Qu’est-ce que la prévision de la demande ? Méthodes et mise en pratique

La prévision de la demande consiste à estimer le volume des ventes sur une période future, afin de déterminer les quantités à acheter et à stocker.

Toutes les entreprises le font. La plupart le font de manière implicite : quelqu’un regarde les rayons, repense au mois dernier et passe une commande. La prévision formelle remplace cette approche par une méthode qui peut être examinée, mesurée et améliorée.

L’importance de cette démarche ne réside pas dans la possibilité d’obtenir des prévisions parfaitement exactes. C’est impossible, et tout processus qui suppose le contraire mènera à la déception. Elle est cruciale car la taille de l’erreur détermine le niveau de stock de sécurité nécessaire, et le stock de sécurité coûte cher. Une meilleure prévision est le seul moyen de réduire les stocks sans compromettre la disponibilité.

Qu’est-ce que la prévision de la demande ?

Une prévision se compose de trois éléments, et celles qui échouent en omettent généralement deux.

Un chiffre. Le nombre d’unités attendues sur une période définie.

Une période. La semaine prochaine, le mois prochain, le trimestre prochain. La précision diminue à mesure que l’horizon s’éloigne ; l’horizon doit donc correspondre à vos besoins. Pour les commandes, il suffit de couvrir votre délai d’approvisionnement additionné à votre période de révision.

Une fourchette de confiance. L’ampleur de l’erreur potentielle. Une prévision de 500 unités qui pourrait plausiblement varier entre 400 et 600 est une donnée de planification très différente d’une prévision allant de 200 à 800, même si le chiffre central est identique. Cette fourchette détermine la taille de votre tampon, et une prévision sans cette donnée ne vous donne aucune base pour décider du niveau de protection à maintenir.

Les prévisions diffèrent également selon le niveau. Une prévision de la demande totale par catégorie est bien plus fiable que celle d’un SKU spécifique dans un coloris donné, car les variations s’annulent lors de l’agrégation. Il est important de le savoir, car cela explique pourquoi vos chiffres globaux peuvent sembler exacts alors que les prévisions par produit sont systématiquement erronées.

Les principales méthodes de prévision

Prévision naïve. La période suivante est égale à la période précédente. Très utile comme base de référence : si votre méthode sophistiquée ne fait pas mieux, c’est qu’elle n’est pas assez performante.

Moyenne mobile. La moyenne des dernières périodes, qui lisse les variations aléatoires. Simple et efficace pour les produits stables, mais lente à réagir aux changements réels car les anciennes périodes ont autant de poids que les récentes.

Moyenne mobile pondérée. Comme ci-dessus, mais les périodes récentes comptent davantage. Réagit plus rapidement aux changements tout en conservant un certain lissage.

Lissage exponentiel. Les poids diminuent géométriquement dans le passé, contrôlés par un facteur de lissage unique. Un facteur élevé réagit plus vite aux changements mais est plus instable ; un facteur faible est plus stable mais plus lent. C’est l’outil de base de la prévision pratique, et certaines variantes gèrent explicitement la tendance et la saisonnalité.

Décomposition saisonnière et de tendance. Divisez l’historique en un niveau de base, une tendance et un modèle saisonnier répétitif, projetez chaque élément, puis recombinez-les. Nécessaire pour tout ce qui est réellement saisonnier, ce qui concerne la plupart des biens de consommation.

Régression. Reliez la demande aux variables qui l’influencent : prix, dépenses marketing, météo, indicateur économique avancé. Puissant lorsqu’une relation de causalité réelle existe, mais trompeur lorsqu’une corrélation fortuite est prise pour telle.

Méthodes qualitatives. Apports de l’équipe commerciale, intentions des clients, jugement d’experts. Indispensable en l’absence d’historique : nouveaux produits, nouveaux marchés, canal nouvellement ouvert. C’est aussi la méthode la plus sujette à l’optimisme, d’où l’intérêt d’enregistrer les prédictions pour les évaluer ultérieurement.

Approches par apprentissage automatique (Machine Learning). De plus en plus disponibles dans les logiciels de planification, elles sont réellement supérieures lorsque vous gérez de nombreux produits, de longs historiques et de multiples variables influentes. Elles nécessitent beaucoup plus de données que ce dont disposent la plupart des entreprises et ne corrigent pas les mauvaises données d’entrée.

Types de prévision de la demande

Les prévisions sont classées de plusieurs manières, et ces catégories servent de raccourcis dans les discussions de planification.

Par horizon temporel.

• Court terme — de quelques jours à quelques mois. Pilote le réapprovisionnement, les points de commande et la gestion du personnel. La précision est ici atteignable et le gain est immédiat.
• Moyen terme — d’un trimestre à un an. Pilote les engagements d’achat, les contrats fournisseurs et les achats saisonniers.
• Long terme — un an ou plus. Pilote les décisions de capacité : espace d’entrepôt, équipement, effectifs. La précision n’est ni attendue ni utile à cette échelle ; ce sont la direction et l’ampleur qui comptent.

Par périmètre.

• La prévision macro-niveau examine les conditions extérieures dans lesquelles s’inscrit votre demande : l’économie, la catégorie, le marché. Utile pour le contexte, rarement exploitable seule.
• La prévision micro-niveau se penche sur un produit, un canal ou un client spécifique. C’est là que les décisions opérationnelles sont réellement prises.

Par approche.

• La prévision passive suppose la continuité : ce qui s’est produit continuera de se produire, ajusté selon la tendance et la saison. Elle convient aux entreprises stables et constitue le choix par défaut pour la plupart des planifications de stocks, car elle ne repose sur aucune hypothèse audacieuse.
• La prévision active intègre ce que vous avez l’intention de changer : une promotion, un nouveau canal, une hausse de prix, un lancement de produit. Elle est nécessaire dès que le passé n’est plus un guide fiable, mais c’est aussi là que l’optimisme fait le plus de dégâts, car on finit par confondre un plan avec une prédiction.

Par méthode.

• Qualitative — jugement, avis commercial, opinion d’expert. Nécessaire pour les nouveaux produits sans historique, et la moins fiable là où des données existent.
• Quantitative — moyennes mobiles, lissage exponentiel, régression, décomposition saisonnière. Fiable lorsque l’historique est disponible et que la demande est raisonnablement stable.
• Basée sur l’IA et le machine-learning — modèles qui prennent en compte de nombreuses variables simultanément pour identifier des schémas qu’une simple série temporelle manquerait : météo, tarification, comportement des concurrents, trafic web, chevauchement promotionnel. Ils sont rentables à grande échelle, sur un nombre important de SKU avec beaucoup d’historique, mais ne remplacent pas des données propres. Un modèle entraîné sur un historique de ventes incluant des périodes de rupture de stock non signalées apprendra les mauvaises choses plus rapidement et avec plus d’assurance qu’un tableur.

En pratique : la plupart des entreprises ont besoin d’une prévision quantitative passive, à court terme et au micro-niveau pour l’essentiel de leur gamme, avec une prévision active ajoutée pour les quelques lignes où un changement est délibéré. Chercher à utiliser des méthodes sophistiquées avant que la méthode de base ne fonctionne est l’erreur de séquençage la plus courante et la plus coûteuse dans ce domaine.

Comment prévoir la demande en pratique

1. Nettoyez d’abord l’historique. Cette étape détermine si tout ce qui suit en vaut la peine.

La correction critique concerne les ruptures de stock. L’historique des ventes enregistre ce que vous avez vendu, pas ce que les clients voulaient. Une période de rupture de stock montre des ventes faibles, et intégrer cela dans une prévision indique au modèle que la demande est plus faible qu’elle ne l’est réellement — pour le produit même qui vous a fait défaut. Identifiez les périodes de rupture et excluez-les ou estimez la demande perdue.

Éliminez également les événements ponctuels : une commande en gros unique qui ne se reproduira pas, un déstockage, une erreur de données. Conservez les modèles récurrents réels comme les promotions, mais marquez-les afin qu’ils soient compris comme des promotions plutôt que comme une base de référence.

2. Choisissez le niveau. Prévoyez au niveau où vous agirez. Si vous commandez par SKU, vous avez besoin de prévisions par SKU, mais vous pouvez les construire en prévoyant la catégorie et en répartissant selon la part récente, ce qui est souvent plus stable que de prévoir chaque SKU indépendamment.

3. Choisissez une méthode par groupe de produits. Les lignes stables à fort volume conviennent au lissage exponentiel. Les lignes saisonnières nécessitent une décomposition saisonnière. Les produits erratiques à rotation lente sont souvent mieux gérés par une simple moyenne et un tampon généreux, car les méthodes sophistiquées ne font qu’ajuster le bruit.

4. Appliquez votre jugement et enregistrez-le. Ajustez en fonction des éléments que l’historique ne peut pas connaître : un nouveau référencement, le départ d’un concurrent, un changement de prix, une promotion. Enregistrez l’ajustement séparément de la prévision statistique afin de pouvoir vérifier plus tard si vos interventions ont été bénéfiques. Beaucoup ne le font pas.

5. Mesurez l’erreur. Sans cela, ce n’est pas un processus, c’est une habitude.

6. Révisez et ajustez régulièrement. Mensuellement pour la plupart des opérations. L’objectif est de détecter les produits dont le comportement a changé, et non d’affiner des chiffres qui étaient déjà corrects.

Mesurer la précision des prévisions

Trois mesures couvrent la plupart des besoins.

MAPE — erreur absolue en pourcentage moyen. L’erreur moyenne exprimée en pourcentage de la demande réelle. Intuitive et largement utilisée. Sa faiblesse réside dans sa forte distorsion à faible volume : se tromper de deux unités sur une prévision de trois représente une erreur de 67 % qui ne signifie rien.

MAD — écart absolu moyen. L’erreur moyenne en unités, sans tenir compte de la direction. Utile car elle alimente directement le calcul du stock de sécurité.

Biais. L’erreur moyenne avec conservation de la direction. C’est la mesure la plus souvent ignorée et pourtant fréquemment la plus informative. Si vos erreurs s’équilibrent près de zéro, vous êtes aussi souvent au-dessus qu’en dessous — il s’agit de bruit, que les tampons absorbent. Si elles sont systématiquement positives ou négatives, vous avez un problème structurel, et aucun stock de sécurité ne pourra corriger une prévision qui est toujours trop basse.

Mesurez par groupe de produits plutôt qu’en agrégé, car un bon chiffre global dissimule régulièrement quelques références mal prévues qui causent de réels dommages.

Comparez par rapport à la référence naïve. Si votre méthode ne fait pas mieux que « identique au mois dernier », simplifiez.

Pourquoi ce n’est jamais parfait (et c’est très bien ainsi)

Les prévisions sont fausses. Les questions utiles sont : à quel point, dans quelle direction, et l’erreur est-elle suffisamment stable pour planifier en conséquence ?

C’est pourquoi la prévision et le stock de sécurité font partie de la même conversation. La prévision vous donne la demande attendue ; l’erreur de prévision vous donne la variabilité que le stock de sécurité est censé absorber. Améliorez la prévision et le tampon requis diminue pour un même niveau de service. C’est tout l’argument commercial en faveur de l’investissement dans la prévision, et il est mesurable.

Acceptez également que certains produits soient intrinsèquement imprévisibles. Les articles à très faible rotation, les projets ponctuels, tout ce qui est dicté par des événements externes que personne ne peut anticiper. Pour ceux-ci, la réponse honnête est une stratégie différente — production à la commande, maintien de stock fournisseur, acceptation de délais plus longs — plutôt qu’un meilleur modèle.

Prévision de la demande saisonnière et promotionnelle

Deux modèles causent la plupart des difficultés, et tous deux doivent être traités explicitement plutôt que d’espérer qu’une méthode générale les absorbe.

La saisonnalité est un modèle répétitif lié au calendrier. L’erreur consiste à traiter un pic saisonnier comme une croissance. Une moyenne mobile appliquée à un produit qui se vend quatre fois plus en décembre poursuivra la hausse du pic en janvier, entraînant une commande excessive, puis la poursuivra à la baisse tout au long du printemps.

Bien la gérer signifie séparer le facteur saisonnier du niveau de base. Calculez le ratio de la demande de chaque période par rapport à la moyenne annuelle sur plusieurs années, et vous obtiendrez une série d’indices saisonniers — décembre 2,4, janvier 0,6, et ainsi de suite. Prévoyez le niveau de base, puis appliquez l’indice pour la période que vous prévoyez.

Deux mises en garde. Vous avez besoin d’au moins deux cycles complets d’historique avant que les indices saisonniers ne signifient quelque chose, et trois, c’est mieux. De plus, la saisonnalité évolue — Pâques se déplace, les semaines de pic commercial migrent à mesure que les habitudes d’achat changent, et un indice calculé à partir de données vieilles de cinq ans peut décrire un modèle qui n’existe plus.

Les promotions sont le problème majeur dans la plupart des entreprises, car elles sont à la fois substantielles et auto-infligées. Une promotion peut multiplier la demande par plusieurs fois pendant une semaine, et ce pic s’inscrit ensuite dans votre historique, faussant toutes les prévisions qui suivent.

Les disciplines qui aident :

• Marquez les périodes promotionnelles dans les données afin que la prévision statistique puisse les exclure ou les ajuster.
• Prévoyez la hausse promotionnelle séparément de la demande de base, en utilisant les résultats de promotions passées comparables plutôt qu’un pourcentage qui semble juste à quelqu’un.
• Tenez compte de la baisse ultérieure. Les promotions avancent souvent la demande plutôt que de la créer, de sorte que les semaines suivantes sont inférieures à la base. Prévoir le pic tout en ignorant le creux vous laisse en surstock deux fois.
• Obtenez le calendrier promotionnel tôt. La cause la plus fréquente de ruptures de stock promotionnelles est que l’entrepôt découvre la promotion en même temps que les clients.

Qui est responsable de la prévision

La prévision échoue plus souvent sur le plan organisationnel que technique, et le modèle est cohérent.

Les ventes prévoient de manière optimiste, car les objectifs et les prévisions sont confondus et personne ne veut prévoir en dessous de l’objectif. Les opérations prévoient de manière conservatrice, car elles supportent le coût du stock excédentaire et le blâme pour les ruptures. La finance veut un chiffre qui correspond au plan. Chacun produit un chiffre différent, et l’entreprise finit par fonctionner sur celui qui appartient à la personne ayant argumenté le plus fort.

Ce qui fonctionne mieux :

Un seul chiffre, détenu par une seule fonction. Généralement la planification ou les opérations, avec une contribution structurée des ventes plutôt qu’une prévision des ventes séparée fonctionnant en parallèle.

Séparez la prévision de l’objectif. Un objectif est ce que vous avez l’intention d’atteindre. Une prévision est ce que vous attendez. Les confondre garantit que la prévision est biaisée à la hausse, et le stock suit.

Évaluez les ajustements. Lorsque quelqu’un remplace la prévision statistique, enregistrez-le et vérifiez ensuite si cette modification a amélioré la précision. C’est inconfortable et c’est le moyen le plus rapide de découvrir dont le jugement mérite d’être appliqué et dont ce n’est pas le cas.

Rendez le coût visible. L’erreur de prévision a un prix — stock excédentaire, radiations, fret express, ventes perdues. Attacher ce chiffre au processus est généralement ce qui transforme la prévision d’une corvée administrative en quelque chose que les gens prennent au sérieux.

Comment la prévision se connecte au reste

• Les points de commande utilisent la demande prévue sur le délai de livraison.
• Le stock de sécurité est dimensionné à partir de l’erreur de prévision.
• Les achats engagent des capitaux sur la base de la prévision, ce qui rend les erreurs coûteuses.
• La planification de la capacité de l’entrepôt dépend du volume attendu, et se tromper se traduit par un manque d’espace en novembre.
• La planification de la main-d’œuvre suit le volume de commandes attendu plutôt que les unités.
• Les relations avec les fournisseurs s’améliorent lorsque vous partagez les prévisions, car ils peuvent planifier la production et maintenir un stock approprié.

Ce dernier point est sous-utilisé. Un fournisseur ayant une visibilité sur vos besoins attendus peut généralement raccourcir et stabiliser son délai de livraison, ce qui réduit votre besoin en stock de sécurité plus qu’un meilleur modèle ne le ferait.

Un exemple concret

Prenez un produit avec douze mois d’historique et examinez ce qu’implique réellement une prévision.

Les ventes mensuelles sont approximativement : 210, 195, 230, 240, 215, 225, 260, 250, 245, 280, 520, 310.

L’observation immédiate est que novembre à 520 ne fait pas partie du modèle sous-jacent — c’est un pic saisonnier. Prévoir décembre à partir d’une moyenne mobile sur trois mois (septembre, octobre et novembre) donne (245 + 280 + 520) ÷ 3 = 348, ce qui entraîne une commande excessive car cela traite le pic comme la nouvelle norme.

Bien le gérer :

Séparez le mois saisonnier. En excluant novembre, les onze mois restants ont une moyenne d’environ 241 unités avec une légère tendance à la hausse. Ce 241 est votre niveau de base.

Calculez l’indice saisonnier. Novembre à 520 par rapport à une base de 241 donne un indice d’environ 2,2. Si une année précédente montrait un ratio similaire, vous pouvez vous y fier ; avec seulement un an d’historique, traitez-le comme provisoire.

Projetez le niveau. La tendance sur l’année est légèrement à la hausse — environ 200 au début, 260 à l’automne hors pic — donc une prévision de niveau raisonnable pour le mois prochain est d’environ 265.

Appliquez l’indice si pertinent. Décembre n’est pas le mois de pic ici, donc la prévision reste proche de 265.

Estimez l’erreur. L’écart mensuel par rapport à la tendance sous-jacente est d’environ 20 unités, donc un écart-type proche de 20 est un chiffre de travail raisonnable. À un niveau de service de 95 %, le stock de sécurité est d’environ 1,65 × 20 × la racine carrée du délai de livraison en mois.

L’intérêt de cette démarche est que l’essentiel du travail consiste à juger ce que signifie l’historique, et non à faire de l’arithmétique. Décider que novembre est saisonnier plutôt qu’une croissance est la décision qui détermine si la prochaine commande est correcte, et aucune méthode ne prend cette décision à votre place sur une seule année de données.

Pour aller plus loin

• Qu’est-ce que le stock de sécurité — dimensionné directement à partir de l’erreur de prévision.
• Qu’est-ce qu’un point de commande — là où la prévision est appliquée.
• Techniques de gestion des stocks — la boîte à outils plus large.
• Qu’est-ce qu’une rupture de stock — l’échec que la prévision permet de réduire.
• Qu’est-ce que la rotation des stocks — ce qu’une meilleure prévision améliore.
• Comment gérer les stocks — le processus dans lequel cela s’inscrit.

L’essentiel en une phrase

La prévision de la demande estime les ventes futures afin de décider quoi acheter — et comme la prévision sera inexacte, le chiffre qui compte le plus est l’ampleur et la direction de l’erreur, car c’est ce qui détermine le niveau de stock de sécurité à maintenir.

Questions fréquentes

Qu’est-ce que la prévision de la demande ? L’estimation de la demande future pour un produit sur une période définie, afin de décider quelle quantité de stock acheter et conserver.

Quelles sont les principales méthodes de prévision de la demande ? Les moyennes mobiles, les moyennes mobiles pondérées, le lissage exponentiel, la décomposition des tendances et de la saisonnalité, la régression par rapport aux variables causales et le jugement qualitatif. La plupart des opérations utilisent le lissage exponentiel pour les gammes stables et la décomposition saisonnière pour tout ce qui présente un modèle répétitif.

Quelle doit être la précision d’une prévision de la demande ? Il n’existe pas de chiffre universel, car la précision dépend de la variabilité de votre demande. Le test utile consiste à vérifier si votre méthode surpasse une prévision naïve de type « identique à la période précédente » et si votre erreur est non biaisée plutôt que systématiquement élevée ou faible.

Quelle est la différence entre le MAPE et le biais ? Le MAPE mesure la taille moyenne de l’erreur, indépendamment de sa direction. Le biais mesure si les erreurs penchent systématiquement dans une direction. Une prévision peut avoir un MAPE acceptable et un biais important, ce qui est le problème le plus dommageable car le stock de sécurité ne corrige pas une tendance systématique.

Comment prévoir la demande pour un nouveau produit ? L’historique n’existant pas, vous devez vous appuyer sur des analogues — des produits similaires lors de leur lancement — combinés à des données qualitatives provenant des ventes et à toute donnée de précommande ou de demande. Attendez-vous à des erreurs importantes au début et effectuez une révision hebdomadaire plutôt que mensuelle jusqu’à ce qu’une tendance se dessine.

Pourquoi exclure les périodes de rupture de stock de l’historique ? Parce que les ventes enregistrées pendant une rupture de stock reflètent la disponibilité plutôt que la demande. Les inclure apprend à la prévision que la demande est plus faible qu’elle ne l’est réellement, précisément sur les produits qui sont déjà en rupture.

Jusqu’où dois-je prévoir ? Assez loin pour couvrir votre délai d’approvisionnement plus votre période de révision, et pas plus loin pour les besoins de commande. Des horizons plus longs sont nécessaires pour la planification de la capacité, du budget et des fournisseurs, mais ils doivent être compris comme des exercices distincts avec des tolérances plus larges plutôt que comme le chiffre sur lequel vous basez vos commandes.

Une meilleure prévision permet-elle de réduire les stocks ? Oui, indirectement et de manière mesurable. Le stock de sécurité étant dimensionné en fonction de l’erreur de prévision, réduire l’erreur réduit le tampon nécessaire pour un même niveau de service. C’est l’argument financier le plus clair pour investir dans le processus de prévision.

Rédigé par

↑ Retour en haut

Warehouse Wise

Warehouse Wise est une bibliothèque gratuite et indépendante de guides sur la gestion des stocks, l'entreposage et la préparation de commandes, conçue pour les professionnels de terrain : nouveaux employés d'entrepôt, petites entreprises de vente au détail ou en ligne en pleine croissance, et toute personne gérant des stocks souhaitant en maîtriser les fondamentaux. Chaque guide définit le terme, présente un exemple concret chiffré si nécessaire, et va droit au but. Nous sommes indépendants : nous ne vendons ni logiciels ni équipements, nous ne percevons aucune commission d'apport d'affaires et nos contenus ne sont jamais influencés par des partenariats commerciaux.