Prévision de la demande

1
 Introduction

 Selon le contexte économique, politique … le

terme prévision peut avoir plusieurs définitions

 En ce qui concerne la gestion des systèmes de

production, établir des prévisions consiste à
estimer des événements futurs en traitant
d’une manière systématique et prédéterminée des
données relatives au passé

2
 Caractéristiques des prévisions

 3 éléments temporels :
Périodicité de révision

temps
Période élémentaire

Horizon couvert

3
 Caractéristiques des prévisions

 Degré d’agrégation de la demande :

 Horizon – objectif
 Exemple :
- Pour construire le PDP, on a besoin de considérer les
demandes par référence de produit
- Pour construire un plan agrégé de production, il suffit de
considérer les demandes par famille de produit

4
 Caractéristiques des prévisions

La précision des prévisions s’accroît 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 d’écart type 5 :
Estimer 95% des demandes : l’intervalle des demandes
[D1, D2] de probabilité 0,95

5
 Caractéristiques des prévisions
 Solution :
- Si on considère chaque version toute seule :
Pour chaque version, à 95%, les ventes seront comprises
entre 90 et 110
 Pour l’ensemble des 10 versions les ventes seront
comprises entre 900 et 1100
- Si on considère une agrégation des 10 versions :
La somme de n lois normales N(µ, ) est une loi normale
N(nµ, n ) : les 10 versions, dans l’ensemble  N(1000, 16)
 Pour l’ensemble des versions, à 95%, les ventes seront
comprises entre 968 et 1032
6
 Caractéristiques de la demande
 Analyse des séries temporelles
(historique de la demande)
Demande
(unités)

Temps

 Demande stable : même allure dans le temps

Facile à prévoir
 Demande indépendante : absence de lien fonctionnel
ou d’usage entre les différents produits 7
 Mise en place d’un système de prévision SP
Démarche générale
 Définir l’objectif attendu,
Initiation

 Choisir les articles et le degré d’agrégation approprié

(par type ou des famille),
 Choisir l’horizon des prévisions
Conception Exploitation

 Collecter les données / informations nécessaires

 Traitement des données selon le degré d’agrégation
 Identifier un modèle de prévision
 Valider le modèle de prévision
 Faire des prévisions de la demande future
 Mise en place d’un système de mise à jour périodique
8
 Sources d’information
Cycle logistique

Approvisionnement Dans quelle situation un

système de prévision est
Préparation indispensable?
Fabrication

Assemblage

1 2 3 4 5

Délai alloué à la production :

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

 Nettoyage préliminaire des données du passé

(redressement)
 tenir compte des commandes perdues,
 repérer les phénomènes exceptionnels (par exemple
des pics à des commandes exceptionnelles
 omettre les petites commandes des clients non
réguliers.

10
 Sélection des articles
 Choisir les produits qui représentent la plus
grande part du chiffre d’affaire de
l’entreprise analyse ABC ou loi Pareto.
% cumulé du chiffre d’affaires
100%
95%
80%

Classe A Classe B Classe C

20% 50% 100%

% cumulé du nombre de produits 11
 Méthodes de prévision de la
demande

Il existe une relation de causalité entre la demande future du produit étudié

et un certain référentiel

Informations certaines / subjectives / qualitatives / quantitatives.

Méthode de prévision qualitative / quantitative

12
 Méthodes qualitatives
 Cadre d’application : planification stratégique,
prise de décision concernant les grands
investissements (tel que le lancement d’un
nouveau produit) et les projets de rénovation

 Méthodes basées essentiellement sur

l’intuition et l’expérience personnelle du
décideur.
 la technique de groupe nominal,
 le traitement des prévisions de réseau de
distribution,
 les études de marché,
 la méthode Delphi.
13
 Méthode qualitative - Technique
du groupe nominal

 Constituer un panel d’experts pour

travailler ensemble dans le cadre d’une
réunion dirigée par un coordinateur :
donner des idées, les discuter et les
classer selon des priorités afin d’arriver
à un consensus.
 Technique d’animation d’un groupe de travail
 Brainstorming,
 Etc.

14
 Méthode qualitative - Traitement des
prévisions du réseau de distribution

 Déterminer les prévisions/estimations

de la demande globale à partir des
ventes de chaque distributeur
appartenant à un réseau de distribution.

15
 Méthode qualitative - Étude de
marché
 Données auprès des clients actuels ou
potentiels concernant leurs futurs plans
d’achat,
 Statistiques publiques sur les activités des
concurrents et des consommateurs d’une
façon générale.

 Une idée sur le marché futur (phase de

création d’une nouvelle entreprise,
lancement d’un nouveau produit, etc.)

16
 Méthode qualitative - Méthode
Delphi
panel d’experts pas nécessairement de
Expert 3 la même organisation
absence de confrontation personnelle
absence de conflits, de dominance ou
d’influence entre les membres du panel

Expert 1 Coordinateur Expert 2

 Un coordinateur pose une question, par écrit, à chaque expert du panel.
 Chaque expert émet brièvement, par écrit, sa prédiction.
 Le coordinateur regroupe les réponses et les résume
 le coordinateur pose un nouvel ensemble de questions et les envoie aux
experts. Les réponses sont émises encore par écrit.
 Le coordinateur édite et résume les nouvelles réponses, et répète le
processus jusqu’à ce qu’il arrive à des prédictions synthétisées
satisfaisantes ou à une conclusion de divergence.
17
 Méthode quantitative – Méthode
causale
Variables exogènes ou expliquées dans le passé

D = f (y1, y2, y3, … ym)

Demande d’une période n >m

 Les techniques de régression ou les modèles

économétriques.
 Exemples d’application :
 la vente de couches 3-6 mois du mois de décembre dépend des
naissances des mois de juillet à septembre.
 la vente de pneus est corrélée aux ventes de véhicules neufs
effectués durant les années précédentes.
18
 Les méthodes d’extrapolation
statistique
 Extrapoler le passé pour prévoir le futur.

 Une série chronologique : suite d’observations dans le temps

prises à intervalles réguliers.
 L’analyse des séries chronologiques permet d’identifier le
comportement sous-jacent à l’évolution des activités de
l’entreprise sur une période clairement identifiée.

 hypothèse fondamentale : « les facteurs qui ont

influencé la demande passée restent valables dans
l’avenir ».

 une méthode d’extrapolation statistique doit être appliquées

sur un horizon assez court (d’une année ou deux) en
effectuant des mises à jour.

19
 Décomposition d’une série
 Toute série peut se décomposer en 3
composantes :
 une composante tendancielle (tendance,
trend),
 une composante cyclique (cycle ou
saisonnalité),
 une composante aléatoire ou résiduelle.

20
 La tendance
 La Tendance désigne un mouvement de
données graduel et à long terme vers le
haut ou vers le bas la tendance de
fond.
Variation irrégulière

tendance

21
 La saisonnalité
 Cette composante est caractérisée par sa
périodicité. Elle désigne la fluctuation de la
demande qui se répète d’une façon
cyclique et est expliquée par des facteurs
environnementaux.
Cycle

22
 Composante aléatoire
 Il s’agit d’un processus purement aléatoire
exprimant les variations de la demande non
expliquées par la décomposition au niveau
de base, tendance et saisonnalité.

23
 Typologie de la demande
Dt= A+t

• • • •
• • • •

Dt=t
• Demande Stationnaire
•
• •

• • •
• Dt= B.t + A +t
•
•
•

Demande purement aléatoire •

•
•
•

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

Demande saisonnalisée Demande saisonnalisée

additive multiplicative

Saisonnalité + Variation
Saisonnalité + Variation d’amplitude d’amplitude de plus en
stable en volume plus marquée 25
 Caractéristiques d’un bon
système de prévision
 Obtenir une réaction rapide face à une
variation significative telle qu’une
saisonnalité ou tendance

#
 Lisser les variations aléatoires  Un SP
ne doit pas être sensible aux aléas
26
 Mesure de la qualité d’une
prévision
 Ecart Moyen
 Permet de détecter le centrage de la loi d’erruer
n Demande mesurée à posteriori
E t
EM n  t 1
avec E t  Pt  Dt
n

Écart moyen Erreur Prévision en la période t

Dt

t>0
t<0
Pt Système de prévision
bien adapté EMn ≈ 0
Les prévisions Les prévisions
surestiment la sous-estiment la demande réelle
demande réelle 27
 Mesure de la qualité d’une
prévision
 Écart Absolu Moyenn
 P D t t
EAM n  t 1
n
Prévision bonne  EAMn très proche de zéro +
Variation constante dans le temps
 Erreur quadratique moyenne ou Carré
moyen des écarts
n

 t t
P  D 2

CME n  t 1
n
OnOnchoisit
choisitleleCME
CMEsision
onveut
veutprivilégier
privilégierun
unsystème
systèmede deprévision
prévisionavec
avec
de faibles erreurs mêmes si elles sont fréquentes devant un
de faibles erreurs mêmes si elles sont fréquentes devant un autre autre
induisant
induisantdes
deserreurs
erreursimportantes
importantesmêmemêmesisielles
ellessont
sontpeu
peufréquentes
fréquentes28
 Modèles de prévision
Moyenne Simple
 Cadre d’application : Cas d’une demande
stationnaire (Dt=A+t)
 ân : l‘estimation de la demande à la fin de la
période n n

D t
aˆ n  t 1
n
 Pn(n+ ) : la prévision de la demande de la
ân
période n+ effectuée à la fin de la période n =
ân P(n+1) P(n+2) P(n+3)
Demande passée Demande future
t =n t =n+1 t =n+2 t =n+3 29
 Modèles de prévision
Moyenne Mobile Simple
 Cadre d’application : Cas d’une demande stationnaire
(Dt=A+t)

 L’estimation de la demande effectuée à la fin de la

période n tient compte uniquement des T données les
plus récentes : Dn-T+1, Dn-T+2, … Dn
T 1

D nt

aˆ nT  t 0
T
 A la fin d’une période n+1, la plus ancienne observation
(Dn-T+1) n’est plus considérée et est remplacée par la
plus récente observation (Dn+1)
Dn  1  Dn  T  1
aˆ n 1  aˆ n 
T T

T 30
 Modèles de prévision
Cas d’une demande stationnaire
 Moyenne mobile simple
Comment se fait le choix de T ?
 Exemple – historique des ventes de glacières
Mois t janvier février mars avril mai juin
Dt réelle 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
 Modèles de prévision
Cas d’une demande stationnaire
 Lissage exponentiel simple (Brown, 1958)

Ce modèle est le résultat du raisonnement suivant : à

la fin de la période n, on dispose de deux estimations
de la demande :
 la prévision de la demande à la fin de la

période n-1 (aˆ n 1 )

 la demande réelle constatée à la fin de la

période n

 La prévision de la demande pour la période n+1 doit

être entre les deux : elle est dite valeur lissée de la
demande à la période n 32
 Modèles de prévision
Cas d’une 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 représente également une somme pondérée des demandes passées
 
En remplaçant 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
 Modèles de prévision
Cas d’une demande stationnaire
 Lissage exponentiel simple (Brown, 1958)
 n 1 
i n
a n  (1) Dn i (1) a0
i 0

Les poids des demandes passées varient d’une façon

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
 Modèles de prévision
Cas d’une demande stationnaire
 Lissage exponentiel simple - Choix de 
Le coefficient  est choisi d’une façon :
 expérimentale : on calcule l’erreur pour différentes
valeurs de  ; on choisit celle qui minimise l’erreur
 plus scientifique et exacte : on calcule  qui minimise
l’erreur (à travers la programmation mathématique)
Exemple de méthode expérimentale :
- on fait varier  de 0.1 à 0.5 par incrément de 0.05
- pour chaque valeur de , on calcule le carré moyen des erreurs
ou l’écart absolu moyen
- on retient la valeur de  qui minimise l’erreur (le carré moyen
des erreurs ou l’écart absolu moyen)
35
 Modèles de prévision
Cas d’une demande stationnaire
 Lissage exponentiel simple - Choix de la valeur initiale

Le choix de a 0 n’a pas beaucoup d’influence sur la qualité des

n
prévisions. En effet, pour n assez grand, le terme (1) a 0
s’approche de 0 n 1
   Dt
Généralement on utilise a 0 D0 ou a 0 t 0
n
Remarque : 
Il est préférable de choisir  et a 0 d’une façon conjointe

36
 Cas d’une demande stationnaire
Exemple
On se propose d’utiliser le modèle du lissage exponentiel
simple : 
- avec =0.1 et a0175

- avec =0.5 et a0175
Déterminer pour chaque paramétrage l’écart absolu moyen
Quel paramétrage est à sélectionner ?
On veut maintenant essayer le modèle de la moyenne mobile
simple :
- avec T= 3, estimer l’écart absolu moyen
- avec T=5, estimer l’écart absolu moyen

Conclusion ?
37
 Lissage exponentiel simple
α = 0,1 et â0 = 175 α = 0,5 et â0 = 175

Trimestre Demande Demande | Pt

t Dt ât Pt | Pt - Dt| Trimestre t Dt ât 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 | Pt Dt |
n Dn âT,n Pn Trimestre Demande | Pt Dt |
n Dn âT,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 -

6 205 190 175 30 5 190 174 - -

7 180 192 190 10 6 205 179 174 31
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 d’application : évolution tendancielle
avec absence de saisonnalité
 Lissage simple
 n 1 n 
 (1 ) D  (1 ) a 0
i
an  ni
i 0

(n - i)b  a
D’où
n 1 
aˆ n  α  ( 1 α) [(n-i)b  a]  ( 1 α) a 0
i n

i 0
n 1 n 1 
 α  ( 1 α) [(nb  a]  αb  i( 1 α)  ( 1 α) a 0
i i n

i 0 i 0

lim n→
1
=1 = 2 =0 40
 Lissage exponentiel double
 1 α
 Si n est grand, a n  nb  a  b
α
D
k

a
+ b
n 
1α
b( 
)
1α α
b
α

a
n
Déca
laged elapré
visio
np ar
ra
pportàlad e
m anderée
lle


1α n n
+
α
 Si tendance linéaire, l’utilisation du lissage simple génère
une prévision décalée par rapport à la demande réelle.
 Cet écart s’accroît progressivement → b1α 41
 Lissage exponentiel double
 Lissage exponentiel simple est insuffisant
dans ce cas de figure
 Lissage Exponentiel Double

 L’idée du lissage exponentiel double est

d’estimer « b »
  
b n   (a n  a n  1)  (1   )bˆn 1
1 α ˆ
 Déduire Pn()= a n(   )b n
α
42
 Prise en compte de la saisonnalité
 Si en observant un historique on sent une
saisonnalité sur un cycle de longueur L on doit
le confirmer analytiquement.

 Notations :
 L : le nombre de périodes consécutives d’un cycle
(Généralement L=12 avec une périodicité
mensuelle).
 p : le nombre d’années de l’historique (un historique
d’au moins 2 ans).

Dn,k : La demande de la période n du cycle (n=1… L)
enregistrée à l’année k de l’historique (k = 1… p)

43
 Prise en compte de la saisonnalité
L
 Calculer
D n,k

Dk  n 1
 k  1, ...,p
L
 Calculer le rapport
Dn,k
 k  1, ...,p ;  n  1, ..., L
Dk
 Si pour n= 1… L
Dn,k
Sn,k   Cte sur les années k  1, ..., p
 Dk d’une saisonnalité.
Existence

 Dans ce cas, Dn,k

Sn   k  1, ..., p ;  n  1, ..., L
Dk
 Coefficient / facteur / indice de saisonnalité.

44
 Exemple

Mois J F M A M J Ju A S O N D Dk

Dn,99 91 79 70 69 92 101 109 131 142 118 109 89 100

Dn,99
0.91 0.79 0.7 0.69 0.92 1.01 1.09 1.31 1.42 1.18 1.09 0.89 -
D99
Dn,00 109 97 82 83 107 118 132 159 165 142 133 113 120
Dn,00
0.91 0.81 0.68 0.69 0.89 0.98 1.10 1.33 1.38 1.18 1.11 0.94 -
D00

 Qu’est ce qu’on utilise comme facteurs de saisonnalité

pour 2001 ?
 On peut par exemple utiliser l’estimation suivante :
Sˆn,01  0.5Sn,99  0.5Sn,00  n  1, ..., L 45
 Démarche générale à suivre pour la
prise en compte de la saisonnalité
 Calculer la demande désaisonnalisée
Dn , p
Dnd, p 
Sˆn , p
 Effectuer un lissage de la demande
désaisonnalisée
 En l’absence d’une tendance
d
aˆ n,p  αDn,p
d
 ( 1  α)aˆ nd1,p
Pnd, p ( )  aˆ nd, p
 En présence d’une tendance
d
aˆ n,p  αDnd, p  ( 1  α)aˆ n,p
d

bˆnd, p   (aˆ nd, p  aˆ nd1, p )  (1   )bˆnd1, p

1 α
Pnd, p(τ )  aˆ n,p
d
(  τ)bˆn,p
d
46
α
 Démarche générale à suivre pour la
prise en compte de la saisonnalité
 Déterminer une prévision de la demande
Pn , p ( )  Pnd, p ( )  Sˆn  , p

 Les coefficients de saisonnalité subissent eux aussi

des variations  Lissage exponentiel
 
S n,p  1  δSn,p  ( 1  δ) S n,p  n  1,..., L

Avec
Sn,p : le coefficient de saisonnalité observé à la fin de la
période n de l’année p
Sˆn , p : le coefficient de saisonnalité estimé pour la
période n de l’année p
47
 Exemple
Année 2004
 On considère l’historique de Mois t Demande St
la demande de climatiseurs J 4 0,48
constatée à l’année 2004. F 2 0,24
On suppose qu’on a déjà M 5
confirmé la présence de A 8
saisonnalité et de tendance. M 11
J 13 Variation de la demande (année 2004)

 Estimer la prévision de la Ju 18 20
18

demande de climatiseurs A 15 16
14

pour février 2005 en utilisant S 9 12

Demande
10 Demande

un lissage exponentiel O 6 8
6

double. On donne =0.2, N 5 4

2

=0.1, D 4 0
J F M A M J Ju A S O N D J
mois

D 2004 8,33

Année 2005
Mois t Demande
J 5 48
 Exemple
D2004  8.33
 4
S jan , 2005   0.48
8.33
aˆ djan , 2005  D djan , 2005  (1   )aˆ dec
d
, 2004

Djan , 2005
D djan , 2005   10.42
ˆ
S jan , 2005

aˆ djan , 2005  0.2  10.42  0.8  8.3  8.72

bˆ djan , 2005   (aˆ djan , 2005  aˆ dec
d
, 2004 )  (1   )bˆd
dec , 2004  0.1(8.72  8.3)  0.042

1 ˆd
d
Pjan (1)  ˆ
a d
 (  1)b jan , 2005  8.93

, 2005 jan , 2005

Pjan , 2005 (1)  Pjan ˆ

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

49