1/7

Chap. 1 : La prvision des ventes

La prvision des ventes (la ralisation du budget des ventes) est gnralement mise en uvre laide dun outil statistique : la corrlation et lajustement.

I- Corrlation et ajustement (appliqus la prvision des ventes)

Le volume des ventes (variable explique : y) est mis en relation (en corrlation) avec une autre variable (variable explicative : x). On suppose ainsi que les ventes dpendent, plus ou moins, de cette variable. (Corrlation : relation entre deux variables. Attention : une corrlation nimplique pas ncessairement un lien de dpendance entre les deux variables) La variable explicative (x) peut tre : le temps (par exemple, les ventes augment rgulirement denviron 5 % par trimestre) : les valeurs de y ordonnes dans le temps constituent alors une srie chronologique ; une autre variable : le prix, les dpenses publicitaires, le nombre de points de ventes

Lajustement consiste exprimer la relation (la corrlation) entre y (ventes) et x (variable explicative) sous la forme dune fonction mathmatique : y = f(x) Les mthodes dajustement permettent de dterminer les paramtres de lquation de cette fonction (par exemple une fonction linaire : y = ax + b). La fonction dajustement est dtermine de sorte que les valeurs de y, obtenues par la fonction (valeurs ajustes), soient les plus proches possible des valeurs relles de y observes au cours dune priode donne.
Nuage de points (xi ; yi) avec un ajustement linaire
Ventes (y)

Fonction (droite) dajustement :

y = ax + b
(ou : droite de rgression, droite de corrlation, tendance, trend)

Dpenses publicitaires (x)

La fonction dajustement, y = f(x), permet ensuite deffectuer des prvisions partir des valeurs de la variable x.

2/7

II- Lajustement linaire et le coefficient de corrlation linaire

Cf. Exemple 1 : Reprsentation graphique (nuage de points). On observe une corrlation linaire entre les deux variables.

A) Lajustement linaire par la mthode des moindres carrs

La mthode des moindres carrs (Cf. cours de statistique) permet de dterminer les paramtres a et b de lquation dune fonction dajustement de type linaire :

y = ax + b (droite dajustement, droite de rgression, tendance)

avec :
n

(x
i =1 n

x)( yi y ) (Pente ou coefficient directeur de la droite)

i

n n (n : nombre de donnes de la srie)

(Les moyennes des x et des y vrifient lquation de la droite).

Cf. exemple 1 :

Prvision de vente pour N + 1 :

Remarque : Les limites des mthodes dajustement (ou mthodes dextrapolation du pass) Les mthodes dajustement reposent sur lhypothse que les tendances (volutions) du pass se reproduiront dans le futur La prvision des ventes par ces mthodes nest possible que pour un produit existant (pour les nouveaux produits : tudes de marchs)

aaaa
bbbb

(x
i =1 n

x)
y2 y1 1
n

a x x +1

y2 = a(x+1) + b y1 = ax + b y2 y1 = a

x=

x
i =1

y=

y
i =1

(Moyennes arithmtiques des x et des y)

= y ax

(Valeur de lordonne lorigine i.e. valeur de y pour x = 0)

y = 77,5x + 112,5 x = 10 y = 887,5 888 pianos

3/7

B) Le coefficient de corrlation linaire

Le coefficient de corrlation permet de mesurer le degr de corrlation linaire entre les deux variables (i.e. la pertinence dun ajustement linaire) :

(x
i =1 n

x)( yi y )
n

rrrr

(x
i =1

x) ( yi y )
i =1

r est toujours compris entre - 1 et + 1. Plus r est proche de 1 ou de - 1, plus la corrlation linaire entre les deux variables est forte (les valeurs observes de y sont proches des y ajusts i.e. des y obtenus avec lquation de la droite : Cf. graphique : le nuage de points est allong en ligne droite). Si r = 1 ou - 1, la corrlation linaire est parfaite (tous les points du nuage sont sur la droite !). Plus r est proche de 0, plus la corrlation est faible ! Si r est positif, les deux variables varient dans le mme sens ; si r est ngatif, elles varient en sens inverse.

Cf. exemple 1 :

r = 0,993

Les calculs de a, b et r peuvent (doivent !) tre effectus laide dune calculette (ou dun tableur).

Cf. Annexe : Mode opratoire Texas Instruments BA II Plus Cf. Fiche conseil p.37 et s : Rsolution laide dun tableur

Applications : Cas Thalis p.50 Cas Millan p.51

4/7

III- Lanalyse des sries chronologiques avec un phnomne saisonnier (ou priodique)

Srie chronologique : suite de valeurs ordonnes dans le temps. Cf. exemple 2 : Reprsentation graphique. On observe une tendance laugmentation du CA (tendance gnrale) avec des variations saisonnires priodiques (diminution systmatique au cours des 2e et 3e trimestre et 4e trimestre toujours les plus levs).

A) La dtermination de la tendance gnrale (trend)

La tendance gnrale peut tre dtermine laide dun ajustement linaire par la mthode des moindres carrs : soit, directement, partir des valeurs observes, soit partir des moyennes mobiles (calcules partir des valeurs observes).

1) Tendance gnrale par ajustement linaire sur les valeurs observes

Lquation de la droite de tendance est obtenue par la mthode des moindres carrs : y = ax + b avec a = . et b = . (Cf.II- A).)

Cf. exemple 2 : Rmq :

y = 4,8x +218,7 r = 0,35 (faible corrlation linaire entre les valeurs observes et le temps, du fait des variations saisonnires).

2) Tendance gnrale par ajustement linaire sur les moyennes mobiles

La mthode des moyennes mobiles consiste remplacer chaque valeur observe par la moyenne dun ensemble (dun groupe) de ces valeurs observes. Il existe plusieurs mthodes de calcul des moyennes mobiles et le nombre de valeurs retenues pour calculer les moyennes dpend de la priodicit du phnomne saisonnier (4 si priodicit trimestrielle ; 12 si mensuelle). Par exemple, pour une priodicit trimestrielle : Srie chronologique (ventes trimestrielles) : y1 , y2 , y3 , y4 , y5 , y6 , y7 , y8 , Moyennes mobiles (simples) dordre 4 : ; m5 = (y2 + y3 + y4 + y5) / 4 ; m6 =

m4 = (y1 + y2 + y3 + y4) / 4

(Chaque valeur observe est remplace par la moyenne des quatre valeurs qui la prcdent.)

5/7

m3 = (

Moyennes mobiles centres dordre 4 :

y y1 + y2 + y 3 + y4 + 5 ) / 4 2 2 ; m4 = ( y y2 + y3 + y 4 + y5 + 6 ) / 4 2 2 ; m5 =

Cf. exemple 2 bis :

Calcul des moyennes mobiles (simples dordre 4) Reprsentation graphique

La mthode des moyennes mobiles est une mthode de lissage des sries chronologiques (les variations saisonnires sont neutralises). Les moyennes mobiles sont dj reprsentatives de la tendance gnrale de la srie (elles sont parfois utilises comme valeurs ajustes dans le calcul des coefficients saisonniers Cf B).). Lquation de la tendance gnrale peut alors tre dtermine par un ajustement linaire par la mthode des moindres carrs mais applique aux moyennes mobiles.

Cf exemple 2 bis :
Rmq :

y = 4,478x + 214,95 r = 0,98 (forte corrlation linaire entre les moyennes mobiles et le temps)

B) Le calcul et lutilisation des coefficients saisonniers

Lquation de la tendance gnrale permet de prvoir la tendance gnrale des priodes futures mais les prvisions ainsi obtenues ne tiennent pas compte des variations saisonnires. Les coefficients saisonniers, calculs sur les priodes passes, permettent de saisonnaliser les prvisions tires de la tendance gnrale.

Les coefficients saisonniers sont calculs par la mthode des rapports la tendance ( rapports au trend ) : Le coefficient saisonnier pour une priode (un mois ou un trimestre, selon le nombre de priodes dans un cycle : 12 ou 4) est gal la moyenne par priode (mois ou trimestre) des rapports :

Rapport au trend =

valeur observe Valeur ajuste

Valeur ajuste : valeur de y obtenue par lquation de la tendance gnrale (quation obtenue sans ou avec lissage pralable par les moyennes mobiles) ou moyenne mobile (reprsentative galement de la tendance).
NB : Valeur observe = Valeur ajuste coefficient (rapport au trend)

6/7

Les coefficients saisonniers sont utiliss pour saisonnaliser les prvisions de ventes : Prvision (saisonnalise)t = prvision ajustet (tendance) x coefficient saisonniert Cf. exemple 2 : Calcul des coefficients saisonniers y = 4,8x + 218,7 (ajustement linaire sur les valeurs observes)

Valeur ajuste :

NB : Somme des coefficients = nombre de priodes du cycle : 4 trimestres ou 12 mois Prvision de ventes N + 1 y = 4,8x + 218,7

Valeur ajuste :

Cf. exemple 2 bis : Calcul des coefficients saisonniers y = 4,478x + 214,95 (ajustement linaire sur les moyennes mobiles) (ou, ventuellement, moyennes mobiles sans ajustement linaire)

Valeur ajuste :

Prvision de ventes N + 1 y = 4,478x + 214,95 (ou y = 4,8x + 218,7)

Valeur ajuste :

Rmq : Les coefficients saisonniers peuvent galement tre utiliss pour dsaisonnaliser une srie chronologique (liminer les variations saisonnires). (Saisonnaliser : prendre en compte les variations saisonnires ; Dsaisonnaliser : les liminer !). Valeur dsaisonnalise = Valeur observe / coefficient saisonnier On obtient ainsi une srie corrige des variations saisonnires (une tendance plus rgulire). Cf. Exemple 2 : Valeurs dsaisonnalises (Eventuellement graphique et ajustement sur les valeurs dsaisonnalises)

(Il sagit finalement dune autre mthode pour dterminer la tendance gnrale ; mais le calcul pralable des coefficients saisonniers ncessite dj de dterminer la tendance gnraleSauf si les coefficients saisonniers sont donns !)

Applications :

Cas Maxelle (p.47) ; Cas Lampert (p.49) ; Cas Maeva (p.52) ; Cas Mathurin (p.53) ; Cas Marine (p.55) ;

7/7

IV Lajustement exponentiel (ramen un ajustement linaire)

Lajustement linaire (y = ax + b) est justifi lorsque les valeurs observes (ou la tendance) varient avec un taux ( peu prs) constant (gal a : pente de la droite) : les ventes augmentent (ou diminuent) un rythme rgulier. Lorsque les ventes augmentent avec un taux de variation croissant, on procde alors un ajustement exponentiel : le nuage de points est alors proche dune courbe dune fonction exponentielle de type y = b.ax. Ajustement linaire y = ax + b
Variable y (ventes) Variable y (ventes)

Ajustement exponentiel y = bax

a 1

Variable x (temps)

Variable x (temps)

NB : y = bax = b(eA)x = beAx (si eA = a)

Cf. exemple 3 : Reprsentation graphique. On observe une tendance de type exponentiel

Lquation dune fonction exponentielle peut tre transforme en une quation linaire par un changement de variable et de paramtres : y = bax En posant : lny = ln(bax) Y = lny A = lna lny = lnb + lnax B = lnb lny = lnb + xlna

l'quation devient :

Y = Ax + B

La mthode des moindres carrs permet alors de dterminer les paramtres A et B On en dduit a et b : A = lna a = eA Cf exemple 3 : A = 0,3457 B = 4,6620 (Y = 0,3457x + 4,6620) B = lnb b = eB

a = eA = e0,3457 = 1,413

b = eB = e4,662 = 105,85 y = bax y = 105,85e0,3457x ou : y = 105,851,413x x = 8 y = 1 682

Equation de la tendance (courbe dajustement exponentiel) :

Prvisions :

x=7

y = 105,85(1,4137) = 1 190

Applications : Cas Gayot p.61 ; Cas Loire-Milhaud p.63