Quelle méthode de prévision choisir pour un article à demande stable ?

Pour une demande stable sans tendance ni saisonnalité, la moyenne mobile simple (MMS) ou le lissage exponentiel simple (LES) sont les plus appropriés. Le LES est généralement préféré car il s'adapte plus rapidement aux changements récents grâce au paramètre α. Un MMS à 3–6 périodes convient lorsqu'une réactivité modérée suffit.

Méthodes de Prévision de la Demande : Guide Complet

Q: Comment mesurer la précision d'une prévision ?

Les trois principaux indicateurs sont : le MAE (Erreur Absolue Moyenne) qui donne l'erreur moyenne en unités, le MAPE (Erreur Absolue Moyenne en Pourcentage) qui permet la comparaison entre articles, et le RMSE (Racine de l'Erreur Quadratique Moyenne) qui pénalise davantage les grandes erreurs. Pour les articles à fort enjeu, privilégiez le MAPE ; pour identifier les articles avec des erreurs ponctuelles importantes, utilisez le RMSE.

Q: Qu'est-ce que le lissage exponentiel simple ?

Le lissage exponentiel simple (LES) est une méthode de prévision qui pondère les observations passées de manière décroissante exponentiellement. La formule est : F(t+1) = α × D(t) + (1 − α) × F(t), où α est le coefficient de lissage (0 < α < 1). Un α élevé (proche de 1) réagit rapidement aux changements récents ; un α faible lisse davantage et est adapté aux demandes stables.

Q: Comment la prévision impacte-t-elle le stock de sécurité ?

La précision de la prévision détermine directement le niveau de stock de sécurité nécessaire. Plus l'erreur de prévision est faible (MAPE bas, MAE faible), plus l'écart-type des erreurs de prévision (σ) est réduit, et moins le stock de sécurité requis pour atteindre un niveau de service cible est élevé. La formule SS = Z × σ montre cette relation directe : améliorer la précision de 20 % réduit le stock de sécurité de 20 %.

Q: Comment gérer la saisonnalité dans les prévisions ?

La méthode des indices saisonniers consiste à calculer le ratio de chaque période par rapport à la moyenne annuelle sur plusieurs années, puis à multiplier la prévision de base par cet indice. La méthode de Holt-Winters (triple lissage exponentiel) gère simultanément le niveau, la tendance et la saisonnalité de façon dynamique. Pour des patterns saisonniers stables, les indices fixes suffisent ; pour des patterns qui évoluent, Holt-Winters est préférable.

La prévision de la demande est le point de départ de toute décision de stock fiable. Sans une prévision juste, les niveaux de réapprovisionnement, le stock de sécurité et les points de commande reposent sur des hypothèses inexactes. Ce guide couvre les principales méthodes — de la moyenne mobile à Holt-Winters — ainsi que les indicateurs permettant d'évaluer et d'améliorer la précision de vos prévisions.

Pourquoi la Prévision est Essentielle

Une prévision de la demande précise influence chaque paramètre de stock :

Point de commande (ROP) = Demande moyenne × Délai — la demande moyenne provient directement de la prévision
Stock de sécurité (SS) = Z × σ, où σ est l'écart-type des erreurs de prévision — améliorer la précision réduit σ, donc SS
Quantité économique de commande (EOQ) — utilise la demande annuelle comme intrant principal
Planification des capacités — prévisions erronées génèrent des surcharges ou des sous-utilisations des ressources

La réduction du MAPE de 30 % à 15 % se traduit généralement par une réduction du stock de sécurité de l'ordre de 15–30 %, selon le niveau de service cible et la structure de la demande.

Moyenne Mobile Simple (MMS)

MMS(t+1) = (D(t) + D(t-1) + … + D(t-n+1)) / n

La MMS calcule la prévision comme la moyenne arithmetic des n dernières périodes. C'est la méthode la plus simple et la plus facile à implémenter.

Avantages et Inconvénients

Avantages	Inconvénients
Simple à calculer et à comprendre	Toutes les périodes ont le même poids
Lisse les variations aléatoires	Réagit lentement aux changements de tendance
Aucun paramètre à optimiser	Retard systématique lors des variations de niveau

Choix du Nombre de Périodes

Nombre de périodes (n)	Comportement	Adapté à
2–3	Très réactif, peu lissant	Demande très variable, changements fréquents
4–6	Équilibre réactivité/lissage	Demande modérément variable — usage courant
8–12	Fort lissage, faible réactivité	Demande stable, peu de saisonnalité

Moyenne Mobile Pondérée (MMP)

MMP(t+1) = w₁×D(t) + w₂×D(t-1) + … + wₙ×D(t-n+1)

La MMP attribue des poids différents à chaque période — généralement plus élevés pour les périodes récentes. Les poids doivent sommer à 1. Cette méthode permet de réagir plus rapidement aux changements récents tout en conservant un historique passé.

Exemple avec 4 périodes

Poids : w₁ = 0,40 ; w₂ = 0,30 ; w₃ = 0,20 ; w₄ = 0,10 (du plus récent au plus ancien)

Si les ventes récentes sont 120, 110, 100, 115 :

MMP = 0,40 × 120 + 0,30 × 110 + 0,20 × 100 + 0,10 × 115
= 48 + 33 + 20 + 11,5 = 112,5 unités

Lissage Exponentiel Simple (LES)

F(t+1) = α × D(t) + (1 − α) × F(t)

Le LES pondère exponentiellement toutes les observations passées, les plus récentes ayant le plus d'influence. Le paramètre α (entre 0 et 1) contrôle la vitesse de réaction.

Valeur de α	Comportement	À utiliser pour
0,1 – 0,2	Lissage fort, lente adaptation	Demande très stable
0,2 – 0,4	Équilibre — recommandé par défaut	Demande modérément variable
0,4 – 0,6	Forte réactivité	Demande en évolution, marchés dynamiques
> 0,6	Très réactif — proche d'une naïve	Situations exceptionnelles seulement

Analyse de Tendance — Régression Linéaire

Lorsque la demande présente une tendance croissante ou décroissante, la régression linéaire fournit une prévision non biaisée :

D(t) = a + b × t

b = [n × Σ(t × D) − Σt × ΣD] / [n × Σt² − (Σt)²]
a = (ΣD − b × Σt) / n

Exemple Numérique (6 périodes)

Période (t)	Demande (D)	t × D	t²
1	200	200	1
2	210	420	4
3	215	645	9
4	225	900	16
5	230	1 150	25
6	240	1 440	36
Σ	1 320	4 755	91

b = (6 × 4 755 − 21 × 1 320) / (6 × 91 − 21²)
= (28 530 − 27 720) / (546 − 441) = 810 / 105 = 7,71

a = (1 320 − 7,71 × 21) / 6 = (1 320 − 161,9) / 6 = 193,0

Prévision période 7 : 193,0 + 7,71 × 7 = 247 unités

Double Lissage de Holt

Le double lissage de Holt étend le LES en ajoutant un terme de tendance lissé séparément :

Niveau : L(t) = α × D(t) + (1 − α) × [L(t-1) + T(t-1)]
Tendance : T(t) = β × [L(t) − L(t-1)] + (1 − β) × T(t-1)
Prévision h périodes : F(t+h) = L(t) + h × T(t)

α contrôle la réactivité du niveau ; β contrôle la réactivité de la tendance. Des valeurs typiques de départ : α = 0,3, β = 0,1.

Saisonnalité

Indices Saisonniers (Méthode Simple)

Indice saisonnier (p) = Demande moyenne de la période p / Demande moyenne toutes périodes confondues

Pour prévoir : appliquer l'indice à la prévision de base. Un indice de 1,25 pour le mois de décembre signifie que la demande est 25 % supérieure à la moyenne annuelle ce mois-là.

Holt-Winters (Triple Lissage Exponentiel)

La méthode de Holt-Winters gère simultanément le niveau, la tendance et la saisonnalité grâce à trois équations de lissage (paramètres α, β, γ). C'est la méthode recommandée lorsque les trois composantes sont présentes et évolutives.

Métriques de Précision des Prévisions

MAE — Erreur Absolue Moyenne

MAE = Σ|D(t) − F(t)| / n

Donne l'erreur moyenne en unités absolues. Simple à interpréter, mais ne permet pas la comparaison entre articles d'échelles différentes.

MAPE — Erreur Absolue Moyenne en Pourcentage

MAPE = (Σ|D(t) − F(t)| / D(t)) / n × 100 %

Exprime l'erreur en pourcentage de la demande réelle. Permet la comparaison entre articles. Attention aux articles à faible volume (risque de valeurs aberrantes).

MAPE	Évaluation
< 10 %	Excellent — prévision de haute précision
10 – 20 %	Bon — acceptable pour la plupart des contextes industriels
20 – 30 %	Acceptable — amélioration souhaitable pour les articles prioritaires
> 30 %	Faible — révision de méthode et de paramètres nécessaire

RMSE — Racine de l'Erreur Quadratique Moyenne

RMSE = √[Σ(D(t) − F(t))² / n]

Pénalise davantage les grandes erreurs ponctuelles. En unités absolues comme le MAE, mais utile pour détecter les articles avec des erreurs importantes occasionnelles.

Choisir la Bonne Méthode

Profil de la demande	Méthode recommandée	Paramètres typiques
Stable, pas de tendance	MMS (n=4–6) ou LES	α = 0,2 – 0,3
Tendance marquée	Régression linéaire ou Double Holt	α = 0,3, β = 0,1
Saisonnière sans tendance	Indices saisonniers × LES	α = 0,2 – 0,4
Tendance + saisonnalité	Holt-Winters	α, β, γ à optimiser par article
Très variable / sporadique	Méthode de Croston (intervalles)	Séparation taille/fréquence

Questions Fréquentes

Quelle méthode de prévision choisir pour une demande stable ?

Pour une demande stable sans tendance ni saisonnalité, le lissage exponentiel simple (LES) avec α = 0,2–0,3 ou une moyenne mobile sur 4–6 périodes sont les choix les plus adaptés. Le LES est généralement préféré car il s'adapte en continu à chaque nouvelle observation.

Comment mesurer la précision d'une prévision ?

Les trois indicateurs principaux sont le MAE (erreur absolue moyenne en unités), le MAPE (erreur en pourcentage, comparaison inter-articles) et le RMSE (pénalise les grandes erreurs ponctuelles). Pour les articles à fort enjeu, ciblez un MAPE inférieur à 20 %.

Qu'est-ce que le lissage exponentiel simple ?

Le LES est une méthode qui calcule la prévision comme : F(t+1) = α × D(t) + (1 − α) × F(t). Le paramètre α contrôle la réactivité : un α élevé réagit vite aux observations récentes, un α faible lisse davantage les fluctuations.

Comment la prévision impacte-t-elle le stock de sécurité ?

Le stock de sécurité est calculé à partir de l'écart-type des erreurs de prévision (σ). Plus le MAPE est faible, plus σ est petit, et moins de stock de sécurité est nécessaire pour maintenir le même niveau de service. Améliorer la précision de 20 % réduit directement le stock de sécurité de 20 %.

Comment gérer la saisonnalité dans les prévisions ?

Pour des patterns stables, calculez des indices saisonniers sur 2–3 ans et multipliez la prévision de base par l'indice de chaque période. Pour des patterns évolutifs, utilisez Holt-Winters qui met à jour simultanément le niveau, la tendance et les indices saisonniers à chaque période.