Accueil / Planification et logistique / Planification et ordonnancement

Prévision de la demande

Collez l’historique des ventes ou de la consommation : le calculateur teste six méthodes, choisit celle dont l’erreur est la plus faible et projette les prochains mois avec une bande de confiance, prête à alimenter le stock de sécurité et la taille de lot économique.

Outil de prédimensionnement et d’estimation : les résultats ne remplacent ni l’étude, le calcul ou le rapport signé par un professionnel qualifié, ni la vérification selon les normes applicables.

Estimation préliminaireRévision 03/11/2026
Historique de la demande
Voir ce qui a été lu

Utilisez les ventes ou la consommation réelles (sorties), pas les commandes d’achat. Les mois avec rupture de stock sous-estiment la demande : corrigez-les avant de coller.

Méthodes
Pour les étapes suivantes

Les données restent uniquement dans ce navigateur et ne sont pas envoyées. Décochez pour les effacer.

—Prévision pour la prochaine période
—

Historique, ajustement et prévision

Demande réelle, prévision à un pas de la méthode retenue et prévision future avec sa bande approximative.

Touchez le graphique pour voir les valeurs.

Comparaison des méthodes

Prévision par période

Erreurs de la méthode retenue

Demande réelle moins prévision à chaque période ; barres au-dessus de zéro : la prévision était trop basse.

Touchez le graphique pour voir les valeurs.

Signal de suivi

Somme cumulée des erreurs ÷ MAD cumulé, période par période, avec les limites d’alerte. Hors de la bande, la prévision est biaisée vers le haut ou vers le bas.

Touchez le graphique pour voir les valeurs.

Étape suivante

Reportez les résultats de cette page dans un autre calculateur, avec les champs déjà remplis.

La note de calcul réunit les entrées, résultats, équations, hypothèses et références de cette page, avec des champs pour le projet, le responsable et la révision. Le rapport complet comprend aussi les graphiques et les interprétations, en couleur. Dans la fenêtre d’impression, choisissez Enregistrer au format PDF.

Méthode, hypothèses et références

Équations utilisées

Moyenne mobile : F_t = (y_(t−1) + … + y_(t−n)) ÷ n ; pondérée : poids 1, 2, …, n (le plus grand sur la plus récente)
Lissage exponentiel simple : L_t = α·y_t + (1 − α)·L_(t−1) ; F_(t+1) = L_t
Holt : L_t = α·y_t + (1 − α)(L_(t−1) + b_(t−1)) ; b_t = β(L_t − L_(t−1)) + (1 − β)·b_(t−1) ; F_(t+h) = L_t + h·b_t
Holt-Winters additif : L_t = α(y_t − s_(t−m)) + (1 − α)(L + b) ; s_t = γ(y_t − L_t) + (1 − γ)s_(t−m) ; F = L + h·b + s ; multiplicatif : y_t ÷ s, y_t ÷ L_t et F = (L + h·b)·s
Erreurs (e = y − F) : MAD = Σ|e| ÷ N ; RMSE = √(Σe² ÷ N) ; MAPE = Σ|e ÷ y| ÷ N ; TS = Σe ÷ MAD ; bande = F ± z·RMSE
Pour le stock de sécurité : demande/jour = moyenne prévue ÷ jours de la période ; écart-type/jour ≈ RMSE ÷ √(jours de la période)

Hypothèses et limites

  • Initialisation : lissage exponentiel simple avec L = y_1 ; Holt avec L = y_2 et b = y_2 − y_1 ; Holt-Winters avec niveau et tendance tirés des moyennes des deux premiers cycles et coefficients saisonniers du premier cycle sans tendance.
  • Toutes les méthodes sont comparées sur les mêmes périodes (après le premier cycle saisonnier ou la plus grande fenêtre de moyenne mobile), avec une prévision à un pas. La recherche sur grille teste α, β et γ de 0,05 à 0,95 par pas de 0,05 : c’est un bon choix, pas forcément l’optimum continu.
  • La bande ±z·RMSE est approximative et constante ; en pratique, l’incertitude croît avec l’horizon. Ne traite pas la demande intermittente, les promotions, les ruptures ni les événements futurs connus.

Normes et documents techniques

  • Hyndman, R. J.; Athanasopoulos, G. Forecasting: Principles and Practice, 3rd ed., OTexts, 2021 (exponential smoothing and Holt-Winters)
  • Winters, P. R. Forecasting sales by exponentially weighted moving averages. Management Science, 6(3), 324–342, 1960
  • Holt, C. C. Forecasting seasonals and trends by exponentially weighted moving averages, ONR Memorandum 52, 1957 (reprinted in International Journal of Forecasting, 20(1), 2004)
  • Silver, E. A.; Pyke, D. F.; Thomas, D. J. Inventory and Production Management in Supply Chains, 4th ed., CRC Press, 2017 (forecast errors and tracking signal)
  • Makridakis, S.; Wheelwright, S. C.; Hyndman, R. J. Forecasting: Methods and Applications, 3rd ed., Wiley, 1998

Réglementation applicable

  • Consultez la réglementation du travail, fiscale et comptable en vigueur dans votre pays (durée du travail, heures supplémentaires et charges sociales, taxes sur les ventes et les services, amortissement fiscal et conventions collectives) avant d’utiliser ces valeurs pour la paie, les prix ou les déclarations.

Questions fréquentes

À quoi sert la prévision de la demande ?

À planifier la production, les achats, les stocks et le personnel avant l’arrivée des commandes. La prévision statistique utilise l’historique des ventes ou de la consommation pour projeter les mois suivants ; elle doit ensuite être ajustée avec ce que sait le service commercial (promotions, nouveaux clients, contrats perdus).

Quelle méthode choisir ?

Le calculateur les teste toutes sur la même partie de l’historique et choisit celle dont l’erreur est la plus faible. En général : moyenne mobile et lissage exponentiel simple pour une demande stable ; Holt en cas de tendance à la hausse ou à la baisse ; Holt-Winters en cas de saisonnalité (pics certains mois). Multiplicatif quand le pic grandit avec le volume ; additif quand le pic a une taille fixe.

Comment lire le résultat de l’exemple ?

Avec 36 mois d’historique, la méthode retenue est Holt-Winters multiplicatif (α = 0,05 ; β = 0,05 ; γ = 0,25), avec un RMSE de 52,2 unités et un MAPE de 3,2 %. La prévision pour jan/26 est de 1354 unités, avec une bande à 90 % entre environ 1268 et 1440. La moyenne mobile sur 12 mois se trompe presque trois fois plus (RMSE de 150,9), car elle ne suit pas le cycle.

De combien de périodes d’historique ai-je besoin ?

Le calculateur accepte de 12 à 60 périodes. Pour Holt-Winters, au moins deux cycles complets (24 mois pour une saisonnalité annuelle) ; avec trois ou plus, les coefficients saisonniers sont plus stables. Un historique très ancien peut nuire si le marché a changé : préférez les 3 à 5 dernières années.

Que sont MAD, RMSE, MAPE et le signal de suivi ?

Le MAD est l’erreur moyenne en unités ; le RMSE pénalise davantage les grosses erreurs et sert de base à la bande et au stock de sécurité ; le MAPE est l’erreur en pourcentage de la demande. Le signal de suivi (somme des erreurs ÷ MAD) indique un biais : au-delà de ±4, la prévision se trompe toujours du même côté.

Comment corriger les données avant de prévoir ?

Utilisez les ventes ou sorties réelles, pas les commandes d’achat. Les mois avec rupture de stock, grèves ou promotions inhabituelles faussent le profil : remplacez-les par une valeur typique ou par la moyenne des mois voisins. Une commande unique très importante d’un client occasionnel doit aussi être retirée.

Quelles sont les limites ?

Les méthodes supposent que le profil du passé se poursuit. Elles ne prévoient ni lancements, ni pertes de clients, ni changements de prix, ni crises. La bande utilise ±z × RMSE, une approximation qui, en pratique, s’élargit avec l’horizon. Pour les articles à demande intermittente (beaucoup de mois à zéro), utilisez des méthodes adaptées comme celle de Croston.

Comment voir si la prévision est biaisée ?

Le graphique du signal de suivi cumule les erreurs depuis le début et les divise par l’erreur absolue moyenne. Si la courbe dépasse +4 (ou la limite choisie), la prévision est systématiquement trop basse ; en dessous de −4, systématiquement trop haute. Dans ce cas, revoyez la méthode ou les paramètres, ou vérifiez si la demande a changé de niveau.