Prévision des ventes 1. Approches 1. Qualitative Les différentes méthodes : Études Experts Delphi L étude de marché prend en compte les différents facteurs externes à l entreprise capable d influencer nos ventes dans le futur pour déterminer les prochaines prévisions. Cette approche qualitative est fondamentalement basée sur l expérience du logisticien à estimer des prévisions. L approche Delphi est une approche qui regroupe les estimations des prévisions de plusieurs experts. On fait ensuite une moyenne du groupe d expert pour trouver l estimation. Force de vente 2. Quantitative C est une approche marketing qui prend en compte l ensemble du personnel d une entreprise dont la fonction concerne la vente. La force de vente ne génère pas seulement des coûts, elle tire également le chiffre d affaires. Plus elle sera étoffée et plus les ventes seront élevées. En fait, il s agit non seulement la quantité vendu mais aussi de la qualité des efforts des commerciaux. L'analyse d'une série chronologique, comme toute étude statistique, ne peut échapper à une phase exploratoire permettant de comprendre et d'apprécier les phénomènes temporels influant sur la grandeur étudiée : saisonnalité, effets de calendrier, points extrêmes, conditions climatiques... Leur prise en compte est essentielle dans la prise de décision et la prévision. Les méthodes statistiques permettant de décomposer une série temporelle sont nombreuses, variées et parfois complexes. Méthode causales Identité d une variable dépendante. 1/6
Régression simple Équation, ou représentation graphique (la Droite des Moindres Carrés), permettant l'étude de la liaison entre deux variables numériques. En cas de liaisons positives ou négatives entre les deux variables, la droite de régression devient un indice pronostique qui permet d'estimer les valeurs de Y en fonction des valeurs de X (la taille en fonction du poids). En résumant sur un graphique la liaison entre les deux variables, on peut par exemple prédire qu'un individu pesant 65 kg mesurera environ 1, 70 mètre. Plus la liaison (coefficient de corrélation) sera forte, plus la prédiction sera précise et fiable. Régression multiple La régression multiple est définie comme un outil permettant d'étudier et de mesurer la relation existant entre une variable (Y), dite variable expliquée, et d'autres variables (Xi), dites variables explicatives. Effectuer une régression multiple consiste à se baser sur les données d'un échantillon afin de déterminer une estimation de la relation mathématique entre la variable expliquée et les variables explicatives. Les résultats d'une régression multiple sont donnés d'une part à travers l'équation de régression qui détermine la relation entre la variable expliquée et les variables explicatives, et d'autre part à travers divers coefficients et graphiques qu'il s'agira d'analyser afin : d'établir le degré de fiabilité de l'estimation d'examiner la significativité des résultats d'examiner si la relation entre la variable expliquée et chaque variable explicative est réelle ou seulement apparente La régression multiple peut faire l'objet de différents usages selon vos attentes. Elle peut être utilisée afin de décrire des relations entre les variables explicatives et d'analyser leur action sur la variable expliquée, afin de faire des estimations ou des prédictions, ou bien bien même afin de pouvoir utiliser l'équation de régression comme un outil de contrôle (si vous souhaitez par exemple savoir de quelle manière modifier la valeur d'une variable explicative afin d'obtenir une valeur fixée de Y). Série temporelle : Chronologie des données du passé pour le futur. Lissage : Décomposition : Dans ce travail nous utiliserons une approche quantitative temporelle de lissage 2/6
2. Lissage exponentiel Le lissage exponentiel consiste à faire une moyenne pondérée de la dernière valeur constatée (demande) et de la valeur déterminée par lissage exponentiel lors de la période précédente. Cela nous permet de dégager une tendance. On peut dire que les méthodes de lissage consistent à " réduire " plus ou moins les variations de la demande en remplaçant chaque valeur par une moyenne des valeurs qui la précèdent. Le résultat ne donne pas une droite, il est donc plus difficile à extrapoler pour en faire une prévision et ce dernier accuse en permanence un certain retard car chaque moyenne est constituée à partir des valeurs précédentes. Pour commencer à calculer une valeur de lissage exponentiel, il faut une première valeur qui est la plus part du temps une moyenne mobile. A partir de cette première valeur, on calcule pour chaque nouvelle période une nouvelle valeur égale à la somme pondérée de l'ancienne et de la demande observée de la dernière période. Si le coefficient de la demande observée est α, le coefficient de l'ancienne valeur est (1- α). Moyenne mobile Une moyenne mobile est tout simplement une moyenne effectuée sur une période prédéterminée, qui se déplace au fur a mesure du temps. Cela nous permet d avoir une moyenne non pas sur une année mais sur 2 mois, 6 mois etc, de façon a observer plus finement chaque période. Exemple : 3/6
Coefficient alpha Ce coefficient alpha est important, comme on peut le voir sur ce graphique, plus le coefficient alpha est fort, plus le poids du passé devient faible et moins les variations de la demande sont lissées. 3. Modèles 1. MAD Définition Mean Absolute Deviation (MAD) ce qui signifie en français Ecart Absolu Moyen (EAM) But En pratique, on utilise plus souvent l'ecart Absolu Moyen (EAM) pour calculer le stock de sécurité. Il existe en effet une relation statistique entre l'un et l'autre si bien que l'on peut obtenir la table des K correspondant à l'eam en multipliant par 1,25 les valeurs des K correspondant à l'écart-type. L'EAM est plus simple à calculer. Voici le calcul pour trouver l EAM : K (EAM) = K (écart-type) * 1,25 Exemple du calcul de l EAM : k (écart-type) k (EAM) 0,25 0,3125 4/6
Le coefficient croît quand on atteint de fortes valeurs du taux de service. Il en résulte que le stock de sécurité peut devenir très important. Si c'est un article ayant une valeur écart-type importante, ce qui est le cas des articles les plus consommés. Il faut donc choisir des valeurs relativement faibles du taux de service (90 à 95% par exemple) pour des articles de type A dont la valeur de consommation est importante sans oublier de surveiller en permanence ces articles et d'avoir des moyens de "dépannage". On réduira donc ainsi les stocks. Et vise versa pour les consommations faibles de type C. Calcul : 2. MSE Définition Mean Square Error (MSE) ce qui signifie l erreur quadratique moyenne (EQM) But MSE est probablement le critère quantitatif le plus utilisé pour comparer des valeurs calculées et des valeurs observées. Pour chaque observation on prend la différence entre une valeur calculée et une valeur observée (c est l erreur du modèle). On prend le carré, et enfin on prend la moyenne des carrés sur toutes les observations. On peut montrer que MSE est une somme de trois contributions différentes. La première est le biais du modèle (l erreur moyenne) au carré. Le deuxième terme est la différence entre la variabilité des résultats observées et la variabilité des résultats calculés. Pour terminer, le dernier terme enfin dépend en détail de la corrélation entre valeurs observées et calculées et est plus difficile à interpréter que les autres. Il est facile de calculer, à partir d un jeu de données qui comporte valeurs observées et valeurs calculées, ces trois termes. On peut alors avoir une première idée sur le type d erreur qui prédomine, et cela peut aider à améliorer le modèle. Calcul 5/6
Sources : http://zongo.toulouse.inra.fr/~nathalie/public/misesenlignemodelia/050705_formation IntroModelisationLaRochelleJuin2005/supportsDesInterventions/WallachDcomment_ EvaluationIntroMod.pdf http://perso.orange.fr/robert.courtiau/stock_de_securite.htm#utilisation%20de%20l% 20eam 6/6