Méthodes d’analyse et de prévision des ventes (partie 1/2)

## Objectifs et prérequis **À la fin de ce chapitre, l’élève sera capable de :** - Expliquer les principes des méthodes simples d’ajustement analytique appliquées aux prévisions de ventes. - Réaliser des prévisions à l’aide des moyennes simples, des moyennes pondérées et du lissage exponentiel simple. - Mettre en œuvre la méthode des totaux mobiles pour lisser une série chronologique de ventes. - Interpréter les résultats, identifier les limites de chaque méthode et choisir celle la plus adaptée à un contexte donné. - Présenter les prévisions sous forme de tableaux et de graphiques utiles à la prise de décision commerciale. **Prérequis :** - Maîtrise des notions de série chronologique, de tendance et de saisonnalité (voir chapitre précédent). - Capacité à effectuer des calculs de moyenne, de somme pondérée et de pourcentage. - Familiarité avec l’utilisation d’un tableur (Excel ou LibreOffice Calc) pour saisir des données et appliquer des formules. --- ## Introduction contextualisée Dans les entreprises camerounaises, qu’il s’agisse d’une unité de transformation agroalimentaire à Douala, d’un magasin de matériaux de construction à Yaoundé ou d’une société de services téléphoniques, la prévision des ventes constitue un pilier de la gestion budgétaire et prévisionnelle. Elle permet d’anticiper les besoins en matières premières, d’ajuster les effectifs, de négocier avec les fournisseurs et d’établir un budget de trésorerie réaliste. Les méthodes simples d’ajustement analytique reposent sur l’hypothèse que le passé proche contient suffisamment d’information pour estimer l’avenir proche, sans recourir à des modèles économétriques complexes. Elles sont particulièrement adaptées aux petites et moyennes entreprises (PME) qui disposent de séries historiques courtes ou de données mensuelles peu volatiles. La méthode des totaux mobiles, quant à elle, appartient à la famille des lissages : elle remplace chaque observation par la moyenne d’un nombre fixé de périodes consécutives, ce qui atténue les fluctuations aléatoires et fait apparaître la tendance sous-jacente. --- ## I. Prévisions des ventes par les méthodes simples d’ajustement analytiques ### A. Notions de base Une **série chronologique de ventes** est une suite ordonnée de valeurs \(V_t\) observées à des instants réguliers (mensuels, trimestriels). On distingue trois composantes : - **Tendance** (\(T_t\)) : évolution à long terme. - **Saisonnalité** (\(S_t\)) : variations périodiques liées au calendrier. - **Irrégulier** (\(I_t\)) : bruit aléatoire. Dans les méthodes simples d’ajustement analytique, on suppose que la saisonnalité est négligeable ou déjà éliminée (série désaisonnalisée) et que l’irrégulier est petit. On cherche alors à estimer la tendance à partir des seules valeurs observées. > **Définition** : La **prévision** \(\hat V_{t+1}\) est l’estimation de la valeur future basée sur les informations disponibles jusqu’à la période \(t\). ### B. Méthode des moyennes simples Cette méthode, aussi appelée **moyenne mobile simple (MMS)**, calcule la prévision comme la moyenne arithmétique des \(n\) dernières observations : \[ \hat V_{t+1}= \frac{V_{t}+V_{t-1}+ \dots + V_{t-n+1}}{n} \] - **Choix de \(n\)** : généralement 3 à 6 mois pour des données mensuelles. - **Avantage** : simplicité, réactivité aux changements récents. - **Inconvénient** : donne le même poids à toutes les observations, ce qui peut masquer une tendance récente. > **Règle** : Plus \(n\) est petit, plus la prévision réagit vite aux variations ; plus \(n\) est grand, plus elle est lissée. ### C. Méthode des moyennes pondérées On attribue des poids décroissants aux observations les plus anciennes. La prévision s’écrit : \[ \hat V_{t+1}= \frac{\sum_{i=0}^{n-1} w_i \, V_{t-i}}{\sum_{i=0}^{n-1} w_i} \qquad\text{avec } w_0 \ge w_1 \ge \dots \ge w_{n-1} >0 \] Un choix fréquent est la **pondération linéaire** : \(w_i = n-i\). > **Exemple de poids** pour \(n=4\) : \(w_0=4, w_1=3, w_2=2, w_3=1\). ### D. Méthode du lissage exponentiel simple Cette approche donne un poids exponentiellement décroissant à toutes les observations passées. La formule de récurrence est : \[ \hat V_{t+1}= \alpha V_{t} + (1-\alpha)\hat V_{t} \] où \(\alpha \in (0,1)\) est le **coefficient de lissage**. - Si \(\alpha\) est proche de 1, la prévision suit étroitement la dernière observation. - Si \(\alpha\) est proche de 0, la prévision change très lentement. > **Initialisation** : on prend souvent \(\hat V_{1}=V_{1}\) ou la moyenne des premières observations. ### E. Exemple chiffré (entreprise de transformation du manioc à Bafoussam) Données mensuelles de ventes (en tonnes) sur les six derniers mois : | Mois | Ventes \(V_t\) | |------|----------------| | janv. | 120 | | févr. | 135 | | mars | 128 | | avr. | 140 | | mai | 152 | | juin | 148 | **Objectif** : prévoir les ventes de juillet (\(t=7\)). 1. **Moyenne simple sur 3 mois** (\(n=3\)) : \[ \hat V_{7}= \frac{V_{6}+V_{5}+V_{4}}{3}= \frac{148+152+140}{3}= \frac{440}{3}=146,7\text{ t} \] 2. **Moyenne pondérée linéaire sur 4 mois** (\(n=4\), poids 4,3,2,1) : \[ \hat V_{7}= \frac{4\cdot148 + 3\cdot152 + 2\cdot140 + 1\cdot128}{4+3+2+1} = \frac{592+456+280+128}{10}= \frac{1456}{10}=145,6\text{ t} \] 3. **Lissage exponentiel simple** avec \(\alpha =0,4\) et initialisation \(\hat V_{1}=120\) : \[ \begin{aligned} \hat V_{2}&=0,4\cdot135+0,6\cdot120=126\\ \hat V_{3}&=0,4\cdot128+0,6\cdot126=126,8\\ \hat V_{4}&=0,4\cdot140+0,6\cdot126,8=132,1\\ \hat V_{5}&=0,4\cdot152+0,6\cdot132,1=140,1\\ \hat V_{6}&=0,4\cdot148+0,6\cdot140,1=143,3\\ \hat V_{7}&=0,4\cdot148+0,6\cdot143,3=145,0 \end{aligned} \] **Résultat** : les trois méthodes donnent des prévisions proches (entre 145 et 147 t), ce qui renforce la confiance dans l’estimation. > **À retenir** : Le choix de la méthode dépend de la stabilité de la série et de la réactivité souhaitée. En présence d’une tendance claire, le lissage exponentiel avec un \(\alpha\) modéré (0,2‑0,4) est souvent préféré. --- ## II. Prévisions des ventes : méthode des totaux mobile ### A. Principe La **moyenne mobile simple** (déjà vue) et la **méthode des totaux mobiles** sont étroitement liées. La méthode des totaux mobiles consiste à remplacer chaque observation par la **somme** des \(n\) valeurs consécutives, puis à diviser par \(n\) pour obtenir la moyenne. On parle de **total mobile** lorsque l’on travaille directement avec la somme, utile pour détecter des variations de volume brut (ex. : besoin en matières premières). Formule du total mobile d’ordre \(n\) à la période \(t\) : \[ TM_t = \sum_{i=0}^{n-1} V_{t-i} \] La prévision associée (moyenne mobile) est alors \(\hat V_{t+1}= TM_t / n\). > **À retenir** : Le total mobile lisse la série en atténuant l’impact des valeurs extrêmes, mais il introduit un décalage de \((n-1)/2\) périodes par rapport à la donnée centrale. ### B. Calcul pas à pas Supposons une entreprise de distribution de produits pharmaceutiques à Yaoundé qui souhaite prévoir ses ventes mensuelles sur la base des 12 derniers mois. 1. **Choisir l’ordre \(n\)** : ici \(n=3\) (trimestre mobile). 2. **Calculer le total mobile** pour chaque mois à partir du troisième mois. 3. **Diviser par \(n\)** pour obtenir la moyenne mobile, qui sert de prévision pour le mois suivant. ### C. Exemple chiffré (ventes de paracétamol, unités en milliers) | Mois | Ventes \(V_t\) | |------|----------------| | janv. | 85 | | févr. | 90 | | mars | 78 | | avr. | 92 | | mai | 88 | | juin | 95 | | juil. | 102 | | août | 98 | | sept. | 105 | | oct. | 110 | | nov. | 108 | | déc. | 115 | **Calcul du total mobile d’ordre 3** : - Pour mars : \(TM_{mars}= V_{jan}+V_{feb}+V_{mar}=85+90+78=253\) → moyenne \(=253/3=84,3\) (prévision pour avril). - Pour avril : \(TM_{avr}=90+78+92=260\) → moyenne \(=86,7\) (prévision pour mai). - … et ainsi de suite jusqu’à décembre. Tableau récapitulatif (totaux mobiles et prévisions) : | Mois | \(TM_t\) (somme 3 mois) | Prévision \(\hat V_{t+1}=TM_t/3\) | |------|------------------------|-----------------------------------| | mars | 253 | 84,3 | | avr. | 260 | 86,7 | | mai | 258 | 86,0 | | juin | 275 | 91,7 | | juil.| 285 | 95,0 | | août | 305 | 101,7 | | sept.| 305 | 101,7 | | oct. | 315 | 105,0 | | nov. | 323 | 107,7 | | déc. | 328 | 109,3 | **Prévision pour janvier N+1** : on utilise le total mobile de décembre (328) → \(\hat V_{janvier}=328/3=109,3\) milliers d’unités. ### D. Limites et précautions - **Décalage temporel** : la prévision est centrée sur la période précédente ; pour une prévision à un horizon plus long, il faut réitérer le calcul. - **Sensibilité au choix de \(n\)** : un \(n\) trop faible garde trop de bruit ; un \(n\) trop élevé masque les retournements de tendance. - **Absence de prise en compte de la saisonnalité** : si la série présente des variations saisonnières marquées, il faut d’abord la désaisonnaliser (méthode des rapports à la moyenne mobile centrée) avant d’appliquer le total mobile. > **À retenir** : En contexte camerounais, où les ventes peuvent être influencées par les périodes de récolte (ex. : cacao, café) ou les fêtes religieuses, il convient de tester plusieurs valeurs de \(n\) (3, 4, 6) et de comparer l’erreur quadratique moyenne (EQM) sur un jeu de validation. --- ## Synthèse du chapitre - Les **méthodes simples d’ajustement analytique** (moyenne simple, moyenne pondérée, lissage exponentiel) estiment la tendance à partir des seules observations passées. - Le **choix du paramètre** (taille de la fenêtre \(n\) ou coefficient \(\alpha\)) détermine le compromis entre réactivité et lissage. - La **méthode des totaux mobiles** calcule la somme d’un nombre fixé de périodes consécutives ; sa division par \(n\) donne la moyenne mobile, utile pour prévoir la période suivante. - Ces techniques sont adaptées aux PME camerounaises disposant de séries historiques courtes et peu saisonnières. - Avant d’appliquer une méthode, il faut vérifier la stabilité de la série, éliminer les valeurs aberrantes et, si nécessaire, désaisonnaliser les données. - La qualité d’une prévision se juge par l’erreur moyenne absolue (EMA) ou l’erreur quadratique moyenne (EQM) sur un jeu de données de validation. --- ## Glossaire | Terme | Définition | |-------|------------| | Série chronologique | Suite ordonnée d’observations mesurées à des intervalles de temps réguliers. | | Tendance | Composante à long terme d’une série, montrant une hausse ou une baisse persistante. | | Saisonnalité | Variations périodiques liées au calendrier (mensuelles, trimestrielles). | | Irrégulier (bruit) | Composante aléatoire imprévisible d’une série. | | Moyenne mobile simple (MMS) | Moyenne arithmétique des \(n\) dernières observations. | | Moyenne pondérée | Moyenne où chaque observation reçoit un poids différent, généralement décroissant avec l’ancienneté. | | Lissage exponentiel simple | Méthode qui attribue un poids exponentiellement décroissant à toutes les observations passées, contrôlé par \(\alpha\). | | Coefficient de lissage (\(\alpha\)) | Paramètre du lissage exponentiel compris entre 0 et 1, déterminant la vitesse d’adaptation aux nouvelles données. | | Total mobile | Somme des \(n\) valeurs consécutives d’une série ; utilisé pour calculer la moyenne mobile. | | Décalage temporel | Décalage entre la période centrée du total mobile et la période pour laquelle on prévoit. | | Erreur quadratique moyenne (EQM) | Moyenne des carrés des écarts entre les valeurs observées et les valeurs prévues ; mesure de la précision d’un modèle. | | Jeu de validation | Sous‑ensemble de données réservé pour tester la performance d’un modèle de prévision. | --- ## Exercices d'application corrigés ### Exercice 1 – Entreprise de fabrication de savon à Douala Les ventes mensuelles (en milliers de barres) des six derniers mois sont : | Mois | Ventes | |------|--------| | janv. | 48 | | févr. | 52 | | mars | 50 | | avr. | 55 | | mai | 58 | | juin | 60 | **Consigne** : 1. Calculer la prévision pour juillet avec une moyenne simple sur 3 mois. 2. Calculer la prévision pour juillet avec une moyenne pondérée linéaire sur 4 mois (poids 4,3,2,1). 3. Appliquer un lissage exponentiel simple avec \(\alpha =0,3\) en initialisant \(\hat V_{1}=48\). **Corrigé** 1. **Moyenne simple (n=3)** : \[ \hat V_{juillet}= \frac{V_{juin}+V_{mai}+V_{avr}}{3}= \frac{60+58+55}{3}= \frac{173}{3}=57,7\text{ milliers} \] 2. **Moyenne pondérée (n=4)** : \[ \hat V_{juillet}= \frac{4\cdot60 + 3\cdot58 + 2\cdot55 + 1\cdot50}{4+3+2+1} = \frac{240+174+110+50}{10}= \frac{574}{10}=57,4\text{ milliers} \] 3. **Lissage exponentiel** : \[ \begin{aligned} \hat V_{2}&=0,3\cdot52+0,7\cdot48=49,2\\ \hat V_{3}&=0,3\cdot50+0,7\cdot49,2=49,44\\ \hat V_{4}&=0,3\cdot55+0,7\cdot49,44=51,11\\ \hat V_{5}&=0,3\cdot58+0,7\cdot51,11=53,18\\ \hat V_{6}&=0,3\cdot60+0,7\cdot53,18=55,23\\ \hat V_{juillet}&=0,3\cdot60+0,7\cdot55,23=56,66 \end{aligned} \] **Prévisions** : 57,7 ; 57,4 ; 56,7 milliers de barres respectivement. --- ### Exercice 2 – Société de distribution de riz à Ngaoundéré Ventes mensuelles (en tonnes) sur les neuf derniers mois : | Mois | Ventes | |------|--------| | janv. | 210 | | févr. | 225 | | mars | 215 | | avr. | 230 | | mai | 240 | | juin | 235 | | juil. | 250 | | août | 245 | | sept. | 260 | **Consigne** : - Utiliser la méthode des totaux mobiles d’ordre 3 pour prévoir les ventes d’octobre. - Calculer l’erreur absolue moyenne (EAM) sur les prévisions de juillet à septembre (en comparant la prévision faite pour chaque mois avec la valeur réelle du mois suivant). **Corrigé** **Totaux mobiles d’ordre 3** : - Pour mars : \(TM_{mars}=210+225+215=650\) → prévision avril = \(650/3=216,7\) - Pour avril : \(TM_{avr}=225+215+230=670\) → prévision mai = \(223,3\) - Pour mai : \(TM_{mai}=215+230+240=685\) → prévision juin = \(228,3\) - Pour juin : \(TM_{juin}=230+240+235=705\) → prévision juil. = \(235,0\) - Pour juil. : \(TM_{juil}=240+235+250=725\) → prévision août = \(241,7\) - Pour août : \(TM_{août}=235+250+245=730\) → prévision sept. = \(243,3\) - Pour sept. : \(TM_{sept}=250+245+260=755\) → prévision oct. = \(251,7\) **Prévision pour octobre** : **251,7 tonnes**. **Calcul de l’EAM** (juillet à septembre) : | Mois prévu | Valeur réelle du mois suivant | Prévision (total mobile) | Erreur absolue | |------------|------------------------------|--------------------------|----------------| | avril (prév. mai) | mai réel = 240 | 223,3 | 16,7 | | mai (prév. juin) | juin réel = 235 | 228,3 | 6,7 | | juin (prév. juil.) | juil. réel = 250 | 235,0 | 15,0 | \[ EAM = \frac{16,7+6,7+15,0}{3}= \frac{38,4}{3}=12,8\text{ tonnes} \] --- ## Erreurs fréquentes et règles de sécurité | # | Erreur fréquente | Conséquence | Règle de bonne pratique / sécurité | |---|------------------|-------------|-----------------------------------| | 1 | Utiliser une fenêtre \(n\) trop grande sans vérifier la présence de tendance ou de saisonnalité. | La prévision devient trop lisse, masque les retournements réels, conduit à des décisions de sous‑ ou sur‑production. | Toujours tracer la série brute et la moyenne mobile pour plusieurs valeurs de \(n\) ; choisir celle qui minimise l’EQM sur un jeu de validation. | | 2 | Appliquer directement la moyenne mobile sur une série fortement saisonnière (ex. : ventes de boissons pendant les fêtes). | Les prévisions sont systématiquement biaisées ; on sous‑estime les périodes de pic et sur‑estime les creux. | Désaisonnaliser les données (méthode des rapports à la moyenne mobile centrée) avant d’appliquer le lissage, ou utiliser des modèles adaptés (Holt‑Winters). | | 3 | Oublier d’initialiser correctement le lissage exponentiel (prendre \(\hat V_{1}=0\) ou une valeur arbitraire). | Les premières prévisions sont erronées, propagent l’erreur dans les périodes suivantes. | Initialiser avec la première observation réelle ou la moyenne des premières 3‑4 observations ; vérifier la sensibilité en variant légèrement l’initialisation. | | 4 | Confondre **total mobile** et **moyenne mobile** lorsqu’on interprète les résultats. | On peut croire que la valeur obtenue représente directement la prévision alors qu’il faut la diviser par \(n\). | Toujours rappeler que la prévision = total mobile / \(n\) ; inscrire cette formule en encadré dans le cahier de travail. | | 5 | Ne pas mettre à jour les prévisions lorsqu’un nouvel donnée réelle devient disponible. | On travaille avec des prévisions obsolètes, ce qui fausse le budget et la planification des achats. | Mettre à jour le calcul à chaque fin de période (procédure de rolling forecast) ; consigner la date de mise à jour dans le tableau de suivi. | | 6 | Utiliser un coefficient de lissage \(\alpha\) hors de l’intervalle \([0,1]\) (ex. : \(\alpha =1,2\)). | La formule devient instable, les prévisions peuvent exploser ou devenir négatives. | Vérifier que \(\alpha\) respecte la contrainte \(0<\alpha<1\) ; si besoin, utiliser la fonction de validation du tableur qui rejette les valeurs hors limites. | --- *Fin du cours.*