Gestion de Production

INSTITUT DES HAUTES ETUDES COMMERCIALES DE CARTHAGE
ANNEE UNIVERSITAIRE : 2002 / 2003
Page 1 sur 26
Introduction
I. Utilisations de prévision
II. Type de prévision en fonction du temps
III. La prévision à partir de l’histoire
IV. Méthodes de prévision :
1 ) Méthodes qualitatives
2 ) Méthodes causales ou associatives
3 ) Méthodes d’extrapolation statistique
4 ) Généralisation
V. Mise en place d’un système de prévision
1 ) Démarche générale
2 ) Les sources d’information sur les ventes futures :
3 ) Décomposition de la demande :
a_ Saisonnalité
b_ Tendance
c_ Variation aléatoire
4 ) Mesure de qualité de la prévision :
a_ Ecart algébrique moyen

b_ Ecart absolu moyen
c_ Carré moyen des erreurs
5 ) Signaux d’alerte
VI. La régression : Méthode des moindres carrés
VII. Les méthodes d’extrapolation
1 ) Moyenne mobile simple

2 ) Moyenne mobile pondérée
3 ) Lissage exponentiel simple
4 ) Lissage exponentiel multiple
VIII. Les modèles économétriques
IX. Schéma récapitulatif
Conclusion
Page 2 sur 26
Introduction :
L’opération la plus importante de la gestion des stocks est sans
doute l’opération qui consiste à prévoir la demande pour les différents
produits de la gamme .
Il est donc particulièrement utile de contrôler les prévision de la
demande de matière systématique et efficace .
Cette prévision doit impérativement être faite au niveau le plus
bas susceptible d’être demandé en temps qu’unité de vente ; par
exemple , pour une entreprise commercialisant des boîtes de vitesse ,
les différentes pièces de la boîte comme pièces de rechange , et aussi
les différentes pièces en un seul lot ( que l’on appelle souvent :
collection de pièces ou <<kit>> ) pour les personnes qui désire
montrer la boîte elle-même ; la prévision devra s’effectuer pour : la
boîte elle-même , chaque pièce de rechange et le <<kit>> .
La prévision concerne tous les secteurs d’activité :
Secteur primaire :
Elle n’est pas bien développée, la seule possibilité de la
prévision est dans la phase de d’approvisionnement.
Secteur secondaire :
Sauf pour les industries lourdes, la prévision est utilisée dans
l’approvisionnement aussi et de plus pour la création de nouveaux
produits.
Secteur tertiaire :
La prévision de la demande est très importante pour l’entreprise
dans ce secteur avec la présence d’un grand choix des autres types de
produit pour le client .
Page 3 sur 26
Relation entre secteur d’activités et activités à prévoir
A prévoir
Secteur Approvisionnemen Création du Livraison
t en matières bien et service
premières
Mines,
agriculture et
industries lourdes
Fabriques et
industries légères
Commerces et
services
Nécessité de prévision Possibilité de prévision Temps alloué par le client
I. Utilisations des prévisions :

Les prévision constituent un réservoir d’informations qui
serviront à mieux décider des actions à venir.
Les différents services de l’entreprise vont utiliser et interpréter
les prévisions selon leurs besoins et exigences propres :
* Le service des finances les utilisera pour déterminer les besoins

monétaires et pour prévoir les investissements nécessaires aux
activités futures de l’entreprise.
* Le service de la production établira, grâce aux prévisions, ses

plans d’exécution, ses besoins en équipement et en matières
premières ;
* Le service du personnel en tirera les besoins en main-d’œuvre

spécialisée, en personnel de soutien et en personnel d’exploitation.
Page 4 sur 26
* Le service marketing fixera les prix, ouvrira de nouveaux

marchés, déterminera ses besoins …
II . Type de prévision en fonction du temps :
¤Prévision à long terme :C’est le fait de réaliser des ajustements de

l’investissement à réaliser.
¤Prévision à moyen terme :Définition d’un plan de production en

déterminant les quantités de matière première à consommer, l’effectif
engagé ( c’est après le calcul des temps standards ).
¤Prévision à court terme : Par exemple la planification des achats

( approvisionnement ).
¤Prévision immédiate : Elle se fait de 10 jours à 1 semaine .
III . La prévision à partir de l’historique :

En étudiant l’historique connu de la demande d’un produit , il est
tout à fait possible d’extrapoler la demande future .
Cette méthode s’applique particulièrement bien dans le cas de
bien de consommation ou d’équipement ; en général la gamme de
produit est assez importante .
L’histoire de la demande d’un produit ( appelé chronique ) se
décompose de la manière suivante :
- Un terme de tendance : qui correspond à l’évolution générale de la
chronique .
- Un terme périodique : (que l’on appelle saisonnalité ) de
périodicité le plus souvent annuelle ; ce terme doit avoir une
moyenne nulle .
- Un terme aléatoire ou résidu : qui intègre tous les éléments que l’on
ne sait pas expliquer ( exemple : pourquoi un client commande
un certains jour plutôt que le suivant ) : ce terme aléatoire doit
avoir une moyenne nulle .
Page 5 sur 26
IV . Méthodes de prévision :
Les méthodes de prévision peuvent être décomposées en deux
parties :
¤ Les premières sont de nature prospective ; le plus souvent
développées par les spécialistes du marketing, elles cherchent à
prédire la demande de façon déductive par analyse future de ses
éléments déterminants, ou de façon expérimentales ;
¤ Les recherchent dans les donnés passés des lois de comportement

qui sont ensuite protégés sur l’avenir.
1 ) Les méthodes qualitatives :
Les méthodes qualitatives sont principalement utilisées pour la
prévision à moyen et long terme . Principalement ces méthodes sont :
* Les étude de marché : Cette méthode de prévision se base sur le
diagnostique empirique du marché et les sondages, c’est pourquoi elle
est caractérisée par une pertinence et simplicité de l’information .
Toutefois elle est très coûteuses et lente .
* Les marchés-tests .
* L’interrogation et le traitement des prévision du réseau de
distribution (ou d’un échantillon représentatif de ce réseau ) opérés par
la force de vente : C’est une techniques de prévision commerciale
utilisée par les grandes entreprises qui est utile, rapide et économique .
Mais aussi elle a comme inconvénient la subjectivité en cas d’absence
de motivation ou d’encadrement des vendeurs avec une mauvaise
qualification .
* L’utilisation et l’interprétation des panels .
* DELPHI : En complément, pour des prévisions prospectives à
plus long terme en particulier dans le domaine technologique ,
certaines autres techniques purement prédictives ont été développés
comme la méthode de DELPHI .
Cette dernière consiste à demander à un groupe d’experts, par
voie de questionnaires , d’indiquer leur réponses à la question posée .
Les questionnaires sont remplis pour éviter , lors de réunions en
commun, l’influence sur les experts d’un de leurs collègues ayant une
plus forte personnalité. Les premières réponses sont adressées à
d’autres experts avec des indications statistiques. Connaissant
l’opinion de leurs collègues , il leur est demandé de faire une nouvelle
Page 6 sur 26
prévision et de la justifier, en particulier si celle-ci s’écarte de

l’opinion moyenne .
2 ) Les méthodes causales ou associatives :
Adaptées à la prévision à moyen ou court terme, les méthodes
causales constituent une première sous-famille des méthodes
quantitatives .
Elle supposent l’établissement d’une relation entre la variable à
prévoir ( appelée variable expliquée ) et une ou plusieurs autres
variables
( appelées variables explicatives ) , qui peuvent être soit internes à
l’entreprise, soit liées à l’économie et à la concurrence . La relation
causale s’appuie sur un modèle explicatif ; la variable retenue est
supposée traduire un élément explicatif du modèle ; la variable ne sera
retenue que si la relation statistiquement observée est <<solide >> .
Les plus connues parmi ces méthodes sont les techniques de
régression et les modèles économétriques qui sont des systèmes
d’équations reliant la variable à étudier à d’autre variables. Cette
démarche suppose une analyse de bon sens sur la réalité de la causalité
entre les variables, sans laquelle toute corrélation pourrait n‘être qu’un
phénomène passager dû au hasard .
3 ) Les méthodes d’extrapolation statistique :
Ces méthodes sont utilisées pour la prévision à court terme, les
méthodes d’extrapolation cherchent à déterminer l’avenir à partir de
l’analyse des données ou des séries chronologiques du passés .
Les plus utilisées sont la moyenne mobile , la moyenne mobile
pondérée, et le lissage exponentiel simple ou multiple , avec ou sans
correction de tendance et de saisonnalité .
S’appuyant sur l’hypothèse fondamentale que les élément qui
ont influencé la demande passée se perpétuent dans l’avenir ; ces
méthodes donnent de bons résultats tant qu’il n’y a pas changement
de structure de la demande , ce qui est souvent le cas à court terme .
4 ) Généralisation :
Il est très important de préciser que les techniques de prévision
ne sont pas exclusives .
Page 7 sur 26
*Utilisation simultanée de technique :

A moyen terme , pour déterminer un plan directeur de production
, il est fréquent de fonder la prévision sur deux démarches parallèles :
la première est de type extrapolation , et la deuxième trouvant sa
source dans les données commerciales .
Le modèles d’extrapolation peut fournir la base de prévision, et
la prédiction commerciale prendre en compte des éléments nouveaux
qui auront une incidences sur les ventes futures (introduction de
nouveaux produits de l’entreprise ou concurrents, changement de
prix , promotions commerciales …) .
Au terme d’un tel processus, une seule prévision synthétique
finale est retenue afin que toutes les décisions industrielles et
commerciales qui en découlent soient cohérentes et homogènes.
* Utilisation successive de techniques :

Les ventes cumulées des articles d’une même famille technique
se situent entre deux limites extrêmes . Plus on avance dans la saison,
plus la dispersion des ventes cumulées tend à diminuer . Ainsi, à
chaque date de la saison, on peut évaluer un coefficient multiplicateur
moyen d’extrapolation par rapport à la prise d’ordres avec son écart
type correspondant.
A l’évidence, plus on avance dans le temps, plus cet écart type
diminue. Il est clair qu’à une certaine date l’écart devient plus faible
que l’erreur de prévision de départ . Cela permet d’affirmer la
prévision et de prendre des décisions de réassortiment plus sûres et de
réduire les soldes et les invendus de fin saison .
Dans le cas d’une nouvelles saison, on s’appuie sur une telle
étude menée sur les collections passées. On fait l’hypothèse que tout
nouveau modèle d’une famille suit le même profil de prise d’ordres .
Dans certains cas, il est clair que la longueur de l’horizon ne
permet pas la mise en œuvre d’un tel mécanisme ( par exemple
opération de promotion ). Alors toute la campagne est engagée sur la
base d’une prévision de départ, quelque soit le risque associé .
Page 8 sur 26
V . Mise en place d’un système de prévision :

Avant d’aborder quelques modèles classiques, précisons les
grandes lignes de l’approche méthodologique à appliquer pour la mise
en œuvre d’une méthode de prévision .
1) Démarche générale :
Il faut naturellement commencer par définir le type de prévision
dont on a besoin .
Ensuite, il convient de définir l’application particulière . Pour les
méthodes de type prédictif , on se préoccupe de la procédure de
collecte des informations. Pour les méthodes d’extrapolation , il
convient d’abord de réunir les données passées et d’identifier les
sources d’informations sur les ventes futures .
Si l’on travaille par extrapolation , de façon ensuite à s’orienter
sur un modèle adéquat, il faut procéder à l’analyse de la structure de la
demande passée . Cette analyse amène à intégrer, si besoin est, des
systèmes de correction de tendance et / ou de saisonnalité.
La phase ultérieure porte sur des simulations de modèles a priori
adaptés en vue de déterminer les valeurs que doivent prendre les
paramètres .
Il n’y a en effet pas d’autres méthode qu’une démarche d’essais
successifs visant à minimiser les erreurs de prévision. Ce dernier
propos s’applique à toutes les techniques y compris les méthodes
qualitatives .
Dès que la simulation aboutit à une erreur inférieure à l’objectif
du manager, la démarche est terminée et le modèle peut être mis en
place avec son système de suivi permanent .
Dans le cas contraire, il ne faut pas nécessairement conclure que
la prévision est impossible . Il a lieu d’analyser comment la demande
est générée et, en particulier, si elle n’est pas elle-même constituée de
l’addition de demandes élémentaires qui pourraient alors être prévues
séparément puis agrégées pour reconstituer la demande globale .
La dernière étape de la méthodologie consiste à définir et mettre
en place des signaux d’alerte permettant par la suite de mettre sous
contrôle l’adaptation permanente de la méthode retenue.
Page 9 sur 26
2 ) Les sources d’information sur les ventes futures :

Selon la nature de ses activité, l’entreprise a des besoins
différentes de prévisions, mais aussi des sources d’information
différentes .
a / Cas des fabrications exclusivement à la commande :

Une entreprise qui travaille sur devis et qui doit donc attendre les
commandes des clients pour lancer la fabrication , a de grandes
difficultés pour faire une prévision de la demande future. C’est en
particulier la cas des sous-traitant .
L’analyse repose alors sur la comparaison entre le délai
commercial accepté par le client et le cycle d’obtention des produits .
Dans la mesure où le carnet de commandes couvre un horizon au
moins égal au cycle de production, les besoins en capacité et les
approvisionnements nécessaires à court terme sont parfaitement
connus.
Pour sa gestion à court terme, la société travaille en univers
certain et peut alors utiliser la méthode de calcul des besoins ? Il lui
suffit de faire des prévisions à moyen terme pour anticiper l’évolution
de son potentiel de production et de ses effectifs et le développement
de produits ou d’applications nouvelles . Elle peut faire appel à des
méthodes qualitatives ou quantitatives sur des données agrégées .
Une entreprise se trouvant dans cette situation n’a pas une
connaissance certaine de la demande sauf si elle travaille
exclusivement avec quelques clients dont elle peut connaître les
programmes prévisionnels.
Si l’on ne peut pas faire des prévisions au niveau du produits
finis, l’entreprise doit réduire le longueur du cycle de fabrication ou
bien concevoir ses produits de façon modulaire pour effectuer une
prévision par extrapolation au niveau des modules et des pièces
standardisés( les produits finis étant montés sur commandes fermes) .
b / Extrapolation du carnet de commandes :

Dans un certain nombre de cas , on peut estimer la demande à
venir en extrapolant les commandes en carnet à un moment donné .
Cela suppose qu’il existe une loi d’arrivée des commandes qui se
reproduit au fil des années.
Page 10 sur 26
Ainsi, à une date donnée, connaissant le niveau des commandes

reçues, on peut extrapoler la demande totale sur la saison.
c / Analyse statistique des ventes :

Le cas le plus fréquent est la prise en compte des seules données
passées pour prévoir la demande future . Cela suppose que facteurs
explicatifs de la demande ne varient pas trop vite dans le temps et
que , par conséquent , la structure de la demande restera la même sur
l’horizon de prévision.
Un certain nombre de précautions doivent être observées . On
doit tout d’abord veiller à ce que la demande passée soit bien
identifiée : on nr peut pas se fonder sur la facturation qui ignorent les
ventes perdues en cas de rupture de stock. Ensuite, on ne doit pas
amalgamer des demandes de nature différentes .
d / Sélection des prévisions à réaliser :

L’un des problèmes posés aux entreprises dans la mise en place
d’un système de prévision est le nombre de données à rechercher, à
traiter et à mémoriser . Sauf à disposer d’ordinateurs puissants, on doit
concentrer les études prévisionnelles précises sur les produits ou
composants qui représentent la plus grande part de l’activité ou de
chiffre d’affaires de l’entreprise .
Cette distinction s’appuie sur une analyse de type ABC ( connue
également sous le nom de loi de PARETO ) des produits achetés,
fabriqués ou vendus selon un critère qui est le plus souvent le chiffre
d’affaires réalisé. Ce classement consiste à trier par valeur
décroissantes les références pour se consacrer à une sous-famille
principale au détriment de celles dont l’importance relative est
moindre .
En cumulant les chiffres d’affaires(CA) réalisés, on constate le
plus souvent que 20 % environ des articles font 80 % du CA: ce sont
les articles de la classe A . Les 30 %suivants se partagent environ 15
% du CA : ce sont les articles de classe B . Enfin ,les dernier 50 % dits
de classe C , font les 5 % restant du CA. L’effort de prévision peut
alors se concentrer sur les articles A pour traiter 80 % du problème de
prévision, en consacrant moins d’efforts aux articles B et C.
Page 11 sur 26
Il est commode de présenter .l’analyse ABC par une courbe .

L’analyse ABC a beaucoup d’autres applications, notamment en
gestion de stocks .
Analyse ABC ( loi de PARETO )

Pourcentage
Cumulé du CA
100
90 Classe C
80
70 Classe B
60
50
40
30
20
10 Classe A
Pourcentage
0 cumulé du nombre
10 20 30 40 50 60 70 80 90 100 de produits
3 ) Décomposition de la demande :
Pour construire un bon système de prévision dans le cadre d’une
méthode d’extrapolation, il est indispensable d’analyser correctement
la structure de la demande passée , en recherchant la présence des
éléments suivants : une saisonnalité, une tendance, et enfin l’existence
de variations aléatoires autour de la tendance centrale .
Il faut décomposer la demande en ses constituants élémentaires
de telle sorte que la composition de ces lois en un modèle permette
d’expliquer la demande passée et de la projeter sur l’avenir .
On définit le niveau de base comme étant la moyenne de la série
de données de la demande prévue à une date déterminée . Le niveau
de base est donc une loi stationnaire que le modèle de prévision
Page 12 sur 26
combine, avec les lois rendant compte de la tendance et de la

saisonnalité .
a / Saisonnalité :
On désigne ainsi des fluctuations de la demande qui se répètent à
intervalles réguliers et qui sont reliés à un ou plusieurs facteurs
environnementaux .
La procédure habituelle pour caractériser une saisonnalité
consiste ç calculer des indices saisonniers , qui représentent , pour
chaque période élémentaire, le rapport entre la demande réelle
constatée et une moyenne globale , évaluée sur le cycle de référence ,
et appelée demande désaisonnalisée . Pour un calcul de variations
saisonnières d’une prévision mensuelle sur un horizon d’un an, cette
procédure revient à évaluer la demande mensuelle ( moyenne
arithmétique sue l’année ) et à en faire le rapport avec chacune des
demandes réelles mois par mois ( dans la mesure où il n’existe pas de
tendance ).
b / Tendance :
La tendance est une évolution du niveau de base de la demande
en fonction du temps . Dans la décomposition en éléments constitutifs
de la demande , après avoir corrigé le facteur saisonnier, on doit
s’interroger sur l’existence éventuelle d’une tendance .
Dans tous les cas , il convient d’identifier le type de tendance
pour pouvoir l’intégrer dans un modèle ; Dans le cas où la tendance
est linéaire , on cherche l’équation de la droite qui rend compte de la
tendance , soit graphiquement en reportant les données
désaisonnalisées sur un graphie, soit en appliquant une méthode de
régression adaptée . Dans le cas où la tendance est exponentielle, on
utilise un graphique à échelle semi-logarithmique ou on effectue la
régression sur le logarithme de la variable .
c / Variations aléatoires :
Ce sont les variations de la demande non expliquées par la
décomposition en niveau de base , saisonnalité et tendance . Si ces
trois
Page 13 sur 26
éléments expliquaient toute la demande , leur reconstitution

permettrait de retrouver toujours la chronique servant de base à la
simulation . Or il y a beaucoup de professions où les éléments
imprévisibles influençant la demande de l’entreprise sont nombreux .
Cela implique qu’en retirant statistiquement saisonnalité et
tendance à une chronique de ente il reste toujours des fluctuations
autour d’un niveau moyen constant. Ces fluctuations, appelées bruit
blanc ou composante aléatoire, matérialisent la partie de la demande
qu’on n’arrive pas à expliquer, et qui est génératrice d’une erreur de
prévision .
Ces variations se situent , en général , de part et d’autre de la
prévision, et démontrent alors que la loi de prévision est bien centrée.
Dans le cas contraire, il y a une forte présomption de changement dans
la structure de la demande : il faut alors recommences l’analyse pour
réactualiser le modèle de prévision .
En matière de gestion logistique, ce sont ces variables aléatoires
contre lesquelles on cherche à se protéger ( par exemple en constituant
un stock de sécurité ).
En résumé, les méthodes quantitatives, faisant appel aux données
passées et à la simulation pour extrapoler l’avenir :
¤ Consistent à décomposer la demande en facteurs élémentaires
( base, saisonnalité, tendance, variations aléatoires ), puis à
recomposer un modèle à partir des lois écoulant de l’action de
ces facteurs élémentaires ;
¤ Donnent de bons résultats lorsqu’il n’y a pas de changement de
structure , donc à court et moyen termes .
4 ) Mesures de qualité d’une prévision :

On cherche, dans un système de prévision, à concilier deux objectifs :
- Obtenir une réaction rapide à une significative d’un
des éléments qui composent la demande ( modification de
tendance) .
- Stabiliser et lisser les variations qui sont purement
aléatoires. En effet, le propre des variations aléatoires est
qu’elles se compensent dans le temps. Si le système de prévision
est trop sensible au dernier aléa , il réagit brutalement ce qui
donne des prévisions dispersées ?
Page 14 sur 26
On ne pourra cependant jamais éviter que le modèle de

prévision, qui extrapole en lissant au moins partiellement les données
passées réagisse avec un certain retard à une modification de la
demande .
Les deux mesures de la qualité d’une prévision les plus utilisées
sont l’écart algébrique moyen et l’écart absolu moyen. Comme nous
allons le voir , le premier signale la présence ou l’apparition d’un biais
systématique
dans la prévision ( la prévision est en moyenne au-dessus ou au-

dessous de la demande ). Il permet donc d’apprécier le centrage de la
loi. Le second met sous contrôle la dispersion de l’erreur de prévision,
c’est-à-dire la différence moyenne entre la demande réelle et la
prévision. Pour deux modèles donnant le même écart algébrique, le
meilleur est celui qui se rapproche le plus de la courbe de demande,
donc celui qui minimise l’écart absolu.
a / Ecart algébrique moyen :

Noté eam, c’est la somme algébrique des erreurs de prévision
divisée par le nombre n de périodes sur lesquelles s’effectue la
simulation, ou sont enregistrées les prévisions.
t=n
eam = ∑ (Pt–Dt) / n
t=1
Si le système de prévision est adapté à la structurez de la

demande, les variations aléatoires de cette demande seront les seules
causes d’erreur. Donc les erreurs positives et négatives doivent se
compenser et leur moyenne fluctuer autour de 0. Si l’écart algébrique
moyen est positif, cela signifie que la prévision est en moyenne
supérieure à la demande réelle . Si l’écart algébrique moyen est
négatif, cela signifie que la prévision est en moyenne inférieure à la
demande. L’apparition d’un écart algébrique moyen non nul sera
généralement la preuve qu’une tendance positive ou négative n’est pas
prise en compte par le modèle de prévision.
Page 15 sur 26
b / Ecart absolu moyen :

Noté EAM, c’est la somme des valeurs absolus des erreurs de
prévision divisée par le nombre de périodes de référence.
t=n
EAM = ∑ |Pt-Dt| / n
t=1
Même avec un système composant correctement les lois

élémentaires de la structure de la demande , l’écart absolu moyen est
toujours différent de 0. Dans le cas général, l’écart absolu moyen
dépend de la variabilité de la demande et doit rester à peu près
constant, sauf si la variabilité de la
demande augmente ou s’il se produit un changement dans sa

structure . Il peut aussi qu’un EAM élevé provienne d’un mauvais
modèle de prévision.
c / Carré moyen des erreurs :

Autre mesure classiques, c’est la somme des carrés des erreurs
de prévision divisée par le nombre de points mesurés. Il sera préféré à
l’écart absolu moyen chaque fois que l’on veut privilégier un système
faisant beaucoup de petites erreurs par rapport à un autre système,
caractérisé par des erreurs moins fréquentes mais des écarts plus
grands .
On utilise en général cette mesure sous la forme de sa racine
carrée qui représente l’écart type de la loi de répartition de l’erreur de
prévision autour de la demande réelle. Si cette loi est une loi normale (
ce que l’on admet en première approximation ), l’écart type peut être
approché par : 1.25 EAM.
5 ) Signaux d’alerte :
Un système de prévision destiné à gérer des milliers d’articles
doit être mis sous contrôle : il faut détecter très rapidement toute
déviation par rapport à un comportement normal pour éviter les
conséquences désastreuses de l’emploi de prévisions erronées dans les
décisions logistiques. Pour cela, il faut surveiller en continu, pour
Page 16 sur 26
chaque article, les trois mesures de la qualité de la prévision citées

plus haut.
Le principe de la surveillance est simple : on fixe une limite à
l’écart absolu moyen lissé et deux bornes inférieure et supérieure à
l’écart algébrique lissé. Tant que les valeurs calculées restent à
l’intérieur des limites, on ne change rien au modèle. Si l’une des
grandeurs dépasse l’une des limites préfixées , il faut intervenir pour
comprendre les causes de la modification de la demande qui
commence à se produire. Cela peut être une demande exceptionnelle
qui n’a pas été correctement filtrée, ou bien l’apparition d’une
tendance , ou de plus le retournement d’une tendance existante. Les
limites de contrôle sont d’autant plus étroites que le coût d’une erreur
de prévision est élevé.
Les systèmes informatiques de prévision effectuent très
facilement ces calculs et ces comparaisons . Certains réalisent même
la correction automatique des paramètres du modèle lorsque l’écart
algébrique lissé atteint sa limite de contrôle. C’est ce que l’on appelle
le lissage auto adaptatif.
VI . La régression :La méthode des moindres carrés :

Nous avons déjà évoqué la possibilité d’utiliser la technique de
la régression pour calculer l’équation de la droite représentative d’une
tendance de type linéaire : y= a x + b .
Cette technique n’est pas utilisable directement en cas de série
saisonnière.
La méthode des moindres carrés :
Permet de calculer a et b : les paramètres de l’équation de
<droite de régression ou droite d’ajustement par les moindres carrés >.
Elle vise à minimiser la somme des carrés des écarts entre les données
et les ordonnées correspondantes de la droite de régression. La somme
algébrique des écarts est nulle. Pour n données , les formules de calcul
sont les suivantes :
a = n ∑( x y) - ∑ x∑ y / n ∑ (x² ) – (∑ x )²
Page 17 sur 26
b = ( ∑ y – m ∑ x) / n
avec r est le coefficient de corrélation ( envisager la relation entre x et

y ) et -1 < r < 1 :
r = n ∑ ( xy ) – (∑ x ) (∑ y ) / √( n ∑ (x² ) - ∑ (x² ) ) * √( n ∑ ( y² ) – (∑ y )²)
Exemple de droite de régression : y = 18.916 x + 206.22

a = 18.916 et b = 206.22
Demande
Chronique D(t)
Droite des moindres carrés
Ordonnée à Pente a
l’origine b
Temps
VII .Les modèles d’extrapolation :

Si l’on admet que les facteurs qui ont déterminé la demande
passée continuent à agir sur la demande future, la première règle de
bon sens consiste à tenir compte de toutes les données passées et d’en
faire la moyenne . Cette méthode dite moyenne à long terme présente
de graves inconvénients :
- l’accumulation des données et donc le grand nombre
de données à traiter,
- ensuite, le fait d’accorder le même poids aux données
les plus anciennes et aux données les plus récentes : sauf si la loi
Page 18 sur 26
qui rend compte de la demande est stationnaire, il est raisonnable

de penser que les dernières données sont les plus significatives .
En revanche, la moyenne sur toutes les données permet
d’éliminer dans la prévision les variations aléatoires : cette méthode
de la moyenne à long terme ne peut donc s’appliquer qu’à une
demande stable .
1 ) Moyenne mobile simple :

Cette technique consiste à prendre la moyenne arithmétique des
n dernières données pour établir la prévision . A chaque nouvelle
période, la donnée la plus ancienne est remplacée par la plus récente
( d’où le terme de mobile ). Le stockage et le traitement des données
sont donc moins lourds que précédemment, et dépend du choix de n.
Le deuxième inconvénient est minimisé puisque la donnée la plus
ancienne est éliminée à chaque nouvelle prévision.
i
Pn+1 = ∑ Pi / n
i= t- n+1
2 ) Moyenne mobile pondérée :

Dans cette méthode, on veut traduire le fait que les données des
n valeurs passées retenues ne rentrent pas dans la prévision avec la
même importance : pour ce faire, on leur accorde un poids différent en
leur appliquant un coefficient. La somme des n coefficients doit
évidemment être égal à 1.
t
Pn+1 = ∑ α i Pi
i = t- n+1
3 ) Lissage exponentiel simple :

Le lissage exponentiel cherche à remédier aux deux
inconvénients que nous venons de noter. Il tient compte de toutes les
données passées connues et leur accorde un poids sous forme de
coefficients de pondération reliés entre eux par une loi connue.
Page 19 sur 26
L’avantage décisif est qu’il n’oblige à mémoriser que la dernière

donnée et la prévision correspondante.
Si Pt est la prévision pour la période t, Dt la demande constatée
pour la période t, et si nous appelons α ( 0< α <1) la constante ( le
coefficient ) de lissage, la prévision pour la période suivante Pt+1
sera :
Pt+1 = α Dt + (1-α) Pt
Cette équation tient compte effectivement de toutes les données

passées ( sauf si a =0 ou 1) en leur accordant une pondération dont on
peut choisir la dégressivité, mais nom les poids individuels par
période.
En effet, si l’on considère l’expression :
Pt = α D t-1 + (1-α) P t-1
en remplaçant Pt par sa valeur dans l’équation, on obtient :
P t-1 = αDt +α (1-α) Dt-1 + α (1-α)² Pt-1
Et en faisant de même pour Pt-2, Pt-3, etc.
2 n
Pt+1 = α Dt + α(1-α) Dt-1 + α(1-α) D t-2 +…+ a (1-α) Dt-n
Les multiplicateurs de données décroissent exponentiellement

avec l’ancienneté n des données. Par ailleurs, la somme des
coefficients tend vers une moyenne mobile pondérée avec une
décroissance exponentielle des coefficients. Toutes les données, même
les plus anciennes, sont prises en compte.
La détermination de a dépend des importances respectives que
présentent pour l’entreprise le lissage des variations aléatoires et la
sensibilité aux dernières demandes. Un test sur les données passées
avec plusieurs valeurs de a permet de choisir la valeur qui aurait le
mieux rendu compte de la demande.
Page 20 sur 26
3 ) Lissage exponentiel multiple :

Nous déjà avons vu comment, en décomposant en lois
élémentaires la structure d’une demande, on peut établir des
coefficients saisonniers ou déterminer une tendance, par exemple,
additive ou multiplicative.
Il peut se produire que saisonnalité et tendance évoluent dans le
temps. Dans ce cas, il importe de procéder aux corrections
correspondantes pour mieux rendre compte de la structure de la
demande.
a _Prise en compte de la tendance :

La tendance est une évolution de la demande moyenne au cours
du temps que le modèle de prévision doit prendre en compte. Quand
une tendance existe, la prévision est toujours en retard par rapport à la
demande : ainsi la correction de tendance vise à ajouter ( ou à
retrancher en cas de tendance négative ) une quantité à la prévision
faite initialement à partir des données de base .
La tendance peut être additive ou multiplicative. Dans le cas
d’une tendance additive, la courbe de tendance est linéaire, c’est-à-
dire que les différences entre les prévisions successives sont à peu près
constantes. Dans le cas d’une tendance multiplicative, la courbe de
tendance est exponentielle , c'est-à-dire que les rapports de deux
prévisions successives sont à peu près constants. Dans la majorité des
cas, on considère que la tendance est additive. C’est ce que nous
ferons dans ce qui suit.
La première façon d’évaluer et de prendre en compte une
tendance , est de calculer les paramètres de la droites de régression sur
les n dernières données connues. Le coefficients a qui représente la
pente de la droite est l’expression de la tendance, c’est-à-dire de
l’augmentation ou de la diminution de la demande d’une période sur
l’autre.
Une autre façon fréquente de procéder consiste à comparer la
succession des prévision. La tendance instantanée se définit comme la
différence entre deux prévisions successives divisée par la durée qui
sépare deux prévisions. Même si les prévisions sont lissées, cette
grandeur est relativement instable. Pour trouver la composante à long
terme, on effectue un lissage exponentiel de cette tendance
Page 21 sur 26
instantanée. Cette méthode permet donc de suivre les évolutions de la

tendance, certes avec un certain retard, mais de façon automatique.
Soit Tt+1 la prévision de tendance pour la période t+1 . Le
lissage s’exprime ainsi :
Tt+1 = β ( Pt+1 – Pt ) + ( 1- β ) Tt
où Pt+1 et Pt sont les prévisions successive, Tt est la précédente

tendance lissée et β est le coefficient de lissage de la tendance.
D’une façon générale, l’âge moyen d’une prévision par moyenne
mobile sur n périodes est de n(n+1) / 2 .
On obtient ainsi le modèle à lissage exponentiel double :
Pt+1 = α Dt + (1-α) Pt
Tt+1 = β (Pt+1 – Pt) + (1-β) Tt
P′t+1 = Pt+1 + (1+α)

Tt+1
2α
où P′t+1 est la prévision corrigée.
b _ Prise en compte de la saisonnalité :

S’il existe une saisonnalité, le principe de calcul d’une prévision
suit les étapes de la démarches suivante :
- on désaisonnalise la dernière demande connue en la divisant par
le coefficient saisonnier correspondant à sa période . ( On obtient
ainsi une demande de base désaisonnalisée ) ;
- on effectue les calculs de prévision selon l’une des méthodes décrites
plus haut sur la demande désaisonnalisée ;
- on effectue si nécessaire une correction de tendance ;
Les coefficients saisonniers sont eux-mêmes éventuellement
réactualisés par une technique d’extrapolation qui leur est propre. On
peut faire une moyenne mobile des coefficients saisonniers sur
quelques années, on détermine un coefficient de lissage qui doit
Page 22 sur 26
traduire l’évolution des indices saisonniers successifs de rang

homologue. Ainsi, pour une prévision mensuelle, on aura :
It+12 = y It + (1-y) I′t
En résumé, un modèle de prévision avec prise en compte de la

saisonnalité opère de façon suivante :
1/ On désaisonnalise la dernière demande ( Dd : demande

désaisonnalisée )
Ddt = Dt / It
2/ On effectue un lissage de la demande désaisonnalisée ,

répondant à la formule :
Pdt+1 = α Ddt + (1- α ) Pdt
3/ On calcule enfin la prévision resaisonnalisée en multipliant

cette prévision par la prévision de l’indice saisonnier correspondant :
Pt+1 = Pdt+1 * It+1
Pour réaliser les corrections de saisonnalité mensuelles, il faut

donc conserver en mémoire 12 coefficients. Il est possible que des
familles d’articles différentes aient des courbes de vente différentes :
certains articles ont des ventes régulières dans l’année , d’autres se
vendent plus en été, d’autres plus en hiver… Dans ce cas, il convient
de conserver plusieurs séries de coefficients, chacune correspondant à
un comportement bien identifié. La mise à jour des coefficients se fait
alors globalement pour un ensemble d’articles de même indice
saisonnier.
Page 23 sur 26
VIII .Les modèles économétriques :

Nous mentionnerons enfin d’autres approches de la prévision qui
reposent sur le principe de l’association des variations d’une variable
aux évolutions d’une ou plusieurs autres . Ayant des prévisions à
moyen ou long
terme sur une ou plusieurs données économétriques, on peut en
déduire une prévision pour une variable liée à ces données. On peut
ainsi chercher à expliquer les ventes de l’entreprise par les ventes du
secteurs économétriques associés au moyen de régressions simples ou
multiples. On est ainsi amené à définir des modèles économétriques
s’appuyant sur des expressions analytiques modélisant des
régressions.
Conclusion :
Les modèles de prévision que nous avons étudiées ont un
comportement différent face à une modification de la demande.
Cependant, le lissage exponentiel est très supérieur aux moyennes
mobiles. De plus, par le choix de la constante de lissage α , il permet
de régler aisément la sensibilité du système.
Le lissage exponentiel double présente un avantage
supplémentaire : il possède de s fa culté s d’ada pta tion ou
d’apprentissage plus grandes que les autres modèles sous réserve
d’avoir opéré suffisamment de simulations pour choisir les lissages
élémentaires respectifs. Par exemples, même si les données
chronologiques de départ ne présentent pas de saisonnalité, il est
intéressant d’intégrer au modèle un lissage exponentiel sur la
saisonnalité en donnant le même indice mensuel initial aux douze
donnés s’y adaptera, cela d’autant plus vite que le coefficient de
lissage β choisi sera plus grand.
En revanche, aucun modèle ne peut s’adapter à un retournement :
changement d’une tendance additive devenant multiplicative par
exemple. Les signaux d’alerte doivent, dans tous les cas, être intégrés
au modèle. S’ils sont assortis de limites quantitatives, il peut m^me
être prévu de modifier le modèle en introduisant une correction de
tendance préprogrammée. On parle alors de lissage auto adaptatif.
IX .Schéma récapitulatif :
Page 24 sur 26
SYSTEME DE PRVISIONS
-Activités antérieures
-Information des vendeurs
-Info. - activités politiques
-Etude des informations à l’entrée
- activités économiques
par les responsables des prévisions
- activités sociales
-Choix d’une technique de prévision
- activités techniques
s’adaptant au contexte de
- activités écologiques
l’entreprise
-Info. pertinentes à l’industrie
-Etablissement d’un plan de
-Capacités de production de
prévision
l’entreprise
- Approbation du plan par le comité
-disponibilités de l’entreprise en :
des prévisions
- main-d’œuvre
- équipement
- bâtisses
- liquidités
-Ecart entre le réel et le prévu PLAN DE

-Variation de l’environnement
-Variation des données à l’entrée
PREVISI
ON
Vers la
planification
Page 25 sur 26
Travail fait par l’étudiante :

Limem Bochra
Deuxième année HEC
Groupe – 1
Bibliographies :
 La fonction logistique dans l’entreprise

Approvisionnement, production, distribution.
 Daniel Lambillotte
 Prévision des ventes
 Management industriel et logistique
 Introduction à la gestion des opérations

 Claudio Benedetti et Jacques Guillaume
 "travail (économie)," Encyclopédie® Microsoft® Encarta 2000. ©

1993-1999 Microsoft Corporation. Tous droits réservés.
Page 26 sur 26

Gestion de Production

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Gestion de Production

Hochgeladen von

Copyright:

Verfügbare Formate

INSTITUT DES HAUTES ETUDES COMMERCIALES DE CARTHAGE

ANNEE UNIVERSITAIRE : 2002 / 2003

4 ) Mesure de qualité de la prévision :

a_ Ecart algébrique moyen

1 ) Moyenne mobile simple

Relation entre secteur d’activités et activités à prévoir

Nécessité de prévision Possibilité de prévision Temps alloué par le client

I. Utilisations des prévisions :

* Le service des finances les utilisera pour déterminer les besoins

* Le service de la production établira, grâce aux prévisions, ses

* Le service du personnel en tirera les besoins en main-d’œuvre

* Le service marketing fixera les prix, ouvrira de nouveaux

II . Type de prévision en fonction du temps :

¤Prévision à long terme :C’est le fait de réaliser des ajustements de

¤Prévision à moyen terme :Définition d’un plan de production en

¤Prévision à court terme : Par exemple la planification des achats

¤Prévision immédiate : Elle se fait de 10 jours à 1 semaine .

III . La prévision à partir de l’historique :

¤ Les recherchent dans les donnés passés des lois de comportement

prévision et de la justifier, en particulier si celle-ci s’écarte de

*Utilisation simultanée de technique :

* Utilisation successive de techniques :

V . Mise en place d’un système de prévision :

2 ) Les sources d’information sur les ventes futures :

a / Cas des fabrications exclusivement à la commande :

b / Extrapolation du carnet de commandes :

Ainsi, à une date donnée, connaissant le niveau des commandes

c / Analyse statistique des ventes :

d / Sélection des prévisions à réaliser :

Il est commode de présenter .l’analyse ABC par une courbe .

Analyse ABC ( loi de PARETO )

combine, avec les lois rendant compte de la tendance et de la

éléments expliquaient toute la demande , leur reconstitution

4 ) Mesures de qualité d’une prévision :

On ne pourra cependant jamais éviter que le modèle de

dans la prévision ( la prévision est en moyenne au-dessus ou au-

a / Ecart algébrique moyen :

Si le système de prévision est adapté à la structurez de la

b / Ecart absolu moyen :

Même avec un système composant correctement les lois

demande augmente ou s’il se produit un changement dans sa

c / Carré moyen des erreurs :

chaque article, les trois mesures de la qualité de la prévision citées

VI . La régression :La méthode des moindres carrés :

avec r est le coefficient de corrélation ( envisager la relation entre x et

r = n ∑ ( xy ) – (∑ x ) (∑ y ) / √( n ∑ (x² ) - ∑ (x² ) ) * √( n ∑ ( y² ) – (∑ y )²)

Exemple de droite de régression : y = 18.916 x + 206.22

Droite des moindres carrés

VII .Les modèles d’extrapolation :

qui rend compte de la demande est stationnaire, il est raisonnable

1 ) Moyenne mobile simple :

2 ) Moyenne mobile pondérée :

3 ) Lissage exponentiel simple :

L’avantage décisif est qu’il n’oblige à mémoriser que la dernière

Cette équation tient compte effectivement de toutes les données

Les multiplicateurs de données décroissent exponentiellement

3 ) Lissage exponentiel multiple :

a _Prise en compte de la tendance :

instantanée. Cette méthode permet donc de suivre les évolutions de la

où Pt+1 et Pt sont les prévisions successive, Tt est la précédente

Tt+1 = β (Pt+1 – Pt) + (1-β) Tt

P′t+1 = Pt+1 + (1+α)

b _ Prise en compte de la saisonnalité :