On améliore ce qu'on mesure. Pourtant, la plupart des PME industrielles ne mesurent pas la précision de leurs prévisions de demande. Elles savent si elles ont eu des ruptures, si les ventes ont atteint le budget. Mais elles ignorent si leurs prévisions sont bonnes ou mauvaises, dans quelle mesure, et sur quelles références.
Sans mesure d'erreur de prévision, il est impossible d'identifier les méthodes qui fonctionnent, les références problématiques, ou le biais systématique qui fait dériver les stocks. MAPE, MAD et RMSE sont les trois outils fondamentaux pour répondre à ces questions.
Dans cet article, vous apprendrez :
- Ce que mesurent exactement MAPE, MAD et RMSE, et leurs différences
- Comment les calculer simplement sous Excel
- Lequel choisir selon votre situation
- Comment utiliser ces indicateurs pour progresser concrètement
Pourquoi mesurer l'erreur de prévision
Une prévision est utile non pas quand elle est exacte (elles ne le sont jamais parfaitement), mais quand son niveau d'erreur est connu et acceptable. Cette connaissance permet de :
- Calibrer correctement les stocks de sécurité (le stock de sécurité absorbe l'erreur de prévision)
- Identifier les références et les horizons où la prévision est fiable vs non fiable
- Comparer l'efficacité de différentes méthodes de prévision sur une même référence
- Détecter un biais systématique (prévisions toujours trop hautes ou trop basses)
MAPE : Mean Absolute Percentage Error
Définition et formule
Le MAPE est l'indicateur de précision de prévision le plus utilisé dans l'industrie. Il exprime l'erreur moyenne en pourcentage de la demande réelle.
MAPE = (1/n) × Σ |D(t) - F(t)| / D(t) × 100
Où :
- D(t) = demande réelle à la période t
- F(t) = prévision pour la période t
- n = nombre de périodes
Exemple de calcul
| Période | Réel D(t) | Prévision F(t) | Erreur absolue | % Erreur |
|---|---|---|---|---|
| Jan | 100 | 110 | 10 | 10% |
| Fév | 120 | 115 | 5 | 4,2% |
| Mar | 90 | 100 | 10 | 11,1% |
| Avr | 130 | 125 | 5 | 3,8% |
MAPE = (10% + 4,2% + 11,1% + 3,8%) / 4 = 7,3%
Interprétation
| MAPE | Interprétation |
|---|---|
| < 10% | Excellent |
| 10-20% | Bon |
| 20-35% | Acceptable |
| > 35% | Médiocre - action requise |
Limites du MAPE
Le MAPE a deux limites importantes :
Division par zéro : Si D(t) = 0 (aucune vente sur la période), la formule est indéfinie. Sur des références à demande intermittente (nombreuses périodes à zéro), le MAPE est inapplicable.
Asymétrie : Le MAPE n'est pas symétrique. Une surestimation de 100% et une sous-estimation de 100% ne sont pas mathématiquement équivalentes. Il a tendance à favoriser les prévisions basses.
MAD : Mean Absolute Deviation
Définition et formule
Le MAD mesure l'erreur absolue moyenne en unités. Il est plus robuste que le MAPE pour les références à faible volume ou à demande intermittente.
MAD = (1/n) × Σ |D(t) - F(t)|
Exemple de calcul (sur les mêmes données)
MAD = (10 + 5 + 10 + 5) / 4 = 7,5 unités
Utilité du MAD
Le MAD est directement lié au stock de sécurité. Dans la méthode du stock de sécurité par MAD :
SS = k × MAD
Où k est un facteur de service (k = 1,25 pour 95% de service, k = 1,6 pour 97,5%, k = 2 pour 99%).
C'est une alternative opérationnelle à la formule en σ (écart-type), particulièrement utile quand on n'a pas de système statistique avancé. La relation entre MAD et σ est : σ ≈ 1,25 × MAD.
MAD vs σ : lequel utiliser pour le stock de sécurité ?
Si vous avez accès au calcul de l'écart-type (Excel : =ECARTYPE.S()), utilisez σ. La formule SS = Z × σ × √LT est plus précise.
Si vous préférez une approche plus intuitive ou si vos données sont peu nombreuses, le MAD est un bon proxy : SS = k × MAD × √LT, avec k = 1,25 pour 95%, 1,6 pour 97,5%.
RMSE : Root Mean Square Error
Définition et formule
Le RMSE (Root Mean Square Error) est la racine carrée de la moyenne des carrés des erreurs.
RMSE = √[(1/n) × Σ (D(t) - F(t))²]
Exemple de calcul
| Période | Erreur | Erreur² |
|---|---|---|
| Jan | 10 | 100 |
| Fév | 5 | 25 |
| Mar | 10 | 100 |
| Avr | 5 | 25 |
RMSE = √[(100 + 25 + 100 + 25) / 4] = √62,5 = 7,9 unités
Caractéristique clé : sensibilité aux grandes erreurs
Le carré amplifie les grandes erreurs. Un RMSE significativement supérieur au MAD (ici 7,9 vs 7,5) indique la présence de quelques pics d'erreur importants.
En pratique, le RMSE est privilégié quand les grandes erreurs de prévision ont des conséquences disproportionnées (ruptures critiques, surcoûts de production importants). C'est la métrique préférée des data scientists pour comparer des modèles de prévision.
Le biais (Forecast Bias) : la métrique oubliée
Le MAPE, le MAD et le RMSE mesurent l'amplitude des erreurs, mais pas leur direction. Le biais mesure si les prévisions sont systématiquement trop hautes ou trop basses.
Biais = (1/n) × Σ (F(t) - D(t))
- Biais positif : prévisions systématiquement supérieures à la réalité → surstock structurel
- Biais négatif : prévisions systématiquement inférieures → ruptures récurrentes
- Biais proche de 0 : prévisions centrées, erreurs aléatoires
Un biais détecté appelle une action différente d'une simple amélioration de la méthode de prévision. Il faut chercher la cause systématique : motivation commerciale à surestimer, données anormales non traitées, méthode inadaptée au profil de la demande.
Quel indicateur choisir ?
| Situation | Indicateur recommandé |
|---|---|
| Références à forte demande régulière | MAPE |
| Références à faible volume ou intermittentes | MAD |
| Comparaison de modèles, pénalisation des grandes erreurs | RMSE |
| Détecter un biais systématique | Biais (toujours en complément des autres) |
| Tableau de bord standard supply chain | MAPE + Biais |
Comment construire le suivi sous Excel
La démarche pratique pour une PME sans outil statistique dédié :
- Extraire les ventes réelles et les prévisions sur les 12 derniers mois par référence
- Calculer :
=ABS(réel - prévision) / réelpour l'erreur relative (MAPE mensuel par ligne) - Calculer :
=MOYENNE()sur la colonne erreurs relatives → MAPE annuel - Calculer :
=MOYENNE(prévision - réel)→ Biais - Filtrer les références avec MAPE > 30% → liste des références à problème à investiguer
Ce qu'il faut retenir
- Le MAPE est l'indicateur standard : erreur moyenne en %. Cible < 20% pour les références régulières.
- Le MAD mesure l'erreur en unités absolues. Utile pour dimensionner le stock de sécurité sans calcul statistique complexe.
- Le RMSE pénalise davantage les grandes erreurs. Pertinent pour comparer des méthodes ou gérer des risques de rupture critique.
- Le biais est la métrique oubliée mais souvent la plus révélatrice : un biais positif persistant explique plus de sursocks que n'importe quelle autre variable.
- Ces indicateurs se calculent sous Excel. Pas besoin d'outil spécialisé pour démarrer.
Prêt à faire évoluer votre supply chain ?
