Techniques de Prévision Et Gestion de Stock État D'avancement Séance 1

AIAC-IESCA 02
Techniques de prévisions et
Gestion de stock
Réalisé et présenté par: TAJI Hajar

Année scolaire: 2019/2020
TECHNIQUES DE PREVISIONS ET GESTION DE STOCK
Mise en situation:
Tout organisme a pour but d’assurer la continuité des différents flux de

l’entreprise (physique, financier, information).
L’idéal est de produire exactement les produits que ses clients vont acheter. Il
faut donc anticiper le mieux possible les futures besoins de ses clients.
Un système de prévision fiable assurera la pérennité de l’organisme et

conditionnera la gestion de ces différentes activités et plus spécialement la
gestion de stock qu’on traitera dans la deuxième partie de ce cours.
Ce présent cours traitera deux notions très importantes:

 Les méthodes de prévision.
 La gestion de stock.
PARTIE 1: TECHNQUES DE PREVISIONS

Objectifs
Comprendre l’utilité des techniques de prévisions,
Différencier les différentes méthodes de prévisions,
Déterminer et paramétrer le modèle de prévisions en se basant sur l’historique
PARTIE 2: GESTION DE STOCK
Comprendre le positionnement de la gestion des approvisionnement,
Comprendre les enjeux de la gestion des coûts de stockage,
Comprendre les différentes politiques d’approvisionnement,
Établir le planning de livraison.
3
PARTIE 1: TECHNIQUES
DE PREVISIONS
1 Définition et généralité sur les prévisions
2 Horizon de la demande et typologie de prévisions
3 Différentes méthodes de prévisions
4 Séries chronologiques en fonction du modèle
5 Question-réponses
4
TECHNIQUES DE PREVISIONS ET GESTION DE STOCK (PARTIE 1)
Horizon de la
Séries
Définition et objectifs demande et Différents méthodes
chronologiques en
des prévisions typologie de de prévisions
fonction du modèle
prévisions
Généralité:  Ordonnancement;
Prévision de la
Commandes fermes  Logistique;
demande
 Bureau des méthodes;
 Suivie de la fabrication.
Planification
Planning Global
Matériels et stocks
Besoin en matériel Besoin en

ou stock capacité
Non Non
OK? OK?
Oui Oui
Contrôle de priorité Contrôle des
(tâche, matériels, capacités (temps
stock ) et équipements)
Horizon de la
Séries
chronologiques en
fonction du modèle
prévisions
Définition des prévisions
Les prévisions sont des estimations de la probabilité de

survenue de certains événements. Ces estimations consistent
une base de donnée qui:
• Anticipe les besoins de l’organisme
• Oriente les décisions et la stratégie de l’entreprise, c’est aussi
un élément vital pour assurer la continuité des flux (financier,
organisationnel, physique).
Horizon de la
Séries
chronologiques en
fonction du modèle
prévisions
Objectifs des prévisions

Le système de prévision permet d’orienter les activités futures de
l’organisme par l’utilisation optimale des informations traduisant le
besoin estimé.
De bonnes prévisions permettent aux dirigeants de planifier de

façon appropriée les niveaux de personnel, matières premières,
capitaux, stocks, et quantités d’autres variables.
Horizon de la
Séries
chronologiques en
fonction du modèle
prévisions
Horizons de prévision
La demande a une influence sur plusieurs aspects de gestion de l’entreprise, aussi

bien sur le niveau des décisions stratégiques que les opérations journalières. Il
existe plusieurs niveau de prévision:
 Long terme
 Moyen terme
 Court terme
Horizon de la
Séries
chronologiques en
fonction du modèle
prévisions
Horizon de prévisions
La demande a une influence sur plusieurs aspects de gestion de l’entreprise, aussi
bien sur le niveau des décisions stratégiques que les opérations journalières. Il
existe plusieurs niveau de prévision:
 Long terme
 Moyen terme
Les prévisions de la demande permettent de prendre des décisions
 Courtconcernant
stratégiques terme par exemple la construction d’une usine, l’innovation
et la conception des nouveaux produits, la planification du capital, la structure
des réseaux de production et de distribution.
Horizon de la
Séries
chronologiques en
fonction du modèle
prévisions
Il existe plusieurs niveaux de prévision:
 Long terme
 Moyen terme
 Court terme
La demande a un impact direct sur les stocks de sécurité et le contrat avec les
clients et les fournisseurs. À ce niveau, Les prévisions de la demande
permettent de maîtriser les capacités globales de production et
d’approvisionnement (acquisition d’une machine, embauche de personnel…)
Horizon de la
Séries
chronologiques en
fonction du modèle
prévisions
Il existe plusieurs niveau de prévision:
 Long terme
 Moyen terme
 Court terme
La demande peut amener à déterminer le nombre d’heures de travail et
l’utilisation de temps supplémentaire ou de temps partiel. La demande courante
Remarque:
•
influence également les fonctions d’approvisionnement, de gestion de stock et
À fur et à mesure que l’horizon de prévision augmente, la probabilité de faire
la charge de l’atelier.
des erreurs augmente aussi.
• L’erreur faite dans la prévision de demande relative à une famille de produit est
d’habitude moindre que l’erreur faite lors de la prévision de la demande d’un
seul produit
Les prévisions doivent tenir compte de facteurs internes et externes de l’entreprise
Horizon de la
Séries
chronologiques en
fonction du modèle
prévisions
Typologie de la demande
E: Demande aléatoire
Horizon de la
Séries
chronologiques en
fonction du modèle
prévisions
Critères de choix:
• Le but du système de prévision;
• Les données disponibles à propos du produits ou de la famille de

produits;
• La précision souhaitée sur les prévisions;
• Le coût accepté pour établir les prévisions;
• Le cycle de vie du produit (lancement, croissance, maturité, déclin).
• Le temps disponible (délais) pour les obtenir.

Horizon de la
Séries
chronologiques en
fonction du modèle
prévisions
Méthodes de prévisions
Les méthodes de prévisions dépendent énormément des sources de
données:
•Soit qu’elles dépendent des enregistrements acquis sur les

tendances futures par les services commerciaux et marketing, elle
se basent donc sur le jugement ou l’opinion des experts.
•Soit qu’elles dépendent des données relevées du passé que l’on

modélise pour faire une projection dans le futur, cette
extrapolation se fait par le biais d’une analyse mathématique des
données.
Horizon de la
Séries
chronologiques en
fonction du modèle
prévisions
Il existe donc deux méthodes de prévisions:
• Techniques de prévisions qualitatives (évaluation);
• Techniques de prévisions quantitatives (extrapolation).
Utilisés principalement pour les prévisions à moyen ou long terme, et destinés à
des décisions mercatiques avec des données provenant d’études de marché ou
d’intentions d’achats, ou simplement d’intuition, à travers notamment
l’interrogation et le traitement des prévisions du réseau de distribution.
On note néanmoins que ces techniques doivent être complétées par d’autres
données qui pourraient palier les incertitudes des prévisions.
Horizon de la
Séries
chronologiques en
fonction du modèle
prévisions
Méthodes de prévisions qualitatives
Méthode de Description Horizon Coût
prévision de temps relatif
Delphi Réponse à une série de question par des experts (anonymement), les Long terme Moyen/ élevé
réponses sont modifiables et complétées par la suite, les itérations peuvent
entrainer un consensus efficace ou une divergence absolue.
Étude de Le service commercial fait des enquêtes, par le biais de questionnaire. Le Moyen/ Long
terme
Élevé
marché plan d’échantillonnage doit être bien conçu afin de garantir la fiabilité et la
représentativité statistiques des résultats de la clientèle cible (potentielle).
Les prévisions Les vendeurs qui sont en contact direct avec le client. Pour développer les Moyen terme Bas/ Moyen
visionnaires prévisions personnelles des ventes dans l’année à venir, l’agrégation des
données se fait donc par le directeur de vente.
Opinions des Les managers du marketing, de la production et des finances préparent les Court/ Moyen
terme
Bas/
Moyen
cadres prévisions ensemble.
Analogie Le service commercial peut prévoir l’évolution de la demande d’un produit Court/ Moyen
terme
Bas/ Moyen
historique en se fiant à l’évolution observée dans le passé pour d’autres produits
semblables. La demande d’un produit suit un chemin relativement
prévisible en fonction du cycle de vie du produit (introduction sur le
marché, croissance, maturité, déclin), on peut donc prévoir la durée de
chacune de ces phases.
Horizon de la
Séries
chronologiques en
fonction du modèle
prévisions
Il existe donc deux méthodes de prévisions:
• Techniques de prévisions qualitatives (évaluation);
• Techniques de prévisions quantitatives (extrapolation).
Utilisés principalement à base d’analyse systématique des données, en se basant

sur des hypothèses initiales en développant un modèle explicatif.
Le calcul des coefficients de corrélation linéaire entre la demande et les

facteurs (internes et externes) afin d’identifier des variables les plus
pertinentes (méthodes causales)
L’analyse d’une représentation graphique des données historiques (série

chronologique)
Horizon de la
Séries
chronologiques en
fonction du modèle
prévisions
Techniques de prévision quantitatives
Il existe deux variantes importantes de prévisions quantitatives:
Les méthodes causales;
Les séries chronologiques.
Cette méthode représente d’avantage d’une analyse plus poussée des facteurs
d’évolution de la prévision dans le passé offrant ainsi une meilleure précision. Ils
permettent de découvrir les facteurs quantifiables qui ont influencé l’évolution
passé d’une variable de prévision en évaluant l’effet de chacun de ces facteurs.
Y= f(x1, x2,…,xn,έ) avec x1,x2,..,xn variables de prévision

έ est un terme d’erreur.
Une fois la fonction f déterminée, il devient possible de prévoir la valeur de la

demande. Il existe donc plusieurs méthodes allant dans ce sens:
 Régression simple
 Régression multiple
Horizon de la
Séries
chronologiques en
fonction du modèle
prévisions
Méthodes de prévisions quantitatives
Il existe deux variantes importantes de prévision quantitatives:
Les méthodes causales;
Les séries chronologiques.
Cette méthode de prévision s’intéresse à l’écoulement de temps. Elle se base sur une
séquence de données récoltées sur un intervalle de temps régulier et présentées dans
leur ordre chronologique.
L’exploitation des résultats des observations se fait par le biais de calcul statistique, ou
lorsque les logiciels facilement disponibles.
Le processus de prévision passe par plusieurs étapes:

 La collecte des données;
 L’analyse des données;
 Le choix des méthodes de prévision;
 L’obtention des prévisions.
Horizon de la
Séries
chronologiques en
fonction du modèle
prévisions
Méthodes de prévisions quantitatives
Les composants d’une série chronologique:
Tendance: est le mouvement général du niveau moyen de la demande dans le temps, il

existe plusieurs facteurs qui pourraient expliquer la tendance, on cite les avancés
technologiques, changement de productivité, inflation, évolution de la population…
Saisonnalité: est une fluctuation de la demande autour d’une valeur moyenne qui se
répète à des intervalles réguliers.
Conjoncture: similaire aux composants de la saisonnalité ( sauf pour l’amplitude et la

longueur du cycles). Ce critère est lié aux cycles économiques (inflation, crise mondiale,
chômage…).
Résidu: composante aléatoire, suite de petits mouvements qui ne suivent aucun

patron reconnaissable (inondations, guerres, grèves, élections, nouvelles lois).
Horizon de la
Séries
chronologiques en
fonction du modèle
prévisions
Séries chronologiques
1. Modèle stationnaire
D(t)=Dm+(t)
Dm (t)
Un modèle stationnaire est caractérisé par des
observations concentrées autour d’une valeur
moyenne constante.
Une valeur de la série stationnaire est représentée par une constante Dm et

une fluctuation aléatoire (t).
D(t)=Dm+(t)
Le but donc est d’approcher les composantes Dm et (t).

Horizon de la
Séries
chronologiques en
fonction du modèle
prévisions
D(t)=Dm+(t)
Dm (t)
Un modèle stationnaire est caractérisé par des
observations concentrées autour d’une valeur
moyenne constante.
Il existe deux techniques pour faire les prévisions dans ce cas:

 Moyenne mobile simple.
 Lissage exponentiel simple.
Horizon de la
Séries
chronologiques en
fonction du modèle
prévisions
 Moyenne mobile simple
La moyenne mobile Mb (t+1) fait intervenir un nombre n déterminé de données Di,

c’est une moyenne non constante qui se modifie à fur et à mesure que de nouvelles
observations sont disponibles.
Avec:Mb(t+1)= moyenne mobile calculée en fin de

période t (utilisable comme prévision pour la période
t+1)
Di= Demande réelle de la période i.
n= nombre de périodes utilisé.
Le choix du nombre de périodes à utiliser dans le calcul de la moyenne mobile simple

dépend beaucoup des variations attendues dans les données, on cite:
 Stabilité;
 Réactivité.
Horizon de la
Séries
chronologiques en
fonction du modèle
prévisions
Exemple d’application:
Calculez la moyenne mobile simple pour n=3. Déterminez la valeur prévisionnelle des ventes
pour la semaine 23.
Semai Demande du Demande Demande moyenne basée
ne la semaine totale de n sur les n dernières
période observations Mb(t+1)
15 580
16 580
17 610 Avec:Mb(t+1)= moyenne mobile
18 620 calculée en fin de période t (utilisable
19 580 comme prévision pour la période t+1)
20 590 Di= Demande réelle de la période i.
n= nombre de périodes utilisées.
21 620
22 590
Horizon de la
Séries
chronologiques en
fonction du modèle
prévisions
Mois Demande du Demande Demande moyenne basée

mois totale de n sur les n dernières
période observations Mb(t+1)
15 580
16 580
17 610 1770 590 À la fin de la
18 620 1810 n 603.33 période
(20,21,22) la
19 580 1810 603.33
prévision pour
20 590 1790 596.66 la demande
21 620 1790 596.66 pour le mois 23
est de 600
22 590 1800 600
TECHNIQUES
Chapitre 1 DE PREVISIONS ET GESTION DE STOCK (PARTIE 1)
Horizon de la
Séries
chronologiques en
fonction du modèle
prévisions
1. Modèle stationnaire Exemple d’application:
(n=3, α1=0.2, α2=0.3, α3=0.5)
 Moyenne mobile simple pondérée
Mois Demande Moyenne pondérée en fin de période i Demande
de la moyenne
semaine basée sur les
i=17 i=18 i=19 i=20 i=21 i=22 n dernières
observation
de la période
t+1
15 580 580×0.2
16 580 580×0.3 580×0.2
17 610 610×0.5 610×0.3 610×0.2 595

18 620 620×0.5 620×0.3 620×0.2 609
19 580 580×0.5 580×0.3 580×0.2 598
20 590 590×0.5 590×0.3 590×0.2 593
21 620 620×0.5 620×0.3 603
22 590 590×0.5 599
Horizon de la
Séries
chronologiques en
fonction du modèle
prévisions
 Lissage exponentiel simple
Le lissage exponentiel est une forme de moyenne mobile pondérée, la différence

entre les deux est que cette méthode fait intervenir et la demande réelle Dt et la
prévision correspondante Pt à cette demande (d’une période t).
P(t+1)=Pt+α( Dt –Pt ) Avec:P(t+1)= prévision pour la période t+1.

Dt= Demande réelle de la période t.
α= Constante de lissage (0≤α≤1)
Horizon de la
Séries
chronologiques en
fonction du modèle
prévisions
P(t+1)=Pt+α( Dt –Pt ) Avec: P(t+1)= prévision pour la période t+1.
Dt= Demande réelle de la période t.
Exercice d’application: α= Constante de lissage (0≤α≤1)
Faite le calcul des prévisions pour P15=600 les valeurs de α=0.1 α=0.7. que remarquez vous?
Mois Demande du Ancienne Erreur α(Dt-Pt) Nouvelle
Dt-Pt
mois prévision prévision
Pt+ α(Dt-Pt)
α=0.1 α=0.7 α=0.1 α=0.7 α =0.1 α =0.7 α=0.1 α=0.7
15 580 600 600 -20 -20 -2 -14 598 586

16 580 598 586
17 610
18 620
19 580
20 590
21 620
Horizon de la
Séries
chronologiques en
fonction du modèle
prévisions
Mois Demande du mois Ancienne prévision Erreur α(Dt-Pt) Nouvelle prévision
Dt-Pt Pt+ α(Dt-Pt)
α=0.1 α=0.7 α=0.1 α=0.7 α =0.1 α =0.7 α=0.1 α=0.7
15 580 600 600 -20 -20 -2 -14 598 586
16 580 598 586 -18 -6 -1.8 -4.2 597 582
17 610 597 582 13 28.2 1.3 19.74 599 602
18 620 599 602 21 18 2.1 12.6 602 615
19 580 602 615 -22 -35 -2.2 -24.5 600 591
20 590 600 591 -10 -1 -1 -0.7 599 591
21 620 599 591 20 29 2 20.3 601 612
22 590 601 612 -11 -22 -1.1 -15.4 600 597
Une valeur de α proche de 1 est donc adaptée à une demande très fluctuante, une valeur faible de α
permet une atténuation des variations aléatoires.
Par contre, une valeur de α proche de 0 est adaptée pour une demande stable (sans tendance ni
variations cycliques)
Horizon de la
Séries
chronologiques en
fonction du modèle
prévisions
Étude Comparative Entre Le Lissage Exponentiel Et La Moyenne Mobile Simple.
Similitudes Divergences
Les deux modèles reposent sur l'hypothèse Une donnée peu représentative ne sera plus
que la demande est stationnaire; considérée après n périodes alors qu'elle
aura toujours une influence dans le calcul
Les prévisions des deux modèles seront en de la prévision utilisant le lissage
retard sur la tendance s'il y en a une; exponentiel;
Les deux modèles ne nécessitent Pour pouvoir utiliser les moyennes mobiles,
respectivement la spécification que d'un il faut conserver toutes les données des N
seul paramètre. périodes passées, contrairement au lissage
exponentiel.
Horizon de la
Séries
chronologiques en
fonction du modèle
prévisions
2. Modèle pour série avec tendance
La régression linéaire est une méthode statistique pour estimer la relation moyenne qui
peut exister entre une variable dépendante et une variable indépendante.
Dans cette section, nous présentons deux méthodes permettant de prendre en
considération une tendance dans l'évolution des données:
 La régression linéaire
Variable dépendante ?
 La moyenne mobile double (également appelée méthode de Holt)
Variable indépendante ??
Horizon de la
Séries
chronologiques en
fonction du modèle
prévisions
La régression linéaire est une méthode statistique pour estimer la relation moyenne qui
peut exister entre une variable dépendante et une variable indépendante.
Soit Y la variable dépendante et X, la variable indépendante. Puisque l'on suppose que la

relation entre Y et X est linéaire.
L’équation de régression s’exprime

alors comme suit:
Y’=b X + a
Il faut donc déterminer les valeurs
de a et b.
Horizon de la
Séries
chronologiques en
fonction du modèle
prévisions

est la moyen
ne
Y’=b X+a. arithmétique
des
observation
s Di
durant n pér
iodes.
Exemple d’application
La demande pour des planches en merisier de 6' au cours des huit dernières semaines a été
comme suit:
200, 250, 175, 186, 225, 210.
En supposant que l'on utilise les cinq premières périodes, estimer les paramètres de
régression ainsi que le valeurs de Y’ pour la semaine 6.
Horizon de la
Séries
chronologiques en
fonction du modèle
prévisions

 La régression linéaire Exemple d’application
La demande pour des planches en merisier de 6'
au cours des huit dernières semaines a été
comme suit:
200, 250, 175, 186, 225, 210.
En supposant que l'on utilise les cinq premières
périodes, estimer les paramètres de
régression ainsi que le valeurs de Y’ pour la
semaine 6.
Y’=- 1.4X+211.4
Y’(6)= 203
Horizon de la
Séries
chronologiques en
fonction du modèle
prévisions

 La moyenne mobile double ( méthode de HOLT)
Pour minimiser le retard induit par la moyenne mobile simple sur la demande réelle, on
peut calculer une moyenne mobile double. Une moyenne mobile double se calcule à
partir de la moyenne mobile simple, c’est une moyenne de la moyenne mobile simple.
Etape 1: Calcul de la moyenne mobile double.
Mb(t) la moyenne mobile simple calculée au temps t
et Mbd(t) la moyenne mobile double calculée au temps t

Horizon de la
Séries
chronologiques en
fonction du modèle
prévisions

Période t Demande Dt Mb(t) (n=5) Mbd(t) (n=5)
1 50
2 50
3 50
4 50
5 50 50
6 50 50
7 50 50
8 50 50
9 50 50 50
10 50 50 50
11 53 50.6 50.12
12 56 51.8 50.48
13 59 53.6 51.2
14 62 56 52.4
15 65 59 54.2
Horizon de la
Séries
chronologiques en
fonction du modèle
prévisions

Etape 1: Calcul de la moyenne mobile double.
Mb(t) la moyenne mobile simple calculée au temps t
et Mbd(t) la moyenne mobile double calculée au temps t
Etape 2: Calcul des prévisions.
Où Pt+m est la prévision faite au temps t pour la

période t + m
Et n est le nombre de périodes utilisées dans le
calcul des moyennes mobiles.
Horizon de la
Séries
chronologiques en
fonction du modèle
prévisions

Exemple d’application:
Reprenons l’exemple précédent
Supposons que nous soyons actuellement à la période 17 et que nous voulions

développer une prévision pour la période 20. À partir des calculs précédents:
À la période 17, la prévision des ventes pour la période 20 est de 79.7 unités.
Horizon de la
Séries
chronologiques en
fonction du modèle
prévisions
3. Modèle pour série avec saisonnalité

Lorsque des fluctuations récurrentes apparaissent de façon similaire (ou presque) à des intervalles
réguliers on est en présence d’une saisonnalité.
Le paramètre le plus décisive à prendre en considération lorsqu’on est en présence

d’une saisonnalité est la longueur du cycle (en nombre de périodes).
Exemple: Pour un cycle qui se répète à chaque année et que nous sommes
intéressés par des prévisions hebdomadaires N=52.
Lorsque les données sont mensuelles N=12
Horizon de la
Séries
chronologiques en
fonction du modèle
prévisions
3. Modèle pour série avec saisonnalité

 Coefficient de saisonnalité
Les fluctuations saisonnières se traduisent par le calcul du coefficient de saisonnalité

Ct. Le nombre de coefficients de saisonnalité dépend de la longueur du cycle. Ainsi,
pour un cycle de N = 4 périodes, on aura 4 coefficients: C1, C2, C3 et C4.
C1 = Y2 / Y1
Y1 est la moyenne générale de la série au temps t.

Y2 est la demande réelle enregistrée à la période t.
Merci de votre attention
41

Techniques de Prévision Et Gestion de Stock État D'avancement Séance 1

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Techniques de Prévision Et Gestion de Stock État D'avancement Séance 1

Transféré par

Droits d'auteur :

Formats disponibles

AIAC-IESCA 02

Réalisé et présenté par: TAJI Hajar

Tout organisme a pour but d’assurer la continuité des différents flux de

Un système de prévision fiable assurera la pérennité de l’organisme et

Ce présent cours traitera deux notions très importantes:

PARTIE 1: TECHNQUES DE PREVISIONS

Différencier les différentes méthodes de prévisions,

Déterminer et paramétrer le modèle de prévisions en se basant sur l’historique

PARTIE 2: GESTION DE STOCK

Comprendre le positionnement de la gestion des approvisionnement,

Comprendre les enjeux de la gestion des coûts de stockage,

Comprendre les différentes politiques d’approvisionnement,

Établir le planning de livraison.

1 Définition et généralité sur les prévisions

2 Horizon de la demande et typologie de prévisions

3 Différentes méthodes de prévisions

4 Séries chronologiques en fonction du modèle

Besoin en matériel Besoin en

Définition des prévisions

Les prévisions sont des estimations de la probabilité de

Objectifs des prévisions

De bonnes prévisions permettent aux dirigeants de planifier de

La demande a une influence sur plusieurs aspects de gestion de l’entreprise, aussi

• Le but du système de prévision;

• Les données disponibles à propos du produits ou de la famille de

• Le coût accepté pour établir les prévisions;

• Le cycle de vie du produit (lancement, croissance, maturité, déclin).

• Le temps disponible (délais) pour les obtenir.

•Soit qu’elles dépendent des enregistrements acquis sur les

•Soit qu’elles dépendent des données relevées du passé que l’on

Utilisés principalement à base d’analyse systématique des données, en se basant

Le calcul des coefficients de corrélation linéaire entre la demande et les

L’analyse d’une représentation graphique des données historiques (série

Y= f(x1, x2,…,xn,έ) avec x1,x2,..,xn variables de prévision

Une fois la fonction f déterminée, il devient possible de prévoir la valeur de la

Le processus de prévision passe par plusieurs étapes:

Méthodes de prévisions quantitatives

Les composants d’une série chronologique:

Tendance: est le mouvement général du niveau moyen de la demande dans le temps, il

Conjoncture: similaire aux composants de la saisonnalité ( sauf pour l’amplitude et la

Résidu: composante aléatoire, suite de petits mouvements qui ne suivent aucun

Une valeur de la série stationnaire est représentée par une constante Dm et

Le but donc est d’approcher les composantes Dm et (t).

Il existe deux techniques pour faire les prévisions dans ce cas:

La moyenne mobile Mb (t+1) fait intervenir un nombre n déterminé de données Di,

Avec:Mb(t+1)= moyenne mobile calculée en fin de

Le choix du nombre de périodes à utiliser dans le calcul de la moyenne mobile simple

Mois Demande du Demande Demande moyenne basée

16 580 580×0.3 580×0.2

17 610 610×0.5 610×0.3 610×0.2 595

Le lissage exponentiel est une forme de moyenne mobile pondérée, la différence

P(t+1)=Pt+α( Dt –Pt ) Avec:P(t+1)= prévision pour la période t+1.

15 580 600 600 -20 -20 -2 -14 598 586

α=0.1 α=0.7 α=0.1 α=0.7 α =0.1 α =0.7 α=0.1 α=0.7

15 580 600 600 -20 -20 -2 -14 598 586

16 580 598 586 -18 -6 -1.8 -4.2 597 582

17 610 597 582 13 28.2 1.3 19.74 599 602

18 620 599 602 21 18 2.1 12.6 602 615

19 580 602 615 -22 -35 -2.2 -24.5 600 591

20 590 600 591 -10 -1 -1 -0.7 599 591

21 620 599 591 20 29 2 20.3 601 612

22 590 601 612 -11 -22 -1.1 -15.4 600 597

2. Modèle pour série avec tendance