TD3 La prévision de la demande
Prévision de la demande La prévision de la demande est un processus essentiel pour les entreprises souhaitant anticiper leurs ventes futures. Cet article présente une méthode de prévision basée sur l'historique des données, illustrée par un exercice pratique.
D'après le document TD3 La prévision de la demande
Cet article a été rédigé automatiquement à partir du document source, puis vérifié avant publication.
Document source
Demand Forecasting / Business Operations · PDF · 5 pages · 1925
Afficher l'aperçu du document
Prévision de la demande
La prévision de la demande est un processus essentiel pour les entreprises souhaitant anticiper leurs ventes futures. Cet article présente une méthode de prévision basée sur l'historique des données, illustrée par un exercice pratique. Vous apprendrez à appliquer la méthode de décomposition, à calculer la saisonnalité, à évaluer la qualité des prévisions et à utiliser le lissage exponentiel simple pour améliorer vos estimations.
Analyse des données historiques
L'unité commerciale de l'entreprise ABC souhaite prévoir ses ventes futures à partir de l'historique des demandes. Le tableau suivant présente les données de demande mensuelles de janvier à décembre 2019 :
| Période | Demande |
|---|---|
| janv-19 | 100 |
| févr-19 | 125 |
| mars-19 | 135 |
| avr-19 | 110 |
| mai-19 | 105 |
| juin-19 | 135 |
| juil-19 | 150 |
| août-19 | 125 |
| sept-19 | 115 |
| oct-19 | 160 |
| nov-19 | 175 |
| déc-19 | 140 |
À partir de ces données, il est possible de représenter graphiquement le profil de la demande. Cette représentation montre une tendance croissante avec une saisonnalité.
Calcul de la droite de tendance
Pour élaborer un modèle de prévision, nous appliquons la méthode de la décomposition. La droite de tendance est calculée à partir des données historiques. L'équation de la droite de tendance s'écrit :
D(n) = a * n + b
Les valeurs de a et b sont déterminées par les formules suivantes :
a = (N * Σ(n * Dn) - Σn * ΣDn) / (N * Σn² - (Σn)²)
b = (ΣDn / N) - a * (Σn / N)
En appliquant ces formules, nous obtenons :
a = 4.0734 et b = 52.3863, d'où :
D(n) = 4.0734n + 52.3863
Calcul de la saisonnalité
En analysant la représentation graphique, nous remarquons une variation trimestrielle. Pour calculer la valeur désaisonnalisée, nous utilisons :
Valeur désaisonnalisée = ΣDemande / 12 = 131.25
Ensuite, nous calculons la moyenne mensuelle pour chaque trimestre :
- Trimestre 1 : 120
- Trimestre 2 : 116.67
- Trimestre 3 : 130
- Trimestre 4 : 158.33
Les coefficients de saisonnalité sont calculés en divisant chaque moyenne trimestrielle par la valeur désaisonnalisée.
Calcul des prévisions
Les prévisions sont calculées en utilisant la droite de tendance et les coefficients de saisonnalité :
Pn = Tn * Sn
Les prévisions pour chaque mois sont ainsi obtenues, et il est important de les représenter graphiquement pour visualiser leur adéquation avec la demande réelle.
Évaluation de la qualité du modèle de prévision
Pour évaluer la qualité de notre modèle de prévision, nous calculons l'erreur absolue moyenne (EAM) et l'erreur moyenne (EM) :
EM = Σ(Di - Pi) / n
EAM = Σ|Di - Pi| / n
Les résultats obtenus sont :
EAM = 50.89277 et EM = 49.267
Les prévisions corrigées peuvent être obtenues en ajoutant l'erreur moyenne aux prévisions initiales.
Représentation graphique des prévisions corrigées
Les prévisions corrigées suivent mieux le profil de la demande, ce qui indique une amélioration de la précision des prévisions.
Estimation des demandes futures
Pour estimer les demandes des mois de janvier à mai 2020, nous utilisons les prévisions corrigées et les coefficients de saisonnalité. Les résultats sont :
- janv-20 : 96.31
- févr-20 : 100.04
- mars-20 : 103.76
- avr-20 : 104.50
- mai-20 : 108.12
Utilisation du lissage exponentiel simple
Le lissage exponentiel simple est une méthode alternative pour la prévision. L'équation est donnée par :
Pn = Pn-1 + α * (Dn-1 - Pn-1)
En utilisant des valeurs d'alpha de 0.2 et 0.1, nous pouvons calculer les prévisions pour chaque période. Les résultats montrent que le modèle avec α = 0.1 offre une erreur absolue moyenne plus faible, ce qui le rend plus fiable.
Points clés à retenir
Voici les principaux points à retenir concernant la prévision de la demande :
- La prévision de la demande est cruciale pour anticiper les ventes futures.
- La méthode de décomposition permet d'analyser la tendance et la saisonnalité.
- Les erreurs de prévision peuvent être évaluées par l'EAM et l'EM.
- Le lissage exponentiel simple est une méthode efficace pour améliorer les prévisions.
Questions fréquentes
Qu'est-ce que la prévision de la demande ?
La prévision de la demande est un processus qui permet aux entreprises d'estimer leurs ventes futures en se basant sur des données historiques et des méthodes analytiques.
Comment calcule-t-on la saisonnalité ?
La saisonnalité est calculée en déterminant les variations périodiques des données de demande, souvent en utilisant des moyennes mensuelles ou trimestrielles par rapport à une valeur désaisonnalisée.
Quelle est la différence entre EAM et EM ?
L'erreur absolue moyenne (EAM) mesure la moyenne des erreurs absolues, tandis que l'erreur moyenne (EM) mesure la moyenne des erreurs, en tenant compte des signes.
Comment fonctionne le lissage exponentiel simple ?
Le lissage exponentiel simple ajuste les prévisions en fonction des erreurs passées, en utilisant un coefficient alpha pour déterminer l'importance des données récentes par rapport aux anciennes.
Quel modèle de prévision est le meilleur ?
Le meilleur modèle de prévision est celui qui présente la plus faible erreur absolue moyenne. Dans cet exercice, le lissage exponentiel avec un alpha de 0.1 a été recommandé.
Commentaires
Aucun commentaire pour le moment. Posez la première question.