La qualité des prévisions dépend inévitablement de la qualité des données sous-jacentes. Des événements ponctuels, comme une augmentation spectaculaire des ventes ou une baisse inhabituelle de la demande, peuvent radicalement changer les prévisions pour le pire. Par conséquent, il faut faire attention aux historiques de ventes pour produire des prévisions précises. Le module AGR de prévision est conçu pour identifier toutes les tendances possibles, y compris les mouvements lents et rapides, les tendances saisonnières ou les articles en augmentation ou en baisse des ventes. Cela signifie que les utilisateurs n’ont pas besoin de connaissances statistiques avancées car le système gère automatiquement la partie prévision. À mesure que les historiques de ventes arrivent, le module de prévisions calcule automatiquement les prévisions de ventes sur la base de l’un des modèles de prévision suivants pour satisfaire toutes les exigences de prévisions commerciales courantes. La méthode de prévision la mieux adaptée (best fit) est choisie automatiquement par article en fonction de la nature du produit et de la quantité de données historiques disponibles. Voici une description de ces modèles de prévision et des différences entre eux.

Sélection expert

La sélection experte permet au module de prévision de sélectionner automatiquement une technique de prévision unique et appropriée. La sélection expert fonctionne comme suit. Si l’ensemble d’historique est très court, le module de prévision utilise par défaut une moyenne mobile simple. Sinon, le module de prévision examine les données pour l’applicabilité des modèles de prévision intermittents ou discrets. Bien que les prévisions produites à partir de ces modèles ne soient que des lignes horizontales droites, elles fournissent souvent des prévisions supérieures à celles du lissage exponentiel pour les données à faible volume et désordonnées. Si aucun de ces modèles ne s’applique aux données, le choix est désormais limité à différentes formes de lissage exponentiel et aux modèles de Box-Jenkins. Le module de prévision exécute ensuite une série de tests sur les données et applique une logique basée sur des règles qui peut conduire à une sélection de modèles basée sur les caractéristiques des données.  

Méthodes simples

La méthode simple comprend des modèles à moyenne mobile et concerne des données très courtes ou extrêmement volatiles. Il s’agit d’une méthode courante de gestion des stocks – utilisée par les grossistes et les distributeurs pour la prévision de la demande – pour faire la moyenne des ventes au cours des derniers mois. Cette méthode peut bien fonctionner pour les articles en demande constante, mais elle ne fonctionne pas aussi bien pour les autres. Étant donné que différents articles peuvent avoir un modèle de demande très différent, il est extrêmement important de choisir la méthode de prévision la plus pertinente pour chaque article. Si l’ensemble de données est très court ou comporte moins de 10 points, le module de prévision utilise par défaut une moyenne mobile simple.  

Lissage exponentiel

Le lissage exponentiel fonctionne comme son nom l’indique. Il extrait le niveau, la tendance et les indices saisonniers en construisant des estimations lissées de ces caractéristiques, en pondérant davantage les données récentes. Il s’adapte à la structure changeante mais minimise les effets des valeurs aberrantes et du bruit. Douze différents modèle de lissage exponentiel Holt-Winters sont fournis pour s’adapter à un large éventail de caractéristiques de données. Les modèles de lissage exponentiel capturent et prévoient le niveau des données ainsi que différents types de tendances et de modèles saisonniers. Les modèles sont adaptatifs et les prévisions mettent davantage l’accent sur l’historique récent vers un passé plus lointain. La robustesse du lissage exponentiel le rend idéal en l’absence d’indicateurs avancés et lorsque les données sont trop courtes ou volatiles pour Box-Jenkins. L’attitude prudente (attentiste) aux changements qui les entourent est la manière intuitive dont les gens utilisent le lissage exponentiel dans leur vie quotidienne. Gardez à l’esprit que même si le lissage exponentiel peut prendre en compte les facteurs suivants lors de la projection d’une prévision ; la tendance, le niveau, les effets saisonniers, les effets d’événement, les événements aléatoires et le bruit. Ils n’incluent pas et ne peuvent pas inclure les effets d’événements futurs aléatoires ou de bruit, de sorte que les prévisions sont beaucoup plus fluides que l’avenir réel ne le sera.  

Distribution Discrète

Ces modèles s’appliquent aux données composées de petits nombres entiers, y compris certains zéros. Les prévisions sont non tendancielles et non saisonnières. Les distributions discrètes sont destinées à être utilisées sur des données pouvant être entièrement constituées de zéros et de petits entiers. Les pièces de rechange peu utilisées sont un exemple d’articles qui entrent souvent dans cette classe. Bien que les prévisions produites ne soient que des lignes horizontales droites, elles fournissent souvent des prévisions supérieures à celles du lissage exponentiel pour les données à faible volume et en désordre.

Modèle de demande intermittente de Croston (modèle à faible volume)

Le modèle de Croston est conçu pour les historiques de données avec de nombreux zéros, comme les commandes d’une pièce à mouvement lent qui est généralement commandée pour reconstituer le stock. Les points de données non nuls sont normalement ou log-normalement distribués. Les prévisions sont non tendancielles et non saisonnières. La série chronologique comprend de nombreuses données sur les ventes, en particulier pour les articles à faible volume avec une demande irrégulière. Pendant de nombreuses périodes, il n’y a aucune demande. Cela pourrait être le cas pour les articles qui sont généralement commandés par lots pour reconstituer les stocks en aval. Cette méthode fonctionne en combinant une estimation lissée de la demande moyenne pour les périodes qui ont une demande avec une estimation lissée de l’intervalle de demande moyenne. Les prévisions produites montreront des lignes horizontales droites.  

Courbe d’ajustement

L’ajustement de courbe identifie la forme générale de la courbe que suivent les données et est utilisé pour modéliser la tendance globale des données de ventes historiques. L’ajustement de courbe est très utile pour les données de séries chronologiques courtes, où la longueur minimale suggérée est de 10 points de données. L’ajustement de courbe prend en charge quatre types de courbes : une ligne droite, quadratique, exponentielle et la croissance (courbe en S). Gardez à l’esprit que la courbe ne tient pas compte des tendances saisonnières.  

Box-Jenkins

Box-Jenkins fonctionne bien pour des ensembles de données stables et peut capturer et prévoir à la fois la tendance et la saisonnalité. Les données doivent comprendre au moins 40 points de données. La méthode est, tout simplement, la famille de modèles statistique la plus riche qui puisse être appliquée pratiquement dans le monde réel. Idéalement, un prévisionniste devrait basculer entre Box-Jenkins et les modèles de lissage exponentiel, en fonction des propriétés des données, ce qui est précisément ce que la sélection automatique du module de prévision est conçue pour faire. Box-Jenkins et le lissage exponentiel diffèrent en ce qu’ils reposent sur des autocorrélations (ensembles de données stables) plutôt que sur une vue structurelle du niveau, de la tendance et de la saisonnalité. Les modèles de Box-Jenkins ont tendance à mieux fonctionner que les modèles de lissage exponentiel pour des ensembles de données plus longs et plus stables et pas aussi bien pour des données plus bruyantes et plus volatiles.   Comment votre entreprise prévoit-elle ? N’hésitez pas à nous contacter notre logiciel de prévision peut certainement aider votre entreprise à mieux gérer la demande client.