandise
transporter (nom, poids, nombre de colis, nombre de palettes . . .). Lensemble de ces
informations permet de crer une position . Cest la traduction informatique de la lettre
de voiture. Chaque position est enregistre dans la table POS (voir gure 3.5). Cette
table comporte plus de 55 millions denregistrements. Un enregistrement quivaut une
position. Deux millions de nouvelles positions sont crs tous les mois.
A partir du lieu de chargement de la marchandise chez le client expditeur, et du lieu de
dchargement chez le client destinataire, les solutions TMS avec laide des exploitants,
dnissent des voyages que vont emprunter les marchandises. Le but tant, bien en-
tendu, doptimiser le cot du transport. Les voyages sont enregistrs dans la table VOY
(voir gure 3.5). La table VOYAGE comprend 5 millions denregistrements. Un voyage est
dcompos en bordereaux. Les bordereaux regroupent des segments.
Ainsi, une position va effectuer un ensemble de voyages. Pour la suivre gographique-
ment et en temps rel tout le long de son transport, la position est dcoupe en segments.
Lintitul des segments dpend de certaines caractristiques du lieu de chargement de
la marchandise et de son lieu de dchargement (voir gure 3.4). Le dcoupage des po-
sitions par segments est disponible dans la table SEG (voir gure 3.5). Elle compte 68
millions denregistrements. Un segment a une date de chargement et une date de d-
chargement qui sont issues du PTO (Plan de Transport Oprationnel). Le PTO est une
moulinette segments. Grce lui, chaque segment de position trouve automatique-
ment sa place dans le bon voyage plani explique Branche, 2006 (20).
Sur le terrain (gure 3.3), le lieu et la date de chargement et de dchargement du seg-
ment sont saisis manuellement ou laide dun scanner optique permettant de lire des
codes barres. De cette faon, le systme dinformation compare le plani avec le ra-
lis. La gure 3.4 afche une prsentation gnrale des segments dentres et de sorties
existants. Deux cas sont possibles, soit la marchandise, en provenance de lexpditeur,
est amene quai dune agence TFE pour tre conditionne et repartir vers une nouvelle
destination, soit lexpditeur affrte un camion complet pour transporter la marchandise
de son lieu de chargement vers le destinataire nal. Cest du transport de lot.
Un segment est identi par un vnement. Certains se retrouvent en entre et en sortie
du quai de lagence. Cest le cas dvnements EX.
EX : Lvnement associ au segment est dit dexpdition. Lorsque la marchandise
est transporte entre deux agences du rseau TFE, il peut tre en sortie comme
en entre de quai (agence).
Parmi les vnements dentre, nous comptons
ED : lorsque quune agence B est mandate par une agence A pour ramasser la
marchandise chez un expditeur appartenant la zone de chalandise de lagence
A, lvnement associ au segment entre lexpditeur et lagence B est appel
enlvement dgroupeur .
101
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
EN : lorsque la marchandise est ramasse chez lexpditeur, par les vhicules de
lagence TFE, lvnement associ au segment est dit enlvement .
AQ : lorsque cest lexpditeur qui se charge de transporter la marchandise au quai
de lagence TFE, lvnement associ au segment est dit amen quai .
RP : lorsque le destinataire de la marchandise na pas t trouv ou lorsquil a
refus la marchandise, celle-ci est renvoye lexpditeur. Lvnement associ
ce segment est appel reprise .
RE : Pour faciliter le transport des marchandises, elles sont poses sur des pa-
lettes, dans des rolls ou des bacs. Ces emballages appartiennent lexpditeur
et doivent lui tre renvoys aprs livraison de la marchandise chez le destinataire.
Lvnement associ au segment de retour est remise emballage .
Parmi les vnements de sortie, se trouvent les :
LI : lorsquune agence TFE soccupe de transporter la marchandise entre une
agence de transport et son destinataire nal, lvnement associ au segment est
appel Livraison .
PQ : lorsque le destinataire nal vient prendre la marchandise au quai de lagence
TFE, lvnement associ au segment est appel Prise quai .
Lorsque la marchandise est transporte entre lexpditeur et le destinataire nal sans
quelle ne subisse de dchargement / chargement intermdiaire, lvnement associ au
segment est dit Livraison Directe (LD).
Figure 3.3 Traduction des ux physiques en ux informatiques
102
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
Figure 3.4 Le dcoupage de lactivit transport en segments
Les segments de positions voyageant ensemble et qui rpondent au mme critre duni-
cit (mme catgorie de froid, mme lieu de chargement, mme date) sont regroups
dans un bordereau. Pour simplier, un camion transporte des bordereaux. Les borde-
reaux sont saisis dans la table BORDEREAU (voir gure 3.5). Elle compte 12 millions
denregistrements.
A partir des diffrents vnements, une typologie des ux de sortie est dnie (voir an-
nexes - Indicateurs journaliers). Le logisticien des ux distingue lactivit dexpdition et
lactivit de distribution. Lexpdition est lensemble des marchandises qui ont pour des-
tination un lieu de dchargement hors de la zone de chalandise du lieu de chargement.
La direction dexploitation du transporteur, cherche typer ses transports de marchan-
dises sur une maille de suivi assez ne, pour prendre en compte les spcicits des 70
agences du rseau et pour que le pilotage des ux de marchandises rete au mieux
la ralit du terrain. Ainsi, les expditions regroupent 16 catgories indivisibles. Elles
peuvent tre agrges pour former de nouveaux indicateurs. Cest le cas des indicateurs
prvoir.
Pour une agence donne, le poids des marchandises passes quai et qui partent en
103
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
expdition est donn par la formule suivante,
Tonnage expdi avec passage quai = TDE + TEX + TEXTT + TLMHgr
+TLHgr + TLHct + TLMHct (3.1)
Avec les catgories de poids indivisibles suivantes :
Tonnage Expdi par Dgroupeur (TDE) =
Somme des poids des positions expdies pour livraison par un dgroupeur local
Hors zone.
Tonnage Expdi Traction (TEX) =
Somme des poids des positions du primtre venant des EX.
Tonnage Expdi Transit (TEXTT) =
Somme des poids des positions TT du primtre venant des EX.
Tonnage Livraisons bordereaux Manuels Hors zone Groupage (TLMHgr) =
Somme des poids des positions bordereaux manuels et dont le destinataire ne fait
pas partie de la zone de livraison de lagence (e-plan) et dont le voyage a un centre
de cot 89xx.
Tonnage Livraisons Hors zone Groupage (TLHgr) =
Somme des poids des positions sur une tourne LD appartenant un voyage dont
le centre de prot commence par 89.
Tonnage Livraisons Hors zone CT (TLHct) =
Somme des poids des positions sur une tourne LD appartenant un voyage dont
le centre de prot commence par 88.
Tonnage Livraisons bordereaux Manuels Hors zone CT (TLMHct) =
Somme des poids des positions bordereaux manuels dont le destinataire ne fait
pas partie de la zone de livraison de lagence (e-plan) et dont le voyage a un centre
de cot 88xx.
De la mme faon que pour lexpdition, les ux de marchandises en distributions sont
regroups pour former une typologie. Lindicateur prvoir est le poids des marchandises
passes quai et qui partent en distribution. Cet indicateur est obtenu par la formule
suivante :
Tonnage distribu avec passage quai = TDL + TLL + TPQ + TLMLocal (3.2)
Avec les catgories de poids indivisibles suivantes :
Tonnage Livraisons par dgroupeur (TDL) =
Somme des poids des positions expdies pour livraisons par un dgroupeur local.
Tonnage Livraisons Locales (TLL) =
Somme des poids des positions bordereaux LI sur une tourne LI.
104
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
Tonnage Pris Quai (TPQ) =
Somme des poids des positions avec un segment de sortie PQ.
Tonnage Livraisons bordereaux Manuels Locales (TLM Local) =
Somme des poids des positions bordereaux manuels et dont le destinataire fait
partie de la zone de livraison de lagence (e-plan).
La squence classique des cots dans un rseau est : enlvement, passage quai,
traction, tri et passage quai, traction, passage quai et livraison (voir gure 3.4). Lenl-
vement, et la livraison, ainsi que les cots de passage quai, constituent lessentiel des
cots explique Branche, 2006 (20).
Le quai fonctionne jour et nuit. Sa mission est de rceptionner, contrler, zoner, stocker,
prparer les commandes et charger la marchandise dans les dlais prvus en respec-
tant lintgrit de la marchandise et les rgles dhygine et de scurit. Lquipe de jour
est charge de lexpdition alors que celle de nuit prend en charge les colis pour la dis-
tribution. Anticiper le poids des marchandises, le nombre de positions passes quai,
en expdition et en distribution, permet de fournir une donne essentielle pour planier,
contrler les cots matriels et humains engendrs par ces marchandises. Mais la typo-
logie des ux de marchandises nexiste pas en tant que telle dans la base de donnes
GTI. Elle est le rsultat dun processus de croisement de donnes issues de la base de
donnes GTI. Ce rsultat est stock dans lInfocentre (voir section 4.2).
3.1.3 Source des heures productives sur le quai
Les heures productives quai sont les heures travailles par le personnel employ sur
le quai. Le personnel badge une premire fois en arrivant, et une seconde fois en quittant
le travail. Ainsi, les heures sont comptabilises et une productivit quai peut tre dduite.
Lindice de productivit quai est le ratio Tonnes / Heures.
Par le biais dun progiciel de gestion de ressources humaines, appel eTemptation, la
badgeuse envoie les temps dans la base de donnes GTA (Gestion de Temps et Acti-
vit). eTemptation est loutil RH du groupe STEF-TFE. Il permet de grer les calendriers,
de construire des plannings, dadministrer les employs et leurs contrats, daffecter des
badges et de recueillir les temps badgs, etc. Les heures badges sur le quai sont affec-
tes des centres de cots. Ces derniers permettent didentier les heures travailles
pour lactivit expdition et celles travailles pour lactivit distribution. Une grande partie
de lexpdition est ralise par lquipe de jour entre 13h et 21h. Alors que la distribu-
tion est ralise par lquipe de nuit entre 22h et 6h. Cette corrlation entre expdition
/ distribution et activit quai jour / nuit permet de rapprocher lindice de productivit en
expdition la productivit du quai jour et lindice de productivit en distribution la pro-
ductivit du quai nuit. Par contre, les indices de productivit ne sont pas comparables.
105
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
Lactivit du quai jour est avant tout destine massier les ux. Le quai reoit les colis
enlevs lors des tournes de ramasses et procde des oprations de groupage avant
expdition vers les sites de messagerie du rseau. Lactivit du quai jour consiste ven-
tiler les colis reus la nuit, en provenance du rseau et destination de la livraison des
GMS jusquaux boucheries de proximit, en passant par la restauration rapide ou la
restauration collective explique Serge Capitaine, Dg adjoint de TFE. Lactivit du quai
jour nest donc pas la mme que lactivit du quai nuit.
Lindice de productivit, mais aussi le poids et le nombre de positions passes quai,
ne sont pas des indicateurs pour comparer les agences de transport entre elles. Ils ne
visent pas ncessairement tablir un palmars, la typologie de chacun des sites pou-
vant donner des rsultats trs diffrents pour un mme indicateur. Un bon chiffre pour
un site ne lest pas obligatoirement pour le site voisin et inversement. Lanalyse la plus
pertinente consiste donc comparer une performance individuelle dans le temps. Ces
indicateurs doivent permettre davoir une vision de lexploitation et de faire des com-
paraisons site site. Cela doit encourager changer sur les meilleures pratiques
appliquer
1
.
3.1.4 Structure et agencement des donnes sources
Nous venons dindiquer que la source des donnes prvoir est extraite de la base
de donnes mtier appele GTI. Une partie du schma logique en modle relationnel
(ou schma conceptuel) est trace dans la gure 3.5. Il indique les tables utilises pour
typer les ux, et les relations entre ces tables.
Un plan de ramasses et de livraison (table LIVPLAN) est propos aux clients par lagence
de transport (table DOM_ACT). Le client envoie une lettre de voiture lagence. Le r-
cpiss est archiv (table FICH). La lettre de voiture est traduite informatiquement (table
POS). Elle indique un tiers expditeur et un tiers destinataire (table TIERS). Le PTO di-
vise la position en segments (table SEG). Les segments ayant le mme lieu et mme
date de chargement et de dchargement sont rangs dans un bordereau (table BORDE-
REAU). Le bordereau ralise un voyage (table VOY). Le voyage rassemble des tournes
planies par le PTO (table TOUR_PLAN). Le voyage est compos de points darrts
(table ARRET). Les tournes et les arrts desservent des tiers (table TIERS) et des d-
grouppeurs (table DEGR_PTO). Ces derniers font part dvnements (table EVT_SIE)
sil y a lieu. Un vnement peut tre un litige sur la marchandise, par exemple, dans ce
cas la marchandise nest pas accepte par le destinataire et un processus de ngociation
est entam entre les sites du transporteur et lexpditeur pour dterminer les responsabi-
1. Marc Vettard, Directeur dExploitation TFE, 2009
106
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
lits. Si lexpditeur est responsable, la marchandise se voit attribuer un nouveau numro
de position et repart vers ce dernier par le circuit de transport.
Figure 3.5 Une partie du modle relationnel de la base GTI
Un croisement des informations obtenues par les tables du schma logique (gure 3.5)
permet dextraire un historique des indicateurs dcrits dans la section 3.1.2. Le rsultat
quotidien des 16 indicateurs en expdition et des 12 indicateurs en distribution alimente
la table INDIC_AGE_Q dans lInfocentre.
3.2 Les modles de prvision utiliss chez TFE
Lide de se doter dun systme de prvision, chez TFE, nest pas nouvelle. Des
agences TFE ont rchi sur laction des facteurs temporels et conomiques. Elles ont
missionn leurs experts terrains pour quils se penchent sur le sujet et quils dveloppent
des outils de prvision spciques lagence. Ainsi, elles ont construit, chacune de leur
ct, un modle les caractrisant. Dans ce sens, elles ont suivi une approche indpen-
dante et non concentre ou mme consensuelle (voir section 2.3.2).
Avant le projet de recherche Horizons , une vingtaine dagences, sur les 70 du rseau
107
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
TFE, utilisaient lun ou lautre des trois outils prsents dans cette section. Leurs points
communs :
Ils sont crits pour prvoir lactivit des agences TFE, cest--dire les sries temporelles
suivantes :
poids total en kg des marchandises passes quai, sur une journe dactivit,
poids expdi en kg des marchandises passes quai, sur une journe dactivit,
poids distribu en kg des marchandises passes quai, sur une journe dactivit,
nombre de positions totales des marchandises passes quai, sur une journe
dactivit,
nombre de positions expdies des marchandises passes quai, sur une journe
dactivit,
nombre de positions distribues des marchandises passes quai, sur une journe
dactivit.
Lintervalle de temps entre deux observations dune chronique est le jour. Pour une ma-
jorit des agences de transport tudies, lhistorique des chroniques dbute le 1
er
janvier
2002. Les valeurs des sries chronologiques prvoir varient entre 0 kg et 3.200.000 kg.
Les algorithmes des modles statistiques dvelopps par les agences de transport ont
la particularit
dtre implants avec un tableur ;
de prvoir des valeurs mensuelles ou hebdomadaires quils distribuent sur les 6
jours ouvrs de la semaine ;
dtre spciques un ensemble dagences restreint, cause de paramtres xs
et non calculs ;
dobtenir une erreur en moyenne absolue variant autour de 5% et 10%.
Leur diffrence rside dans le choix du modle statistique :
deux dentre eux sappuient sur des modles extrapolatifs : lissage par moyenne
mobile et lissage exponentiel ;
le troisime sappuie sur un modle conomtrique, et donc sur des variables ex-
plicatives.
3.2.1 Notions autour des sries chronologiques
Avant dtudier les modles de prvision utiliss chez TFE, attardons-nous dnir
certaines notions lies lanalyse de sries chronologiques.
Une srie chronologique, aussi appele chronique ou srie temporelle, se dnit comme
108
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
une suite dobservations dune grandeur homogne, espaces dans le temps. Cest un
ensemble de couples dont la premire composante est le temps et la deuxime, la va-
leur qui y est associe. La srie temporelle est ordonne de faon chronologique. Le
pas entre deux valeurs successives nest pas ncessairement constant. Nous appelons
srie chronologique rgulire une srie dont les dates dobservation sont priodicit
constante. Pour tre prvisible, une chronique doit se composer dune superposition de
mouvements oscillatoires (priodiques) auxquels sajoutent une tendance et une erreur.
Lobjectif des mthodes de prvision est de dterminer la valeur quune chronique peut
prendre un horizon donn. Lhorizon de prvision (not h) varie de limmdiat au long
terme. Il ne peut pas tre infrieur lintervalle de temps scoulant entre deux observa-
tions successives. En revanche, il peut lui tre suprieur et nous parlerons dhorizon
long terme. La notion dhorizon est troitement lie lutilit que nous voulons donner
une prvision. Dans le milieu conomique, un horizon stratgique concerne le long terme
(>12 mois), le niveau tactique concerne le moyen terme (entre 2 semaines 6 mois) et le
niveau oprationnel concerne le court terme et les vnements journaliers (voir section
1.2.4).
Les modles de prvision dune srie chronologique posent lhypothse forte que le
pass est garant de lavenir. Cela veut dire que le phnomne tudi continuera se
comporter comme il la fait dans le pass, explique Claude Olivier, 2002
2
. Comme dans
toute tude statistique, il faut donc passer par une phase exploratoire permettant de
comprendre et dapprcier les phnomnes temporels inuant sur la grandeur tudie.
Elle permettra de rpondre la rgle dor de toute prvision. G. Ansion, 1990 (6), nous
apprend que cette rgle repose sur la pondration des donnes du pass. Cest une per-
ception qualitative que nous avons sur la srie tudier. Suite lanalyse descriptive, il
faut pouvoir dcider de limportance que nous accordons aux donnes suivant leur ge
dobservation. Les phnomnes observs rcemment sont-ils plus signicatifs que ceux
constats dans un pass plus lointain ou vice versa ?
La saisonnalit est une variation de lactivit de lentreprise certaines priodes de
lanne (106). Cette variation se rpte tous les ans, la mme priode (voir section
2.2.3). La saisonnalit est souvent lie au type dactivit. Celle de TFE est conditionne,
entre autres, par les ftes de n danne. Tous les ans lactivit augmente considrable-
ment en dcembre pour rechuter en janvier.
La priode est la dure dune observation saisonnire. Il y a, par exemple, 52 varia-
tions saisonnires correspondant chacune une priode dune semaine.
2. Claude Olivier, Universit du Qubec, 2002
109
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
Lhistorique ou ensemble dinformations sont les lments dont le prvisionniste dis-
pose an de raliser une prvision. Suivant la granularit de lhorizon de prvision (heure,
jour, mois, anne) et de la mthode de prvision utilise, lhistorique devra tre plus ou
moins long. Les mthodes endognes (dcomposition, lissage, Box & Jenkins) se nour-
rissent uniquement du pass de la variable prvoir. Alors que les mthodes exognes
utilisent galement les valeurs passes dautres variables.
3.2.2 Modle conomtrique de TFE
Le modle conomtrique a t dvelopp pour les agences de la rgion Bretagne
et Pays de la Loire. Le principe du modle est dexpliquer les variations des chroniques
prvoir par des variables conomiques troitement lies. Un exemple marquant est
la relation qui existe entre le poids mensuel des marchandises transportes par TFE et
lemploi salari du transport. Si lactivit du transport se porte bien, elle va augmenter sa
masse salariale, et vice versa.
Les variables conomiques qui dirigent lactivit de distribution sont diffrentes de celles
qui dirigent lactivit dexpdition. Le tonnage distribu rete lactivit des grandes et
moyennes surfaces, lchelle du dpartement et du niveau des importations en produit
frais et surgels. Alors que le tonnage expdi est relatif la sant des exportations na-
tionales de la production locale.
Nous lavons soulign, le niveau dinformation est important pour les modles cono-
mtriques. Ils ncessitent des informations prcises et reprsentatives du phnomne
observ. Certains indicateurs de conjoncture conomique se trouvent sur des sites pu-
blics (INSEE ou de la Banque de France).
Le prvisionniste a, ainsi, fait linventaire dun ensemble dindicateurs conomiques g-
nraux externes pour expliquer le poids mensuel des marchandises transportes par une
agence. A cet ensemble, il ajoute, dune part, des facteurs exognes internes lactivit
TFE. Ce sont des variables explicatives telles que la perte ou le gain dun portefeuille
client. Elles expliquent les ruptures de tendance. Dautre part, le prvisionniste complte
le modle par 12 variables binaires, en rfrence aux mois de lanne. Elles ont pour rle
dextraire la saisonnalit mensuelle de la chronique.
La prvision de la valeur mensuelle scrit par lquation de rgression linaire suivante :
Y
t
=

i=1:m
a
i
X
eco
i,t1
+

i=1:p
b
i
X
int
i,t1
+

i=1:12
c
i
X
mois
i,t
+ d +
t
(3.3)
Soit,
T est le nombre de valeurs mensuelles historises,
t = 1 : T est le temps en mois,
110
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
Y
t
est la valeur de la chronique la date t,
a est le vecteur (1 m) des coefcients des variables conomiques externes,
b est le vecteur (1 p) des coefcients des variables conomiques internes,
c est le vecteur (1 12) des coefcients saisonniers mensuels,
X
eco
est une matrice (m T) des m variables conomiques externes,
X
eco
i,t1
est la valeur de la variable conomique i la date t 1,
X
int
est une matrice (p T) des p variables conomiques internes,
X
int
i,t1
est la valeur de la variable conomique interne i la date t 1,
X
mois
est une matrice (12 T) des variables binaires relatives aux 12 mois de lan-
ne,
X
mois
i,t
est la valeur de la i
me
variable la date t, de la matrice X
mois
,
d est une constante,

t
est un rsidu.
La premire somme de lquation 3.3 reprsente leffet des facteurs conomiques ex-
ternes lentreprise. La deuxime somme reprsente leffet des facteurs conomiques
internes lentreprise. La troisime somme reprsente la saisonnalit mensuelle. Ainsi,
la valeur de la chronique, la date t, est une fonction des indicateurs conomiques ex-
ternes la date t 1, des indicateurs conomiques internes la date t 1 et du coefcient
saisonnier mensuel la date t. Le dcalage temporel entre la valeur de la chronique la
date t et les valeurs des facteurs conomiques la date t 1 existent, car ces derniers
ne sont pas encore connus la date t. Par contre, le coefcient saisonnier la date t est
connu. Le prvisionniste estime que les valeurs des facteurs explicatifs en t 1 sont une
bonne approximation des valeurs la date t. Le dcalage ainsi cr permet de prvoir
la date t, la valeur inconnue de la chronique la date t + 1, alors que les valeurs des
facteurs economiques la date t + 1 sont inconnues.
Les paramtres du modle 3.3 sont estims par la mthode des moindres carrs. Ils
sont valids par le ratio de Student. Le ratio de Student est le rapport de lestimation
du coefcient de rgression ( a
i
) et de son cart type (
a
i
). Sous lhypothse de rsidus
gaussiens, ce ratio suit une loi de Student, ce qui permet de tester si le coefcient est
signicativement diffrent de 0 (voir cours dconomtrie de G. Chevillon (30)).
Lquation 3.3 rend une valeur mensuelle de la chronique prvoir. Ltape suivante
consiste ventiler cette prvision pour aboutir une valeur journalire. Pour ce faire, le
prvisionniste rpartit la valeur mensuelle de la chronique sur quatre semaines. Il calcule
donc pour chaque mois de lanne, quatre poids hebdomadaires. Dans un deuxime
temps, il rpartit la valeur hebdomadaire ainsi obtenue sur six jours de la semaine (du
111
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
lundi au samedi). Les poids sont dnis comme une moyenne des vnements passs.

i,m
est le poids moyen annuel de la semaine i dans le mois m.

i,m
=
1
N

t=1:N
y
i,m,t
y
m,t
(3.4)
i = 1,. . .,4 est le numro de semaine du mois,
m = 1,. . .,12 est le numro du mois de lanne,
N est le nombre dannes de lhistorique,
y
i,m,t
est la valeur de la chronique pour la semaine i, du mois m, de lanne t,
y
m,t
est la valeur de la chronique pour le mois m, de lanne t.
Lanalyse des poids des jours montre quils varient au cours des diffrents mois de lan-
ne. Pour cette raison, le prvisionniste calcule des poids jour pour chacun des 12 mois
de lanne.

j,m
est le poids moyen annuel du jour j dans le mois m.

j,m
=
1
N

t=1:N
y
j,m,t
y
m,t
(3.5)
j = {lundi, mardi, mercredi, jeudi, vendredi, samedi } est le jour de la semaine,
m = 1,. . .,12 est le numro du mois de lanne,
N est le nombre dannes de lhistorique,
y
j,m,t
est la valeur de la chronique pour le du jour j du mois m de lanne t,
y
m,t
est la valeur de la chronique pour le mois m de lanne t.
Ainsi, la valeur prvue pour le jour j de la semaine i du mois m scrit :
y
j,i,m
= y
m

i,m

j,m
(3.6)
avec,
y
m
est la prvision de la valeur de la chronique pour le mois m (voir formule 3.3),

i,m
est le poids de la semaine i dans le mois m (voir formule 3.4),

j,m
est le poids du jour j dans le mois m (voir formule 3.5).
Le schma de la gure 3.6 illustre la dcomposition de la chronique tel que nous venons
de la formuler.
Les jours fris ont aussi une forte inuence sur lactivit dune agence TFE (voir section
4.3 et 4.4.6.1). Le prvisionniste a dnombr 10 jours fris (lundi de Pques, jeudi de
lAscension, Pentecte, 14 juillet, 15 aot, 1
er
novembre, 11 novembre, 1
er
mai, 8 mai,
112
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
Figure 3.6 Reprsentation de la tendance, la saisonnalit et leet dune variable explicative
nol). Sachant que leffet dun 25 dcembre nest pas comparable celui dun jeudi de
lAscension, il les traite indpendamment. Il considre, par ailleurs, quils nont un effet
que sur la semaine laquelle ils appartiennent. Comme pour les jours normaux , il
calcule des poids hebdomadaires et journaliers pour les fris.

i, f
est le poids moyen annuel de la semaine i comportant le fri f dans le mois m.

i, f
=
1
N

t=1:N
y
i, f ,t
y
m, f ,t
(3.7)
i = 1,. . .,4 est le numro de semaine du mois jour fri,
f = 1,. . .,10 est le numro du jour fri,
m = 1,. . .,12 est le numro du mois jour fri,
N est le nombre dannes de lhistorique,
y
i, f ,t
est la valeur de la chronique pour la semaine i, comportant le fri f , de lanne
t,
y
m, f ,t
est la valeur de la chronique pour le mois m, comportant le fri f , de lanne
t.
Le prvisionniste pose lhypothse que la perte dactivit du jour fri est rattrape par
les autres jours de la semaine. Il en rsulte une nouvelle rpartition de la valeur hebdo-
madaire sur les 5 jours restants de la semaine. Selon le jour chm de la semaine, cette
113
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
rpartition ne sera pas la mme.

j,i, f
est le poids moyen annuel du jour j dans la semaine i comportant le fri f dans le
mois m.

j,i, f
=
1
N

t=1:N
y
j,i,m, f ,t
y
m, f ,i,t
(3.8)
j = {lundi, mardi, mercredi, jeudi, vendredi, samedi } est le jour de la semaine,
i = 1,. . .,4 est le numro de semaine comportant le jour fri dans le mois m,
f = 1,. . .,10 est le numro du jour fri,
m = 1,. . .,12 est numro du mois jour fri,
N est le nombre dannes de lhistorique,
y
j,i,m, f ,t
est la valeur de la chronique pour le jour j, de la semaine i, du mois m,
comportant le fri f , de lanne t,
y
i,m, f ,t
est la valeur de la chronique pour la semaine i, du mois m, comportant le fri
f , de lanne t.
Le modle conomtrique scrit :
Si la valeur journalire prvoir, y
j,i,m
, nest pas un jour fri et nest pas incluse dans
une semaine jour fri alors :
y
j,i,m
= y
m

i,m

j,i,m
(3.9)
Si la valeur journalire prvoir, y
j,i,m
, est incluse dans une semaine jour fri alors :
y
j,i,m
= y
m

i, f

j,i, f
(3.10)
Si la valeur prvoir, y
j,i,m
, est celle dun jour fri alors :
y
j,i,m
= 0 (3.11)
Pour rsumer, le concepteur de ce modle combine variables externes et internes len-
treprise. Les premires sont des indicateurs conomiques gnraux pour caractriser la
tendance de la srie chronologique prvoir, les secondes sont destines matriser des
uctuations inhrentes lactivit dune agence TFE. Lquation de cette tendance per-
met destimer une valeur mensuelle un horizon h. Cette valeur est ventile sur quatre
semaines par pondration par rapport la moyenne des poids des semaines du mme
mois des annes prcdentes. De la mme manire, il ventile les quatre valeurs qui en
dcoulent en 24 (4 6) valeurs journalires. Pour prendre en compte leffet des jours
fris, il spare les semaines impactes de celles qui ne le sont pas, et les tudie spa-
rment.
114
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
Avantages Inconvnients
la prise en compte de variables in-
ternes pour expliquer les ruptures
de tendance,
le manque de variables internes pour expliquer
des vnements exceptionnels au niveau de la
semaine ou, plus bas, du jour,
le fait dapprhender lactivit de
TFE par des facteurs externes
faible variance,
les variables internes comme externes sont dif-
frentes suivant lagence TFE pour laquelle le
modle est tabli, (le poids mensuel transport
par lagence de Nantes est corrl lemploi
salari du transport du dpartement Loire-
Atlantique et non au niveau national), ce qui
implique une importante recherche dinforma-
tions parfois payantes et des modles de prvi-
sion dirents par rgion,
lanticipation de lactivit long
terme en surveillant les indicateurs
conomiques externes.
le processus de ventilation conduit ne pas va-
loriser les valeurs les plus rcentes, de la chro-
nique prvoir.
Table 3.1 Avantages et inconvnients du modle conomtrique de TFE
3.2.3 Modle endogne de TFE - lissage par moyennes mobiles
Un deuxime modle dvelopp chez TFE sinspire des techniques descriptives simples
(75). Il a t pens pour prvoir lactivit des agences de la rgion Nord-Ouest. Le mo-
dle statistique dcompose la chronique en une somme de la tendance, dun cycle et
dune saisonnalit. La prvision de la valeur hebdomadaire scrit selon le schma addi-
tif suivant :
Y
t
= T
t
+ C
t
+ S
t
+
t
(3.12)
Ainsi, lunit de temps de la chronique est la semaine. La valeur hebdomadaire prvue,
y
t
, est ensuite ventile sur 6 jours ouvrables.
3.2.3.1 Prvision de la chronique valeurs hebdomadaires
Soit y lhistorique, depuis 2002, des valeurs de la chronique hebdomadaire prvoir.
Le prvisionniste pose lhypothse dune saisonnalit de 52 semaines, ce qui lamne
calculer 52 coefcients saisonniers. Ils sont dtermins par la moyenne des diffrences
entre les moyennes mobiles et les valeurs relles de la chronique prvoir. Les tapes
du calcul de la prvision dune valeur hebdomadaire de la chronique sont les suivantes :
115
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
La moyenne mobile est une estimation de la tendance. Diffrentes techniques de
calcul sont envisageables selon ce que nous cherchons montrer. Par exemple,
une moyenne glissante sur les 52 dernires priodes lisse la srie en effaant leffet
de la saisonnalit.
MM
s
=
1
52
s

i=(s52)
y
i
(3.13)
y
i
est la valeur relle de la chronique la semaine i.
Pour effacer leffet que peut avoir une semaine sur la suivante, le prvisionniste ajoute
une moyenne mobile de deux priodes.
MMC
s1
=
MM
s1
+ MM
s
2
(3.14)
Les coefcients saisonniers permettent destimer la saisonnalit sur lanne, de
la chronique prvoir. Dans le cas dun schma additif (voir section 2.3.3), si le
coefcient saisonnier dune semaine s est suprieur 0 alors la valeur moyenne de
la chronique pour la semaine s est suprieure la valeur moyenne des valeurs de
la chronique comprises dans lintervalle [s 52; s + 52]. Inversement si la valeur du
coefcient saisonnier dune semaine s est ngatif, cest quen moyenne la valeur de
la semaine s est infrieur la moyenne de lensemble des valeurs de la chronique
comprises dans lintervalle [s 52; s + 52]. Les tapes du calcul sont :
lcart entre la srie observe et la moyenne mobile :
e
i
= y
i
MMC
i
(3.15)
i est un indice pour parcourir toute les valeurs de la chronique prvoir.
la moyenne des carts relatifs la mme semaine :
e
s
=
1
N
N

t=1
e
s,t
(3.16)
s est lindice des semaines s = 1,. . .,52, t est le numro de lanne dans lhistorique de la
chronique et N est le nombre dannes de ce mme historique.
le calcul de la somme des moyennes des carts :
S
s
= e
s

S
52
(3.17)
le calcul des coefcients saisonniers, en vertu du principe de conservation
des aires, la somme des uctuations saisonnires (coefcients saisonniers)
est nulle sur une anne. Ce qui veut dire que le prvisionniste normalise des
carts moyens :
116
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
S =
52

s=1
e
s
(3.18)
La tendance correspond la srie des moyennes mobiles.
T
i
= MMC
i
(3.19)
Le cycle est une saisonnalit dont la priodicit dpasse lanne. Il est obtenu par
la diffrence entre la tendance et la moyenne mobile.
C
i
= MMC
i
T
i
(3.20)
La prvision dune valeur hebdomadaire de la chronique est le rsultat de la com-
binaison entre la saisonnalit, la tendance et le cycle.
y
n+1
= S
s
+ T
n+1
+ C
n2
(3.21)
Soit y
n
la dernire valeur connue de la chronique et y
n+1
la valeur prvoir. y
n+1
est une
prvision de y
n+1
. S
n+1
correspond au coefcient saisonnier de la semaine relative n+1,
T
n+1
est lextrapolation de la tendance T
n+1
= T
n
+ (T
n
T
n1
). C
n2
est la dernire valeur
connue du cycle. Le dcalage de 2 units de temps est celui retrouv pendant le calcul
de la moyenne mobile additionn celui de lhorizon de prvision (h = 1).
3.2.3.2 Redistribution sur 6 jours
La valeur prdite dune semaine est ventile sur les 6 jours ouvrables (du lundi au sa-
medi). Les coefcients de pondration sont estims en fonction des vnements passs.
La mthodologie utilise se rsume en 5 tapes :
Etape 1
Connaissant la valeur relle quotidienne, le prvisionniste calcul le ratio entre cette der-
nire et celle de la semaine associe. y
a,s
est la valeur relle que prend la chronique,
hebdomadaire, la semaine s de lanne a. y
j
a,s
est la valeur relle que prend la chronique,
journalire, le jour j de la semaine s de lanne a.
y
a,s
= y
lundi
a,s
+ + y
samedi
a,s
(3.22)
s = {1, . . . , 52} est le numro de la semaine dans lanne a, a = {2002, . . . , 2007}.
R
j
a,s
est le poids de la valeur prise par la chronique, le jour j de la semaine s de lan-
ne a, dans la semaine s de lanne a.
R
j
a,s
=
y
j
a,s
y
a,s
(3.23)
j = {lundi, . . . , samedi} est le jour de la semaine.
117
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
Etape 2
Pour chaque anne de lhistorique, le prvisionniste mesure une moyenne trimestrielle
des quotients calculs ltape 1. Il distingue les semaines normales (voir tableau
3.2) des semaines encadrant ou incluant un jour fri (voir tableau 3.3).
R
j
a,t
est le poids moyen dans le trimestre t de lanne a du jour j dans une semaine
normale .
R
j
a,t
=
1
3 4
34

s=1
R
j
a,s
(3.24)
Dans un trimestre t, t = {1, . . . , 4}, le prvisionniste compte 3 4 semaines normales
et 6 jours dans une semaine, j = {lundi, . . . , samedi}.
Le tableau 3.2 illustre un exemple des poids calculs avec la formule 3.24.
Lundi Mardi Mercredi Jeudi Vendredi Samedi
2003 Trim 4 17,21% 19,48% 18,75% 20,46% 17,56% 6,54%
2004 Trim 4 17,62% 18,51% 18,11% 19,11% 17,84% 8,81%
2005 Trim 1 18,84% 18,08% 19,24% 17,19% 18,18% 8,46%
2005 Trim 2 17,69% 17,89% 19,68% 17,53% 18,49% 8,72%
2005 Trim 3 17,06% 17,67% 19,62% 17,73% 18,57% 9,35%
2005 Trim 4 17,86% 18,17% 19,02% 17,69% 18,44% 8,82%
2006 Trim 1 17,88% 17,41% 19,81% 16,82% 19,09% 8,99%
2006 Trim 2 17,87% 16,84% 19,49% 16,99% 19,69% 9,12%
2006 Trim 3 17,71% 17,40% 19,19% 17,73% 18,61% 9,36%
2006 Trim 4 18,04% 17,11% 19,29% 17,35% 19,17% 9,04%
Table 3.2 Exemple des poids jours calculs par trimestre
Les poids des jours dans les semaines jours fris sont calculs non plus au trimestre,
mais sur tout lhistorique.
RF
j
f
=

k=semaine jour f fri

R
j
k
nb de semaines jours f fris
(3.25)
RF
j
f
est le poids du jour j dans la semaine qui a comme fri le jour f .
Le tableau 3.3 illustre les poids calculs avec la formule 3.25. Remarquons que la diago-
nale correspond aux jours fris. Par exemple, la valeur prvue, par la formule 3.21, pour
une semaine dont le jeudi est fri, sera multiplie par 0, 2242 pour obtenir une prvision
du lundi, par 0, 2519 pour obtenir une prvision du mardi, etc.
118
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
Lundi Mardi Mercredi Jeudi Vendredi Samedi
Lundi 1,12% 21,35% 23,96% 23,05% 21,93% 8,60%
Mardi 21,17% 0,95% 23,07% 22,52% 23,07% 9,21%
Mercredi 22,46% 23,14% 1,57% 22,23% 22,76% 7,85%
Jeudi 22,42% 25,19% 21,72% 1,47% 20,82% 8,37%
Vendredi 20,41% 23,64% 25,44% 20,75% 0,82% 8,95%
Samedi 20,12% 20,44% 21,68% 20,65% 16,00% 1,10%
Table 3.3 Exemple des poids jours des semaines avec jour fri
Remarquons que le prvisionniste ne distingue pas, dans le calcul des poids journa-
liers, les semaines voisinant une semaine jour fri. Les semaines qui encadrent une
semaine jour fri se voient attribuer les mmes poids journaliers que les semaines
normales. Nanmoins, les semaines qui encadrent une semaine jour fri sont prises
en compte dans le modle ltape suivante.
Etape 3
Le prvisionniste corrige la prvision hebdomadaire dans le cas o la semaine prvue
contient un jour fri ou est voisine dune semaine jour fri. La rgle suivre est la
suivante :
si le jour fri de la semaine prvoir est un lundi, la valeur prvue est multi-
plie par 0, 9. Le coefcient correcteur est not CY = 0, 9 ;
si la semaine prvoir prcde une semaine dont le jour fri tombe un lundi,
la valeur prvue est multiplie par 1, 05, CY = 1, 05
sinon, CY = 1.
Etape 4
Le prvisionniste dispose dune srie de variables reprsentant des vnements excep-
tionnels (campagne promotionnelle, gain ou perte de dossier,. . .). Les variables seront
notes VE. Sil le juge ncessaire, il additionne, ou soustrait, la valeur apporte par ces
vnements la valeur prvue.
Etape 5
Le prvisionniste corrige la valeur hebdomadaire prvue suivant les tapes 3 et 4, puis
avec laide des coefcients de ltape 2, il la ventile sur les 6 jours ouvrables.

y
n+1
= y
n+1
CY
n+1
+ VE
n
(3.26)
119
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0

y
n+1
est la valeur corrige de la prvision obtenue par la formule 3.21.
La ventilation de la valeur prvu

y
n+1
sur les 6 jours de la semaine, est :
Dans le cas dune semaine normale,
y
j,n+1
=

y
n+1
R
j
a,t
(3.27)
Dans le cas dune semaine incluant un jour fri, le jour f ,
y
j,n+1
=

y
n+1
RF
j
f
(3.28)
y
j,n+1
est la prvision du jour j de la semaine n + 1,

y
n+1
est la prvision de la semaine n + 1,
R
j
a,t
est le poids moyen dans le trimestre t de lanne a du jour j dans une semaine n +1.
RF
j
f
est le poids du jour j dans la semaine n + 1, qui a comme fri le jour f .
Les avantages et inconvnients de ce modle sont :
Avantages Inconvnients
facilit de la comprhension de
lactivit dune plate-forme,
non prise en compte de leet du jour fri sui-
vant que cest un lundi de Pentecte ou un Nol.
mise en vidence des priodes cri-
tiques et diciles prvoir,
le bruit du modle pointe lin-
uence des phnomnes extrieurs.
Table 3.4 Avantages et inconvnients du modle endogne de TFE - lissage par moyennes
mobiles
3.2.4 Modle endogne de TFE - mthode de Holt-Winters
Ce modle a t pens et dvelopp pour les agences de la rgion Sud-Ouest.
Comme pour le modle prcdent, lunit de temps de la srie chronologique est la
semaine. Le prvisionniste fait lhypothse dune saisonnalit de 52 semaines. La prvi-
sion journalire dcoule de la prvision hebdomadaire par lutilisation de coefcients de
rpartition.
A partir de la srie hebdomadaire, le prvisionniste utilise les formules de lissage expo-
nentiel proposes par Holt-Winters (63; 122). Il dcide dutiliser un schma additif. En
120
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
effet, de manire gnrale sur les agences tudies, lamplitude entre les poids mini-
mums (le samedi) et les poids maximaux ne varie pas avec le temps.
La mthode de Holt-Winters amliore la prvision par lissage exponentiel. Cest une
technique dite autoprojective . Le principe est de privilgier les observations les plus
rcentes par lutilisation de coefcients de pondration. Dune manire rcursive, les for-
mules de lissage sont mises jour et permettent dobtenir une prvision. Dans le cas du
lissage exponentiel simple la formule de lissage a pour but destimer la tendance sur les n
dernires observations. Suivant limportance donne aux observations les plus rcentes
par rapport aux plus anciennes, elles se voient affecter des poids. A lestimation de la
tendance, Holt-Winters introduit des coefcients pour modliser la saisonnalit.
Dans le cas dun schma additif avec saisonnalit, les formules de lissage scrivent :
Le lissage de la moyenne,
a1
s,a
= ((y
s,a
VC
s,a
) S
s,a1
) + (1 )(a1
s1,a
+ a2
s1,a
) (3.29)
Le lissage de la tendance,
a2
s,a
= (a1
s,a
a1
s1,a
) + (1 )a2
s1,a
(3.30)
Le lissage de la saisonnalit,
S
s,a
= ((y
s,a
VC
s,a
) a1
s,a
) + (1 )S
s,a1
(3.31)
avec
y
s,a
est la valeur prise par la chronique la semaine s de lanne a,
y
s,a
est lestimation de la valeur prise par la chronique la semaine s de lanne a,
y
a
est la moyenne des valeurs hebdomadaires prises par la chronique lanne a,
VC
s,a
est la variable de correction de la semaine s de lanne a,
Pe est la priode (ici 52 semaines ou une anne)
h est lhorizon de prvision en nombre de semaines (infrieur un an),
, , : les constantes de lissage.
Le choix des paramtres de lissage est arbitraire. Le paramtre conditionne les rsul-
tats de prvision. Si nous voulons une prvision ractive, cest--dire qui accorde une
plus grande importance au pass rcent, nous choisirons un paramtre , proche de 1.
Les paramtres et ont la mme proprit. Le prvisionniste de TFE a choisi doc-
troyer de limportance aux donnes lointaines ( proche de 0), dtre plus ractif sur le
coefcient de lissage de la tendance ( proche de 0.4) et sur celui du coefcient de sai-
sonnalit ( = 0.2).
121
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
Linitialisation des valeurs initiales permet de dbuter le calcul rcursif partir de la
deuxime anne.
a1
s=1,a=2
= y
a=1
(3.32)
a2
s=1,a=2
= 0 (3.33)
S
s=1,a=2
= y
s=1,a=2
y
a=1
(3.34)
La prvision partir de la semaine s pour un horizon h scrit :
y
s+h,a
= a1
s+h,a1
+ h a2
s+h,a1
+ S
s+h,a1
+ VC
s+h,a
(3.35)
Ayant obtenu une prvision la semaine, y
s+h,a
, le prvisionniste cherche des coefcients
journaliers de rpartition.

j
=
n

i=1
y
j,i
n

i=1
y
i
(3.36)
n est le nombre de valeurs de la chronique journalire. Rappelons que pour lune ou
lautre des six sries temporelles dcrivant lactivit des agences de transport TFE(voir
section 3.2), n est approximativement gale 6 jours 52 semaines 7 ans dhistorique,
soit 2.184 valeurs.
j
est poids du jour j, ( j = {lundi, . . . , samedi}) dans la semaine. Il est
gal la somme des valeurs prises par la chronique du jour j rapporte la somme des
valeurs de la chronique journalire. Ne sont pris en compte que les valeurs des semaines
sans jours fris.
Les poids des jours des semaines jours fris sont calculs de la mme faon, mais
en ne prenant en compte que les semaines ayant comme jour fri celui tudi. Ainsi, le
prvisionniste aboutit au tableau 3.5.
Fri Lundi Mardi Mercredi Jeudi Vendredi Samedi
Aucun 17,23% 21,05% 19,34% 19,17% 16,79% 6,42%
Lundi 0,00% 23,29% 24,54% 23,16% 19,72% 9,29%
Mardi 20,40% 0,00% 25,52% 24,54% 20,15% 9,39%
Mercredi 23,80% 26,00% 0,00% 21,31% 18,02% 10,88%
Jeudi 22,08% 26,87% 24,74% 0,00% 17,92% 8,39%
Vendredi 19,95% 24,78% 26,35% 21,02% 0,00% 7,89%
Samedi 19,72% 21,42% 21,35% 18,49% 19,02% 0,00%
Table 3.5 Coecients journaliers du modle endogne de TFE - mthode de Holt-Winters
122
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
La ventilation de la prvision hebdomadaire sur les 6 jours ouvrs de la semaine devient :
y
j,s+h,a
= y
s+h,a

j
(3.37)
y
j,s+h,a
est la prvision du jour j de la semaine s + h de lanne a. Cest le rsultat dune
ventilation de la prvision hebdomasaire, y
s+h,a
(3.35), par le poids,
j
(3.36).
Les avantages et inconvnients de ce modle sont :
Avantages Inconvnients
une grande facilit de mise en
uvre due des calculs simples,
non prise en compte de leet du jour fri sui-
vant que cest un lundi de Pentecte ou un Nol,
une ractivit aux vnements r-
cents si 1,
le choix arbitraire des coecients nest pas fa-
cile et inuence fortement les rsultats,
une facilit dimplmentation sur
tableur.
non prise en compte de leet des vnements
extrieurs,
systme ragit avec un temps de retard une
modication de la chronique ( course pour-
suite entre ralisation et prvision quand
1) (24).
Table 3.6 Avantages et inconvnients du modle endogne de TFE - mthode de Holt-
Winters
3.2.5 Outil informatique utilis
Ces modles ont t ajust et implant avec laide dun tableur. Or le tableur est peu
adapt aux tches de prvision en raison de ses limites,
dautomatisation des traitements,
de mise jour des donnes,
de changement de scnario,
de contrles des donnes,
de rapidit.
Ainsi, les modles statistiques nont pas pu tre gnraliss et utiliss sur un serveur
pour dployer les rsultats sur lensemble des agences. Daprs une tude de mode-
lEdition SA ralise auprs de 41 grosses et moyennes entreprises, 64% utilisent un
123
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
tableur pour leurs prvisions et seulement 11% utilisent des outils de simulation spciali-
ss (voir section 2.3.4.3). Pourtant, les prises de dcisions pourraient tre sensiblement
amliores par ces derniers. Cest le choix fait par le projet de recherche Horizons . Il
a permis dhomogniser la dnition du calcul de lhistorique des chroniques prvoir,
de centraliser les traitements sur un serveur et de diffuser linformation prvisionnelle sur
lensemble du rseau.
124
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
Chapitre 4
Le systme de prvision Horizons :
Conception, dveloppement et mise en
uvre
Le challenge du projet Horizons est de proposer un modle statistique de prvision
de lactivit du quai adapt toutes les agences TFE, et dimplmenter ce modle au
travers dune application informatise pour lintgrer dans la chane oprationnelle. Cest
un pas vers une approche concentre, cest--dire que les prvisions dactivit seront
centralises dans un seul dpartement. Pour rduire les cots de licences, les outils
informatiques utiliss doivent tre open source. Il faut aussi convaincre lensemble des
dirigeants du bien-fond du projet. Il faut gagner la conance des hommes et des femmes
du terrain pour quils utilisent le systme de prvision propos.
4.1 Nouvelle organisation de la prvision chez TFE
La section 3.2 rappelle quavant le projet Horizons, lorganisation de la prvision dac-
tivit sest faite suivant une approche indpendante et non concentre (voir section 2.3.2).
Pour harmoniser les procdures, TFE a choisi de crer une cellule de prvision centra-
lise au sige. Ce choix cherche rpondre aux prconisations mentionnes dans la
section 2.3.2. Lavantage de la centralisation est de matriser les effectifs, de limiter les
achats de licences logiciels, dharmoniser lextraction des donnes (voir section 4.2), de
grer une seule application (voir section 4.7) et de diffuser par client lger le rsultat
des recherches (voir section 4.7.3). Un systme de prvision ainsi centralis autorise
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
une interaction avec le systme dinformation, une comparaison des rsultats entre sites,
laccs rapide linformation et sa correction, si ncessaire, en une seule fois. Pour tre
au cur du systme dinformation, la cellule de prvision est place physiquement ct
du service dinformation dcisionnel. Le service dinformation dcisionnel propose, cre
et diffuse les indicateurs pertinents, permettant aux quipes managriales et opration-
nelles de prendre les bonnes dcisions et ainsi, de piloter leur activit sereinement. Ce
service est le plus mme de fournir, en toute impartialit, linformation dont la cellule de
prvision a besoin. Le service dinformation dcisionnel fournit la cellule de prvision
un accs sans limites lentrept de donnes et aux outils permettant de linterroger (voir
section 3.1.1). La cellule de prvision a pour mission :
dextraire les donnes historiques dcrivant lactivit prvoir,
de chercher un modle mathmatique de prvision unique, compatible lactivit
des 70 sites de transport,
de restituer de faon comprhensible les rsultats prvisionnels,
dautomatiser les procdures (extraction, transformation, prvision, indicateur de
qualit, restitution),
de mettre jour quotidiennement les donnes,
de former les managers lutilisation du systme de prvision.
Ces missions sont dveloppes dans les sections suivantes.
4.2 Harmonisation et centralisation de linformation
La procdure duniformisation des donnes est dveloppe suivant la dnition don-
ne la valeur prvoir. Rappelons quun objectif du projet de recherche Horizons
est de prvoir les chroniques suivantes (voir section 1.2.4) :
le nombre quotidien de positions et le poids des marchandises passes quai,
le nombre quotidien de positions et le poids des marchandises passes quai et
destination dune tourne de distribution (livraison),
le nombre quotidien de positions et le poids des marchandises passes quai et
destination dune tourne dexpdition.
Pour rpondre aux attentes de planication des ressources, il faut aussi prvoir :
le nombre total dheures productives quotidiennes sur le quai,
le nombre dheures productives quotidiennes sur le quai pour traiter les marchan-
dises destines la distribution,
126
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
le nombre dheures productives quotidiennes sur le quai pour traiter les marchan-
dises destines lexpdition.
Ces 9 sries chronologiques sont communes aux 70 agences de transport du groupe
STEF-TFE. Le modle statistique de prvision se focalise sur les 6 premires chroniques.
Ce qui signie que le modle statistique doit convenir la prvision de 420 (6 70) chro-
niques au niveau du groupe. La prvision des trois dernires chroniques, relatives aux
heures productives par agence, est dduite de la prvision du poids quotidien des mar-
chandises passes quai.
Les valeurs prises par ces 9 sries chronologiques ont une dnition qui a volu entre le
dbut du projet et sa mise en production. Jusquen Janvier 2008, le transporteur navait
pas de dnition commune pour lensemble des agences de ce qutaient le poids en
distribution et celui en expdition. Les agences avaient toutes des procdures dextrac-
tion du poids et du nombre de positions en expdition et en distribution diffrentes. Il tait
ainsi impossible de comparer des agences entre elles. Il semblait galement impossible
dinventorier les diffrentes rgles dextraction et de les dvelopper toutes pour coller aux
besoins spciques de chacune des agences.
Au cours de lanne 2007 se dveloppe au sein du transporteur, une politique dharmo-
nisation des outils et des processus mtiers. Entre 2007 et 2009, toutes les agences du
transporteur migrent leur TMS de HP vers GTI (voir section 3.1.1). Ce nouveau TMS im-
pose tous de travailler de faon uniforme. La Direction dExploitation (DEX) pose alors
en Janvier 2008 une dnition commune des indicateurs en expdition et en distribution
(voir section 3.1.2). Les indicateurs sont calculs quotidiennement et ont pour vocation
danalyser lexploitation de faon quotidienne et mensuelle. Le systme de prvision peut
alors devenir un outil mtier lenvergure du groupe. Non seulement il prvoit une partie
des indicateurs dnis par la DEX, mais il permet galement danalyser leur volution
travers le temps et de comparer leur performance selon les agences. Il faut tout de mme
garder lesprit que les agences de transport du groupe STEF-TFE ne sont pas toutes
comparables, leur taille et leur activit varient. Par contre lvolution dans le temps des
indicateurs est comparable entre agences.
Nous avons soulign que la base de donnes GTI est alimente depuis 2007. Les don-
nes davant 2007 sont rcolter dans la base de donnes HP3000. Les tables issues
de la base de donnes GTI et celles issues de HP3000 ne sont pas identiques.Cest
pourquoi les procdures dextraction et de transformation des donnes, pour coller d-
nition des indicateurs prvoir, donne par la DEX, sont diffrentes selon les bases de
donnes sources (HP3000 ou GTI).
Dans le but de centraliser linformation, les tables recueillant linformation ncessaire la
prvision des indicateurs dactivit sont stockes dans lentrept de donnes du groupe
127
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
STEF-TFE. Pour accueillir lhistorique des donnes prvoir, trois nouvelles tables sont
cres dans linfocentre. La table HORIZONS (voir table 4.1)contient un enregistrement
quotidien par site de transport. Ne sont prsents que les sites pour lesquels il a t pos-
sible dextraire un historique dau moins trois ans. Nanmoins, la premire date de la
table est le 1
er
Janvier 2000, car certaines agences cumulent des donnes depuis cette
date. Les donnes historises sont le poids et le nombre de positions en expdition et en
distribution passes quai. La somme des deux donne le total du poids ou du nombre
de positions passes quai. La table HORIZONS ajoute chacune de ces informations
deux informations supplmentaires : la prvision et la correction de la prvision, apporte
par lutilisateur, le cas chant. Enn, elle historise le motif de la correction apporte (voir
section 4.7.3).
La table AGE_HORIZONS (voir table 4.1) contient un enregistrement par agence. Elle
permet dobtenir, partir de son code, le libell dune agence en toutes lettres. Elle
conserve, pour chacune des variables prvoir, les coefcients pondrateurs utiliss
dans le modle mathmatique de prvision, pour combiner les prvisions issues des dif-
frentes mthodes (voir section 4.4.11). Elle recueille galement un champ permettant
dactiver, ou non, lagence pour quelle soit visible sur linterface web.
La table HQUAI_HORIZONS (voir table 4.1) rassemble les informations sur les heures
productives du quai. Elle est construite de la mme faon que la table HORIZONS mais
dans le but de rpondre la prvision du nombre dheures productives et du taux de
productivit (voir section 3.1.3).
4.3 Modles de prvision proposs en analyse statistique
De nombreuses mthodes statistiques de prvision ont t tudies avant de trou-
ver celle qui convenait le mieux. Pour tre dans la continuit de ce que lentreprise de
transport avait dj ralis en la matire, il va de soi que les modles de la section 3.2
ont servi de base pour chercher ne garder que les avantages et tenter dliminer les
inconvnients. Rappelons que ces modles utilisent les techniques de :
dcomposition de la srie chronologique en tendance, saisonnalit, erreur,
lissage exponentiel,
moyenne mobile.
Ce sont les mthodes les plus rpandues dans les ouvrages statistiques. Elles sont ga-
lement mentionnes par G. Mlard (90). Il propose un tour dhorizon des mthodes sta-
tistiques utilises par les entreprises dans le but de prvoir les ventes, le rendement
dun investissement, la pntration dun march ou leffet du passage aux 35 heures ,
court et moyen terme. Il rappelle les mthodes endognes et exognes, quil appelle
128
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
HORIZONS
DDATE
AGENCE
ANNEE
MOIS
JDUMOIS
JDESEM
SDEANNEE
EXPPDS_PAST
EXPPDS_REEL
EXPPDS_PREV
EXPPDS_CORR
DISTPDS_PAST
DISTPDS_REEL
DISTPDS_PREV
DISTPDS_CORR
TOTPDS_PAST
TOTPDS_REEL
TOTPDS_PREV
TOTPDS_CORR
EXPNBPOS_PAST
EXPNBPOS_REEL
EXPNBPOS_PREV
EXPNBPOS_CORR
DISTNBPOS_PAST
DISTNBPOS_REEL
DISTNBPOS_PREV
DISTNBPOS_CORR
TOTNBPOS_PAST
TOTNBPOS_REEL
TOTNBPOS_PREV
TOTNBPOS_CORR
MOTIF_CORR
AGE_HORIZONS
AGENCE
COEFFDISTPDS
COEFFEXPPDS
COEFFDISTNBPOS
COEFFEXPNBPOS
COEFFTOTPDS
COEFFTOTNBPOS
OK
DESCRIPTION
CNUIPDS_CHG
CJOUPDS_CHG
CTOTPDS_CHG
CJOUNBPOS_CHG
CNUINBPOS_CHG
CTOTNBPOS_CHG
CNUIPDS_DECHG
CJOUPDS_DECHG
CTOTPDS_DECHG
CJOUNBPOS_DECHG
CNUINBPOS_DECHG
CTOTNBPOS_DECHG
HQUAI_HORIZONS
DDATE
AGENCE
ANNEE
MOIS
JDUMOIS
JDESEM
SDEANNEE
H_QUAIDIST
NBMAT_QUAIDIST
H_QUAIEXPE
NBMAT_QUAIEXPE
TXH_PRODDIST
TXH_PRODEXPE
H_QUAIDIST_PLAN
H_QUAIEXPE_PLAN
TXM_PRODDIST
TXM_PRODEXPE
NBMAT_QUAIDIST_PLAN
NBMAT_QUAIEXPE_PLAN
PREV_TX_PRODDIST
PREV_NBMATDIST
PREV_TX_PRODEXPE
PREV_NBMATEXPE
H_QUAITOT
NBMAT_QUAITOT
TXH_PRODTOT
H_QUAITOT_PLAN
TXM_PRODTOT
NBMAT_QUAITOT_PLAN
PREV_TX_PRODTOT
PREV_NBMATTOT
Table 4.1 Tables cres dans lInfocentre pour le besoin du projet Horizons
mthodes extrapolatives et mthodes explicatives . Comme mthodes les plus fr-
quemment utilises, il cite le lissage exponentiel, la moyenne mobile dordre k, le modle
de Brown et Holt-Winters, la rgression linaire multiple, la mthode de Box et Jenkins
(ARIMA) et lanalyse spectrale.
129
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
Avant de commenter certaines de ces mthodes, rappelons brivement la problma-
tique. Lentreprise de transport souhaite trouver un modle de prvision horizon de
45 jours pour six sries temporelles : poids et nombre de lettres de voiture en expdi-
tion, distribution et total passs quai. Nous constaterons par la suite que la chronique
du nombre de lettres de voiture journalier suit approximativement la mme saisonnalit
que celle du poids transport. Lentreprise de transport cherche se doter dun outil de
prvision unique sadaptant toutes les agences de son rseau, et qui soit complte-
ment automatis. Le modle doit fournir des rsultats dans un temps dexcution jug
raisonnable. Lcart type des erreurs de prvision ne doit pas dpasser 10% de la valeur
prdite. Lentreprise ne souhaite pas investir dans lachat de donnes externes pouvant
servir de facteurs explicatifs de lactivit. Il est prouv que les jours fris ont une in-
uence dterministe et quantiable sur lactivit. Les sries chronologiques discrtes
prvoir ont au moins 3 ans dhistorique. Lunit dobservation est la journe.
Suite ces contraintes, le modle exogne seul tait exclu. Les facteurs susceptibles
dexpliquer lactivit dune agence du Nord de la France sont diffrents de ceux qui ex-
pliquent lactivit dune agence situe dans louest ou le sud. Il y aurait donc fallu crire
plusieurs modles statistiques de prvision. Dautre part, ces facteurs sont lis soit aux
clients (promotion des ventes), soit lactivit conomique du march (indicateurs IN-
SEE). Dans un cas comme dans lautre, les donnes sont onreuses et le risque quelles
ne soient pas mises jour temps les rend inutilisables.
Ayant, peu de chose prs, comme unique information lhistorique de la chronique
prvoir, il est lgitime de vouloir se retourner vers les modles Auto-Regressive - In-
tegrated - Moving Average ARIMA (21). Les mthodes pour utiliser ces modles (AR,
MA, ARMA, ARIMA, SARIMA) ont t dveloppes par Box et Jenkins, en 1976. Les mo-
dles sont appels autorgressifs car ils cherchent dterminer une valeur de la srie,
en fonction dune combinaison linaire des valeurs qui la prcdent. Le cours (35), crit
par J.J. Daudin, C. Duby, S. Robin et P. Trcourt, explique que pour appliquer les proces-
sus AR et MA il faut que la srie chronologique soit stationnaire. Une suite de variables
alatoires est stationnaire quand leurs moyennes et leurs covariances sont constantes
dans le temps.
Soit un processus temporel valeurs relles et en temps discret Z
1
, Z
2
, . . . , Z
t
. Il est
dit stationnaire de second ordre si
E(Z
i
) = i = 1 . . . t
Var(Z
i
) =
2
i = 1 . . . t
Cov(Z
i
, Z
ik
) = f (k) i = 1 . . . t et k = 1 . . . t
130
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
La tendance et la saisonnalit sont des facteurs de non stationnarit. Un processus din-
tgration permet dliminer la tendance par diffrentiation. La saisonnalit, quant elle,
peut tre limine par diffrenciation saisonnire (116).
Bien que ces modles soient frquemment utiliss pour prvoir des sries conomiques
(99; 24; 117), ils ont dans notre cas prcis deux inconvnients. Le premier est que les
modles de la classe ARIMA ne prennent pas en compte leffet dvnements calen-
daires : les jours fris, les vacances, les ftes. Ces vnements affectent environ 1/4
des semaines et provoquent une forte variation de lactivit des agences de transport. Le
deuxime inconvnient est que les paramtres (p,d,q)(P,D,Q) des modles de la classe
SARIMA sont gnralement dterminer manuellement. Les algorithmes capables de
les dterminer automatiquement sont lents et coteux en ressources machine. Ils doivent
comparer un grand nombre de combinaisons de modles possibles entre p, d, q, P, D
et Q pour minimiser les trois critres de performances qui sont : le critre dinformation
dAkaike (1974), de Schwarz (1978) et dHannan-Quinn (1979). Chacun de ces critres
est fond dune part sur une mesure de vraisemblance et dautre part sur une mesure
de pnalit, cette dernire tant une fonction croissante avec le nombre de paramtres
estimer. Il nexiste pas de modle optimal. Un modle est optimal seulement relativement
au critre que lon a utilis pour le slectionner, (33).
Pour rsoudre le premier inconvnient, des chercheurs comme Ferrara, Gueguan, Ind-
jehagopian, Mustafa, Chen, Vidakovic et Mavris (50; 66; 95; 28) utilisent les modles de
la classe ARIMAX. Cest une gnralisation du modle ARIMA dans lequel une variable
externe est incorpore (eXternal inputs). Ainsi la prvision de la chronique ne dpend
pas uniquement de son historique. Aussi appele analyse dintervention , cette tho-
rie a fait lobjet dune grande activit de recherche. Box et Tio (1975) sont lorigine de la
thorie, mais par la suite dautres auteurs sy sont intresss : Granger (1980), Brokwell
et Davis (1987), Chang et al. (1988), Box, Jenkins et Reinsel (1994).
Il est intressant de constater quune entreprise de transport de voyageurs (la RATP) bute
sur les mmes problmatiques quune entreprise de transport sous temprature dirige.
Ferrara et Guegan (50) expliquent comment ils construisent un modle ARMAX pour pr-
voir le trac et le nombre de titres de transport vendus. Lapproche de Box et Jenkins
(1970) utilise simplement linformation quantitative contenue dans les donnes, alors que
lanalyse dintervention (ARIMAX) permet dajouter de manire additive une information
de type qualitative, par le biais de variables binaires exognes . Une Entreprise dlec-
tricit au Etats-Unis fait galement face aux mmes problmes (22). Comme dans le
cas de lactivit du transporteur, la consommation dlectricit montre une double sai-
sonnalit. La saisonnalit hebdomadaire, la saisonnalit journalire et la tendance sont
limines par diffrenciation. Comme pour lactivit du transport sous temprature diri-
ge, la consommation dlectricit subit une forte variation lors des jours fris. Lanalyse
dintervention permet alors de prendre en compte, dans lapproche de Box et Jenkins,
une information qualitative par le biais de variables binaires exognes (50). Lavantage
131
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
de lanalyse dintervention par rapport un modle conomtrique, est quelle modlise
de manire continue et non ponctuelle leffet de lintervention (exp : jours fris) sur les
valeurs environnantes.
Une approche similaire mais toutefois diffrente, pour prvoir la consommation dlec-
tricit, est propose par M. Martin (82). Ses travaux suggrent de partir dun modle
SARIMA, den dduire un modle dtat saisonnier pour le ltrer laide de ltres
de Kalman embots. Par la suite, il utilise les modles dintervention pour modliser les
effets des vnements exceptionnels qui perturbent les valeurs de srie chronologique
prvoir. Mentionnons sur ce sujet les travaux plus rcents de Lemoine et Pelgrin (76),
ainsi que larticle (124) dcrivant une manire de mettre en pratique ces mthodes
laide de logiciel statistique.
Bien que ces techniques soient trs prometteuses dans les cas de lanalyse dune chro-
nique dcrivant lactivit dune agence de transport particulire, nous ne les avons pas
retenues. La raison qui prvaut est quil semble difcile dautomatiser le calcul des para-
mtres dun modle SARIMA(X) pour rpondre aux particularits des quelque 342 sries
chronologiques prvoir. Bien que ces chroniques se ressemblent du point de vue de
la saisonnalit, des diffrences subsistent. Dautre part, dans le cadre de lactivit du
transporteur, nous avons remarqu que les diffrentes diffrenciations ne permettaient
pas de rendre les sries chronologiques systmatiquement stationnaires. Or, cest une
hypothse fondamentale dans les modles AR et MA.
Pour prvoir un grand nombre de sries chronologiques, Morineau et al. (92) proposent
de commencer par les classer laide dune analyse par correspondance. A laide dune
analyse par composantes principales sur la matrice de covariance de chaque classe, ils
extraient autant de nouvelles chroniques. Ces dernires sont prvues par les modles de
la classe SARIMA. Sur ce sujet, D. Ladiray a publi un article en 2006 (72) pour faire le
point sur les mthodes utilises dans le but de combiner lanalyse des donnes et lana-
lyse des sries temporelles. Mais ces techniques semblent plus adaptes la prvision
dun trs grand nombre de sries temporelles comme, par exemple, la vente de milliers
de rfrences produits dans un Hypermarch. Elles permettent galement de prvoir la
vente darticles nouveaux pour lesquels il nexiste pas dhistorique. Il est alors possible
de les affecter une classe de produits et dutiliser la chronique associe cette classe.
Pour tenter de mesurer leffet des jours fris sur lactivit, une mthode non para-
mtrique a retenu notre attention. Elle est propose par Poggi (99). La consommation
dlectricit en France est, lpoque, en 1994, prvue par des modles de la famille
SARIMA. Poggi remarque que ces modles ne sont pas adapts pour prvoir leffet des
jours fris sur la consommation lectrique. Il propose un modle non paramtrique.
Lide est de construire une fentre dobservation de taille dtermine, et centre au-
132
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
tour de la dernire valeur connue de la chronique. Cest la fentre tmoin. Il analyse la
chronique observe dans la fentre tmoin pour la comparer aux priodes prcdentes,
suivant un indice de similarit. La prvision est dduite des observations de la fentre
retenue (celle au plus fort indice de similarit avec la fentre tmoin). Cette mthode
a lavantage de prvoir des sries temporelles diverses, laide dun seul et mme outil
lmentaire. Linconvnient est quelle est gourmande en ressource informatique puisquil
faut constamment parcourir la chronique pour la comparer la fentre tmoin.
4.4 Modle statistique de prvision proposs par Hori-
zons
Mettre en uvre la prvision des indicateurs dactivit des agences de transport TFE
savre difcile. Ces indicateurs sont, en effet, le rsultat dvnements chronologiques
qui concernent non seulement des facteurs ayant un comportement dterministe (jours,
congs scolaires, zone gographique) mais aussi des facteurs stochastiques (mto,
jours fris, jours de grve, impact de lactualit sur le consommateur : grippe aviaire et
vache folle, march conomique). La prvision demande ainsi de faire appel des m-
thodes de modlisation statistiques et probabilistes. Les mthodes endognes utilisent
lhistorique des donnes de la variable prvoir. Les mthodes exognes utilisent des
donnes corrles celles que lon sefforce prvoir (18).
La problmatique pose par TFE tant de prdire lactivit des ns oprationnelles (ho-
rizons de prvision trs courts termes), il semble logique de privilgier les mthodes
quantitatives. Elles ont galement le mrite de pouvoir tre programmes informatique-
ment et ainsi tre automatisables.
Supposons que lactivit dune agence TFE est dtermine par trois composantes, une
composante dterministe (saisonnalit, jour fri) dont les valeurs futures sont connues,
une composante stochastique (grve, perte dun portefeuille client) dont les valeurs fu-
tures sont inconnues, et une composante non observe (liquidation judiciaire du principal
concurrent - Nexia) dont les valeurs passes, prsentes et venir sont inconnues (29).
Le modle propos extrait de la chronique la composante dterministe avant dappliquer
un modle autoprojectif pour caractriser la composante stochastique. Lcart entre
le modle et les observations rsulte de la composante non observe ou dune compo-
sante mal estime. Ce modle trouve sa valeur ajoute dans le fait quil sadapte aux
spcicits de chaque agence. Il est implment pour tre excut sans intervention hu-
maine. Comme les modles prcdents, il sappuie sur des algorithmes mathmatiques
avancs, ayant pour principe dextrapoler les vnements passs sur le futur. Pour ne
133
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
pas perdre linformation du pass infrieur une semaine, lalgorithme de prvision ne
va pas chercher ventiler les prvisions hebdomadaires en prvisions journalires. Au
contraire, il sappuie sur la donne journalire, car cest linformation la plus ne prsente
dans le systme dinformation de lentreprise.
Lalgorithme de prvision prsent a fait lobjet dune publication (37) et a t prsent
dans des congrs (38; 39; 40; 42; 43).
4.4.1 Historique
Lhistorique dune srie temporelle est lensemble des valeurs de la srie temporelle,
incluses dans un intervalle de temps et utilises pour gnrer une prvision. La premire
valeur prvue dune srie temporelle fait gnralement suite la dernire valeur de lhis-
torique de cette mme srie temporelle. Rappelons quun modle de prvision cherche
dcrire certaines rgularits dans lhistorique pour les extrapoler et ainsi proposer une
prvision de la chronique.
Luniformisation les donnes en provenance des bases de donnes HP3000 et GTI (voir
section 4.2), suivant les dnitions des indicateurs prvoir (voir section 3.1.2), a permit
de cr les historiques ncessaires la prvision des indicateurs dactivit.
Lalgorithme de prvision, dvelopp dans le cadre de cette thse, prvoit trois sries
temporelles lies par une relation linaire. Prenons lexemple des trois chroniques sui-
vantes,
poids quotidien, en kg, total, des marchandises passes quai,
le poids quotidien, en kg, en expdition, des marchandises passes quai,
le poids quotidien, en kg, en distribution, des marchandises passes quai.
La premire srie temporelle, appele par abus de langage, poids total, est le rsultat
de la somme des deux autres. Il en va de mme quand il sagit de prvoir le nombre de
positions quotidien pass quai dune agence de transport. Par la suite, pour dsigner
les 6 chroniques, nous parlerons de poids ou nombre de positions, total, en expdition,
en distribution. Lalgorithme de prvision prvoit les valeurs des trois sries (total, ex-
pdition, distribution) individuellement et les redresse de sorte garder la contrainte de
linarit.
Les rsultats observs montrent quun historique de 5 ans dobservations permet dan-
ticiper correctement les variations des indicateurs dactivit des agences de transport.
Aussi, lalgorithme de prvision propos fonctionne avec un minimum de trois ans dhis-
torique.
134
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
4.4.2 Nettoyage des donnes
Les valeurs numriques qui constituent lhistorique des trois sries temporelles (poids
ou nombre de positions, au total, en expdition, en distribution), donnes en paramtre
dentre de lalgorithme, sont souvent entaches de valeurs dites extrmes ou man-
quantes. Les valeurs extrmes peuvent tre, ou non, rellement observes. Lorsquelles
ne le sont pas, cest quelles sont issues dune erreur de saisie ou dune erreur de trai-
tement de linformation. Dans tous les cas de gure, elles ont un impact nfaste sur le
calcul des prvisions. Cest pourquoi il est ncessaire de parcourir les valeurs de lhisto-
rique pour les corriger le cas chant et, ainsi, aboutir une srie temporelle rgulire
et corrige des valeurs extrmes.
Nettoyer les donnes, signie trier les donnes dans le temps, vrier quil ne manque
pas de jours, vrier que les dimanches sont effacs et corriger les donnes extrmes
(voir 3 prochaines section 4.4.2.1,4.4.2.2,4.4.2.3).
4.4.2.1 Rendre la srie rgulire
Dans le cas prsent, pour tre traite, une srie temporelle doit tre rgulire. Cest-
-dire quentre deux valeurs il existe toujours le mme intervalle de temps. Lintervalle
de temps entre deux valeurs conscutives des sries temporelles tudies est le jour.
Par contre, les dimanches ne sont pas compris. Ainsi, la semaine comprend 6 jours ou-
vrables. Autrement dit, la valeur qui suit celle dun samedi doit imprativement tre celle
dun lundi. Une anne comprend au minimum 312 jours ouvrs, (52 semaines fois 6 jours
ouvrs) et au maximum 318 jours ouvrs (53 semaines fois 6 jours ouvrs).
Lalgorithme programm avec le logiciel R (voir section 4.7.1), parcourt lhistorique des
sries temporelles fournies en paramtre dentre. Lorsquune date est manquante, lal-
gorithme linsre et lui attribue, dans un premier temps, une valeur nulle. Lorsquune date
correspond un dimanche, la valeur associe est supprime. Suite ce traitement, les
sries temporelles sont rgulires.
4.4.2.2 Correction des valeurs nulles
Mis part les jours fris, nous posons lhypothse quil nexiste pas dactivit nulle,
aussi bien pour les sries temporelles dcrivant les indicateurs en distribution que pour
celles en expdition. Dautre part, les valeurs observes montrent que lactivit des
agences de transport est fortement lie au jour de la semaine (lundi, mardi, etc). Cest
135
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
pourquoi, quand une valeur est nulle, et quelle ne correspond pas un jour fri, la
moyenne des valeurs observes pour le jour de la semaine, le mois et lanne en ques-
tion, lui est attribue. Pour ne pas fausser les rsultats, la moyenne ne prend pas en
compte les valeurs nulles. Ainsi, il arrive que cette moyenne ne puisse pas tre calcu-
le par manque de donnes. Dans ce cas, nous remplaons la moyenne du jour de la
semaine dans le mois et lanne, par la moyenne du jour de la semaine dans lanne.
Une autre solution aurait t dattribuer la valeur nulle, la valeur prvue par le modle
statistique de prvision. Cette solution na pas t choisie, car les valeurs nulles en dbut
dhistorique (infrieur 3 ans) nauraient pas pu tre corriges par manque dhistorique.
4.4.2.3 Recherche et correction des valeurs extrmes
Une valeur est aberrante quand elle scarte anormalement des valeurs moyennes de
la chronique. Il est difcile de savoir si la valeur atypique sest ralise ou si elle provient
dune erreur de saisie. Si la valeur sest effectivement ralise, nous devrions pouvoir
lexpliquer et insrer une composante dterministe dans le modle de prvision. Dans ce
cas, lidal serait de faire appel au jugement dun expert mtier pour identier les causes
de chacune des valeurs extrmes retenues. Mais face au nombre important de sries et
de dates lointaines dans le pass, la tche semble ardue. Mme lexpert ne se souvient
pas prcisment de ce qui est arriv un certain lundi 3 janvier dil y a 3 ans par exemple.
Cest pourquoi, nous faisons appel des mthodes statistiques pour dterminer quune
valeur est aberrante et la remplacer par une estimation plus raliste, lexception prs
des valeurs relatives un jour fri. Ces valeurs pourraient tre dsignes comme ex-
trmes car lactivit y est trs faible. Or, la faiblesse de lactivit sexplique justement
par le jour fri. Nous tudions les jours fris et leurs effets sur les jours voisins dans
la section 4.4.6.1. En attendant, pour que ces valeurs ne soient pas dtectes comme
extrmes, nous les modions par la moyenne du jour de la semaine et de lanne en
question. Aprs le traitement statistique, consistant rechercher les valeurs extrmes,
nous leur rattribuons leurs vraies valeurs.
Pour dtecter les valeurs extrmes, nous crons un intervalle de valeurs admissibles.
Toute valeur non comprise dans lintervalle sera dsigne comme aberrante. Cet inter-
valle se dnit pour un mois de lanne. Ainsi si nous sommes face un historique dune
longueur de trois ans, nous construisons 12 3 intervalles.
Construction de lintervalle dadmissibilit . Il dcoule dun outil de statistique descrip-
tive appel la bote moustache (ou boxplot en anglais). Cest une invention de TUKEY
(1977) pour reprsenter schmatiquement une distribution. Loutil dnit un intervalle de
valeurs comprises entre une extrmit infrieure et extrmit suprieure. Les valeurs
sont alors dnies comme atypiques lorsquelles sont situes au-del de ces frontires
136
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
(74).
Lintervalle dadmissibilit scrit :
[Q1 1, 5(Q3 Q1); Q3 + 1, 5(Q3 Q1)] (4.1)
Q1 et Q3 sont les valeurs du premier et du troisime quartile. 25% des valeurs de la
distribution sont infrieurs Q1 et 25% sont suprieurs Q3. (Q3 Q1) est lcart inter-
quartile (InterQuartile Range). Il est utilis comme indicateur de dispersion. Il correspond
50% des observations situes dans la partie centrale de la distribution.
Toute observation non comprise dans lintervalle est corrige par la valeur que prend
lextrmit la plus proche de lintervalle dadmissibilit .
Lalgorithme met en uvre cette mthode pour corriger les valeurs extrmes des deux
premires sries temporelles fournies en paramtres dentre. Suite cela, il rednit la
troisime srie temporelle comme la somme des deux premires.
Remarquons que ce processus de nettoyage des donnes donne des rsultats raison-
nables quand, dans un mme mois, un trop grand nombre de termes de la srie nest pas
nul. Dans le cas contraire, les valeurs nulles, dsignes comme extrmes, se verront at-
tribuer toute la mme valeur moyenne. Dautre part, le processus nefface pas les sauts
que prennent les valeurs dune anne sur lautre. Pour illustrer ces deux phnomnes
voqus, tudions la gure 4.1.
Figure 4.1 Serie chronologique du poids quotidien, en kg, total, des marchandises passes
quai avant et aprs nettoyage des valeurs extrmes
La gure 4.1 a pour but de montrer un cas extrme. Mais ces cas se rptent assez
frquemment pour tre souligns. La gure 4.1 montre les valeurs prises par une srie
temporelle, entre le 1
er
Janvier 2003 et le 31 Dcembre 2007, avant et aprs le processus
de nettoyage des donnes. Nous observons un palier entre la n de lanne 2003 et le
dbut de lanne 2004. Il peut tre d diverses causes, par exemple, une erreur dans
le traitement informatique des donnes. Rappelons que la source des donnes nest pas
137
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
la mme entre les donnes avant et aprs adoption du nouveau TMS (voir section 3.1.4).
Les procdures de transformation des donnes, selon leur base de donnes dorigine,
sont diffrentes. Mais elles sont penss de sorte quelles dnissent la mme grandeur
(voir section 3.1.2). Le palier observ peut galement tre d une hausse avre de
lactivit. Cette hausse fait suite larrive dun nouveau portefeuille client, ou mme dun
march. La hausse dactivit peut aussi tre due un regroupement dagences de trans-
port. Par exemple, les agences Mldo et TFE Vannes se sont regroupes pour nen
former plus quune. Dans tous les cas de gure, ce palier risque de fausser les calculs
de prvision. Cest pourquoi, quand lalgorithme dtecte un palier important, il efface de
lhistorique des valeurs observes antrieurement la date du palier.
Prcisons que la gure 4.1 reprsente les valeurs prises par la srie temporelle poids
quotidien, en kg, total, des marchandises passes quai dune agence de transport
TFE . Ces valeurs sont gales la somme des valeurs prises par la srie poids quoti-
dien, en kg, des marchandises passes quai dune agence de transport TFE et partant
en expdition et des valeurs prises par la srie poids quotidien, en kg, des marchan-
dises passes quai dune agence de transport TFE et partant en distribution . Par
abus de langage, nous appellons les sries respectivement, poids total , poids en
expdition , poids en distribution . La gure 4.1 montre que, suite au processus de
nettoyage des donnes, la srie poids total fait apparatre des valeurs extrmes d-
but de lanne 2004. Ce ntait pas lobjectif recherch. Ces valeurs sexpliquent par le
phnomne suivant. Dbut de lanne 2004, la srie temporelle poids en distribution
montrait des valeurs trs fortes alors que la srie temporelle poids en expdition mon-
trait des valeurs nulles aux mmes dates. Suite au processus de nettoyage des donnes,
ces dernires ont t redresses. Or, aprs le nettoyage des donnes des sries poids
en expdition et poids en distribution , la srie poids total est recalcule pour
quelle soit gale la somme des deux premires. Cest ainsi que des valeurs extrmes
sont apparues dans la srie temporelle poids total .
La gure 4.1 montre galement que les valeurs nulles dun grand nombre de termes de
la srie temporelle, observes n 2003 et n 2007, ont toutes t corriges par la mme
valeur. Cest parce quen Novembre 2003 et en Dcembre 2007, il manquait un grand
nombre dobservations, quelles ont t estimes par la valeur moyenne des observa-
tions de lanne. Par exemple, une valeur nulle, observe un lundi du mois de Dcembre
2007, est corrige par la moyenne des valeurs observes les lundis de lanne 2007. Si
les valeurs observes les lundis de novembre 2007 navaient pas manqu, nous aurions
retenu comme correction, leur moyenne.
Les tapes dextraction, duniformisation et le nettoyage des donnes ont permis dabou-
tissent ldice et la consolidation dun historique des sries temporelles prvoir.
Un historique propre tablit les fondations permettant dexcuter une suite de procdures
pour parvenir des prvisions.
138
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
4.4.3 Schma de dcomposition
Pour prvoir les sries temporelles dcrivant lactivit des agences de transport, nous
choisissons, dans un premier temps, de les dcrire par les composantes qui les consti-
tuent. Chaque srie temporelle tudie peut tre dcrite par la somme ou le produit de
trois composantes : la tendance, la saisonnalit et le bruit. Comme il a t expliqu dans
la section 2.3.3, il faut choisir entre un schma de dcomposition additif ou multiplicatif.
Une mthode pour dterminer le schma garder est celle de la bande . Elle consiste
tracer deux droites des MCO, passant respectivement par les maxima et les minima de
chaque priode de la chronique. Si les droites sont parallles, il faut dcider dun schma
additif, sinon dun schma multiplicatif. Le rsultat de lapplication de cette mthode sur
les sries temporelles tudies est systmatiquement le choix dun schma multiplicatif.
La raison en est simple. Lactivit des agences de transport a fortement progress au
cours du temps. Cette progression est plus accentue du lundi au vendredi que le sa-
medi. En dautres termes, lactivit au cours du temps du samedi progresse moins vite
que celle des autres jours de la semaine. Cet cart cr laccroissement de lamplitude
entre la droite passant par les minima et la droite passant par les maxima de chaque
priode de la chronique.
Citons R. Bourbonnais et JC. Usunier (18) qui font remarquer que le schma de dcom-
position multiplicatif est actuellement le plus utilis en conomie. Ils ajoutent : le schma
multiplicatif est commode puisque le logarithme de la chronique conduit au schma
additif .
Ainsi, nous posons lhypothse que les sries temporelles tudies peuvent tre dcom-
poses sur le schma multiplicatif. Pour tudier les composantes du schma, indpen-
damment les unes des autres, nous nous ramenons un schma additif, par le passage
au logarithme.
Soit Y
t
une srie temporelle, sa dcomposition, suivant le schma multiplicatif, est :
Y
t
= T
t
S
t
R
t
(4.2)
avec
T
t
la valeur de la tendance la date t,
S
t
la valeur de la saisonnalit la date t,
R
t
la valeur du rsidu la date t.
Le passage au schma additif se fait par la formule suivante,
Z
t
= ln(Y
t
) = ln(T
t
) + ln(S
t
) + ln(R
t
) (4.3)
Les sections 4.4.4 et 4.4.5 expliquent comment la tendance et la saisonnalit des s-
ries tudier sont estimes. Nous utilisons deux mthodes pour le faire. La premire
139
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
consiste dabord dduire la tendance, pour ensuite dduire la saisonnalit, par la m-
thode des moyennes mobiles. La deuxime mthode est celle propose par Buy-Ballot
(1847). Suite lapplication des deux mthodes, nous obtenons deux sries pour re-
prsenter le bruit. Dans la section 4.4.6, nous dduisons, des deux sries, leffet des
vnements calendaires. Dans la section 4.4.9, nous dtaillons le calcul dune prvision
pour chacune des deux sries. Nous ajoutons aux valeurs prvues leffet des vne-
ments calendaires, la saisonnalit et la tendance. Nous obtenons ainsi deux propositions
de prvision que nous combinons avec la condition de minimiser la variance de lerreur
entre la valeur relle et la prvision.
4.4.4 Dcomposition dune chronique : mthode n1
4.4.4.1 Traitement de la tendance
Plusieurs raisons nous font prfrer une modlisation de la tendance par une fonc-
tion linaire. Dune part comme le font remarquer juste titre B. Burtschy et C. Me-
nendian (24), dans le milieu conomique les tendances sont progressives. Dautre part,
nous avons mentionn dans la section 2.3.3 quil tait risqu dutiliser les fonctions non
linaires. Et surtout, lobservation des valeurs dcrivant lactivit des agences de trans-
port TFE dans le temps se prte une modlisation de la tendance, par une fonction
linaire. Pour exemple, la gure 4.2 montre le logarithme du poids quotidien de toutes
les marchandises passes quai dune certaine agence TFE, entre 2002 et 2009. Le
nuage de points indique, quen dbut danne, les poids sont moins importants quen n
danne. Une explication possible est la baisse de consommation des mnages en pro-
duits alimentaires aprs les ftes de n danne. Michel Vat (115), propose dapprocher
la tendance dune telle suite dobservations par une fonction linaire par morceaux de
priodicit annuelle.
Ainsi, nous posons lhypothse que la tendance des sries temporelles tudier peut
tre dcrite par la combinaison linaire dune tendance intra-annuelle et dune tendance
inter-annuelle. La tendance intra-annuelle est comprise entre janvier et dcembre. La
tendance inter-annuelle est comprise entre la premire date et la dernire date de lhis-
torique tudi.
Lquation de la tendance est une fonction du temps, elle scrit :
f (t) = T
t
= t + An(t) + (4.4)
avec t, le temps, et An(t) lanne correspondante au temps t, , et sont les inconnues
estimer. Lalgorithme, programm sous R, utilise la mthode de dcomposition QR (57).
140
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
Figure 4.2 Tendance par palier
Le terme An(t) permet de crer le palier entre deux annes conscutives. Toujours pour
tre plus proche des donnes observes, nous aurions pu choisir un palier diffrent pour
chaque anne comprise dans lhistorique. Mais, dans ce cas, quels paliers choisir dans
une perspective de prvision des annes futures ? La mthode retenue a le mrite de
crer un palier moyen. Il saccrot trs lgrement avec les annes, mais limpact sur les
donnes dduites de leur tendance reste ngligeable. La mthode retenue conduit aussi
un modle parcimonieux.
Nous venons de lvoquer, ltape suivante est de retrancher cette tendance la chro-
nique. Suite cette opration, nous obtenons une nouvelle chronique dont les valeurs
varient autour dune moyenne proche de zro. La nouvelle chronique compte donc des
valeurs ngatives. Or les valeurs ngatives nappartiennent pas lensemble de d-
nitions de la fonction logarithme. Rappelons que cette dernire permet de passer dun
schma multiplicatif un schma additif (voir formule 4.3). Pour redresser les valeurs
ngatives, nous soustrayons aux valeurs de la nouvelle chronique, sa valeur minimale. Il
en rsulte une chronique appele z

t
dont lquation scrit :
Z

t
= Z
t
T
t
min(Z
t
T
t
) (4.5)
141
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
4.4.4.2 Les composantes saisonnires
Pour se rendre compte de la saisonnalit de lactivit des agences de transport, il faut
superposer sur un mme graphique les variations des activits annuelles. Pour exemple,
la gure 4.3 superpose le poids hebdomadaire pass quai dune certaine agence TFE
entre 2001 et 2007.
Figure 4.3 Poids hebdomadaire en tonne pass quai entre 2001 et 2007
Nous nous intressons directement la saisonnalit hebdomadaire, et non mensuelle,
car nous cherchons prvoir le jour. Lavantage de la semaine par rapport au mois est
quelle contient toujours 6 jours ouvrables. Alors que le nombre de jours ouvrables, par
mois, peut varier. Par contre, le graphique de la gure 4.3 pointe le problme des num-
ros de semaines 1 et 52. Elles ne comptent pas 6 jours ouvrables et cest pourquoi le
poids est plus faible. Elles devront tre redresses.
Les valeurs prises par les indicateurs poids et nombre de positions passes quai dune
agence TFE, admettent une double saisonnalit. La saisonnalit hebdomadaire com-
porte 53 coefcients (semaine 0 semaine 52) et la saisonnalit journalire en comporte
318 (53 sem. 6 jours).
La saisonnalit hebdomadaire est due des priodes dactivit uctuante. Ces priodes
142
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
peuvent durer plus dune semaine, mais comme elles sont parfois mitoyennes sur deux
mois conscutifs, cest une raison de plus pour ne pas retenir la saisonnalit mensuelle.
Ces uctuations dactivit sont causes par des vnements extrieurs tels que la mto,
les vacances scolaires, les priodes de fte. Ces vnements, et notamment un certain
nombre de jours fris, varient de numro de semaine dune anne lautre. Cest ce qui
explique les pics dactivit dcals sur le graphique de la gure 4.3.
Figure 4.4 Superposition des poids quotidiens, en tonne, pass quai, entre 1999 et 2007,
dune agence
Comme latteste la gure 4.4, la saisonnalit journalire est trs marque. Elle est due
une rpartition de lactivit sur les 6 jours ouvrs de la semaine. Cette rpartition dpend
de lagence en question. Par contre, le point commun entre toutes les agences est une
trs faible activit le samedi. Elles cherchent, dans la mesure du possible ventiler les
transports sur le reste des jours de la semaine.
Certains facteurs sont intgrs explicitement dans la saisonnalit. Nous pensons aux
vacances scolaires, aux promotions qui se rptent la mme priode chaque anne.
Cest la raison pour laquelle nous ne nous attardons pas les analyser.
Pour dnir les coefcients saisonniers hebdomadaires, il faut partir dune chronique dont
143
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
le laps de temps entre deux observations est la semaine. Pour le systme de numrota-
tion des semaines nous nous sommes inspirs de la norme ISO 8601. Nous dnissons
la rgle comme suit :
la semaine commence le lundi,
les jours de chaque semaine sont numrots de 1 pour le lundi 6 pour le samedi,
la semaine 1 est celle qui contient le premier lundi de lanne (cest contraire
la norme ISO qui dit que la semaine 1 est celle qui contient le premier jeudi de
lanne).
Il sen suit que si le 1
er
janvier ne tombe pas un lundi, ce jour et les suivants, jusquau
prochain lundi, appartiennent la semaine 0, qui, avec la dernire semaine de lanne
(52) sont les seules susceptibles de ne pas compter 6 jours ouvrables.
Lalgorithme programm sous R corrige la valeur des semaines 0 et 52. Si elles com-
portent moins de 6 jours et si le nombre de jours est suprieur 3, sans compter le
samedi (valeur faible), la valeur hebdomadaire est pondre par
nombre de jours ouvrables (6)
nombre de jours de la semaine corriger
(4.6)
Sinon, elle prend comme valeur 0, 9 fois la valeur de la semaine suivante (semaine 1) ou
prcdente (semaine 51).
4.4.4.3 Mthode de dcomposition saisonnire par moyennes mobiles
Aprs avoir limin la tendance, nous cherchons estimer des coefcients saison-
niers des chroniques. La mthode des moyennes mobiles est une technique souvent
utilise pour lisser les valeurs prises par une srie chronologique. Cette mthode permet
ainsi deffacer les uctuations saisonnires. Des moyennes mobiles dordre 12 sont, par
exemple, calcules pour liminer la saisonnalit mensuelle dune srie temporelle, dont
lunit de temps entre deux valeurs est le mois. Comme il a t expliqu dans la section
3.2.3.1, les coefcients saisonniers sont calculs par la moyenne des diffrences (ou des
rapports) entre les moyennes mobiles et les valeurs prises par la srie temporelle.
Dans le cas des chroniques dcrivant lactivit des agences de transport, nous commen-
ons par calculer des moyennes mobiles dordre 53 pour effacer la saisonnalit hebdo-
madaire. La srie des moyennes mobiles scrit :
MM
t
=
1
53
t+26

t26
z

t
(4.7)
Imaginons que la srie temporelle z

t
contienne une valeur pour chaque semaine com-
prise entre le 1
er
Janvier 2002 et le 31 Dcembre 2008. Cet intervalle de temps com-
prend 371 (7 53) semaines. Le calcul des moyennes mobiles nest possible qu partir
144
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
de la 27
e
semaine de la srie temporelle, et jusqu la semaine 345 (371 26). Il y a donc
une perte dinformation. Or, nous souhaitons obtenir 371 moyennes mobiles et non 318
(371 53) pour les soustraire aux 371 valeurs de la chronique dorigine. Pour ce faire,
nous ajoutons des valeurs en tte et en queue de la srie des moyennes mobiles. Les
26 premires valeurs adjointes sont celles de lanne suivante la mme poque, soit,
dans notre exemple, les semaines 1 26 de lanne 2003. Les 26 dernires sont celles
de lanne prcdente la mme poque, soit, dans notre exemple, les semaines 27
53 de lanne 2007.
Suite cet exercice, dans le cas dun schma additif, nous pouvons calculer lcart entre
les valeurs observes et les moyennes mobiles. Dans le cas dun schma multiplicatif
nous calculons le rapport entre les valeurs observes et les moyennes mobiles. Pour les
53 numros de semaines, une moyenne des carts, ou rapports, est calcule. Les 53
coefcients, ainsi obtenus, sont normaliss pour aboutir aux 53 coefcients saisonniers
nots S
i
, (i = 0, . . . , 52).
A ce stade, nous avons calcul 53 coefcients saisonniers. Or, la srie tudier est une
srie temporelle dont le pas de temps entre deux valeurs est le jour, et non la semaine.
Pour extraire la saisonnalit hebdomadaire de la srie journalire, nous commenons
par calculer des poids journaliers moyens, pour rpartir le coefcient saisonnier hebdo-
madaire sur les 6 jours ouvrables de la semaine. Lquation scrit :
p
j
=
T

t=1
z

j,t
T

t=1
z

t
(4.8)
p
j
est la somme de toutes les observations du jour j divise par la somme des observa-
tions.
Dans le cas de lexemple cit plus haut, p
( j=lundi)
est la somme des valeurs observes
tous les lundis compris entre le 1
er
Janvier 2002 et le 31 Dcembre 2008, divise par la
somme de toutes les valeurs observes durant cette mme priode.
Pour dduire la saisonnalit hebdomadaire de la srie journalire, nous utilisons la for-
mule suivante :
z

a,i, j
= z

a,i, j
(S
i
p
j
) (4.9)
avec a lindice de lanne, i celui de la semaine et j du jour.
Aprs avoir retir leffet de la saisonnalit hebdomadaire, il reste estimer leffet de la
saisonnalit journalire, pour le retirer son tour. La mme mthodologie est utilise.
A partir de la srie temporelle z

a,i, j
, les 318 (53 6) coefcients saisonniers journaliers
sont calculs. La srie temporelle ln(R
(1)
a,i, j
) obtenue par la formule 4.10, est dpourvue de
tendance, de saisonnalit hebdomadaire et journalire (voir equation 4.3).
145
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
ln(R
(1)
a,i, j
) = z

a,i, j
S
i, j
(4.10)
S
i, j
, est le coefcient saisonnier du jour j de la semaine i.
Le graphique de la gure 4.5 illustre un exemple de variation des coefcients saison-
niers dun schma multiplicatif.
Figure 4.5 Reprsentation graphique de la saisonnalit
Les coefcients saisonniers montrent lcart de la valeur moyenne constate par rapport
la moyenne annuelle reprsente par laxe y = 0. Un coefcient de 0.5 signie que
lactivit est 1.5 fois suprieure lactivit moyenne annuelle. A la lecture des coefcients
hebdomadaires, nous constatons que lactivit est :
plus faible que lactivit moyenne annuelle, les semaines 2 9,
moyenne, les semaines 10 14,
au-dessus de la moyenne annuelle, les semaines 19 et 52.
4.4.5 Dcomposition dune chronique : mthode n2
4.4.5.1 Mthode de dcomposition linaire - formules de Buys-Ballot
En matire de prvision des ventes, la mthode idale nexiste pas. Partant du prin-
cipe que deux valent mieux quune, pourquoi ne pas utiliser une deuxime technique et
ne garder que le meilleur des deux. La deuxime technique choisie est celle propose
par Buys-Ballot (25). Cest une dessaisonalisation par rgression linaire.
146
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
Soit le processus suivant,
Z
t
= at + b +
1
S
(1)
t
+
2
S
(2)
t
+
3
S
(3)
t
+
4
S
(4)
t
+
5
S
(5)
t
+
6
S
(6)
t
+ ln(R
t
) (4.11)
La chronique z
t
se dcompose en une tendance, une suite de composantes saisonnires
S
j
t
et dun rsidu ln(R
t
). Les p composantes saisonnires sont des variables binaires pour
p saisons, dans lanne. La variable binaire est gale 1 lorsque la donne se rapporte
la saison envisage et 0 partout ailleurs.
Reprenons notre exemple. Lhistorique de la chronique prvoir comprend une valeur
pour chaque jour compris entre le 1
er
Janvier 2002 et le 31 Dcembre 2008. Le premier
janvier 2002 tant un mardi, nous commencerons lhistorique au 7 Janvier 2002 pour le
premier jour, soit un lundi. Le modle scrit,
_

_
7641
7815
7812
7774
6430
3527
7133
.
.
.
z
t
_

_
= b
_

_
1
1
1
1
1
1
1
.
.
.
1
_

_
+ a
_

_
1
2
3
4
5
6
7
.
.
.
t
_

_
+
1
_

_
1
0
0
0
0
0
1
.
.
.
S
1
t
_

_
+ +
6
_

_
0
0
0
0
0
1
0
.
.
.
S
6
t
_

_
+
1
_

_
1
1
1
1
1
1
0
.
.
.
S
7
t
_

_
+ +
53
_

_
0
0
0
0
0
0
0
.
.
.
S
59
t
_

_
+
_

_
ln(R
1
)
ln(R
2
)
ln(R
3
)
ln(R
4
)
ln(R
5
)
ln(R
6
)
ln(R
7
)
.
.
.
ln(R
t
)
_

_
(4.12)
Les paramtres reprsentent la saisonnalit journalire au sein dune semaine et les
paramtres , la saisonnalit hebdomadaire dans une anne.
Sous la forme matricielle nous obtenons,
_

_
7641
7815
7812
7774
6430
3527
7133
.
.
.
z
t
_

_
=
_

_
1 1 1 0 1 0 0
1 2 0 0 1 0 0
1 3 0 0 1 0 0
1 4 0 0 1 0 0
1 5 0 0 1 0 0
1 6 0 1 1 0 0
1 7 1 0 0 1 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1 t S
1
t
S
6
t
S
7
t
S
8
t
S
59
t
_

_
_

_
b
a

1
.
.
.

1
.
.
.

53
_

_
+
_

_
ln(R
1
)
ln(R
2
)
ln(R
3
)
ln(R
4
)
ln(R
5
)
ln(R
6
)
ln(R
7
)
.
.
.
ln(R
t
)
_

_
(4.13)
soit,
Z = X + ln(R) (4.14)
Le paramtre ( =
_
b, a,
1
, . . . ,
6
,
1
, . . . ,
53
_

) sestime par MCO,

= (X

X)
1
X

Z.
Dautre part, nous voulons que la somme des uctuations saisonnires soit nulle sur
147
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
lanne, nous imposons alors la contrainte :
6

i=1

i
+
53

i=1

i
= 0
Le problme destimation par moindres carrs devient,
_

_
min
,,
T

t=1
_

_
z
t

1

2
t
6

j=1
S
j
t

j

53

j=1
S
t
j

j
_

_
2
sous contrainte
6

j=1

j
+
53

j=1

j
= 0
(4.15)
Ainsi, pour chacune des 53 semaines et chacun des 6 jours travaills de la semaine,
nous obtenons des coefcients saisonniers.
La prvision la date t et horizons t + h scrit,
z
t
= at + b +
6

j=1

j
S
j
t
+
53

j=1

j
S
j
t
(4.16)
La srie corrige de sa tendance et des variations saisonnires (CVS) scrit,
ln(R
(2)
t
) = z
t
z
t
(4.17)
Suite aux deux mthodes de dcomposition, nous obtenons deux sries ln(R
(1)
t
) et ln(R
(2)
t
)
(voir quation 4.10 et 4.17). Ces sries contiennent encore de linformation dterministe,
que nous pouvons caractriser. Cette information dcrit leffet des vnements calen-
daires sur lactivit des agences de transport. Nous dtaillons la mthode destimation
dans la section 4.4.6.
Notons au pralable que dautres mthodes de lissage existent.
4.4.5.2 Autres mthodes de lissage
Les coefcients saisonniers sont obtenus en calculant la moyenne des rapports entre
la srie lisse et la srie relle, sur les diffrentes priodes. Aprs normalisation, nous
obtenons les coefcients saisonniers. La littrature propose dautres mthodes de lis-
sage, comme EVF, LOESS et ltrage par rgression.
La mthode EVF (Eigen Vector Filtrering ou Filtrage par les vecteurs propres) (65) , d-
compose le signal en composantes orthogonales. Elle dbute par lcriture dune matrice
de r sries dcales dun multiple de , partir de lhistorique de n observations x
i
. est
148
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
le dcalage temporel, r est le dcalage maximum entre les deux sries extrmes.
X =
_

_
x
(r1)(+1)
x
(2+1)
x
(+1)
x
1
x
(r1)(+2)
x
(2+2)
x
(+2)
x
2
x
(r1)(+3)
x
(2+3)
x
(+3)
x
3
x
(r1)(+4)
x
(2+4)
x
(+4)
x
4
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
x
n
x
n(r3)
x
n(r2)
x
n(r1)
_

_
(4.18)
Une analyse en composantes principales (ACP) est ralise sur la matrice de covariance
entre les r descripteurs de X, ce qui permet dextraire les valeurs propres et les vecteurs
propres V. Les valeurs propres expliquent la part de variance associe aux lments de
la dcomposition. Le premier vecteur propre, associ la premire valeur propre, est
assimil la tendance de la srie temporelle. En multipliant le premier vecteur propre
par sa composante nous obtenons une estimation de la chronique.
La difcult de cette mthode est le choix du dcalage maximum entre les 2 sries ex-
trmes. Soit t = (r 1) le dcalage entre 2 sries successives, si t est trop petit,
la srie prdite partir du premier axe factoriel suivra, peu de chose prs, la courbe
originale. Si le dcalage est trop grand, elle va sajuster une droite de tendance.
La mthode LOESS, est une rgression polynomiale sur les k plus proches voisins. Nous
considrons les k voisins gauche et droite dune observation. Nous effectuons une
rgression par MCO dun polynme dordres 1 ou 2 pour rcuprer la valeur prdite au
temps t. Quand lordre du polynme est 0, nous nous ramenons une dcomposition par
moyenne mobile. Le paramtre contrler dans cette mthode est le nombre de voisins
k. Comme pour les moyennes mobiles, nous pouvons considrer une fentre gale une
semaine, et donc prendre 6 termes conscutifs.
Le ltrage par rgression consiste ajuster une sinusodale sur la chronique. Le rap-
port des donnes la fonction nous amne aux coefcients saisonniers.
Remarquons que chacune de ces mthodes ncessite de xer un paramtre. Pour abou-
tir une dcomposition optimale, nous pourrions proposer de choisir les paramtres des
diffrentes mthodes de sorte que le coefcient de variation de la srie corrige des va-
riations saisonnires et de sa tendance, soit minimal. Le coefcient de variation est le
rapport entre lcart-type et la moyenne. Il exprime la dispersion de la chronique autour
de sa moyenne. Plus celle-ci est faible, plus la prvision sera prcise. Pour estimer les
paramtres des mthodes de lissage sous la contrainte voque, nous pourrions utiliser
les mthodes doptimisation vues dans la section 4.4.9.
Lusage de cette procdure montre que la saisonnalit des sries tudies est bien
dordre 6. Par contre, lalgorithme consistant tester les ordres de 2 318 (6 53),
149
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
pour en dnir loptimal, est trop coteux en temps dexcution.
La comparaison des diffrentes mthodes sur un chantillon dagences rvle que la
mthode des moyennes mobiles est retenue 9 fois sur 10. Dautre part, des procdures
de dtermination de la saisonnalit plus appropries existent : analyse spectrale, test
de priodicit de Whittaker Robinson. Par contre, elles ncessitent une intervention hu-
maine pour linterprtation, alors que nous cherchons, ici, automatiser compltement
la procdure de modlisation.
4.4.6 Evnements calendaires
La mthode qui suit est applique sur les deux sries corriges des valeurs extrmes,
de la tendance et des variations saisonnires obtenues par moyenne mobile et par la
mthode de Buys-Ballot.
4.4.6.1 Caractriser limpact des jours fris (97)
La perte dun jour dactivit provoque la rcupration de cette activit sur les jours voi-
sins. Par exemple, un jeudi fri peut conduire une augmentation de lactivit le lundi,
par anticipation, ou le vendredi, par retard. Souvent un jour fri a des consquences
prvisibles sur une priode de 8 jours (J 4,. . ., J,. . .,J + 4). Les consquences sont
diffrentes selon le type du jour fri, le jour de la semaine dans lequel il apparat, et
lagence en question.
La rcupration de la perte dun jour de travail sera variable selon que ce jour est un
lundi ou un samedi. Si cest un samedi, il y a peu dactivit rattraper, alors que le lundi
est une journe charge. Si le jour fri tombe un vendredi, les grandes et moyennes
surfaces anticipent et demandent que la livraison soit double le jeudi. Les livraisons ex-
plosent le jeudi, et les expditions gonent le mercredi pour des livraisons en A pour B.
Si le jour fri tombe un lundi, les grandes et moyennes surfaces anticipent un peu sur
le vendredi prcdent et rcuprent surtout le mardi. Si le fri est un jeudi, il y de fortes
chances que lactivit du vendredi soit rduite, car les salaris font le pont. Le mercredi
sera dautant plus charg.
Un jour fri est souvent synonyme de fte, ce qui engendre une augmentation de la
consommation des mnages. Par effet de boule de neige, lactivit du transporteur se
renforce. Mais cette hausse est variable selon quil sagit de la Toussaint ou de Nol.
150
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
Les agences ne sont pas gales face la hausse dactivit engendre par un jour fri.
Lagence de Bretanor, par exemple, est situe ct dune usine Cte-dOr . Lusine
approvisionne tous les magasins de France en chocolat de Pques. Cet approvision-
nement commence des mois avant lvnement et monopolise une grande partie des
ressources de lagence TFE. Dautres nont pas ce client et subissent moins de pous-
ses. Ou elles les subissent dautres moments. Canal froid Nantes, par exemple,
transporte le muguet du 1er avril sur lHexagone. La hausse dactivit nest, alors, pas
rpartie sur les mois qui prcdent, mais sur la semaine qui prcde. Le rush est alors
dautant plus violent.
Parfois, le 4
e
jour suivant un fri est aussi le 2
e
jour prcdent un autre fri. Cest
ce qui arrive en mai, entre la fte du Travail (1
er
mai) et la victoire 1945 (8 mai). Dans ce
cas, il est difcile de sparer leffet des deux jours fris.
Pour tenter de sparer ces quatre phnomnes engendrs par la survenance dun jour
fri nous retenons, pour chacun deux, les informations suivantes :
jour de la semaine (lundi,. . ., samedi) du fri,
jour de la semaine des 4 jours prcdents le fri,
jour de la semaine des 4 jours suivants le fri,
nom du jour fri.
La table 4.2 montre la matrice (T 12) laquelle nous aboutissons.
1 colonne pour le temps en dates,
10 colonnes pour le nom des jours fris (lundi de Pques, jeudi de lAscension,
Pentecte, 14 juillet, 15 aot, 1
er
novembre, 11 novembre, 1
er
mai, 8 mai, nol),
1 variable code entre 4 et 4 pour indiquer lloignement du jour impact au jour
fri,
T lignes pour le nombre denregistrement de lhistorique.
Cette matrice (table 4.2) est convertie en tableau disjonctif complet pour servir de va-
riables binaires an dajuster un modle de rgression sur la srie dsaisonnalise. La
matrice binaire est appele (X
1
).
4.4.6.2 Lanne comme variable calendaire
Le modle de tendance attribue la mme pente chaque anne pour modliser lallure
que prend lactivit sur une longue priode (plus dun an). Pour faire varier la pente en
151
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
Dates Lundi de Pques Fte du Travail . . . pos
Vendredi prcdent un samedi 1er mai -1
Samedi 1er mai
Lundi suivant un samedi 1er mai +1
. . . . . . . . .
04/04/2007 Mercredi prcdent -4
05/04/2007 Jeudi prcdent -3
06/04/2007 Vendredi prcdent -2
07/04/2007 Samedi prcdent -1
08/04/2007 Lundi de Pques
09/04/2007 Mardi suivant +1
10/04/2007 Mercredi suivant +2
11/04/2007 Jeudi suivant +3
12/04/2007 Vendredi suivant +4
. . . . . . . . .
28/04/2007 Jeudi prcdent un mardi 1er mai -4
29/04/2007 Vendredi prcdent un mardi 1er mai -3
30/04/2007 Samedi prcdent un mardi 1er mai -2
01/05/2007 Lundi prcdent un mardi 1er mai -1
02/05/2007 Mardi 1er mai
03/05/2007 Mercredi suivant un mardi 1er mai +1
. . . . . . . . . . . . . . .
Table 4.2 Matrice des vnements calendaires - Un champ date, un champ pour chaque
vnement calendaire analys, un champ pour la distante entre lenregistrement et le jour
fri.
fonction des annes comprises dans lhistorique de la srie chronologique, nous construi-
sons une matrice binaire, avec comme intitul des colonnes, les annes de lhistorique.
Cette matrice est appele (X
2
). Elle est concatne la matrice (X
1
) pour tre utilise
dans le modle de rgression linaire, et ainsi liminer la tendance annuelle. Nous nous
heurtons alors au mme problme que celui voqu lors de la dtermination du modle
de la tendance. Comment, lorsque quon se place en anne A pour prvoir les valeurs de
lanne A + 1, dterminer la pente pour lanne A + 1. Pour y remdier, nous tablissons
la rgle suivante.
Lorsque nous cherchons prvoir des valeurs de janvier A + 1, la pente retenue est
t + An(t) + dans lquation 4.4 ou at + b dans lquation 4.16. Aprs janvier, nous
considrons avoir assez dobservations ( 24 jours dobservations) pour estimer une
pente de lanne A + 1. Au fur et mesure que nous avanons dans lanne A + 1, la
152
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
pente se modiera en fonction des nouvelles observations enregistres.
4.4.6.3 Le modle de rgression des vnements calendaires
Nous utilisons les sries temporelles obtenues aprs dduction de la tendance et de
la saisonnalit suivant les mthodes de dcomposition de la section 4.4.4 et de la section
4.4.5. Les quations de rgression scrivent :
ln(R
(1)
t
) =
1
X
(EC)
t
+ b
1
+ U
1
t
(4.19)
ln(R
(2)
t
) =
2
X
(EC)
t
+ b
2
+ U
2
t
(4.20)
X
(EC)
est la matrice des vnements calendaires. Elle contient cte cte les tableaux
disjonctifs X
1
et X
2
voqus respectivement dans la section 4.4.6.1 et la section 4.4.6.2.
Les paramtres
1
,
2
, b
1
et b
2
sont estims par la mthode QR (57). U
1
t
et U
2
t
sont les
composantes stochastiques des sries ln(R
(1)
t
) et ln(R
(2)
t
). Nous posons lhypothse que
les sries U
1
t
et U
2
t
sont stationnaires, car elles sont issues de la srie chronologique
Z
t
, de lquation 4.3, dont nous avons dduit la tendance, la saisonnalit et leffet des
vnements calendaires.
4.4.7 Cycle
Les ouvrages dcrivant les sries chronologiques mentionnent souvent le cycle comme
composante de la srie. Le cycle est un phnomne itratif de longue dure qui varie au-
tour de la tendance long terme et qui est li la conjoncture conomique (prosprit,
crise, dpression, reprise). Les chroniques tudies ne comportent pas de cycles en
tant que tels, car le phnomne de croissance ou de dcroissance ne se rpte pas sur
une priode constante. Il se peut aussi que les historiques des chroniques tudies ne
soient pas assez long pour reprer un cycle. Larticle de Jean-Marie Dufour (47) voque
des cycles de 7 ans dans le loyer dun terrain. Ce cycle a t trouv par William Petty
(1623-1687). William Stanley Jevons (1984) identie un cycle de onze ans, dans lactivit
commerciale.
4.4.8 Modle complet
Comme il a t dit dans la section 4.4.3, nous posons lhypothse que le schma des
sries temporelles tudies est multiplicatif. Dans la mesure o les valeurs prises par
153
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
les chroniques tudies sont positives, il est ais de passer du schma multiplicatif un
schma additif par passage au logarithme.
Notons,
t, lindice de temps, il correspond une anne a, une semaine i, et un jour j,
Y
t
, la chronique corrige des valeurs extrmes,
T
t
, la tendance, S
t
, la composante priodique, R
t
, les rsidus.
Alors,
ln(Y
t
) = ln(T
t
) + ln(S
t
) + ln(R
t
) (4.21)
Et en utilisant la mthode prconise dans la section 4.4.4, les composantes se dve-
loppent sous la forme suivante :
ln(T
t
) = t + An(t) +
1
+ min(t + An(t) +
1
) (4.22)
ln(S
t
) = S
1
i
p
j
+ S
2
i, j
(4.23)
ln(R
t
) =
1
X
(EC)
t
+ b
1
+ U
1
t
(4.24)
En utilisant la mthode prconise dans la section 4.4.5, les composantes se dve-
loppent sous la forme suivante :
ln(T
t
) = at + b (4.25)
ln(S
t
) =
6

j=1

j
S
j
t
+
53

j=1

j
S
j
t
(4.26)
ln(R
t
) =
2
X
(EC)
t
+ b
2
+ U
2
t
(4.27)
Nous avons montr que les sries temporelles dcrivant lactivit des agences de trans-
port peuvent tre dcomposes suivant au moins, deux mthodes. La dcomposition
nous permet de retirer de la srie des valeurs observes, les composantes dterministes.
Suite cette action, il reste une srie de valeurs alatoires ou, du moins, inexpliques.
Selon la mthode de dcomposition utilise, les sries des valeurs inexpliques (U
1
t
, U
2
t
)
diffrent. La section 4.4.9 montre comment modliser les sries des valeurs inexpliques
dans le but de les extrapoler.
4.4.9 Prvision
Les procdures prcdentes nous ont permis de sparer la tendance, la composante
saisonnire et les vnements prvisibles, des rsidus.
Suite la gnration des graphiques prsentant les corrlogrammes
1
de la srie des
1. Mesure lassociation entre une variable est ses valeurs dcales de k priodes.
154
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
rsidus, il est noter quil reste, selon les cas, une relation de cause effet entre lobser-
vation une date t et les observations prcdentes (t 1, t 2, t 3, t 4, t 5, t 6).
Pour prvoir une telle srie, nous avons le choix entre un lissage exponentiel simple,
un lissage exponentiel de Holt-Winters et un lissage autorgressif moyenne mobile.
Ces derniers permettent dexprimer la valeur dune srie temporelle linstant prsent
par une somme pondre de ses valeurs passes et dun bruit blanc. Les auteurs Box et
Jenkins ont fortement contribu dvelopper ces modles dans les annes 1970 pour
dnir les modles ARMA. Par contre, ces modles ncessitent lintervention dun expert
sachant interprter les corrlogrammes, ou lutilisation dalgorithme coteux de ressource
informatique, pour identier les paramtres p et q des proprits autorgressives et de
moyenne mobile. Cest pourquoi nous prfrons les modles exponentiels qui ont lavan-
tage dtre automatisables. Bien quelle est sense ne plus exister dans le rsidu, dans
certains cas seulement, une saisonnalit journalire persiste. Nous favorisons donc le
lissage de Holt-Winters (voir section 3.2.4) car il intgre un paramtre de saisonnalit.
4.4.9.1 Recherche des paramtres optimaux dun lissage de Holt-Winters
Rappelons les quations du lissage de Holt-Winters pour une chronique x
t
quel-
conque (voir section 3.2.4).
Lissage de la moyenne :
a1
t
= (x
t
S
tPe
) + (1 )(a1
t1
+ a2
t1
) (4.28)
Le lissage de la tendance,
a2
t
= (a1
t
a1
t1
) + (1 )a2
t1
(4.29)
Le lissage de la saisonnalit,
S
t
= x
t
a1
t
+ (1 )S
tPe
(4.30)
Pe dsigne la priode. Notons U
1
t
et U
2
t
, les sries temporelles des valeurs inexpliques
obtenues suite la dduction des composantes dterministes, suivant les deux m-
thodes de dcomposition proposes. Le rsultat des autocorrlogrammes des sries U
1
t
et U
2
t
nous apprend quil reste gnralement une corrlation entre lobservation la date
t et celles aux dates t 1 et t 6. Nous pouvons en conclure que la composante p-
riodique dordre 6 na pas t sufsamment bien estime. Cest pourquoi nous gardons
le paramtre du modle de Holt-Winters, pour lisser la saisonnalit. Par contre, nous
annulons le paramtre , car nous posons lhypothse que la tendance des sries U
1
t
et
U
2
t
est nulle.
155
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
Pour parvenir un lissage de Holt-Winter optimum, nous choisissons les paramtres et
pour minimiser lerreur quadratique entre les chroniques U
1
t
, U
2
t
et leurs estimations :

U
1
t
,

U
1
t
.
Les traitements suivants sappliquent aux deux sries U
1
t
, U
2
t
. Mais pour ne pas rpter
inutilement les quations, nous utilisons le caractre U
t
pour dsigner lune ou lautre des
sries U
1
t
et U
2
t
.
Rappelons que la prvision des valeurs futures scrit, en remplaant la srie x
t
par
la srie U
t
, (voir section 3.2.4) :

U
t+h
= a1
t
+ h a2
t
+ S
tPe+h
si 1 h Pe (4.31)

U
t+h
= a1
t
+ h a2
t
+ S
tPe+2h
si Pe + 1 h 2Pe (4.32)
Par optimisation, nous cherchons trouver les valeurs des paramtres et qui mi-
nimisent la fonction cot. Dans notre cas, la fonction cot est la somme des erreurs
quadratiques :
f (U,

U) = min
_

_
T

t=7
(U
t


U
t
)
2
_

_
(4.33)
avec T le nombre dobservations de lhistorique.
La procdure de minimisation se fait par lalgorithme L-BFGS-B (1997). Il adapte la
mthode doptimisation Quasi-Newton aux sries de grandes tailles et en ajoutant des
contraintes dencadrement bound constraints . Les contraintes sont que et soient
compris entre 0 et 1. En partant dune valeur initiale, lalgorithme itratif parcourt les
points de lespace des solutions, selon une mthode de gradient, dni par les contraintes,
jusqu trouver les valeurs qui rpondent au critre impos. Le critre tant de trouver le
minimum de la fonction cot. Pour une documentation plus complte sur les mthodes
numriques utilises pour rsoudre des systmes dquations (voir (69)).
Lestimation des paramtres et , permet dutiliser lalgorithme de Holt-Winters pour
prvoir les valeurs futures des sries temporelles U
1
t
et U
2
t
. Pour ce faire, les valeurs
initiales a1
0
et S
0
sont initialises respectivement avec lordonne lorigine de la droite
de tendance, MM
6
(U
t
) = At + B (MM
6
dsigne la moyenne mobile centre dordre 6)
et aux coefcients saisonniers, suite la dcomposition par moyennes mobiles.
4.4.10 Recomposition de la prvision
Suite lextrapolation de la srie U
t
, il reste recomposer la srie prdite. Pour ce
faire, les valeurs prdites par la mthode de Holt-Winters sont additionnes aux compo-
santes dterministes que nous avions soustraites prcdemment.
156
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
Soit,

U
t+h
= a1
t
+ h a2
t
+ S
tPe+h
si 1 h Pe (4.34)

U
t+h
= a1
t
+ h a2
t
+ S
tPe+2h
si Pe + 1 h 2Pe (4.35)
la prvision du jour t + h, calcule le jour t, donne par Holt-Winters.
Nous y ajoutons,
limpact des vnements calendaires (X
(EC)
t+h
+ b).
Selon la premire mthode de dcomposition, nous ajoutons aussi,
les coefcients saisonniers journaliers t + h : S
2
i, j
,
les coefcients saisonniers hebdomadaires t + h : S
1
i
p
j
,
la tendance t + h : (t + h) + An(t + h) +
1
+ min((t + h) + An(t + h) +
1
),
ou selon la deuxime mthode de dcomposition, nous ajoutons
la tendance t + h : a(t + h) + b
les coefcients saisonniers t + h :
6

j=1

j
S
j
t+h
+
53

j=1

j
S
j
t+h
.
La recomposition amne la srie des valeurs prdites ln(Y
t+h
). En appliquant la fonction
exponentielle, nous obtenons la prvision de la srie des valeurs observes :
Y
t+h
= exp(ln(Y
t+h
)) (4.36)
4.4.11 Combinaison des prvisions
Du fait des deux procdures de dcomposition, nous obtenons deux rsultats de pr-
vision. Les erreurs de prvision obtenues par les deux mthodes ne permettent pas de
conclure la supriorit de lune sur lautre. Cest pourquoi nous combinons les rsultats.
Lobjectif est de minimiser la variance des erreurs de prvision. La mthode choisie a t
propose par R. Bourbonnais et JC Usunier dans leur ouvrage Prvision des ventes,
thorie et pratique (18).
Lerreur de prvision est la diffrence entre la valeur observe et sa prvision.
EP
t+h
= y
t+h
y
t+h
(4.37)
La prvision combine (PC) est une moyenne pondre des deux prvisions individuelles
P1 et P2,
PC = kP1 + (1 k)P2, k est le coefcient pondrateur, 0 < k < 1. (4.38)
157
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
Lerreur de prvision combine,
EPC = kEP1 + (1 k)EP2 (4.39)
La variance de lerreur de prvision,
V(EPC) = k
2
V(EP1) + (1 k)
2
V(EP2) + 2k(1 k)Cov(EP1, EP2) (4.40)
Nous cherchons k qui minimise V(EPC), en annulant la drive, la solution est :
k =
V(EP2) Cov(EP1, EP2)
V(EP1) + V(EP2) 2Cov(EP1, EP2)
(4.41)
Si les erreurs de prvision sont corrles alors, Cov(EP1, EP2) = 0
Si k > 1 ou k < 0
alors, si V(EPC, k = 0) > V(EPC, k = 1)
alors, k = 1
sinon k = 0
Dans la pratique, avant chaque prvision une date t, nous recalculons les coefcients
k sur un historique dune anne prcdant la date t. Lhistorique comprend les donnes
observes et prvues.
Clive Granger (58) dmontre galement que la variance de lerreur de prvision com-
bine est infrieure aux variances respectives des deux erreurs issues de P1 et P2.
Par ailleurs, les prvisions combines devraient tre plus robustes, puisquelles ne d-
pendent pas fortement de la spcication dun seul modle ajoutent T.J. Jordan et M.R.
Savioz (112).
Notons quil existe dautres mthodes de combinaison de prvision issues de modles
diffrents. F. Li et G. Tkacz (113) comparent des mthodes de combinaison linaire et
non linaire. Ils distinguent le cas o les erreurs de prvision des diffrents modles sont
corrles, du cas o elles ne le sont pas.
Mentionnons aussi les mthodes ensemblistes de prvision utilises plus particulire-
ment en mtorologies. La mthode appele Ensemble Transform Kalman Filter (15)
analyse la covariance des erreurs de prvision.
4.4.12 Redressement des prvisions
Les chroniques du poids ou du nombre de positions quotidiens passs quai, en ex-
pdition, en distribution et au total, sont prvues sparment. Or lobservation la date
t de la chronique total doit tre gale la somme de lobservation de la chronique
158
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
expditions la date t et de lobservation de la chronique distributions la date
t. Pour rpondre cette contrainte, il faut redresser les valeurs prvues. Nous posons
lhypothse que lerreur de prvision de la somme est moins leve que les erreurs cu-
mules des prvisions des sries temporelles expditions et distributions . Ainsi,
nous choisissons de garder inchange la prvision de la srie temporelle total des mar-
chandises passes quai , pour corriger les deux autres.
Rappelons que les sries temporelles prvoir sont :
poids total en kg des marchandises passes quai, sur une journe dactivit,
poids expdi en kg des marchandises passes quai, sur une journe dactivit,
poids distribu en kg des marchandises passes quai, sur une journe dactivit,
nombre de positions totales des marchandises passes quai, sur une journe
dactivit,
nombre de positions expdies des marchandises passes quai, sur une journe
dactivit,
nombre de positions distribues des marchandises passes quai, sur une journe
dactivit.
La procdure dajustement est la suivante. Soit,
exp
t+h
lindicateur prvu en expditions avant redressement pour la date t + h,
dis
t+h
lindicateur prvu en distributions avant redressement pour la date t + h,
tot
t+h
lindicateur prvu au total avant redressement pour la date t + h,
exp
t+h
lindicateur prvu en expditions aprs redressement pour la date t + h,

dis
t+h
lindicateur prvu en distributions aprs redressement pour la date t + h,

tot
t+h
lindicateur prvu au total aprs redressement pour la date t + h,
Alors,
exp
t+h
= tot
t+h
exp
t+h
exp
t+h
+ dis
t+h
(4.42)

dis
t+h
= tot
t+h
dis
t+h
exp
t+h
+ dis
t+h
(4.43)

tot
t+h
= tot
t+h
(4.44)
Cette mthode lavantage de conserver les proportions prvues entre la valeur de
lindicateur en expdition et sa valeur en distribution.
4.4.13 Contrle de la qualit dajustement par le test du bruit blanc
Une manire de vrier que linformation dterministe contenue dans la chronique
dorigine a bien t extraite consiste tester lindpendance des rsidus. Le test choisi
159
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
est celui de Ljung et Box.
Lhistorique des sries temporelles tudies est divis en un chantillon dapprentissage
et un chantillon test (voir section 4.5.1). Lchantillon dapprentissage permet destimer
les paramtres du modle. Lchantillon test permet de comparer la valeur rellement
observe avec la valeur prdite. Les rsidus sont donc calculs en comparant la valeur
observe (y
t
) dans lchantillon test et la valeur prdite ( y
t
) pour la mme date.

t
= y
t
y
t
(4.45)
(4.46)
Le test de Ljung permet de tester si une variable suit un bruit blanc. Un bruit blanc est la
ralisation dun processus alatoire stationaire.
Ainsi, u
t
est un bruit blanc si pour tout t T : E[u
t
] = 0, E[u
2
t
] =
2
, avec u
t
et u
th
indpendants si h 0, t et (t h) T
2
.
Lhypothse nulle du test de Ljung est H0 : la srie suit un bruit blanc, autrement dit
les coefcients dautocorrlation sont nuls.
La statistique Q = T(T + 2)
h

=1
1
T t

() suit une loi du

2
degrs de liberts.

() =
1
T
T

t=+1
(
t
)(
t
)
1
T
T

t=1
(
t
)
2
=
cov(
t
,
t
)
var(
t
)
(4.47)
est la fonction dautocorrlation dordre . En dautres termes, cest la moyenne des cor-
rlations entre
t
et
t
pour t = {1, . . . , T }. La valeur de Q dpend du nombre de
retard sur lequel elle est calcule (36). Nous pensons que dans le cas de lactivit
dune agence TFE, un retard suprieur 6 jours nest plus signicatif. Cest--dire que le
rsultat dun lundi peut dpendre des 6 jours de la semaine prcdente et donc du lundi
prcdent. Au del et aprs dessaisonalisation, cela na plus de sens.
Si Q >
2
,0.95
, H0, lhypothse que la srie est un bruit blanc, est rejete au risque 5%.
Le test manque de puissance. Supposons quon ait vraiment un processus bruit blanc
et admettons, en premire approximation, que les statistiques de test soient mutuelle-
ment indpendantes. La probabilit de rejeter au moins une hypothse H

est gale
2. Les Sries Temporelles, Emmanuel Csar & Bruno Richard, Universit de Versailles Saint-Quentin-en-
Yvelines, Module XML et Data Mining - Mars 2006
160
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
1(0.95)

et peut donc tre bien plus grande que 0.05. Dans notre cas, = 8, la probabi-
lit de dtecter de lautocorrlation qui nexiste pas est de lordre de 33%. A contrario, il
arrive que lhypothse de bruit blanc soit accepte alors quil y a de lautocorrlation pour
lun ou lautre retard. Pour bien faire, G. Mlard (89) conseille
deffectuer des tests individuels pour tous les retards de 1 ; la statistique de test
est

T

() N(0, 1),
deffectuer le test global et de considrer son rsultat en mme temps que le
nombre de rejets lors de tests individuels.
Dans le cadre de la prvision dactivit des agences de transport, le test du bruit blanc
est un moyen de contrler que le modle de prvision utilis, a retir toute linformation
dterministe des sries chronologiques tudies. Cest un indicateur pour apprcier la
justesse du modle de prvision. Dautres indicateurs de performance des propositions
de prvision seront abords dans la section 4.5.
4.4.14 Avantages et inconvnients
Les avantages et inconvnients de ce modle sont :
Avantages Inconvnients
prend en compte les spcicits
dun jour fri,
reste rigide dans lattribution des priodes de
saisonnalit (journalire et hebdomadaire),
corrige lhistorique de sa tendance
annuelle et celle long terme,
mthode fruste qui considre que la saisonnalit
ne peut pas voluer,
automatise la recherche des coe-
cients optimaux,
ne prend pas en compte leet de facteurs ex-
ternes relatifs la conjoncture conomique,
ajuste les 3 chroniques pour rendre
des rsultats cohrents,
compte un nombre de paramtres estimer trop
important au regard de la taille de lhistorique
( 5 ans). Pour chacune des dcompositions il y
a 2 paramtres pour la tendance, 313 pour la sai-
sonnalit quotidienne, 53 pour lhebdomadaire,
20 pour les vnements calendaires et un der-
nier pour le lisage exponentiel.
explique au dcideur leet des pa-
ramtres sur la srie prvoir.
Table 4.3 Avantages et inconvnients du modle de prvision Horizons
161
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
4.5 Validation du modle mathmatique propos
4.5.1 Critres de comparaisons
Pour apprcier les prvisions, nous nous remettons des critres dvaluation. Ce
sont des statistiques permettant de mesurer la qualit dune prvision. Elles se basent
sur lcart la ralisation (la moyenne derreurs de prvision antrieures), et lincertitude
entourant le modle de prvision (la variance de lerreur). Pour ce faire, il faut constituer
une base danalyse. Comme lillustre le schma de la gure 4.6, la base danalyse spare
lhistorique des valeurs observes de la srie temporelle prdire, en deux chantillons.
Dans le cas de la description de lactivit des agences de transport, lobservation des
donnes est souvent effectue sur une dure de 5 ans (au mieux 7 ans). Les 12 mois
les plus rcents constituent lchantillon test, lequel servira de rfrence pour valuer la
qualit des prvisions. Les 48 mois prcdents constituent lchantillon dapprentissage
sur lequel est formul le modle pour estimer les observations de la priode rcente.
Figure 4.6 Dcoupage de lhistorique en chantillon dApprentissage et chantillon Test
Il est vident que les observations de lchantillon test ne doivent pas servir estimer
les paramtres du modle de prvision, sans quoi les valeurs prdites pourraient tre la
consquence, et non la cause, de la valeur du rsultat prvoir, explique Tuffry (114).
La performance du modle de prvision se mesure en comparant les valeurs prdites
par le modle pour les dates de lchantillon test ( y
t
), avec les valeurs observes ces
mmes dates ((y
t
). La comparaison de valeurs prdites et observes se fait par le biais
des indicateurs de mesure suivants :
ME (Erreur Moyenne) : cest la diffrence moyenne entre la valeur observe et sa
prvision. Cette mesure donne la tendance dun modle fournir des prvisions
suprieures ou infrieures aux ralisations.
ME =
1
T
T

t=1
(y
t
y
t
)
MAE (Erreur Moyenne Absolue) : cest la moyenne des diffrences absolues entre
la valeur observe et sa prvision. Cette mesure considre limportance plutt que
162
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
le sens des erreurs de prvision.
MAE =
1
T
T

t=1
|y
t
y
t
|
RMSE (Root Mean Square Error) : cest la racine de lerreur de prvision qua-
dratique moyenne. En levant au carr lerreur de prvision moyenne, les grosses
erreurs de prvision sont davantage pondres que les petites.
RMS E =

_
1
T
T

t=1
(y
t
y
t
)
2
BAR (Biais Absolu Relatif) : cest la moyenne absolue des erreurs rapporte la
moyenne absolue des valeurs relles. Une mthode de faible biais relatif sera dite
juste.
BAR = MAE/ y
DR (Dispersion Relative) : cest la dispersion de lerreur autour de la moyenne des
valeurs relles. Une mthode de faible dispersion relative sera dite prcise explique
R. Loutfoullah (78).
DR =

erreur
y
r
2
(coefcient de dtermination) : cest un indice statistique qui mesure la qualit
de lajustement linaire des estimations du modle. Il donne la proportion de la
variation des observations qui sexpliquent par les variations de la variable obtenue
par le modle. Un coefcient proche de 0 signie un mauvais ajustement, alors
quun coefcient proche de 1 montre un bon ajustement linaire entre le rel et la
prvision.
r
2
=
T

t=1
( y
t
y
t
)
2
T

t=1
(y
t
y
t
)
2
=
variance explique
variance totale
Pourcentage derreur absolue infrieure 5% et 10% : cet indicateur donne la
proportion derreurs absolues comprises entre 0 et 5% et la proportion derreurs
absolues dans lintervalle [0% 10%]. Lobjectif tant de se rapprocher des 100%
derreurs absolues inclues dans lintervalle [0% 5%].
- Erreur minimal et maximal : ces mesures donnent une ide de la dispersion des
erreurs. Notons que ces mesures peuvent tre dues des valeurs extrmes. Il faut
les manier avec prcaution.
Il est difcile pour lutilisateur des prvisions dutiliser lensemble de ces mesures pour se
faire une opinion sur la justesse des prvisions proposes. Dans la section 2.3.5, nous
avons soulign comment classier les mesures de performance selon le but recherch.
163
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
Suite au choix des mesures de performance, la section 2.2.11, dnit lerreur acceptable.
Cest un juste milieu entre, le cot investir pour amliorer les performances prvision-
nelles, et limpact des dcisions prises sur la base dune prvision errone.
4.5.2 Exemple : Lagence de transport TFE Nantes
60% de lactivit de lagence de transport de Nantes se font en distribution, contre
40% en expdition. Limportance de la distribution vis--vis de lexpdition sexplique par
le fait que Nantes est une mtropole de 250.000 habitants. Lagence de Nantes est une
plate-forme toile pour les expditions en provenance de Bretagne, Loire Atlantique et
destination des rgions du Sud-Ouest. Entre janvier et mars, lactivit est stable au-
tour de 750 tonnes (du lundi au vendredi). Les jours fris davril et mai, provoquent de
brusques changements de rgime. Le poids des marchandises transportes peut passer
de moins de 10 tonnes le jour fri plus de 1.110 tonnes deux jours avant. Les samedis
et jours fris exclus, lactivit davril et mai frle les 1000 tonnes par jour. Juin est une
priode daccalmie. Avec une activit autour de 900 tonnes/jour et quelques jours fris,
juillet et aot sont des mois chargs. Septembre, octobre est une priode qui retrouve le
calme de dbut danne avec une moyenne infrieure 800 tonnes/jour. Enn, lactivit
progresse rgulirement tout le long de dcembre, pour atteindre un pic de 1.114 tonnes,
cinq jours avant Nol.
Les tableaux suivants comparent les rsultats de prvision un horizon dune semaine,
sur la priode du 1er Janvier au 31 Juillet 2007. Trois chroniques sont tudies : le poids
quotidien pass quai en expdition, en distribution et le total. Les modles sont vulgai-
rement appels TFE 2 pour dsigner celui illustr dans la section 3.2.3, TFE 3
dans la section 3.2.4 , et nouveau dans la section 4.4.
Moyenne des erreurs de prvision : ME
Modle Expdition Distribution Total
TFE 3 -11 -4 -7
TFE 2 -7 25 18
Nouveaux -11 1 -10
Table 4.4 Moyenne des erreur de prvision
Lerreur moyenne indique dans les tableaux 4.4,4.5 indiquent une sous- ou surestima-
tion des prvisions. Rappelons que lerreur de prvision scrit e
t
= y
t
y
t
. Le nou-
veau modle surestime en moyenne de 10 tonnes le poids quotidien total pass quai,
164
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
Ecart-type des erreurs de prvision : VE
Modle Expdition Distribution Total
TFE 3 36 77 80
TFE 2 35 55 66
Nouveaux 23 54 60
Table 4.5 Ecart-type des erreur de prvision
Expdition Distribution
Modle RMSE BAR DR RMSE BAR DR
TFE 3 38T 11% 15% 76T 12% 17%
TFE 2 36T 12% 15% 60T 11% 12%
Nouveaux 25T 8% 10% 54T 9% 12%
Table 4.6 Indicateurs de performance
alors que le modle TFE 2 sous-estime le mme indicateur, de 18 tonnes. Une er-
reur moyenne nulle est un indicateur permettant de conclure un modle de prvision
quilibr. En effet, une erreur moyenne nulle signie que le modle de prvision sur-
estime autant quil sous-estime les valeurs rellement observes. Les tableaux 4.4,4.5
indiquent galement lcart-type des erreurs calcules. Lcart-type mesure la dispersion
des erreurs autour de leur moyenne. Ce qui signie que plus lcart-type est faible, plus
lintervalle de conance autour de la prvision est serr, et meilleure sera la conance
accorder la prvision. Ainsi, un modle de prvision doit chercher rendre lerreur
moyenne nulle et rduire cart-type des erreurs. Les tableaux 4.4,4.5 montrent que, se-
lon ces deux mesures, le nouveau modle de prvision remporte la victoire sur les deux
autres modles. Il ny a que lerreur moyenne obtenue par le modle de prvision TFE
2 , sur la prvision de la srie temporelle appele expdition , qui soit meilleure que
lerreur moyenne obtenue par le nouveau modle de prvision.
Les tableaux 4.6, 4.7 comparent les 3 modles suivant le biais absolu relatif et la dis-
persion relative. Ces indicateurs se rfrent la moyenne des valeurs observes. Le
nouveau modle se trompe en moyenne de 7% par rapport leur moyenne des valeurs
observes de la srie temporelle : poids total des marchandises passes quai .
Les erreurs varient de 9% autour de cette moyenne (estime 7%). Ces rsultats sont
meilleurs que ceux obtenus par les deux autres modles. Cependant, lobjectif dune er-
reur de prvision infrieure 5% nest pas atteint.
Les gures 4.7, 4.8 donnent un aperu dtaill des poids quotidiens passs au quai de
lagence de transport de Nantes. Ils afchent les valeurs quotidiennes observes, suivies
des estimations obtenues par les 3 modles.
165
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
Total
Modle RMSE BAR DR
TFE 3 80T 9% 12%
TFE 2 68T 8% 10%
Nouveaux 61T 7% 9%
Table 4.7 Indicateurs de performance, suite
Expdition Distribution
Modle r
2
%EA <5% %EA <10% r
2
%EA <5% %EA <10%
TFE 3 0.87 29% 51% 0.75 35% 57%
TFE 2 0.86 21% 40% 0.82 27% 58%
Nouveaux 0.94 39% 62% 0.84 43% 69%
Table 4.8 Pourcentage de prvisions justes
Figure 4.7 Reprsentation graphique de la chronique des poids quotidiens passs quai
entre Janvier et Fvrier 2007
Observons que le modle TFE 2 ne considre plus le lundi de Pentecte comme
un jour fri. Or la ralit est diffrente. Suivant les politiques des agences et de leurs
clients, le lundi de Pentecte est chm, ou non.
Les courbes des gures 4.7,4.8 rvlent que la qualit des prvisions varie suivant la
bonne stabilit du comportement de lactivit. Une priode dactivit stable (janvier
mars), permet dextrapoler la chronique sans dgager derreurs importantes. Par contre,
les priodes de turbulence (avril, mai) posent encore des problmes. Il apparat que la
166
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
Total
Modle r
2
%EA <5% %EA <10%
TFE 3 0.87 41% 67%
TFE 2 0.90 44% 69%
Nouveaux 0.92 52% 76%
Table 4.9 Pourcentage de prvisions justes, suite
Figure 4.8 Reprsentation graphique de la chronique des poids quotidiens passs quai
entre Avril et Mai 2007
mthode choisie pour mesurer leffet des jours fris sur lactivit nest pas la plus ad-
quate. Pour tre performante, la mthode ncessite plus de donnes historiques. Rap-
pelons quelle estime un coefcient de perte ou gain par MCO pour chacun des 5 jours
prcdents et suivants un fri. Cette estimation se base sur le jour de la semaine du
fri, or, en 7 ans, Nol a peu de chance de tomber plus de 2 fois un lundi, par exemple.
Le cycle permettant de retrouver un mme jour de la semaine pour un jour fri est de
28 ans. Cependant, un cycle de 11 ans, voire 7 ans, pourrait tre admissible. Le lecteur,
intress par la rpartition des jours fris, peut se rfrer la dnition donne sur le
site de Wikipdia (120). Ainsi pour calculer les pondrations, le processus se base sur
chantillon dau mieux 2 3 observations. Dautre part, ces observations sont loignes
dans le temps. Amliorer lanalyse des effets provoqus par les jours fris est un objectif
atteindre.
Ajoutons que les tests de normalit (Shapiro-Wilk, droite dHenry) et les tests dabsence
dautocorrlation (Ljung-Box) sont positifs sur la srie des erreurs du nouveau modle.
Daprs Kozicki et Tinsley (71), le non-rejet du test dabsence dautocorrlation est inter-
prt comme une indication que le modle dcrit bien la chronique.
167
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
Enn, la comparaison des modles devrait se poursuivre suivant des critres non statis-
tiques comme la rapidit dexcution des algorithmes.
4.5.3 Etude des variations des erreurs de prvision sur une trentaine
dagences
Citons Mraud et Tymem (94) qui afrment quune mthode doit tre juge par les r-
sultats auxquels elle conduit quand elle est applique un nombre important de sries.
La section 2.3.5 nous apprend quun indicateur de performance est le pourcentage der-
reur (PE). Le graphique de la gure 4.9 rsume la distribution annuelle des PE quotidiens
commis sur la prvision du poids des marchandises passes quai dans 36 agences de
transport en 2009. Pour chacune des agences, les PE quotidiens sont partags en 4
parts gales. Le rectangle central comprend 50% des PE quotidiens. Il est partag en
deux par la mdiane de la srie. 25% des valeurs sont comprises entre les extrmits
du segment, en pointills, au-dessus du rectangle et 25% des valeurs sont comprises
entre les extrmits du segment au-dessous du rectangle. Notons que, pour lensemble
des agences reprsentes, la mdiane des pourcentages derreur quotidiens est proche
de 0. Dans la grande majorit des cas, 50% des pourcentages derreurs quotidiens sont
compris entre -10% et 10%. Lcart moyen entre lextrmit du segment suprieur et lex-
trmit du segment infrieur est de 45%. En moyenne, sur lanne 2009, le pourcentage
derreur fait sur la prvision du poids des marchandises passes quotidiennement quai
est de 2%. Lcart type de cette mme srie est de 17%.
Retenons que les carts entre la prvision, du poids quotidien des marchandises pas-
ses quai dans 36 agences de transport en 2009, et la ralisation se dispersent de
manire homogne autour dune moyenne proche de 0.
4.6 Choix et cartographie des outils informatiques
Comme le prconise lorganigramme de la gure 1.8 dans la section 1.2.3, les don-
nes ncessaires la prvision des indicateurs sont collectes et un modle statistique
de prvision est dni. Ltape suivante est linformatisation des traitements. Cest lobjet
des sections4.6 4.7
Nous lavons mentionn, les indicateurs prvoir nexistent pas tels quels dans les bases
168
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
Figure 4.9 Dispersion des pourcentages derreur quotidien commis sur la prvision du poids
des marchandises passes quai dans 36 agences
de donnes mtiers . Il faut croiser des donnes provenant de diverses tables pour
aboutir aux indicateurs voulus. Les outils informatiques permettant dinterroger des tables
dans des bases de donnes, pour extraire de linformation, la manipuler an de lexploi-
ter dans une autre base de donnes, se nomment ETL (Extract Load Transform). Pour
traduire le modle mathmatique de prvision en programme informatique, il existe une
diversit de logiciels. Dans cette section, nous allons nous attarder argumenter le choix
des outils informatiques utiliss pour mettre en place le systme de prvision.
4.6.1 Outil ETL de Pentaho
tm
ETL est lacronyme pour Extract, Transform, Load. Ce sont des outils permettant de
passer les informations gnres dans les bases de donnes mtiers vers linfo-
centre. Les bases de donnes mtiers sont structures de telle sorte quelles r-
pondent aux besoins oprationnels (application mtiers). Alors que les tables et leurs
liaisons, dans linfocentre, sont agences de manire accueillir des informations de
base de donnes mtiers diverses, pour les regrouper, les ordonner, les croiser, les
synthtiser et les restituer suivant des axes danalyse. Franco et Lignerolles, 2000 (54),
crivent : Lacquisition de donnes se droule en trois phases : lextraction, la prpara-
169
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
tion, et le chargement .
Lextraction des donnes des bases mtiers , consiste collecter les donnes utiles.
Il est important de ne pas extraire de superu, ce qui a pour consquence de polluer
inutilement le lentrept de donnes et de ralentir les bases de donnes mtiers . Il est
galement important de contrler la qualit des donnes extraites. La qualit des don-
nes est un des piliers essentiels prendre en considration dans toute approche dun
systme dinformation. Enn, la performance des requtes dextraction est considrable-
ment importante. Dans le souci dviter la saturation du rseau, des entres / sorties de
donnes ou de lunit centrale, les requtes dextraction sont planies dans le temps
et insres dans une liste pour tre ordonnes. Une requte ne peut par exemple, tre
excute qu partir du moment o la requte prcdente dans la liste est termine. La
recherche de la performance en termes de rapidit dexcution se fait en utilisant les
caractristiques de la structure physique des bases des donnes (taille, index, partition-
nement) et les particularits du requteur (MySQL, SQL Serveur, Oracle PL/SQL).
La prparation des donnes tient respecter les dnitions des indicateurs que nous
cherchons historiser dans linfocentre. Cest la transformation des donnes mtiers en
donnes dcisionnelles (pilotage des achats et des ventes, reporting nancier, consolida-
tion budgtaire, marketing, . . .). Cette transformation peut savrer complexe et coteuse
en ressources machine. Cest pourquoi, comme lors de lextraction, il est essentiel de
chercher la performance des requtes de transformation. Plus dinformations sur le sujet
sont trouver dans larticle de Fresnais, 1999 (55). La transformation consiste gale-
ment analyser la qualit des donnes sources, vrier, liminer les doublons,
contrler la cohrence des donnes en les croisant, examiner les raisons des valeurs
manquantes, . . .
Le chargement des donnes transformes ncessite de sassurer que la structure de
ces donnes correspond celles des tables qui vont la recueillir (type, taille, unicit des
champs). Cest une phase dlicate et assez longue notamment en raison du volume des
donnes. Il faut sassurer des bonnes conditions de sa ralisation. Par exemple, nous
veillerons ne pas craser des donnes existantes, mais procder une mise jour
correcte de lhistorique dans linfocentre. Pour suivre le droulement des procdures in-
formatiques, il est vivement conseill de gnrer des chiers log ou dordonner des
insertions dans une table de la base de donnes pour suivre le chargement pas pas.
Un chier log est un chier texte regroupant lensemble des vnements survenus
lors du chargement des donnes. Le but tant de reprendre le chargement lendroit o
il sest arrt, si cela devait arriver.
Le processus dextraction de transformation et de chargement peut tre plani et ainsi
sexcuter rgulirement. Il est important de savoir que la ralisation de lETL consti-
tue 70% dun projet dcisionnel en moyenne. Et ce nest pas pour rien, ce systme est
complexe et ne doit rien laisser schapper, sous peine davoir une mauvaise information
170
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
dans lentrept, donc des donnes fausses, donc inutilisables
3
.
Le service dInformation Dcisionnel auquel est rattach le prvisionniste chez TFE uti-
lise lETL attach Pentaho
tm
. Pentaho
tm
est une solution dinformatique dcisionnelle
open source entirement dveloppe en Java. Pentaho
tm
utilise des outils et compo-
sants pour couvrir toute linformatique dcisionnelle dont la collecte et lintgration des
donnes qui se fait par lETL Kettle.
Figure 4.10 Kettle gre des ux ETL (gauche) par une interface graphique simple (droite)
Comme le montre la gure 4.10, Kettle permet lextraction, la transformation et le charge-
ment des donnes. Kettle propose une interface graphique conviviale mettant en avant
une bote outils complte, permettant dinterroger nimporte quelle source de don-
nes (bases de donnes, chiers plats, tableur, . . .), de les manipuler en appliquant des
rgles de transformation complexes, dafcher et dintgrer dans un nouvel environne-
ment. Kettle fonctionne sur des bases de donnes de production possdant des mil-
lions denregistrements
4
.
La gure 4.10 donne un exemple de linterface graphique. Kettle donne des utilitaires
nomms tapes, sous forme de drag and drop . Lexemple montre une tape dex-
traction des donnes par une requte SQL, la che verte indique vers quelle tape est
dirig le ux. Suite la premire tape, une succession de diffrentes tapes se suivent
(cration de ligne, script java, slection de valeurs) pour nir par une tape de charge-
ment (voir http ://www.pentaho.com/index.php).
Le systme de prvision intgre cet outil pour crer et mettre jour lhistorique des
donnes prvoir. Il sert galement lancer lexcutable du modle mathmatique de
prvision. Nous dcrivons en dtail les dveloppements dans la section 4.7.2.
3. Yazid Grim, conseiller dInformation Dcisionnel (2008)
4. www.pentaho.com
171
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
4.6.2 Logiciel de traitement statistique
Rappelons quune des conditions de dpart pour ce projet de mise en production
dun systme de prvision chez le transporteur TFE est dutiliser des logiciels libres. Les
logiciels libres sont dots de licences diverses (GNU/GPL). Gnralement, les logiciels
libres sont gratuits et permettent un accs au code source, mentionne Guay, 2002 (60).
Les logiciels libres publient rgulirement de nouvelles versions et regroupent un grand
nombre de dveloppeurs bnvoles travers le monde. Laccs au code source est gage
dhonntet scientique, argumentent les dfenseurs du logiciel libre. Il donne la possi-
bilit pour tous de vrier ce qui est rellement implment et de contrler les rsultats
publis.
Parmi les logiciels libres de traitement de donnes statistique (ou datamining), mention-
nons RAPIDMINER, WEKA, TANAGRA, R, ORANGE.
RAPIDMINER (ou YALE) est dvelopp par luniversit de Dortmund. Le logiciel a son
propre langage. Il propose une interface utilisateur graphique pour une exploitation sta-
tistique des donnes.
WEKA est dvelopp par luniversit de Waikato en Nouvelle-Zlande. Le logiciel est im-
plment en Java et propose une plate-forme de programmation visuelle.
TANAGRA est dvelopp par Ricco Rakotomalala, 2005 (101). Cest une plate-forme
destine lenseignement et la recherche. Il est implment en Delphi. Il propose une
plate-forme facile daccs.
ORANGE est dvelopp par luniversit de Lubiana en Slovnie. Le code source est
programm en C++. Il propose des mthodes dapprentissage automatique et de visua-
lisation.
R est un systme danalyse statistique et graphique cr en 1996 par Ross Ihaka et
Robert Gentleman. Le logiciel est gnralement prsent comme la copie du logiciel
commercial S-PLUS. Le code est principalement en C. R comporte de nombreuses fonc-
tions pour lanalyse statistique et graphique.
RAPIDMINER, WEKA, TANAGRA, ORANGE sont trs orients vers les processus dex-
ploration de donnes. Franco et Lignerolles, 2000 (54), rappellent que lobjectif du data-
mining est de tirer parti de linformation disponible pour constituer des modles, pour
dcouvrir des tendances ou pour anticiper lavenir . Les logiciels de data-mining vo-
qus permettent lutilisation des arbres de classication, des rseaux de neurones, la r-
gression logistique, la segmentation, les rgles dassociation, etc. Rpropose les concepts
de data-mining mais aussi une multitude dautres fonctions statistiques. En cela il est plus
gnraliste.
Quand sest pos le choix de loutil pour faire les premires explorations de donnes,
le modle de prvision mathmatique qui allait tre utilis par le systme de prvision
chez TFE ntait pas encore connu. Les techniques de fouilles de donnes exposes
ci-dessus semblaient dans un premier temps rpondre au besoin de prvision. Elles
172
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
permettent de classer les agences selon des critres communs, de dterminer une ty-
pologie, de construire des arbres de dcision permettant ainsi danticiper lactivit, de
lancer des ACP (Analyse en Composante Principale) et pour certains logiciels, dutiliser
des techniques de prvision. Morineau et al., 1994 (92), proposent cet enchanement de
techniques pour faire de lanalyse et de la modlisation des sries temporelles.
Le choix du logiciel sest fait selon des critres mis en avant dans la section 2.3.4 et des
souhaits formuls par le transporteur dans la section 1.2.4. Nous avons galement pris
en compte les avis rsultant des enqutes menes par Rakotomalala, 2005 (101) et Di-
rectMarketing.net
5
. Il en dcoule les lments suivants :
Linstallation du logiciel sur le poste de travail ou serveur doit pouvoir se faire sim-
plement. Elle ne doit pas ncessiter linstallation de serveur lourd au pralable. Cest le
cas des 5 logiciels test. Avec une petite nuance, WEKA ncessite linstallation des bi-
bliothques Java, ORANGE ncessite un interprteur Phyton et R exige un compilateur
C et un compilateur Fortran.
Les interfaces graphiques des logiciels RAPIDMINER, WEKA, TANAGRA et ORANGE
permettent une utilisation intuitive du systme, ds lors que lutilisateur a de solides
connaissances en data-mining. Ils proposent une panoplie doutils sous forme dicnes
glisser dans la fentre principale. Cest une interface drag & drop (en franais, glisser
- dposer). Dans ce type dinterfaces, lutilisateur saisit un objet, puis le dplace pour
lamener un autre endroit. En revanche R est un logiciel de programmation procdu-
rale, il noffre quun diteur de texte pour saisir les commandes.
Le mode client-serveur permet plusieurs utilisateurs dutiliser le logiciel install
sur un serveur. Les logiciels cits, lexception de R, sont tous mono-utilisateurs cest-
-dire quils ne fonctionnent pas en architecture client-serveur.
La possibilit dexcuter le programme en mode batch est primordiale. Un batch
est un chier texte dans lequel sont inscrites des commandes interprtes par le bash (ou
shell). Un bash est un interprteur de commande. Il joue le rle de jonction entre lutilisa-
teur et le systme dexploitation. Cest lavant-dernire couche du systme dexploitation.
Vient ensuite le noyau. Il existe une multitude dinterprteurs de commande sous Unix.
Citons le Bourne shell (sh), le plus ancien et le plus utilis, le Bourne Again Shell (Csh),
le Korn shell (ksh), Perl, Python etc. Les commandes du chier batch sont vries et
excutes lune la suite de lautre. Lune des commandes doit permettre dexcuter le
programme de prvision dvelopp sur lun des logiciels libres. En mode batch le pro-
gramme sexcute sans louverture de linterface graphique. Lavantage du mode batch
est de pouvoir lexcuter partir de diffrents environnements, comme Pentaho
tm
pour ce
5. http ://www.dmnews.net/freeware.php
173
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
qui concerne limplantation du systme de prvision chez TFE. Lensemble des logiciels
compars permet dtre excut en mode batch.
Nombreux sont les serveurs de production du groupe STEF-TFE qui tournent sous
Unix. Ils utilisent Bourne shell comme interprteur de commande. Les logiciels doivent
donc supporter les deux plateformes (UNIX et WINDOWS). Cest le cas des 5 logiciels
tests.
Lhistorique des donnes prvoir est entrepos dans des bases de donnes
Oracle. Les logiciels utiliss pour la prvision doivent donc permettre un accs et un
interfaage avec les SGBD (Systme de Gestion de Base de Donnes). Les logiciels
mentionns prsentent tous une interface avec SQL.
Lhistorique des donnes dune agence contient un enregistrement par jour de-
puis lanne 2000, soit environ 3650 enregistrements n 2009. Ce chiffre est multiplier
par le nombre dagences (70) pour aboutir au nombre denregistrements (255.500) conte-
nus dans la table de rfrences du systme de prvision. Le nombre denregistrements
augmente avec le temps, cest pourquoi les logiciels utiliss doivent permettre de traiter
un grand volume de donnes, en un laps de temps estim raisonnable. Rakotomalala,
2005 (101) compare les performances des logiciels TANAGRA, RAPIDMINER, WEKA,
ORANGE pour charger et traiter un tableau compos de 2 millions dobservations et 41
variables. Le systme de prvision mettre en place na pas besoin de lire des donnes
de cette ampleur, mais nous pouvons imaginer que le logiciel de traitement statistique
retenu serve dautres projets. Les rsultats des tests mens par Rakotomalala, 2005,
concluent que TANAGRA et ORANGE sont les seuls avoir pu charger et traiter le jeu
de donnes. Nous avons charg le mme jeu de donnes avec R et avons appliqu les
mmes traitements. Il savre que dans la version de base, R nest pas capable de traiter
ce jeu de donnes en un temps estim raisonnable. Mais daprs les dveloppements
des socits AT&T Labs, logi.cals et REvolution il semble que cela soit possible.
Les logiciels tests ne diffrent pas signicativement au regard de la qualit des
algorithmes. Les rsultats obtenus sont conformes aux attentes. Une tude de cas me-
ne par Rakotomalala (101) a compar les performances de mthodes de rgression
logistique des logiciels WEKA, TANAGRA, ORANGE, R, RAPIDMINER. Mise part RA-
PIDMINER qui fournit une qualit doptimisation trs en de des autres logiciels , il
en rsulte des rsultats lgrement dissemblables dun logiciel lautre. Ltude note que
R est au-dessus du lot en termes de temps de calcul.
Rappelons que nous souhaitons mener, laide de ces logiciels, des calculs de
prvision. Par le biais de la rgression, ils permettent tous de faire de la prvision co-
174
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
nomtrique. Ils permettent galement lanalyse des sries temporelles. RAPIDMINER
intgre des plugins pour traiter les sries temporelles. Il sera mme dexcuter le mo-
dle de prvision suggr par Liu et al., 2001 (77). Les auteurs cherchent automatiser
des procdures dextraction de connaissances et la fouille de donnes pour les appli-
quer simultanment sur grand nombre de sries temporelles. Les rsultats permettent le
paramtrage des mthodes de prvision de Box-Jenkins. Enn, R est un logiciel de sta-
tistique complet. Il propose des librairies incluant un grand nombre de mthodes statis-
tiques aussi bien pour la fouille de donnes que pour le traitement des sries temporelles
mentionnent Cryer et Chan, 2008 (34).
Un critre de choix est galement lexistence dun langage de programmation
volu. Celui-ci nexiste que dans R. Cest--dire quil est possible de programmer ses
propres fonctions ou de reprogrammer des fonctions existantes pour les adapter au
contexte. Dans la version de base, R dispose de la plupart des fonctionnalits utiles pour
la statistique. Les possibilits deviennent normes ds que nous utilisons les librairies
mises librement disposition de tous. Elles sont dveloppes par les utilisateurs et leur
code source en R est lisible. Ces librairies couvrent la statistique descriptive, unie et mul-
tivarie, lconomtrie, la nance, la biomtrie, la prvision, etc. Grce son langage de
programmation volu, R permet lenchanement programm de plusieurs algorithmes,
ce dont aura besoin le systme de prvision. La section 4.7.1 dcrit un enchanement
de prvisions suivant plusieurs mthodes et combinaisons dans loptique de rduire la
variance des erreurs.
Il ressort de cette comparaison que les logiciels ORANGE, WEKA, TANAGRA et RAPID-
MINER auraient t satisfaisants et surtout plus conviviaux et easy-to-use sil sagis-
sait de rechercher un modle de prvision pour une seule agence du rseau de transport
TFE. Or il est question dun modle mathmatique et de sa traduction algorithmique pour
une utilisation dans un processus industriel. Ceci ne semble possible quavec le langage
de programmation R. Dautre part, les techniques de prvision statistique endognes et
exognes implantes dans les diffrents logiciels ne convenaient pas pleinement aux s-
ries temporelles prvoir.
A lencontre des autres logiciels de data-mining tests, R ne peut pas tre utilis sans
exprience de programmation et, encore moins, sans notions statistiques. Citons les
propos de Christophe Pallier (chercheur au CNRS), Christophe Lalanne (chercheur
lINSERM) : R comprend de nombreuses commandes, il est illusoire denvisager utili-
ser ce logiciel sans lire un minimum de documentations. Notre exprience est que les
premires heures danalyse de donnes avec R ncessitent de frquents recours aux
documentations, mais lorsquon est devenu laise, alors il ny a pratiquement plus be-
soin de sy rfrer . Le web offre une multitude de documentations pour bien dbuter
avec R et notamment le site principal (www.r-project.org).
175
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
4.6.3 Reprsentation des rsultats
Le systme de prvision doit tre une application groupe. Cest--dire que toute per-
sonne du groupe STEF-TFE est susceptible de lutiliser. Pour des raisons de cot, de
disponibilit, de temps, de contrainte, de scurit, les entreprises, et mme les particu-
liers aujourdhui, ne veulent plus installer de logiciels sur leur poste de travail, ni mme de
stocker des chiers dessus. Cest pourquoi il est impos de dvelopper des applications
accessibles en ligne. Utiliser des applications en ligne prsente de multiples avantages.
Il sagit de pouvoir utiliser lapplication directement dans un navigateur et plus unique-
ment localement prcise David Bnard
6
. Il nest plus besoin dinstaller de logiciels,
lapplication est disponible partir de nimporte quel poste de travail connect au rseau
et les travaux raliss sont sauvegards sur un serveur scuris.
Linterface utilisateur, cre loccasion de la mise en place du systme de prvision, est
en elle-mme un projet de recherche pour le groupe STEF-TFE et sa branche informa-
tique AGROSTAR. Linterface utilisateur doit tre une application client-serveur mettant
en uvre les nouveauts quapporte le Web 2.0. Le Web 2.0 permet de crer des in-
terfaces donnant la possibilit aux internautes dinteragir la fois avec le contenu des
pages, mais aussi entre eux souligne Huyghe, 2009 (64).
Lapplication web du systme de prvision fait appel des langages de programmation
tels que MXML, HTLM, PHP, Javascript. La mise en place des effets visuels est dve-
loppe par une application internet riche (RIA, Rich Internet Application). AdobeFlex
Builder permet damliorer considrablement la consultation des donnes dans une in-
terface Web et de crer des graphiques adapts aux prises de dcisions. AdobeFlex
Builder est un environnement de dveloppement (IDE, Integrated Development Environ-
ment) fond sur Eclipse
7
. Il permet de dvelopper des applications utilisant les techno-
logies AdobeFlex, MXML, AdobeFlash player, ActionScript. Aprs avoir rdig son
programme, le dveloppeur le compile dans un chier (.swf) lisible par nimporte quel
serveur web. Le principe est simple dutilisation et universel. Par contre, il faut se former
aux langages cits.
Une page web est un simple chier contenant du texte format avec des balises HTML.
Les technologies CSS, PHP, Javascript sont interprtes et excutes directement par le
navigateur internet. Il na donc pas besoin de compiler les programmes. Dans le contexte
de linterface utilisateur du systme de prvision,
les codes HTML et CSS structurent et afchent les pages,
le Javascript permet une interaction entre lutilisateur et la page web,
le PHP autorise linteraction entre la page web, lutilisateur et les bases de donnes.
6. http ://www.infos-du-net.com/actualite/dossiers/56-applications-internet.html
7. http ://fr.wikipedia.org/wiki/Eclipse_(logiciel)
176
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
Nous navons pas utilis dinterface graphique pour dvelopper sous ces technologies,
mais juste un diteur de texte.
4.6.4 Interfaage Kettle / R / site web
La cartographie des applications du systme de prvision tourne autour de lETL Ket-
tle, de loutil de dveloppement statistique R, des bases de donnes Oracle, de lentrept
de donnes et de linterface graphique en client lger. Ces applications ne sont pas ins-
talles sur les mmes serveurs, mais sont pourtant dpendants les unes des autres. La
gure 4.11 schmatise la cartographie des applications utilises pour mettre en place le
systme de prvision.
Figure 4.11 Cartographie des applications retenues dans le systme de prvision Hori-
zons
Lapplication dalimentation, de traitement et de chargement est hberge sur le serveur
ETLVIP02. Les tables lies au SP (Systme de prvision) sont conserves dans la base
de production de lquipe dcisionnelle (le DWH sur pkgwidprd.stef-tfe.fr). Les interfaces
dalimentation sont dveloppes sous Kettle (voir gure 4.11). Elles fonctionnent quo-
tidiennement ( 11h) pour mettre jour lhistorique des indicateurs prvoir et, plus
spciquement, les indicateurs de productivit de la veille. Les donnes mtiers peuvent
faire lobjet dune modication pendant trois semaines. Cest pourquoi une mise jour
hebdomadaire fonctionne tous les lundis, 15h00, pour prendre en compte les dernires
modications des bases de donnes mtiers sur 3 semaines glissantes. Tous les
177
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
lundis, 12h00, une application Kettle extrait, de la base de donnes, lhistorique des in-
dicateurs prvoir et des donnes de paramtrage pour les charger dans un chier texte,
par agence. Lapplication dveloppe sur R lit ces chiers et pour chacun deux cre un
nouveau chier texte avec les donnes prvisionnelles. Des chiers log sont galement
produits pour suivre le bon droulement des oprations. Les chiers texte produits par
R sont lus par une application Kettle et chargs dans les tables de lentrept dcision-
nel. Le site web cr est hberg sur un serveur ddi : Cognai01. Lutilisateur du site
doit sauthentier avec son compte LDAP (Lightweight Directory Access Protocol). Il peut
consulter, mais aussi saisir des donnes. Elles sont alors enregistres directement dans
les tables de linfocentre, ddies au systme de prvision.
Par le biais des chiers batch lensemble de ces processus sont lancs la suite les uns
des autres. Le Cron est le programmateur de tches dUnix/Linux. Il utilise les chiers
crontab pour dterminer la date et lheure auxquelles une tche va tre excute
8
.
Ainsi, le Cron permet dautomatiser priodiquement lexcution des batchs.
4.7 Dveloppement des modules du systme de prvision
Suite au choix et lassemblage des outils informatiques, il reste crire les pro-
grammes.
4.7.1 Rdaction du modle mathmatique en R
Nous nallons pas, dans cette section, donner un cours sur lutilisation du logiciel R
pour pouvoir lire le code qui a t crit. Par contre, il semble intressant de se pencher
sur ce que permettent les diffrentes fonctions dveloppes, et la faon dont elles sont
imbriques dans le programme principal. Les 22 fonctions crites sous R(voir gure 4.12)
peuvent tre utilises indpendamment les unes des autres, par contre elles sont toutes
utiles pour coller au modle mathmatique illustr en section 4.4. Elles sont regroups
dans un package. Un package en R, se prsente sous la forme dun chier compress
qui regroupe des fonctions (ou scripts), leur documentation et un jeu de donnes servant
illustrer lutilisation des fonctions. Lavantage dun package est quil est facile installer
sur tous les postes quips dune version de R.
8. http ://blog.fedora-fr.org/paquet-fedora-du-jour/post/Le-pourquoi-du-Mercredi :-Crontab
178
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
Figure 4.12 Arbre du package R regroupant les fonctions de prvisions Horizons
Le programme principal (ForecastDay.r) est excut pour obtenir les prvisions des trois
sries chronologiques (TS 1, TS 2, TS 3) avec la contrainte que la somme des deux pre-
mires soit gale la troisime (TS 1 + TS 2 = TS 3). Il prend en argument dentre :
Le chemin du chier dentre contenant lhistorique des sries chronologiques. Le
chier texte doit comprendre un enregistrement par ligne. Les valeurs, (code de
lagence, date, TS 1, TS 2, TS 3) sont spares par un point virgule.
Le chemin du chier dentre contenant les coefcients de pondration pour les
deux mthodes de prvision. Il comporte le code de lagence, le coefcient de
TS 1, celui de TS 2 et de TS 3. Ces coefcients sont recalculs rgulirement. Ils
permettent de conjuguer les prvisions issues de deux mthodes diffrentes, en
minimisant la variance des erreurs de prvision (voir section 4.4.11).
Le chemin du chier de sortie.
Lhorizon de prvision en nombre de jours.
Le programme commence par vrier si les donnes dentre sont conformes aux at-
tentes. Y a-t-il bien trois sries chronologiques, trois coefcients, un chemin de sortie?
Les formats date et numrique sont-ils valides ?
Il sen suit un nettoyage des sries chronologiques (voir section 4.4.2). Les dimanches
179
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
sont supprims. Les dates de la chronique prvoir sont compares avec celles de la
suite ordonne de dates obtenues aprs excution de la fonction calendrier . Si des
dates manquent dans la chronique prvoir, elles sont ajoutes et une valeur thorique
leur est attribue. Les donnes atypiques sont localises pour tre corriges.
La premire date de prvision est celle qui suit la dernire date de la srie chronologique
fournie en paramtre dentre.
Les tapes suivantes vont se drouler pour chacune des trois sries temporelles.
Le programme vrie que la moyenne des 50 dernires valeurs soit suprieure
100. Cest pour viter quil ny ait trop de valeurs extrmes. Rappelons que nous
sommes dans un contexte de poids et nombre de positions. Il semble impossible
pour une agence TFE de raliser moins de 100 kg, ou mme 100 positions, la
journe, mme pour un samedi. Cette valeur a t xe de manire empirique,
suite plusieurs tests.
La condition prcdente russie, le programme excute alors les fonctions R prev.jours
et prev.jours.bb . La premire permet une prvision en utilisant la dcomposition
par moyenne mobile, alors que la deuxime fonction utilise la dcomposition de
Buys-Ballot (voir section 4.4.4 et 4.4.5).
Le programme attribue la prvision des jours fris, la moyenne des jours fris
contenus dans lhistorique.
Les prvisions issues des deux mthodes sont combines par la fonction com-
bin.prev . Elle prend en arguments dentre les prvisions issues des deux m-
thodes et le coefcient de pondration associ la srie chronologique (pass en
argument dentre du programme principal). Notons quaux prvisions sont asso-
cis les intervalles de conance et quils sont combins de la mme faon.
Ayant obtenu une prvision pour chacune des trois sries chronologiques, il reste ajus-
ter les prvisions pour quelles rpondent la contrainte TS 1 + TS 2 = TS 3. Cet ajuste-
ment se fait par la fonction ajuster.jour .
A chaque date prvisionnelle, le programme ajoute la valeur de la chronique observe
lanne prcdente, pour la mme semaine, et le mme jour de la semaine.
Lexcution du programme gnre un chier texte lendroit donn, en paramtre den-
tre (path). Ce chier texte contient le code de lagence, la date, la prvision des trois
chroniques (TS 1, TS 2, TS 3) et les valeurs en A 1. Notons quil ne mentionne pas
les intervalles de conance. Cest, qu lheure actuelle, ils ne sont pas valoriss. Nous
avons, toutefois, pens les calculer pour rpondre une demande future.
Nous avons prcdemment voqu deux fonctions ( prev.jours , prev.jours.bb ) sans
approfondir le raisonnement qui a permis leur criture. Elles prennent toutes deux comme
arguments dentre, une suite de dates ordonnes dans le temps, des valeurs asso-
cies, un horizon de prvision en jours et le type de modle (additif ou multiplicatif).
Elles rendent un tableau contenant les dates et les valeurs prvues avec lintervalle de
180
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
conance, ainsi que lerreur de prvision attendue.
Lerreur de prvision attendue est
_

CVS
/

CVS
_
/2 (18), avec CVS pour dsigner la srie
corrige des variations saisonnires.
Bourbonnais et Usunier, 2007 (18), montrent, par cette formule, que lerreur de prvision
attendue peut tre estime par la moiti de la variation de la srie CVS autour de sa
moyenne. Il sera difcile datteindre une erreur de prvision infrieure celle-ci.
La fonction prev.jours rend une prvision en utilisant la mthode des moyennes mo-
biles pour obtenir une saisonnalit. Elle procde dans lordre :
Extraction des annes partir des dates.
Excution de la fonction decomp.jours .
Dnir les jours fris entre la date de dbut et la date de n de la srie
chronologique, grce la fonction calendrier .
Attribuer une valeur moyenne aux jours fris, en fonction du jour de la se-
maine.
Si le modle choisi est additif, appliquer la fonction logarithmique sur la srie
chronologique.
Eliminer la tendance avec la fonction tend.an .
Pour viter les valeurs ngatives, soustraire de la srie chronologique sa va-
leur minimum.
Appliquer une dsaisonnalisation sur 52 semaines, avec laide de la fonc-
tion cvsMM.52sem. Cette fonction prend en compte que certaines annes
comptent 53 semaines alors que dautres nen comptent que 52. Elle corrige
les semaines extrmes. Elle rend ainsi la srie rgulire, suivant une saison-
nalit de 52 semaines. Elle lisse la srie en utilisant la moyenne ou la mdiane
mobile, selon le choix qui a t fait. Il en rsulte la srie corrige des varia-
tions saisonnires (CVS), des coefcients saisonniers, une tendance issue de
la moyenne, ou mdiane mobile, et des rsidus (voir section 4.4.4).
La deuxime dsaisonnalisation fonctionne de la mme faon. La fonction
cvsMM.312j rend la srie rgulire de 312 jours (364j - 52 dimanches).
Cette srie commence par un lundi pour nir par un samedi. Lalgorithme ap-
plique une dsaisonnalisation par moyenne ou mdiane mobile, suivant un
schma additif ou multiplicatif sur un pas de 312 jours.
Retourner dans un tableau, la srie chronologique entre en paramtre de
fonction et sa CVS ainsi que lensemble des donnes utiles pour recomposer
la srie chronologique.
liminer limpact des jours fris. Pour ce faire, utiliser la fonction impact.jf .
Elle construit un tableau avec un enregistrement par date contenue dans la srie
181
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
chronologique. Un enregistrement contient autant de champs que de jours fris
et ftes. Les champs sont renseigns de faon binaire selon que la date de len-
registrement est, oui ou non, le jour fri en question. Un autre champ indique la
distance de la date vis--vis dun fri. Cette distance va jusqu 6 jours avant ou
aprs le fri. Le tableau contient galement un champ indiquant le jour de la se-
maine de chacune des dates. Ces variables permettent dappliquer une rgression
linaire pour estimer leur impact sur la srie chronologique. Cet impact est limin,
par soustraction, dans le cas dun modle additif ou, par division, dans le cas dun
model multiplicatif.
Calculer lerreur de prvision attendue.
Calculer une prvision horizon h, donn en paramtre dentre de la fonction,
laide de la fonction HoltWinters. A la diffrence des autres fonctions cites, celle-ci
fait partie des fonctions prsentes dans la bibliothque R. En xant les paramtres
et 0, nous obtenons la fonction de prvision par lissage exponentiel simple.
Recomposer les valeurs prvisionnelles partir de la prvision obtenue par lissage
exponentiel simple. Cest--dire, quil faut ajouter ou multiplier selon le cas, les
diffrentes composantes retranches prcdemment (effet jour fri, saisonnalit,
tendance). Cette suite dinstructions sexcute avec la fonction recomp.jours .
Construire un tableau prvisionnel. Il comporte les dates prvoir, les champs,
anne, mois, jour du mois, jour de la semaine, fri, prvision et intervalle de
conance. Retourner ce tableau.
La fonction prev.jours , dcrite ci-dessus, contient des variantes. Elle peut, par exemple,
choisir la meilleure dcomposition entre moyenne mobile, mdiane mobile, evf, loess
(voir section 4.4.5.2). Mais des tests empiriques ont montr que le lissage par moyenne
mobile est la meilleure technique pour rvler la saisonnalit des sries chronologiques
prvoir (poids et nombre de positions quotidien dune agence TFE). Dautre part, en
termes de temps de calcul, tester les diffrentes possibilits savre trop long.
La fonction prev.jours.bb se comporte comme prev.jours , lexception de la m-
thode pour liminer la composante saisonnire. Elle utilise pour cela la fonction cvs-
Reg.buysball.312j . Cette fonction rend la srie chronologique rgulire sur un cycle
de 52 6 = 312 jours lanne. Elle fait appel la fonction buys.ballot pour calcu-
ler 52 coefcients saisonniers hebdomadaires et 6 coefcients saisonniers relatifs aux
jours de la semaine, suivant la mthode de Buys-Ballot. De retour dans la fonction cvs-
Reg.buysball.312j , les coefcients sont soustraits, ou diviss, selon que le schma est
additif ou multiplicatif. Le rsultat de la fonction est une srie chronologique corrige des
variations saisonnires.
Pour pouvoir tre transfrables du serveur de dveloppement au serveur de production,
les fonctions sont regroupes dans un package. Aprs une installation de R (Windows
ou Linux), le package est install de manire simple pour que les fonctions soient imm-
diatement utilisables. Le programme principal a t crit de telle sorte quil puisse tre
182
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
excut partir dun chier batch. Dans le chier batch sont enregistrs les paramtres
dentre et de sortie de la fonction prev.jour :
le chemin (ou path) du chier texte comprenant lhistorique des sries chronolo-
giques,
le chemin du chier comprenant les coefcients de pondration entre les prvisions
issues des deux modles,
lhorizon de prvision
les chemins des chiers de sorties
Par le biais du chier batch, les fonctions R vont tre excutes par lETL Open Source
Kettle.
4.7.2 Alimentation des tables sources (oracle) par Kettle
Kettle est loutil ETL de la solution open source de BI (Business Intelligence) Pentaho
tm
.
Pentaho
tm
est une solution dinformatique dcisionnelle entirement dveloppe en Java.
Cette solution a t choisie par Agrostar en 2007 pour remplacer le tout PL/SQL (voir
section
9
).
Comme pour la section prcdente, nous navons pas, ici, lintention de donner un cours
pratique sur lutilisation de Kettle. Mais il semble important dapprhender la dmarche
du dveloppement. Elle ncessite une rexion pour rpondre des problmes sous
contraintes tels que :
la cration dun historique entre 2000 et 2005 partir des donnes H3000, puis
entre 2006 et 2009 partir de GTI,
le calcul des prvisions 2007, 2008, 2009, pour permettre le calcul dindicateurs
sur la abilit du modle de prvision,
la mise jour rgulire des coefcients de pondration entre les deux mthodes
de prvision,
la mise jour hebdomadaire des prvisions quotidiennes, horizon de 9 semaines,
la mise jour quotidienne du rel de la veille,
linsertion dune nouvelle agence (cration historique, prvision 2007 2009, pr-
vision futures).
Les six problmes ont pour contrainte commune la rapidit dexcution, sachant que
pour certaines requtes, il sagit dinterroger des tables de plus de 6 millions denregis-
trements. Il sagit galement de coder les programmes de telle sorte quil soit possible
9. Procedural Language/SQL
183
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
de changer rapidement et simplement des paramtres communs (agences, dates, indi-
cateur prvoir). Lexcution de la mise jour des donnes relles et prvisionnelles doit
tre automatisable et sexcuter par un cron
10
. LETL Kettle joue un rle de pont entre les
bases de donnes mtiers , linfocentre, le moteur de prvision dvelopp sous R, les
messages mail vers ladministrateur et les utilisateurs.
Ltape 1 consiste extraire des bases HP3000 et GTI les donnes ncessaires pour
aboutir la dnition des indicateurs prvoir (poids et nombre de positions), comme
nous lavons expos dans la section 3.1. Le projet Horizons a permis de pousser le
transporteur poser une dnition commune au niveau de lensemble des agences pour
dcrire les indicateurs prvoir. Cette dnition a t traduite en requtes SQL, issues
de la BD HP3000, et en requtes SQL, issues de la BD GTI. Les deux bases ne com-
portent pas les mmes tables et encore moins les mmes champs. Un gros travail a t
ralis avec les personnes de la Dex, et celles des agences pilotes, pour contrler la
vracit des donnes extraites. Les indicateurs ainsi extraits sont injects dans la table
HORIZONS de lInfocentre. Cette table comporte pour chaque agence et pour chaque
jour entre 2002 et aujourdhui, le poids et le nombre de positions passes quai, en
expdition et en distribution.
Ltape 2 consiste calculer des prvisions sur les annes passes an dobtenir des
statistiques sur la qualit des prvisions. Considrons que nous voulions calculer les
prvisions de lanne 2008. Lalgorithme commence par extraire lhistorique des sries
chronologiques prvoir entre 2002 et 2007. Il excute le programme de prvision, d-
velopp sous R, pour enregistrer les prvisions de la semaine 1 en 2008, dans la table
HORIZONS. La boucle suivante ajoute lhistorique le ralis de la semaine 1, pour
prvoir la semaine 2, et ainsi de suite jusqu atteindre la semaine 52. Cette tape doit
calculer, pour 70 agences de transport, les prvisions des deux annes antrieures
lanne en cours.
Les tapes 1 et 2 sont des procdures qui durent plusieurs jours en temps de traite-
ment. Pour donner un ordre de grandeur, il faut calculer 6 indicateurs quotidiens pour 70
agences sur 7 annes, soit 917.280 donnes. Cest une charge de travail non ngligeable
pour des serveurs qui ont aussi dautres procdures faire tourner. Cest pourquoi il est
impratif que le mcanisme fonctionne pour ne pas avoir le relancer de multiples
reprises.
Ltape 3 est la mise jour des coefcients de pondration se fait une fois par an. Cette
frquence est empirique. Elle ne rsulte pas dun calcul savant mais dune gestion quoti-
dienne des donnes. Une mise jour hebdomadaire des coefcients de pondration ne
montre pas une variation signicative de leurs valeurs. Cest le cumul dau moins 12 mois
de donnes qui est susceptible de les faire changer. Le programme dvelopp sous R
calcule les prvisions des deux annes qui prcdent la date en cours, en utilisant les
10. nom donn au programme qui permet, sur les systmes Unix, dexcuter automatiquement des com-
mandes un cycle de dates spcies lavance
184
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
deux mthodes de prvision, et suivant le principe dcrit dans ltape 2. A partir des
erreurs de prvision issues des deux mthodes, le programme utilise lquation dcrite
dans la section 4.4.11, pour mesurer les coefcients de pondration. Ils permettent de
combiner les deux mthodes de prvision.
Ltape 4, consiste mettre jour, tous les matins 11h, les indicateurs raliss la veille.
Ltape 5, est une mise jour des prvisions. Elle se dclenche tous les lundis 15h00
pour calculer de nouvelles prvisions journalires horizons de 6 semaines en prenant
en compte les derniers rsultats raliss (voir tape 4).
Pour donner au lecteur un aperu des fonctionnalits de lETL Kettle les tapes 4 et 5
sont dcrites dun point de vue technique.
Dabord, Kettle donne la possibilit de crer deux types de processus :
Les transformations sont une suite de traitements effectus sur les champs et les
observations des donnes extraites dune ou plusieurs BD. Les traitements sont
des oprations de tri, de ltre, de conversion de donnes, etc.
Les tches, permettent dexcuter une suite de transformations et de tches. Ainsi
une tche peut en excuter une autre. Elle autorise lenvoi de mails, limportation de
donnes ou le lancement de programmes externes par lintermdiaire dexcution
de commandes shell. Lexcution de chaque tape peut tre contrle, suivant le
rsultat des tapes prcdentes.
La gure 4.13 illustre la tche Kettle qui ralise ltape 4. Elle montre une succession de
transformations (carrs verts) et de tches (carrs orange). Les deux premires trans-
formations affectent un nom, une description et la date laquelle sexcute la tche. Les
trois dernires transformations crent un message dalerte pour avertir du bon ou du
mauvais droulement de la tche ainsi que lheure laquelle elle sest termine. Ces in-
formations sont stockes dans une table de suivi des ux Kettle et ont pour but de tracer
la tche ds lors que le cron lexcute.
La gure 4.14 illustre la tche Kettle qui ralise ltape 5. Cette tche, appele hor_maj_hebdo ,
excute une transformation nomme maj_horizons_from_indic_age . Elle cre 14 en-
registrements relatifs aux 14 dates prcdant la date en cours. Les enregistrements cor-
respondant aux dimanches sont supprims. Pour chacune des agences du groupe, et
chacune des 14 dates, une requte SQL extraite dune table appele indic_age , les
indicateurs ncessaires (voir 3.1.2) pour aboutir au poids et au nombre de positions pas-
ses quai, en expdition et distribution. La donne ainsi obtenue est insre dans la
table HORIZONS de linfocentre. Relevons que la table indic_age est elle-mme mise
jour quotidiennement et que le traitement que nous dcrivons est lanc aprs la n
de cette tape. Cette condition est prise en compte dans le cron qui lance la tche
hor_maj_reel_quotidien .
185
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
Suite lexcution de la tche hor_maj_hebdo_sie , la transformation hor_alim_hquai_distri
Figure 4.13 Impression cran dune tche Kettle de mise jour quotidienne des indicateurs
se charge (voir gure 4.15). Elle rcupre les 14 dates prcdant la date en cours
et les codes de lensemble des agences du groupe. Pour chacune, elle fait tourner
une requte SQL pour extraire les heures productives du quai. Les heures produc-
tives en distribution correspondent lactivit nuit et sont badges dans la nuit du jour
J 1, 22h30 J, 7h00. Nafchant pas lactivit du dimanche dans le reporting nal, les
heures du dimanche en distribution sont ajoutes aux heures du lundi. La transformation
hor_alim_hquai_distri se termine en alimentant la table heure_quai des valeurs
calculs.
La transformation hor_alim_hquai_expe fonctionne de la mme faon que la trans-
formation hor_alim_hquai_distri . Mais les heures productives en expdition collent
lactivit jour, et sont badges le jour J, 7h00 22h30. Lactivit dexpdition du dimanche
est compte le samedi.
4.7.3 Interface graphique : partie merge de liceberg
Linterface graphique dveloppe en client lger a pour but de restituer les rsultats
prvisionnels de manire claire et utile. Lobjectif est de faire de cette application un outil
186
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
Figure 4.14 Impression cran dune transformation Kettle dextraction des donnes et de
leur transformation pour chargement
daide la dcision. La solution propose apporte un volet scientique au travers de la
statistique, pour anticiper la demande. Plus quun outil de prvision, loutil permet ga-
lement danalyser lactivit dune agence en naviguant dans le temps. Ces options gra-
phiques permettent de visualiser en un clin il les donnes atypiques, les baisses et les
hausses dactivit. Les tableaux de contrle ont vocation dentrer dans le dtail. Des ta-
bleaux de bord renseignent sur la justesse des prvisions passes. La page planication
offre une visualisation graphique et des lments de planication, dont une proposition
dheures productives quotidiennes, horizon de 5 semaines. Linterface graphique du
systme de prvision fournit une solution complte, puissante et facile interprter pour
anticiper et planier lactivit dune agence de transport TFE. Loutil Horizons , doit
rendre le travail de planication plus simple, plus rapide et plus able.
Le dveloppement de linterface graphique est ralis en HTML, PHP et Adobe Flex.
Linterface doit tre capable dafcher dans un dlai acceptable pour lutilisateur, des
informations extraites de tables Oraclepesant parfois plus de 6 millions denregistre-
ments. A limage de la gure 4.16, linterface graphique Horizons sest inspire de
celle de Goggle Analytics. La page daccueil prsente loutil de prvision Horizons .
Un texte reprend lobjectif de loutil et les informations que lutilisateur va trouver, en en-
trant. Des liens hypertextes conduisent des pages daide et de prsentation du projet.
Ces pages rpondent aux questions suivantes : Quelle est la gense du projet ? Quelles
187
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
Figure 4.15 Impression cran de la tranformation Kettle dextraction des donnes et de leur
transformation pour chargement
Figure 4.16 Page daccueil du site web Horizons
sont les principales proprits des prvisions ? Quelles mthodes mathmatiques et al-
gorithmiques ont t utilises ? Quels sont les outils informatiques utiliss ? Quelle est
188
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
la source des donnes ? Quelles sont les agences pilotes ? Pour accder aux donnes
relles et prvisionnelles, lutilisateur doit sidentier. Il saisi son login et son mot de
passe de lActive Directory (AD). Cest un service compos dun annuaire qui recense
lensemble des collaborateurs du groupe STEF-TFE. Le service AD vrie la prsence
de lutilisateur dans lannuaire du groupe, et lauthentie.
Aprs authentication, le modle de page est dcoup en 3 parties (voir gure 4.17).
Figure 4.17 Propositions de prvision journalire sur le site web Horizons
Une colonne gauche prsente les menus de navigation. Une partie graphique, en tte
de page, permet dobtenir une vision densemble rapide et synthtique des donnes d-
tailles au-dessous. La partie prsentant les donnes dtailles est encastre droite
du menu de navigation et en dessous de lencadr graphique.
Les pages propositions de prvision (tonnage pass quai, en expdition, distribution,
nombre de positions passes quai, en expdition, en distribution) comportent, dans
lencadr graphique, des courbes reprsentant la donne relle, prvisionnelle et corri-
ge. Grce aux outils dAdobe ex builder, le graphique est anim. Lorsque lutilisateur
sapproche dun point (intersection entre jours, en abscisse, et valeur de la donne, en
ordonne) laide du curseur de la souris, une bote rectangulaire safche pour indi-
quer le dtail relatif ce point (date, donne relle, prvision, correction, diffrence entre
prvision et donne relle, diffrence en pourcentage par rapport au rel) (voir gure
4.17). Cette bote apparat en rouge lorsque lerreur de prvision est suprieure 10%,
en vert dans dautres cas. Les donnes dtailles sont ranges dans des tableaux. Un
tableau est compos de 6 colonnes (les jours de la semaine du lundi au samedi) et de
4 lignes (donne en A 1, donne ralise, donne prvue, donne corrige). Lutilisa-
189
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
teur a le choix de visionner entre 2, 5 et 10 semaines de donnes. Les 10 semaines lui
donnent une tendance long terme de son activit. Les 5 semaines permettent de vi-
sualiser les erreurs de prvision des deux dernires semaines et danticiper lactivit des
3 prochaines, par exemple. Lafchage de deux semaines est utile pour communiquer
autour des prvisions. Le graphique et les deux tableaux prennent une page dimpres-
sion. Il est conseill dimprimer les rsultats de la semaine prcdente et les prvisions
de la semaine venir. Le rapport, ainsi afch la vue de tous, se veut transparent sur
les erreurs de prvision passes, mais motive aussi les quipes en leur communiquant
lactivit quelles ont soutenue. Connaissant le rythme de la semaine prcdente, la
vue du rapport prvisionnel, elles estiment le rythme auquel elles doivent sattendre, la
semaine en cours.
Les tableaux des donnes dtailles fournissent, pour chaque jour de la semaine, le r-
sultat de lanne prcdente la mme poque (semaine, jour). Ce chiffre est essentiel.
Cest un rfrent pour valider la prvision. En effet, le moteur de calcul reste mcanique,
il peut senrayer. Cest pourquoi lutilisateur doit valider les prvisions (voir section 4.8).
Le rsultat en A1 est un rfrent qui le lui permet. Cet indicateur permet galement de
se positionner par rapport lanne prcdente. Lactivit est-elle en baisse, stable ou en
hausse ?
La deuxime information des tableaux est la prvision. La troisime ligne fournit le ra-
lis. Tous les jours, le rel de la veille est disponible. Il est ainsi automatiquement com-
par au prvisionnel et contribue aux statistiques de conance (voir section 2.3.5). La
quatrime ligne afche la valeur corrige et valide par le manager.
Toujours dans un souci de transparence, linterface graphique de loutil Horizons
donne un ensemble de statistiques pour dcrire la performance des prvisions passes.
Les prvisions comportent toujours des incertitudes et des imprcisions. Il importe den
valuer lordre de grandeur et de le communiquer aux utilisateurs , (17). Les pages web
indicateur de conance fournissent un diagnostic pour lvaluation des prvisions du
poids et du nombre de positions passes quai, en expdition ou en distribution. Ce
diagnostic est possible pour nimporte quel intervalle de temps et pour toute priode
entre le 1er Janvier 2007 et aujourdhui. Il sagit, par des moyens graphiques (histo-
gramme des erreurs), de visualiser rapidement les jours pour lesquels le modle est le
plus performant. Pour un non-statisticien, la variance des erreurs est plus accessible par
lhistogramme que par la donne brute. Des statistiques numriques (moyennes, cart-
type, pourcentage de prvision juste) attestent les performances de la prvision (voir
gure 4.18).
Rappelons que le modle mathmatique a t conu pour sadapter lactivit de plus
de 70 agences de transports. Ces agences ont chacune leur spcicit. Il est raisonnable
de penser que le modle ne les prend pas toutes en compte. Cest pourquoi il sera plus
efcace pour les unes et moins pour les autres. Le diagnostic des performances est cr
cet effet. Il cherche rendre les indicateurs statistiques comprhensibles et faciles
190
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
Figure 4.18 Indicateurs de conance aux prvisions sur le site web Horizons
interprter. Suite cette consultation, le manager est mme de se faire une opinion
approfondie sur la conance quil peut accorder aux prvisions proposes.
Linterface graphique de loutil Horizons propose une fentre de prvision collabora-
tive (voir gure 4.19). Elle permet de dajuster ou de valider chacune des prvisions pro-
poses horizon dune semaine. A chaque ajustement, un motif doit tre apport. Ainsi,
avec le temps, TFE recueille des informations cruciales pour dcrire les raisons des pics
dactivits. Les motifs dajustement sont choisir dans une liste : gain portefeuille, perte
portefeuille, vnement commercial, fri, dbut du mois, n du mois, opration saison-
nire, prvision Horizons , facteur mto, autres. Cette liste a t discute avec les
quipes du terrain. Toutefois, elle nest pas exhaustive et peut sallonger. Aprs six mois
un an de rcolte dinformations, le prvisionniste pourra amliorer ses prvisions. En
effet, sachant qu la mme poque, un an auparavant, une promotion tait traite, le
systme devra envoyer une alerte pour demander si cette promotion se rptera et, le
cas chant, il faudra la prendre en compte dans le calcul des prvisions.
Un ajustement sur la proposition de prvision nombre de position ou poids total pass
quai, se rpercute 50% sur la prvision donne en expdition et 50% sur celle en
distribution. Alors que si lajustement est fait sur la proposition de prvision en expdition
191
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
Figure 4.19 Interface pour ajuster les propositions de prvision sur le site web Horizons
ou en distribution, la diffrence entre lajustement et la proposition de prvision est rper-
cute sur la prvision de lindicateur total pass quai. Ds quun ajustement est saisi, il
apparat dans la partie graphique et lensemble des utilisateurs peut le consulter.
Loutil veut tre une bauche de la planication. Cest pourquoi il intgre un volet taux
de productivit . Ces pages fournissent, sur le mme modle que la prvision des poids,
le ralis et la prvision des heures productives et le taux de productivit. Le taux de pro-
ductivit est le ratio entre le poids et le nombre dheures productives. Cest un indicateur
de productivit pour les responsables de site.
Aprs une premire prsentation de linterface chez les agences pilotes, il est apparu
que lergonomie du site ntait pas remettre en question, bien au contraire, elle semble
rjouir un grand nombre dutilisateur. Par contre, une question surgit systmatiquement :
quelle est la source des donnes. Tant que les utilisateurs ne comprennent pas la faon
dont t calcule la donne, et comment la rattacher la multitude dindicateurs dj en
place dans le systme dinformation, ils nutiliseront pas loutil de prvision. En effet, pour
que loutil soit accept, il est crucial que les donnes afches soient ables, homognes
et dune qualit matrise. Il ne suft pas davoir accs une prvision, linterprtation et
lutilisation de la prvision dpendent de la qualit de linformation rapportent Forslund et
Jonsson, 2007 (53).
Deux nouvelles pages ont t cres pour amener lutilisateur accepter la donne pr-
sente. Une page daide apporte la dnition de la donne, sa rgle de calcul et ses
sources. Le dnominateur commun de toutes les donnes du transporteur est la po-
sition. Cest pourquoi, une autre page donne, pour chacune des agences, et pour les 7
192
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
jours passs, lensemble des positions prises en compte dans les indicateurs fournis. Les
informations lies la position et son type sont afches. En expdition loutil recense
les positions types TDE, TEX, TEXTT, TLMHgr, TLHgr, TLHct, TLMHct. En distribution,
il liste les positions marques TDL, TLL, TPQ, TLMLocal. Cest une information qui est
trs apprcie par les utilisateurs, car inexistante ailleurs, dans le systme dinformation.
Linformation lie la position est mieux matrise par les agents du terrain que le typage
de la position. Les noms des expditeurs, des destinataires sont des informations lies
la position. A partir de ces informations, le chef de quai sait tout de suite si la position est
bien passe son quai, quelle heure elle est passe, sa provenance et sa destination.
A partir de l il acceptera plus facilement la donne fournie puisquil pourra lapproximer
mentalement.
4.8 Mode demploi du systme de prvision Horizons
Les prvisions sont utilises des ns diffrentes. Nous lavons mentionn dans la
section 2.1.4 et section 2.2.1, les chefs de services cherchent en dduire un planning
de leurs effectifs, les chefs dagences laborent le budget et xent des objectifs, les com-
merciaux relancent les clients. Suivant lutilit que lutilisateur a des prvisions il va les
lire diffremment. Il va prfrer la prvision mensuelle, moyen terme, au dtriment de
la prvision journalire, court terme, ou vice versa. Cest pourquoi lapplication Ho-
rizons propose dafcher les prvisions aussi bien 2 semaines, qu 5 semaines et
10 semaines. La version Horizons v2.0 propose des prvisions mensuelles horizon
de 24 mois. Nous rappelons lutilisateur que lincertitude augmente avec lhorizon des
prvisions.
La abilit des prvisions dpend aussi de la abilit des donnes dentre. Des erreurs
de saisie sur le poids des positions peuvent accentuer les erreurs de prvision. Enn, la
qualit des prvisions dpend de la volatilit des donnes autour de leur moyenne. Ds
lors, les prvisions chiffres ne doivent pas tre prises pour argent comptant. Elles sont
un support pour tre dbattues et corriges lors de runions regroupant le comit de
validations. Il a pour objectif de consolider les prvisions au niveau de lagence. Comme
le rappelle Fildes et al. (51), la prvision statistique, en milieu oprationnel, doit tre cor-
rige et conrme par des experts mtiers.
La gure 4.20 montre le droulement des oprations. Cest un ensemble dtapes n-
cessaires la fabrication dune prvision juste et accepte par lensemble des acteurs.
Lhistorique des sries prvoir est extrait des bases de donnes. Le moteur de calcul
des prvisions sappuie sur lhypothse que lactivit des agences de transport, ainsi que
leur environnement, sont stables. Autrement dit, lavenir toutes les chances de se d-
rouler comme le pass, en prenant en compte une volution progressive du phnomne
193
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
Figure 4.20 Process dutilisation du systme de prvision Horizons
tudi. Lalgorithme de prvision ne tient compte ni des modications structurelles in-
ternes aux agences et au groupe, ni des changements conjoncturels du march li
au transport, explique Bortolotti (17). G. Chevillon (29), ajoute que les mthodes de
prvision ne sont malheureusement pas parfaites et nont pas vocation devenir de
purs exercices mathmatiques sans contenu conomique . Pour pallier labsence des
donnes qualitatives, il est conseill aux agences de transport de mettre lordre du
jour des runions hebdomadaires, la prvision dactivit. Dhabitude ces runions heb-
domadaires sont organises pour traiter des problmes passs, prsents et venir. Les
responsables de services sont prsents. Ils viennent du service commerce, du service
de la direction, du service quai et du service de lexploitation. Personne ne peut pr-
tendre mieux connatre lactivit de lagence de transport que chacun des responsables
de services. Franco et Lignerolles, 2000 (54), prcisent bien que les utilisateurs des pr-
visions doivent connatre le contenu informel disponible, matriser la valeur smantique
des donnes, la culture de lentreprise et avoir une forte connaissance de lenvironne-
ment, notamment en terme dhistorique dactions et dvnements relatifs au contexte
de lentreprise. Ce recul et cette matrise du contexte sont des prrequis pour viter au
194
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
mieux de perdre du temps sur certaines dcouvertes videntes ou de tirer des fausses
conclusions danalyse de donnes bruites . Pour faire court, les experts mtiers uti-
lisent leurs capacits de jugement pour valider la faisabilit des prvisions proposes.
Lapplication Horizons leur fournit, en plus, un ensemble dindicateurs leur permettant
une prise de dcision rchie. Ces indicateurs sont :
la donne ralise en A 1,
lanalyse du comportement du modle sur la base des statistiques de abilit,
la donne prvisionnelle et son intervalle de conance,
des indicateurs de mesures permettant de juger de la pertinence des prvisions.
Pour les utiliser bon escient, les experts mtiers doivent tre forms la lecture de ces
rsultats. Par la suite, ces indicateurs croiss avec lchange dinformations qualitatives
en provenance des diffrents services de lagence de transport, doivent permettre de
sapprocher au plus prs de la valeur relle future. Pass leurs dbats, les responsables
de service valident ou ajustent la donne prvisionnelle. Pour la valider, ils slectionnent
prvision Horizons dans la liste des motifs dajustement, sinon, ils choisissent un autre
motif dajustement.
Dautre part, comme pour lhorizon de prvision, lerreur de prvision nest pas perue
de la mme manire par lensemble des utilisateurs de prvision (voir section 2.2.11).
Dabord pour le prvisionniste, une erreur de +5% est identique une erreur de -5%.
Elle est centre en 0 et cest ce qui limporte. Par contre, lexploitant accordera davan-
tage dimportance lune ou lautre, suivant les moyens humains et matriels dont il
dispose pour faire face lactivit prvue. Une erreur positive (la prvision est suprieure
au ralis) cote de largent lagence car elle aura plani trop de personnel, par contre
elle aura su rpondre lactivit. Cest essentiel pour son image de marque. Une erreur
infrieure zro contraint lagence repousser lactivit du jour au lendemain, par faute
de moyens. Elle aura plani trop peu de main duvre pour faire face lactivit relle.
Ensuite, il est conseill aux agences de transport de xer leur tolrance, face la moyenne
des erreurs absolues, par rapport au ralis (MAPE : Mean absolute percentage Error),
en fonction de ce que cela reprsente en heures productives. Par exemple, si une erreur
de prvision de 10% reprsente moins de 8 heures productives, elle est acceptable car
elle na pas amen le charg de planication embaucher une personne de plus ou de
moins pour la priode considre.
Il est galement rappel aux agences de transport, quune prvision peut tre vue de
diffrentes manires,
est-ce un objectif atteindre ?
est-ce un chiffre qui devra tre atteint quoi quil arrive ?
est-ce le chiffre qui devrait tre atteint si tout se passe sans imprvus ?
est-ce une tendance ?
195
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
En fonction de la rponse, la communication des prvisions se fait diffremment. Il est
prconis aux agences de transport de considrer la prvision fournie par loutil Ho-
rizons , avec son intervalle de conance, comme un chiffre qui va se raliser si tout
se passe comme prvu. Nanmoins, les responsables de lagence de transport peuvent
retoucher les prvisions proposes par le systme Horizons dans loptique de les uti-
liser comme un objectif atteindre.
Les responsables dagence de transport ont lhabitude de parler du taux de producti-
vit. Nous lavons mentionn dans la section 1.1.2.2.3, cest le ratio entre le poids des
marchandises passes quai et les heures productives sur le quai. Les responsables
dagence utilisent ce taux comme un indicateur de performance. Il leur permet de d-
terminer si les heures productives ont t utilises correctement. Il faut savoir quune
fois par semaine, les responsables de service achtent des heures productives en fonc-
tion de leurs besoins. Les besoins varient selon la charge de travail due aux uctuations
dactivit. Cette charge de travail compte en heures productives est ralise par des in-
trimaires. Lheure dintrim cote trs cher lagence. Cest pourquoi les responsables
dagence souhaitent, par la maitrise des prvisions dactivit, planier, au plus juste, le
nombre dheures productives et donc le nombre dintrimaires.
Comme pour les poids de marchandises, nous distinguons le taux de productivit en ex-
pdition de celui en distribution. Rappelons que, schmatiquement, lactivit dexpdition
correspond lactivit du quai jour, et que lactivit de distribution correspond lactivit
du quai de nuit. Ainsi, en anticipant les heures productives, le systme de prvision Ho-
rizons donne la possibilit de planier lquipe de jour et lquipe de nuit. La prvision
des heures productives est le rsultat du ratio entre le poids prvu du jour J et la mdiane
des six derniers taux de productivit pour le jour de la semaine du jour J. Cest--dire que
si le jour J prvu est un lundi, le taux de productivit prvu est la mdiane du taux de
productivit ralis les six lundis prcdents le jour J. Dans ce sens, la prvision des
heures productives dcoule de la prvision des poids. Nous navons pas, ici, construit
un modle de prvision spcique qui prenne en compte les diffrentes composantes de
la srie chronologique prvoir. Nanmoins les rsultats prvisionnels se rapprochent
fortement des rsultats raliss. Les responsables dagences surveillent de prs les taux
de productivit et aiment les rappeler quand bon leur semble.
Aprs avoir t discute et valide par les diffrentes parties, la prvision dactivit (poids,
nombre de positions et taux de productivit) doit tre publie au niveau de lagence de
transport. Pour communiquer sur la prvision et motiver les quipes, le module Hori-
zons permet dafcher sur une mme page, pour la semaine en cours et la semaine
venir, le graphique et les tableaux de bord, de la prvision et de lactivit ralise. En
imprimant cette page et en la diffusant dans lagence de transport, les employs peuvent
comparer le ralis et la prvision des derniers jours. Ainsi dans un premier temps, les
196
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
employs comparent lactivit afche et la charge de travail quils ont ralises. Dans
un deuxime temps, ils visionnent la prvision des jours venir et se font, ainsi, une
ide prcise de la charge de travail qui leur est demande. Dautre part, les salaris sont
satisfaits quand ils voient que lactivit ralise a atteint ou surpass la prvision et le
sont moins dans le cas contraire. Cet afchage de lactivit passe et des prvisions a
notamment pour but dimpliquer un peu plus les salaris la bonne marche de lagence.
Non seulement loutil Horizons donne les prvisions de lactivit, mais il donne aussi la
possibilit, a posteriori, danalyser lactivit en naviguant dans le temps. Lutilisateur peut
exporter les tableaux hebdomadaires dans un intervalle de temps donn et les analyser
par le biais dun tableur. La partie graphique permet galement lutilisateur didentier
rapidement les grosses erreurs de saisie sur le poids des positions. Cest le cas lorsque
la courbe des poids forme un pic limage de la gure 4.21.
Figure 4.21 Valeur extrme identi rapidement grce linterface web Horizons
4.9 Retour sur investissement
La section 2.1.4 donne des pistes sur la faon destimer le retour sur investissement,
suite la mise en place dun systme de prvision. Nous avons vu que le montant in-
197
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
vesti est souvent facilement identiable. En revanche, largent gagn lest moins. Nous
voulons montrer que non seulement le systme de prvision Horizons est un outil
complet qui a t industrialis au niveau dun groupe denvergure internationale, mais
que, par ailleurs, le groupe retire de substantiels bnces lutiliser.
Depuis le 1
er
Janvier 2009, le systme de prvision Horizons est en production dans
les agences de transport TFE. Lanne 2009 doit permettre de communiquer autour du
produit, de former les futurs utilisateurs, de capitaliser lexprience et dadapter le pro-
duit suivant les usages qui en sont faits. La communication a pour but de convaincre
les responsables dagences de lintrt quil y a utiliser lapplication. Mme si ce nest
pas la seule raison dutiliser les prvisions, la communication insiste sur lanticipation de
lactivit pour amliorer la planication des ressources humaines sur le quai. Cette pers-
pective, nous amne une possible premire valuation du gain apport par le systme
de prvision. Sans compter la convivialit de linterface, laccs rapide une information
juste, et mise jour quotidienne, nous pouvons nous attendre raisonnablement ce que
la prvision dactivit face gagner 24 heures de production par mois. Cela quivaut en
moyenne moins dune heure par jour (24 heures / 26 jours ouvrs par mois). Au ni-
veau groupe, ce bnce monte 1.680 heures mensuelles (70 agences 24 heures).
Sur la base dun smic horaire, le gain atteint 14.817e par mois (8, 82e 1680 heures) ou
177.811e par an, sans compter les charges patronales.
Avant la mise en place du systme de prvision Horizons , les diffrentes rgions du
groupe (Bretagne Pays de la Loire, Sud-ouest, Nord-Ouest, Rhne-Alpes, Sud-est, Est)
possdaient chacune leur propre systme de prvision. Pour tre maintenu jour, les
systmes dvelopps sur tableur avaient besoin au minimum dune demi-journe par se-
maine du temps de travail dun contrleur de gestion. Sur une base annuelle de 28 ke, le
gain pour le groupe monte 16.800e par an (25ke / 10 temps 6 rgions), sans compter
les charges.
Le gain se retrouve galement dans le confort dutilisation. La partie graphique de lap-
plication permet, rapidement, de constater des anomalies dans les indicateurs afchs.
Cette facilit dusage autorise dtre trs ractif et de corriger rapidement la source de
lerreur constate visuellement.
Lafchage de lactivit passe et prvue (voir section 4.7.3), doit motiver les quipes. Le
but recherch est un gain de productivit. Il semble nanmoins que lafchage aux yeux
de tous soit utiliser avec modration. Se rendant compte de lactivit produite, lem-
ploy aurait tendance rclamer une hausse de salaire, nous a rvl un responsable
dquipe.
Un moyen destimer le retour sur investissement est de laisser la parole aux utilisateurs.
Lydie Hoarau, responsable des ressources humaines chez TFE Bourge, utilise rguli-
rement lapplication. Elle avance que les prvisions des indicateurs poids et nombre de
positions passes quai, sont pertinentes. Les prvisions des indicateurs en expdition
198
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
sont moins justes, car il y a moins dactivit. Cela engendre un historique des donnes
volatiles. Lydie comprend la cause de lerreur et corrige en consquence les prvisions
en expdition. Elle ajoute utiliser les prvisions dactivit pour estimer la productivit de
la semaine suivante.
Julien Vidal, chef de quai chez TFE Lille, utilise loutil Horizons rgulirement. A partir
des prvisions journalires sur un horizon de deux mois, il affecte un effectif quai journa-
lier. Leffectif est calcul en fonction de la prvision des poids et dune productivit avise.
Il estime que les prvisions sont justes 95%, en moyenne, sur la semaine. Cependant,
il pense que 5% derreur cest encore beaucoup, au vu des tonnages hebdomadaires
que cela reprsente. 5% derreur quivalent 2 ou 3 personnes la semaine.
Thierry Jaffredou, contrleur de gestion chez TFE Rennes exploite, les prvisions four-
nies par Horizons pour planier les quipes du quai. Il dit retrouver des donnes
cohrentes quil est capable de croiser avec des informations de sources diffrentes.
Comme il est prconis par la mthodologie, Thierry Jaffredou runit les chefs de ser-
vice une fois par semaine, pour croiser les informations qualitatives quils ont du terrain,
dans le but dafner les prvisions proposes par loutil Horizons . T. Jaffredou est par-
venu convaincre le chef de quai de lagence dutiliser loutil de prvision. Dautre part,
il travaille en troite collaboration avec le prvisionniste pour lui suggrer des volutions
de loutil.
Il ressort des discussions avec les utilisateurs un rel engouement pour la prvision
dactivit. Ils sont persuads que cest un moyen damliorer la productivit et, plus g-
nralement, la logistique. Ils sont les premiers en redemander. Ils sont nombreux
penser que le mtier volue. Avant lactivit se rpartissait quitablement sur une jour-
ne de travail. Lexpdition se faisait pendant la journe, tandis que la distribution se
faisait la nuit. Aujourdhui la logistique se recentre sur des plages horaires plus troites.
Lactivit demande plus de exibilit. Mais pour dcider des plages horaires de travail, les
dcideurs ont besoin de prvision dactivit par crneaux horaire. Cette demande de pr-
vision manant du terrain est un signe positif qui nous semble important dinsrer dans
les critres de retour sur investissement. Cest le signe que les prvisions sont devenues
indispensables pour le pilotage de lactivit.
Nous avons vu quun critre du retour sur investissement est le besoin quont les agences
de transport en donnes prvisionnelles. Un moyen de calculer ce besoin est de comp-
ter le nombre de connexions mensuelles au site Horizons . Aujourdhui, il est denviron
350 connexions mensuelles. Bien entendu, un mme utilisateur nest compt quune fois
par jour. Une trentaine de personnes se connectent plus dune fois par semaine. Ce qui
est le signe que ces personnes suivent avec intrt les prvisions et lvolution de leur
activit relle.
Nous venons de montrer que le retour sur investissement ne se calculait pas uniquement
en termes de gain nancier. Une partie du gain est du temps gagn, que nous pour-
199
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
rions chercher convertir en argent, une autre partie est laccroissement de la ractivit,
une autre est la prise de conscience, par les managers, de limportance des donnes
prvisionnelles, etc. Le groupe STEF-TFE a pris conscience des enjeux et cest pour-
quoi il met les moyens pour inciter toutes les agences de transport du groupe utiliser
bon escient le systme de prvision Horizons . Le soutien des instances dirigeantes
a galement permis de sortir une version 2.0 du produit. Elle fournit des prvisions
moyen terme, cest--dire des prvisions dactivit mensuelle horizon de 24 mois. Ces
prvisions ont pour vocation daider xer les budgets.
4.10 Industrialisation : Prvision moyen terme
La version 2.0 du systme de prvision Horizons propose des prvisions dactivit
moyen terme. Elle nest en service que depuis Octobre 2009. Les indicateurs poids
des marchandises et nombre de positions passes quai mensuellement sont prvus
horizon n 2010. Dbut 2010, lhorizon de prvision passera n 2011 et ainsi de suite.
Ces prvisions mensuelles serviront, entre autres, tablir les budgets. Comme pour les
prvisions court terme, des statistiques sont fournies pour permettre lutilisateur de se
faire sa propre opinion sur la conance apporter aux prvisions proposes. De manire
gnrale, tout ce qui se trouvait dans Horizons V1.0 pour les prvisions journalires,
se retrouve dupliqu dans Horizons V2.0 pour les donnes mensuelles.
Horizons V2.0 est la preuve quil est possible, en moins de 6 mois, de rdiger un mo-
dle mathmatique de prvision, de le programmer informatiquement, dinstaurer la com-
munication entre applications et, enn, de proposer par une interface graphique convi-
viale une information passe et prvisionnelle juste et mise jour quotidiennement. Cest
le travail effectu sur Horizons V1.0 qui a permis didentier, de dnir les tapes et
de normaliser le processus de mise en production dun systme de prvision. La version
Horizons V2.0 est prsente dans le rapport de stage de M. Jaimes (68). M. Jaimes
reprend la mthodologie, les processus de dveloppement, les mthodes analytiques et
les recommandations dcrits dans cette thse pour dvelopper un systme de prvision
amliores, qui anticipe mensuellement lactivit des agences de transport du groupe
STEF-TFE. Ainsi, cette thse aura aussi permis de dcrire, dune manire dtaille et
pratique une mthode de mise place dun systme de prvision dans son complet. La
mthode a fait ses preuves dans le domaine du transport, au sein du groupe STEF-TFE.
Elle attend dtre applique chez les clients du groupe et notamment chez les industriels
de lagroalimentaire.
200
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
Chapitre 5
Simulation des ux de marchandises sur
un quai de messagerie
La comprhension et la modlisation dun quai de messagerie sont un domaine peu
explor. Lobjectif de ce chapitre est de contribuer de manire signicative son explora-
tion. Nous avons prcdemment dcrit les ux physiques et informatiques occasionns
par le transport dune marchandise. Ces informations nous permettront de prescrire les
entres et sorties du modle de quai de messagerie
Disposer dun tel modle implment dans un code de calcul efcace permettra desti-
mer le temps de traitement de la marchandise sur un quai. Cela permettra galement de
prvoir les ressources matrielles et humaines ncessaires pour le passage quai des
marchandises. Enn, cela ouvrira la possibilit doptimiser les processus industriels en
jeu sur les quais.
Nous construisons un modle exible permettant de simuler les ux de marchandises,
aussi bien sur un petit quai que sur un quai de grande taille, partir des donnes qui sont
notre disposition. Dans un premier temps, nous dcomposons le quai en plusieurs com-
partiments. Lhypothse est de considrer que la marchandise associe une position
donne passe par chacun des compartiments du quai. Le passage dun compartiment
un autre est dcrit par un ux, lui-mme modlis par une fonction de transfert. Les fonc-
tions de transfert interviennent dans un systme dquations diffrentielles ordinaires d-
crivant lvolution de la masse de marchandises dans chacun des compartiments. Deux
modles simulant les ux sont dvelopps. Le premier, appel modle n , modlise
les ux lchelle de la position. Le deuxime modle, appel modle agrg , mod-
lise les ux lchelle dun ensemble de positions.
Ces deux modles sont implments dans lenvironnement R, puis tests sur des cas
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
trs simples. Leur capacit se comporter conformment au fonctionnement rel dun
quai est exhibe. En revanche les tests mettent en vidence que pour tre utilis de faon
oprationnelle il est indispensable de les implmenter avec une mthodologie de calcul
scientique, ce qui est hors de porte de cette thse.
Enn, en vue de leur implmentation, un modle permettant dinterconnecter plusieurs
quais est construit. Des exemples de formulations de questions industrielles en termes
doptimisation de problmes induisant ces modles sont dcrits de manire relativement
dtaille comme perspectives.
5.1 Modle n
Nous modlisons lactivit du quai par un modle cinq compartiments et 4 fonctions
de transfert.
In Ulo Res Loa Out
- - - - - -

In

In

Ulo

Res

Loa

Out
Figure 5.1 Dcomposition du quai en 5 compartiments
La gure 5.1 illustre la faon dont le quai est dcoup en 5 aires. La premire, appe-
le aire dentre (ou In), nappartient pas physiquement au quai. Elle reprsente la
place sur laquelle les chauffeurs garent leur camion, pour faire dcharger la marchandise.
Avant le dchargement, un certain nombre doprations sont ncessaires (bon de livrai-
son, . . .). Ensuite, les marchandises sont dcharges dans laire de dchargement
(ou Unlo) pour tre conditionnes. Si elles ne sont pas planies pour repartir sous les
24 heures, elles sont transfres dans une rserve ou dans une aire de stockage. Nous
appelons ces deux endroit, aire de rsidence (ou Res). Aprs leur attente dans laire
de rsidence, les marchandises passent dans laire de chargement (ou Loa). Cette
aire permet aux manutentionnaires de bien ranger les palettes de marchandises devant
les portes de sortie o sont stationns les camions pour le chargement. La remorque du
202
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
camion dans laquelle se fait le chargement constitue l aire de sortie (ou Out).
La vitesse de transfert de la marchandise dune aire une autre dpend de lembal-
lage de la marchandise et du nombre de personnes affectes cette tche. De mme,
dautres aspects importants sont considrer. Par exemple, le schma de dcomposition
du quai en compartiments ne prend pas en compte toutes les situations. Les marchan-
dises peuvent tre directement transfres de laire de dchargement vers laire de char-
gement sans passer par laire de rsidence. Dautre part, les grands quais, bncient
de personnel ddi. Il existe les rceptionnistes, les prparateurs, les chargeurs. Alors
que le personnel des petits quais est souvent plus polyvalent.
Le modle dvelopp cherche prendre en compte toutes ces particularits. Il doit tre
valide sur une chelle de temps de quelques minutes. En effet, les applications pour les-
quelles nous projetons de lutiliser ncessitent des modles temps discrets utilisant des
pas de temps variant entre une valeur t
min
, de 15 minutes environ et une valeur t
max
de lordre de 3 heures. A partir de ces considrations, nous construisons un modle qui
utilise des quations ordinaires diffrentielles.
Pour A {In, Ulo, Res, Loa, Out}, p est une position parmi un ensemble Pos et t R,
nous dnissons S
A,(p)
(t) comme la masse de marchandises rattaches la position p
et prsente dans laire A, la date t. Pour tre plus exact, cest la moyenne de cette
masse sur un intervalle de longueur t
min
, centr autour de t. Nous dnissons gale-
ment,
In,(p)
(t) comme le ux de masse de marchandises associes la position p et qui
entre dans laire dentre, la date t. (Concrtement, ce ux est induit par les camions
qui se garent pour dchargement.) Sa dnition prcise consiste dire que la masse de
marchandises associes la position p qui entre dans laire dentre entre la date t et
t + t avec t > t
min
est
_
t+t
t

In,(p)
(s)ds. (5.1)
De la mme faon, nous dnissons
Out,(p)
(t) comme le ux de la masse des marchan-
dises attaches la position p qui quittent laire de sortie. Posons S
A
(t) =

pPos
S
A,(p)
(t),
la masse totale de marchandises prsentes sur laire A la date t. Ainsi, par le biais
de fonctions de transfert, il est possible de dnir les ux de masse de marchandises
circulant entre les aires. Dnissons la fonction de transfert
In,(p)
(t) comme le ux de
la masse de marchandises attaches la position p et qui circule entre laire dentre
et laire de dchargement, la date t. De la mme manire
Ulo,(p)
(t) est la fonction de
transfert entre laire de rsidence et laire de chargement, de mme que
Loa,(p)
(t) est la
fonction de transfert entre laire de chargement et laire de sortie. Il est raisonnable de
poser :
_

In,(p)
(t) =

In
((p, t), S
Ulo
(t), n
In,(p)
(t))(S
In,(p)
(t)),
o (S ) = 1 si S > 0 et 0 si S 0.
(5.2)
203
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
Lquation 5.2 met en avant que
In,(p)
(t) est une fonction de la position. La faon dont

In
dpend de p doit prendre en compte lemballage des marchandises de la position p et,
certainement, dautres critres relatifs la position p. Certains emballages sont, tout sim-
plement, plus rapide dplacer que dautres. (p, t) reprsente les informations lies
la position p la date t.

In
est galement une fonction de S
Ulo
ce qui permet de prendre
en compte que S
Ulo
peut tre surcharg.

In
dpend aussi du nombre demploys (ou
heures productives) n
In,(p)
(t) ddi au transfert. La fonction (S
In,(p)
(t)) interrompt le trans-
fert quand il ne reste plus de marchandises lies la position p dans laire dentre. De
la mme faon, nous posons :

Ulo,(p)
(t) =

Ulo
((p, t), S
Res
(t), n
Ulo
(t))(S
Ulo,(p)
(t)), (5.3)

Res,(p)
(t) =

Res
((p, t), , S
Loa
(t), n
Res
(t))(S
Res,(p)
(t)), (5.4)

Loa,(p)
(t) =

Loa
((p, t), S
Out
(t), n
Loa
(t))(S
Loa,(p)
(t)). (5.5)
Ayant dni ces quantits et fonctions de transfert, nous pouvons crire les quations
diffrentielles ordinaires modlisant le transfert de la masse de marchandises dune po-
sition p travers les compartiments du quai :
dS
In,(p)
dt
=
In,(p)

In,(p)
, (5.6)
dS
Ulo,(p)
dt
=
In,(p)

Ulo,(p)
, (5.7)
dS
Res,(p)
dt
=
Ulo,(p)

Res,(p)
, (5.8)
dS
Loa,(p)
dt
=
Res,(p)

Loa,(p)
, (5.9)
dS
Out,(p)
dt
=
Loa,(p)

Out,(p)
. (5.10)
La variation de la masse de marchandises prsentes dans chacune des aires du quai est
le rsultat de la diffrence entre les ux dentres et de sorties de ces mmes aires.
Ds que le modle est formul, il faut montrer quil est bien adapt pour des quais de
grande taille. Pour ce faire, nous construisons des fonctions

A
et
A
adaptes. Nous
devons galement dmontrer que le modle est assez exible pour fonctionner avec des
quais de taille rduite. Cest pourquoi nous prsenterons les notions de chevauchement
daires et dheures productives adapts n
A
(t). Linformation lie la position scrit :
(p, t) = (p, m(p), N
p
(p, t), T
In
(p), T
Out
(p), Pub(p)). (5.11)
m(p) est la masse de marchandises lies la position p. N
p
(p, t) est le nombre dem-
ballages (palettes, rolls, bacs) lis la position p. Le nombre demballages dpend de
la date t. En effet les marchandises dune position peuvent reprsenter par exemple 10
204
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
palettes lors de lenlvement et seulement 9 lors de la livraison. Entre deux, elles auront
t gerbes, ou les colis auront t reconditionns pour gagner de la place. T
In
(p) est la
date laquelle le camion contenant la position p est prt tre dcharg. T
Out
(p) est la
date laquelle le camion contenant la position p est prts quitter le quai. Pub(p) est
la liste des positions dcharger du camion avant daccder la position p. Pour les
grands quais choisir la fonction de transfert
In
suivante :

In
((p, t), S
Ulo
(t), n
In,(p)
(t)) =
1

In
m(p)
N
p
(p, t)
n
In,(p)
(t)(S
Ulo
max
S
Ulo
(t)), (5.12)
semble pertinent.
Dans 5.12,
In
est le temps quil faut pour transfrer un emballage de laire dentre vers
laire de dchargement. S
Ulo
max
est la capacit maximale de laire de dchargement.
m(p)
N
p
(p,t)
est la masse moyenne par emballage de la position p. Lquation 5.12 traduit le fait que
la masse par emballage qui transfre de laire dentre vers laire de dchargement, est
proportionnelle la masse prsente sur chaque emballage et la force de travail affec-
te la tche de dchargement de la position p. La masse par emballage, qui transfre
de laire dentre vers laire de dchargement, est aussi inversement proportionnelle au
temps quil faut pour dcharger un emballage. Le facteur (S
Ulo
max
S
Ulo
) permet de stopper
le transfert quand S
Ulo
max
est atteint. Notez quil est possible daffecter + S
Ulo
max
si laire
de dchargement nest jamais sature. La force de travail, n
In,(p)
(t), alloue au dcharge-
ment de la position p peut tre dnie suivant un indice de priorit que nous souhaitons
accorder la position p, pondr par ce que reprsente la masse de marchandises de la
position p parmi lensemble de la masse dcharger, et en fonction aussi des indices de
priorit, accords aux autres positions. Ce qui peut tre traduit par la formule suivante :
n
In,(p)
(t) =
_
t
tt
min
(p, s)S
In,(p)
(s)ds
_
t
tt
min

Pos
(p

, s)S
In,(p

)
(s)ds
n
In
(t), (5.13)
(p, t) [0, +] est lindice de priorit. Un indice lev permet daugmenter la force de
travail alloue au dchargement de la position p. (p, t) peut tre dni de diffrentes
manires. Une faon simple consiste poser :
(p, t) = (p) =

T
Out
(p) T
In
(p)
,
pour tout t [T
In
(p), T
Out
(p)] et pour une constante donne ,
(5.14)
Une deuxime proposition est de lier (p, t) la longueur dun intervalle de temps :
(p, t) = min(
1
+

2
T
Out
(p) t
;
3
),
pour tout t [T
In
(p), T
Out
(p)] et pour des constantes
1
,
2
,
3
xes.
(5.15)
205
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
Cette procdure permet daugmenter lindice de priorit au fur et mesure que nous
nous approchons de la date prvue de dpart du quai. Enn, (p, t) peut tre considr
comme une fonction optimiser.
Dans tous les cas de gures lexpression 5.13 nous semble prfrable la suivante :
n
In,(p)
(t) =
(p, t)S
In,(p)
(t)

Pos
(p

, t)S
In,(p

)
(t)
n
In
(t). (5.16)
Cette dernire ne prend en effet pas en compte le temps ncessaire de la force de tra-
vail pour changer de poste ou simplement pour passer dune aire une autre. De plus,
utiliser la fonction 5.16 acclre le dbut de chargement et ralentit sa n. La fonction
accorde sans discernement une forte force de travail quand la masse de marchandises
est importante et une faible force de travail quand la masse de marchandises est faible.
La fonction 5.15 permet dattribuer une force de travail selon une masse moyenne, sur
un intervalle de temps de longueur t
min
. Ceci a lavantage de prendre en compte les
pauses prises par les employs ou les changements de poste.
Avant de dnir la fonction de transfert

A
pour A {Ulo, Res, Loa}, gnralisons la no-
tation.
Ulo
est pour le temps pass transfrer un emballage de laire de dchargement
vers laire de rsidence.
Res
est pour le temps pass transfrer un emballage de laire
de rsidence vers laire de chargement.
Loa
est pour le temps pass transfrer un em-
ballage de laire de chargement vers laire de sortie. En dsignant par S
A
max
la capacit
maximale de laire A, n
A
(t) et n
A,(p)
(t) sont lis par :
n
A,(p)
(t) =
_
t
tt
min
(p, s)S
A,(p)
(s)ds
_
t
tt
min

Pos
(p

, s)S
A,(p

)
(s)ds
n
A
(t), (5.17)
o n
A
(t) est la force de travail alloue laire A et n
A,(p)
(t) la force de travail alloue
laire A pour excuter une tche sur la position p. Ainsi, nous pouvons crire les galits
suivantes pour dnir

Ulo
et

Loa

Ulo
((p, t), S
Res
(t), n
Ulo,(p)
(t)) =
1

Ulo
m(p)
N
p
(p, t)
n
Ulo,(p)
(t)(S
Res
max
S
Res
(t)), (5.18)

Loa
((p, t), S
Out
(t), n
Loa,(p)
(t)) =
1

Loa
m(p)
N
p
(p, t)
n
Loa,(p)
(t)(S
Out
max
S
Out
(t)). (5.19)
La fonction

Res,(p)
dpend dune variable qui reprsente la date laquelle le transfert
des marchandises de la position p, entre laire de rsidence et laire de chargement
commence. Cette variable permet ainsi de prendre en compte le fait que la marchandise
peut rester un certain temps sur laire de rsidence. La dnition de

Res,(p)
est alors :
_

Res,(p)
((p, t), (p), S
Loa
(t), n
Res,(p)
(t)) =
1

Res
m(p)
N
p
(p,t)
n
Res,(p)
(t)(S
Loa
max
S
Loa
(t))
si t (p)
= 0 sinon.
(5.20)
206
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
Le calcul de n
Res,(p)
ncessite une dnition de (p, t). Si avant darriver dans laire de
rsidence, (p, t) est dni par la fonction 5.14 il est ncessaire de la dnir de la manire
suivante :
(p, t) =

T
Out
(p) (p)
pour tout t [(p), T
out
(p)]. (5.21)
Dautre part, si la dnition 5.15 est choisie, la fonction prcdente reste valide.
Pour dnir (p) plusieurs choix peuvent tre faits. Prenons le plus simple :
(p) = T
Out
(p) , (5.22)
o la constante est un temps estim pour quune position p effectue le trajet entre
laire de rsidence et laire de chargement. Bien entendu, la constante ((p, t)) dpend
de (p, t). Lide qui se cache sous cette dpendance est que plus il y a demballages
associs la position p, plus le temps ((p, t)) est long. ((p, t)) peut galement tre
inconnu et, dans ce cas, tre dtermin par une procdure doptimisation.
Considrons
In,(p)
et
Out,(p)
. Dsignons
[t=T]
la masse de Dirac la date T et

t,T
(t) la
rgularisation suivante :
_

t,T
(t) = 0 si t < T t,
=
t T + t
t
2
si T t t < T,
=
t + T + t
t
2
si T t < T + t,
= 0 si t T + t.
(5.23)
Nous posons

Out,(p)
= m(p)
[t=T
Out
(p)]
. (5.24)
Ce qui signie que la masse totale associe la position p est transfre en dehors de
laire de sortie la date T
Out
(p) o

Out,(p)
= m(p)
t
min
4
,T
Out
(p)
(t), (5.25)
est la rgularisation de 5.24.
Pour
In,(p)
nous introduisons un temps

T(p). Il reprsente le temps pass dcharger
les positions Pub(p) avant daccder la position p, dans le camion. Nous dnissons
alors :

In,(p)
= m(p)
[
t=T
In
(p)+

T(p)
]
, (5.26)
ou

In,(p)
= m(p)

t
min
4
,T
In
(p)+

T(p)
(t). (5.27)
207
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
Dans ces dnitions,

T(p) peut tre dclar comme :

T(p) =
In

Pub(p)
N
p
(p

, T
In
(p)), (5.28)
mais peut galement faire lobjet dun processus doptimisation, que nous soulignerons
plus tard.
Le modle qui vient dtre prsent est adapt des quais de grande taille. Pour des
quais de taille plus modeste ou des quais qui ne fonctionnent pas exactement comme
nous lavons dcrit ci-dessus, le modle peut tre adapt. Nous prsentons maintenant
des exemples de ces adaptations.
Premirement, la force de travail peut ne pas tre alloue une aire mais un ensemble
daires. Dans ce contexte, A reprsente un ensemble daires. Par exemple, A peut re-
prsenter {In, Ulo} ou {Res, Loa} ou {In, Ulo, Res, Loa}. Alors pour un A donn dans A
nous dnissons lheure productive adapte avec la formule suivante :
n
A,(p)
(t) =
_
t
tt
min
(p, s)S
A,(p)
(s)ds
_
t
tt
min

Pos

A
(p

, s)S
A

,(p

)
(s)ds
n
A
(t), (5.29)
o n
A
(t) est la force de travail alloue lensemble A, la date t. La formule 5.29 rem-
place la formule 5.17. Il est possible dutiliser la formule 5.17 pour un intervalle de temps
donn et la formule 5.29 pour un autre intervalle de temps dni.
Ensuite un quai peut ne pas comporter daire de rsidence. Alors nous utilisons ce que
nous avons prcdemment appel le chevauchement daires. Le chevauchement daires
consiste remplacer lquation 5.6 par :
S
Res,(p)
(t) = S
Ulo,(p)
(t) pour tout temps t. (5.30)
Il est possible de chevaucher plus de deux aires et que le chevauchement est compatible
avec la distribution de la force de travail dnie en 5.29 et 5.17
5.2 Modle agrg
Nous prsentons dans cette section un modle pour les ux de marchandises pas-
sant quai un niveau plus macroscopique. Typiquement le pas de temps minimum dun
modle temps discret dduit de ce modle agrg sera de lordre de 4t
min
1h.
En consquence, ce modle ncessite moins de variables, moins de dtails dans les
donnes et savre plus facile utiliser. Son principal dfaut est que ce modle nest pas
208
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
aussi prcis que celui dvelopp entre les quations 5.1 et 5.28, en particulier il regroupe
les positions pour en perdre le dtail.
Commenons par dnir la fonction
In
(t) qui donne pour une date t, le ux de la masse
de marchandises de laire dentre.
Out
(t) est le ux de la masse de marchandises qui
sort de laire de sorties la date t. La masse de marchandises prsentes sur une aire A
est :
S
A
(t) =

pPos
S
A,(p)
(t) pour A{In, Ulo, Res, Loa, Out}.
(5.31)
La somme prend en compte les positions p Pos dont la date de passage quai est
comprise entre T
In
(p) et T
Out
(p) : T
In
(p) t T
Out
(p).
Nous dduisons des quations 5.1 5.28 le modle agrg . Les quations 5.12,
5.18, 5.19 et 5.20 utilisent la quantit :
1

A
m(p)
N
p
(p, t)
pour A{In, Ulo, Res, Loa, Out}. (5.32)
Celle-ci peut tre moyenne partir dun historique dobservations an dobtenir les co-
efcients moyens suivants :

A
pour A{In, Ulo, Res, Loa, Out}. (5.33)
Nous dnissons ensuite la fonction de transfert
In
(t). Elle reprsente le ux de masse
de marchandises qui passent de laire dentre vers laire de dchargement la date t.

In
(t) =

In
(S
Ulo
(t), n
In
(t))(S
In
(t)), (5.34)
avec

In
dni par

In
(S
Ulo
, n
In
) =
In
n
In
(S
Ulo
max
S
Ulo
). (5.35)
De la mme faon nous dnissons

Ulo
(t) =

Ulo
(S
Res
(t), n
Ulo
(t))(S
Ulo
(t)), (5.36)

Loa
(t) =

Loa
(S
Out
(t), n
Loa
(t))(S
Loa
(t)), (5.37)
avec

Ulo
(S
Res
, n
Ulo
) =
Ulo
n
Ulo
(S
Res
max
S
Res
), (5.38)

Loa
(S
Out
, n
Loa
) =
Loa
n
Loa
(S
Out
max
S
Out
). (5.39)
Nous avons vu que la marchandise pouvait tre stocke un certain temps (plus de 24h)
sur laire de rsidence. Cest pourquoi la fonction S
Res
Rem
donne, tout moment, la masse
de marchandises qui reste sur laire de rsidence. Ainsi

Res
(S
Loa
, n
Res
) =
Res
n
Res
(S
Loa
max
S
Loa
), (5.40)
209
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
et
Res
(t) est dnie par

Res
(t) =

Res
(S
Loa
(t), n
Res
(t))(S
Res
(t) S
Res
Rem
(t)). (5.41)
Le systme dquations diffrentielles constituant le modle agrg scrit :
dS
In
dt
=
In

In
, (5.42)
dS
Ulo
dt
=
In

Ulo
, (5.43)
dS
Res
dt
=
Ulo

Res
, (5.44)
dS
Loa
dt
=
Res

Loa
, (5.45)
dS
Out
dt
=
Loa

Out
. (5.46)
Le modle 5.31-5.42 est construit pour fonctionner sur des quais de grande taille.
Cependant pour des quais plus petits ou dans lesquels le personnel nest pas affect
une aire donne, il est possible de dvelopper une procdure de recouvrement daires
ou dheures productives adaptes.
5.3 Modle de lorganisation des quais en rseau
Dans lintention de construire un modle du rseau de transport, nous avons mont
des connexions entre le modle dcrit par les formules 5.1-5.28 et le modle dve-
lopp par les formules 5.31-5.42. Suite cela, considrons un rseau form de n quais,
{h
1
, . . . , h
n
} = H. Parmi ces quais, certains appartiennent au transporteur TFE, ils forment
le sous ensemble H
mod
, et dautres sont la proprit des confres, ils forment le sous
ensemble H
unm
. Ainsi H
mod
_
H
unm
= , H
mod
_
H
unm
= H. Nous connaissons le fonc-
tionnement des quais appartenant H
mod
et nous lavons modlis, par contre nous de
savons rien des autres quais. Nous posons aussi K
i, j
comme lensemble de voyages
possibles entre un quai ni et un quai n j. Notons que sil nexiste pas de voyage entre
ni et n j alors K
i, j
= . Dans le cas contraire, il semble raisonnable dcrire
K
i, j
= {k
1
i, j
, k
2
i, j
, . . . , k
l
i, j
, . . . , k
L
i, j
i, j
}, (5.47)
k
l
i, j
est le voyage nomm l entre le quai ni et le quai n j. Les voyages k
l
i, j
durent un
temps T
l
i, j
. Cest le temps ncessaire effectuer le voyage. L
i, j
est le nombre de voyages
possibles entre le quai ni et le quai n j.
210
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
La masse de marchandises rattaches la position p, et en transfert dans laire dentre
du quai i, est dcrite par la fonction
In,(p)
i
(voir formule 5.1). Dans loptique de dcrire
la provenance de cette marchandise, nous introduisons R
,(p)
i
(t). R
,(p)
i
(t) est la masse
de marchandises rattaches la position p, qui entre dans laire dentre du quai ni
suite une ramasse chez lexpditeur . De la mme faon, B
,(p)
i
(t) est la masse de
marchandises rattaches la position p directement amene par lexpditeur dans
laire dentre du quai ni. Enn F
j,(p)
i
(t) est la masse de marchandises rattaches la
position p, en provenance du quai n j et qui entre dans laire dentre du quai ni. Ainsi,

In,(p)
i
(t) =

i
R
,(p)
i
(t) +

i
B
,(p)
i
(t) +
n

j=1
F
j,(p)
i
(t), (5.48)

i
est lensemble des expditeurs clients de lagence de transport n i. En sortie de
quai, nous introduisons les quantits suivantes : D
,(p)
i
(t) est la masse de marchandises
attaches la position p, qui quitte le quai ni pour tre livre chez le destinataire .
P
,(p)
i
(t) est la masse de marchandises attaches la position p, qui est prise par le
destinataire , au quai ni. E
j,(p)
i
(t) est la masse de marchandises attaches la position
p, qui quitte le quai ni, pour tre dcharge au quai n j. Ainsi,

Out,(p)
i
(t) =

A
i
D
,(p)
i
(t) +

A
i
P
,(p)
i
(t) +
n

j=1
E
j,(p)
i
(t). (5.49)
A
i
est lensemble des confrres travaillant avec lagence du quai ni.
Remarquons que les marchandises qui quittent le quai ni pour le quai n j, une date
t, sont les mmes marchandises qui arrivent au quai n j, en provenance du quai ni,
une date t + T
l
i, j
. Ainsi nous connectons le modle 5.1-5.28 du quai ni avec celui du
quai n j.
F
j,(p)
i
(t) =
L
i, j

l=1
a(k
l
i, j,p
)E
i,(p)
j
(t T
l
i, j
) (5.50)
a(k
l
i, j, p
) est la proportion de la masse de marchandises attaches la position p, trans-
porte dans le voyage k
l
i, j
, allant du quai ni vers le quai n j. En particulier,
L
i, j

l=1
a(k
l
i, j,p
) = 1 pour tout p Pos. (5.51)
Pour connecter les diffrentes instances des modles 5.31-5.42 indexes par i = 1, . . . , n
nous procdons de la manire suivante :
R

i
(t) =

pPos
R
,(p)
i
(t) , D

i
(t) =

pPos
D
,(p)
i
(t),
B

i
(t) =

pPos
B
,(p)
i
(t) , P

i
(t) =

pPos
P
,(p)
i
(t),
F
j
i
(t) =

pPos
F
j,(p)
i
(t) , E
j
i
(t) =

pPos
E
j,(p)
i
(t),
(5.52)
211
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
et

In
i
(t) =

i
R

i
(t) +

i
B

i
(t) +
n

j=1
F
j
i
(t),

Out
i
(t) =

A
i
D

i
(t) +

A
i
P

i
(t) +
n

j=1
E
j
i
(t),
(5.53)
et
F
j
i
(t) =
L
i, j

l=1
a(k
l
i, j
)E
i
j
(t T
l
i, j
), (5.54)
avec a(k
l
i, j
), qui satisfait
L
i, j

l=1
a(k
l
i, j
) = 1, (5.55)
est la proportion de masse de marchandises entre le quai ni et n j, qui prend le voyage
k
l
i, j
. a peut-tre dduit aprs observation du terrain ou dun ensemble denregistrements
dans la base de donnes.
Il est galement possible de moyenner les formules 5.50 et 5.54
_
t
t
F
j,(p)
i
(s)ds =
L
i, j

l=1
a(k
l
i, j
)
_
tT
l
i, j
+t
tT
l
i, j
E
i,(p)
j
(s)ds,
_
t
t
F
j
i
(s)ds =
L
i, j

l=1
a(k
l
i, j
)
_
tT
l
i, j
+t
tT
l
i, j
E
i
j
(s)ds.
(5.56)
5.4 Tests de validation
Cette section tient montrer la faisabilit de lutilisation des modles n et agrg
dans le but doptimiser des aspects de fonctionnement dun quai de messagerie. Le pre-
mier aspect est la dtermination de la quantit de main duvre ncessaire pour faire
face lactivit tout en la rpartissant subtilement dans les diffrentes aires du quai d-
nies dans le modle agrg . Une seconde utilisation est faite pour dterminer la
quantit de main duvre par position, et ceci, en optimisant lindice de priorit (p, t) de
lquation 5.14. Le troisime exemple dutilisation amne une solution pour xer (p), la
date laquelle la position p sort de laire de rsidence pour laire de sortie.
212
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
5.4.1 Rsultats obtenus par le modle n
Le modle dcrit dans la section 5.1 a t programm dans lenvironnement R.
An de dmontrer les performances du modle, nous simulons lactivit dun quai partir
dun exemple simple. Nous faisons entrer deux positions une heure dintervalle. Elles
restent quai pendant dix heures. Nous voulons observer comment leur masse remplit
les diffrentes zones du quai au cours de ces dix heures.
Pour ce faire, le modle dcrit ci-dessus, ncessite de xer des paramtres pour dcrire
les positions, la main duvre disponible sur le quai, et la taille du quai. Quatre mises
en situation vont permettre de comprendre comment se comporte le modle suivant les
paramtres que nous faisons varier. La premire mise en situation positionne les pa-
ramtres comme indiqu dans les tableaux suivants. Deux positions de 5 tonnes et 20
palettes chacune arrivent quai, respectivement 1h et 2h. Elles sont programmes
pour un dpart 11h et 12h. Leurs paramtres pour dterminer lindice de priorit via
la formule 5.14 sont identiques. Les positions peuvent tre dcharges en mme temps.
Les diffrentes aires du quai sont assez grandes pour entreposer la somme des masses
des deux positions. La quantit de main duvre est quitablement rpartie sur chaque
poste. Le temps de transfert dun emballage (palette) dune zone une autre est estim
une minute. Pour estimer le temps de transfert des positions de la zone de rsidence
vers la zone de sortie, nous excutons le modle une premire fois pour visualiser le
temps ncessaire au dchargement. Ce temps est alors affect au paramtre .
N position : p Masse en
tonnes :
m(p)
Nombre de
palettes :
N
p
Positions
devant :
Pub(p)
Date de
dchar-
gement :
T
In
(p)
Date de
dpart :
T
Out
(p)
0R4080329341 5 20 Null 1 10
0R4080328864 5 20 Null 2 11
Table 5.1 Paramtres de position
La gure 5.2 montre le rsultat obtenu par lexcution du modle avec les paramtres
ci-dessus.
Le premier graphique de la gure 5.2 montre lvolution de la somme des masses des
marchandises contenues dans les deux positions, sur chacune des aires. Il montre ga-
lement lvolution de la masse totale entrepose dans le quai.
Le deuxime et troisime graphique de la gure 5.2, montrent lvolution de la masse
dans chacune des aires, pour chacune des positions.
La courbe In reprsente lvolution de la masse de marchandises prsentes dans
213
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
Temps de transfert de la
position p entre la zone
de rsidence et la zone
de sortie :
Paramtre 1 de
lindice de prio-
rit :
1
Paramtre 2 de
lindice de prio-
rit :
2
Paramtre 3 de
lindice de prio-
rit :
3
8 1 1 5
8 1 1 5
Table 5.2 Paramtres de position, suite
Poids max en
zone dentre,
en tonnes :
S
In
max
Poids max
en zone de
dchargement,
en tonnes :
S
Ulo
max
Poids max
en zone de
rsidence, en
tonnes : S
Res
max
Poids max
en zone de
chargement,
en tonnes :
S
Loa
max
Poids max en
zone de sor-
tie, en tonnes :
S
Out
max
20 20 20 20 20
Table 5.3 Paramtres de quai
laire dentre. La courbe Ulo reprsente lvolution de la masse de marchandises
contenues dans laire de dchargement. La courbe Res reprsente lvolution de la
masse de marchandises contenues dans laire de rsidence. La courbe Loa repr-
sente lvolution de la masse de marchandises contenues dans laire de chargement.
La courbe Out reprsente lvolution de la masse de marchandises contenues dans
laire de sortie. Alors que les aires de dchargement, de rsidence et de chargement sont
des aires physiquement matrialises sur un quai de messagerie, laire dentre, comme
laire de sortie, reprsentent la somme des aires contenues dans les remorques qui se
mettent quai, pour tre dcharges ou charges. Rappelons quun camion contient les
marchandises dun ensemble de positions. Le camion et sa remorque se placent quai
pour tre dchargs une heure dnie. Aprs avoir t manutentionne et dplace de
laire de dchargement vers laire de rsidence, puis de laire de rsidence vers laire de
chargement, la marchandise dune mme position est charge dans un camion pour un
dpart une heure planie. Cest la date de dpart ou la date laquelle la marchandise
quitte laire de sortie.
La courbe In du premier graphique de la gure 5.2, montre que la date de dbut
de dchargement de la position n0R4080329341 est 1h00. Le deuxime graphique
montre que son dchargement se poursuit jusqu, approximativement, 7h30. Ce mme
graphique montre galement quil y a un ralentissement du transfert de la masse de la
position n0R4080329341 de laire dentre vers laire de dchargement. Cest simple-
ment la consquence de lentre de la deuxime position sur le quai. Lvolution de la
rpartition de la masse sur le quai de la deuxime position (n0R4080328864) est vue
214
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
Temps pour
transfrer un
emballage de la
zone dentre
vers la zone de
dchargement
en fractions
dheures :
In
Temps pour
transfrer un em-
ballage de la zone
de dchargement,
vers la zone de
rsidence en frac-
tions dheures :

Ulo
Temps pour
transfrer un
emballage de la
zone de rsidence
vers la zone
de chargement,
en fractions
dheures :
Res
Temps pour
transfrer un em-
ballage de la zone
de chargement
vers la zone de
sortie en fractions
dheures :
Loa
1/60 1/60 1/60 1/60
Table 5.4 Paramtres dquipe de quai
Main duvre
disponible pour
le dchargement :
n
In
Main duvre
disponible pour
le transfert
vers la zone de
rsidence : n
Ulo
Main duvre
disponible pour
le transfert
vers la zone de
chargement : n
Res
Main duvre
disponible pour
le chargement :
n
Loa
0, 1 0, 1 0, 1 0, 1
Table 5.5 Paramtres dquipe de quai, suite
sur le troisime graphique de la gure 5.2. La deuxime position se prsente pour d-
chargement 2h et quitte laire de sortie 11h00.
Rappelons que la main duvre disponible pour le dchargement est quivalente la
main duvre disponible pour le transfert des marchandises de laire de dchargement
vers laire de rsidence. Ainsi, aussitt que la marchandise est dcharge, elle est trans-
fre en zone de rsidence. Cest pourquoi, comme le montrent les trois graphiques de
la gure 5.2, la zone de dchargement naccumule pas de stock. Pendant que laire den-
tre se vide, les aires de rsidence et de sortie se remplissent (voir courbe Res et
Out ). La zone de sortie se remplit partir de 02h00, car nous avons x le paramtre
8 heures. La zone de chargement ne se remplit pas. La raison de cela est que les
marchandises sorties de la zone de rsidence sont transfres immdiatement dans la
zone de sortie. La position n0R4080329341 part, comme convenu, 10h00 et la position
n0R4080328864 part 11h00. Pendant que les marchandises passent en zone de sor-
tie, les zones dentre et de rsidence se vident. La courbe Tot permet de visualiser
la masse de marchandises prsentes chaque instant sur le quai.
La deuxime mise en situation reprend les mmes paramtres que la prcdente ceci
prs quelle rduit la main duvre disponible pour le transfert des marchandises de laire
de dchargement vers laire de rsidence. Cette main duvre passe de 0, 1 0, 08. La
215
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
t
min
1/4
Table 5.6 Paramtres du modle
Figure 5.3 illustre le rsultat obtenu.
Comme prcdemment, la courbe In afche deux pics correspondant larrive des
positions dans laire dentre. La chute de la courbe entre 1h00 et 2h00 et ensuite entre
2h00 et 7h00 correspond au temps de dchargement des camions. Lquipe pour trans-
frer la marchandise dcharge entre laire de dchargement et laire de rsidence tant
moins grande que lquipe de dchargement, les marchandises saccumulent progressi-
vement sur laire de dchargement (voir courbe Ulo ). Cest aussi pourquoi laire de
rsidence se charge moins que dans la situation prcdente. Remarquons galement
que la courbe Res dcline partir de 3h00. Cest d au fait que la marchandise trans-
fre dans laire de rsidence est aussitt transfre dans laire de chargement pour
tre dplace dans laire de sortie. La courbe Out possde une rupture de pente
3h00. Cest lheure laquelle la deuxime position commence tre charge dans les
camions. La courbe Out atteint le palier de 10 tonnes 9h00. Cest le signe que les
marchandises des deux positions sont charges et prtes quitter laire de sortie. A
10h00 la courbe Out connat sa premire chute, pour indiquer le dpart de la position
n0R4080329341. Aprs quoi, pendant 1 heure, la courbe stagne 5 tonnes et chute
11h00 pour atteindre 0 tonne. La position n0R4080328864 est partie.
De la mme faon, lorsque nous diminuons la main duvre disponible pour charger la
marchandise (voir le paramtre n
Loa
), un stock se forme sur laire de chargement et ainsi
la courbe Loa devient positive.
Une troisime mise en situation xe les paramtres tels que nous lavons fait pour la
premire simulation, considre que laire de rsidence nest pas assez grande pour ac-
cueillir plus dune tonne de marchandises (S
Res
max
= 1). Le rsultat illustr par la gure 5.4,
indique que cette contrainte a pour effet de stocker le surplus de marchandises dans
laire de dchargement. La gure 5.4 montre parfaitement que laire de rsidence (voir
courbe Res ) commence se remplir 1h00, avec larrive de la premire position.
A 1h30, elle atteint sa capacit maximum xe une tonne. Au mme moment, laire de
dchargement commence stocker de la marchandise. La rupture de pente de la courbe
Ulo 2h00 indique que la marchandise provient de la premire et deuxime position.
Comme attendu, laire de dchargement se vide avant laire de rsidence.
La dernire mise en situation, considre que 6h30 pour dcharger deux positions de 5
tonnes cest long. 6h30 cest le temps pendant lequel la courbe In reste positive, cest-
-dire entre 1h00 et 7h30. La premire ide qui vient lesprit pour diminuer le temps de
216
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
dchargement est daugmenter la main duvre ddie au dchargement. Nous xons
tous les paramtres tels quils taient dans la premire mise en situation et nous passons
la valeur du paramtre n
In
de 0, 1 0, 5.
La courbe In de la gure 5.5 indique que les positions ont t dcharges bien plus ra-
pidement que dans la premire mise en situation. Elles ont, toutes deux, t dcharges
en moins dune heure. Par contre, nous navons pas augment la main duvre pour
transfrer les marchandises de laire de dchargement vers laire de rsidence. Cest
pourquoi nous constatons que la courbe Ulo prend de lampleur, cest--dire que les
marchandises rsident plus longtemps sur laire de dchargement. Encore une fois, laire
de dchargement se vide bien avant laire de rsidence, ce qui indique que les marchan-
dises sont constamment en mouvement. Dautre part, la somme des masses sur le quai
est de 5 tonnes entre 1h00 et 2h00, et entre 10h00 et 11h00. Elle est de 10 tonnes entre
2h00 et 10h00. Cette courbe est un indicateur de la validit du modle.
Ces 4 mises en situation montrent que, sur ces cas simples, le modle se comporte
conformment un quai de messagerie. Elles montrent galement que le modle, tel
quil a t programm, permet de simuler beaucoup de mises en situation. Le modle
indique, par des valeurs aberrantes (ngative par exemple) quune mise en situation sou-
haite peut ne pas tre ralisable. Par exemple, la gure 5.6 montre le rsultat lorsque
nous reprenons la premire mise en situation et que nous voulons faire sortir la premire
position 6h00. Le modle nous indique, par la prsence de valeurs ngatives sur laire
de sortie, que cet objectif nest pas ralisable avec les moyens mis en uvre. Il faudrait
pour cela augmenter la capacit de main duvre ddie cette position dans les diff-
rentes aires du quai. Nous pouvons suivre position par position, la rpartition des poids
sur le quai, il est alors ais de cibler un dysfonctionnement.
Comme il vient dtre montr, le modle programm sur le logiciel R fonctionne. Par
contre, R ne permet pas de le faire fonctionner avec un grand nombre de positions. Les
exemples ci-dessus montrent la gestion de deux positions sur le quai. Pour ce faire, notre
portable, quip dun processeur duo de 1, 8 GHz et 2, 5 Go de RAM a ncessit un peu
moins de 5 minutes. Sachant quune agence de transport gre quotidiennement entre
1.000 et 2.000 positions, il faudrait notre ordinateur, certes peu puissant, plus de 3 jours
et demi pour simuler une mise en situation relle. Nous pensons quune solution, pour
augmenter signicativement les performances dexcution, est de programmer le modle
mathmatique sur un langage compil tel que C++. Une autre solution est dagrger le
modle. Les rsultats issus de simulations du modle agrg sont prsents dans la
section suivante (section 5.4.2).
217
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
5.4.2 Rsultats obtenus par le modle agrg
Comme le modle n , le modle agrg a t dvelopp dans lenvironnement
R. Le but nest pas de le programmer pour en faire une application industrielle, mais de
dmontrer la crdibilit du modle mathmatique. Nous cherchons galement montrer
que les temps de rponse du modle agrg sont plus rapides que ceux du modle
n . Pour tmoigner de la ressemblance des rsultats obtenus par les deux modles,
nous excutons le modle agrg , avec des paramtres identiques ceux des mises
en situation exposes ci-dessus (section 5.4.1), et dautres qui sont le rsultat de lagr-
gation des paramtres du modle n . Enn, nous superposons les courbes obtenues
par les deux modles.
Le modle agrg ncessite moins de paramtres que le modle n . Il ne dtaille
pas, position par position, la rpartition des marchandises sur le quai. Pour coller la
premire mise en situation voque dans la section 5.4.1, le modle agrg nces-
site les paramtres suivants.
N position Masse en
tonnes : m(p)
Date de d-
chargement :
T
In
(p)
Date de dpart
T
Out
(p)
Temps de
transfert de
la position p
entre la zone
de rsidence
et la zone de
sortie :
0R4080329341 5 1 10 8
0R4080328864 5 2 11 8
Table 5.7 Paramtres de position
Poids max en
zone dentre,
en tonnes :
S
In
max
Poids max
en zone de
dchargement,
en tonnes :
S
Ulo
max
Poids max
en zone de
rsidence, en
tonnes : S
Res
max
Poids max
en zone de
chargement,
en tonnes :
S
Loa
max
Poids max en
zone de sor-
tie, en tonnes :
S
Out
max
20 20 20 20 20
Table 5.8 Paramtres de quai
La gure 5.7 superpose les rsultats obtenus par les deux modles tudis. Elle permet
218
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
Cot humain ho-
raire moyen pour
transfrer une
unit de masse
entre laire den-
tre et laire de
dchargement :

In
Cot humain
horaire moyen
pour transfrer
une unit de
masse entre laire
de dcharge-
ment et laire de
rsidence :
Ulo
Cot humain ho-
raire moyen pour
transfrer une
unit de masse
entre laire de
rsidence et laire
de chargement :

Res
Cot humain
horaire moyen
pour transfrer
une unit de
masse entre laire
de chargement et
laire de sortie :

Out
15 15 15 15
Table 5.9 Paramtres de quai, suite
Main duvre
disponible pour
le dchargement :
n
In
Main duvre
disponible pour
le transfert
vers la zone de
rsidence : n
Ulo
Main duvre
disponible pour
le transfert
vers la zone de
chargement : n
Res
Main duvre
disponible pour
le chargement :
n
Loa
0, 1 0, 1 0, 1 0, 1
Table 5.10 Paramtres dquipe de quai
t
min
1/4
Table 5.11 Paramtres du modle
de constater que les deux modles vident laire dentre la mme vitesse. Le transfert
de la marchandise de laire de dchargement vers laire de rsidence se droule ga-
lement de la mme faon selon les deux modles. Les deux modles commencent le
chargement la mme heure. Par contre, le modle n charge laire de sortie un peu
plus lentement que le modle agrg . Cest pourquoi laire de rsidence se remplit
moins avec le modle agrg . Ce phnomne peut provenir de la fonction n
A,(p)
(t)
5.17 qui nexiste pas pour le modle agrg . Comme prvu, laire de sortie se vide
10h00 puis 11h00. Matriellement, cest lheure de dpart des camions.
Sous les mmes conditions, le temps dexcution de la premire mise en situation avec
le modle n a t de 4 : 47 mn alors que lexcution du modle agrg na
ncessit que 1 : 37 mn, soit trois fois moins de temps.
219
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
5.5 Perspectives
Les tests ci-dessus dmontrent la abilit de lutilisation des modles n et agrg
pour dcrire, comprendre et optimiser les processus industriels. Ils ont aussi mis en vi-
dence les difcults lies cette utilisation. Dun point de vue informatique, si nous sou-
haitons monter en charge, cest--dire, simuler lvolution des masses de marchandises
sur un quai de messagerie, avec plus de 1000 positions et plus de 700 tonnes de mar-
chandises, il faut traduire le modle laide dun langage de programmation compil.
Dautre part, il sest avr que le choix des valeurs donner aux paramtres est dli-
cat. Le modle n demande ce que nous xons 24 paramtres. Le dploiement
industriel dun modle de ce type ncessite une tude prcise pour xer la valeur de ces
paramtres pour chacun des quais du transporteur.
Parmi les perspectives il est intressant de noter comment les questions industrielles
peuvent se poser en termes doptimisation dune quantit lie au modle n ou
agrg . Les sections suivantes montrent comment utiliser les modles n et
agrg dans le but doptimiser des aspects de fonctionnement dun quai de messa-
gerie. Le premier aspect est la dtermination de la quantit de main duvre ncessaire
pour faire face lactivit tout en la rpartissant subtilement dans les diffrentes aires du
quai dnies dans le modle agrg . Une seconde utilisation est faite pour dterminer
la quantit de main duvre par position, et ceci, en optimisant lindice de priorit (p, t)
de lquation 5.14. Le troisime exemple dutilisation amne une solution pour xer le
temps quune position p met pour passer de laire de rsidence laire de sortie.
Avec laide dune expertise terrain, nous pourrions envisager de traduire en termes de
cots le passage quai des marchandises. Il ne sagirait plus doptimiser les ressources
et le temps, mais des cots.
5.5.1 Calcul de la quantit de main duvre
Nous utilisons le modle 5.31-5.42. Les ux dentres et de sorties de quai sont res-
pectivement
In
(t) et
Out
(t). Les ux de marchandises qui transitent entre les diffrentes
aires de quai sont
In
,
Res
et
Loa
. Leurs dnitions sont donnes par les quations 5.34-
5.41. Nous considrons ici que les quantits de force de travail n
In
(t), n
Ulo
(t), n
Res
(t) et
n
Loa
(t) sont inconnues. Nous cherchons les dterminer. Nous savons qu une date t
i
,
les quantits de masses de marchandises S
In
(t
i
), S
Res
(t
i
), S
Loa
(t
i
) et S
Out
(t
i
) sont connues.
Nous cherchons dnir la quantit de main duvre ncessaire,n, n
In
, n
Res
, n
Loa
et n
Out
,
pour traiter lactivit dans lintervalle de temps
_
t
i
, t
f
_
.
220
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
Nous savons que,
n
In
(t) + n
Ulo
(t) + n
Res
(t) + n
Loa
(t) = n(t) t
_
t
i
, t
f
_
, (5.57)
et la question ci-dessus, pose en termes doptimisation, revient minimiser
_
t
f
t
i
n(t)ds, (5.58)
sous la contrainte,
dS
Out
dt
=
Loa

Out
0. (5.59)
Dautres contraintes peuvent tre ajoutes. Par exemple pour imposer une stabilit des
quantits de main duvre alloues nous imposons,

dn
A
dt
(t)

n
max
, t
_
t
i
, t
f
_
, (5.60)
o
1
n
A
(t) + 1

dn
A
dt
(t)

n
max
, t
_
t
i
, t
f
_
. (5.61)
Pour une constante n
max
. De plus, nous pouvons imposer n dtre constant sur les
intervalles [t
i
, t
1
], [t
1
, t
2
], . . .,
_
t
k
, t
f
_
.
5.5.2 Allocation de la main duvre chaque position
Nous travaillons ici avec le modle n 5.6-5.11. Pour chacune des positions p qui
passent quai entre une date t
i
et t
f
, nous connaissons la masse S
A,(p)
(t
i
) sur les diff-
rentes aires A {In, Ulo, Res, Loa, Out}. Nous considrons que les quantits n
In
(t), n
Ulo
(t)
et n
Res
(t), n
Loa
(t) sont donnes pour tout t
_
t
i
, t
f
_
. Elles ont, par exemple, t calcules
par la procdure dcrite en 5.5.1. Nous considrons aussi comme connues les quantits

Out,(p)
(t) relatives chaque position p. Celles-ci peuvent tre dtermines par les for-
mules 5.24 ou 5.25. Pour ce qui concerne
In,(p)
(t), la quantit est donne par la formule
5.26, dans laquelle

T(p) est une inconnue dterminer. Les ux de marchandises sur
le quai sont donns par les formules 5.2-5.6,5.12,5.13,5.16-5.18 o (p) = ((p, t)) est
pos et n
A,(p)
est obtenu par 5.13 et 5.17, pour A {In, Ulo, Res, Loa, Out}. (p, t) est une
fonction inconnue dterminer. Enn, la question de lallocation de la main duvre aux
positions consiste chercher

T(p) et (p, t) tel que

p/S
A,(p)
(t)>0
n
A,(p)
(t) n
A
(t) pour A {In, Ulo, Res, Loa, Out}, (5.62)
221
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
(p, t) = 0 pour tout t
_
T
In
(p), T
in
(p) +

T(p)
_
, (5.63)
o

T(p) =
In

Pub(p)
N
p
(p

, T
In
(p))
n
In,(p

)
(t)
, (5.64)
et
dS
Out,(p)
dt
(t) =
Loa,(p)
(t)
Out,(p)
(t) 0 pour tout t
_
t
i
, t
f
_
, (5.65)
minimisent
_
t
f
t
i

p/S
A,(p)
(t)>0
A{In,Ulo,Res,Loa,Out}

dn
A,(p)
dt
(t)

dt. (5.66)
La contrainte 5.62 indique que la somme des quantits de force de travail par position
n
A,(p)
(t) ne peut pas dpasser la quantit de force de travail globale n
A
(t).

T(p) est le
temps ncessaire dcharger les marchandises du camion avant datteindre celles de
la position p. La formule 5.64 dnie le temps

T(p). La formule 5.63 indique que lindice
de priorit de la position p est nul tant que la marchandise nest pas atteignable dans le
camion. La contrainte 5.65 indique que le ux de sorties de quai dune position p, une
date t, ne peut pas dpasser ce qui est charg de cette mme position dans les camions,
la date t.
La formule 5.66 permet de minimiser le temps ncessaire la force de travail pour passer
dune position une autre.
5.5.3 Optimiser le temps (p)
Le dernier problme doptimisation consiste calculer la valeur de (p). Cest la date
laquelle la position p sort de laire de rsidence pour laire de sortie. Nous considrons
que le nombre de palettes N
p
(p, t) de la position p reste constant entre (p) et T
out
(p).
(p) est dni par 5.22 avec un paramtre dpendant de p et x par :
(p) = ((p, t)) = aN
p
(p, T
out
(p)) + b, (5.67)
pour deux constantes a et b. Le problme de minimisation pour dterminer a et b consiste
considrer le modle 5.6-5.10 dans lintervalle de temps
_
t
i
, t
f
_
avec les valeurs connues
S
A,(p)
(t
i
) pour chaque position p passe quai entre t
i
et t
f
et A {In, Res, Loa, Out}. Nous
connaissons galement
In,(p)
et
Out,(p)
pour tout t [t
i
, t
f
]. Les ux internes au quai sont
donns par 5.18-5.20, 5.24-5.27. Les valeurs de a et b doivent minimiser

p/T
In
(p)>t
i
et T
Out
(p)<t
f
| (p)|, (5.68)
222
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
sous les contraintes
a 0, b 0 et (5.69)
dS
Out,(p)
dt
(t) =
Loa,(p)
(t)
Out,(p)
(t) 0 pour tout t
_
t
i
, t
f
_
. (5.70)
223
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
Figure 5.2 Rpartition de la masse des marchandises sur les direntes zones du quai, suivie
du dtail pour chaque position
224
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
Figure 5.3 Rpartition de la masse des marchandises sur les direntes zones du quai, avec
n
Res
= 0, 08
225
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
Figure 5.4 Rpartition de la masse des marchandises sur les direntes zones du quai, avec
S
Res
max
= 1
226
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
Figure 5.5 Rpartition de la masse des marchandises sur les direntes zones du quai, avec
n
In
= 0, 5
Figure 5.6 Incohrence dans la rpartition de la masse des marchandises sur les direntes
zones du quai
227
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
Figure 5.7 Superposition des rsultats du modle n avec ceux du modle agrg
228
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
Conclusion
Rappelons que cette thse a t ralise dans un cadre industriel et en rponse des
besoins prcis. A lorigine, il sagissait de concevoir une solution permettant danticiper
trs court terme le poids, le nombre de positions et lquivalent en palettes au sol, des
marchandises transportes par les agences dun transporteur sous temprature dirige.
Nous avons montr dans le chapitre 1 que malgr des avis divergents, des souhaits dif-
cilement ralisables et des dnitions htrognes, le travail effectu a su synthtiser et
recentrer le besoin des sites de transport du groupe STEF-TFE en information prvision-
nelle. Pour fournir un systme de prvision oprationnel, une documentation approfondie
de lexistant dans le monde industriel et acadmique a t ncessaire. Cest lobjet du
chapitre 2.
Le bilan de lexistant prsent dans le chapitre 3 a t un lment moteur la dnition
prcise des besoins de prvision, la normalisation des indicateurs, la rdaction dun
cahier des charges et llaboration des recommandations.
Au de l du contexte prcis dict par le groupe STEF-TFE, nous nous sommes effor-
cs de gnraliser la mthodologie produite. Cette mthodologie est documente dans
le chapitre 4. Elle est utilisable dans divers secteurs industriels et notamment ceux appar-
tenant la chane logistique. Bien entendu, le modle mathmatique de prvision sera
adapter, mais lanalyse de lenvironnement, les choix dans lorganisation, la gestion de
projet, le dveloppement informatique, lindustrialisation, la formation du personnel et la
communication sont exportables.
La volont dinterconnecter les sites de transport pour amliorer les prvisions a conduit
tudier le fonctionnement des quais de messagerie. La comprhension et la matrise
des ux de marchandises entre le dchargement et le chargement quai, ont conduit
leurs modlisations. Elle a t documente dans le chapitre 5. Notre travail a montr que
cette modlisation permet de simuler le fonctionnement dun quai et de poser certains
problmes industriels en termes de question doptimisation utilisant le modle. La mod-
lisation qui a t faite du quai est indite. Un article est en cours de formalisation pour
tre soumis dans une revue internationale.
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
Les perspectives dtude sur le thme de la prvision sont nombreuses. A commen-
cer par prvoir de nouveaux indicateurs, comme cela a dj t fait avec la mthodologie
propose (68). Aprs un an de recueil des donnes qualitatives, lors des ajustements de
prvision (voir 4.4.12), il est envisageable de les utiliser pour amliorer les prvisions.
Rappelons quil sagit dexpliquer quotidiennement le pourquoi des variations dactivit.
En posant lhypothse que ces variations sont rptitives, le systme de prvision pourra
dclencher une alerte et ainsi avertir, par avance, les utilisateurs de leurs apparitions.
Un domaine qui dans cette thse, pour des raisons de prescriptions initiales, na pas
t assez largement investi est la recherche de facteurs explicatifs. Rappelons quil tait
essentiel daboutir un modle mathmatique de prvision commun toutes les agences
de transport. Rappelons aussi que les agences ont une activit qui diffre selon leur po-
sition gographique et cest pourquoi il semblait difcile de trouver des facteurs explicatifs
communs. Cependant, il en existe certainement.
Nous avons mentionn quun point faible du modle est le nombre trop important de
paramtres. Une faon de rduire le nombre de paramtres est destimer la saisonnalit
par une transforme de Fourier et de classier des vnements calendaires en fonction
de leurs effets. Il est galement envisag dutiliser la corrlation qui peut exister entre
les sries temporelles des 70 agences pour amliorer la modlisation. Les corrlations
proviennent du fait que les agences forment un rseau et sexpdient de la marchandise
entre elles.
Par ailleurs, il reste implmenter le modle de lorganisation des quais en rseau (voir
section 5.3). Ce modle permettra dinvestir dans la recherche des interactions entre
agences de transport.
La modlisation des ux de marchandises traversant le quai en quations mathma-
tiques a permis de poser les bases dun sujet de recherche. Cette tude a rvl de
formidables possibilits pour loptimisation de lorganisation dun quai et a donn des
rponses des problmatiques industrielles. Ltude a aussi point les difcults, notam-
ment celle du grand nombre de paramtres matriser. Les algorithmes de rsolution
dquations diffrentielles ordinaires et doptimisation sont gourmands en ressources in-
formatiques. Le nombre important de positions insrer dans le modle ralentit aussi les
traitements dexcution. Nous avons en outre mentionn que le dploiement industriel
dun modle de ce type ncessite une tude prcise pour xer la valeur de ces para-
mtres pour chacun des quais du transporteur.
Ces deux derniers points ne pourront tre abords de manire efcace quen utilisant
une mthodologie de calcul scientique.
230
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
Bibliographie
[1] Conception dun quai de chargement. catalogue, Schiltz, 2005.
[2] Comment agir sur la demande? Rapport technique, eco-
nokoi.org, http://www.econokoi.org/IMG/article_PDF/
marketing-comment-agir-sur-la-demande.pdf, 2006.
[3] Bovas. Abraham et Johannes Ledolter : Statistical Methods for Forecasting. Wiley-
Interscience, 1983.
[4] Kenneth B. Ackerman : CPFR - How it could change the warehouse. Warehousing
Forum, 15(10):12, 2000.
[5] J.C. Andraski : Supply chain collaboration. http://www.foodlogistics.com/
collaboration.html, 1999.
[6] G. Ansion : Les mthodes de prvisions en conomie. Armand Colin, 1990.
[7] J.Scott Armstrong : Principles of Forecasting : A Handbook for Researchers and
Practitioners. Springer, 2001.
[8] J.Scott Armstrong et Roderick J. Brodie : Forecasting for Marketing. International
Thompson Business Press, pages 92119, 1999.
[9] J.Scott Armstrong et Fred Collopy : Integration of Statistical Methods and Judgment
for Time Series Forecasting : Principles from Empirical Research. International
Journal of Forecasting, 18:159161, 1998.
[10] Antoine Artous : Massiciation, groupage et ux tendus : les nouvelles lois du
mtier. Lofciel des Transporteurs, 2355 supplment(Avril):29, 2006.
[11] Voluntary Interindustry Commerce Standards Association : Collaborative planning,
forecasting, and replenishment. http://www.cpfr.org, 1998.
[12] Soane Ayadi : Le Supply Chain Management : Vers une optimisation globale des
ux. Working paper, Universit Catholique de Lyon, 2005.
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
[13] M. Barratt et A. Oliveria : Exploring the experience of collaborative planning ini-
tiatives. Intenational Journal of Physical Distribution & Logistics Management,
31:26689, 2001.
[14] Paul Beynon-Davies : Systmes dinformation - Conception et mise en oeuvre. AF-
NOR, 1989.
[15] Craig H. Bishop, Brian J. Etherton et Majumdar Sharanya J. : Adaptive sampling
with the ensemble transform Kalman lter. Part I : Theoretical aspects. Monthly
weather review, 129(3):420436, 2001.
[16] Barry W. Boehm : A spiral model of software development. Computer, 21(5):6172,
1988.
[17] Renato Bortolotti : Analyse du systme de prvision des effectifs dlves dans
lenseignement secondaire postobligatoire. Note dinformation, Service de la re-
cherche en ducation, Genve, 2005.
[18] Rgis. Bourbonnais et Jean Claude Usunier : Prvision des ventes, thorie et pra-
tique. Economica, 2007.
[19] George Box et Gwilym Jenkins : Time series analysis : Forecasting and control. San
Francisco : Holden-Day Inc, 1970.
[20] Franois Branche : Transport de messagerie. Revue technique de lingnieur,
dossier nAG8151 V2, 2006.
[21] J. Peter Brockwell et A. Davis Richard : Introduction to Time Series and Forecas-
ting. Springer, 1996.
[22] S.R. Brubacher et G. Tunnicliffe : Interpolating Time Series with Application to the
Estimation Holiday Effects on Electricity Demand. Applied Statistics, 25(6):107
116, 1976.
[23] S W Burgin, S L Golicic et T M MCarthy : Leveraging Collaborative Forecasting
to Optimize Suplly Chain Performance. Council of Logistics Management, pages
243251, 2000.
[24] B. Burtschy et C. Menendian : A propos de prvision court terme de la production
industrielle. Revue De Statistique Applique, 28(2):524, 1980.
[25] Christoph Heinrich Diedrich Buys-Ballot : Les changements priodiques de tem-
perature. Utrecht, 1847.
232
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
[26] Valentina Carbone : Le rle des prestataires logistiques en europe - Intgration des
chanes et alliances logistiques. Thse, Ecole Nationale des Ponts et Chausses,
2004.
[27] Chris Chatfield : Time-Series Forcasting. Chapman & Hall/CRC, 2000.
[28] Hongmei Chen, Brani Vidakovic et Dimitri Mavris : Multiscale Forecasting Method
using ARMAX Models. Paper, Georgia Institute of Technologie.
[29] Guillaume Chevillon : Analyse conomtrique et comprhension des erreurs de
prvision. Revue de lOFCE, 95:327356, 2005.
[30] Guillaume Chevillon : Economtrie. Document de travail, OFCE & Univ of Oxford,
2005.
[31] Geoffroy Cluzel : Rentabilit dun systme dinformation. Approche thorique. Re-
vue technique de lingnieur, dossier nAG5310, 2006.
[32] CNRS : Conduite de projet - Systmes dinformation. http://www.dsi.cnrs.fr/
conduite-projet/, 2009.
[33] Gilbert Colletaz : Les Critres de slection. Cours, Universit dOrlans, Master
ESA, 2007.
[34] D. Jonathan. Cryer et Kung-Sik Chan : Time Series Analysis with applications in R.
Springer, 2008.
[35] J.J. Daudin, C. Duby, S. Robin et P. Tr ecourt : Analyse de Sries Chronolo-
giques. Cours, INA-PG, Mathmatiques, http://www.agroparistech.fr/IMG/
pdf/Polychro.pdf, 1996.
[36] J.-C. David, M. et Michaud : La prvision : approche empirique dune mthode
statistique. Masson, 1989.
[37] Wilfried Despagne : Etude prliminaire un modle de prvision court terme de
lactivit dun transporteur sous temprature dirige. Modulad, 39:95106, 2008.
[38] Wilfried Despagne : Etude prliminaire un modle de prvision court terme de
lactivit dun transporteur sous temprature dirige. In MAJECSTIC, Session :
Modlisation, Marseille, France, 2008.
[39] Wilfried Despagne : Prvision court terme de lactivit des 57 plates-formes du
transporteur sous temprature dirige TFE. In EGC, Session : Fouille de donnes
temporelles, Sophia Antipolis , France, 2008.
233
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
[40] Wilfried Despagne : Short-term forecast for logistic activities. In Information System
& Data Analysis, Vannes, France, 2008.
[41] Wilfried Despagne : A Forecasting Support System Dedicated to Temperature-
Controlled Goods Hauling. Springer, Computational Statistics, Soumis:, 2009.
[42] Wilfried Despagne : A Forecasting System Developed under R, Dedicated to
Temperature-Controlled Goods Hauling. In useR! Session : Focus Forecasting
in Practice, book of abstracts p 50, Rennes, France, 2009.
[43] Wilfried Despagne : A Forecasting System Developed under R, Dedicated to
Temperature-Controlled Goods Hauling. In DSC 2009, Session 7b, book of abs-
tracts p 30, Copenhague, Danemark, 2009.
[44] Hubert dHondt : ERP et Planication, convictions et retours dexp-
rience. http://www.journaldunet.com/solutions/printer/031106_chro_
dhondt.shtml, 2007.
[45] D. Diehn : Seven steps to build a successful collaborative forecasting process. The
Journal of Business Forecasting Methods & Systems, 19:23,289, 2000/2001.
[46] Danile Dufour, Jean-Guy et Patier : Du transport de marchandises en ville la
logistique urbaine. Revue technique de lingnieur, dossier nAG8210, 2006.
[47] Jean-Marie Dufour : Histoire de lanalyse des sries chronologiques. http://
www.euroestech.net/resources/tsa_history.pdf, 2003.
[48] Daniel Eilstein et al. : Sries temporelles et modles de rgression.
Rapport, Institut de veille sanitaire - Dpartement sant environnement,
http://fulltext.bdsp.ehesp.fr/Invs/Rapports/2005/rapport_series_
temporelles.pdf?8WW88-3X698-WJ944-J94WM-8XXG4, 2005.
[49] Nathalie Fabbe-Costes : Systme dinformation logistique et transport. Revue tech-
nique de lingnieur, dossier nAG8030 V2, 1999.
[50] Laurent Ferrara et Dominique Gueguan : Analyse dintervention et prvisions. Pro-
blmatique et application des donnes RATP. Revue de Statistique Applique,
48(2):5572, 2000.
[51] Robert Fildes, Paul Goodwin et Michael Lawrence : The design feature of forecasting
support systems and their effectiveness. Decision Support Systems, 42:351361,
2006.
[52] Jean-Paul Fitoussi : Dbat sur les prvisions. Revue de lOFCE, 63:8492, 1997.
234
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
[53] Helena Forslund et Patrik Jonsson : The impact of information quality on supply
chain performance. International Journal of Operations & Production Management,
27:90107, 2007.
[54] Jean-Michel Franco et Sandrine Lignerolles : Piloter lentreprise grce au data
warehouse. Eyrolles, 2000.
[55] Placide Fresnais : Mthode daccs et performances. In Ecole Modulad - SFdS,
Port-aux-Rocs, Le Croisic, 1999.
[56] Andr Gac : Logistique intgre : le froid - Action du froid sur les denres pris-
sables. Revue technique de lingnieur, dossier nA9065, 2001.
[57] Bernadette Govaerts : Calcul Statistique sur Ordinateur. http://www.stat.ucl.
ac.be/cours/stat2430/documents/c5reglin.pdf, 2007.
[58] C.W.J. Granger : Forecasting economic time series. Academic Press, 1986.
[59] Amara Graps : An Introduction to Wavelets. IEEE Computational Sciences and
Engineering, 2(2):5061, 1995.
[60] Pierre-Julien Guay : Introduction aux licences de logiciels libres GNU/GPL. Rapport
technique, NTIC.org, http://ntic.org,lePortaildesTIC, 2002. Direction du
soutien aux tablissements du ministre de lEducation du Qubec.
[61] Olaf Helmer et Norman Dalkey : An Experimental Application of the Delphi Method
to the Use of Experts. Management Science, 9(3):458467, 1963.
[62] Franois Hetman : Le langage de la prvision. Futuribles S.E.DE.I.S, 1969.
[63] Charles C. Holt : Forecasting seasonals and trends by exponentially weighted
moving averages. International Journal of Forecasting, 20(1):510, 1957.
[64] Franois-Bernard Huyghe : Web 2.0 : inuence, outils et rseaux. Revue Interna-
tionale dIntelligence Economique, page Srie Publications Numriques, 2009.
[65] F. Ibanez et M. Etienne : Le ltrage des sries chronologiques par lanalyse en
composantes principales de processus. Journal de Recherche Ocanographique,
16:2733, 1992.
[66] J.P. Indjehagopian : Analyse des effets dintervention sur les prvisions issues de
modles ARIMA. Revue De Statistique Applique, 29(4):530, 1981.
[67] R. Ireland et R. Bruce : CPFR : only the beginning of collaboration. Supply Chain
Management Review, pages 808, 2000.
235
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
[68] Maria Jaimes : Dveloppement dun modle de prvisions mensuelles qui anticipe
lactivit des agences de transport de STEF-TFE. Stage, STEF-TFE, 2009.
[69] Franck Jedrzejewski : Introduction aux mthodes numriques. Springer, 2005.
[70] P.G.W. Keen et M.S. Scott Morton : Decision Support Systems : An Organizational
Perspective. Addison Wesley, Reading, OrgPersp, 1978.
[71] Sharon Kozicki et P. A. Tinsley : Vector rational error correction. Working Paper
98-03, Federal Reserve Bank of Kansas City, 1998.
[72] Dominique Ladiray : Economtrie, prvision et analyse des donnes. Revue Mo-
dulad, (35):624, 2006.
[73] L. Lapide : New developments in business forecasting. The Journal of Business
Forecasting Methods & Systems, 18:245, 1999.
[74] Monique Le Guen : La bote moustaches de TUKEY un outil pour initier la
Statistique. SFDS, 4:13, 2001.
[75] Sbastien Lechevalier : Une introduction lconomtrie des sries temporelle. La
revue des sciences conomiques et sociales, (13):4551, 1998.
[76] Matthieu Lemoine et Florian Pelgrin : Introduction aux modles espace-tat et au
ltre de Kalman. Revue de lOFCE, 86:203229, 2003.
[77] Lon-Mu Liu, Siddhartha Bhattacharyya, Stanley L. Sclove et Rong Chen : Data mining
on time series : an illustration using fast-food restaurant franchise data. Computa-
tional Statistics & Data Analysis, 37:455476, 2001.
[78] R. Loutfoullah : Mthodes dextrapolation court terme des chroniques passes.
Revue de Statistique Applique, 11(2):2138, 1963.
[79] Le magazine cetelem de la distribution : Surgel, les spcialistes tirent leur carte
du jeu ! http://www.dyn-com.com/dyncom104/marche.htm, 2006.
[80] Edward J. Marien : Demand Planning and Sales Forecasting : A Supply Chain
Essential. The Supply Chain Management Review, pages 7686, 2001.
[81] S. Markridakis, S.C. Wheelwright et R.J. Hyndman : Forecasting Methods and Appli-
cations, Third Edition. John Wiley & Sons, Inc., 1998.
[82] M. M. Martin : Filtrage de Kalman dune srie saisonnire, Application la prvision
de la consommation dlectricit. Revue De Statistique Applique, 47(4):6986,
1999.
236
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
[83] Terea M. McCarthy et Susan L. Golicic : Implementing collaborative forecasting to
improve supply chain performance. Intenational Journal of Physical Distribution &
Logistics Management, 32:431454, 2002.
[84] John Tom Mentzer et Roger Gomes : Further Extensions of Adaptive Extended
Exponential Smoothing and Comparison with the M-Competition. Journal of the
Academy of Marketing Science, 22:372382, 1994.
[85] John Tom Mentzer et A.M. Moon : Sales Forecasting Management - A demand
management approach. SAGE, 2005.
[86] John Tom Mentzer et Jon Schroeter : Integrating Logistics Forecasting Techniques,
Systems, and Administration : The Multiple Forecasting System. Journal of Busi-
ness Logistics, 15:205225, 1994.
[87] Sverine Meunier Martins : Approche stratgique pour la prvision de donnes
de gestion : Mthode cible intgrant des lments subjectifs et mathmatiques.
Thse, Ecole Polytechnique Fdrale de Lausanne, 2003.
[88] Minist` ere de lEcologie de lEnergie du D eveloppement durable et de lAm enagement du
t erittoire : Arrt du 29 aot 2008 portant agrment dun organisme pour dlivrer
aux oprateurs les attestations de capacit ... Journal ofciel de la rpublique
franaise, texte 2:sur 119, 2008.
[89] Guy M elard : Mthodes de prvisions court Terme. Editions Ellipses, 1990.
[90] Guy M elard : Initiation lanalyse des sries temporelles et la prvision. Modulad,
35:82129, 2006.
[91] A.M. Moon, John Tom Mentzer et E.D Thomas : Customer Demand Planning at
Lucent Technologie. Industrial Marketing Management, 29:1926, 2000.
[92] A Morineau, A-E Sammartino, M Gettler-Summa et C Pardoux : Ananlyse des donnes
et modlisation des sries temporelles. Revue de Statistique Applique, 42(4):61
81, 1994.
[93] Chantal Morley : Gestion dun projet systme dinformation ... InterEditions, 1999.
[94] J. M eraud et A. Tymen : Les variations saisonnires de lactivit conomique. Revue
de Statistique Applique, 42(4):1568, 1960.
[95] Akal Mustafa : Forecasting Turkeys tourism revenues by ARMAX model. Energy
Policy, 25:565580, 2004.
[96] Seetharama L. Narasimhan, Dennis W. McLeavy et Peter Billington : Production
Planning and Inventory Control. Prentice-Hall, 1995.
237
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
[97] OECD : Feature Article : Seasonal Adjustment. Rapport technique, OECD
- Main Economic Indicators, http://www.oecd.org/dataoecd/48/0/2073999.
pdf, 1999.
[98] Laure Pichot : Stratgie de dploiment doutils de pilotage de chaines logistiques :
Apport de la classication. Thse, Institut National des Sciences Appliques de
Lyon, 2006.
[99] J.M. Poggi : Prvision non paramtrique de la consommation lectrique. Revue de
Statistique Applique, 42(4):8398, 1994.
[100] Grard Poumeyrol : La logistique des produits temprature dirige. Revue Gn-
rale du Froid, 81:5960, 1991.
[101] Ricco Rakotomalala : TANAGRA : un logiciel gratuit pour lenseignement et la re-
cherche. in Actes de EGC2005, RNTI-E-3, 2:697702, 2005.
[102] S. Resse : The human aspects of collaborative forecasting. The Journal of Business
Forecasting Methods & Systems, 19:39, 2000/2001.
[103] S.P. Schnaars : An evaluation of rules for selecting an extrapolation model on yearly
sales forecasts. Interfaces, 16:1001007, 2006.
[104] Nicholas Seiersen : Systmes dinformation en logistique. Revue technique de
lingnieur, dossier nA9050, 1998.
[105] Nicholas Seiersen : Systmes dinformation logistique. Revue technique de ling-
nieur, dossier nAG5300, 2006.
[106] SETRA/CSTR : Pourquoi faut-il dsaisonnaliser ? Note dinformation, Ministre
de lEcologie, de lEnergie, du Dveloppement Durable et de lAmnagement du
Territoire, 2001.
[107] J. Sm aros : Collaborative forecasting : a selection of practical approaches. Interna-
tional Journal of Logistics, 6:245258, 2003.
[108] Valentina Stan : Une tude comparative de logiciels de prvision automatique de
sries chronologiques. Modulad, 33:108128, 2005.
[109] Tarkan Tan : Using Imperfect Advance Demand Information in Forecasting. Journal
of Management Mathematics, 19:163173, 2007.
[110] Gerard J. Tellis : The Price Elasticity of Selective Demand. Journal of Marketing
Research, 25(4):331341, 1988.
238
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
[111] Charlotte Terrolle : Evolution des rapports entre industriels et grande distribution :
du partenariat la satisfaction clients, vers lmergence de nouvelles stratgies
dachat. Mmoire de n dtudes, Universit Paris I Panthon-Sorbonne, 2004.
[112] J. Jordan Thomas et R. Savioz Marcel : Faut-il combiner les prvisions de modles
VAR? Bulletin trimestriel, Banque Nationale Suisse, Zurich, 2003.
[113] Thomas Thron, Gabor Naghy et Niaz Wassan : Evaluating alternative supply chain
structures for perishable products. The international journal of logistics Manage-
ment, 18:364384, 2007.
[114] Stphane Tuff ery : Data mining et statistique dcisionnelle : lintelligence des don-
nes. Technip, Paris, 2007.
[115] Michel Vat e : Statistique Chronologique et Prvisions. Economica, 1993.
[116] M. C. Viano et A. Philippe : Cours de Sries Temporelles. Cours, Universit des
Sciences et Technologies de Lille, 2004.
[117] S Volkan et A. Serta c : ARIMA forecasting of primary energy demand by fuel in
Turkey. Energy Policy, 35:17011708, 2007.
[118] William Wu-Shyong Wei : Time series analysis : univariate and multivariate me-
thods. Addison-Wesley publ, 1994.
[119] Handik Widiarta, S. Viswanathan et Rajesh Piplani : Forecasting aggregate demand :
Ananalytical evaluation of top-down versus bottom-up forecasting in a production
planning framework. International Journal of Production Economics, 118:8794,
2009.
[120] Wikip edia : Ftes et jours fris en France. http://fr.wikipedia.org/wiki/F%
C3%AAtes_et_jours_f%C3%A9ri%C3%A9s_en_France, 2009.
[121] N. Wilson : Game plan for a successful collaborative forecasting process. The
Journal of Business Forecasting Methods & Systems, 20:36, 2001.
[122] P. R. Winters : Forecasting sales by exponentially weighted moving averages.
Management Science, 6:324342, 1960.
[123] Xiande Zhao, Jinxing Xie et Janny Leung : The impact of forecasting model selec-
tion on the value of information sharing in a supply chain. European Journal of
Operational Research, 142:321344, 2002.
[124] Eric Zivot, Jiahui Wang et Siem Jan Koopman : State Space Modeling in Macroe-
conomics and Finance Using SsfPack for S+FinMetrics. Paper, University of Wa-
shington, http://faculty.washington.edu/ezivot/statespacesurvey.pdf,
2003.
239
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
Glossaire
agence Centre TFE regroupant des activits commerciales et logistiques (transport et/ou
prestation) servant de plate-forme de transit, de ramasse et de livraison pour la
marchandise.. 2, 12, 19, 20, 22, 2630, 3537, 41, 42, 44, 63, 66, 69, 71, 97, 125,
211
bordereau Groupe de positions regroupes linitiative du transporteur. Nous distin-
guons plusieurs types de bordereaux : de groupage, de ramasses, de livraison,
etc... (cf. dnitions).. 101, 103, 106
exploitation Dune faon gnrale, les diffrents services dexploitation ont en charge
lorganisation des transports. Ces diffrentes exploitations sont identies au 2
me
niveau de la structure de lapplication GTI dune agence par une codication issue
dune table.. 32, 103, 194
expditeur Tiers qui expdie la marchandise un destinataire. Cest souvent galement
le donneur dordre et le lieu de chargement.. 8, 21, 23, 29, 32, 35, 37, 100102,
106, 193, 211
expdition Remise dune marchandise par un expditeur un transporteur pour ache-
minement jusquau destinataire mentionn sur la lettre de voiture, quelque soit le
mode utilis (direct ou messagerie). Attention : ce terme ne sapplique pas au
transporteur. Celui-ci ne fait pas de lexpdition mais de la r-expdition de mar-
chandises quil a enleves ou qui lui sont cones.. 6, 8, 20, 22, 2729, 32, 33,
3537, 42, 68, 96, 107, 110, 126
groupage Regroupement de marchandises destines plusieurs clients et remis une
mme agence de dgroupage.. 2, 8, 17, 106
lettre de voiture Document daccompagnement de la marchandise matrialisant le contrat
de transport (rcpiss, CMR, ...). 25, 28, 100, 106
livraison Transport et mise disposition de la marchandise auprs du destinataire (re-
connu sur la lettre de voiture) sur le lieu de dchargement (destinataire, interm-
diaire, plate-forme, ...).. 7, 8, 12, 17, 22, 25, 27, 29, 42, 96, 126, 205
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
lot complet Terme usuel qui dsigne le transport dun lot en direct depuis le lieu de char-
gement jusquau lieu de dchargement et justiant lusage dun vhicule exclusif..
2, 8
messagerie Ensemble des oprations (ramasse, passage quai, traction, passage
quai, livraison) permettant lacheminement des marchandises travers le rseau
de plates-formes.. 2, 12, 17, 19, 96, 106
ordre de transport Demande de transport effectue par un donneur dordre. Synonyme :
position.. 36
position Traduction informatique de lenvoi dun expditeur un destinataire (expditeur,
nombre de colis, poids, destinataire, localit du destinataire).. 25, 28, 30, 32, 33,
101, 126, 200, 201, 212, 214
quai Partie dune plate-forme ou dun entrept, ou dune usine, servant dcharger,
trier et recharger la marchandise. Quai est souvent utilis dans le sens de plate-
forme.. 8, 9, 22, 23, 28, 33, 44, 46, 68, 101, 125, 127, 128, 134, 138, 142, 159, 164,
165, 184186, 190, 194, 196, 198, 199, 201, 208, 210
ramasse Opration de transport consistant prendre en charge la marchandise chez un
expditeur pour lacheminer jusquau quai de lagence. Nous considrons pour une
ramasse la quantit globale de marchandises prendre en charge, et non le dtail
de chaque position constituant la ramasse. Une ramasses gnre automatique-
ment, ds son affectation un voyage, un point darrt de type Chargement et
un point darrt de type Dchargement lagence.. 6, 8, 12, 20, 24, 25, 2729,
32, 33, 42, 96
rgulire Une srie temporelle est dite rgulire temps discret lorsque les valeurs sont
observes suivant un pas de temps rgulier.. 135, 181, 182
segment Partie de parcours dune position sur un voyage entre 1 point de chargement et
un point de dchargement. Il existe 3 types de segment : - segment LD (livraison di-
recte) = parcours depuis le lieu de chargement jusquau lieu de dchargement nal,
- segment EN (enlvement) = parcours depuis le lieu de chargement jusquau lieu
de passage quai, - segment LI (Livraison) = parcours depuis le lieu de passage
quai jusquau lieu de dchargement nal.. 33, 35, 68
srie temporelle Une srie temporelle ou encore chronique (TS : time series en anglais)
est une suite dobservations ordonnes dans le temps.. 79, 82, 83, 108, 134
tourne Sous-ensemble des points livrer ou ramasser (habituellement par le mme
voyage) - distinguer du voyage qui peut regrouper plusieurs tournes.. 20, 25, 27,
30, 32, 33, 36, 104, 126
241
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0
voyage Le voyage est le parcours de la marchandise entre au minimum 2 points dar-
rts. Il peut galement tre constitu dune succession de point darrt. Un voyage
dExpdition comprend souvent un aller et un retour. Un voyage de Distribution (ou
mixte Distribution/Ramasses) comprend souvent une boucle depuis le quai de
lagence jusquau retour au quai de lagence. Un voyage dAffrtement comprend
souvent un aller simple (ou retour simple). Le voyage est distinguer de la Mission
du chauffeur. Le voyage peut comprendre une ou plusieurs tournes.. 22, 100, 101,
104, 106, 211, 212
242
t
e
l
-
0
0
4
8
7
3
2
7
,

v
e
r
s
i
o
n

1

-

2
8

M
a
y

2
0
1
0