Prévision de la demande

Transcription

1 But : Pour prendre des décisions relatives à la structure et au fonctionnement opérationnel de tout système logistique; il faut s appuyer sur un système de prévision fiable. Concerne le long, moyen et court terme. Une prévision se caractérise par trois éléments : Période élémentaire de la prévision. Horizon couvert. Périodicité de révision. 1

2 Typologie et niveaux des prévisions : On trouve deux catégories de méthodes : Qualitatives : fondées sur l expérience et le jugement. Quantitatives : faisant appel à l outil statistique. 2

3 Méthodes qualitatives : Fondées sur l expérience, l intuition et l opinion des professionnels de la vente. Utilisées pour la prévision à moyen ou long terme. Parmi ces méthodes on peut citer : Etude de marché. Marché test. Delphi 3

4 Méthodes quantitatives : Recherchent dans les données passées des lois de comportement de la demande qui sont ensuite projetées sur l avenir. Adaptées à la prévision à moyen et court terme. Constituent le point de départ des méthodes de planification des besoins en composants. Se divisent en deux grandes catégories : Méthodes d extrapolation dans le temps. Méthodes explicatives ou associatives ou causales. 4

5 Méthodes d extrapolation : Principe : S agit de déduire d une chronique passée connue, les valeurs prévisibles à venir (prolongement de la tendance commerciale). La prévision soit fiable, il faut que les paramètres qui décrivent la demande restent stables. Les techniques les plus utilisées : Moyenne mobile simple ou pondérée. Lissage exponentiel simple ou double. Régression linéaire ou exponentielle. Décomposition de la demande pour mettre en évidence la saisonnalité, la tendance et la variable aléatoire. 5

6 Méthodes explicatives : A partir des données du passée, s agit de déterminer une relation entre la variable à prévoir ( variable expliquée) et une ou plusieurs autres variables ( variables explicatives). Deux familles principales : Modèles à équation unique. Modèles à équations simultanées ou économétriques. 6

7 Nature des décisions Stratégique Tactique Opérationnelle Opérationnelle Horizon Long terme ( 3 ans et plus) Moyen terme (de 6 mois à 2 ans) Court terme (quelques semaines) Très court terme (quelques jours) Illustrations Construire une usine ou lancer un nouveau produit Planification de la capacité PIC Planification de la fabrication PDP Ordonnancement Ordres de fabrication Ordres d achat Niveau de la prévision Grandes familles de produits Familles de produits Produit Produits, options et composants Degré d agrégation Maximal Fort Moyen Minimal Méthodes utilisées Etudes réalisées par des syndicats, professionnels, organisme. Etudes de marché. Delphi. Expérience. Opinions des cadres. Etudes de marché spécifiques. Analyse statistique de tendance. Technique économétriques. Similitude avec un produit existant. Analyse statistique de la saisonnalité. Régressions. Moyenne mobile. Lissage exponentiel. En fonction des prévisions précédentes, les logiciels établissent les besoins nets de chaque article. Outils statistiques déjà cités. 7

8 Agrégation et désagrégation des prévisions : Le degré d agrégation concerne la demande du client: Unité retenue est large : prévision est agrégée.(long terme) Unité retenue est étroite : la prévision est désagrégée.(court terme) A noter : Le MRP suppose de disposer de données totalement désagrégées. 8

9 Pyramide Agrégation- Désagrégation : VENTES Agrégation Société Marché Gamme Famille Article Désagrégation PREVISIONS 9

10 La régression linéaire : Ou droite des moindres carrés. Principe : Calculer l équation de la droite représentative d une tendance de type linéaire : (y = a*x + b) La méthode vise à minimiser la somme des carrés des écarts entre les données de la demande et les ordonnées correspondants de la droite de régression. La somme algébrique des écarts est nulle. Pour n données : a = (n*s(x*y)- S x*sy)/(n* S x 2 (S x) 2 ) b = (Sy)/n - ( a* S x)/n 10

11 Demande Prévision de la demande X (trimestre) Illustration : Y (demande) Y= * X X 2 Y 2 XY Prévision régression Régression linéaire Trimestre Demande Prévision 11

12 Les méthodes d extrapolation : On admet que les facteurs qui ont déterminé la demande passée continuent à agir sur la demande future. Méthode 1 : Moyenne à long terme. Principe : Consiste à tenir compte de toute les données passées et d en faire la moyenne. Ne peut s appliquer qu à une demande stable. 12

13 Méthode 2 : Moyenne mobile simple. Principe : 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 (mobile). Stockage et traitement des données moins lourd s que méthode 1. On se contente de n entre 3 et 6. 13

14 Méthode 3 : Moyenne mobile pondérée. Principe : traduire le fait que les données des n valeurs passées retenues ne rentrent pas dans la prévision avec la même importance. Leur accorder un poids différents en leur appliquant un coefficient. La somme des n coefficients doit égal à 1. 14

15 Quantité Prévision de la demande Illustration de la méthode moyenne mobile 150 Demande Moyenne mobile simple sur 3 périodes 0 D emand e M o yenne mo b ile simp le sur 3 p ério d es M oyenne mobile pondérée sur 3 p ério d es( 2 0 %- 3 0 %- 50 %) M o yenne mo b ile p o d érée sur 3 p ério d es( 10 %- 2 0 %- 70 %) Mois Moyenne mobile pondérée sur 3 périodes(20%-30%- 50%) Moyenne mobile podérée sur 3 périodes(10%-20%- 70%) 15

16 Méthode 4 : Lissage exponentiel. Principe :Tient compte de toutes les données passées connues et leur accorde un poids sous forme de coefficients de pondération reliées entre elles par une loi connue. Mémoriser que la dernière donnée et la prévision correspondantes. Données : Pt : prévision pour la période t. Dt : demande constatée pour la période t. a : constante de lissage; entre 0 et 1. 16

17 La prévision pour la période suivante P(t+1): P(t+1) = a*dt + (1- a)*pt Les multiplicateurs de données décroissent exponentiellement avec l ancienneté n des données. La somme des coefficients a*(1- a) n tend vers 1. Le choix de a est laissé à l utilisateur et dépend de son jugement. La détermination de a dépend des importances respectives que présentent pour l entreprise le lissage des variations aléatoires et la sensibilité aux dernières demandes. 17

18 Quantité Prévision de la demande Illustration lissage exponentiel Demande a = 0,1 a = 0,5 a = 0,9 Demande a = 0, ,6 100,64 98,58 99,22 98,8 99,42 99,48 100,53 101,97 103,78 106,4 a = 0, ,5 98,75 96,88 100,94 100,47 105,23 110,12 115,06 122,53 a = 0, ,6 109,36 82,94 102,79 95,78 104,08 100,41 109,04 114,4 119,44 128,94 Mois 18

19 Décomposition de la demande : Pour construire un bon système de prévision, il est indispensable d analyser correctement la structure de la demande passée, en recherchant la présence des éléments suivants : Base. Saisonnalité. Tendance. Variations aléatoires autour de la tendance centrale. 19

20 Saisonnalité : fluctuations de la demande qui se répètent à intervalles réguliers et qui sont reliés à un ou plusieurs facteurs environnementaux. Caractériser une saisonnalité consiste à calculer des indices saisonniers pour chaque période (rapport entre la demande réelle et une moyenne globale). La moyenne globale est appelée demande désaisonnalisée. 20

21 Demande Prévision de la demande Illustration : Saisonnalité Mois Demande 1998 Indice 1998 Demande 1999 Indice 1999 Saisonnalité Demande 1998 Demande Mois Total

22 Tendance : La tendance est une évolution du niveau de base de la demande en fonction du temps. La tendance peut être linéaire ou exponentielle. Tendance linéaire : méthode de régression. Tendance exponentielle : régression sur le logarithme de la variable. 22

23 Variation aléatoire : Les variations de la demande non expliquées par la décomposition en niveau de base, saisonnalité et tendance; et qui sont génératrices d une erreur de prévision. Ces variations se situent symétriquement de part et d autre de la prévision. 23

24 Prise en compte de la tendance : Dans la majorité des cas la tendance est additive. 1ère façon : évaluer la tendance et calculer les paramètres de la droite de régression sur les n dernières données passées. 2ème façon :Lissage exponentiel double. T(t+1) = b*(p(t+1) Pt) + (1- b)*tt T(t+1) et Tt : tendance pour la période t+1 et t. b : Coefficient de lissage de la tendance. 24

25 On corrige la prévision calculée à partir des données de la demande : P(t+1) = a*dt + (1- a)*pt T(t+1) = b*(p(t+1) Pt) + (1- b)*tt Prévision corrigée : P (t+1) = P(t+1) +(1+ a)/(2*a)*t(t+1) 25

26 Prise en compte de la saisonnalité : S il existe, le principe de calcul d une prévision suit les étapes suivantes : Désaisonnaliser la dernière demande connue en la divisant par le coefficient saisonnier correspondant à sa période. Effectuer les calculs de prévision selon l une des méthodes sur la demande désaisonnalisée. Effectuer si nécessaire une correction de tendance. Resaisonnaliser la prévision en la multipliant par l indice saisonnier. 26

27 Mesure de qualité d une prévision : Ecart algébrique moyenne : eam = (S(Pt Dt))/n Pt : prévision de la période t. Dt : demande de la période t. n : nombre de demandes passées observées. Si le système de prévision est adapté à la structure de la demande, les variations aléatoires seront les seules causes d erreur et eam fluctue autour de 0. 27

28 Ecart absolu moyen : EAM = (S( Pt Dt ))/n EAM dépend de la variabilité de la demande et doit rester à peu prés constant. Carré moyen des erreurs : EAM2 = (S(Pt Dt) 2 )/n Préféré à EAM chaque fois que l on veut privilégier un système faisant beaucoup de petites erreurs par rapport à un système caractérisé par des erreurs moins fréquentes mais des écarts plus grands. 28

29 Signaux d alerte : Un système de prévision destiné à gérer des milliers d articles doit être mis sous contrôle. Pour éviter les conséquences désastreuses de l emploi de prévisions erronées dans les décisions logistiques. Pour cela, surveiller : eam, EAM et EAM2. Principe de surveillance : fixer une limite à EAM et deux bornes inférieure et supérieur à eam. 29

30 Mise en place d un système de prévision : Les grandes lignes de l approche à appliquer : Commencer par définir le type de prévision dont on a besoin.ce qui induit la classe de méthode à priori adaptées. Définir l application particulière. Analyser la structure de la demande passée. Simuler le modèle en vue de déterminer les valeurs que doivent prendre les paramètres. Définir et mettre en place des signaux d alerte permettant par la suite de mettre sous contrôle l adaptation de la méthode retenue. 30