Vous êtes sur la page 1sur 8

La prévision de la demande La prévision de la demande

Plan de la présentation

• Problématique générale
• Typologie générale des méthodes
La prévision de la demande • Différents niveaux de la prévision
• Pilotage à la commande ou par anticipation
• Structure de la demande et prévision
• Mise en œuvre d’un système de prévision
• Prévision quantitative à court-terme :
modèles endogènes et exogènes
• Qualité de la prévision : notion d’erreur et
«Il vaut mieux une image floue que ...
limites de contrôle
pas d’image du tout !» • Conclusion : prévision VS flexibilité
(Proverbe chinois)
-1- -2-

La prévision de la demande La prévision de la demande


Pourquoi travailler sur prévisions ? Prévision et planification
« Il vaut mieux une image floue que
... • La prévision est la base de la plupart des
• Lorsque le délai de productionpas d'image
est du tout ! »
décisions de gestion
supérieur au délai promis au client il
faut produire d'après des prévisions • Une prévision parfaite n'existe pas même si
cela reste un objectif
• La flexibilité du système peut compenser les
• Lorsqu'une entreprise veut développer erreurs de prévisions
un secteur d'activité, elle vérifie - par
des prévisions - l'évolution possible • Bien souvent, les modèles simples donnent
des marchés concernant ses produits des résultats satisfaisants
• Il faut suivre la précision du modèle de
prévision

3- 3 - -4-

La prévision de la demande La prévision de la demande


Organisation et variété des prévisions Principes fondamentaux
L'efficacité de la prévision dépend pour plus de 80% de la qualité
de l'organisation de cette fonction et pour moins de 20% du choix
des modèles mathématiques utilisés
1. L'incertitude croît avec l'horizon de prévision
• Plus l'horizon de prévision augmente, plus il est nécessaire de faire des
Identification prévisions agrégées (par familles)
Choix de la Mise à jour et Analyse des
et Sélection des Définition des
méthode la collecte des erreurs de
classification données prévisions
des besoins
plus adaptée données prévision 2. Il faut toujours associer un pourcentage d'erreur
• Faire des prévisions n'est pas une science exacte, il est important d'y
• Prévision à long terme (3-5 ans) • Prévision à court terme (semaines) associer une variabilité espérée
• Lancement d'un nouveau produit • Gestion des approvisionnements 3. Il faut segmenter les prévisions lorsqu'elles sont
• Nouvelle technologie • PDP et MRP nombreuses
• Investissement • Ajustement des capacités (CRP) • Si le nombre de prévisions à réaliser est grand, on n'aura pas le temps
de tout valider…

• Prévision à moyen terme (12-24 • Prévision à très court terme (jours) 4. On doit assurer l'intégration de différents types
mois) d'informations
• Ordonnancement
• Ajustement des capacités (PIC) • Les chiffres ne sont pas tout, on doit intégrer des données
quantitatives (historiques) ainsi que des données qualitatives (ou
• Etablissement des budgets
globales)

Une prévision n’est pas un objectif !


5- 5 - 6- 6 -
La prévision de la demande La prévision de la demande
Choix d’un modèle de prévision
Stabilité des flux
Méthodes
Sur mon activité
intrinsèques
• Flux réguliers Historique des
ventes
Méthodes quantitatives
– Articles en phase de maturité
Sur une activité à Méthodes
– Clients nombreux Informations laquelle mon extrinsèques ou
objectives activité est liée associatives
– Consommation relativement indépendante de facteurs externes et pertinentes
disponibles
• Flux irréguliers Informations sur
le marché Existe-il un lien
Oui
– Lancement de nouveaux produits Tendances causal entre ces Estimation par les
macro- informations et commerciaux
– Promotions économique mon activité ? Non
Conjoncture
– Articles de mode
– Consommation dépendante de facteurs externes Non Analyse par
analogie
Non Peut-on montrer
l’activité à la Méthodes qualitatives
concurrence ?
Facteurs externes : L’activité est-elle Marchés tests
nouveaux produits / remplacement de produits, marché concurrentiel à Aucune
totalement Oui
information
forte activité marketing, renouvellement fréquent des produits, nouvelle ? Oui
conditions météorologiques, conjoncture économique générale …
Méthode Delphi
Etudes de marché

-7- -8-

La prévision de la demande La prévision de la demande


Typologie générale des méthodes de prévision La combinaison de méthodes de prévision

Prévisions marketing Prévisions commerciales


(vision globale des marchés) (vision des ventes terrain)
LT Méthode Delphi
Avis d’experts
Horizon Marché-tests
Prévisions statistiques
(vision neutre
Agrégation Panels clients à partir des historiques)
Modèles causals
Analyses de séries

CT Modèles d’extrapolation Comité de prévision

Prévision Prédiction
Prévision des demandes

-9- - 10 -

La prévision de la demande La prévision de la demande


Pilotage à la commande OU par anticipation Analyse du carnet de commandes
• A quel niveau s’exprime le besoin en prévision ?
Décision structurelle - Compromis coût/flexibilité

Cycle d'appro Cycle d'usinage Cycle de montage


100%
Stock produits finis
Fabrication Commandes attendues
sur stock

Stock de pièces
Assemblage
à la commande
Stock de matières premières Carnet de commandes
Fabrication
à la commande
temps
Projet

Fabrication par anticipation (sur prévisions)

Fabrication sur commande

- 13 - - 14 -
La prévision de la demande La prévision de la demande
Extrapolation des commandes reçues Structure de la demande et prévision
(exemple dans le textile)
Principe de base :

6 semaines
- comprendre les éléments
100 constitutifs de la demande
% des ventes
90
de la saison - pour choisir ensuite une
80
Femmes méthode de prévision
70
adaptée et réaliste Niveau de base
60
Enfants
50
Applications : Tendance Saisonnalité
40

30 Hommes - extrapolation statistique


- demande globale générée Variations ponctuelles
20
par plusieurs demandes
aléatoires ou prévisibles
10 élémentaires indépendantes
0 1 2 3 4 5 6
Mois

- 15 - - 16 -

La prévision de la demande La prévision de la demande


Régression linéaire simple
Définition d'un système de prévision
• Estimation des paramètres a et b
• Méthode d'estimation : moindres carrés
• Degré d'agrégation
– prévisions sur familles de produits ou références yi y = ax + b
élémentaires ei
• Horizon ei = yi - ( axi + b )
ŷi
– prévisions à 1 mois, 3 mois, 6 mois... On cherche le minimum de ∑e 2
i
• Période élémentaire
∑( x − x) * ( y − y)
– prévisions par semaines, par mois, par trimestre...
i i
• Périodicité de révision a=
∑( x − x)
2
– prévisions revues toutes les semaines, tous les i
mois, tous les trimestres...

xi b = y− ax

- 17 - - 18 -

La prévision de la demande La prévision de la demande


Prévision quantitative à court-terme Prétraitement des séries chronologiques
modèles causals associatifs
Principe : • Identifier la demande régulière de la demande
Déduire la demande future à partir de l’évolution prévisionnelle exceptionnelle
d’une ou plusieurs variables explicatives
exemple : grosse commande à l’export
Hypothèses :
Vérifier les liens de causalité entre demande et variable(s) • Isoler la demande qui provient de promotions
S’assurer d’un niveau de corrélation élevé. temporaires
Cette approche se justifie pour la prévision à COURT-TERME, (pour éviter de perturber le modèle de prévision)
mais peut être utilisée pour le MOYEN-TERME.

Régression simple Demande


Méthodes : Prévision
Des modèles causals associatifs
Régression multiple
s’appuyant sur l’analyse de
séries chronologiques
Modèles économétriques

- 19 - - 20 -
La prévision de la demande La prévision de la demande
Prévision quantitative à court-terme
modèles d’extrapolation statistique Décomposition de la demande
Principe : • Niveau de base
Extrapoler la demande passée (nature et structure) • Saisonnalité
Hypothèse :
La demande conservera dans le futur les mêmes caractéristiques • Tendance
et aucun facteur nouveau ne viendra s’ajouter au système.
Cette approche se justifie pour la prévision à COURT TERME.
• Variations ponctuelles aléatoires ou prévisibles
200

Méthodes : Moyenne mobile simple


150
Des modèles statistiques
s’appuyant sur l’analyse de Moyenne mobile pondérée
100
séries chronologiques
incluant corrections de : Lissage exponentiel
50
– tendance
– saisonnalité 0
J M M J S N J M M J S N

- 21 - - 22 -

La prévision de la demande La prévision de la demande


Composantes de la demande Décomposition de la demande
• Tendance : Augmentation (ou une diminution)
significative de la demande en fonction du temps.
• Saisonnalité : Variation régulière qui se répète 180
Demande 2015
périodiquement dans la demande. 160
140
• Cycle : Évolution de la demande qui s'étale sur 120 Moyenne 2015
plusieurs années et qui peut être attribuée au cycle de 100 Moyenne 2014
vie des produits ou à des conditions économiques, 80
politiques, etc. 60 Demande 2014
• Demande irrégulière : Variation provoquée par des 40

circonstances inhabituelles (mais explicables). 20


Mois
0
• Demande aléatoire : Variation de la demande qui ne J F M A M J J A S O N D

peut être expliquée par les composantes ci-dessus.

- 23 - - 24 -

La prévision de la demande La prévision de la demande


La moyenne mobile Exemple : moyenne mobile sur 3 mois
• Demande Octobre : 2200
Principe : • Demande Novembre : 1800
La prévision pour la période suivante est égale à • Demande Décembre : 2300
la moyenne des n demandes passées

• Moyenne mobile = (2200 + 1800 + 2300) / 3


Dt + Dt-1 + Dt-2 + … + Dt-n+1
Pt+1 = ____________________________________ • Prévision pour Janvier : 2100
n
• Demande Janvier : 1900
• Prévision pour Février : 2000

- 25 - - 26 -
La prévision de la demande La prévision de la demande
La moyenne mobile pondérée Exemple : moyenne mobile pondérée
• Demande Octobre : 2200 pondération : 30%
• Demande Novembre : 1800 pondération : 30%
Principe :
La prévision pour la période suivante est égale à • Demande Décembre : 2300 pondération : 40%
la moyenne pondérée des n demandes passées
La somme des coefficients de pondération est égale à 1 • Moyenne mobile pondérée = (0,3*2200 + 0,3*1800 + 0,4*2300)
• Prévision pour Janvier : 2120

Pt+1 = a0.Dt + a1.Dt-1 + a2.Dt-2 + … + an.Dt-n


• Demande Janvier : 1900
• Prévision pour Février : 1990

- 27 - - 28 -

La prévision de la demande La prévision de la demande


Le lissage exponentiel Le lissage exponentiel

La prévision tient compte de toutes les demandes passées :


Principe :
La prévision pour la période suivante est égale à
une fraction de la dernière demande observée Pt+1 = α . Dt + (1 - α) Pt
plus une fraction de la prévision pour la même période.
La somme des coefficients de pondération est égale à 1 Pt+1 = α . Dt + (1 - α) [ α . Dt-1 + (1 - α) Pt-1 ]
Pt+1 = α . Dt + α . (1 - α) Dt-1 + (1 - α)2 Pt-1
Pt+1 = α . Dt + (1 - α) Pt
Pt+1 = α . Dt + α . (1 - α) Dt-1 + α . (1 - α)2 Dt-2 + (1 - α)3 Pt-2
α est le coefficient de lissage (compris entre 0 et 1)
Pt+1 = α . Dt + α . (1 - α) Dt-1 + α . (1 - α)2 Dt-2 + … + α . (1 - α)n Dt-n

Les pondérations des demandes passées sont exponentiellement décroissantes

- 29 - - 30 -

La prévision de la demande La prévision de la demande


Exemple : lissage exponentiel Les coefficients de pondération
• Prévision pour décembre : 2000
70% 70%
• Demande pour décembre : 2300
60% alpha = 0,7
• Coefficient de lissage : 0,3
50%
• Lissage : 0,3 * 2300 + (1 - 0,3) * 2000 40%
• Prévision pour janvier : 2090 30%
alpha = 0,2
21%
20%
20% 13%
10%
16% 8%
• Demande pour janvier : 1900 10% 6%
2%
7% 5%
1%
• Prévision pour février : 2033 0
0 1 2 3 4 5 6 7

- 31 - - 32 -
La prévision de la demande La prévision de la demande
Effet du coefficient de lissage La correction de tendance
modèle à double lissage exponentiel
(modèle de Holt)
140
Demande
130 α = 0,9
• Lorsque le niveau moyen de la demande change
(croissance ou décroissance)
120 α = 0,5
le système de prévision simple est toujours en retard
110
α = 0,1 (puisqu’il se fonde sur les demandes passées)
100
• Nécessité d’effectuer une correction de tendance
90

80

70
J F M A M J J A S O N D J F

- 33 - - 34 -

La prévision de la demande La prévision de la demande


La correction de tendance La correction de saisonnalité

Tendance instantanée • Lorsqu’il existe des variations saisonnières


connues et « stables »
tt = Pt+1 -Pt (différence entre deux prévisions successives) on peut utiliser cette information pour
améliorer la prévision
On effectue un lissage de la tendance
• Coefficient saisonnier
Tt+1 = β . (P
( t+1 -Pt) + (1 - β) Tt (poids de la période par rapport à la moyenne)

On corrige la prévision
Dt
P’t+1 = Pt+1 + Tt+1 It+1 = ___________________________
Demande moyenne par période

- 35 - - 36 -

La prévision de la demande La prévision de la demande


Principe de la correction sa saisonnalité La correction de saisonnalité
Dt
• On « dé-saisonnalise » la demande ___
– on divise la demande par son coefficient saisonnier
Demande désaisonnalisée Ddt =
It
• On effectue le calcul de la prévision
(avec ou sans correction de tendance) Prévision sur la demande désaisonnalisée
• On « re-saisonnalise » la prévision
– on multiplie la prévision par son coefficient saisonnier Pdt+1 = α . Ddt + (1 - α) Pdt

Resaisonnalisation de la prévision

Pt+1 = Pdt+1 x It+1

- 37 - - 38 -
La prévision de la demande La prévision de la demande
Modèle de Winters Suivi de la qualité de la prévision
But :
• Combinaison des deux corrections : détecter, à l’aide d’indicateurs
– correction de tendance appropriés, les modifications
de la demande (nature et forme)
– correction de saisonnalité
et adapter le modèle de prévision

Limites de contrôle :
choix d’écarts maximum tolérés
au-delà desquels le modèle de
prévision doit être modifié
(selon des conditions de fréquence à
préciser)

Indicateurs : Ecart algébrique moyen


l’erreur de prévision est suivie par
des indicateurs «classiques» Ecart absolu moyen

Ecart quadratique moyen

- 39 - - 40 -

La prévision de la demande La prévision de la demande


Les mesures de qualité d'une prévision Le signal d’alerte (Tracking signal)
• L’écart algébrique moyen

Σ
Ecart algébrique moyen (lissé)
(Dt - Pt) Signal d’alerte =
______________ Mesure du centrage Ecart absolu moyen (lissé)
= n

• L’écart absolu moyen


Permet de détecter les retournements de demande
Σ |Dt - Pt|
____________ Mesures de la dispersion
= n
• L’écart quadratique moyen

Σ (Dt – Pt)²
= ____________
n

- 41 - - 42 -

La prévision de la demande La prévision de la demande


Prévisions sur plusieurs périodes Mise en œuvre d’un système de prévision
Collecte des
• On retient la dernière informations Choix et test
prévision (Pt) d’un modèle
• On projette la dernière Analyse de la Erreur
structure D minimisée ?
tendance connue (T)
• On applique le Existence de
clientèles OUI NON
coefficient de différentes ? A
saisonnalité
correspondant à la NON Recomposition B
OUI B de la
période (I) demande globale
Recomposition
des données
• Pt+n = (Pt + n.T) x It+n désagrégées Mise en place
du système de
A contrôle

- 43 - - 44 -
La prévision de la demande La prévision de la demande
Conclusion : quelques principes généraux Conclusion (2) : prévision VS flexibilité
• Bien identifier les besoins en prévision • Plus on gagne en flexibilité opérationnelle,
(Approvisionnements, planification, pilotage des stocks ? moins l’anticipation à court-terme est utile,
Horizon : court, moyen et/ou long terme(s)) donc moins la prévision à C.T. est nécessaire
• Éventuellement, limiter volontairement les
classes de produits (selon une analyse ABC)
• Penser aux procédures de suivi et de mise à • En revanche, la prévision à moyen et long terme
jour (ajustement (semi)automatique) reste nécessaire, pour planifier les grandes
• Dans les métiers où la prévision est peu fiable décisions relatives à la capacité
structurellement (cf. environnement), axer la Mais alors,
priorité sur la flexibilité à niveau agrégé plus simple à obtenir (fiabilité)
• Objectif cible : un système «Zéro Prévision» !

- 45 - - 46 -

Vous aimerez peut-être aussi