Vous êtes sur la page 1sur 44

La prévision

de la demande

E.HILALI
ENSA-AGADIR
Définition
Fonction permettant d’estimer la demande
future qu’on établit soit mathématiquement
(données historiques), soit intuitivement
(Connaissance du marché), soit en
combinant les deux.
Dictionnaire de la gestion de la production et des stocks

E.HILALI
ENSA-AGADIR
Pourquoi faire une
prévision de la demande?
 Prévoir les matières et les ressources
manufacturières pour rencontrer la
demande
 Prévoir la construction de nouvelles
infrastructures ou l ’achat de nouveaux
équipements

E.HILALI
ENSA-AGADIR
La fonction prévision
 La fonction prévision est la première
fonction de la gestion de la production
 La fonction prévision fait partie
intégrante des tâches du gestionnaire
 La prévision est un énoncé vers le futur

E.HILALI
ENSA-AGADIR
Les grandes phases du
processus de prévision
Prévision de la demande

Par famille, Par moi Plan de production

Par produit, par semaine PDP

Par composante, par jour PBM, MRP

Par composante,par jour,par machine Contrôle des activités


E.HILALI
ENSA-AGADIRde production
Classification des
prévisions
 Prévisions à long terme
 Prévisions à moyen terme

 Prévisions à court terme

Classification en fonction de:


 La taille de l’entreprise

 La situation économique

 Le secteur économique
E.HILALI
ENSA-AGADIR
Exigences des prévisions
 Être faites à temps
 Être précises
 Être fiables et cohérentes
 Être présentées par écrit
 Être simples à comprendre et à utiliser

E.HILALI
ENSA-AGADIR
Les chroniques
 Les chroniques que l’on appelle encore
série temporelle ou séries chronologiques
correspondent à une série d’observations
(ponctuelles ou agrégées) effectuées au
cours de périodes ou à des instants
données et qui sont ordonnées selon
leurs dates d’observation.

E.HILALI
ENSA-AGADIR
Typologie de la demande
 demande constante si elle oscille
statistiquement autour d'une
valeur moyenne constante dans le
temps, la moyenne de D = f (t) est
une droite horizontale ;

demande à tendance s'il y a oscillation


autour d'une valeur croissante ou
décroissante dans le temps, D= f (t) est une
droite à pente positive ou négative;
E.HILALI
ENSA-AGADIR
 demande saisonnière si elle présente des
variations nettement plus importantes, en
hausse et en baisse, d'une manière
périodique. Il peut s'agir d'un pic de la
demande en hiver (lié à la neige par
exemple) ou en été (vacances) mais il peut
aussi s'agir de variations saisonnières plus
subtiles (petit outillage électrique avec pics
à la fête des pères et à Noël)

demande saisonnière et à
tendance si les pics et les
creux disposés autour d'une
droite non horizontale ;

demande erratique (non


représentée sur la figure) si
les valeurs sont totalement
aléatoires dans le temps.
E.HILALI
ENSA-AGADIR
Les étapes du processus
de prévision
 Établir le but des prévisions
 Définir l’horizon de temps
 Choisir une technique de prévision
 Recueillir et analyser les données pertinentes
 Établir les prévisions et le pourcentage
d’erreur
 Faire adopter les prévisions
 Suivre l’évolution des prévisions
E.HILALI
ENSA-AGADIR
Les méthodes de
prévisions
Il existe deux approches principales pour faire
des prévisions .
 Approche qualitatives
 Les opinions des cadres
 Les composantes de la communication directe
avec le client
 Les enquêtes auprès des consommateurs
 Méthode Delphi
 …
 Approche quantitatives basées sur les
données chronologiques
E.HILALI
ENSA-AGADIR
Les méthodes de
prévisions
Les méthodes qualitatives font appel à une méthodologie non mathématique
(mais elles peuvent impliquer des valeurs numériques). Les techniques
quantitatives au contraire seront fondées sur des modèles mathématiques. De
plus, ces techniques sont dites intrinsèques si les données manipulées sont
celles du produit considéré. Elles sont extrinsèques s'il s'agit de données
appartenant à événements liés à l'article mais ne concernant pas l'article lui-
même.
 Les méthodes qualitatives
Les méthodes qualitatives sont principalement utilisées pour la prévision moyen ou
long terme. Elles sont avant tout destinées à des décisions mercatique
(commercialisation) avec des données provenant d'études de marché ou d'intentions
d'achats à travers notamment l'interrogation et le traitement de prévisions du réseau
de distribution. Pour les utiliser à des fins de planification, il faudra être prudent et ne
les utiliser qu'en complément d'autres informations.
 La méthode de Delphi consiste à interroger, indépendamment les uns des autres afin
d'éviter toute influence forte directe, des experts à propos d'une question. Le
coordinateur remet l'ensemble des réponses aux experts qui peuvent modifier et
compléter leur proposition. Après deux ou trois cycles de ce type, on parvient à une
proposition de consensus efficace ou éventuellement à des divergences argumentées.
Cette technique n'est pas adaptée à une prévision à court terme d'un article, mais au
contraire à une décision de stratégie à long terme.
 Lorsqu'on doit prévoir la demande d'un nouveau produit, les données
historiques n'existent pas. On peut E.HILALI
alors utiliser les données existantes d’un
produit analogue. ENSA-AGADIR
Les méthodes
quantitatives
 La représentation graphique: C'est un
préalable simple et explicite aux autres
méthodes. Elle présente l'énorme avantage
d'être très visuelle car d'un coup d'oeil elle
permet de résumer la prévision et de mettre
le bon sens en éveil. De plus, par
extrapolation de la courbe des
consommations passées, on peut obtenir une
estimation de la demande à venir.
E.HILALI
ENSA-AGADIR
Exemple
Période N° période Demande
Janvier 1 20000
Février 2 21000
Mars 3 19000
Avril 4 22000
Mai 5 23000
Juin 6 22000
Juillet 7 20000
Août 8 16000
Septembre 9 20000
Octobre 10 23000
Novembre 11 25000
Décembre 12 27000
Total 258000
laE.HILALI
Relevé des valeurs deENSA-AGADIR
demande pendant un an
Méthode de décomposition,
les régressions
 La demande pour une période n peut s’exprimer sous deux
formes:
 Une forme additive
Dn = Tn + Sn + Rn
 Une forme multiplicative de ces éléments
Dn = Tn * Sn * Rn
Où :
 T: une tendance donnant l’évolution à moyen terme de la
demande
 S: des variations saisonnières dues à des modifications
périodiques de la demande liées à la nature du produit et son
utilité
 R: des éléments résiduels dus à de nombreuses causes autres
que les précédentes (modification climatique inattendues,
épidémies, grève, un nouveau client, mode..)

E.HILALI
ENSA-AGADIR
Estimation de la tendance T
 On peut définir une droite de tendance par
la méthode des moindres carrés. Cela
consiste à retenir parmi toutes les droites
du plan étudié celle qui minimise la
somme des carrés des écarts des points
observés à la droite.

E.HILALI
ENSA-AGADIR
 L'équation de cette droite, exprimant la Demande D
en fonction du numéro de la période n, est du type:
 D = a*n + b
 Avec : N = nombre de périodes de l'historique des données

N *  (n * Dn )   n *  Dn
a
N *  n  ( n)
2 2

b
 D n
 a*
 n
N N
E.HILALI
ENSA-AGADIR
Exemple
Période n n2 Dn n*Dn
Janvier 1 1 20000 20000
Février 2 4 21000 42000
Mars 3 9 19000 57000
Avril 4 16 22000 88000
Mai 5 25 23000 115000
Juin 6 36 22000 132000
Juillet 7 49 20000 140000
Août 8 64 16000 128000
Septembre 9 81 20000 180000
Octobre 10 100 23000 230000
Novembre 11 121 25000 275000
Décembre 12 144 27000 324000
Total 78 650 258000 1731000
E.HILALI
ENSA-AGADIR
Exemple
12 *1731000  78 * 258000
a  377.6
12 * 650  78 * 78

258000 78
b  * 377.6  19045.46
12 12

Donc:
Dn = 378 * n + 19045

E.HILALI
ENSA-AGADIR
E.HILALI
ENSA-AGADIR
Estimation de S
 Les variations saisonnières sont traduites par des coefficients
représentant les écarts à la valeur de base. Les indices
saisonniers représentent, pour chaque période élémentaire, le
rapport entre la demande réelle constatée et une moyenne
globale évaluée sur l'ensemble, correspondant à une valeur
«désaisonnalisée».
 Reprenons l'exemple précédent. Il faut tout d'abord déterminer
la période sur laquelle nous allons travailler. L'observation de la
série chronologique nous montre des variations sensiblement
trimestrielles et on choisit une période de trois mois à partir de
janvier. La moyenne globale donne la valeur "désaisonnalisée"
suivante: 258000/12 = 21500.
 Le tableau suivant indique le calcul des indices de saisonnalité.
1° trimestre 2° trimestre 3° trimestre 4° trimestre
Demande totale
Moyenne
Coeff. De saison E.HILALI
ENSA-AGADIR
Estimation de S
 Les variations saisonnières sont traduites par des coefficients
représentant les écarts à la valeur de base. Les indices
saisonniers représentent, pour chaque période élémentaire, le
rapport entre la demande réelle constatée et une moyenne
globale évaluée sur l'ensemble, correspondant à une valeur
«désaisonnalisée».
 Reprenons l'exemple précédent. Il faut tout d'abord déterminer
la période sur laquelle nous allons travailler. L'observation de la
série chronologique nous montre des variations sensiblement
trimestrielles et on choisit une période de trois mois à partir de
janvier. La moyenne globale donne la valeur "désaisonnalisée"
suivante: 258000/12 = 21500.
 Le tableau suivant indique le calcul des indices de saisonnalité.
1° trimestre 2° trimestre 3° trimestre 4° trimestre
Demande totale 60000 67000 56000 75000
Moyenne 20000 22333 18667 25000
Coeff. De saison 93% 103.9%
E.HILALI 86.8% 116.3%
ENSA-AGADIR
Estimation de R
 Nous avons exprimé la demande pour la
période n par le produit : Dn= Tn*Sn*Rn
 Nous venons d'évaluer les termes Tn et Sn
exprimant respectivement la tendance et la
saisonnalité.
 Rn représente tout ce qui n'est pas pris en
compte par ces deux facteurs. Il s'agit
d'éléments aléatoires non identifiés et qui ne
se reproduiront pas selon notre modèle. Nous
sommes donc obligés de ne prendre pour
prévision que le produit Tn*Sn
E.HILALI
ENSA-AGADIR
Calcul des prévisions &
vérification du modèle
Période Dn Tn=378n+19045 Sn (%) Pn=Tn*Sn
Janvier 20000
Février 21000
Mars 19000
Avril 22000
Mai 23000
Juin 22000
Juillet 20000
Août 16000
Septembre 20000
Octobre 23000
Novembre 25000
Décembre 27000

E.HILALI
Vérification du modèle
ENSA-AGADIR
Vérification du modèle

Période Dn Tn=378n+19045 Sn (%) Pn=Tn*Sn


Janvier 20000 19421 93 18062
Février 21000 19799 93 18413
Mars 19000 20177 93 18765
Avril 22000 20555 103.9 21357
Mai 23000 20933 103.9 21749
Juin 22000 21311 103.9 22142
Juillet 20000 21689 86.8 18826
Août 16000 22067 86.8 19154
Septembre 20000 22445 86.8 19482
Octobre 23000 22823 116.3 26543
Novembre 25000 23201 116.3 26983
Décembre 27000 23579 116.3 27422

E.HILALI
ENSA-AGADIR
Exemple d'utilisation de la
méthode de décomposition
 Le tableau montre la prévision de la
demande estimée pour mars et août
prochains à l'aide du modèle construit ci-
dessus.
Période N Tn=378n+19045 Sn Pn

MarsN+1 15

AoûtN+1 20

E.HILALI
ENSA-AGADIR
Exemple d'utilisation de la
méthode de décomposition
 Le tableau montre la prévision de la
demande estimée pour mars et août
prochains à l'aide du modèle construit ci-
dessus.
Période N Tn=378n+19045 Sn Pn

MarsN+1 15 24715 93 % 22985

AoûtN+1 20 26605 86.8 % 23093

E.HILALI
ENSA-AGADIR
Remarques
 Cette méthode implique un stockage de
données et de nombreux calculs
 mais elle est simple à utiliser avec l'aide d'un
ordinateur.
 peu coûteuse.
 Les prévisions seront correctes si les
demandes ne sont affectées que par les deux
facteurs considérés et si. de plus. la tendance
est régulière et la saisonnalité reproductible.
E.HILALI
ENSA-AGADIR
Méthode des moyennes
mobiles
Cette méthode a deux utilisations :
 elle permet d'établir une prévision de la demande ;
 elle sert également à lisser des données utilisées avec d'autres
méthodes de prévision.

On estime la prévision de la demande pour une certaine période


à partir des valeurs connues pour les quelques périodes
précédentes. Prenons le cas d'une moyenne mobile à trois
périodes. Dans ce cas. la demande de la période 8 est calculée
à partir des consommations des périodes 5, 6 et 7 selon :
 P8 = (D5+D6+D7) /3
puis de période en période on estimera P9 à partir de D6, D7 et
D8. puis P10... (d'où le nom de la méthode). Le tableau suivant
illustre la méthode avec par exemple.
P8 = (41.7 + 42.5 + 36,7) /3 = 40.3.
E.HILALI
ENSA-AGADIR
Période Demande réelle Moyenne mobile
1 31.6
2 30.0

Exemple 3
4
33.9
37.0
5 41.7
6 42.5
7 36.7
8 31.0
9 35.8
10 40.9
11 38.3
12 36.5
13 42.3
14 38.2
15 35.4
16 38.6
17 38.4
18
E.HILALI
ENSA-AGADIR
Période Demande réelle Moyenne mobile
1 31.6
2 30.0

Exemple 3
4
33.9
37.0 31.8
5 41.7 33.6
6 42.5 37.5
7 36.7 40.4
8 31.0 40.3
9 35.8 36.7
10 40.9 34.5
11 38.3 35.9
12 36.5 38.3
13 42.3 38.6
14 38.2 39.0
15 35.4 39.0
16 38.6 38.6
17 38.4 37.4
18 37.5
E.HILALI
ENSA-AGADIR
Exercice
 Moyennes mobiles
d’ordre trois.
T Xt M M pour N=3

1 19
2 24
3 22

4 19

5 20

6 16

E.HILALI
ENSA-AGADIR
Exercice
 Moyennes mobiles
d’ordre trois.
T Xt M M pour N=3

1 19
2 24
3 22

4 19 (24+22+19)/3

5 20 (24+19+22)/3

6 16 (22+20+19)/3

E.HILALI
ENSA-AGADIR
Moyennes mobiles
pondérée
 Lors d'une prévision on peut affecter des
poids différents aux données afin de favoriser
les plus récentes au lieu de mettre sur le
même plan les diverses valeurs, par exemple
:
P8 = (2*D5+ 3*D6 + 4*D7) / (2 + 3 + 4)
= (2*D5+ 3*D6 + 4*D7)/9
 donner une importance double (4/2) à la
donnée Dn-l vis à vis de Dn-3 et une fois et
demie (3/2) à la donnée Dn-2. La somme des
poids doit évidemment être égale à 1 (9/9).
E.HILALI
ENSA-AGADIR
Les prévisions naïves
 Une prévision naïve pour une période
est égale à la valeur de la période
précédente
 Exemple : P9 = D8

E.HILALI
ENSA-AGADIR
Les moyennes simples
 Cette technique consiste à effectuer les
moyenne des activités des périodes
passées (D) pour prévoir l’activité de la
période future (P)
 PN+1=(Dréelles)/N

E.HILALI
ENSA-AGADIR
Méthodes de lissage
exponentiel
(Lissage exponentiel simple)
Cette méthode est probablement la plus connue pour la
prévision de la demande des articles.
La prévision pour la période n est celle de la période n-1
corrigée proportionnellement à l'écart Dn-1- Pn-1entre la
demande réelle et la prévision qui avait été faite pour la période
précédente, soit :
 Pn = Pn-1 +  * (Dn-1 - Pn-1)
 : est un coefficient compris entre 0 et 1
Si  = 0, on considère que la prévision de n est la même
que celle de n-1
Au contraire, si  = 1, on prend comme prévision de la
période n, la demande réelle de la période n-1 , en effet :
Pn = Pn-1 + Dn-1 - Pn-1 = Dn-1
Une valeur de  se rapprochant de 1 conduit donc à
favoriser les demandes réelles récentes.
E.HILALI
ENSA-AGADIR
Méthodes de lissage
exponentiel
(Lissage exponentiel simple)
 Montrer que :
Pn=Dn-1+(1- )Dn-2+(1- )2Dn-3+..
 La méthode du lissage exponentiel effectue
donc une moyenne mobile pondérée où les
coefficients affectés aux données passées
sont reliés par une loi de décroissance
exponentielle.
 En pratique, la relation entre le coefficient 
et une moyenne mobile à N périodes est
approximativement donnée par  = 2/(N+1).

E.HILALI
ENSA-AGADIR
Erreurs et incertitude sur
les prévisions
 La nature complexe de la plupart des variables du
monde réel fait qu’il est presque impossible de
prévoir les valeurs futurs sur des bases régulières
 Il est important d’inclure une indication de l’ampleur
dont la prévision peut dévier de la valeur réelle
 Pour une période donnée, l’erreur de prévision est la
différence entre la vrai réelle (R) et la valeur qui a
été prévue (P)
 L’écart ou erreur de la période i
= Réel de la période i – Prévu de période i

E.HILALI
ENSA-AGADIR
 L’écart moyen ou l’erreur


moyenne est donnée par:
n est le nombre de période e
 (D  P )
i i
considérée n

 L’écart absolu est


MAD = Mean Absolute Deviation MAD 
 D Pi i

E.HILALI
ENSA-AGADIR
Exercices
 Les données ci-dessous représentent le prix des actions de la
compagnie AT&T à la clôture de la Bourse pour un certain nombre
de vendredis.
 En utilisant la technique de la moyenne mobile avec une base de 5
périodes, déterminer la prévision de la valeur de l’action pour la
période 9?
 Si le prix à la période 9 se révèle être égale à 57,6250$, quelle est
dans ce cas l’erreur de prévision?
 Toujours avec une moyenne mobile de base 5, déterminez la
prévision pour la période 10.

T Prix($) T Prix ($)


1 45.2500 5 48.0000
2 50.3125 6 55.6875
3 45.8750 7 55.8750
E.HILALI
4 48.0000 8 57.3750
ENSA-AGADIR
Exercices
 Le tableau suivant contient les dépenses en
publicité dans les magasines, en millions de
dollars, en une année, par les principales
compagnies américaines du secteur de vêtement
et des accessoires.
Mois J F M A M J J A S O N D

Dépenses (M $) 6.7 6.2 12.1 14.4 11.1 7.4 6.4 12.9 21.1 15.4 16.5 11.6

Calculer les prévisions des dépenses de publicité pour les 11 derniers mois de
l’année à l’aide de la méthode de lissage exponentielle simple. Utilisez comme
valeur initiale la première valeur réelle et comme coefficient α=0.20
E.HILALI
ENSA-AGADIR
Conclusion
 Limites de différentes méthodes
 Évaluation de la précision des prévisions
 Le choix d’une technique de prévisions
 Les méthodes classiques sont rapides et peu coûteuses Elles donnent des informations
intéressantes à court terme mais moins fiables dès qu'on s'éloigne dans le temps.
 Les modèles plus complexes et plus récents sont beaucoup plus coûteux mais donnent en
général des prévisions valables à plus long terme.
 Chaque entreprise devra choisir la méthode qui lui convient en fonction de l'objectif fixé
ainsi que des critères de données et de coûts.
 Il faut vérifier la validité du modèle au moyen d'indicateurs.
 Tous les modèles de prévision évoqués ont été intégrés à des logiciels.
 Certains progiciels comportent plusieurs méthodes et proposent même un choix à
l'utilisateur s'il le désire.
 Soulignons toutefois qu'il est indispensable de bien connaître les problèmes de la prévision
de la demande et de ne pas faire une confiance aveugle à un traitement automatique.
L'expérience, l'intuition et le bon sens seront des facteurs fondamentaux pour réaliser une
bonne prévision et détecter toute anomalie.

E.HILALI
ENSA-AGADIR