Vous êtes sur la page 1sur 49

Prvision de la demande

1
Introduction

Selon le contexte conomique, politique le


terme prvision peut avoir plusieurs
dfinitions

En ce qui concerne la gestion des systmes


de production, tablir des prvisions consiste
estimer des vnements futurs en
traitant dune manire systmatique et
prdtermine des donnes relatives au pass

2
Caractristiques des
prvisions
3 lments temporels :
Priodicit de
rvision

temps
Priode
lmentaire

Horizon couvert

3
Caractristiques des
prvisions
Degr dagrgation de la demande :
Horizon objectif
Exemple :
- Pour construire le PDP, on a besoin de considrer
les demandes par rfrence de produit
- Pour construire un plan agrg de production, il
suffit de considrer les demandes par famille de
produit

4
Caractristiques des
prvisions

La prcision des prvisions saccrot


lorsque la finesse diminue
Exemple :
Un produit se vend en 10 versions possibles ; la
vente de chacune des versions suit une loi normale
de moyenne 100 et dcart type 5 :
Estimer 95% des demandes : lintervalle des
demandes [D1, D2] de probabilit 0,95

5
Caractristiques des
prvisions
Solution :
- Si on considre chaque version toute seule :
Pour chaque version, 95%, les ventes seront
comprises entre 90 et 110
Pour lensemble des 10 versions les ventes seront
comprises entre 900 et 1100
- Si on considre une agrgation des 10 versions :
La somme de n lois normales N(, ) est une loi
normalen N(n, ) : les 10 versions, dans lensemble
N(1000, 16)
Pour lensemble des versions, 95%, les ventes
seront comprises entre 968 et 1032 6
Caractristiques de la
demande
Analyse des sries temporelles
(historique de la demande)
Demande
(units)

Temps

Demande stable : mme allure dans le temps


Facile prvoir
Demande indpendante : absence de lien
fonctionnel ou dusage entre les diffrents 7
Mise en place dun systme de
prvision SP
Dmarche gnrale
Initiation ConceptionExploitation

Dfinir lobjectif attendu,


Choisir les articles et le degr dagrgation
appropri (par type ou des famille),
Choisir lhorizon des prvisions
Collecter les donnes / informations ncessaires
Traitement des donnes selon le degr
dagrgation
Identifier un modle de prvision
Valider le modle de prvision
Faire des prvisions de la demande future
Mise en place dun systme de mise jour 8
Sources dinformation
Cycle logistique

Approvisionnement Dans quelle situation un


systme de prvision est
Prparation indispensable?
Fabrication

Assemblage

1 2 3 4 5

Dlai allou la production :


temps entre le moment de rception de commande
ferme et le moment ou le produit doit tre disponible
9
Analyse statistique des
ventes
Postulat :
il existe un comportement statistique du
consommateur; et ce comportement est
stable.

Nettoyage prliminaire des donnes du pass


(redressement)
tenir compte des commandes perdues,
reprer les phnomnes exceptionnels (par
exemple des pics des commandes
exceptionnelles
omettre les petites commandes des clients non
rguliers.
10
Slection des articles
Choisir les produits qui reprsentent la
plus grande part du chiffre daffaire de
lentreprise analyse ABC ou loi
Pareto.
% cumul du chiffre daffaires
100%
95%
80%

Classe A Classe B Classe C

20% 50% 100%


11
% cumul du nombre de produits
Mthodes de prvision de la
demande
Il existe une relation de causalit entre la demande future du produit
tudi et un certain rfrentiel

Informations certaines / subjectives / qualitatives / quantitatives.

Mthode de prvision qualitative / quantitative

12
Mthodes qualitatives
Cadre dapplication : planification
stratgique, prise de dcision concernant
les grands investissements (tel que le
lancement dun nouveau produit) et les
projets de rnovation

Mthodes bases essentiellement sur


lintuition et lexprience personnelle du
dcideur.
la technique de groupe nominal,
le traitement des prvisions de rseau de
distribution,
les tudes de march,
la mthode Delphi.
13
Mthode qualitative -
Technique du groupe nominal
Constituer un panel dexperts pour
travailler ensemble dans le cadre
dune runion dirige par un
coordinateur : donner des ides, les
discuter et les classer selon des
priorits afin darriver un
consensus.
Technique danimation dun groupe de travail
Brainstorming,
Etc.
14
Mthode qualitative - Traitement des
prvisions du rseau de distribution

Dterminer les
prvisions/estimations de la
demande globale partir des ventes
de chaque distributeur appartenant
un rseau de distribution.

15
Mthode qualitative - tude
de march
Donnes auprs des clients actuels ou
potentiels concernant leurs futurs plans
dachat,
Statistiques publiques sur les activits
des concurrents et des consommateurs
dune faon gnrale.

Une ide sur le march futur (phase de


cration dune nouvelle entreprise,
lancement dun nouveau produit, etc.)

16
Mthode qualitative -
Mthode Delphi
panel dexperts pas
Expert 3 ncessairement de la mme
organisation
absence de confrontation
personnelle
absence de conflits, de
Expert 1 Coordinateur Expert dominance2 ou
dinfluence entre les membres du
panel
Un coordinateur pose une question, par crit, chaque expert du
panel.
Chaque expert met brivement, par crit, sa prdiction.

Le coordinateur regroupe les rponses et les rsume

le coordinateur pose un nouvel ensemble de questions et les


envoie aux experts. Les rponses sont mises encore par crit.
Le coordinateur dite et rsume les nouvelles rponses, et
rpte le processus jusqu ce quil arrive des prdictions 17
synthtises satisfaisantes ou une conclusion de divergence.
Mthode quantitative
Mthode causale
Variables exognes ou expliques dans le pass

D = f (y1, y2, y3, ym)

Demande dune priode n >m

Les techniques de rgression ou les modles


conomtriques.
Exemples dapplication :
la vente de couches 3-6 mois du mois de dcembre
dpend des naissances des mois de juillet septembre.
la vente de pneus est corrle aux ventes de vhicules
neufs effectus durant les annes prcdentes.
18
Les mthodes
dextrapolation
statistique
Extrapoler le pass pour prvoir le futur.

Une srie chronologique : suite dobservations dans le


temps prises intervalles rguliers.
Lanalyse des sries chronologiques permet didentifier
le comportement sous-jacent lvolution des activits
de lentreprise sur une priode clairement identifie.

hypothse fondamentale: les facteurs qui ont


influenc la demande passe restent valables
dans lavenir.

une mthode dextrapolation statistique doit tre


appliques sur un horizon assez court(dune anne ou
deux) en effectuant des mises jour.

19
Dcomposition dune srie
Toute srie peut se dcomposer en 3
composantes:
une composante tendancielle (tendance,
trend),
une composante cyclique (cycle ou
saisonnalit),
une composante alatoire ou rsiduelle.

20
La tendance
La Tendance dsigne un
mouvement de donnes graduel et
long terme vers le haut ou vers
le bas la tendance de fond.
Variation irrgulire

tendance

21
La saisonnalit
Cette composante est caractrise
par sa priodicit. Elle dsigne la
fluctuation de la demande qui se
rpte dune faon cyclique et est
explique par des facteurs
environnementaux.
Cycle

22
Composante alatoire
Il sagit dun processus purement
alatoire exprimant les variations de
la demande non expliques par la
dcomposition au niveau de base,
tendance et saisonnalit.

23
Typologie de la demande
Dt= A+t




Dt=t
Demande Stationnaire


Dt= B.t + A +t


Demande purement alatoire




Demande tendancielle
24
Typologie de la demande
Dt= B.t + A + Ct+ t Dt= (B.t + A).Ct.t








Demande saisonnalise Demande saisonnalise


additive multiplicative

Saisonnalit + Variation
aisonnalit + Variation damplitude damplitude de plus en
stable en volume plus marque25
Caractristiques dun bon
systme de prvision
Obtenir une raction rapide face
une variation significative telle
quune saisonnalit ou tendance

#
Lisser les variations alatoires Un
SP ne doit pas tre sensible aux alas

26
Mesure de la qualit dune
prvision
Ecart Moyen
Permet de dtecter le centrage de la loi
derruer n Demande mesure posterior
E t
EM n t 1
avec E t Pt Dt
n

cart moyen Erreur Prvision en la priode t

Dt

t>0
t<0
Pt Systme de prvision
bien adapt EMn 0
Les prvisions Les prvisions
surestiment la sous-estiment la demande relle
demande relle 27
Mesure de la qualit dune
prvision
cart Absolu Moyen
n

P D t t
EAM n t 1
n
Prvision bonne EAMn trs proche de zro +
Variation constante dans le temps
Erreur quadratique moyenne ou
Carr moyen des carts
n

t t
P D 2

CME n t 1
n
On choisit le CME si on veut privilgier un systme de
On choisit le CME si on veut privilgier un systme de
prvision
prvisionavec
avecdedefaibles
faibleserreurs
erreursmmes
mmessisielles
ellessont
sontfrquentes
frquentes
devant
devant un autre induisant des erreurs importantes mmesisi28
un autre induisant des erreurs importantes mme elles
elles
Modles de prvision
Moyenne Simple
Cadre dapplication : Cas dune demande
stationnaire (Dt=A+t)
a n : lestimation de la demande la fin
de la priode n n

D t
a n t 1

n
Pn(n+ ) : la prvision de la demande de la
priode n+ effectue la fin de la a n
priode n = a n P(n+1) P(n+2) P(n+3)
Demande passeDemande future
t =n t =n+1 t =n+2 t =n+3 29
Modles de prvision
Moyenne Mobile Simple
Cadre dapplication : Cas dune demande
stationnaire (Dt=A+t)

Lestimation de la demande effectue la fin de la


priode n tient compte uniquement des T donnes
les plus rcentes : Dn-T+1, Dn-T+2, Dn
T 1

D nt

a nT t 0

T
A la fin dune priode n+1, la plus ancienne
observation (Dn-T+1) nest plus considre et est
remplace par la plus rcente observation (Dn+1)
Dn 1 Dn T 1
a T
n 1 a T
n 30
T
Modles de prvision
Cas dune demande stationnaire
Moyenne mobile simple
Comment se fait le choix de T ?
Exemple historique des ventes de
glacires
Mois t janvier fvrier mars avril mai juin
Dt relle 200 300 200 400 500 600

700

600

500
Pour T=6, P7=367 400

Pour T=3, P7=500 300

200

100

0
1 2 3 4 5 6

31
Modles de prvision
Cas dune demande stationnaire
Lissage exponentiel simple (Brown, 1958)

Ce modle est le rsultat du raisonnement


suivant: la fin de la priode n, on dispose de
deux estimations de la demande :
la prvision de la demande la fin de la

priode n-1 a(n 1 )


la demande relle constate la fin de la

priode n

La prvision de la demande pour la priode


n+1 doit tre entre les deux : elle est dite
valeur lisse de la demande la priode n 32
Modles de prvision
Cas dune demande stationnaire
Lissage exponentiel simple (Brown, 1958)

a n Dn (1)a n 1(Dn a n 1)a n 1

avec : constante de lissage, ]0,1[

a n reprsente galement une somme pondre des demandes passes



En remplaant de proche en proche ai par Di (1)ai 1, i=1,, n
on obtient :
n 1
i n
a n (1) Dn i (1) a0
i 0

33
Modles de prvision
Cas dune demande stationnaire
Lissage exponentiel simple (Brown, 1958)
n 1
i n
a n (1) Dn i (1) a 0
i 0

Les poids des demandes passes varient dune faon


exponentielle : , (1-), ,(1-)n-1
n
lim (1 ) 0
n
n
n 1 i 1(1 )
lim (1 ) lim 1
n i 0 n 1(1)

34
Modles de prvision
Cas dune demande stationnaire
Lissage exponentiel simple - Choix de
Le coefficient est choisi dune faon :
exprimentale : on calcule lerreur pour diffrentes
valeurs de ; on choisit celle qui minimise lerreur
plus scientifique et exacte : on calcule qui minimise
lerreur ( travers la programmation mathmatique)
Exemple de mthode exprimentale :
- on fait varier de 0.1 0.5 par incrment de 0.05
- pour chaque valeur de , on calcule le carr moyen des erreurs
ou lcart absolu moyen
- on retient la valeur de qui minimise lerreur (le carr moyen
des erreurs ou lcart absolu moyen) 35
Modles de prvision
Cas dune demande stationnaire
Lissage exponentiel simple - Choix de la valeur initiale

Le choix de a 0 na pas beaucoup dinfluence sur la qualit des

n
prvisions. En effet, pour n assez grand, le terme (1) a 0
sapproche de 0 n 1
Dt
Gnralement on utilise a0 D0 ou a0 t 0
n
Remarque :
Il est prfrable de choisir et a 0 dune faon conjointe

36
Cas dune demande stationnaire
Exemple
On se propose dutiliser le modle du lissage exponentiel
simple :
- avec =0.1 et a0175

- avec =0.5 et a0175
Dterminer pour chaque paramtrage lcart absolu moyen
Quel paramtrage est slectionner ?
On veut maintenant essayer le modle de la moyenne mobile
simple :
- avec T= 3, estimer lcart absolu moyen
- avec T=5, estimer lcart absolu moyen

Conclusion ?
37
Lissage exponentiel simple
= 0,1 et 0 = 175 = 0,5 et 0 = 175

Trimestre Demande Demande | Pt


t Dt t Pt | Pt - Dt| Trimestre t Dt t Pt - Dt|
0 175 0 175
1 180 176 175 5 1 180 178 175 5
2 168 175 176 8 2 168 173 178 10
3 159 173 175 16 3 159 166 173 14
4 175 173 173 2 4 175 170 166 9
5 190 175 173 17 5 190 180 170 20
6 205 178 175 30 6 205 193 180 25
7 180 178 178 2 7 180 186 193 13
8 182 179 178 4 8 182 184 186 4
9 ? - 179 - 9 ? - 184 -

EAM8 10 EAM8 12

EAM3 12 EAM3 14

38
Moyenne Mobile Simple
T=3 T=5

Trimestre Demande | P t Dt |
n Dn T,n Pn Trimestre Demande | Pt Dt |
n Dn T,n Pn
0
0
1 180
- - -
1 180 - -
2 168 -
- - -
2 168 - -
3 159 169 - - -

4 175 3 159 - -
167 169 6 -

5 190 4 175 - -
175 167 23 -

6 205 190 30 5 190 174 -


175 -

7 180 192 190 10 6 205 179 31


174
8 182 189 192 10 7 180 182 179 1
9 ? - 189 - 8 182 186 182 0
EAM5 16 9 ? - 186 -
EAM3 17
EAM3 10
39
Lissage exponentiel double
Holt (1957)
Cadre dapplication : volution
tendancielle avec absence de
saisonnalit
Lissage
a (1simple

n
n 1

) D (1 ) a
i
ni
n
0
i 0

(n - i)b a

Do n 1
( 1 ) [(n-i)b a] ( 1 )
i n
a
n a0
i 0
n 1 n 1
( 1 ) [(nb a] b i( 1 ) ( 1 ) a 0
i i n

i 0 i 0

lim n
1
=1 = 2 =0 40
Lissage exponentiel
double 1
Si n est grand,a n nb a b
Dk

a+bn
b(1 )

b1


an
Dcalage de la prvision par
rapport la demande relle

1 n n+

Si tendance linaire, lutilisation du lissage simple gn
une prvision dcale par rapport la demande relle.
Cet cart saccrot progressivement b1 41
Lissage exponentiel
double
Lissage exponentiel simple est
insuffisant dans ce cas de figure
Lissage Exponentiel Double

Lide du lissage exponentiel double


est destimer b

b n (a n a n 1) (1 )bn 1
1
Dduire a
Pn()= n ( )b n

42
Prise en compte de la
saisonnalit
Si en observant un historique on sent une
saisonnalit sur un cycle de longueur L on
doit le confirmer analytiquement.

Notations :
L : le nombre de priodes conscutives dun
cycle (Gnralement L=12 avec une priodicit
mensuelle).
p : le nombre dannes de lhistorique (un
historique dau moins 2 ans).
Dn,k : La demande de la priode n du cycle
(n=1 L) enregistre lanne k de
lhistorique (k = 1 p)

43
Prise en compte de la
saisonnalit
L
Calculer D n,k

Dk n 1
k 1, ...,p
L
Calculer le rapport
Dn,k
k 1, ...,p ; n 1, ..., L
Dk L
Si pour n= 1

Dn,k
Sn,k Cte sur les annes k 1, ..., p
Existence
Dk dune saisonnalit.
Dans ce cas,
Dn,k
Sn k 1, ..., p ; n 1, ..., L
Coefficient / facteurD/ kindice de saisonnalit.

44
Exemple

Quest ce quon utilise comme facteurs de


saisonnalit pour 2001?
On peut par exemple utiliser lestimation suivante:
Sn,01 0.5Sn,99 0.5Sn,00 n 1, ..., L 45
Dmarche gnrale suivre
pour la prise en compte de la
saisonnalit
Calculer la demande dsaisonnalise
Dn , p
Dnd, p
Sn , p
Effectuer un lissage de la demande
dsaisonnalise
En labsence dune tendance
d
a n,p Dn,p
d
( 1 )a nd1,p
Pnd, p ( ) a nd, p
En prsence dune tendance

d
a n,p Dnd, p ( 1 )a n,p
d

bnd, p (a nd, p a nd1, p ) (1 )bnd1, p


1
Pnd, p( ) a n,p
d
( )bn,p
d
46

Dmarche gnrale suivre
pour la prise en compte de la
saisonnalit
Dterminer une prvision de la demande
Pn , p ( ) Pnd, p ( ) Sn , p

Les coefficients de saisonnalit subissent eux


aussi des variations Lissage exponentiel

S n,p 1 Sn,p ( 1 ) S n,p n 1,..., L

Avec
Sn,p : le coefficient de saisonnalit observ la fin
de la priode n de lanne p
Sn , p : le coefficient de saisonnalit estim pour la
priode n de lanne p
47
Exemple
Anne2004
On considre lhistorique Mois t Demande St
de la demande de J 4 0,48
climatiseurs constate F 2 0,24
lanne 2004. On M 5
suppose quon a dj A 8
confirm la prsence de M 11
saisonnalit et de J 13
tendance. Ju 18
A 15
S 9
Estimer la prvision de la
O 6
demande de climatiseurs
N 5
pour fvrier 2005 en
D 4
utilisant un lissage
exponentiel double. On D 2004 8,33
donne =0.2, =0.1, Anne2005
Mois t Demande
J 5 48
Exemple
D2004 8.33
4
S jan , 2005 0.48
8.33
a djan , 2005 D djan , 2005 (1 )a dec
d
, 2004

Djan , 2005
D djan , 2005 10.42

S jan , 2005

a djan , 2005 0.2 10.42 0.8 8.3 8.72


b djan , 2005 (a djan , 2005 a dec
d
, 2004 ) (1 )bd
dec , 2004 0.1(8.72 8.3) 0.042

1
d
Pjan (1)
a jan , 2005 (
d
1)b djan , 2005 8.93

, 2005

Pjan , 2005 (1) Pjan


, 2005 (1) S fev , 2005 8.93 0.24 2.1
d

49