Vous êtes sur la page 1sur 32

Prévisions & Planification de la Production

4eme Année OGI-B


ESPRIT 2016/2017

Partie (1)
LES PRÉVISIONS

Mise en Contexte :
Prévision-- Planification
Prévision
La prévision pourrait se définir comme : « une constatation anticipée d’un
événement futur » son but est donc d’essayer d’obtenir la meilleure image possible de
l’avenir à partir des données dont on dispose .
Le passé est donc un réservoir d’informations utiles pour mieux décider des actions
futures.

Les prévisions sont le point de départ de la planification.

La planification de la production consiste à positionner dans le temps les


actions de production à effectuer en mettant en place les ressources nécessaires à
la réalisation de ces opérations.

1
Les 10 fonctions de la GOP
Fonctions de préparation
1. Prévision Fonctions d’environnement
2. Planification
6. Étude du travail
Fonctions de contrôle 7. Aménagement
3. Contrôle de production 8. Manutention
4. Contrôle des stocks 9. Circulation
5. Contrôle de la qualité 10. Maintenance

Système de la Gestion des Opérations (GOP)

P
P P
R
R R
P O
Données P É O
L e G
Ld V Activités D
A t R
Industrie Prévision Ae I Planification U
N A d’exploitation
Économie N S I
S M
Marché I T
M
O S
E
N
S

2
Système de prévision
INTRANT EXTRANT

• Activités antérieures
•Info. des vendeurs P
• Info. PESTE R
• Info. de l’industrie 1. Étude des intrants par
• Info. industries les responsables des prévisions
P É
2. Choix de la technique
•Aval
•Amont pertinente de prévisions L d V
• Capacité production 3. Établir un plan de prévision A e I
• Disponibilités : 4. Adoption du plan par le N S
• équipements comité responsable I
• bâtisses O
• R. H.
• financières N
•Écart entre le Réel et le Prévu
•Variations de l’environnement
•Variations des données à l’entrée

Système de Planification
INTRANT EXTRANT

Plan de prévision
1. Identifier le type
1. P.G.P.
Commandes clients de planification 2. P.D.P.
Informations : 2. Choisir une technique 3. Programme
• Produit de planification de production
• Procédé 3. Programmation 4. Charge
• Capacité de travail
4. Ordonnancement

3
La Fonction PRÉVISION

La fonction PRÉVISION, première fonction de


la gestion des opérations fait partie intégrante
de la tâche du gestionnaire.
A l’aide des prévisions, il élabore des plans
d’opérations plus réalistes.
Il planifie ainsi pour le futur

IMPORTANCE DES PRÉVISIONS (1)


Les prévisions jouent un rôle important dans
le processus de planification :

1-Prévisions sur le long terme (plus que 3 ans) :


Prévisions stratégiques
Types de produits et services , diversification , produits nouveaux…
Installations et matériel : investissement en équipement….
Localisation : Investissement immobilier

4
IMPORTANCE DES PRÉVISIONS (2)

2- Prévisions à moyen terme : ( six mois à deux ans)


Décisions tactiques :

Définir et maîtriser les capacités globales de production et


d’approvisionnement.
Il n’est pas question d’envisager la construction d’une usine mais
l’acquisition d’une machine, l’embauche de personnel ou
l’approvisionnement d’articles à long délai d’acquisition.

IMPORTANCE DES PRÉVISIONS (3)

3- Prévisions à court terme (quelques semaines)


Décisions Opérationnelles :

approvisionnement et gestion des stocks,


charge des ateliers et ordonnancement,
des ajustements des activités planifiées.

5
Principes et Caractéristiques des
PRÉVISIONS
La prévision est une étape nécessaire devant précéder la
planification des opérations.

C’est un processus permettant d’estimer la demande future


pouvant être établit soit mathématiquement (données
historiques), soit intuitivement (connaissance du marché), soit
selon une combinaison des deux.

Pour prévoir la demande, il faut utiliser des méthodes qui tiennent


compte :
Des tendances passées,
Des facteurs pouvant l’influencer,
De l’analyse des données connues (commandes déjà
entrées).

Principes et Caractéristiques des


PRÉVISIONS (suite)
Responsable de la prise de décision

Analyse qualitatives et quantitatives


Tendance économique générale
Recommandations des autres intervenants
Histoire passée
Analyse des conditions futures
Évaluation des conditions présentes
Unité de
décision Contraintes légales
Émotions et intuition
Motivations et valeurs personnelles
Prévision

6
Les prévisions et ses difficultés

Il est difficile de prévoir la demande future avec


précision.
Les principales raisons sont les suivantes :
L’apparition de nouveaux produits,
La disparition de produits,
La politique de prix,
Les promotions des concurrents,
Le contexte économique,
L’apparition de nouvelles technologies.

Illustration de l’importance des Prévisions

Supposons que le service des ventes d’une entreprise prévoit des


ventes de 40 Mu (milles unités) de son unique produit pour
l’année à venir. Le directeur de la production sait, à partir des
normes de production établies, qu’un équipement ‘A’ produit 5
unités par heure et qu’il faut pour cela 2 employés. Un an est
considéré comme équivalant à 250 jours ouvrables, chaque
journée étant de 8h.

Quelles seront les besoins de l’entreprise suite à ces prévisions ?

Quelles seront les répercussions d’une surestimation ?


d’une sous-estimation ?

7
Surestimation et sous-estimation de la
demande
La surestimation de la demande engendre :
Sous-utilisation des ressources humaines,
Sous-utilisation des ressources matérielles,
Stocks excessifs,

La sous-estimation de la demande engendre :


Le recours aux heures supplémentaires,
Le recours à la sous-traitance,
Une utilisation exagérée des ressources,
Les risques de pénurie sont plus grand.

Facteurs à considérer lors du choix d’une


méthode de prévision
Variables à prévoir
Coûts d’une méthode de prévision
Le genre de données
La disponibilité des données
L’importance de la prévision
Coûts de la cueillette des données
Les facteurs qui influencent la
Temps et ressources requises pour
variable à prévoir
obtenir les prévisions
Nombre de variables à prévoir
Les usagers des outils de prévisions
Liens entre états passés et états
futurs de la variable à prévoir Fréquence à laquelle les prévisions
doivent être faites

Prévisions

8
Classification des méthodes prévisionnelles
Prévisions
Basées sur les
Basées sur le séries
jugement et chronologiques
l’opinion Qualitatives Quantitatives

Études de Méthode Analogie


Opinions
marché Delphi situations passées

Régression
Moyenne Moyenne mobile Lissage linéaire Méthodes Causales:
mobile pondérée exponentiel Régression
multiples
Avec
saisonnalité

Avec
Simple
tendance

Méthodes qualitatives

À quel moment et dans quelles circonstances ces méthodes sont-elles appropriées ?

- Si aucune donnée chiffrée n’est disponible,


- Si les données passées ne sont pas fiables
- S’il y a des changements majeurs dans les valeurs et les comportements qui
empêchent l’utilisation des données existantes.

1. Les opinions des experts


-Cadres provenant de différents services,
-Utilisées pour la planification à long terme et pour le lancement de nouveaux
produits,
-Peut donner des résultats biaisés.

2. La communication directe avec le client


-Consiste à obtenir l’opinion des vendeurs en contact avec les clients,
-Peuvent sous-estimer les prévisions s’ils sont rémunérés en fonction des quotas,
- Peuvent mal juger de ce que fera réellement le client,
- Basent trop souvent leur jugement sur les résultats les plus récents.

9
Méthodes qualitatives (suite)

3. Étude du marché
-Questionnaires, contacts par téléphone, entrevues personnelles
-Utilisée surtout dans la planification stratégique(nouveaux pdts)
-Utilisée, également, en marketing (recherche commerciale).
-Une analyse statistique des résultats peut être faite pour tester les hypothèses
concernant le comportement des consommateurs,
- C’est une méthode coûteuse à cause du personnel requis, de la poste, etc.
- Peut être sujet à un biais élevé.

4. La méthode DELPHI
-Elle se base sur l’opinion de groupes d’experts et vise l’obtention d’un
consensus.
-Les experts sont rencontrés individuellement donc pas de lien entre eux,
-Ils peuvent être requestionnés itérativement jusqu’à ce qu’un consensus soit
atteint
-La pratique pour la prévision à long terme (changements technologiques)

Méthodes Quantitatives : Basées sur


les séries chronologiques
Elles s’intéressent à l’effet du temps sur la variable à prévoir.

Les méthodes statistiques de prévision se basent sur l’analyse de


données historiques appelées les séries chronologiques.

Une série chronologique est un ensemble


d’observations faites à différentes périodes
Successives dans le temps.

Un modèle mathématique caractérisant l’évolution de la variable à


prévoir est utilisé.

10
Relations entre la variable
prévisionnelle et le temps
1. La tendance : mouvement graduel des données vers le haut ou vers le bas.
2. La saisonnalité :variations cycliques (régulières) reliées à des facteurs
saisonniers.
3. Les cycles : variations répétitives reliées à des facteurs politiques, économiques,
4. Les variations irrégulières : variations dues à des circonstances inhabituelles. Il
vaut mieux ne pas en tenir compte dans le calcul des prévisions.
5. Les variations aléatoires : variations résiduelles qui restent après que tous les
autres facteurs ont été pris en considération.

Quelques exemples de séries


chronologiques

11
Étapes pour les séries chronologiques

1.Collecte des données


Cueillette d’observations sur les valeurs de la variable de prévision sur plusieurs périodes,
mettre de côté les données non représentatives (ex.: lors de grève.).

2.Analyse des données


Définir le modèle sous-jacent représentant le mieux l’évolution de la demande passée par :
i) technique de l’observation visuelle (surtout pour le modèle de base),
ii) technique d’analyse des autocorrélations des données (permet de mesurer
l’importance du degré de relation des observations entre elles).

3.Obtention des prévisions


Utiliser les équations appropriées pour obtenir les prévisions.

4.Choix de la meilleure méthode de prévision


Analyse des résultats obtenus à l’aide de techniques qu’on verra plus tard (mesures d’erreurs).
-MAD (Mean Absolute Deviation) = EMA(Ecart Moyen Absolu)
-MSD (Mean Stadard deviation) = EQM(Erreur Quandratique Moyenne)

Techniques de calcul des PRÉVISIONS


par les séries chronologiques

1. Modèles avec niveau :prévisions naïves, Moyennes simples, Moyennes Mobiles,


Moyennes mobiles pondérées, Lissage exponentiel simple et double.

2. Modèles avec tendance: Analyse de la tendance , lissage exponentiel avec


tendance.

3. Modèles de prévisions causales (Associatives) Régression linéaires &


multiples.

4. Modèles avec cycles :Régression linéaires avec variation saisonnières

Pour chacune des méthodes citées, on calcule


l’erreur de prévision qui nous permet de faire le suivi
des prévisions et d’estimer le degré de leur précision .

12
Planification & Contrôle Informatisés de la Production
Modèle avec niveau
Évolution aléatoire des données observées autour d’une valeur centrale
stable dite niveau ou moyenne.

demande
x x x
x x x
x x x
x
x x x niveau
x x

temps

Une telle série est dite stationnaire et le niveau correspond à la moyenne.

Prévisions Naïves

Une prévision naïve pour une période donnée est égale à la valeur
effective de la période précédente.
Méthode simple à utiliser et qui a l’avantage d’être peu coûteuse.
Jour Ventes
1 25
2 31
Exemple 2:
3 29 Consommation Réelle en Juin = Consommation Réelle Mai + 50
4 33
5 34
= 150 + 50 = 200
6 37 Prévision Juillet = Consommation Réelle Juin + 50
7 35
8 32
= 200 + 50 = 250
9 38 Si Consommation Réelle Juillet = 230
10 40
11 37
Prévision Août = Consommation Réelle juillet + 50
12 32 = 230 + 50 = 280
13 ??

13
Moyenne Simple
La valeur du niveau est égale à la moyenne des observations retenues.

n Pn+1 = Prévision pour la période (n+1)


∑ R i Ri =Valeur observée au temps i
Pn +1 = i=1 n = # Observations
n
Jour Ventes

1 25

2 31
25+ 31+ 29+....+ 32
3 29
P13 = = 33.58
4

5
33

34
12
6 37

7 35

8 32

9 38

10 40

11 37

12 32

13 ??

ERREURS DE PRÉVISION : EMA ET EQM

On définit l’écart «e »par : Valeur Réelle – Prévision.


ei = Ri – Pi

Les 2 mesures ou indices de performance les plus utilisées sont :


-MAD (Mean Absolute Deviation) = EMA(Ecart Moyen Absolu)
-MSD (Mean Stadard deviation) = EQM(Erreur Quadratique Moyenne)

n n 2
n n
∑ R −P
2
∑e i ∑ R −P i i ∑e i i i

ÉMA = i =1
= i =1 ÉQM = i =1
= i =1

n n n n
Le choix de la méthode de prévision dépendra des valeurs des EMA ET EQM,
on choisira la méthode qui minimise l’un ou l’autre de ces deux indices.

14
Moyenne Mobile
Pour cette méthode, seules les observations les plus récentes sont utilisées pour
calculer la prévision.
Les prévisions se calculent de la façon suivante :

t i = période

∑R
i =t − n +1
i
n = # Observations considérées (BASE)
Ri = valeur réelle de la période i passée.
Pt +1 = Pt+1 = prévision de la prochain période
n

Les prévisions se déplacent en reflétant uniquement les valeurs les plus récentes.
Cette méthode est valable uniquement pour la période qui suit (court terme)

COMENT CHOISIR LA BASE ??

Exemple Moyenne Mobile


Nous avons les données suivantes concernant les ventes en milliers de gallons d’essence
par jour.

Jour Ventes Jour Ventes


1 25 7 35
2 31 8 32
3 29 9 38
4 33 10 40
5 34 11 37
6 37 12 32

Considérons une moyenne mobile basée sur 2 observations :


Quelles sont les prévisions des jours 5 et 8 ?
Quelle est la prévision pour le jour 13 ?
Refaire le même calcul pour ne base de 4 observations.

Choisir la meilleure BASE en se basant sur les MAD et MSE?

15
SOLUTION
Jour Ventes MM2 MM4
1 25
2 31
45
3 29 28
40
4 33 30
35
5 34 31 29,5
6 37 33,5 31,75
30
7 35 35,5 33,25 25
8 32 36 34,75 20
9 38 33,5 34,5 15
10 40 35 35,5 10
11 37 39 36,25 5
12 32 38,5 36,75 0
13 34,5 36,75 1 2 3 4 5 6 7 8 9 10 11 12 13

MM2 MM3 DATA

Moyenne Mobile Pondérée


Une moyenne pondérée se calcule un peu comme une moyenne mobile sauf que
l’importance ou la pondération accordée à chacune des observations peut varier au
lieu d’être égale.
La somme des pondérations doit toujours être égale à 1.
La moyenne pondérée permet de mieux prendre en compte les événements récents.
La difficulté consiste à déterminer une pondération adéquate.

n
i = période
Pi +1 = ∑ pi Ri n = # Observations considérées (BASE)
i =1 Ri = valeur réelle de la période i passée.
pi = pondération relative a la période i
Pn+1 = prévision de la prochain période

16
La moyenne mobile pondérée
Une moyenne pondérée se calcule un peu comme une moyenne mobile sauf que
l’importance ou la pondération accordée à chacune des observations peut varier au
lieu d’être égale.
La somme des pondérations doit toujours être égale à 1.
La moyenne pondérée permet de mieux prendre en compte les événements récents.
La difficulté consiste à déterminer une pondération adéquate.
Jour Ventes

1 25

2 31

3 29
Considérons une pondération de 0,5 pour l’observation
4 33 la plus récente, de 0,3 pour l’avant-dernière et de 0,2
5 34 pour la plus ancienne.
6 37

7 35 Quelles sont les prévisions des jours 4 et 8 ?


8 32 Quelle est la prévision pour le jour 13 ?
9 38

10 40

11 37

12 32

13 ??

Solution
MM3 pondérée
Jour Ventes (0.5 - 0.3 - 0.2)
1 25

2 31 45
3 29 40
4 33 28,8 35
5 34 31,4 30
25
6 37 32,7
20
7 35 35,3
15
8 32 35,4
10
9 38 33,9
5
10 40 35,6 0
11 37 37,8 1 2 3 4 5 6 7 8 9 10 11 12 13
12 32 38,1
DATA Prévisions
13 35,1

17
Lissage Exponentiel Simple
Cette méthode permet d’obtenir une prévision qui tient compte d’une pondération des
observations; cette pondération s’estompe quand on avance dans le temps.

Cette méthode est une des plus utilisées.

Soit:
Pi = moyenne pondérée ou prévision au temps i.
Ri = observation au temps i.
n = nombre d’observations
α = facteur de pondération compris entre 0 et 1

La prévision au temps Pi se calcule ainsi :

Pi = α Ri-1 + α(1−α) Ri-2 + α(1−α)2 Ri-3 +…+ α(1−α)n-1 Ri-n.

Cette formule se réécrit sous la forme :


Pi = α Ri-1 + (1-α) Pi-1
Pi = Pi-1 + α(Ri-1 - Pi-1)

Lissage Exponentiel Simple (suite)


Trois types d’informations sont nécessaires pour appliquer la méthode :
o La prévision la plus récente.
o La demande réelle pour la période de la dernière prévision.
o Le facteur de pondération α

Notons que dans la formule du lissage exponentiel, l’expression (Ri-1- Pi-1) représente l’erreur de
prévision.
Plus α est proche de 0, plus les prévisions s’ajusteront lentement aux erreurs de prévision et on dit
alors que le lissage est grand.

Le facteur de pondération α, détermine le niveau de lissage, c’est-à-dire la vitesse de réaction à la


différence entre la prévision et la demande réelle.
Le choix de α dépend de l’allure de la demande.

18
Exemple

Jour Ventes Prévisions Utiliser un facteur de 0.1 pour avoir la prévision du jour 12 ?
1 42 -
2 40 42 Pour faire la prévision du 12ème jour, il faudrait calculer tout d’abord les
prévisions des jours 1 – 11.
3 43 41,8
4 40 41,92 En général, on commence les prévisions a la période 2, en prenant
41,72 comme P2 la valeur de R1.
5 41
6 39 41,65 La formule Pi-1 + ά(Ri-1- Pi-1) commencera a partir de la période 3
7 46 41,38
8 44 41,85 Dans certains cas, on vous donne la valeur prévue de la
9 45 42,06 période 1.
10 38 42,35 On commencera alors a appliquer la formule dès la période 2
11 40 41,92

12 ?? 41,73

19
Raisons pour expliquer le succès des
méthodes de lissage exponentiel

Le modèle est assez précis.


La formulation des modèles se fait aisément.
L’utilisateur peut comprendre comment le modèle fonctionne.
Le modèle requiert peu de calculs.

Le modèle requiert peu d’espace-mémoire car on n’a pas besoin de conserver


beaucoup de données passées.
Les tests pour vérifier comment le modèle se comporte sont faciles à calculer.

Modèles Avec TENDANCE

Pour ce type de modèle, on ne considère plus une moyenne stable mais


plutôt une moyenne avec tendance de la demande en fonction du temps.

La mesure de la tendance =

Ampleur de la variation moyenne


observée d’une période à l’autre.

20
Mesure de la tendance
demande

L’analyse de la tendance x
tendance
x x
permet de déterminer une x
x
équation mathématique x x x x
x x
qui décrit simplement
la tendance.
temps

La technique que nous verrons est


valable à condition que la tendance
soit linéaire.

Exemple

Le tableau suivant indique le nombre de paniers de pommes vendus


durant les 7 derniers jours. On désire savoir si on observe une tendance
ou non et quelle serait la prévision pour le huitième jour.

Nombre de paniers
Jour
de pommes
1 25
2 31
3 31
4 33
5 34
6 37
7 39

21
Exemple: Solution

Nombre de Taux Taux d’accroissement périodique :


Jour paniers de d’accroissem
pommes ent périodique [période (i+1) - période (i)] / période(i)
1 25 ---
(31 - 25) / 25 = 24,00 %
2 31 24%
3 31 0%
Taux d’accroissement moyen :
4 33 6%
(24 + 0 + 6 + 3 + 9 + 5) / 6
5 34 3% = 7,83 %
6 37 9%
7 39 5%

P8 = P7 * (1,0783) = 42,05

Lissage Exponentiel Double

Le lissage exponentiel double est une variante du lissage exponentiel simple . Il


est utilisé lorsque la série chronologique comporte une tendance.

Pi+1 = Si + Ti

Où : Si = Pi+α (Ri-Pi)
Ti = Ti-1 + β (Pi-Pi-1-Ti-1) est un facteur de correction lissé

Le facteur de correction T de départ est estimé en fonction des activités


passées.

Quand on implémente la première fois on peut approximer α = β

Une façon simple de procéder serait d’estimer T période précédente = R-P

22
Exemple
Nous disposons des données de départ sur les ventes de calculatrices
pour les 10 dernières semaines :
On vous informe que :
-La prévision de la période 4 selon le lissage
Sem
Ventes Réelles exponentiel simple (α=0,4) est de P4 = 728
aine
-L’entreprise désire implanter le lissage
1 700
exponentiel double à partir de la période 5 .
2 724
3 720
4 728 N’ayant pas le facteur de correction
5 740
initial, estimons globalement la tendance
des 4 premières périodes.
6 742
T4 = (R4-R1) / 3 = 728-700 / 3= 9,33
7 758
8 750 S4 = 728
9 770
10 775

Exemple (suite)
P5= S4+T4 = 728+9,33 = 737,33
P6 = S5+T5
Réel Prévisions
S5 =P5+0,4(R5-P5)
1 700
= 737,33 + 0,4 (740-737,33) = 738,39
2 724
3 720
T5 =T4+β (P5- P4-T4)
4 728 728
5 740 737,33 = 9,33 + 0,4 (737,33 – 728 – 9,33)
6 742 P6=P5+0,4(R5-P5) +T5 = 9,33
7 758
D’où
8 750
9 770 P6= 738,39 + 9,33 = 747,70 ~ 748 unités

10 775

23
La Régression Linéaire Simple

La régression linéaire simple est une méthode causale.

Si une variable change à cause du changement d’une autre variable


méthode causale (ex.: ventes par rapport à la publicité)

La régression linéaire est une méthode statistique pour estimer la relation


moyenne qui peut exister entre une variable dépendante et une variable
indépendante.

Dans les modèles de prévision de la demande, on voudra déterminer la


relation qui existe entre la demande et une autre variable, comme par exemple, le
temps, le prix de vente ou l'effort de promotion.

La régression linéaire simple (suite)

Le modèle de la régression simple est de la forme:


Yt = a Xt + b

où Yt est la variable dépendante et Xt la variable indépendante.

n∑ ( x * y ) − ( ∑ x ) * ( ∑ y )
a=
n * ∑ ( x ) 2 − (∑ x) 2

b=
∑ y − a∑ x
n

24
La régression linéaire simple (suite)
a et b sont obtenus par les équations normales de la méthode des moindres carrés.

Cette méthode tente de trouver la droite


représentant le mieux les données en
minimisant la somme des carrés de
la distance verticale entre chaque point
et son point correspondant sur la droite.

Le désavantage de cette méthode est


que les données devraient se rapprocher d’une droite.
Ceci limite son utilité.

Exemple 1
Considérons les ventes annuelles d’une chaîne de 10 restaurants de type pizzeria en
fonction de la population étudiante de la région où se trouve chacun des restaurants.
R e sta u r a n t V e n t e s a n n u e lle s P o p . é tu d ia n te
(en 1 0 0 0 $ ) (e n m illie r s )
1 58 2
2 105 6
3 88 8
4 118 8
5 117 12
6 137 16
7 157 20
8 169 20
9 149 22
10 202 26
T o ta l 1300 140

Question : Trouvez les ventes annuelles pour une population étudiante de 16 000 étudiants ?

25
250

200

Solution 150

100

50

0
1 2 3 4 5 6 7 8 9 10

La droite de régression est :


Y = 62 + 5X
La prévision des ventes, si la population étudiante de la région du nouveau
restaurant est de 16000 personnes, est :
Y = 62
62++ 5(16
16)) = 143 soit 143 000$
000$/année

L’écart entre la valeur prédite et la valeur réelle est de :


e = 137 000 – 142 000 = - 5000 $/année

Coefficient de Corrélation r
Le coefficient de corrélation linéaire simple, « r », est un nombre compris
entre -1 et 1 qui nous indique dans quelle mesure une équation linéaire décrit
correctement la relation qui existe entre deux variables.

n ∑ ( XY ) − (∑ X )(∑ Y )
r=
[n∑ X 2
− (∑ X )
2
] [n∑Y 2
− (∑ Y )
2
]
Si r >0 alors Y et X varient dans le même sens.
sens.
Si r <0 alors Y et X varient dans le sens contraire
contraire..
Si r est près de 0 alors il y a absence de corrélation
corrélation..

26
Coefficient de Corrélation (suite)
Le tableau suivant indique comment interpréter le coefficient de
corrélation

r Interprétation
1 a 0,90 Très haute corrélation
0.89 a 0,7 Bonne corrélation Corrélation
positive
0.69 a 0.4 corrélation moyenne a faible
0,39 a -0.39 corrélation mauvaise ou inexistante
-0.4 a -0.69 corrélation moyenne a faible
Corrélation
-0.7 a -0,89 Bonne corrélation
négative
-0,90 a -1 Très haute corrélation

Coefficient de détermination r2

r2 est le coefficient de détermination et est compris entre 0 et 1.

Il représente le % de la variation dans la variable dépendante expliqué par les


variations de la variable indépendante.

Plus r2 tend vers 1, meilleur est le lien entre Y et X.

27
Exemple 1 : Corrélation

r = 0,95 il y a donc une forte corrélation positive


entre les ventes et la population étudiante
étudiante..

r2 = 0,90 on peut expliquer les variations des ventes


à 98
98%% par les variations de la population
étudiante..
étudiante

Étapes de calculs des prévisions par régression


linéaire

1- Tracez le graphique reliant la variable indépendante X et la variable


dépendante Y. (nuage de points)

2- Calculez le coefficient de corrélation r2. S’il est significatif, passez à


l’étape 3.
Sinon, utilisez une autre méthode ou cherchez une autre variable
explicative.

3- Déterminez l’équation de la droite de régression.


4- Établissez les prévisions à partir de l’équation déterminée en 3.

5- Calculez le pourcentage d’erreur.

28
Exemple 2
Le tableau suivant présente les données et les calculs nécessaires pour faire des
prévisions.

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

Quelle est l’équation de régression pour ce problème ?

Exemple : Solution

6000
5000
4000
3000
2000
1000
0
1 2 3 4 5 6 7 8 9 10 11 12

29
Exemple : Solution

r = 0,966 > 0 corrélation positive

r2 = 0,933 93% de la variation des ventes


s’explique par les variations du
temps.

la droite de régression linéaire est


Y = 441,66 + 359,6 X

ERREURS DE PRÉVISION : EMA ET EQM

Les deux mesures de performance EMA et EQM sont valables aussi pour
le cas de la prévision par régression linéaire

n n 2
n n
∑ R −P
2
∑e i ∑ R −P i i ∑e i i i

ÉMA = i =1
= i =1 ÉQM = i =1
= i =1

n n n n

30
La Régression Linéaire avec
Ajustements Saisonniers

A consulter le fichier Excel et le Résumé relatifs à cette partie……


qui seront envoyés séparément à ces diapositives

L’Erreur Absolue Moyenne

Par ailleurs, il est parfois plus facile de se faire une idée du


modèle en utilisant une erreur relative.
L’erreur absolue moyenne en % se calcule comme suit :

Ri− Pi
n

100 ∑ R
MAPE = i =1 i

31
Le Suivi et Contrôle des Prévisions
Lorsqu'un modèle a été choisi, les prévisions doivent être suivies
régulièrement pour s'assurer que le modèle et les paramètres utilisés sont
toujours appropriés.

Afin de détecter si le modèle est biaisé, ou non, on fera le suivi du rapport


entre la somme des écarts « ei » et la déviation absolue moyenne (MAD),
c’est le Signal de Dérive :
n n

∑ ei ∑ R −P i i
SD = i =1
= i =1
ÉMA ÉMA

Le Suivi et Contrôle des Prévisions (2)


Le signal de dérive (SD) est recalculé à chaque fois qu'une nouvelle donnée
devient disponible et que les prévisions sont mises à jour.
Le signal devrait demeurer faible (près de zéro) si la méthode de prévision est
adéquate. Lorsque le signal s'éloigne significativement de zéro jusqu'à
dépasser des limites préétablies, cela signifie qu'il faut revoir le patron de la
demande et réévaluer la méthode de prévision.
Les signaux de dérive se situent habituellement entre ± 3 et ± 8
Un SD de ± 4 assure que la prévision est adéquate.

32

Vous aimerez peut-être aussi