Mal prévoir, c'est mal approvisionner. Une prévision de demande trop optimiste génère du surstock et du capital immobilisé. Trop pessimiste, elle provoque des ruptures et des ventes perdues. La précision des prévisions est l'un des leviers de performance les plus sous-exploités dans les PME industrielles.
La bonne nouvelle : il n'est pas nécessaire d'investir dans des outils complexes pour progresser significativement. Choisir la bonne méthode de prévision selon le profil de ses références peut multiplier par deux la précision, sans algorithmes d'apprentissage automatique.
Dans cet article, vous apprendrez :
- Les principales méthodes de prévision de la demande et leurs cas d'usage
- Comment choisir la méthode adaptée à chaque type de référence
- Les indicateurs pour mesurer et améliorer la précision
- Les pièges classiques qui faussent les prévisions
Pourquoi la prévision de demande est-elle si difficile en PME
La demande en PME industrielle est rarement stable. Elle est influencée par la saisonnalité, les promotions, les cycles économiques, les comportements des quelques grands clients qui représentent souvent 70 à 80% du chiffre d'affaires (effet Pareto), et des événements imprévus.
À cela s'ajoutent des données souvent peu fiables : commandes exceptionnelles non filtrées, arrêts de production non signalés, retours clients non documentés. Une prévision calculée sur des données brutes non nettoyées est une prévision faussée dès le départ.
Les 5 grandes familles de méthodes de prévision
1. La moyenne mobile simple
Principe : La demande future est estimée comme la moyenne des N dernières périodes.
Formule : F(t+1) = [D(t) + D(t-1) + ... + D(t-N+1)] / N
Quand l'utiliser : Références à demande stable, sans tendance ni saisonnalité marquée. Catégorie X en segmentation XYZ (coefficient de variation < 0,5).
Limites : Lente à réagir aux changements de tendance. Ne capte ni la saisonnalité ni les tendances à la hausse ou à la baisse.
2. La moyenne mobile pondérée (WMA)
Principe : Les périodes récentes reçoivent un poids plus important que les périodes anciennes.
Formule : F(t+1) = w1×D(t) + w2×D(t-1) + ... avec w1 > w2 > ...
Quand l'utiliser : Références avec une légère tendance ou des changements récents de comportement. Meilleure réactivité que la moyenne simple sans la complexité du lissage exponentiel.
3. Le lissage exponentiel simple (LES)
Principe : La prévision est une combinaison pondérée entre la dernière observation et la dernière prévision. Le paramètre α (entre 0 et 1) contrôle la réactivité.
Formule : F(t+1) = α × D(t) + (1-α) × F(t)
Interprétation du paramètre α :
- α proche de 1 (ex: 0,8) : très réactif aux dernières observations, adapté aux marchés volatils
- α proche de 0 (ex: 0,2) : inertiel, lisse les fluctuations, adapté aux demandes stables
- α = 0,3 est souvent un bon point de départ pour les PME industrielles
Quand l'utiliser : Références avec une demande modérément variable. C'est la méthode de référence pour les PME qui veulent un bon compromis simplicité/précision.
4. Le lissage exponentiel de Holt (tendance)
Principe : Étend le LES en ajoutant un paramètre pour capturer la tendance. Deux paramètres : α (niveau) et β (tendance).
Quand l'utiliser : Références avec une tendance claire à la hausse ou à la baisse (lancement de produit, croissance d'un segment, phase de déclin).
5. Le lissage exponentiel de Holt-Winters (tendance + saisonnalité)
Principe : Ajoute un troisième paramètre γ pour la composante saisonnière.
Quand l'utiliser : Références avec une demande saisonnière marquée et/ou une tendance. C'est la méthode la plus complète pour les PME ayant des pics saisonniers (agroalimentaire, équipement de loisirs, BTP).
Comment choisir la méthode adaptée
Le choix de la méthode dépend du profil de la demande. La segmentation XYZ (basée sur le coefficient de variation CV = σ/µ) est le guide naturel :
| Profil demande | CV | Méthode recommandée |
|---|---|---|
| Très régulière (X) | < 0,5 | Moyenne mobile ou LES (α faible) |
| Moyennement variable (Y) | 0,5 - 1 | LES ou Holt si tendance |
| Très irrégulière (Z) | > 1 | Méthodes spécifiques (Croston) ou approvisionnement sur commande |
| Saisonnière avec tendance | Variable | Holt-Winters |
| Produit en phase de lancement | N/A | Courbes de diffusion (Bass) ou prévisions analogiques |
Cas particulier : les références Z. La méthode de Croston est spécialement conçue pour les demandes intermittentes (de nombreuses périodes à zéro, quelques pics). Elle sépare la prévision de fréquence d'occurrence et la prévision de taille de commande. Pertinente pour les pièces de rechange, les composants peu courants, les références de fin de vie.
Mesurer et améliorer la précision
Trois indicateurs sont utilisés pour évaluer la qualité des prévisions :
MAPE (Mean Absolute Percentage Error) : Erreur moyenne en pourcentage. Facile à comprendre mais sensible aux divisions par zéro (demande faible ou nulle).
MAPE = (1/n) × Σ |D(t) - F(t)| / D(t) × 100
MAD (Mean Absolute Deviation) : Erreur absolue moyenne en unités. Plus robuste que le MAPE pour les références à faible volume.
MAD = (1/n) × Σ |D(t) - F(t)|
Bias (biais) : Mesure si les prévisions sont systématiquement trop hautes ou trop basses. Un biais de 0 indique un prévisionnel centré.
Bias = (1/n) × Σ (F(t) - D(t))
Les pièges qui faussent les prévisions
Ne pas nettoyer les données
Une commande exceptionnelle d'un client qui double sa commande habituelle pour constituer du stock faussera les prévisions pour toutes les périodes suivantes. Avant de calculer, identifiez et traitez les valeurs aberrantes.
Confondre prévision statistique et prévision commerciale
La prévision statistique doit être enrichie par l'intelligence terrain : offres en cours, tendances marché, arrêts clients connus. C'est le coeur du processus S&OP : un consensus entre le modèle et la connaissance humaine.
Optimiser les paramètres sur du passé sans validation croisée
Optimiser α, β, γ sur l'ensemble de l'historique disponible conduit à du sur-apprentissage. La bonne pratique est de calibrer sur les 18 premiers mois et de valider sur les 6 derniers (out-of-sample validation).
Appliquer une seule méthode à toutes les références
Une PME avec 5 000 références a des profils de demande très hétérogènes. Appliquer Holt-Winters à une référence à demande stable n'apporte rien et peut même dégrader la précision. Segmentez d'abord, prévoyez ensuite.
Cas pratique : fabricant de matériaux de construction, PME 80 personnes, 3 800 références.
Point de départ : une seule méthode pour toutes les références (moyenne des 3 derniers mois). MAPE global : 38%. Résultat : surstocks en période basse, ruptures en période haute.
Mise en oeuvre de la segmentation XYZ + méthodes adaptées :
- 420 références X (CV < 0,5) : lissage exponentiel simple, α = 0,25. MAPE : 14%
- 1 100 références Y (CV 0,5-1) : lissage exponentiel de Holt, α = 0,35, β = 0,1. MAPE : 24%
- 380 références saisonnières Y/Z avec historique > 24 mois : Holt-Winters. MAPE : 19% (vs 42% avant)
- 1 900 références Z (CV > 1, faible volume) : méthode de Croston ou commande sur demande
Résultat global à 6 mois : MAPE moyen passé de 38% à 22%. Stock de sécurité réduit de 18% sur les références X et Y, taux de service client amélioré de 87% à 93%.
Ce qu'il faut retenir
- Le choix de la méthode de prévision doit être guidé par le profil de la demande (CV, saisonnalité, tendance) - pas par la complexité de l'outil.
- La segmentation XYZ est le guide naturel pour sélectionner la méthode adaptée à chaque référence.
- La précision se mesure avec MAPE, MAD et le biais. Suivre ces indicateurs révèle où le processus de prévision peut progresser.
- Nettoyer les données avant de prévoir est aussi important que le choix de la méthode.
- Une prévision statistique seule n'est pas suffisante : elle doit être complétée par la connaissance commerciale dans un processus S&OP structuré.
Prêt à faire évoluer votre supply chain ?
