LA PRÉVISION

DE LA
DEMANDE
RÉALISER PAR: Demandé par :
AZAGZA GHIZLANE MAAINE
BOUZAOUI KAOTARE MOHAMED
PLAN:
Introduction
1.Objectifs et contraintes de la demande
1.1 objectifs de prévision de la demande
1.2 les éléments du choix
1.3 les sources de données
1.4 typologie de la demande
2.Les méthodes de prévision
2.1 Généralités sur les méthodes de prévision
2.2 les méthodes qualitatives
2.3 les méthodes quantitatives
2.3.1 représentation graphique
2.3.2 méthodes de décomposition
2.3.3 méthode des moyennes mobiles
2.3.4 méthodes de lissages exponentiel
3.Erreurs et incertitude sur les prévisions
Conclusion
INTRODUCTION :
Toute entreprise pour garantie sa pérennité et son
bon fonctionnement il a besoin d’un système de
provisionnement quelle que soient sa nature
commerciale, dans le but d’anticiper les futures
commandes des clients on parle de prévision de
la demande.
 « C’est une étape fondamentale d’un projet
ou entreprise qui estime la consommation
des produits ou service pour les prochaines
périodes ».
1- LES OBJECTIFS ET
CONTRAINTES DE LA DEMANDE :
1.1 objectifs de la prévision de la
demande :
Toute entreprise, a le but de produire
exactement les produits que ses clients vont
acheter donc , il doit s’appuyer sur un système de
prévisions fiables. Selon le type de décisions à
prendre, ce dernier devra être à long, moyen ou
court terme, alors selon type d’activité et les
produits de l’entreprise :
les prévisions de la demande
 ces prévisions ont pour objet de définir :
 ce qu’il faudra produire
 quand il faudra le produire

Exemple :
Supposons maintenant que l’entreprise avait effectué des
prévisions sur cette période:
 1.2 les éléments du choix :
Dans toute approche de prévision, le choix de la méthode exige de
se poser tout d’abord la question fondamentale suivante:
quel est l’objectif de mes prévisions ?
En effet, la méthode choisie dépendra de nombreux facteurs :

La
décision

les
données Les
éléments Le cout
historique de choix
s

Le temps
 1.3 les sources de données :
Les sources de données correspondent aux deux
familles de méthodes de prévisions:

• établies par des experts

Familles interrogés
prédictives

Familles • que l’on modélise pour

fondées sur faire une projection
des série dans le futur
chronologique
 La source privilégiée de données :
• Un historique de données concernant un produit.
• Effectuer une prévision si on estime qu’il existe
un lien entre l’évolution de la demande passée et
celle de la demande à prévoir.

 Les autres sources de données:

• les études de marché, les avis d’experts, le suivi
des commerciaux…
• ces données sont plus délicates à manipuler et à
interpréter ; par contre, elles constituent un
complément sûr à un historique.
 1.4 typologie de la demande :
généralement il y a cinq caractéristiques de la
demande :
A. demande constante : si elle oscille statistiquement autour
d’une valeur moyenne constante dans le temps.

B· demande à tendance : s’il y a oscillation autour d’une valeur

croissante ou décroissante dans le temps

C· demande saisonnière : si elle présente des variations

nettement plus importantes, en hausse et en baisse d’une manière
périodique.

D· demande saisonnière et à tendance : si les pics et les

creux sont disposés autour d’une droite non horizontale

· demande erratique : si les valeurs sont totalement aléatoires

dans le temps.
Figure 1: - typologie de la demande
2.LES MÉTHODES DE PRÉVISION :
2.1.Généralités:

Méthodes de prévision:

Qualitatives Quantitatives

• Fondée sur des modèles mathématiques

• Font appel à une
méthodologie non Technique Technique
mathématiques s s
(mais implique des intrinsèqu extrinsèqu
valeurs es es
numériques)

Les données Les données

manipulées sont appartenant à des
celles du produit événements relatifs
considéré. à l’article mais pas
directement.
 2.2 Les méthodes qualitatives :

Souvent employer pour une prévision à

moyen ou long terme
Destiner à des décisions de mercatiques on
exploitant des données issues d’études de
marché ou intentions d’achats.
 LA TECHNIQUE DE DELPHI:
Une technique qui consiste à interroger des experts sur une
question, et ce indépendamment les uns des autres afin d’éviter
toute influence forte directe. Le coordinateur remet l’ensemble
des réponses aux experts qui peuvent modifier ou confirmer leur
proposition précédentes. Après deux ou trois cycles de ce type,
on parvient à une proposition de consensus efficace.
 2.3 Les méthodes quantitatives :

 reposent généralement sur l’extrapolation

de la demande dans le temps via l’utilisation
de données de consommation passées.

 Les principales méthodes quantitatives sont

les suivantes :
 2.3.1 Représentation graphique :
C’est un préalable simple et explicite aux autres méthodes :
 permet de résumer la prévision dans un coup d’œil.
 par extrapolation de la courbe des consommations passées, on peut obtenir
une estimation de la demande à venir.

Figure 3 – Représentation
Figure 2 - Relevé des valeurs de la graphique de l’historique de la
demande pendant un an demande
 2.3.2 Méthode de décomposition :
Basée sur la décomposition des résultats en fonction des
différentes variables :
 une tendance T : donnant l’évolution à moyen terme de la
demande ;
 des variations saisonnières S : dues à des modifications
périodiques de la demande liées à la nature du produit et à
son utilisation ;
 des éléments résiduels R : dus à de nombreuses causes
autres que les précédentes (modifications climatiques
inattendues, épidémies, grève, apparition d’un nouveau
client sur le marché, mode…).
La demande pour une période n peut alors
s’exprimer sous deux formes :

 une forme additive : Dn = Tn + Sn + Rn

 une forme multiplicative : Dn = Tn. Sn.Rn

 2.3.3 Méthode des moyennes mobiles :
Basée sur la moyenne de la demande réelle des
périodes précédentes comme prévision de la
prochaine période. Cette méthode a deux utilisations :
 établir une prévision de la demande
 lisser des données utilisées avec d’autres
méthodes de prévision.
 La moyenne mobile simple :
On estime la prévision de la demande pour une certaine période à partir
des valeurs connues pour les quelques périodes précédentes :
Pn= (Dn-1 + Dn-2 +…+Dn-p+1)/p
Avantage :
 simple à mettre en œuvre sur un ordinateur
 peu coûteuse.
Inconvénient :
 La moyenne mobile est influencé par les valeurs antérieures

Figure 4 –
Moyenne mobile «
traînant » derrière
les valeurs réelles
 Exemple :
Prenons le cas d’une moyenne mobile à trois périodes. Dans ce cas, la demande
de la période 8 est calculée à partir des consommations des périodes 5, 6 et 7 selon :
P8 = (D5 + D6 + D7)/3
A.N : P8 = (41,7 + 42,5 + 36,7)/3 = 40,3.
Puis de période en période on estimera P9 à partir de D6, D7 et D8, puis P10... (D’où
le nom de la méthode).

Figure 4 -
Exemple de prévision
par moyenne mobile à
trois périodes
 moyenne mobile pondérée :
La prévision pour la période suivante est égale à la
moyenne des poids différents des n demandes
passée (avec La somme des poids doit évidemment
être égale à 1).
Pn = (a1.Dn-1 + a2.Dn-2 +…+an.Dn-p)/(a1+a2+…+an)

Exemple:
P8 = (2.D5 + .D6 + 4.D7)/(2 + 3 + 4)
A.N : P8 = (2.41,7 + 3.42,5 + 4.36,7)/9
 2.3.4 Méthode lissage exponentiel :

Cette méthode est probablement la plus connue

pour la prévision de la demande des articles, où La
prévision pour la période suivante est égale à une
fraction de la dernière demande observée plus une
fraction de la prévision pour la même période :
Pn = Pn-1 + α (Dn-1 – Pn-1)
avec α est un coefficient compris entre 0 et 1
3.ERREURS ET INCERTITUDE
SUR LES PRÉVISIONS :
Une prévision est par nature incertaine (Il ne faut pas confondre
incertitude et erreur) Il peut naturellement y avoir erreur, si on se trompe
en prenant des données inexactes, en calculant ou en utilisant mal
les méthodes…
Nous pouvons évaluer la qualité des prévisions par deux valeurs
complémentaires :
 L’erreur moyenne : c’est un indicateur signale la présence ou
l’apparition d’un biais systématique prévision en moyenne trop forte
ou trop faible : e=Σ(Di – Pi)/n
 L’écart moyen absolu: (MAD : Mean Absolute Deviation)
Il évite les compensations des termes de signes contraires pour donner
une valeur de e qui semble acceptable et contrôle l’écart entre demande
réelle et prévision : MAD=Σ I Di – Pi I /n
Figure 3.11 – Erreur moyenne et MAD

d’où : e = 2/8 = 0,25

et : MAD = 62/8 = 7,75
CONCLUSION :
Tous les modèles de prévision précédemment citée
ont été intégrés à des logiciels. Dont certains
progiciels comportent plusieurs méthodes et proposent
même un choix à l’utilisateur s’il le désire. Mais,
soulignons toutefois qu’il est indispensable de ne pas
faire une confiance aveugle toujours à tout traitement
automatique. D’où l’expérience, l’intuition et le bon
sens restent souvent des facteurs les plus valables et
fondamentaux pour réaliser une bonne prévision et
détecter toute anomalie.