Académique Documents
Professionnel Documents
Culture Documents
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
Nous travaillerons dans le cadre de ce cours uniquement sur les prévisions tactiques à partir
de l’analyse de variables quantifiables de deux type :
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.
consommations
temps
passé futur
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 :
Historiques types.
temps
Tendance croissante sans saisonnalité
grandeur
quantitative
temps
Saisonnalité à tendance constante.
grandeur
quantitative
temps
Saisonnalité à tendance.
grandeur
quantitative
temps
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.
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 :
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.
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 :
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=
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.
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.
n∑ xy − ∑ x ∑ y ∑ y − a∑ x
a= et b=
n∑ x − ( ∑ x )
2 2
n
a=
b=
y=
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
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.
∑ 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 %.
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 :
Avec
P2=Y1 et 0 ≤ α ≤ 1
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.
L’entreprise BTPlus a lancé un nouveau modèle de camion il y a deux ans et ses ventes ont
évoluées comme suit :
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
∑e
t =1
t
EAM=
k
TS=
∑e t
EAM
ej
Le signal d’alerte instantané vaut SAj=
EAM
Application :
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.
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.
12
∑Y t
MM 6 ,5 = t =1
=
12
13
∑Y t
MM 7 ,5 = t =2
=
12
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
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
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.
600
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
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.