GESTION DE LA PRODUCTION ET

DES OPÉRATIONS
1 Séance 2 : Prévisions et gestion de la demande
OBJECTIFS DE LA SÉANCE
 Identifier la demande.
 Connaître le rôle et les responsabilités de la fonction
prévision.
 Déterminer les types de prévisions.

 Elaborer des prévisions en utilisant des techniques

appropriées.

2
PLAN DE LA SÉANCE
 Importance des prévisions de la demande
 Typologie de la demande

 Évolution de la demande

 Sources de données

 Méthodes prévisionnelles

 Erreurs et incertitudes sur les prévisions

 Etude de cas

3
DÉFINITION
 Prévision : « Fonction permettant d’estimer la
demande future pour les biens et les services offerts
par l’entreprise, qui est établit soit
mathématiquement (données historiques), soit
intuitivement (connaissance du marché), soit en
combinant les deux méthodes ».

4
FONCTION PRÉVISION DANS L’ENTREPRISE:
 La fonction prévision est très importante pour tous
les services de l’entreprise. Donc on cherche à faire
participer tous les services à l’élaboration des
prévisions tout en confiant à un groupe défini de
personnes la tâche de coordonner les idées.

 L’entreprise a besoin de prévisions à tous les

niveaux pour pouvoir prendre en temps voulu les
décisions adéquats.

5
PLAN PRÉVISIONNEL
 On doit préciser:
 Type de produit: code, spécifications générales telles
que la couleur ou la dimension;
 Quantité prévue: celle-ci est définie selon les unités
habituellement utilisées et livrées par l’entreprise;
 Période couverte par les prévisions: pour indiquer à
quel moment tel service ou tel bien devrait être offert et
en quelle quantité.

6
UTILISATIONS DES PRÉVISIONS
 Service des finances:
 Déterminer les besoins financiers à court, à moyen et à
long terme;
 Prévoir les investissements nécessaires aux activités
futures de l’entreprise;
 Service marketing:
 Fixer les prix;
 Ouvrir de nouveaux marchés;
 Déterminer la stratégie de vente et de distribution;
 Définir les ressources dont il a besoin pour atteindre
ses objectifs.
7
 Production

Achat Finances

Prévision
 Service Production:
 Déterminer ses besoins :
 En équipement RH Marketing

 En matières premières;

 En locaux d’entreposage et de production;

 Planifier le nombre de réajustements de machines

nécessaires en fonction des différents produits;
 Établir les horaires de la main d’œuvre.
 Service ressources humaines:
 Déterminer les besoins en main d’œuvre spécialisée, en
personnel de soutien, et en personnel d’exploitation.
8
LA PRÉVISION PERMET DE

Établir quelle
capacité de
production

Planifier Orienter la
l’utilisation politique et
ou les besoins les stratégies
en de gestion
équipements des stocks.

Prévision

Déterminer
Planifier la
les meilleures
main-d’œuvre
stratégies de
requise.
production

Choisir les
technologies 9
appropriées
TYPOLOGIE DE LA DEMANDE
 Prévisions à long terme:
 Couvrent généralement un horizon de temps de 2 à 5 ans.
 Etablies normalement par les responsables du marketing
en collaboration avec le service de l’ingénierie
 Il faut connaitre tout les facteurs internes et externe
(marché, technologique, politique, écologique,…)qui
pourraient avoir une influence quelconque sur le produit
pour lequel on doit effectuer les prévision

10
 Prévisions à moyen terme:
 Couvrent un horizon de temps de 1 à 2 ans. Servent
pratiquement à déterminer le budget de fonctionnement
et quelques dépenses mineurs du budget
d’immobilisation.
 Prévisions à court terme:
 Couvrent un horizon de 1 an et moins. Servent à prévoir
les activités de l’année en cours: planification des
activités de la production, à l’ordonnancement, aux
achats, à l’entretien des équipements, à la planification
de mise en route.

11
 Paramètres à prendre en compte dans la
détermination de l’horizon de temps:
 Taille de l’entreprise
 Situation économique
 Secteur économique.

 Taille de l’entreprise
 Prévision pour une Multinational à long terme → 2 à 5 ans
 Prévision pour une Petit entreprise à long terme → 1 à 2 ans

12
 Situation économique
 En période d’instabilité économique :
 Fluctuation des prix ou inflation peut engendrer des client
craintifs ce qui rend difficile de prévoir leurs réactions
 Fournisseur ne peuvent plus assurer un approvisionnement
fiable à des prix constant
 Taux d’intérêt subit aussi des variations

Impossible d’effectuer des prévisions rationnelles

13
 Secteur économique
 Secteur économique stable
 Il est relativement facile de faire des prévisions à moyen et à
long terme car la demande ne varie pas beaucoup
 Exemple : prévoir le nombre de garderie et d’école primaire et
secondaire
 Secteur économique instable
 Par exemple ,Il est difficile de spéculer sur les tendances des
demandes pour les nouvelles technologie car c’est un secteur
volatile

14
ETAPES DU PROCESSUS DE PRÉVISION
 Définir le but des prévision
 Définir l’horizon de temps

 Choisir une technique de prévision

 Recueillir et analyser les données pertinente

 Déterminer les prévisions et le pourcentage d'erreur

 Faire adopter les prévisions

 Suivre l’évolution des prévisions

15
 MÉTHODES DE PRÉVISION Prévisions
 Il existe deux approches principales Méthode
quantitatives Méthode
 L’approche qualitative elle se base sur : •Prévision chronologique
qualitatives
•Prévision associative
 Opinions des vendeurs
 Opinions des consommateurs (enquêtes)

 Opinions des cadres et d'experts

 Principalement basées sur le jugement et l’opinion générale

 L’approche quantitative divisée en deux parties
 Prévision basées sur les données historiques ,chronologiques
 Données relevées dans le passé: ventes réalisées;

 Les prévision associatives

 Utilisées pour mettre en relation les facteurs explicatifs qui

influencent l’évolution d’une variable à prévoir.

 Exemple :demande pour la peinture peut être liée à
• Son prix
• Dépenses en publicité
• Caractéristiques du produit (temps de séchage, facilité de 16
nettoyage,…)
L’APPROCHE QUALITATIVE
 Les études de marché: Questionnaires, contacts par
téléphone, entrevues du personnel clé pour amasser
des données.
 Les enquêtes auprès des consommateurs: c’est le
consommateur qui détermine la demande, il semble
naturel de solliciter son opinion.
 Les opinions des cadres: fondées sur leurs
intuitions à partir de nombreux faits qui constituent
leurs connaissances du domaine.

17
LA MÉTHODE DELPHI:
 Etape 1 : définir l’objet sur lequel portera le DELPHI. L’objet
correspond au problème que vont devoir examiner les experts et les
grands questionnements liés à ce problème.
 Etape 2 : Choisir les experts. Ce choix s’effectue selon différents
critères, notamment leur indépendance et leur excellente
connaissance de l’objet..
 Etape 3 : Elaborer un questionnaire. Les questions doivent être
ciblées, précises et éventuellement quantifiables.
 Etape 4 : Administrer le questionnaire et traiter les réponses.
Le premier questionnaire, qui sert de base, sera administré et
enrichi dans les prochains tours , Au deuxième tour, les experts
reçoivent les résultats du premier tour et doivent à nouveau se
reformuler le questionnaire.
 à chaque tour le questionnaire est enrichi par des résultats et 18
commentaires générés précédemment,
LA MÉTHODE DELPHI:

19
 L’APPROCHE QUANTITATIVE : PRÉVISION
CHRONOLOGIQUE

 La série chronologique est une séquence

d’observations prise à des intervalles réguliers sur
une période donnée:
 Horaire
 Quotidienne
 Hebdomadaire
 Mensuelle
 Trimestrielle
 Annuelle
 Ces observations peuvent être des commandes ,
livraison, bénéfices, accidents, quantité produite,…
20
 L’analyse des série chronologique
 L’abscisse représente le temps (x)
 L’ordonnée (y) représente :
 La quantité produite
 Le revenus

 Les plaintes des clients

 Nombre de clients

 L’analyse permet de déterminer la relation entre les

deux variables x et y

21
 RELATION ENTRE X ET Y
 Demande constante:
 Demande varie peu: fluctue autour
d’une moyenne.

 Tendance: désigne un mouvement graduel à long

terme vers le haut ou vers le bas
 Les tendances peuvent être
 Linéaire ou non linéaire
 Tendance à la hausse;

 Tendance à la baisse.

22
 Demande saisonnière:
 variation relativement régulière qui sont reliées à des
facteur météorologique ,aux vacances,…
 Exemple:
 Les boissons gazeuses Consommation maximale en été
 Les couvertures Consommation maximale en hiver

 Le cinéma variation rattaché aux jours fériés et aux vacances

23
 Demande aléatoire
 Sont provoquées par des circonstance
inhabituelles comme des grèves, problèmes
momentanés chez la concurrence,…

24
MÉTHODES QUANTITATIVES
 Prévision basées sur les séries chronologique
 Les prévisions naïves
 Les moyennes simples
 Les moyennes mobiles
 Les moyennes pondérées
 Lissage exponentiel
 Technique de prévision associatives:
 les régressions

25
PRÉVISIONS NAÏVES
 la plus simple des prévisions , une prévision naïve
pour une période est égale à la valeur de la période
précédente:
Pi+1 = Ri
 Avantages
 Elle ne coute rien
 Rapide
 Facile à réaliser

 Inconvénient
 Prévision qui n’est pas précise
26
LES MOYENNES SIMPLES
 Technique qui consiste à faire les moyennes des
activités des périodes passées (R) pour prévoir la
période future (P) :

 Exemple 1 : Mois Réel

1 492
2 470
3 493
4 485
5 498

27
 semaine 1 semaine 2 semaine 3
lundi 67 60 64
mardi 75 73 76
mercredi 82 85 87
jeudi 98 99 96
vendredi 90 86 88
samedi 36 40 44
dimanche 55 52 50
 Exemple 2: ventes
 Prévision pour lundi 120
100
80
60
40 ventes
20
0

semaine 4
120
lundi 64
mardi 75 100
mercredi 85
jeudi 98 80
vendredi 88
60 semaine 1
samedi 40
dimanche 52 40 semaine 2
semaine 3
20

0 28
MOYENNE MOBILE
 Une prévision par la moyenne mobile utilise un nombre
fixe de données parmi les plus récentes pour produire
une prévision

 i = période
 n = nombre de période (la base)
 Ri = valeur réelle
 Pn+1 = prévision de la prochaine période
 La Moyenne mobile à l’avantage d’être facile à calculer
mais les valeurs impliquées dans les calcules sont 29
pondérées également
 Exemple 1
 Prévoir à l’aide de la moyenne mobile avec une base n = 3
le nombre de panier pour la période suivante :

Période Nombre de paniers

1 42
2 40
3 43
4 40
5 41

30
LES MOYENNES PONDÉRÉES
 Une moyenne pondérée est similaire à une moyenne
mobile sauf qu’elle attribue des pondérations aux
différentes valeurs de la séries chronologique
 On peut de cette manière donner plus d'importance
aux données plus récentes afin qu'elles influencent
davantage la prévision que les données plus
anciennes.
 Note: la somme des poids utilisés doit égaler 1.

31
 Exemple
 Voici les données concernant la consommation des matières
première pour les cinq dernière périodes :
a. Calculer la moyenne pondérée en appliquant la pondération
suivante: Période Consommation réelle
 0.4 pour la période la plus récente 1 42
2 40
 0.3 pour l’avant dernière
3 43
 0.2 pour celle d’avant 4 40
 0.1 pour la plus ancienne 5 41
b. Si la demande effective pour la période 6 est de 39, prévoir
la période 7 en utilisant les même pondérations
Réponses
32
a) P6 = 0.4*(41)+0.3*(40)+0.2*(43)+0.1*(40) = 41
b) P7 = 0.4*(39)+0.3*(41)+0.2*(40)+0.1*(43) = 40,2
MÉTHODE DE LISSAGE EXPONENTIEL SIMPLE
 Cette méthode ajuste la demande moyenne en
proportion de la différence entre la dernière demande
réelle et la prévision correspondante.
 Chaque nouvelle prévision est égale à la prévision
précédente plus un pourcentage alpha de l’erreur
commise à la période précédente .

 Toutefois, avant d’appliquer le lissage exponentiel, il

faut avoir préalablement utilisé la moyenne mobile
pendant un certain temps avec une base n. 33
 EVALUATION DE LA PRÉCISION DES
PRÉVISION

 Pour comparer les résultat du lissage exponentiel

des différents  utilisés on procède au calcule de
l’EMA (Ecart moyen absolu)

 L’  le plus adapté au cas étudié ,est celui qui

donnera le EMA minimal

34
 Exemple 1
 Utiliser le lissage exponentiel pour effectuer des
prévisions pour les données suivantes et calculer l’erreur
(réel-prévision) et ce pour chaque période.
 Utilisez un facteur de lissage de  =0.1
 Utilisez un facteur de lissage de  =0.4

 Tracer les données effective et les deux prévisions sur un seul

graphique période Production réelle

 Calculer le EMA pour les
1 42
2 40
Deux  3 43
 Qu’est ce que vous en concluez 4 40
5 41
6 39
7 46
8 44
9 45 35
10 38
11 40
12
 période Production réelle prévision a=0,1 |R-P| prévision a=0,4 |R-P|
1 42
2 40 42 2,00 42 2,0
3 43 41,80 1,20 41,20 1,8
4 40 41,92 1,92 41,92 1,9
5 41 41,73 0,73 41,15 0,2
6 39 41,66 2,66 41,09 2,1
7 46 41,39 4,61 40,25 5,7
8 44 41,85 2,15 42,55 1,4
9 45 42,07 2,93 43,13 1,9
10 38 42,36 4,36 43,88 5,9
11 40 41,92 1,92 41,53 1,5
12 41,73 40,92
|R-P| 24,48 |R-P| 24,4

48

46

44

42

40

38

36 36
1 2 3 4 5 6 7 8 9 10 11
EMA0,1= 2,448 Production réelle prévision a=0,1 prévision a=0,4
EMA0,4 = 2,44
 Exemple 2
 Utiliser le lissage exponentiel pour effectuer des
prévisions pour les données suivantes et calculer l’erreur
(réel-prévision) et ce pour chaque période.
 Utilisez un facteur de lissage de  =0.1
 Utilisez un facteur de lissage de  =0.3 Production réelle
1 100
 Utilisez un facteur de lissage de  =0.7
2 125
 Tracer les données effective et les trois
3 90
prévisions sur un seul graphique 4 110
 Calculer le EMA pour les 5 105
6 130
trois  7 85
 Qu’est ce que vous en concluez 8 102
9 110
37
10 90
11 105
12
 Production prévision prévision prévision
période réelle a=0,1 |R-P| a=0,3 |R-P| a=0,7 |R-P|
1 100
2 125 100 25,00 100 25,0 100 25,0
3 90 102,50 12,50 107,50 17,5 117,50 27,5
4 110 101,25 8,75 102,25 7,8 98,25 11,8
5 105 102,13 2,88 104,58 0,4 106,48 1,5
6 130 102,41 27,59 104,70 25,3 105,44 24,6
7 85 105,17 20,17 112,29 27,3 122,63 37,6
8 102 103,15 1,15 104,10 2,1 96,29 5,7
9 110 103,04 6,96 103,47 6,5 100,29 9,7
10 90 103,73 13,73 105,43 15,4 107,09 17,1
11 105 102,36 2,64 100,80 4,2 95,13 9,9
12 102,63 102,06 102,04
|R-P| 121,37 |R-P| 131,5 |R-P| 170,3
140

130

120

110

100

90

80
1 2 3 4 5 6 7 8 9 10 11 38
Production réelle prévision a=0,1 prévision a=0,3 prévision a=0,7
EMA0,1= 12,137 EMA0,3 = 13,15 EMA0,7 = 17,03
 TECHNIQUE DE PRÉVISIONS ASSOCIATIVES:
LES RÉGRESSIONS

 Les techniques associatives dépende de la

détermination des variable connexes qui peuvent
servir à prédire les valeurs de la variable d’intérêt.
 Ventes de bœuf peuvent être relier au prix de
 Kilogramme demandé
 Prix des produit de substitution (poulet, agneau)

 Demande du marché

 Le prix de l’immobilier par m² peut être relier aux

 L’emplacement par rapport au centre ville
 La surface en m²

 La nature R+1 ou R+5

39
LA RÉGRESSION LINÉAIRE

 La technique consiste à formuler une équation qui

résume l’effet des variables connexes sur la variable
d’intérêt.
 On dira que la prévision pour Y sera :

Y = fonction X
 Comme c’est une régression linéaire la fonction sera
sous forme d’une droite
Y=mX+b
 On connaissant la valeur de X nous pourront en
déduire la valeur de Y et vice versa
40
 Les valeur b et m sont calculer de la manière
suivante

 Pour définir la corrélation entre les deux variable x

et Y on calcule le coefficient de corrélation r

 Interprétation du coefficient de corrélation r

0,00 <  r  < 0,10 relation négligeable
0,11 <  r  < 0,30 relation faible
0,31 <  r  < 0,50 relation modérée 41
0,51 <  r  < 0,70 relation forte
 r  > 0,71 relation très forte
 Pour prévoir le pourcentage d’erreur possible on
calcule l’ERA (erreur relative absolue)
Où
Y = valeurs réelles observées
Y’ = valeurs que nous aurions prévus si nous avions
utilisé la droite de régression

 La moyenne d’erreur relative absolue

42
 Exemple
 Hamburgers-king possède une chaine de 12 restaurants,
le tableau suivant présente les ventes et le profits des
restaurants: Profits
Ventes réelles Réels en
1. Tracer le graphique Mois M$ (X) M$ (Y)
2. Calculer le coefficient de M1 7 0,15
M2 2 0,1
corrélation r M3 6 0,13
3. Est-ce que r est valable?. Si oui M4 4 0,15
pourquoi ? M5 14 0,25
M6 15 0,27
4. Déterminer l’équation de la droite M7 16 0,24
d’ajustement M8 12 0,2
5. Déterminer pour une vente de 10 M9 14 0,27
M10
M$ les profits générés 20 0,44
M11 15 0,34
6. Calculer le pourcentage d’erreur M12 7 0,17
MERA

43
 Profits Réels (Y)
Profits Réels (Y) Linéaire (Profits Réels (Y))
0,5

0,4

1. Le graphique 0,3

0,2

0,1

0
0 5 10 15 20 25
2. le coefficient de corrélation r
Mois Ventes (X) Profits Réels (Y) X*Y x² y² prévu Y' Y-Y' ERA %
M1 7 0,15 1,05 49 0,02 0,16 -0,01 7%
M2 2 0,1 0,2 4 0,01 0,08 0,02 21%
M3 6 0,13 0,78 36 0,02 0,15 -0,02 11%
M4 4 0,15 0,6 16 0,02 0,11 0,04 31%
M5 14 0,25 3,5 196 0,06 0,27 -0,02 9%
M6 15 0,27 4,05 225 0,07 0,29 -0,02 7%
M7 16 0,24 3,84 256 0,06 0,31 -0,07 21%
M8 12 0,2 2,4 144 0,04 0,24 -0,04 17%
M9 14 0,27 3,78 196 0,07 0,27 0,00 1%
M10 20 0,44 8,8 400 0,19 0,37 0,07 19%
M11 15 0,34 5,1 225 0,12 0,29 0,05 17%
M12 7 0,17 1,19 49 0,03 0,16 0,01 5%
Total 132 2,71 35,29 1796 0,72 2,15 168%

44
On a n=12
3. r=0,917 |r| > 0,71 alors la relation entre X et Y est une relation très forte
4. Le calcul de m

Le calcul de b

5. Y = mX + b = 0,016X + 0,051
 Pour X= 10 M$ alors
 Y = 0,016 * 10 + 0,051 = 0,211 M$ ~ 211 000 $

45
 Calcul de ERA (voir le tableau)
 Calcul de la MERA

 Nous pouvons conclure que la prévision précédente

est P = 211000$ 14% (c’est-à-dire comprise entre
181 460 $ et 240 540 $)

46