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.