Organisation des enseignements

Méthodes de prévision 9 Méthodes de prévision

¾ Définitions et Généralités
¾ Catégories de méthodes
¾ Modèles : additif, multiplicatif et exponentiels
Farouk YALAOUI
Professeur

F.YALAOUI Méthodes de prévision 1 F.YALAOUI Méthodes de prévision 2

Prévisions : Généralités Prévisions : Généralités

9 Les prévisions sont utilisées dans les domaines

9 Les prévisions ont pour but :
suivants :
¾ d’estimer la probabilité d’apparition d’événements futurs
ƒ Marketing
¾ de déterminer la disposition temporelle de ces événements
ƒ Production
¾ d’identifier les régularités des séries observées dans le ƒ Logistique
passé ƒ Administration et contrôle
¾ mettre en évidence des relations entre les grandeurs ƒ Approvisionnements
mesurées. ƒ Recherche et développement

F.YALAOUI Méthodes de prévision 3 F.YALAOUI Méthodes de prévision 4

Prévisions : Généralités Prévisions : les méthodes

9 Les facteurs influents sur la demande d’un produit : 9 Introduction :

ƒ les conditions générales du marché et l ’ambiance ¾ Définitions
économique ƒ Prévoir : est prendre en compte un élément clé de tout
ƒ les actions et réactions des concurrents processus de gestion : l’anticipation (prévision)

ƒ les actions législatives (normalisations) ƒ Gérer : est une composition de

ƒ le cycle de vie du produit o Prévision de l ’évolution de l ’entreprise

ƒ les innovations technologiques o Décision en fonction de la prévision

ƒ les modifications de goûts et de coutumes o Contrôle et comparaison entre (Prévu / Réalisé)

F.YALAOUI Méthodes de prévision 5 F.YALAOUI Méthodes de prévision 6

 Prévisions : les méthodes Prévisions : les méthodes

9 La gestion peut être : 9 Les méthodes QUANTITATIVES sont basées sur

¾ Stratégique : LONG Terme (choix des activités, ...) ¾ l’étude de données chiffrées

¾ Tactique : Moyen Terme (établissement de budgets, ...) ¾ ces données caractérisent une variable économique

¾ Opérationnelle : COURT Terme (approvisionnement, ¾ Mise en évidence des régularités susceptibles de se

reproduire et à partir desquelles il est concevable de faire
lancement de série de fabrication, …)
des prévisions de l ’état futur de cette variable.
9 Les techniques de prévisions peuvent être:
¾ Qualitatives ou Quantitatives ¾ Exemple : l’analyse des ventes passées → prévisions
¾ Endogènes ou Exogènes sur les ventes futures

F.YALAOUI Méthodes de prévision 7 F.YALAOUI Méthodes de prévision 8

Prévisions : les méthodes Prévisions : les méthodes

9 Les méthodes QUALITATIVES sont basées sur 9 Les méthodes ENDOGENES sont basées sur
¾ Deux aspects : ¾ la prise en compte comme variable explicative le temps.
o En partie l’étude de données chiffrées ¾ La prise en compte également des paramètres internes au
o En partie l’intuition système en question.
¾ Mise en évidence des régularités du passé
Chaque phénomène économique contient une certaine force
¾ En plus des régularités constatées prise en compte d’inertie propre qui l ’amène, indépendamment des autres
d’autres aspects :
variables économiques (environnement, …), à poursuivre son
o Imagination trajet (futur).
o Créativité et compétence dans les domaines
La composante principale de modélisation de tout système est le
sociologique, politique ou technologique. Ils jouent
facteur temps. (Attention : le temps n’explique pas tout)
un rôle important.
F.YALAOUI Méthodes de prévision 9 F.YALAOUI Méthodes de prévision 10

Prévisions : les méthodes Prévisions : les méthodes

9 Les méthodes EXOGENE sont basées sur
¾ la prise en compte comme variable explicative le temps
(la représentation comme les méthodes endogènes)
¾ Également, d’autres variables externes au système :
9 Le choix d’une méthode de prévision dépend en
grande partie de HORIZON DE PREVISION :
¾ Court terme : méthodes quantitatives-endogènes

ƒ de type micro-économique : ¾ Long-moyen terme : prise en compte indispensable de

o publicité, prix, caractéristiques et particularités du l’aspect qualitatif.
produit, ...
9 Le domaine de la prévision est indissociable d’une
ƒ de type macro-économique :
o Politique, revenu des ménages, consommation notion (formalisme) : SERIE CHRONOLOGIQUE.
nationale, production industrielle, ...
F.YALAOUI Méthodes de prévision 11 F.YALAOUI Méthodes de prévision 12
 Prévisions : série chronologique Prévisions : série chronologique

9 Définition : est une suite d’observations, d’un 9 Le modèle de série chronologique doit mettre en

certain phénomène, au cours du temps. évidence :

¾ Les composantes
9 L’état du phénomène est repéré (observé) à
o La tendance (Tt)
intervalles réguliers.
o La conjoncture (Ct)
9 La périodicité dépend des possibilités
o La saison (St)
d’enregistrement et de conditions o Le résidus (Rt)
(considérations) pratiques (opérationnelles). ¾ Les règles de composition

F.YALAOUI Méthodes de prévision 13 F.YALAOUI Méthodes de prévision 14

Prévisions : série chronologique Prévisions : série chronologique

9 La TENDANCE : évolution moyenne à long terme du 9 La CONJONCTURE est un facteur influent à moyen
phénomène étudié. Elle peut être : terme.
ƒ Se manifeste par des mouvements cycliques alterner sur
ƒ Rapide : les appels téléphoniques, …
plusieurs années de phases : Expansion ou de Récession.
ƒ Lente : le marché des voitures, … ƒ La périodicité de ces cycles n’est pas constante.

ƒ Quasi-stable : les entrées de cinéma, … ƒ Plusieurs niveaux de conjoncture doivent être envisagés. A la
conjoncture spécifique d’un marché vient se superposer la
ƒ Décroissante: l’exploitation du charbon, …
conjoncture nationale (exemple: cycle de mode du BTP)
La tendance oriente l’évolution du marché : Variable Facteur complexe appréhender que de façon
stratégique Essentielle. indirecte.
F.YALAOUI Méthodes de prévision 15 F.YALAOUI Méthodes de prévision 16

Prévisions : série chronologique Prévisions : série chronologique

9 La SAISONNALITE représente les fluctuations de 9 Le facteur RESIDUEL représente les perturbations :

périodicité constante (égale au plus à une année). ¾ Identifiables : contrôlable et donc éventuellement
¾ Les fluctuations saisonnières (annuelles) sont : gérables.
ƒ Attribuables au climat : pour des produits comme le fuel,
¾ Aléatoires.
les maillots de bains, les skis, …
ƒ Attribuables à des facteurs sociaux, économiques et 9 Exemple
culturels. ƒ Structure calendaire
¾ Les fluctuations de périodicité plus courte sont une période :
ƒ position des fêtes mobiles
ƒ d’un mois, d’une semaine ou même de la journée.
ƒ Actions spéciales de l’entreprise ou concurrents
La saisonnalité est de grande utilité pour les prévisions
ƒ Pannes, accidents.
à court et à très court terme.
F.YALAOUI Méthodes de prévision 17 F.YALAOUI Méthodes de prévision 18
 Prévisions : règles de composition Prévisions : règles de composition

LES REGLES DE COMPOSITION LES MODELES « ADDITIF »

Yt =F(Tt,Ct,St,Rt )=Tt +Ct +St +Rt

9 Les valeurs observées à la date t de la variable
étudiée, Yt, est fonction des valeurs prises à cette
même date par les composantes alors :

Yt = F (Tt ,C t ,S t ,R t )
¾ Chaque élément est mesuré dans la même unité que Yt
¾ L ’effet d ’une variation de l’une des composantes est
indépendant de la valeur prise par les autres
9 Il existe 2 schémas de composition principaux :
composantes
ƒ Le MODELE ADDITIF i+m

ƒ Le MODELE MULTIPLICATIF
¾ Sur m périodes : ∑ S =0
t = i +1
t

F.YALAOUI Méthodes de prévision 19 F.YALAOUI Méthodes de prévision 20

Prévisions : règles de composition Prévisions : règles de composition

LES MODELES « MULTIPLICATIF» 9 Notons que le modèle multiplicatif peut être ramené à un
modèle additif en utilisant une transformation

Yt =F(Tt,Ct,St,Rt )=Tt×Ct×St×Rt logarithmique.

Log(Yt )=Log(Tt×Ct×St×Rt )
¾ Yt est mesurée dans la même unité que la tendance
ALORS
¾ Les autres sont intégrés sous formes de facteurs

Log(Yt )=Log(Tt )+Log(Ct )+Log(St )+Log(Rt )

(proportion). Exemple: St=(1+St) où St est le % de
variation due à la saison.
i+m
¾ Sur m périodes :
∑ S =m
t = i +1
t

F.YALAOUI Méthodes de prévision 21 F.YALAOUI Méthodes de prévision 22

Prévisions : Traitement de séries Prévisions : M.A. Exemple

9 Consiste à mettre en évidence ses différentes composantes à

l ’aide d ’une procédure de décomposition de données.
9 La technique la plus courante consiste :
¾ Dégager l’évolution à moyen terme du phénomène (l ’étude des la
combinaison T et C) en utilisant
o La méthode de la Régression Linéaire Modèle additif
o La méthode des moyennes mobiles
o Une méthode hybride (combinaison de divers méthodes)

¾ Déduire les coefficients saisonniers S et la composante résiduelle

R.

F.YALAOUI Méthodes de prévision 23 F.YALAOUI Méthodes de prévision 24

 Prévisions : M.A. Prévisions : M.A.

9 Avec le modèle additif (M.A.), sur l’exemple ¾ Étape 2 (suite) : pour l’exemple nous avons n pair, on
précédent commence les calculs de MMC à partir de j=3 jusqu ’à j=10.
¾ Étape 1 : Avec une méthode graphique on identifie la
( 1Y1+Y2 +Y3 +Y4 + 1Y5 ) ( 1Y2 +Y3 +Y4 +Y5 + 1Y6 )
périodicité du phénomène. MMC(3)= 2 2 MMC(4)= 2 2
4 4
o On prend pour notre exemple une période de taille
n=4 (4 unités de temps), avec 12 unités alors nous ( 1Y8 +Y9 +Y10 +Y11+ 1Y12 )
MMC(10)= 2 2
avons 3 périodes. 4
¾ Étape 2 : Nous désaisonnalisons les données avec les ¾ Étape 3 : détermination de la tendance sur les MMC en
moyennes mobiles centrées MMC.
utilisant la régression linéaire simple. On calcule ainsi les
( 1Yj − n +...+Yj −1+Yj +Yj +1+...+ 1Yj + n )

{
MMC(j)= 2 2 2 2 pour ∀j ≥( n +1) et n pair paramètres d’une droite.
n 2 Cov(t,MMC) V(MMC)
â= = ρ×
MMC(j)=
(Yj − n−1 +...+Yj −1+Yj +Yj +1+...+ 1Yj + n−1 )
2
n
2 2 pour ∀j ≥ n+1 et n impair
2
T(t)=â×t +b̂ Avec V(t) V(t)
b̂=Moy(MMC)−â×Moy(t)
F.YALAOUI Méthodes de prévision 25 F.YALAOUI Méthodes de prévision 26

Prévisions : M.A. Prévisions : M.A.

¾ Étape 4 : Calcul des coefficients de saisonnalité ¾ Étape 5 (suite) : Calcul des coefficients saisonniers modifiés
S(t)=Y(t)−T(t) non corrigés k −1

¾ Étape 5 : Calcul des coefficients saisonniers modifiés non ∑S*(t + jn)

corrigés S*(t + jn)= j =0 , ∀j <K et t <n
K
S*(t)=S*(t +n)=S*(t +2n)=...=S*(t +Kn) ¾ Étape 6 : Calcul du paramètre de correction A
n

S*(1)=S*(5)=S*(9) Car ∑ S * ( j)
j =1
A=
S*(13),S*(14),S*(15) n
S*(2)=S*(6)=S*(10) ¾ Étape 7 : Calcul des coefficients saisonniers corrigés
n’existent pas
S*(3)=S*(7)=S*(11) S ( t )= S * ( t )− A , ∀ t

F.YALAOUI Méthodes de prévision 27 F.YALAOUI Méthodes de prévision 28

Prévisions : M.A. Prévisions : M.A. Exemple

¾ Étape 8 : Calcul des prévisions (périodes passées et les

périodes futures)

P(t)=S (t)+T(t), ∀t∈[1,∞[

¾ Étape 9 : Estimation des erreurs du modèle
o Exploitation des données passées sur les K saisons Modèle Multiplicatif
de période n

R ( t )= Y ( t )− P ( t )

F.YALAOUI Méthodes de prévision 29 F.YALAOUI Méthodes de prévision 30

 Prévisions : M.M. Prévisions : M.M.

9 Avec le modèle multiplicatif (M.M),sur l ’exemple ¾ Étape 4 : Calcul des coefficients de saisonnalité
Y(t)
précédent S(t)=
T(t)
¾ Étape 1 : Même que le M.A.
¾ Étape 2 : Nous désaisonnalisons les données avec les ¾ Étape 5 : Calcul des coefficients saisonniers modifiés non
moyennes mobiles centrées MMC comme pour le MA. corrigés

¾ Étape 3 : détermination de la tendance sur les MMC en S*(t)=S*(t +n)=S*(t +2n)=...=S*(t +Kn)
utilisant la régression linéaire simple. On calcule ainsi les Car
S*(1)=S*(5)=S*(9)

{
paramètres d’une droite.
Cov(t,MMC) V(MMC) S*(13),S*(14),S*(15)
â= = ρ× S*(2)=S*(6)=S*(10)
T(t)=â×t +b̂ Avec V(t) V(t) n’existent pas
b̂=Moy(MMC)−â×Moy(t) S*(3)=S*(7)=S*(11)
F.YALAOUI Méthodes de prévision 31 F.YALAOUI Méthodes de prévision 32

Prévisions : M.M. Prévisions : M.M.

¾ Étape 6 : Calcul du paramètre de correction A

¾ Étape 8 : Estimation des erreurs du modèle
n
A = n o Exploitation des données passées sur les K saisons
∑ S * ( j)
de période n
j =1

¾ Étape 7 : Calcul des coefficients saisonniers corrigés

R (t ) = Y (t ) − P (t )
S (t ) = S * (t ) × A , ∀ t

¾ Étape 8 : Calcul des prévisions (périodes passées et les

périodes futures)

P (t ) = S (t ) × T (t ), ∀t ∈ [1,∞[

F.YALAOUI Méthodes de prévision 33 F.YALAOUI Méthodes de prévision 34

Prévisions : M.A. Exemple Prévisions : Modèles Court Terme

9 Consiste à estimer l’évolution future des phénomènes

considérés dans un horizon très bref (maximum un
semestre)
9 Il existe trois modèles possibles :
¾ Les moyennes mobiles
Modèle Lissage exponentiel
¾ La méthode de Box et Jenkins.
¾ Le lissage exponentiel :
o simple,
o double, …

F.YALAOUI Méthodes de prévision 35 F.YALAOUI Méthodes de prévision 36

 Prévisions : Lissage exponentiel Prévisions : Lissage exponentiel

LISSAGE EXPONENTIEL (L.E.) 9 Le L.E. peut être entre autres :

L.E. est une méthode mise au point en 1959 par ¾ Simple : L.E.S dans le cas où

R.G.Brown. o Tendance Nulle & Pas de saisonnalité

Y
La prévision obtenue par L.E. est basée sur l’évaluation
t
de la moyenne des résultats antérieurs.
o Tendance Nulle & saisonnalité
Le L.E. construit des moyennes pondérées où le poids Y

des observations décroît avec leur ancienneté.

t

F.YALAOUI Méthodes de prévision 37 F.YALAOUI Méthodes de prévision 38

Prévisions : Lissage exponentiel Prévisions : L.E.S.

¾ Double : L.E.D dans le cas où 9 Le L.E.S (simple) consiste à faire le tri entre tendance
et aléa.
o Tendance Non Nulle & Pas de saisonnalité
¾ Si le résultat observé sur une période est supérieur à la moyenne
Y
attendue, cela peut être causé par
ƒ La progression de la tendance
t
ƒ La variation est parasitaire du fait des aléas (bruits
o Tendance Non Nulle & saisonnalité incontrôlables)
¾ La démarche à adopter est :
Y
ƒ Pour le premier, on prévoit une moyenne (prévision) plus
élevée sur la période suivante
ƒ pour le second, on ne change pas la moyenne (la prévision)
t
car le phénomène n’est pas contrôlable.
F.YALAOUI Méthodes de prévision 39 F.YALAOUI Méthodes de prévision 40

Prévisions : L.E.S. Prévisions : L.E.S.

On note la prévision d ’évolution d’une certaine période t :

9 Il faut noter que α est paramètre qui détermine la
Ŷt et on note la valeur réellement observée à t : Yt
sensibilité de la prévision.
On note le décalage entre pour une période t entre la ¾ Si α est faible le modèle est peu sensible aux aléas
prévision et la valeur observée : Δ=Yt −Ŷt (complètement insensible si α=0 ).

9 Alors le L.E.S (L.E en générale) prend en compte le ¾ Si α est élevé le modèle est très fluctuant, intégrant rapidement
décalage sur la période (t) pour les prévisions sur la les écarts observés.
période (t+1) :
ƒ Si α=1 , la prochaine période sera identique à la période
Ŷt +1=Ŷt +α×Δ=Ŷt +α×(Yt −Ŷt ) ...(1) actuelle.
F.YALAOUI Méthodes de prévision 41 F.YALAOUI Méthodes de prévision 42
 Prévisions : L.E.S. Prévisions : L.E.S.

Δ≥0 Variation en hausse 9 De ce qui précède nous avons :

Δ≤0 Variation en baisse
9 De l’équation (1) on peut déduire :
Ŷt +1=αYt +α(1−α)Yt −1+(1−α)²Ŷt −1
9 De manière générale nous avons :
Ŷt +1=αYt +(1−α)×Ŷt
( )
n
Yˆ t +1 = ( 1 −α ) n +1Yˆ t − n + ∑ α ( 1 −α ) iYˆ t − i
9 Donc nous avons la relation récurrente, pour toute valeur i =0

de t : 9 Nous avons : n→∞ et (1−α)n+1→0

Ŷt =αYt −1+(1−α)×Ŷt −1
⇒ ( )
∞
Yˆ t +1 = ∑ α ( 1 −α ) iYˆ t − i
i =0
F.YALAOUI Méthodes de prévision 43 F.YALAOUI Méthodes de prévision 44