METHODES DE PREVISION DE LA DEMANDE.

PRESENTATION. ................................................................................................................... 2
DONNEES NECESSAIRES A LA PREVISION. ................................................................. 2
HISTORIQUE. ........................................................................................................................... 2
COMPOSANTES FONDAMENTALES D’UN HISTORIQUE. ............................................................. 3
HISTORIQUES TYPES. ............................................................................................................... 3
METHODES DE MODELISATION ET D’EXTRAPOLATION. ..................................... 4
ANALYSE DE LA TENDANCE SANS SAISONNALITE. ................................................................... 4
Modélisation par la moyenne arithmétique. ...................................................................... 4
Méthode des points extrêmes.............................................................................................. 5
Méthode de Mayer.............................................................................................................. 5
Droite des moindres carrés. ............................................................................................... 5
Détermination de la droite.......................................................................................... 5
Qualité du modèle par régression linéaire :................................................................ 6
Intervalle de confiance sur les valeurs de yk obtenues. ............................................. 6
Régression linéaire (droite des moindres carrés ) avec le tableur Excel :.................. 7
LA METHODE DU LISSAGE EXPONENTIEL SIMPLE. .................................................................... 7
Méthode. ............................................................................................................................. 7
Qualité des prévisions. ....................................................................................................... 8
Erreur absolue moyenne............................................................................................. 8
Signal d’alerte. ........................................................................................................... 9
PREVISIONS DANS LE CAS D’UN PHENOMENE SAISONNIER. ...................................................... 9
Désaisonnalisation par les moyennes mobiles................................................................. 10
Construction de la tendance. .................................................................................... 10
Prévision................................................................................................................... 12
Désaisonnalisation par les moindres carrés. ................................................................... 12
CONCLUSION....................................................................................................................... 13

Méthode de prévision de la demande 1/13

G. D.
Présentation.
Quel que soit le mode de gestion des flux, la taille de l’entreprise il est toujours souhaitable de
disposer de prévisions sur la demande future des clients. Si ces prévisions sont fiables il sera
possible d’optimiser la planification de la fabrication en réduisant les en cours, les ruptures de
stock et en ajustant les taux de charge.
L’imprécision des méthodes mises en oeuvres sera liée à l’horizon de prévision ainsi qu’à
l’unité de temps de prévision. On ne cherchera pas à prévoir sur un horizon supérieur à 4
mois. Cependant il sera possible d’évaluer des intervalles de prévision ou de prédiction
permettant de connaître la variabilité des estimations.

Données nécessaires à la prévision.

Il est possible de mettre en oeuvre des prévisions qualitatives fondées sur l’expérience et le
jugement (méthode Delphi années 50 ) dans le cadre de décisions stratégiques sur des
programmes à long termes.

Nous travaillerons dans le cadre de ce cours uniquement sur les prévisions tactiques à partir
de l’analyse de variables quantifiables de deux type :

• prédictives ( études de marché, avis d’experts, enquêtes...).

• historiques ( relevées par le passé).

Les outils présentés dans ce cours se bases principalement sur des historiques à partir desquels
il est possible de réaliser des projections dans le futur, cependant il sera aussi possible de
rechercher la réponse du phénomène modélisé pour des valeurs d’entrée non observées
réellement.

Historique.

Un historique est composé d’une suite de valeurs chronologiques.

consommations

temps
passé futur

Méthode de prévision de la demande 2/13

G. D.
Composantes fondamentales d’un historique.

Une série temporelle est le résultats de trois composantes : tendancielle, saisonnière et

résiduelle.

Une fois la série brute débarrassée de ses valeurs résiduelles identifiables susceptibles de
fausser les prévisions ( valeurs exceptionnelles ) et compte tenu du fait que la composante
résiduelle non identifiable se répartie de part et d’autre de la valeur moyenne on ne portera
notre attention que sur les deux premières composantes :

la composante de tendance ( trend ) représente l’évolution générale des valeurs de la variable

s’effectuant dans un sens déterminé et se maintenant pendant plusieurs périodes.

la composante de saisonnalité représente des variations périodiques sur une période

représentative des valeurs des données.

Historiques types.

Tendance constante sans saisonnalité.

grandeur
quantitative

temps
Tendance croissante sans saisonnalité
grandeur
quantitative

temps
Saisonnalité à tendance constante.
grandeur
quantitative

temps
Saisonnalité à tendance.
grandeur
quantitative

temps

Méthode de prévision de la demande 3/13

G. D.
Méthodes de modélisation et d’extrapolation.

Les méthodes de prévision quantitatives recherchent à faire coïncider avec les données
observées des lois de comportement qui sont ensuite projetées sur l’avenir.

Les données étudiées par périodes évoluent la plupart du temps de manière discrète (quantité
en stock, volume de vente....), il peut être judicieux de représenter la valeur cumulée dans le
temps de la variable étudiée.

Analyse de la tendance sans saisonnalité.

Lorsque le phénomène ne présente pas de tendance ni de saisonnalité, il est courant de le

modéliser par une droite.
Le calcul des inconnues de l’équation de la droite peut se faire de différentes manières.

Pour illustrer les méthodes à venir nous utiliserons les données suivantes :
Soit une entreprise de fabrication d’engins de BTP « BTPlus » dont les ventes d’un modèle de
la gamme au cours des trois dernières année sont :

Année 2001 2002 2003

trimestre 1 2 3 4 1 2 3 4 1 2 3 4
ventes 450 550 650 525 475 625 750 600 500 675 750 650

Modélisation par la moyenne arithmétique.

le coefficient directeur de la droite des ventes cumulées est dans ce cas égal à la moyenne
arithmétique.

V=

la dispersion des valeurs qui ont permis de calculer cette moyenne est fournie grâce à

∑
n
( vi − V )2
σ= i =1
=
n−1
rem : ici on considère ici l’écart type évalué à partir d’un échantillon de valeurs de taille n.

Méthode de prévision de la demande 4/13

G. D.
Méthode des points extrêmes.

On utilisera dans ce cas la droite qui passe par les points extrêmes de la droite des ventes
cumulées dont l’équation sera y=ax+b.

points extrêmes :

Il est possible de calculer a et b :

Méthode de Mayer.

La droite de Mayer est une droite qui passe par les points moyens de deux séries 12 points (
n° trimestre, valeur de vente cumulée ) qui composent l’ensemble des valeurs de l’historique.

Point moyen 1 :
x=
y=
Point moyen 2 :
x=
y=
La droite de Mayer d’équation y=ax+b, passe par ces deux points on en déduit donc a et b.

y=

Droite des moindres carrés.

Détermination de la droite.

La droite des moindres carrés d’équation y=ax+b est telle que la somme des carrés des
distances entre la valeur observée et la valeur fournie par l’équation de droite pour chaque x
est minimale.

après dérivation de ei 2 par rapport à a et b on obtient pour une population entière:

cov( x , y )
a= et b= y − a x
σ 2x
1 n
σ 2x=
n
∑ i =1
( x i − x ) 2 est la variance des valeurs xi.

Méthode de prévision de la demande 5/13

G. D.
on a aussi :

n∑ xy − ∑ x ∑ y ∑ y − a∑ x
a= et b=
n∑ x − ( ∑ x )
2 2
n

avec les valeurs de l’exemple :

a=

b=

y=

Qualité du modèle par régression linéaire :

La relation de cause à effet que l’on tente de construire entre x et y permet de considérer que
la variance de y ( σ y ) s’explique en partie par cette relation.
2

Ainsi l’intérêt de l’ajustement par la droite des moindres carrés peut être mesurée par une
variance calculée à partir des valeur yMC à la place de la valeur observée.

1 n 1 n
avec σ y = ∑ ( yi − y )2 σe = ∑ ( yi MC − y )2
2 2
i =1
et i =1
n n

σ
2

on calculera le coefficient de détermination r = e 2 . 2

σy
Le coefficient de corrélation est égal à r2 .

Le modèle sera d’autant plus proche des valeurs observées que le coefficient de
détermination sera proche de 1.

Intervalle de confiance sur les valeurs de yk obtenues.

Il est possible de calculer l’intervalle de confiance de l’estimation de yk obtenue grâce à la

droite des moindres carrés pour une valeur xk donnée :

Méthode de prévision de la demande 6/13

G. D.
  1 ( 1−α )%  1 ( x − x )2
intervalle de confiance de yk= yk ±  St n2− 2 .σ k  avec σ k = σ R 1 + + n k
 n
  ∑ ( x i − x )2
i =1

∑ ei
2
et σ R =
n−2

St est une valeur extraite de la distribution de Student à n-2 degrés de liberté pour un niveau
de confiance à α %.

Régression linéaire (droite des moindres carrés ) avec le tableur Excel :

Les fonctions suivantes sont directement accessibles sous excel :

a =PENTE(y observés;x observés)

b =ORDONNEE.ORIGINE(y observés;x observés)

r2 =COEFFICIENT.DETERMINATION(y observés;x observés)

ycalculé(x) =PREVISION(x dont on veut prévoir le y ; y observés;x observés)

La méthode du lissage exponentiel simple.

Méthode.

Cet méthode sera adaptée au phénomènes non saisonniers et sans tendance. Elle a pour intérêt
de donner une prépondérance aux valeurs récentes de l’historique d’autant plus grande que le
coefficient de lissage utilisé dans la méthode sera proche de 1.

On calcule la prévision en t+1 Pt+1 à partir de la prévision en t, Pt en lui ajoutant une fraction
(α*...) de la différence entre la valeur observée et la prévision en t :

Pt+1= Pt+ α(Yt- Pt)

Avec
P2=Y1 et 0 ≤ α ≤ 1

PCt = Pt+1 est la prévision calculée en t

t −1
remarque : par récurrence en négligeant le dernier terme on a Pt + 1 = ∑ i = 0 α ( 1 − α ) i y t − i
on constate que si α est proche de 1 on privilégie les valeurs récentes pour la prévision future.

Méthode de prévision de la demande 7/13

G. D.
exemple :

L’entreprise BTPlus a lancé un nouveau modèle de camion il y a deux ans et ses ventes ont
évoluées comme suit :

période valeur brute observée Pt

Lissage exponentiel
1 50
2 55 140
3 60 120
4 60 100

volume
80
5 80 60
6 70 40
7 120 20
0
8 115
1 2 3 4 5 6 7 8 9 10 11 12 13
9 110
période
10 90
11 120
12 100

Il est facile de calculer Pt pour chaque périodes, en particulier la prévision pour la période 13.

La détermination du coefficient de lissage devra être faite au cas par cas à partir des écarts
entre valeurs observées Yt et valeurs prévues Pt (erreur de prévision notée et).

On a et=Yt-Pt

Qualité des prévisions.

Erreur absolue moyenne.

avec k le nombre d’erreurs

k

∑e
t =1
t
EAM=
k

c’est l’indicateur le plus utilisé.

L’erreur moyenne de prévision EM correspond à la somme des erreurs de prévision divisée

par le nombre d’erreurs.
EM permet de mettre en évidence un décalage des prévisions par rapport aux observations. Il
convient toutefois de se méfier des écarts pouvant se compenser de par et d’autre du trend. Il
est judicieux d’étudier ces deux indicateurs simultanément.

Méthode de prévision de la demande 8/13

G. D.
Signal d’alerte.

TS=
∑e t

EAM

On admet qu’une valeur de TS>4 doit conduire à modifier le modèle.

ej
Le signal d’alerte instantané vaut SAj=
EAM

Application :

Valeur Prévision et= Yt-Pt et et

2 EAMj SAj
observée α=0,5
50
55
60
60
80
70
120
115
110
90
120
100
Total .
EM EAM AQM Signal d’alerte
Indicateur . . . .
Si α = 0,9 EM= EAM= AQM=

Prévisions dans le cas d’un phénomène saisonnier.

La demande de nombreux produits fait l’objet de variations saisonnières ( jouets, glaces,

pneumatiques,...). Les techniques suivantes permettrons de déceler d’éventuelles saisonnalités
dans la demande et de proposer des prévisions adaptées.

Pour déceler une saisonnalité il convient de représenter graphiquement le phénomènes en

superposant plusieurs périodes ( années,...).

On choisit alors un des schéma de composition :

• additif : Yt=Tt+St+Rt (composantes tendancielle + saisonnière + résiduelle)

• multiplicatif : Yt=Tt*St*Rt

Méthode de prévision de la demande 9/13

G. D.
A partir de l’historique des ventes de pneumatiques de la société Neux sur les 5 dernières
années il est possible de choisir un schéma de composition :

1999 2000 2001 2002 2003 chroniques superposées des ventes

Janvier 50 55 66 85,8 120,1
février 60 66 79,2 103 144,1
600
mars 50 55 66 85,8 120,1 1999
500
avril 60 66 79,2 103 144,1 400 2000
mai 80 88 105,6 137,3 192,2 300 2001
juin 200 220 264 343,2 480,5 200 2002
juillet 100 110 132 171,6 240,2 100 2003
août 60 66 79,2 103 144,1 0
50 55 66 85,8 120,1

juillet
juin
mai
septembre

aout
mars
Janvier
février

septembre
octobre
novembre
décembre
avril
octobre 40 44 52,8 68,6 96,1
novembre 50 55 66 85,8 120,1
décembre 50 55 66 85,8 120,1

Pour effectuer des prévisions valides sur des phénomènes ayant une composante saisonnière il
est dans un premier temps, nécessaire d’éliminer l’influence de ces variations.

Désaisonnalisation par les moyennes mobiles.

Construction de la tendance.

La moyenne mobile MMt d’une série de valeurs brutes est une approximation de la tendance
de ces valeurs brutes Yt.

En effectuant le calcul des moyennes mobiles sur une la durée d’une période regroupant p
données, on élimine les variations saisonnières et aléatoires.

exemple sur 5 ans p=12

12

∑Y t
MM 6 ,5 = t =1
=
12

13

∑Y t
MM 7 ,5 = t =2
=
12

1. si p est pair il sera nécessaire de réaliser le calcul de la moyenne mobile centrée :

Méthode de prévision de la demande 10/13

G. D.
  12

Y1 +  2 × ∑ Yt  + Y13
MMC7 = MM 6 ,5 + MM 7 ,5 =  t=2  =
24

• le premier calcul de MMc est affecté au 7 ième mois de la première année.

• le dernier calcul possible de MMc est affecté au 7 ième mois de la dernière année.

Il est admis que la tendance est déterminée par la moyenne mobile centrée, ainsi Yt=Tt*St*Rt
peut s’approximer par Yt=MMct*St*Rt

2. La composante St*Rt pour chaque observation Yt peut alors être calculée :

St*Rt=Yt/MMct

3. Pour éliminer les fluctuations résiduelles qui se compensent dans le temps, il

conviendra de réaliser la moyenne (ici sur 5 ans) des St*Rt pour chacun des 12
mois. Ces valeurs devront être ajustée de telle sorte que leur somme égale le nombre
de valeurs sur une période (12 si T=1 an). On obtient Sm.

4. On calcule ensuite pour tous les Yt les valeurs désaisonnalisées VDt=Yt/Sm.

1999 2000 2001 2002 2003

Janvier 65,79 72,37 86,84 112,89 158,03
février 67,11 73,83 88,59 115,21 161,19
mars 68,03 74,83 89,80 116,73 163,40
avril 68,73 75,60 90,72 117,98 165,06
mai 69,50 76,46 91,75 119,29 166,99
juin 70,30 77,33 92,79 120,63 168,89
juillet 71,23 78,35 94,02 122,22 171,08
août 72,38 79,61 95,54 124,25 173,82
septembre 73,53 80,88 97,06 126,18 176,62
octobre 74,63 82,09 98,51 127,99 179,29
novembre 75,99 83,59 100,30 130,40 182,52
décembre 78,86 86,75 104,10 135,33 189,43

valeurs désaisonnalisées
(/100)

200,00
1999
150,00
2000
lots de pneus

100,00 2001
2002
50,00
2003
0,00
r

ai

e
t
s

ille
ie

ar

br

br
m
nv

em

m
ju
Ja

ve
pt

no
se

Méthode de prévision de la demande 11/13

G. D.
 données brutes / désaisonnalisées

vente pneus (/100)

600
500
400
Série1
300
200 Série2
100
0

Ja t

Ja t

Ja t

Ja t

t
Ju r

ju r

Ju r

Ju r

Ju r
ille

ille

ille

ille

ille
ie

ie

ie

ie

ie
nv

nv

nv

nv

nv
Ja

Prévision.

A partir d’une prévision établie sur la tendance désaisonnalisée et prolongée ( moindres carrés
ou moyenne des dernières valeurs ), il convient d’appliquer le coefficient saisonnier pour
retrouver une valeur brute.
Le choix des valeurs à prendre en compte au cours de la définition du modèle futur dépendra
de la spécificité de chaque situation.

Désaisonnalisation par les moindres carrés.

1. Chercher la droite de corrélation YAt=at+b à partir des Yt.

2. Calculer Yt/YAt pour chaque valeur de t
3. Réaliser le calcul du coefficient saisonnier : pour chaque mois la moyenne des
Yt/YAt.
4. Calculer les valeurs VD=Yt/Sm.
5. Il convient ensuite de réaliser la prévision à partir d’un nouvel ajustement linéaire
(t,Yt) sur les dernières années et non pas sur toute la période. La valeur calculée
devant être finalement corrigée par le Sm pour définir une valeur brute calculée.

valeurs désaisonnalisées avec a=1,8612 et b=50,0242938.

1999 2000 2001 2002 2003

Janvier 63,29 69,62 83,54 108,61 152,03
février 64,52 70,97 85,16 110,75 154,95
mars 66,67 73,33 88,00 114,40 160,13
avril 72,29 79,52 95,42 124,10 173,61
mai 68,97 75,86 91,03 118,36 165,69
juin 70,18 77,19 92,63 120,42 168,60
juillet 71,43 78,57 94,29 122,57 171,57
aout 75,00 82,50 99,00 128,75 180,13
septembre 74,63 82,09 98,51 128,06 179,25
octobre 75,47 83,02 99,62 129,43 181,32
novembre 76,92 84,62 101,54 132,00 184,77
décembre 78,13 85,94 103,13 134,06 187,66

Méthode de prévision de la demande 12/13

G. D.
 valeurs brutes et désaisonnalisées par MC

600

ventes pneus (/100)

500
400 Série1
300 Série2
200 Série3
100
0

1
7
13
19
25
31
37
43
49
55
temps

En utilisant les résultats précédents et les données des deux dernières années il est possible de
proposer une prévision pour 2004 :

calcul de la droite des moindres carrés sur les deux dernières années des valeurs
désaisonnalisées : a=3,726 b=-33,601

prévisions sur 2002 2003 pour 2004 mc sur ventes

désaisonnalisées

800
ventes (/100)

600 605
400
303
200 242
153 184 151 170
0
janvier février mars avril mai juin juillet
mois de 2004 (futur)

Il est possible avec cette méthode d’obtenir un intervalle de prévision ( cf p.6 ) sur les valeurs
calculées.

conclusion.
Les méthodes de prévision fournissent aux décideurs des informations indispensables aux
choix tactiques à 3-4 mois. Cependant, l’utilisateur doit pouvoir s’appuyer sur des données
précises et actualisées ( clients en aval de l’entreprise ) il lui faut donc collaborer avec ses
partenaires dans le cadre de la gestion partagée des approvisionnements. Il est alors possible
de proposer aux logiciels de planification basés sur le MRP des données plus fiables plus tôt.
La réactivité du système de production s’en trouve accrue. La plus part des progiciels de
prévision proposent les outils présentés dans ce cours et d’autres plus complexes. Tous
s’orientent vers une meilleure intégration à l’intérieur de l’entreprise et entre partenaires par le
biais des nouvelles technologies de la communication.

Méthode de prévision de la demande 13/13

G. D.