Prévision de la demande : méthodes, calculs et pilotage

La prévision de la demande estime les volumes qu’un marché absorbera sur un horizon donné, référence par référence. Elle croise l’historique des ventes, la saisonnalité et le jugement des équipes terrain pour fixer les quantités à commander, produire et stocker. Sa précision commande directement le taux de service, le niveau de stock immobilisé et la marge finale.

Ce que la prévision de la demande cherche à corriger

Toute entreprise qui achète avant de vendre travaille sur une inconnue : le volume que ses clients réclameront réellement. La demande prévisionnelle ne transforme pas cette inconnue en certitude. Elle la transforme en hypothèse chiffrée, discutable, corrigeable, et surtout mesurable une fois les ventes tombées.

Le coût de l’imprécision se lit des deux côtés de la balance. Côté rupture, l’étude de référence menée par Gruen, Corsten et Bharadwaj pour la Grocery Manufacturers of America en 2002 établissait un taux moyen mondial de rupture en rayon de 8,3 pour cent, avec un pic à 8,6 pour cent en Europe. Les distributeurs y laissaient en moyenne 4 pour cent de leur chiffre d’affaires annuel. Une prévision fausse par le bas se paie en ventes qui n’ont jamais eu lieu, et qu’aucun tableau de bord ne fait apparaître spontanément.

Côté surstock, la facture est plus discrète, jamais moins réelle : capital gelé, mètres carrés occupés, démarque, et sur les denrées, destruction sèche.

Deux erreurs de signe opposé, deux factures distinctes

Sous-estimer et surestimer la demande ne produisent pas les mêmes dégâts. Beaucoup d’équipes ne pilotent pourtant que la première, la plus visible.

Sous-prévision : ruptures en rayon, ventes perdues, clients qui basculent chez un concurrent, réapprovisionnements d’urgence facturés au prix fort.
Surprévision : trésorerie immobilisée, entrepôt saturé, démarque, promotions de déstockage qui rongent la marge.
Sur les produits périssables, la surprévision se solde par de la destruction pure. Selon l’ADEME, la France perd et gaspille 10 millions de tonnes de produits alimentaires par an, pour une valeur commerciale théorique de 16 milliards d’euros, dont 13 pour cent au seul stade de la distribution.
Sur les articles saisonniers, elle laisse un stock résiduel qui ne se vendra plus jamais au prix normal.

L’arbitrage n’a rien de symétrique. Chaque point de taux de service supplémentaire coûte de plus en plus cher en stock à mesure que le niveau monte, une mécanique détaillée dans notre article sur la gestion des stocks.

Les données qui font une prévision fiable

Un modèle vaut ce que vaut la matière qu’on lui donne. La première étape ne consiste jamais à choisir une formule, mais à réunir les séries qui décrivent vraiment le comportement d’achat.

Les entrées utiles se répartissent en quelques familles :

l’historique des ventes sur deux à trois ans, à la maille de la référence et du point de livraison,
les ruptures passées et le taux de disponibilité, qui expliquent les creux artificiels,
les promotions, remises et opérations commerciales, avec leurs dates exactes,
le calendrier : jours fériés, vacances scolaires, événements locaux, ponts,
les prix pratiqués et ceux de la concurrence, qui déforment la courbe,
les signaux avals les plus proches du client final, sorties de caisse ou commandes fermes,
les facteurs externes documentés : météo, saison touristique, évolution réglementaire.

Le point sensible tient dans la remontée de ces signaux le long de la chaîne. Lee, Padmanabhan et Whang ont décrit ce mécanisme en 1997 dans la Sloan Management Review sous le nom d’effet coup de fouet, à partir du cas des couches Pampers de Procter & Gamble : des ventes finales presque stables, des commandes de distributeurs déjà plus heurtées, et des commandes de composants franchement violentes en remontant vers l’amont. Chaque maillon ajoute sa marge de prudence à celle du précédent, et l’information se déforme au lieu de circuler.

Le remède est connu : prévoir sur la demande réelle du client final, pas sur les commandes du maillon d’en dessous.

Nettoyer l’historique avant de le projeter

Une série de ventes brute ment presque toujours. Elle raconte ce qui a été livré, jamais ce qui a été demandé.

Une rupture passée censure la demande : les ventes affichent zéro là où les clients voulaient acheter.
Une promotion crée un pic artificiel qu’un modèle naïf reproduira l’année suivante sans raison.
Une commande exceptionnelle, un salon, un déstockage forment des valeurs aberrantes à retirer ou à isoler.
Un changement de référence, de conditionnement ou de code article coupe la série en deux morceaux qu’il faut recoller.

Retraiter ces quatre distorsions avant tout calcul rapporte davantage que le passage d’une méthode simple à une méthode sophistiquée. C’est le travail le plus ingrat de la chaîne, et le plus rentable.

Les méthodes quantitatives : projeter à partir de l’historique

Les méthodes quantitatives supposent que le passé porte une information sur l’avenir. Elles conviennent aux références installées, à rotation régulière, disposant d’un historique propre. Leur généalogie est ancienne : le lissage exponentiel simple est formalisé par Robert G. Brown en 1956, sa version à tendance par Charles Holt en 1957, et son extension saisonnière par Peter Winters en 1960. Ces trois briques structurent encore la quasi-totalité des moteurs de prévision du marché.

Les familles à connaître :

la moyenne mobile, qui lisse les dernières périodes à poids égal,
le lissage exponentiel simple, qui pondère davantage les observations récentes,
le modèle de Holt, qui ajoute une composante de tendance,
le modèle de Holt-Winters, qui ajoute la saisonnalité à la tendance,
la régression, qui relie les ventes à des variables explicatives comme le prix ou la météo,
la décomposition saisonnière, qui isole coefficient saisonnier, tendance et résidu,
les modèles d’apprentissage automatique, réservés aux volumes de données conséquents.

Calculer une moyenne mobile, pas à pas

La moyenne mobile répond à la question la plus fréquente des équipes achats : comment calculer une prévision sans outil dédié. Prenez les ventes des six derniers mois d’une référence, exprimées en cartons : 120, 135, 118, 142, 150 et 138.

La moyenne mobile à trois périodes prévoit le mois suivant en faisant la moyenne des trois derniers mois connus, soit 142 plus 150 plus 138, divisé par trois. Le résultat donne 143,3 cartons. Le mois d’après, vous décalez la fenêtre d’un cran : le plus ancien sort, le dernier réel entre.

Cette méthode absorbe le bruit et convient aux références stables. Sa limite est franche : elle réagit lentement à un changement de niveau, et elle ne capte ni tendance ni saison. Une fenêtre courte réagit vite mais tremble, une fenêtre longue reste stable mais retarde.

Le lissage exponentiel et son coefficient alpha

Le lissage exponentiel corrige ce défaut de réactivité. La prévision de la période suivante vaut alpha multiplié par la dernière vente réelle, plus un moins alpha multiplié par la prévision précédente. Le coefficient alpha, compris entre 0 et 1, règle la mémoire du modèle.

Reprenez l’exemple. Prévision précédente de 140 cartons, ventes réelles de 150, alpha fixé à 0,3 : la nouvelle prévision vaut 0,3 fois 150 plus 0,7 fois 140, soit 143 cartons. Un alpha élevé colle aux derniers événements, au risque de sur-réagir à un accident. Un alpha faible tient la ligne, au risque de rater un vrai retournement.

Le réglage se fait sur l’historique : vous testez plusieurs valeurs, vous calculez l’erreur obtenue sur les mois déjà connus, vous gardez celle qui minimise l’écart.

Prévoir sans historique : méthodes qualitatives et mixtes

Un lancement, une gamme neuve, un marché qui bascule : dans ces situations, l’historique n’existe pas ou ne dit plus rien. Les méthodes qualitatives prennent alors le relais en organisant le jugement humain au lieu de le subir.

La plus formalisée reste la méthode Delphi, développée à la RAND Corporation dans les années 1950 par Olaf Helmer et Norman Dalkey. Le principe : interroger des experts séparément, leur restituer les réponses agrégées de façon anonyme, puis recommencer. Les avis convergent tour après tour, sans que le plus bavard n’écrase les autres.

Les approches disponibles :

le panel d’experts, rapide mais sensible aux rapports de force internes,
la méthode Delphi, plus lente, conçue précisément pour neutraliser ces rapports de force,
l’estimation par la force de vente, proche du terrain mais structurellement optimiste ou prudente selon la façon dont les primes sont calculées,
l’étude de marché et le test en conditions réelles sur un échantillon de points de vente,
l’analogie avec une référence comparable déjà commercialisée, corrigée d’un coefficient.

Les méthodes mixtes, aujourd’hui dominantes, partent d’une base statistique et la soumettent au jugement des équipes commerciales, marketing et achats. C’est la logique du plan industriel et commercial, le S&OP : un chiffre unique, arbitré collectivement chaque mois, qui engage tout le monde. La règle qui fait la différence tient en une ligne : toute correction manuelle du chiffre statistique doit être justifiée par un fait, jamais par une intuition.

Mesurer la précision : MAPE, biais et taux de service

Une prévision qu’on ne mesure pas ne s’améliore jamais. Trois indicateurs suffisent à piloter.

Le MAPE exprime l’erreur absolue moyenne en pourcentage. Pour chaque période, vous prenez l’écart entre prévu et réalisé en valeur absolue, vous le divisez par le réalisé, puis vous moyennez sur l’ensemble des périodes. Prévision de 100 cartons, ventes réelles de 120 : l’écart de 20 rapporté à 120 donne 16,7 pour cent d’erreur sur cette période. Le MAPE parle à tout le monde, mais il s’affole sur les petits volumes, où un écart de deux unités pèse un pourcentage énorme.

Le biais de prévision conserve le signe de l’erreur au lieu de le gommer. Une somme d’écarts systématiquement positive révèle un modèle qui surestime mois après mois. C’est l’indicateur le plus utile et le plus négligé : une erreur de 10 pour cent sans biais se compense dans le temps, la même erreur toujours orientée dans le même sens creuse un surstock permanent.

Le taux de service ferme la boucle en mesurant l’effet réel sur le client : part des commandes livrées complètes et à l’heure. Rapporté aux 8,3 pour cent de rupture moyenne relevés par l’étude Gruen, Corsten et Bharadwaj en 2002, il situe la performance d’une organisation par rapport au marché.

Dernier réflexe, trop rare : comparez votre modèle à une prévision naïve, qui reproduit simplement les ventes du mois précédent. Un moteur sophistiqué qui ne bat pas cette référence coûte du temps sans rien rapporter.

Installer la prévision dans le quotidien d’un distributeur

Une bonne prévision mal branchée sur les opérations ne sert à rien. Le chiffre doit descendre dans les commandes fournisseurs, les plannings de préparation et les tournées de livraison.

Trois horizons cohabitent, et chacun sert un décideur différent :

le court terme, de la semaine au mois, qui pilote le réapprovisionnement et le transport de marchandises,
le moyen terme, du trimestre à l’année, qui engage les volumes négociés avec les fournisseurs et le dimensionnement des équipes,
le long terme, au-delà de l’année, qui décide des surfaces de stockage et des investissements en matériel.

Sur les denrées, l’horizon court commande tout. Une erreur de prévision sur un produit frais ne se rattrape pas au mois suivant : elle finit en démarque, avec les contraintes de la chaîne du froid qui interdisent tout report. La rotation par date de péremption impose de coller au plus près de la demande réelle, jour après jour.

Côté outillage, l’ERP porte les commandes, le WMS pilote les mouvements physiques dans l’entrepôt, et un module de planification calcule les prévisions. L’apport de l’apprentissage automatique est aujourd’hui documenté : selon les travaux publiés par McKinsey, une prévision pilotée par l’intelligence artificielle réduit les erreurs de 20 à 50 pour cent et fait baisser l’indisponibilité produit jusqu’à 65 pour cent, avec des coûts d’entreposage en repli de 5 à 10 pour cent.

Ces gains supposent une donnée propre en entrée. Un algorithme nourri d’un historique truffé de ruptures non retraitées apprendra vos ruptures, pas votre demande. Les acteurs qui vendent en ligne disposent ici d’un avantage réel : leurs signaux de demande sont captés en continu, un atout que détaille notre analyse de la logistique e-commerce.

Prochaine étape concrète : isolez les vingt références qui pèsent le plus dans votre chiffre d’affaires, calculez leur MAPE et leur biais sur les six derniers mois, et corrigez d’abord celles dont l’erreur penche toujours du même côté. Le gain de stock se voit en un trimestre.