Chapitre 5

Gestion de la demande: Prévision et GP

1. Prévision et Production
2. Classification des Techniques de Prévision
3. Méthode de Décomposition
4. Méthodes de Lissage

Prévisions et GP
«La meilleure façon de prédire l'avenir, c'est de le créer »
Drucker, Peter F

En gestion de production, la prévision des

ventes doit permettre de définir ce qu'il faut
produire et quand il faut produire.

Pour l'entreprise, l'enjeu est essentiel

A l'heure actuelle, il ne suffit de produire pour
survivre, encore faut-il être capable de vendre ses
produits fabriqués.

1
 Les prévisions à travers l’organisation

Finance

estimer les besoins futurs en capital.
Ressources humaines

évaluer les besoins en main-d’œuvre.
Système d’information de gestion

conçoit et implante les systèmes qui génèrent les
prévisions.
Marketing

prévisions de ventes utilisées pour la planification à moyen
et long terme.
Opérations

la prise de décisions telles qu’établir les horaires de la
main-d’œuvre, déterminer les besoins en stocks et planifier
les besoins en capacité à long terme.
3

Production de Cartes bancaire

Production de Cartes Bancaire entre 2002 et 2005

Production Mensuelle des Cartes

1200000
cartes produites

1000000
800000
600000
400000
200000
0
novembre

novembre

novembre

novembre
février

février

février

février
mai

mai

mai

mai
août

août

août

août

mois

2
 Les caractéristiques de la demande

Tendance :

Variation significative de la demande en fonction du
temps.
Saisonnalité :

Variation régulière qui se répète périodiquement dans
la demande.
Cycle :

Évolution de la demande qui s'étale sur plusieurs
années et qui peut être attribuée au cycle de vie des
produits, à des conditions économiques, politiques, ..
Aléatoire :

Variation de la demande qui ne peut être expliquée
par les composantes ci-dessus. 5

Les caractéristiques de la demande

Demande

Tendance

Composante
saisonnière
Composante
cyclique

3
Séries chronologiques

Appelées également séries temporelles ou chroniques

Mois Ventes en K pièces

Suites (Xt) 0<t<T de valeurs 2006: Janvier 40
Fevrier 27
numériques indicées par le Mars 40
temps portant sur une même Avril 73
Mai 64
grandeur. Xt représente la Juin 34
Juillet 9
valeur de la variable étudiée Aout 8
Septembre 23
(grandeur) à l’instant t. Octobre 63
Novembre 65

On suppose que l’intervalle de
Décembre 41
temps entre deux observations 2007 :Janvier 45
Fevrier 38
est constant et qu’il n ’y a pas de Mars 29
Avril 35
données manquantes. Mai 31
Juin ?
7

Séries chronologiques

80
70
Ventes en K pièces

60
50
40
30
20
10
0
1 3 5 7 9 11 13 15 17 19 21
Mois

4
Principales méthodes de séries
chronologiques

Prévisions naïves

Moyennes simples

Moyennes mobiles

Moyennes pondérées

Analyse de la tendance

Lissage exponentiel

Prévisions naïves

Méthode de prévision selon

laquelle la demande des
prochaines périodes sera la
même que celle des périodes
précédentes.

© 1995 Corel Corp.

10

5
 Moyennes simples
 Cette méthode consiste à faire la moyenne de la demande des
périodes passées pour prévoir la demande future.

80
70
Ventes en K Pièces

60
50
40
30
20
10
0
1 3 5 7 9 11 13 15 17 19 21
Mois

11

Moyennes simples
 Cette méthode consiste à faire la moyenne de la demande des
périodes passées pour prévoir la demande future.

80
70
Ventes en K Pièces

60
50
40
30
20
10
0
1 3 5 7 9 11 13 15 17 19 21
Mois

12

6
 Moyennes mobiles
 Méthode de prévision qui utilise les données de la
demande les plus récentes pour produire la prévision
de la demande future. m

∑X
i =1
t −i

Équation: Pt =
m
i = indices
m = Ordre du lissage nombre de périodes de la
moyenne mobile
Xt - i = Observation réelle d’une période passée
Pt = Prévision de la période t
13

Moyennes mobiles : Exemple

Mois Demande Total des Moyenne

données mobile
(m=3) (m=3)
Janvier 45 NA NA
Février 38 NA NA
Mars 29 NA NA
Avril 35 45+38+29=112 112/3 = 37
Mai 31
Juin NA

14

7
Moyennes mobiles : Exemple

Mois Demande Total des Moyenne

données mobile
(m=3) (m=3)
Janvier 45 NA NA
Février 38 NA NA
Mars 29 NA NA
Avril 35 45+38+29=112 112/3 = 37
Mai 31 38+29+35=102 102/3 = 34
Juin NA

15

Moyennes mobiles : Exemple

Mois Demande Total des Moyenne

données mobile
(m=3) (m=3)
Janvier 45 NA NA
Février 38 NA NA
Mars 29 NA NA
Avril 35 45+38+29=112 112/3 = 37
Mai 31 38+29+35=102 102/3 = 34
Juin NA 29+35+31=95 95/3 = 32

16

8
Décomposition d’une série chronologique

 La plupart des modèles de prévision reposent sur

l’hypothèse fondamentale que Xt peut se décomposer en:
 composante tendancielle Ct
 composante saisonnière St
 composante aléatoire Ut

Demande

Tendance

Composante
saisonnière

17

Décomposition d’une série chronologique

La tendance représente l’augmentation (ou une

diminution) significative de la demande en fonction du
temps; c’est en quelque sorte l’évolution moyenne.

La composante saisonnière est une variation régulière

qui se répète périodiquement dans la demande. Cette
variation est généralement due à notre mode de vie.

La composante résiduelle comprend les variations de la

demande qui ne peuvent être expliquées par les
composantes nommées ci-dessus.

18

9
Saisonnalité
Demande Demande
Mois
1988 1989
Janvier 91 109
Février 79 97
Mars 70 82
Avril 69 83
Mai 92 107
Juin 101 118
Juillet 109 132
Août 131 159
Septembre 142 165
Octobre 118 142
Novembre 109 133
Décembre 89 113
Total 1200 1440

19

Exemple
Saisonnalité

180
160
140
120
100
80
Moyenne 1988
60
40
20 Demande 1988
0
n
ai

t
s

e
t
r

r il

e
e

e
lle
ar

oû
vie

rie

br
br

br
M

Ju

ob
Av
M

em
i

em

m
v

Ju
n

ct
Fé
Ja

ve

éc
pt

No
Se

20

10
Exemple
4.1 ComposanteSaisonnalité
saisonnière
180
160 Demande 1989
Moyenne 1989
140
120
100
80
Moyenne 1988
60
40
20 Demande1988
0
in
ai

et
s

e
r

e
il

e
ar

oû
ie

rie

br
br

br
M
vr

Ju

ill

ob
nv

em
A

em

em
v

Ju

ct
Fé
Ja

éc
pt

ov
Se

D
N
21

Exemple
Indices Indices
Demande Demande
Mois saisonniers saisonniers
1988 1989
1988 1989
Janvier 91 0,91 109 0,91
Février 79 0,79 97 0,81
Mars 70 0,70 82 0,68
Avril 69 0,69 83 0,69
Demande/Moyenne
Mai 92 0,92 107 0,89
Juin 101 1,01 118 0,98
Juillet
91/100=0,91 109 1,09 132 1,10
Août 131 1,31 159 1,33
Septembre 142 1,42 165 1,38
Octobre 118 1,18 142 1,18
Novembre 109 1,09 133 1,11
Décembre 89 0,89 113 0,94
Total 1200 1440
Moyenne
100 120
Mentuel

22

11
 Indices Indices
Demande Demande
Mois saisonniers saisonniers
1988 1989
1988 1989
Janvier 91 0,91 109 0,91
Février 79 0,79 97 0,81
Mars 70 0,70 82 0,68
Avril 69 0,69 83 0,69
Demande/Moyenne
Mai 92 0,92 107 0,89
Juin 101 1,01 118 0,98
Juillet109/120=0,91
109 1,09 132 1,10
Août 131 1,31 159 1,33
Septembre 142 1,42 165 1,38
Octobre 118 1,18 142 1,18
Novembre 109 1,09 133 1,11
Décembre 89 0,89 113 0,94
Total 1200 1440
Moyenne
100 120
Mentuel

23

Indices Indices
Demande Demande Prévision
Mois saisonniers saisonniers
1988 1989 1990
1988 1989
Janvier 91 0,91 109 0,91 127
Février 79 0,79 97 0,81 113
Mars 70 0,70 82 0,68 96
Avril 69 0,69 83 0,69 97
Mai Moyenne*Indices
92 0,92 saisonniers
107 0,89 125
Juin 101 1,01 118 0,98 138
Juillet 109 1,09
140*0,91=127 132 1,10 154
Août 131 1,31 159 1,33 186
Septembre 142 1,42 165 1,38 193
Octobre 118 1,18 142 1,18 166
Novembre 109 1,09 133 1,11 155
Décembre 89 0,89 113 0,94 132
Total 1200 1440 1680
Moyenne
100 120 140
Mentuel

24

12
4.1 ComposanteSaisonnalité
saisonnièreDemande 1990
180
160 Demande 1989
Moyenne 1989
140
120
100
80
60 Moyenne 1988
40
20 Demande 1988
0

e
e
in
ai

t
ier

e
et
ril
ier

oû
ar

br
br

br
br
Ju
M

ill
Av
nv

vr

em
A

em

m
to
Ju
Fé
Ja

ce
Oc

ov
pt

Dé
Se

N
25

4.1Mois
Composante
Indices saisonnière
Indices
saisonniers saisonniers
Moyenne Prévisions
des indices 1990
1988 1989
Janvier 0,91 0,91 0,91 127
Février 0,79 0,81 0,80 112
Mars 0,70 0,68 0,69 97
Avril 0,69 0,69 0,69 97
Mai 0,92 0,89 0,91 127
Juin 1,01 0,98 1,00 140
Juillet 1,09 1,10 1,10 153
Août 1,31 1,33 1,32 184
Septembre 1,42 1,38 1,40 196
Octobre 1,18 1,18 1,18 165
Novembre 1,09 1,11 1,10 154
Décembre 0,89 0,94 0,92 128
26

13