PP Chap1 4p

Slim HARBI
Pl ifi ti de
Planification
d la
l production
d ti
Chapitre 1
Prvision de la demande
ESTI
2010 / 2011
1. Importance des prvisions
I. Caractristiques des prvisions

Les prvisions sont un des lments de base servant coordonner

les diffrents dpartements d
d'une
une entreprise.
entreprise Lorsque tous les
dpartements utilisent la mme prvision dans la planification de
leur travail, ils se prparent au mme futur et leurs efforts sont
coordonns
Les prvisions sont importantes pour:

Finance,
Fi
quii utilise
tili les
l prvisions
i i
long
l
terme
t
pour
estimer les besoins futurs en capital.
humaines, qui utilisent les prvisions
Ressources humaines
pour valuer les besoins de main-duvre.
Marketing, qui dveloppe des prvisions de ventes
utilises pour la planification moyen et long terme.
Oprations, qui dveloppent et utilisent les
prvisions
i i
pour la
l prise
i de
d dcisions
d i i
telles
t ll qutablir
t bli
les horaires de la main-duvre, dterminer les
besoins en stocks et p
planifier les besoins en capacit
p
long terme.
2. Horizon des prvisions
Bien prvoir la demande permet de:

tablir quelle capacit de production est requise afin dajuster
loffre la demande.
Choisir les technologies
g
appropries
pp p
au niveau de demande.
Orienter la politique et les stratgies de gestion des stocks.
Dterminer les meilleures stratgies de production.
Planifier lutilisation des quipements
q p
et les besoins en
quipements.
Planifier la main-duvre
main d uvre requise.
requise
Court Terme : Gnralement mesur en jours ou en

semaines Peut aller jusqu
semaines.
jusqu un an
an. court terme,
terme au
niveau oprationnel, la demande peut amener
dterminer le nombre dheures de travail et lutilisation de
temps supplmentaire ou de temps partiel. La demande
courante influence galement les fonctions
d
dapprovisionnement,
i i
t dexpdition
d
diti ett d
de rception.
ti
Moyen Terme : Gnralement mesur en semaines
ou en mois.
mois Peut aller jusqu
jusqu
deux ans: moyen
terme, la demande a un impact sur les stocks de scurit
et sur les contrats avec les clients et les fournisseurs.
ce niveau, les prvisions permettent une planification
agrge de la production.
2. Horizon des prvisions
3. Niveau dagrgation
Long Terme : Peut aller jusqu cinq ans ou plus.

long terme, les prvisions de la demande permettent
Agrgation du temps
de prendre des dcisions stratgiques concernant :
Agrgation
g g
des p
produits
Agrgation des moyens de production
La localisation et la mission des units daffaires

La planification du capital
La structure du rseau de cration de valeur
Les stratgies de pilotage des rseaux de production et de
distribution
3. Caractristiques des prvisions
II . Les mthodes de prvision

Ce qui influence la demande
Elles sont gnralement fausses
Une bonne prvision est plus qu'une valeur

numrique (mesurer lerreur)
Plusieurs facteurs affectent la demande: La portion de la demande

totale q
qui p
parvient une entreprise
p
est le rsultat des interactions de
diffrentes forces du march.
Facteurs endogne (interne) / facteurs exognes (externes)
Les
L prvisions
i i
agrges
sontt plus
l prcises
i
prvisions long
g terme sont moins prcises
p
Les p
Les prvisions ne remplacent pas la vraie
information
10
Dfinition de la prvision
Les mthodes de prvision

Les mthodes p
prvisionnelles se divisent p
principalement
p
en deux groupes: les mthodes qualitatives et les
mthodes quantitatives. Les prvisions faites en utilisant
les mthodes qualitatives sont bases sur le jugement
humain. Les prvisions bases sur les mthodes
quantitatives sont gnres partir de modles
mathmatiques et conomtriques.
Prvision : Fonction permettant destimer la demande

future pour les biens et les services offerts par
lentreprise, qui est tablit soit mathmatiquement
(donnes historiques), soit intuitivement
(
(connaissance
i
du
d march),
h) soit
it en combinant
bi
t les
l deux
d
mthodes .
ACGPS, Dictionnaire de la gestion de la production et des stocks , (1993)
11
12
1. Mthodes quantitatives
Les mthodes de sries chronologiques
(dextrapolation) : suite d
dobservations
observations
Les mthodes quantitatives sont bases

sur des donnes historiques ou sur des
associations entre des variables de
l'environnement:
dans le temps prises intervalles

rguliers:
li
prvoir
i lla d
demande
d en ffonction
ti
des donnes historiques
Les mthodes causales (prvisions
associatives): tablir des relations de
causes effets entre certaines variables
d lenvironnement
de
l
i
t ett la
l d
demande
d
Ventes mensuelles ralises au cours des

d i
dernires
annes
Indices boursiers et conomiques

Achats
A h t d
de produits
d it complmentaires
l
t i
etc.
13
14
2. Les composantes de la demande
Tendance :
Augmentation (ou une diminution) significative de la demande
en fonction du temps.
La tendance peut tre linaire ou non
15
Saisonnalit :
Variation rgulire qui se rpte priodiquement dans la
demande.
16
Cycle :
volution de la demande qui s'tale
s tale sur plusieurs annes et
qui peut tre attribue au cycle de vie des produits ou des
conditions conomiques, politiques, etc..
Irrgulire :
Variation provoque par des circonstances inhabituelles.
Alatoire
Al
t i :
Variation de la demande qui ne peut tre explique par les
composantes ci-dessus.
17
18
Principales mthodes de sries

chronologiques
19
Prvisions naves
M
Moyennes
simples
i l
Moyennes mobiles simples
Moyennes mobiles pondres
Lissage exponentiel
20
Moyennes simples
Prvisions naves
Cette mthode consiste faire la moyenne

y
de la
demande des priodes passes pour prvoir la
demande future.
Mthode de prvision selon laquelle

la demande des prochaines priodes
sera la mme que celle des priodes
prcdentes.
Mois
Exemple:
Demande
Janvier
45
F i
Fvrier
38
Mars
29
Avril
35
Mai
31
La demande du mois de juin sera de:

45 + 38 + 29 + 35 +31 = 36
5
21
Moyenne mobile simple
Moyennes mobiles simple : Exemple
Mthode de prvision qui utilise les donnes de la

demande les plus rcentes pour produire la
prvision de la demande future.
p
quation:
ti
Ft
1
n
t 1
i t n
Di
1
n
22
Mois
Janvier
Fvrier
Mars
Avril
Mai
Juin
( Dt 1 Dt 2 ... Dt n )
i = indices
n = nombre de priodes de la moyenne mobile
Di = valeur relle dune priode passe
Ft = prvision de la priode t
23
Demande
45
38
29
35
31
NA
Total des
Moyenne
donnes
mobile
(n=3)
(n=3)
NA
NA
NA
NA
NA
NA
45+38+29=112 112/3 = 37
24
Moyennes mobiles simple: Exemple
Mois
Janvier
Fvrier
Mars
Avril
Mai
Juin
Demande
45
38
29
35
31
NA
Moyennes mobiles Simple : Exemple
Mois
Total des
Moyenne
donnes
mobile
(n=3)
(n=3)
NA
NA
NA
NA
NA
NA
45+38+29=112 112/3 = 37
38+29+35=102 102/3 = 34
Janvier
Fvrier
Mars
Avril
Mai
Juin
Demande
45
38
29
35
31
NA
Total des
Moyenne
donnes
mobile
(n=3)
(n=3)
NA
NA
NA
NA
NA
NA
45+38+29=112 112/3 = 37
38+29+35=102
38+29+35
102 102/3 = 34
29+35+31=95 95/3 = 32
25
Exercice
Choix du nombre de priodes n
Prvoir llaide
aide de la moyenne mobile
simple avec une base n=3, le nombre
d paniers
de
i
ncessaires
i
pour lla priode
i d
6
t
Nombre de
42
40
43
40
41
D5 D4 D3
3
La question qui se pose : comment dterminer la base n.

Notons que plus les activits que nous voulons prvoir
sont dynamiques, i.e., plus elles voluent nerveusement,
plus on choisira des valeurs de base n q
p
qui sont p
peu
levs ex : 3,4 ou 5. Plus les activits voluent dans le
temps, plus on dira que lvolution est statique et on
prfre
f des n plus grands.
Exercice (Livre Dupont p 114).
paniers (Dt)
F6
26
41.3 | 41
27
28
Inconvnients de la moyenne mobile simple
Moyenne mobile pondre

La moyenne
y
mobile pondre
p
p
permet de donner
diffrents poids pour les donnes utilises dans le
calcul de la moyenne. On peut de cette manire
donner plus d'importance aux donnes plus rcentes
afin qu'elles influencent davantage la prvision que les
donnes plus anciennes
anciennes.
Lorsquon
Lorsqu on augmente la valeur de n
n, la prvision devient
moins sensible aux changements rcents.
Ne permet pas de faire de bonnes prvisions lorsquil y a
une tendance.
Ncessite davantage de donnes historiques.
lorsqu'il n'y a pas de tendance ou de saisonnalit dans les
donnes, la moyenne mobile donne une prvision de la
valeur moyenne des ventes pour les prochaines priodes.
Fn1
wi Di
i 1
avec wi
i 1
wi : des poids de pondration (dtermins par

exprience)
exprience).
29
30
Moyenne mobile pondre
Exercice
Lhistorique des demandes pour le produit P est
comme suit
it :
Dt
jan
fv
Mar
avr
mai
juin
juil
aot
sept
oct
nov
dc
795
810
840
jan
820
800
765
745
740
750
820
840
755
Ft (MMS)
815
823
820
795
770
750
745
770
803
805
Ft (MMP)
823
825
813
786
761
746
746
783
818
794
Dterminer la prvision des mois avril au janvier

en utilisant la moyenne mobile simple avec une
b
base
n=3,
3
en utilisant la moyenne mobile pondre avec les
poids
id (1/6
(1/6, 1/3
1/3, 1/2)
31
32
Exemple
Lissage
g exponentiel
p
simple
p
Le lissage exponentiel est une autre forme de
moyenne mobile
bil pondre.
d chaque
h
priode,
i d cette
tt
mthode ajuste la demande moyenne en proportion
de la diffrence entre la dernire demande relle et
la prvision correspondante: ce qui vite
denregistrer
g
toutes les donnes du p
pass.
janvier
fvrier
mars
avril
mai
juin
juillet
Dt
19.36
25.45
19.73
21.48
20.77
25.42
Ft D=0.2
23.00
22.27
22.91
22.27
22.11
21.84
22.56
Ft D=0.05
=0 05
23.00
22.82
22.95
22.79
22.72
22.63
22.77
F t 1 D ( F t 1 D t 1 )
Ft
Ft
On pose Fjanvier=23.00
Ffvrier=0.2 * 19.36 + 0.8 * 23.00
DDt 1 (1 D ) Ft 1
O D est un coefficient de lissage se situant entre 0

et 1. En pratique D [0.01;0.30]
33
34
3. Modles pour sries stationnaires
4. Evaluation dune prvision
Dans une srie stationnaire, chaque observation peut

t reprsente
tre
t par une constante

t t ett une fluctuation
fl t ti
alatoire. En notation symbolique:
Soit et lerreur sur la prvision la priode t, on dfinit

et comme la
l diff
diffrence entre
t lla valeur
l
d
de lla prvision
i i ett
la valeur relle de la demande.
et
Ft Dt
Plusieurs moyens sont possibles pour estimer lerreur

dune
d
une mthode (modle) de prvision:
35
Ecart algbrique Moyen

Ecart Absolu Moyen
Carr Moyen des Ecarts (EQM)
Ecart absolu moyen exprim en pourcentage
36

EM
1 n
et
nt 1
Lcart algbrique moyen (EM) doit tre proche de zro pour n trs
important sinon
important,
sinon, le modle utilis prsente un biais (E(EM)=0)
(E(EM)=0). Un
modle sans biais a autant de chance de survaluer la demande que
de la sous-valuer.
Dans un modle sans biais, les erreurs positives et ngatives doivent
s'annuler et donc, la somme des erreurs doit tre prs de zro. Si,
p , la somme des erreurs s'loigne
g de zro,, cela signifie
g
dans le temps,
qu'il y a un biais dans le modle et qu'il doit tre rvis.
LEM peutt tre

t utilis
tili pour surveiller
ill que lle modle
dl choisi
h i i ne d
devient
i t
pas biais.
1 n
et
nt 1
Exemple:
EM
EM=
EM
un EM de 5 signifie que la prvision est suprieure la demande de

5 units par priode
priode, en moyenne
moyenne. Si lEM
l EM est bas sur 10 priodes
priodes,
alors il y a une prvision excdentaire de 50 units sur cet horizon.
37
38

Ecart absolu moyen (EAM)
EAM
1 n
et
nt 1
Ecart absolu moyen (EAM)
Dans lcart absolu moyen (EAM), sans gard au fait que l'erreur
soit une surestimation ou une sous-estimation
sous estimation, les erreurs ne se
compensent pas, lEAM nous donne donc une mesure efficace de
lcart quil y a entre prvision et demande relle.
P
Pour
des
d modles
dl prsentant
t t des
d EM semblables,
bl bl
on prfre
f celui
l i
ayant lEAM le moins important.
Lorsque
q les erreurs de p
prvision sont normalement distribues,, tel
qu'il est gnralement assum, un estim de l'cart type de
l'erreur est de 1.25 fois la EAM. Ont peut alors dire que 58% des
erreurs de prvision seront infrieures 1 fois la EAM; 89% des
erreurs de prvision seront infrieures 2 fois la EAM et 98% des
erreurs seront infrieures 3 fois lEAM.
39
EAM
1 n
et
nt 1
EAM
40

Carr moyen des carts
CME
et2
( )
t 1 n
n
Carr moyen des carts
Avoir de nombreuses petites erreurs

erreurs, au
au-dessus
dessus et en
en-dessous
dessous de la
demande relle et qui s'annulent les unes les autres, est probablement le
mieux que l'on puisse esprer. L'effet de petites erreurs de prvision sur
les oprations n
n'est
est habituellement pas trs grave
grave. On peut pallier ces
erreurs par de l'inventaire ou du temps supplmentaire.
Les grandes erreurs, quant elles, peuvent tre difficiles pallier. En
consquence une mthode permettant de pnaliser les grandes erreurs
consquence,
plus que les petites peut tre souhaitable.
Le CME multiplie chaque erreur par elle-mme (le carr de l'erreur),
donnant ainsi un poids plus grand aux grandes erreurs qu'aux petites
erreurs.
Pour deux modles avec des EAM proches, on choisit celui qui a le CME
l moins
le
i iimportant
t t sii on cherche
h h
viter
it un modle
dl quii d
donne quelques
l
larges carts
CME
et2
( )
t 1 n
n
CME=
41
42

EMAP
100 * et
1 nD
t
EMAP
L'erreur relative faite par un modle de prvision est mesur par le

pourcentage d
d'erreur
erreur absolue moyen (EMAP)
(EMAP).
Plutt que de savoir qu'un modle de prvision a une erreur
moyenne de 26.1 ou une moyenne du carr des erreurs de 688.3,
il estt parfois
f i plus
l ffacile
il d
de se ffaire
i une id
ide d
du modle
dl en utilisant
tili
t
une erreur relative.
En effet,, une erreur de 26.1 peut
p
tre acceptable
p
dans certains
contextes pour une srie dont la moyennes est de 500, mais peu
acceptable pour une srie ayant comme moyenne 50.
43
100 * et
1 nD
t
EMAP
44
5. Srie avec tendance / saisonnalit
Une srie de demande peut prsenter une tendance

li i ou une ttendance
linaire
d
multiplicative.
lti li ti
Tendance linaire (additive) : (la demande augmente
de 15 units chaque mois) : Dt 1 Dt | cte
Dans ce cadre, lestimation de la priode prochaine

peutt tre
t modlise
dli comme suit
it :
T
Tendance
d
multiplicative
lti li ti : (la
(l d
demande
d b
baisse
i
d
de 5%
chaque semaine) :
O:
S t DA (1 D ) B D ]0;1[
Pt (W ) f ( S t )
Dt 1 / Dt | cte
St est la valeur lisse de la demande calcule la priode t.

Pt(W) est la prvision de vente pour la priode t+W calcule la
priode t. (pour tt=1,
1, Pt(1)
(1)=F
Ft+1).
A et B dpendant des types de tendance et de saisonnalit
inclure (pour le lissage exponentiel on a A=Dt et B=Ft-1).
De la mme manire, une demande peut prsenter

une saisonnalit additive ou une saisonnalit
multiplicative.
Lissage exponentiel multiple
45
46
5.1 Prise en compte dune tendance linaire (additive)

Lissage exponentiel double (Holt)
Il comporte deux constantes de lissage prenant
chacune des valeurs entre 0 et 1:
Cas tendance linaire
estt utilis
tili pour lilisser lles variations
i ti
alatoires
l t i
d
dans lla
demande
est utilis pour
p
lisser les variations dans l'estim de la p
pente
Cas saisonnalit
Trois quations sont ncessaires au calcul de la

prvision.
Cas saisonnalit + tendance
St est un estim du niveau de la demande au temps t. cette quation

est similaire celle utilise dans le lissage exponentiel simple :
fonction de Dt, Stt-11 et Ttt-11.
Tt est lestim de la pente au temps t. Chaque nouvel estim de St
nous permet de rviser lestim de la pente (St - St-1 ).
Pt(W ) est la prvision faite au temps t pour la demande qui devrait
survenir dans priode t+W
47
48

Lissage exponentiel double (Holt)
La tendance linaire Tt (la pente) est lisse suivant une
loi exponentielle en se basant sur la diffrence entre
deux valeurs successives des valeurs lisses :
Tt

Pour les prvisions des priodes futures, on extrapole
par laddition
l dditi d
de Tt lla valeur
l
lilisse
St.
Prvision pour la prochaine priode :
E ( S t S t 1 ) (1 E )Tt 1 avec E ]0;1[
Ft 1
O Tt est la valeur de la tendance la priode t.
S t Tt
Pt (1)
Prvision pour la priode t+W :

Le calcul de St prend alors compte de cette tendance
simplement en ajoutant lancienne
l ancienne valeur Tt-1
lancienne valeur lisse St-1.
St
Pt (W )
S t WTt
DDt (1 D )( S t 1 Tt 1 ) avec D ]0;1[

49
50

Soit une srie pour laquelle la valeur de base initiale
pour le
l modle
dl (S0) a t estime
ti 90 avec une pente
t
(T0) de 10.
Calcul de la prvision :
Au temps t=0, la prvision faite pour la priode
suivante est:
Pt (W )
S t WTt
P0 (1)
S 0 T0
P0 (1)
90 10 100
Mise jour de St et Tt
Si au ttemps t=1,
t 1 lla d
demande
d relle
ll enregistre
i t estt d
de 97 units.
it
En utilisant =0.3 et =0.5, on obtient:
St
DDt (1 D )( S t 1 Tt 1 )
Tt
E ( S t S t 1 ) (1 E )Tt 1
S1
DD1 (1 D )( S 0 T0 )
T1
E ( S1 S 0 ) (1 E )T0
S1
0.3 * 97 (1 0.3)(90 10)
T1
0.5(99.1 90) (1 0.5) * 10
S1
99.1
T1
9 .6
Calcul de la nouvelle p
prvision
Pt (W ) S t WTt
Au temps t=1, la prvision faite
pour la priode suivante est:
P1 (1) S1 T1
P1 (1)
51
99.1 9.6 108.7

52
Calcul des prvisions subsquentes

Le modle
L
dl permett d
de ffaire
i d
des prvisions
i i
pour plusieurs
l i
priodes
i d
venir. Ces prvisions pourront tre ajustes chaque priode
aprs que les donnes sur la demande relle aient t obtenues.
Par exemple, au temps t=1, il est possible de faire la prvision non
seulement pour la priode suivante, mais galement pour les
priodes 3,
3 4,
4 5 et ainsi de suite
suite.
S1
99.1
T1

Exemple : Lissage exponentiel double
D=0.2 et E=0.1
I i i l Janvier
Initiale
J i
9 .6
Pt (W )
S t WTt
P1 (3)
S1 3T1
P1 (2)
S1 2T1
P1 (3)
99.1 3 * 9.6 127.9
P1 (1)
99.1 2 * 9.6 118.3
5.2 Prise en compte des saisonnalits
mars
avril
il
maii
j i
juin
Dt
19
25
19
21
20
25
St
20
20
21
21
21
21
22
Tt
0.100
0.090
0.080
0.072
0.165
20
20
21
21
21
21
Pt(1)
53
f i
fvrier
Tt
E ( S t S t 1 ) (1 E )Tt 1
Ft 1
St
DDt (1 D )( S t 1 Tt 1 )
Pt (W )
Pt (1)
j ill
juillet
22
S t Tt
S t WTt
54
5.2 Prise en compte des saisonnalits (sans tendance)
Variation saisonnire sans tendance
Dans les modles avec saisonnalit, n dnote la longueur du cycle

(en nombre de priodes).
priodes) Par exemple,
exemple si le cycle se rpte chaque
anne et que nous sommes intresss aux prvisions
hebdomadaires, n = 52.
Pour un cycle annuel avec des donnes mensuelles, n = 12.
Dans la figure suivante, 4 donnes sont disponibles chaque cycle,
c'est--dire
c
est dire que le cycle se rpte toute les 4 priodes
priodes. La longueur
du cycle est donc n = 4.
Variation saisonnire avec tendance
55
56
quation 1 : Niveau de la srie
en se basant sur les valeurs des indices on calcule la valeur lisse

comme suit :
Multiplicateurs saisonniers
on fait
f it appell d
des multiplicateurs
lti li t
saisonniers
i
i
It. Chaque
Ch
multiplicateur reprsente la dviation moyenne de la demande par
rapport la moyenne gnrale. Le nombre de multiplicateurs
saisonniers dpend de la longueur du cycle. Ainsi, pour un cycle de n
= 4 priodes, on aura 4 multiplicateurs: I1, I2, I3 et I4.
St
D(
I1 = Y2 / Y1
Y1 est la moyenne gnrale de la
srie au temps t.
Y2 estt lla d
demande
d relle
ll enregistre
i t
la priode t.
Dt
) (1 D ) S t 1
I t n
St est le niveau actuel de la srie dsaisonnalise (lisse). En divisant

la plus rcente demande Dt par le facteur saisonnier appropri It-n, on
dsaisonnalise cette observation. La moyenne est ensuite calcule en
utilisant la prvision dsaisonnalise actuelle.
57
58
quation 2 : Facteurs saisonniers
La mise jour de ces indices suivra un lissage exponentiel :
It
J(
quation 3 : Prvision pour la priode t + m
La prvision pour la priode t+1 seffectue en multipliant la valeur

lisse par lindice de saisonnalit It-n+1.
Dt
) (1 J ) I t n
St
Pt (1)
L ratio
Le
ti d
de lla plus
l rcente
t observation
b
ti Dt sur l'estim
l' ti actuel
t ld
de lla
demande dsaisonnalise St donne l'estim actuel du facteur
saisonnier. La moyenne est ensuite calcule en utilisant le meilleur
estim du facteur saisonnier prcdent It-n.
59
La mise jour de ces indices suivra un lissage exponentiel :
Pt (m)
S t I t n1
S t I t n m
Pt(m)
( ) est la prvision faite
f
la priode t pour la priode t+m. Cette
C
quation assume que m < n.
Si n < m < 2n,, le facteur saisonnier appropri
pp p serait It+m-2n
t+m 2n ; Si 2n < m <
3n, le facteur saisonnier appropri serait It+m-3n et ainsi de suite.
60
Exemple : D = 0.1 ; J = 0.3 et n=4.

Dt
St
It
A00
23
0.426
H00
12
0.222
P00
50
0.926
140
E00
131
54
2.426
120
A01
19
53
0.406
160
St
Pt(1)
14
54
0.233
12
P01
61
55
0 979
0.979
50
60
E01
120
55
2.357
134
40
A02
20
54
0.395
22
20
H02
10
53
0.220
13
P02
55
53
0.995
52
E02
126
53
2.359
126
21
A00 H00 P00 E00 A01 H01 P01 E01 A02 H02 P02 E02 A03
61
Lissage exponentiel triple (Winters)

Les modes
L
d d
de mise
i jjour d
des ttendances
d
ett d
des saisonnalits
i
lit sontt
toujours les mmes. Mais le calcul de la valeur lisse St doit reflter la
tendance ainsi que la saisonnalit.
quation 1 : Niveau de la srie
St
62
D(
5.3 Combinaison de la tendance et de la saisonnalit
quation 2 : Tendance
E ( S t S t 1 ) (1 E )Tt 1
Tt
Dt
) (1 D )( S t 1 Tt 1 )
I t n
quation 3 : Facteurs saisonniers
It
Dt
H01
100
80
A03
Exemple : D = 0.1 ; J = 0.3 et n=4.
Pt(1)
St est le niveau actuel de la srie dsaisonnalise (lisse). En divisant

la plus rcente demande Dt par le facteur saisonnier appropri It-n, on
dsaisonnalise cette observation. La moyenne est ensuite calcule en
utilisant la p
prvision dsaisonnalise actuelle.
63
J(
Dt
) (1 J ) I t n
St
quation 4 : Prvision pour la priode t + m
Pt (1) ( S t Tt ) I t n1
Pt (m) ( S t mT
Tt ) I t n m
64
Exemple : D = 0.1 ; J = 0.3 ; =0.1 et n=4.
180
160
Dt
St
It
Tt
Pt(1)
140
A00
23
0.426
120
H00
12
0 222
0.222
80
0.926
St
Pt(1)
( )
60
P00
50
E00
131
54
2.426
0.001
A01
27
55
0.432
0.048
H01
16
57
0.228
0.133
12
P01
54
57
0.928
0.141
53
2,5
E01
135
57
2.420
0.133
139
A02
32
59
0 444
0.444
0 218
0.218
25
15
1,5
H02
21
62
0.239
0.383
13
P02
59
63
0.929
0.387
58
0,5
E02
150
63
2.416
0.381
153
A03
Dt
100
40
20
0
A00 H00 P00 E00 A01 H01 P01 E01 A02 H02 P02 E02 A03
28
2
It
Tt
0
A00 H00 P00 E00 A01 H01 P01 E01 A02 H02 P02 E02 A03
65
66
6. Mthodes causales
6.1 Mthode de rgression linaire
Ces mthodes, appeles aussi explicatives , ou a

variable exogne .
Dans certains cas, nous pouvons lier lvolution des
demandes Dt aux facteurs conomiques qui causent les
tendances, la saisonnalit et les fluctuations.
nous pouvons exprimer nos prvisions en fonction de
ces facteurs appels variables explicatives ou
exognes.
Plusieurs techniques sont utilises pour ltablissement
de la relation entre la variable prvoir y et les
variables exognes
x1, x2, xn, : y = f(x

f( 1, x2, xn) telles
que les techniques de rgression ou encore les
modles conomtriques
conomtriques.
67
La rgression linaire est une mthode statistique pour estimer la

relation moyenne qui peut exister entre une variable dpendante
et une variable indpendante. Dans les modles de prvision de
la demande, on voudra dterminer la relation qui existe entre la
demande et une autre variable
variable, comme par exemple
exemple, le temps
temps, le
prix de vente ou l'effort de promotion.
Ex : Mobilier de cuisine (variable prvoir), les facteurs pouvant
influer sur les ventes sont : Le nombre de nouvelles constructions,
le nombre de nouveaux mariages, le budget de la publicit.
Variable dpendante : Facteur qui peut tre influenc par d'autres
d autres
variables. Par exemple, la vente de glaces peut dpendre de la
temprature extrieure.
Variable indpendante : Facteur
Facte r q
quii n'est dtermin par a
aucun
c n
autre facteur. Par exemple, le temps, le prix de vente et la
temprature extrieure.
68
Le principe de la rgression linaire est le suivant : on trace une

droite (droite d
dajustement)
ajustement) qui passe le plus prs possible dun
d un
ensemble de points. Ces n points sont reprsents par leurs
coordonnes (x,y).
N
Nous
t
tudions
di
iicii que lles relations
l ti
lilinaires
i
entre
t lles variables
i bl
dpendants (y) et les variables indpendantes (x) et ce en nous
basant sur la mthode des moindres carrs. Cette mthode a pour
but de produire une quation de la droite qui minimise la somme
des carts verticaux (selon laxe Y) entre les points et la droite.
Lquation
L
quation de cette droite, dite droite dajustement
d ajustement ou de rgression

linaire, est de la forme :

y
ax b
ax b
O y : la valeur de la prvision (lestimation de y), a et b sont les

paramtres chercher.
69
70
Les paramtres a et b sont dtermins de faon minimiser lcart

entre llestimation
estimation et la valeur relle y.
y

min(( ( y y )))
xy nx y
x n( x )
Exemple : La demande pour des planches en merisier de 8' au

cours des huit dernires semaines a t comme suit:
200, 250, 175, 186, 225, 285, 305, 190.
En supposant que l'on utilise les cinq premires priodes pour
estimer les paramtres de rgression, alors:
y ax
On a : x
Avec :
1
n
xi
i 1
1
n
yi
i 1
71
1
5
3 y
1
5
xy n x y
x n(x)
2
y
i 1
i 1
ett b
et b
1
( 200 250 175 186 225)
5
207,2
y ax
a = -1,4 et b = 211,4 y 1.4 x 211 .4

Cette quation devrait tre utilise pour prdire la demande de
toute priode suivant la priode 5. Par exemple, la prvision faite
la priode 5 pour la priode 8 est obtenue en substituant X = 8
dans l'quation: 211.4 - (1.4)(8) = 200.2
72
Coefficient de corrlation :
Or pour un ensemble de points,
Or,
points on peut toujours calculer lquation
l quation
de la droite dajustement sans quil y ait une relation relle entre
lensemble des variables indpendants X et les variables
d
dpendantes
d t Y.
Y De
D ce fait,
f it il faut
f t calculer
l l le
l coefficient
ffi i t d
de
corrlation r pour mesurer le degr de relation entre les X et les Y
>n x
n xy x y
2
x
@ >n y
y
Linterprtation de la force de la relation entre X et Y peut se faire

par le calcul de r2
r2, coefficient de dtermination
dtermination. Plus r2 tend vers 1
1,
meilleure est la correspondance. r2 indique le % de variations dans
la variable dpendante. Ainsi si r=0.9, donc r2= 0.81 cela veut dire
que prs de 81% de lensemble
l ensemble Y dpend des variables X
X.
Si r1, relation entre X et Y est forte, la relation est croissante

entre X et Y. La pente de la droite est >0
0
Si r-1, relation entre X et Y est forte, la relation est dcroissante
entre X et Y. La pente de la droite est <0
Si r0, il existe peu ou pas de relation linaire entre les deux
variables
73
74
Mthodes qualitatives : principes de base

Les tapes suivre lors de lapplication de la
mthode
th d d
des moindres
i d
carrs
:
Mthode qualitative : Prvision qui utilise des donnes

subjectives. Dpendent du jugement, de lexprience et de
lexpertise de ceux qui formulent les prvisions .
Tracer le graphique, y en fonction x, afin de visualiser la

situation tudie
Calculer le coefficient de corrlation r.
Sil est valable, p
passer ltape
p 3
Sinon, on peut soit chercher une autre variable
indpendante sur laquelle sappuyer pour faire les
prvisions soit explorer une autre technique de prvision
prvisions,
prvision.
Dterminer lquation de la droite dajustement
Ap
partir de la variable indpendante
p
x de la p
priode suivante et
laide de lquation de la droite dajustement, dterminer la
prvision pour y
Calculer le pourcentage derreur
d erreur
Adapt de La gestion des oprations ; p.59
Les mthodes qualitatives sont bases sur le

jugement:
75
Opinions des vendeurs

Opinions des consommateurs (enqute)
Opinions d'experts
Opinions des cadres
76
Mthodes qualitatives : Diffrentes mthodes
Il existe diffrentes mthodes qualitatives

qualitatives,
les plus connues sont:
- Les enqutes
q
auprs
p
des consommateurs
- Les panels d'experts
- La mthode Delphi
77
Mthodes qualitatives : Inconvnients
Longueur du processus de consultation

Risque dobtenir une prvision biaise ou arbitraire
Cots souvent levs (ex. consultation dexperts)
Elles sont en gnral peu prcises
79
Mthodes qualitatives : Avantages
Elles tiennent compte des facteurs intangibles.
Elles sont utiles lorsquil existe trs peu de donnes (introduction d'un
nouveau p
produit ou p
pntration d'un nouveau march,, entreprise
p
en
dmarrage).
78

PP Chap1 4p

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

PP Chap1 4p

Transféré par

Droits d'auteur :

Formats disponibles

Slim HARBI

1. Importance des prvisions

I. Caractristiques des prvisions

Les prvisions sont un des lments de base servant coordonner

Les prvisions sont importantes pour:

1. Importance des prvisions

2. Horizon des prvisions

Bien prvoir la demande permet de:

Court Terme : Gnralement mesur en jours ou en

2. Horizon des prvisions

Long Terme : Peut aller jusqu cinq ans ou plus.

de prendre des dcisions stratgiques concernant :

Agrgation des moyens de production

La localisation et la mission des units daffaires

3. Caractristiques des prvisions

II . Les mthodes de prvision

Elles sont gnralement fausses

Une bonne prvision est plus qu'une valeur

Plusieurs facteurs affectent la demande: La portion de la demande

Les mthodes de prvision

Prvision : Fonction permettant destimer la demande

Les mthodes quantitatives sont bases

dans le temps prises intervalles

Ventes mensuelles ralises au cours des

Indices boursiers et conomiques

2. Les composantes de la demande

2. Les composantes de la demande

2. Les composantes de la demande

2. Les composantes de la demande

Principales mthodes de sries

2. Les composantes de la demande

Moyennes mobiles simples

Moyennes mobiles pondres

Cette mthode consiste faire la moyenne

Mthode de prvision selon laquelle

La demande du mois de juin sera de:

Moyenne mobile simple

Moyennes mobiles simple : Exemple

Mthode de prvision qui utilise les donnes de la

Moyennes mobiles simple: Exemple

Moyennes mobiles Simple : Exemple

Choix du nombre de priodes n

La question qui se pose : comment dterminer la base n.

Inconvnients de la moyenne mobile simple

Moyenne mobile pondre

wi : des poids de pondration (dtermins par

Moyenne mobile pondre

Dterminer la prvision des mois avril au janvier

O D est un coefficient de lissage se situant entre 0

3. Modles pour sries stationnaires

4. Evaluation dune prvision

Dans une srie stationnaire, chaque observation peut

t par une constante

Soit et lerreur sur la prvision la priode t, on dfinit

Plusieurs moyens sont possibles pour estimer lerreur

Ecart algbrique Moyen

4. Evaluation dune prvision

4. Evaluation dune prvision

Ecart algbrique Moyen

LEM peutt tre

un EM de 5 signifie que la prvision est suprieure la demande de

4. Evaluation dune prvision

4. Evaluation dune prvision

E ( S t S t 1 ) (1 E )Tt 1 avec E ]0;1[

DDt (1 D )( S t 1 Tt 1 ) avec D ]0;1[

0.3 * 97 (1 0.3)(90 10)

0.5(99.1 90) (1 0.5) * 10

99.1 9.6 108.7

99.1 3 * 9.6 127.9

99.1 2 * 9.6 118.3