PREVISIONS DES VENTES

# PREVISIONS DES VENTES ## Lecon 3 L'ajustement mécanique ### Introduction Dans le domaine des techniques commerciales, prévoir les ventes est une étape cruciale pour la planification stratégique d'une entreprise. Cela permet de gérer les stocks, d'organiser la production, de définir les budgets marketing et de fixer les objectifs. Parmi les différentes méthodes de prévision, l'ajustement mécanique est une approche quantitative qui aide à modéliser la tendance des ventes passées pour anticiper les ventes futures. Cette leçon se concentrera sur l'ajustement linéaire, une technique couramment utilisée pour identifier et projeter une tendance constante. ### Concepts Clés #### Qu'est-ce que l'ajustement mécanique ? L'ajustement mécanique est une méthode statistique qui consiste à représenter l'évolution d'une série chronologique (par exemple, les ventes sur plusieurs périodes) par un modèle mathématique simple. L'objectif est de dégager une tendance générale, en ignorant les fluctuations accidentelles ou saisonnières, afin de pouvoir réaliser des prévisions fiables. #### Pourquoi utiliser l'ajustement mécanique pour les prévisions de ventes ? * **Aide à la décision :** Permet aux entreprises de prendre des décisions éclairées concernant la production, les approvisionnements, les effectifs et les campagnes marketing. * **Simplicité :** La méthode de l'ajustement linéaire est relativement simple à comprendre et à appliquer, même sans logiciels complexes. * **Identification de tendance :** Offre une vision claire de la direction que prennent les ventes (augmentation, diminution, stagnation). #### La méthode de l'ajustement linéaire (méthode des moindres carrés) La méthode de l'ajustement linéaire, souvent appelée méthode des moindres carrés, est une technique qui vise à trouver la droite qui "colle" le mieux à un ensemble de points représentant l'évolution des ventes dans le temps. Cette droite est appelée la *droite de régression*. L'équation de cette droite est de la forme : \[ y = ax + b \] Où : * \( y \) représente la variable à prévoir (par exemple, les ventes). * \( x \) représente la variable explicative, souvent le temps (période, rang). * \( a \) est le *coefficient directeur* (la pente de la droite). * \( b \) est l'*ordonnée à l'origine*. ##### Calcul des coefficients a et b Les coefficients \( a \) et \( b \) sont calculés à partir des données historiques de ventes. Pour cela, on attribue un rang (\( x_i \)) à chaque période et la valeur des ventes correspondante (\( y_i \)). Les formules des moindres carrés sont les suivantes : Pour le coefficient directeur \( a \) : \[ a = \frac{n \sum x_i y_i - (\sum x_i)(\sum y_i)}{n \sum x_i^2 - (\sum x_i)^2} \] Pour l'ordonnée à l'origine \( b \) : \[ b = \bar{y} - a\bar{x} \] ou aussi \[ b = \frac{\sum y_i}{n} - a \frac{\sum x_i}{n} \] Où : * \( n \) est le nombre de périodes (observations). * \( \sum x_i \) est la somme des rangs des périodes. * \( \sum y_i \) est la somme des ventes. * \( \sum x_i y_i \) est la somme des produits de chaque rang par les ventes correspondantes. * \( \sum x_i^2 \) est la somme des carrés des rangs. * \( \bar{x} \) est la moyenne des rangs (\( \bar{x} = \frac{\sum x_i}{n} \)). * \( \bar{y} \) est la moyenne des ventes (\( \bar{y} = \frac{\sum y_i}{n} \)). ##### Interprétation des coefficients * **Coefficient directeur \( a \) :** * Si \( a > 0 \), la tendance des ventes est à la hausse. * Si \( a < 0 \), la tendance des ventes est à la baisse. * Sa valeur indique l'augmentation ou la diminution moyenne des ventes par période. * **Ordonnée à l'origine \( b \) :** * Représente la valeur théorique des ventes lorsque la période \( x \) est égale à zéro (c'est-à-dire avant la première période observée). Elle n'a pas toujours une signification économique directe, mais elle est essentielle pour définir la droite. ##### Réalisation des prévisions Une fois les coefficients \( a \) et \( b \) calculés, et donc l'équation de la droite de régression \( y = ax + b \) établie, il suffit de substituer la valeur de \( x \) correspondant à la période future à prévoir pour obtenir la prévision de \( y \). ### Vocabulaire * **Série chronologique :** Ensemble de données observées et enregistrées à des intervalles de temps réguliers (ex: ventes mensuelles, chiffres d'affaires annuels). * **Ajustement mécanique :** Méthode quantitative pour analyser une série chronologique et projeter sa tendance future à l'aide d'un modèle mathématique. * **Droite de régression :** Représentation graphique de la tendance linéaire d'une série chronologique, obtenue par la méthode des moindres carrés. * **Méthode des moindres carrés :** Technique statistique permettant de déterminer la droite qui minimise la somme des carrés des écarts entre les points observés et la droite elle-même. * **Coefficient directeur (\( a \)) :** Mesure la pente de la droite de régression et indique l'évolution moyenne de la variable dépendante (ventes) par unité de la variable indépendante (temps). * **Ordonnée à l'origine (\( b \)) :** Valeur de la variable dépendante (ventes) lorsque la variable indépendante (temps) est égale à zéro. * **Prévision :** Estimation d'une valeur future basée sur l'analyse des données passées. ### Exemples Une entreprise a enregistré les ventes suivantes (en milliers d'euros) sur les cinq dernières années : | Année | Rang (\( x_i \)) | Ventes (\( y_i \)) | | :---- | :--------------: | :----------------: | | 2019 | 1 | 100 | | 2020 | 2 | 110 | | 2021 | 3 | 125 | | 2022 | 4 | 130 | | 2023 | 5 | 140 | Nous allons calculer les coefficients \( a \) et \( b \) pour établir l'équation de la droite de régression, puis faire une prévision pour 2024. **1. Calcul des sommes nécessaires :** | Rang (\( x_i \)) | Ventes (\( y_i \)) | \( x_i y_i \) | \( x_i^2 \) | | :--------------: | :----------------: | :----------: | :---------: | | 1 | 100 | 100 | 1 | | 2 | 110 | 220 | 4 | | 3 | 125 | 375 | 9 | | 4 | 130 | 520 | 16 | | 5 | 140 | 700 | 25 | | **\( \sum x_i = 15 \)** | **\( \sum y_i = 605 \)** | **\( \sum x_i y_i = 1915 \)** | **\( \sum x_i^2 = 55 \)** | Nous avons \( n = 5 \). **2. Calcul du coefficient \( a \) :** \[ a = \frac{5 \times 1915 - (15 \times 605)}{5 \times 55 - (15)^2} \] \[ a = \frac{9575 - 9075}{275 - 225} \] \[ a = \frac{500}{50} = 10 \] **3. Calcul du coefficient \( b \) :** D'abord, calculons les moyennes : \( \bar{x} = \frac{15}{5} = 3 \) \( \bar{y} = \frac{605}{5} = 121 \) Maintenant, utilisons la formule de \( b \) : \[ b = \bar{y} - a\bar{x} \] \[ b = 121 - (10 \times 3) \] \[ b = 121 - 30 = 91 \] **4. Équation de la droite de régression :** \[ y = 10x + 91 \] **5. Prévision pour 2024 :** Pour 2024, le rang \( x \) sera 6 (après 2023 qui a le rang 5). \[ y_{\text{2024}} = 10 \times 6 + 91 \] \[ y_{\text{2024}} = 60 + 91 = 151 \] La prévision de ventes pour l'année 2024 est de 151 milliers d'euros. ### Exercices Une agence de voyages observe l'évolution du nombre de réservations (en centaines) sur les six derniers trimestres : | Trimestre | Rang (\( x_i \)) | Réservations (\( y_i \)) | | :-------- | :--------------: | :-----------------------: | | T1 2022 | 1 | 25 | | T2 2022 | 2 | 28 | | T3 2022 | 3 | 32 | | T4 2022 | 4 | 30 | | T1 2023 | 5 | 35 | | T2 2023 | 6 | 38 | 1. Calculez les sommes nécessaires (\( \sum x_i \), \( \sum y_i \), \( \sum x_i y_i \), \( \sum x_i^2 \)). 2. Déterminez les coefficients \( a \) et \( b \) de la droite de régression. 3. Écrivez l'équation de la droite d'ajustement linéaire. 4. Interprétez la valeur du coefficient \( a \). 5. Réalisez une prévision du nombre de réservations pour le T3 2023. ### Devoir Une librairie en ligne analyse ses ventes de livres numériques (en milliers d'unités) sur les 7 derniers mois : | Mois | Rang (\( x_i \)) | Ventes (\( y_i \)) | | :--- | :--------------: | :----------------: | | Jan | 1 | 12 | | Fév | 2 | 14 | | Mar | 3 | 13 | | Avr | 4 | 16 | | Mai | 5 | 18 | | Juin | 6 | 17 | | Juil | 7 | 20 | 1. Construisez un tableau pour organiser les calculs de \( x_i y_i \) et \( x_i^2 \). 2. Calculez \( \bar{x} \) et \( \bar{y} \). 3. Utilisez les formules des moindres carrés pour trouver l'équation de la droite d'ajustement \( y = ax + b \). 4. Quelle serait la prévision de ventes pour le mois d'août (mois 8) ? 5. Discutez brièvement des limites de cette méthode pour prévoir les ventes futures (par exemple, si un nouveau best-seller est publié ou si un concurrent important apparaît). ### Résumé L'ajustement mécanique, en particulier la méthode de l'ajustement linéaire par les moindres carrés, est un outil fondamental pour les prévisions de ventes. Il permet de modéliser la tendance passée d'une série chronologique de ventes par une droite de régression (\( y = ax + b \)). Les coefficients \( a \) et \( b \) sont calculés à l'aide de formules spécifiques et permettent d'identifier si les ventes sont en hausse, en baisse ou stables, ainsi que de projeter les ventes futures. Bien que puissante pour dégager des tendances, cette méthode reste quantitative et ne prend pas en compte les facteurs qualitatifs ou les événements imprévus qui peuvent influencer les ventes. Elle est donc souvent utilisée comme une première étape ou en complément d'autres analyses. ## Méthodes extrapolatives ### Introduction Les prévisions des ventes sont une étape cruciale pour toute entreprise. Elles permettent d'anticiper les besoins, de planifier la production, les stocks, les budgets et les effectifs. Parmi les différentes approches de prévision, les méthodes extrapolatives occupent une place importante. Elles consistent à se baser sur l'analyse des données historiques des ventes pour projeter les tendances futures. L'hypothèse fondamentale de ces méthodes est que le passé est un indicateur fiable du futur, et que les tendances observées se poursuivront. Dans cette leçon, nous allons explorer trois des méthodes extrapolatives les plus courantes et les plus utiles : la moyenne mobile, le lissage exponentiel simple et la régression linéaire simple. ### I. Qu'est-ce que les méthodes extrapolatives ? Les méthodes extrapolatives, également appelées méthodes chronologiques ou méthodes de séries temporelles, se fondent sur l'idée que les évolutions futures d'une variable (comme les ventes) peuvent être déduites de son comportement passé. Elles ne cherchent pas à comprendre les causes des ventes, mais plutôt à identifier des schémas récurrents (tendance, saisonnalité, cycle) et à les prolonger dans le futur. * **Principe** : Analyse des données passées pour identifier des modèles et les projeter. * **Hypothèse** : La structure des données observée dans le passé persistera dans le futur. * **Avantages** : Relativement simples à mettre en œuvre, nécessitent principalement des données historiques. * **Limites** : Moins efficaces en cas de rupture de tendance ou de changements majeurs dans l'environnement (innovations, crises économiques, changements de marché). ### II. Les différentes méthodes extrapolatives #### A. La méthode des moyennes mobiles (MM) La méthode des moyennes mobiles vise à lisser les fluctuations aléatoires des ventes en calculant la moyenne des observations les plus récentes. Elle est particulièrement utile lorsque les données ne présentent pas de tendance ou de saisonnalité très marquées. * **Principe** : La prévision pour la prochaine période est la moyenne arithmétique des \( n \) dernières observations réelles. * **Formule de la moyenne mobile simple** : \[ MM_t = \frac{V_{t-1} + V_{t-2} + ... + V_{t-n}}{n} \] Où : * \( MM_t \) est la prévision pour la période \( t \). * \( V_{t-i} \) est la valeur réelle des ventes à la période \( t-i \). * \( n \) est le nombre de périodes incluses dans le calcul de la moyenne mobile (l'ordre de la moyenne mobile). * **Choix de \( n \)** : Un \( n \) petit rend la moyenne mobile plus réactive aux changements récents, un \( n \) grand la rend plus stable mais moins réactive. * **Avantages** : Simplicité de calcul, facile à comprendre. * **Inconvénients** : Réagit avec un certain retard aux changements de tendance, ne prend pas en compte les tendances ou saisonnalités de manière explicite, ne permet pas de prévoir au-delà d'une période. #### B. Le lissage exponentiel simple (LES) Le lissage exponentiel simple est une méthode qui attribue plus de poids aux observations les plus récentes, car on estime souvent que ces données sont plus pertinentes pour prévoir l'avenir. C'est une moyenne pondérée où les poids diminuent exponentiellement avec l'ancienneté des données. * **Principe** : La prévision pour la prochaine période est une moyenne pondérée de la dernière observation réelle et de la dernière prévision. * **Formule du lissage exponentiel simple** : \[ P_t = \alpha \times V_{t-1} + (1 - \alpha) \times P_{t-1} \] Où : * \( P_t \) est la prévision pour la période \( t \). * \( V_{t-1} \) est la valeur réelle observée à la période \( t-1 \). * \( P_{t-1} \) est la prévision pour la période \( t-1 \). * \( \alpha \) est le coefficient de lissage (compris entre 0 et 1). * **Choix de \( \alpha \)** : Un \( \alpha \) proche de 1 donne beaucoup de poids aux données récentes (prévision très réactive), un \( \alpha \) proche de 0 donne plus de poids aux prévisions passées (prévision plus stable). * **Avantages** : S'adapte mieux aux changements récents que la moyenne mobile, nécessite peu de données historiques pour le calcul. * **Inconvénients** : Ne gère pas explicitement les tendances ou les saisonnalités fortes, le choix de \( \alpha \) est souvent subjectif. #### C. La régression linéaire simple (méthode des moindres carrés) La régression linéaire simple est utilisée lorsque les ventes présentent une tendance linéaire claire au fil du temps. Elle modélise la relation entre la variable à prévoir (les ventes \( Y \)) et le temps (variable \( X \)) par une droite. * **Principe** : Ajuster une droite aux données passées pour représenter la tendance et l'extrapoler dans le futur. * **Formule de la droite de régression** : \[ Y_t = aX_t + b \] Où : * \( Y_t \) est la prévision des ventes pour la période \( t \). * \( X_t \) est le rang de la période \( t \) (ex: 1, 2, 3...). * \( a \) est la pente de la droite (l'accroissement moyen des ventes par période). * \( b \) est l'ordonnée à l'origine (la valeur des ventes lorsque \( X = 0 \)). * **Calcul des coefficients \( a \) et \( b \)** : \[ a = \frac{n \sum (X_i Y_i) - \sum X_i \sum Y_i}{n \sum X_i^2 - (\sum X_i)^2} \] \[ b = \frac{\sum Y_i - a \sum X_i}{n} \] Où \( n \) est le nombre de périodes observées. * **Avantages** : Prend en compte une tendance explicite, permet des prévisions à plus long terme si la tendance est stable. * **Inconvénients** : Ne convient pas si la tendance n'est pas linéaire, ne prend pas en compte la saisonnalité, sensible aux valeurs aberrantes. ### III. Choix de la méthode Le choix de la méthode extrapolative dépend de plusieurs facteurs : * **La nature des données** : Présence ou absence de tendance, de saisonnalité, de fluctuations aléatoires. * **L'horizon de prévision** : Court terme, moyen terme, long terme. * **La précision requise** : Certaines méthodes sont plus précises pour certains types de données. * **La disponibilité des données** : Certaines méthodes nécessitent plus d'historique que d'autres. ### Vocabulaire * **Prévision des ventes** : Estimation des ventes futures d'un produit ou service sur une période donnée. * **Méthodes extrapolatives** : Techniques de prévision qui s'appuient sur l'analyse des données passées pour projeter les tendances futures. * **Moyenne mobile** : Méthode de lissage qui calcule la moyenne des observations les plus récentes pour une prévision. * **Lissage exponentiel** : Méthode de prévision qui attribue des poids décroissants exponentiellement aux observations passées, donnant plus d'importance aux données récentes. * **Régression linéaire** : Technique statistique qui modélise la relation entre une variable dépendante (ventes) et une ou plusieurs variables indépendantes (ici, le temps) par une équation linéaire. * **Tendance** : Mouvement général, à long terme, ascendant ou descendant, d'une série chronologique. * **Saisonnalité** : Fluctuations régulières et prévisibles d'une série chronologique qui se reproduisent à intervalles fixes (ex: mensuels, trimestriels). * **Coefficient de lissage (\( \alpha \))** : Paramètre utilisé dans le lissage exponentiel pour déterminer le poids des observations récentes par rapport aux prévisions passées. ### Exemples #### Exemple 1: Moyenne Mobile Simple (MM3) Une entreprise a enregistré les ventes suivantes sur les 5 derniers mois : | Mois | Ventes (Unités) | | :--- | :-------------- | | Janvier | 100 | | Février | 110 | | Mars | 105 | | Avril | 120 | | Mai | 115 | Prévision des ventes pour Juin en utilisant une Moyenne Mobile d'ordre 3 (MM3) : La MM3 pour Juin sera la moyenne des ventes de Mars, Avril et Mai. \[ MM_{\text{Juin}} = \frac{V_{\text{Mars}} + V_{\text{Avril}} + V_{\text{Mai}}}{3} = \frac{105 + 120 + 115}{3} = \frac{340}{3} \approx 113.33 \] La prévision des ventes pour Juin est d'environ 113 unités. #### Exemple 2: Lissage Exponentiel Simple (LES) Reprenons les ventes précédentes. Supposons une prévision initiale pour Janvier de 95 unités et un coefficient de lissage \( \alpha = 0.4 \). | Mois | Ventes réelles \( V_t \) | Prévision \( P_t \) | Calcul \( P_{t+1} = \alpha V_t + (1-\alpha) P_t \) | | :------ | :--------------- | :------------------ | :------------------------------------------------------ | | Janvier | 100 | 95 (initial) | \( P_{\text{Fev}} = 0.4 \times 100 + 0.6 \times 95 = 40 + 57 = 97 \) | | Février | 110 | 97 | \( P_{\text{Mar}} = 0.4 \times 110 + 0.6 \times 97 = 44 + 58.2 = 102.2 \) | | Mars | 105 | 102.2 | \( P_{\text{Avr}} = 0.4 \times 105 + 0.6 \times 102.2 = 42 + 61.32 = 103.32 \) | | Avril | 120 | 103.32 | \( P_{\text{Mai}} = 0.4 \times 120 + 0.6 \times 103.32 = 48 + 61.992 = 109.992 \) | | Mai | 115 | 109.992 | \( P_{\text{Juin}} = 0.4 \times 115 + 0.6 \times 109.992 = 46 + 65.9952 = 111.9952 \) | La prévision des ventes pour Juin est d'environ 112 unités. #### Exemple 3: Régression Linéaire Simple Une entreprise a enregistré les ventes annuelles suivantes sur 4 ans : | Année (X) | Ventes (Y) | \( XY \) | \( X^2 \) | | :-------- | :--------- | :------- | :-------- | | 1 | 50 | 50 | 1 | | 2 | 60 | 120 | 4 | | 3 | 75 | 225 | 9 | | 4 | 85 | 340 | 16 | | **Sommes** | \( \sum X = 10 \) | \( \sum Y = 270 \) | \( \sum XY = 735 \) | \( \sum X^2 = 30 \) | Nous avons \( n = 4 \). Calcul du coefficient \( a \) : \[ a = \frac{n \sum (X_i Y_i) - \sum X_i \sum Y_i}{n \sum X_i^2 - (\sum X_i)^2} = \frac{4 \times 735 - 10 \times 270}{4 \times 30 - 10^2} \] \[ a = \frac{2940 - 2700}{120 - 100} = \frac{240}{20} = 12 \] Calcul du coefficient \( b \) : \[ b = \frac{\sum Y_i - a \sum X_i}{n} = \frac{270 - 12 \times 10}{4} = \frac{270 - 120}{4} = \frac{150}{4} = 37.5 \] L'équation de la droite de régression est donc : \( Y_t = 12X_t + 37.5 \) Prévision des ventes pour l'année 5 (\( X_5 = 5 \)) : \[ Y_5 = 12 \times 5 + 37.5 = 60 + 37.5 = 97.5 \] La prévision des ventes pour l'année 5 est de 97.5 unités. ### Exercices 1. **Moyenne Mobile** : Les ventes trimestrielles d'un produit sont les suivantes : * T1 : 250 unités * T2 : 280 unités * T3 : 260 unités * T4 : 300 unités * T5 : 290 unités Calculez la prévision des ventes pour le T6 en utilisant une moyenne mobile d'ordre 3 (MM3). 2. **Lissage Exponentiel Simple** : En vous basant sur les ventes de l'exercice 1. Supposons une prévision initiale pour T1 de 240 unités et un coefficient de lissage \( \alpha = 0.3 \). Calculez les prévisions pour le T2, T3, T4, T5 et T6. 3. **Régression Linéaire Simple** : Un magasin de vêtements a enregistré les ventes mensuelles (en milliers d'euros) suivantes sur 5 mois : * Mois 1 : 15 * Mois 2 : 18 * Mois 3 : 20 * Mois 4 : 23 * Mois 5 : 25 Déterminez l'équation de la droite de régression linéaire et utilisez-la pour prévoir les ventes du Mois 6. ### Devoir à la maison 1. **Analyse comparative** : Choisissez une entreprise ou un produit dont vous pouvez trouver des données de ventes historiques (sur au moins 6-8 périodes). Appliquez les trois méthodes (Moyenne Mobile d'ordre 3, Lissage Exponentiel Simple avec \( \alpha = 0.5 \), et Régression Linéaire Simple) pour prévoir les ventes des deux prochaines périodes. * Présentez vos calculs détaillés pour chaque méthode. * Comparez les résultats obtenus : quelles sont les différences et comment les expliquez-vous ? * Selon vous, quelle méthode serait la plus appropriée pour ce produit/cette entreprise et pourquoi ? 2. **Réflexion critique** : Expliquez dans quelles situations il serait risqué d'utiliser uniquement des méthodes extrapolatives pour les prévisions des ventes. Donnez des exemples concrets de facteurs externes qui pourraient invalider ces prévisions. ### Résumé Les méthodes extrapolatives sont des outils essentiels pour la prévision des ventes, basées sur l'analyse des données historiques pour anticiper le futur. Nous avons étudié trois techniques clés : * **La Moyenne Mobile** : Simple et efficace pour lisser les fluctuations, en prenant la moyenne des dernières observations. Elle est plus adaptée pour des séries sans tendance marquée. * **Le Lissage Exponentiel Simple** : Plus réactif aux changements récents en attribuant des poids plus importants aux données les plus récentes via un coefficient de lissage \( \alpha \). Utile pour des séries avec des fluctuations modérées. * **La Régression Linéaire Simple** : Idéale pour les séries présentant une tendance linéaire claire au fil du temps, elle modélise cette tendance par une équation de droite et permet des prévisions à plus long terme. Chaque méthode a ses propres forces et faiblesses, et le choix de la technique la plus appropriée dépendra toujours de la nature spécifique des données de ventes et du contexte de l'entreprise. Bien qu'utiles, il est crucial de se rappeler que ces méthodes reposent sur l'hypothèse de la continuité du passé, ce qui les rend vulnérables aux changements imprévus du marché. ## Méthodes extrapolatives (suite) ### Introduction Bienvenue à cette séance dédiée à l'approfondissement des méthodes extrapolatives en prévision des ventes. Rappelons que les prévisions de ventes sont cruciales pour la planification stratégique, la gestion des stocks, la production et bien d'autres décisions commerciales. Les méthodes extrapolatives, que nous avons déjà abordées, se basent sur l'analyse des données passées pour anticiper les ventes futures. Aujourd'hui, nous allons revoir et explorer plus en détail le lissage exponentiel simple et l'ajustement linéaire par la méthode des moindres carrés, des outils puissants pour vos analyses. ### Concepts Clés #### Rappel : Les Moyennes Mobiles Les moyennes mobiles sont des techniques simples pour lisser les fluctuations des données et identifier une tendance. Elles sont particulièrement utiles pour des séries de données présentant des variations saisonnières ou aléatoires. * **Moyenne Mobile Simple (MMS)** * **Principe :** Calculer la moyenne des ventes sur une période donnée (par exemple, 3 ou 5 périodes précédentes) pour prédire la période suivante. * **Formule :** La prévision pour la période \( t \) (notée \( P_t \)) est la somme des \( n \) observations précédentes divisée par \( n \). \[ P_t = \frac{V_{t-1} + V_{t-2} + ... + V_{t-n}}{n} \] Où \( V \) représente les ventes réelles et \( n \) est le nombre de périodes considérées. * **Moyenne Mobile Pondérée (MMP)** * **Principe :** Accorder plus de poids aux observations les plus récentes, car elles sont souvent plus représentatives de l'avenir. * **Formule :** \[ P_t = \frac{w_1 V_{t-1} + w_2 V_{t-2} + ... + w_n V_{t-n}}{w_1 + w_2 + ... + w_n} \] Où \( w_i \) sont les poids attribués à chaque observation passée. #### Le Lissage Exponentiel Simple (LES) Le lissage exponentiel simple est une méthode de prévision qui attribue des poids décroissants de manière exponentielle aux observations passées. Les données les plus récentes ont le plus grand poids. * **Principe :** La prévision pour la période suivante est une moyenne pondérée entre la vente réelle de la période actuelle et la prévision de la période actuelle. * **Formule de prévision :** \[ P_t = \alpha \cdot V_{t-1} + (1 - \alpha) \cdot P_{t-1} \] Où: * \( P_t \) est la prévision pour la période \( t \). * \( V_{t-1} \) est la valeur réelle des ventes de la période précédente \( t-1 \). * \( P_{t-1} \) est la prévision pour la période précédente \( t-1 \). * \( \alpha \) (alpha) est le **coefficient de lissage**, une valeur comprise entre 0 et 1 (\( 0 < \alpha < 1 \)). * **Le coefficient de lissage \( \alpha \) :** * Plus \( \alpha \) est proche de 1, plus la prévision réagit rapidement aux changements récents, donnant un poids important aux dernières observations. * Plus \( \alpha \) est proche de 0, plus la prévision est stable et moins sensible aux fluctuations récentes, donnant un poids important aux anciennes prévisions. * Le choix de \( \alpha \) est crucial et se fait souvent par essai-erreur ou en minimisant l'erreur de prévision. * **Avantages :** Simplicité de calcul, faible besoin de données historiques, bonne réactivité aux changements de tendance. * **Limites :** Ne prend pas en compte les tendances ou les saisonnalités marquées. #### L'Ajustement Linéaire par la Méthode des Moindres Carrés Cette méthode est utilisée pour modéliser une tendance linéaire dans une série chronologique, c'est-à-dire quand les ventes évoluent de façon relativement constante au fil du temps. Elle cherche la droite qui passe le plus près de l'ensemble des points de données. * **Principe :** Représenter la série de données par une droite d'équation \( y = ax + b \), où \( y \) représente les ventes et \( x \) représente le temps (par exemple, les périodes). * **Calcul des coefficients \( a \) et \( b \) :** Les coefficients \( a \) (pente) et \( b \) (ordonnée à l'origine) de la droite des moindres carrés sont calculés à l'aide des formules suivantes : \[ a = \frac{n \sum xy - \sum x \sum y}{n \sum x^2 - (\sum x)^2} \] \[ b = \frac{\sum y - a \sum x}{n} \] Où: * \( n \) est le nombre de périodes. * \( x \) représente le numéro de la période (ex: 1 pour Janvier, 2 pour Février, etc.). * \( y \) représente les ventes de la période. * \( \sum \) signifie la somme de toutes les valeurs. * **Prévision :** Une fois les coefficients \( a \) et \( b \) calculés, on peut prévoir les ventes pour une période future \( x \) en substituant sa valeur dans l'équation \( y = ax + b \). * **Coefficient de corrélation linéaire (\( r \)) :** Le coefficient \( r \) mesure la force et la direction de la relation linéaire entre les variables \( x \) et \( y \). Sa valeur est toujours comprise entre -1 et 1. \[ r = \frac{n \sum xy - \sum x \sum y}{\sqrt{[n \sum x^2 - (\sum x)^2][n \sum y^2 - (\sum y)^2]}} \] * \( r \) proche de +1 : forte corrélation positive (les ventes augmentent avec le temps). * \( r \) proche de -1 : forte corrélation négative (les ventes diminuent avec le temps). * \( r \) proche de 0 : faible ou pas de corrélation linéaire. * Un \( r \) élevé (souvent \( |r| > 0.8 \)) indique que l'ajustement linéaire est une bonne méthode de prévision. ### Vocabulaire * **Extrapolation :** Méthode de prévision qui consiste à prolonger une tendance observée dans le passé pour anticiper le futur. * **Série chronologique :** Séquence de données collectées à intervalles de temps réguliers (par exemple, ventes mensuelles ou annuelles). * **Lissage exponentiel :** Technique qui pondère les observations passées en accordant une importance décroissante aux plus anciennes. * **Coefficient de lissage (\( \alpha \)) :** Paramètre du lissage exponentiel qui détermine la réactivité de la prévision aux changements récents (entre 0 et 1). * **Ajustement linéaire :** Méthode de modélisation de la relation entre deux variables par une ligne droite. * **Méthode des moindres carrés :** Technique statistique qui permet de trouver la droite (ou la courbe) qui minimise la somme des carrés des écarts entre les points observés et les points de la droite. * **Prévision :** Estimation des ventes futures basée sur des données et des méthodes statistiques. * **Résidu (ou erreur de prévision) :** Différence entre la valeur réelle observée et la valeur prévue.\( (V_t - P_t) \) * **Coefficient de corrélation linéaire (\( r \)) :** Indicateur statistique mesurant la force et la direction de la relation linéaire entre deux variables. ### Exemples #### Exemple 1 : Lissage Exponentiel Simple (LES) Une entreprise a enregistré les ventes suivantes pour les 5 derniers mois (en milliers d'euros) : | Mois | Ventes réelles \( V_t \) | Prévision \( P_t \) (avec \( \alpha = 0.3 \)) | | :--- | :------------------- | :------------------------------------------- | | Janv | 100 | (Initialisation : 100) | | Févr | 110 | \( P_{Févr} = 0.3 \times 100 + (1-0.3) \times 100 = 100 \) | | Mars | 105 | \( P_{Mars} = 0.3 \times 110 + (1-0.3) \times 100 = 33 + 70 = 103 \) | | Avr | 120 | \( P_{Avr} = 0.3 \times 105 + (1-0.3) \times 103 = 31.5 + 72.1 = 103.6 \) | | Mai | 115 | \( P_{Mai} = 0.3 \times 120 + (1-0.3) \times 103.6 = 36 + 72.52 = 108.52 \) | Pour le mois de Juin, la prévision sera : \( P_{Juin} = 0.3 \times V_{Mai} + (1-0.3) \times P_{Mai} \) \( P_{Juin} = 0.3 \times 115 + 0.7 \times 108.52 \) \( P_{Juin} = 34.5 + 75.964 \) \( P_{Juin} = 110.464 \) (milliers d'euros). #### Exemple 2 : Ajustement Linéaire par la Méthode des Moindres Carrés Une entreprise observe les ventes annuelles suivantes (en milliers d'unités) : | Année | \( x \) (Rang) | \( y \) (Ventes) | \( x^2 \) | \( xy \) | | :---- | :---------- | :---------- | :-------- | :-------- | | 2019 | 1 | 100 | 1 | 100 | | 2020 | 2 | 110 | 4 | 220 | | 2021 | 3 | 105 | 9 | 315 | | 2022 | 4 | 120 | 16 | 480 | | 2023 | 5 | 115 | 25 | 575 | | **Sommes** | \( \sum x = 15 \) | \( \sum y = 550 \) | \( \sum x^2 = 55 \) | \( \sum xy = 1690 \) | Ici, \( n=5 \). Calculons \( a \) : \[ a = \frac{5 \times 1690 - 15 \times 550}{5 \times 55 - (15)^2} = \frac{8450 - 8250}{275 - 225} = \frac{200}{50} = 4 \] Calculons \( b \) : \[ b = \frac{550 - 4 \times 15}{5} = \frac{550 - 60}{5} = \frac{490}{5} = 98 \] L'équation de la droite d'ajustement est donc : \( y = 4x + 98 \). Pour prévoir les ventes de 2024 (qui correspond au rang \( x=6 \)) : \( y_{2024} = 4 \times 6 + 98 = 24 + 98 = 122 \) (milliers d'unités). Calculons le coefficient de corrélation \( r \) pour voir la pertinence de l'ajustement. Il nous faut \( \sum y^2 \) : \( 100^2 + 110^2 + 105^2 + 120^2 + 115^2 = 10000 + 12100 + 11025 + 14400 + 13225 = 60750 \) \[ r = \frac{5 \times 1690 - 15 \times 550}{\sqrt{[5 \times 55 - (15)^2][5 \times 60750 - (550)^2]}} = \frac{200}{\sqrt{[50][303750 - 302500]}} = \frac{200}{\sqrt{50 \times 1250}} = \frac{200}{\sqrt{62500}} = \frac{200}{250} = 0.8 \] Un coefficient de 0.8 indique une bonne corrélation positive, justifiant l'utilisation de cette méthode. ### Exercices 1. **Lissage Exponentiel Simple** Une entreprise a les ventes suivantes (en milliers d'unités) : * Janvier : 80 * Février : 85 * Mars : 78 * Avril : 90 * Mai : 88 En utilisant un coefficient de lissage \( \alpha = 0.2 \), et en initialisant la prévision de Janvier à 80 : * Calculez les prévisions de ventes pour les mois de Février, Mars, Avril, Mai et Juin. 2. **Ajustement Linéaire par les Moindres Carrés** Un magasin de vêtements a enregistré les ventes annuelles (en milliers d'euros) de jeans sur 4 ans : | Année | Ventes \( y \) | | :---- | :---------- | | 2020 | 50 | | 2021 | 55 | | 2022 | 62 | | 2023 | 68 | * Déterminez l'équation de la droite d'ajustement linéaire (\( y = ax + b \)). * Utilisez cette équation pour prévoir les ventes de jeans pour l'année 2024. * Calculez le coefficient de corrélation linéaire \( r \). Que pouvez-vous en déduire ? ### Devoir 1. **Comparaison de méthodes** Reprenez les données de l'exercice 2 (ventes de jeans). * Appliquez la méthode de la Moyenne Mobile Simple sur 2 périodes pour prévoir les ventes de 2023 et 2024. (Vous aurez besoin des données 2019 si vous voulez une prévision complète, sinon partez de 2022 pour 2023). * Comparez la prévision de 2024 obtenue par l'ajustement linéaire et celle obtenue par la moyenne mobile simple. Laquelle vous semble la plus pertinente dans ce cas et pourquoi ? 2. **Recherche et application** Choisissez un produit de votre quotidien dont vous pourriez imaginer l'évolution des ventes sur plusieurs périodes. Créez une série de données de ventes fictives (sur 5 à 7 périodes). Appliquez ensuite la méthode du Lissage Exponentiel Simple avec deux valeurs de \( \alpha \) différentes (par exemple 0.2 et 0.8). Expliquez les différences observées dans les prévisions et leur signification. ### Résumé Nous avons aujourd'hui approfondi notre compréhension des méthodes extrapolatives pour la prévision des ventes. Nous avons revu la Moyenne Mobile Simple et Pondérée, et nous nous sommes concentrés sur : * **Le Lissage Exponentiel Simple (LES) :** Une méthode qui accorde plus de poids aux données récentes grâce à un coefficient de lissage \( \alpha \). Elle est rapide et efficace pour des données sans tendance ou saisonnalité prononcée. * **L'Ajustement Linéaire par la Méthode des Moindres Carrés :** Permet de modéliser une tendance linéaire sous la forme \( y = ax + b \). Elle est pertinente lorsque les ventes suivent une évolution constante. Le calcul du coefficient de corrélation \( r \) aide à valider la pertinence de cette méthode. Chaque méthode a ses forces et ses faiblesses, et le choix de la bonne technique dépend de la nature des données (présence de tendance, saisonnalité, caractère aléatoire) et des objectifs de la prévision. La pratique de ces méthodes est essentielle pour maîtriser la prévision des ventes, une compétence clé en techniques commerciales. ## Méthodes extrapolatives (fin) ### Introduction Bienvenue à cette dernière partie de notre étude sur les méthodes de prévisions des ventes par extrapolation. Après avoir abordé les bases de ces techniques, nous allons aujourd'hui approfondir certaines méthodes clés et explorer des outils plus sophistiqués. L'objectif est de vous fournir une compréhension solide des techniques permettant de projeter l'évolution future des ventes à partir de données historiques. Maîtriser ces méthodes est crucial pour prendre des décisions commerciales éclairées. ### Concepts Clés #### Rappel sur les méthodes extrapolatives Les méthodes extrapolatives se basent sur l'hypothèse que le futur sera une continuation, ou une extrapolation, des tendances et des schémas observés dans le passé. Elles sont particulièrement utiles lorsque les données historiques sont nombreuses et que l'environnement commercial est relativement stable. * **Principe:** Analyser les séries chronologiques de ventes pour identifier des tendances (croissance, décroissance), des cycles (fluctuations à long terme) et des saisonnalités (fluctuations régulières et répétitives). * **Limites:** Ces méthodes peuvent être moins fiables en cas de changements majeurs dans l'environnement (nouvel concurrent, crise économique, innovation technologique majeure). #### La Méthode des Moindres Carrés Ordinaires (MCO) La méthode des moindres carrés est une technique statistique puissante pour modéliser la tendance des ventes par une droite de régression. Elle vise à trouver la droite qui minimise la somme des carrés des écarts entre les ventes réelles et les ventes prédites par le modèle. ##### 1. Équation de la droite de régression La tendance est représentée par une droite d'équation: \[ y = ax + b \] Où: * \( y \) représente les ventes prévues. * \( x \) représente la période (par exemple, année, mois, trimestre). * \( a \) est la pente de la droite, indiquant l'évolution moyenne des ventes par période. * \( b \) est l'ordonnée à l'origine, représentant la valeur des ventes quand \( x = 0 \). ##### 2. Calcul des coefficients \( a \) et \( b \) Les coefficients \( a \) et \( b \) se calculent à l'aide des formules suivantes: \[ a = \frac{n \sum xy - (\sum x)(\sum y)}{n \sum x^2 - (\sum x)^2} \] \[ b = \frac{\sum y - a \sum x}{n} \] Où: * \( n \) est le nombre de périodes (observations). * \( \sum x \) est la somme des numéros de périodes. * \( \sum y \) est la somme des ventes réelles. * \( \sum xy \) est la somme du produit des numéros de périodes par les ventes. * \( \sum x^2 \) est la somme des carrés des numéros de périodes. ##### 3. Le Coefficient de Corrélation (\( r \)) Le coefficient de corrélation linéaire \( r \) mesure la force et la direction de la relation linéaire entre les ventes et le temps. Sa valeur est toujours comprise entre -1 et 1. \[ r = \frac{n \sum xy - (\sum x)(\sum y)}{\sqrt{[n \sum x^2 - (\sum x)^2][n \sum y^2 - (\sum y)^2]}} \] * Si \( r \) est proche de 1, la corrélation est forte et positive (les ventes augmentent avec le temps). * Si \( r \) est proche de -1, la corrélation est forte et négative (les ventes diminuent avec le temps). * Si \( r \) est proche de 0, il n'y a pas de relation linéaire significative. #### Le Lissage Exponentiel Simple (LES) Le lissage exponentiel simple est une méthode de prévision qui donne plus de poids aux observations récentes, car elles sont souvent plus pertinentes pour prédire l'avenir. Il utilise un coefficient de lissage \( \alpha \) (alpha) compris entre 0 et 1. ##### Formule de prévision La prévision pour la période \( t+1 \) est calculée comme suit: \[ P_{t+1} = \alpha V_t + (1 - \alpha) P_t \] Où: * \( P_{t+1} \) est la prévision pour la période suivante. * \( V_t \) sont les ventes réelles de la période actuelle \( t \). * \( P_t \) est la prévision faite pour la période actuelle \( t \) (calculée à la période précédente). * \( \alpha \) est le coefficient de lissage. Un \( \alpha \) élevé réagit plus rapidement aux changements récents, un \( \alpha \) faible lisse davantage les fluctuations. #### Le Lissage Exponentiel Double (Méthode de Holt) Lorsque la série de ventes présente une tendance (croissance ou décroissance constante), le lissage exponentiel simple peut être insuffisant. La méthode de Holt, ou lissage exponentiel double, intègre un composant de tendance en plus du niveau de base. ##### Formules principales (simplifiées) Cette méthode utilise deux coefficients de lissage: \( \alpha \) pour le niveau et \( \beta \) (bêta) pour la tendance. 1. **Niveau lissé ( \( S_t \) ):** Le niveau lissé à la période \( t \) est une combinaison des ventes actuelles et du niveau et tendance précédents. \[ S_t = \alpha V_t + (1 - \alpha)(S_{t-1} + T_{t-1}) \] 2. **Tendance lissée ( \( T_t \) ):** La tendance lissée à la période \( t \) est une combinaison du changement de niveau actuel et de la tendance précédente. \[ T_t = \beta (S_t - S_{t-1}) + (1 - \beta) T_{t-1} \] 3. **Prévision pour \( k \) périodes futures ( \( P_{t+k} \) ):** \[ P_{t+k} = S_t + k \cdot T_t \] Cette méthode est plus adaptée aux séries avec une tendance claire mais sans saisonnalité prononcée. #### Le Lissage Exponentiel Triple (Méthode de Winters) - Mention Pour les séries de ventes présentant à la fois une tendance et une saisonnalité (par exemple, ventes plus élevées à Noël ou en été), il existe des méthodes de lissage exponentiel triple, comme la méthode de Winters. Elles intègrent un troisième coefficient pour gérer l'aspect saisonnier. Ces méthodes sont plus complexes et vont au-delà des objectifs de ce cours, mais il est important de savoir qu'elles existent. ### Vocabulaire * **Extrapolation:** Méthode de prévision qui consiste à prolonger les tendances observées dans le passé pour anticiper l'avenir, en supposant que ces tendances se poursuivront. * **Série chronologique:** Une séquence de données mesurées ou observées à intervalles de temps successifs. * **Tendance:** Le mouvement général, à long terme, d'une série chronologique (par exemple, une croissance ou une décroissance régulière des ventes). * **Saisonnalité:** Des fluctuations régulières et prévisibles des données qui se répètent sur une période donnée (par exemple, chaque mois, chaque trimestre, chaque année). * **Méthode des Moindres Carrés Ordinaires (MCO):** Une technique statistique qui permet d'ajuster une droite (ou une courbe) à un ensemble de points de données en minimisant la somme des carrés des écarts entre les données réelles et les valeurs prédites par le modèle. * **Droite de régression:** La ligne droite qui représente le mieux la relation entre deux variables dans un graphique, calculée par la méthode des moindres carrés. * **Coefficient de Corrélation (\( r \)):** Une mesure statistique qui indique la force et la direction d'une relation linéaire entre deux variables. Sa valeur est entre -1 et 1. * **Lissage Exponentiel Simple (LES):** Une méthode de prévision qui attribue un poids exponentiellement décroissant aux observations passées, donnant plus d'importance aux données récentes. * **Coefficient de Lissage (\( \alpha \), \( \beta \)):** Paramètres utilisés dans les méthodes de lissage exponentiel pour déterminer l'importance relative des observations récentes par rapport aux observations plus anciennes. ### Exemples Pratiques #### Exemple 1: Prévision avec la Méthode des Moindres Carrés Ordinaires (MCO) Une entreprise a enregistré les ventes suivantes sur les 5 dernières années (en milliers d'euros): | Année (\( x \)) | Ventes (\( y \)) | |------------------|------------------| | 1 | 100 | | 2 | 120 | | 3 | 130 | | 4 | 150 | | 5 | 160 | **Calculs préliminaires:** * \( n = 5 \) * \( \sum x = 1+2+3+4+5 = 15 \) * \( \sum y = 100+120+130+150+160 = 660 \) * \( \sum x^2 = 1^2+2^2+3^2+4^2+5^2 = 1+4+9+16+25 = 55 \) * \( \sum xy = (1\times100) + (2\times120) + (3\times130) + (4\times150) + (5\times160) = 100+240+390+600+800 = 2130 \) **Calcul de \( a \):** \[ a = \frac{5 \times 2130 - 15 \times 660}{5 \times 55 - 15^2} = \frac{10650 - 9900}{275 - 225} = \frac{750}{50} = 15 \] **Calcul de \( b \):** \[ b = \frac{660 - 15 \times 15}{5} = \frac{660 - 225}{5} = \frac{435}{5} = 87 \] **Équation de la droite de régression:** \( y = 15x + 87 \) **Prévision pour l'année 6:** Pour \( x = 6 \), \( y = 15 \times 6 + 87 = 90 + 87 = 177 \). Les ventes prévues pour l'année 6 sont de 177 milliers d'euros. #### Exemple 2: Prévision avec le Lissage Exponentiel Simple (LES) Une entreprise utilise le LES avec \( \alpha = 0.3 \). La prévision pour le mois 1 (\( P_1 \)) était de 200 unités. Les ventes réelles pour le mois 1 (\( V_1 \)) ont été de 220 unités. **Calcul de \( P_2 \) (prévision pour le mois 2):** \[ P_2 = \alpha V_1 + (1 - \alpha) P_1 \] \[ P_2 = 0.3 \times 220 + (1 - 0.3) \times 200 \] \[ P_2 = 0.3 \times 220 + 0.7 \times 200 \] \[ P_2 = 66 + 140 = 206 \] La prévision pour le mois 2 est de 206 unités. Supposons que les ventes réelles pour le mois 2 (\( V_2 \)) sont de 210 unités. **Calcul de \( P_3 \) (prévision pour le mois 3):** \[ P_3 = \alpha V_2 + (1 - \alpha) P_2 \] \[ P_3 = 0.3 \times 210 + (1 - 0.3) \times 206 \] \[ P_3 = 0.3 \times 210 + 0.7 \times 206 \] \[ P_3 = 63 + 144.2 = 207.2 \] La prévision pour le mois 3 est d'environ 207 unités. ### Exercices #### Exercice 1: Application de la Méthode des Moindres Carrés Une librairie a enregistré les ventes de romans fantastiques sur les 6 derniers trimestres: | Trimestre (\( x \)) | Ventes (en milliers) (\( y \)) | |--------------------|--------------------------------| | 1 | 12 | | 2 | 14 | | 3 | 15 | | 4 | 17 | | 5 | 16 | | 6 | 19 | 1. Calculez les sommes nécessaires (\( \sum x \), \( \sum y \), \( \sum x^2 \), \( \sum xy \)). 2. Déterminez l'équation de la droite de régression \( y = ax + b \). 3. Prédisez les ventes pour le 7ème et le 8ème trimestre. 4. Calculez le coefficient de corrélation \( r \) et interprétez-le. #### Exercice 2: Application du Lissage Exponentiel Simple Un magasin de vêtements souhaite prévoir ses ventes de t-shirts pour les prochains mois. La prévision initiale pour le mois 1 (\( P_1 \)) était de 500 t-shirts. Le coefficient de lissage \( \alpha \) est fixé à 0.4. Voici les ventes réelles enregistrées: * Mois 1 (\( V_1 \)): 550 t-shirts * Mois 2 (\( V_2 \)): 580 t-shirts * Mois 3 (\( V_3 \)): 520 t-shirts 1. Calculez la prévision pour le Mois 2 (\( P_2 \)). 2. Calculez la prévision pour le Mois 3 (\( P_3 \)). 3. Calculez la prévision pour le Mois 4 (\( P_4 \)). ### Devoir #### Devoir 1: Analyse Approfondie avec MCO Une entreprise de services numériques a vu son nombre d'abonnés évoluer comme suit (en milliers): | Année | Abonnés | |-------|---------| | 2018 | 45 | | 2019 | 52 | | 2020 | 60 | | 2021 | 68 | | 2022 | 75 | | 2023 | 80 | 1. Utilisez la méthode des moindres carrés pour déterminer l'équation de la droite de tendance. 2. Estimez le nombre d'abonnés pour les années 2024 et 2025. 3. Calculez et interprétez le coefficient de corrélation \( r \). 4. En quoi cette prévision pourrait-elle être limitée ? Quels autres facteurs, non pris en compte par la méthode MCO, pourraient influencer fortement le nombre d'abonnés de cette entreprise ? #### Devoir 2: Comparaison de Lissage Exponentiel Vous disposez des ventes mensuelles (en milliers d'unités) d'un produit sur 8 mois: | Mois | Ventes | |------|--------| | 1 | 150 | | 2 | 160 | | 3 | 155 | | 4 | 170 | | 5 | 165 | | 6 | 180 | | 7 | 175 | | 8 | 190 | La prévision initiale pour le mois 1 était de 145 unités. 1. Appliquez le Lissage Exponentiel Simple (LES) avec \( \alpha = 0.2 \) pour prévoir les ventes du mois 2 au mois 9. 2. Répétez l'opération avec \( \alpha = 0.7 \). 3. Comparez les deux séries de prévisions. Quelles différences observez-vous ? Expliquez l'impact du coefficient \( \alpha \) sur la réactivité de la prévision. Dans quels contextes choisiriez-vous un \( \alpha \) élevé ou un \( \alpha \) faible ? ### Résumé Les méthodes extrapolatives constituent un ensemble d'outils essentiels pour la prévision des ventes, en s'appuyant sur l'analyse des données historiques. Nous avons revu la **Méthode des Moindres Carrés Ordinaires (MCO)**, qui permet de modéliser une tendance linéaire et d'obtenir des prévisions fiables lorsque cette tendance est stable. Le **Coefficient de Corrélation (\( r \))** nous aide à évaluer la pertinence de cette modélisation. Nous avons également exploré le **Lissage Exponentiel Simple (LES)**, une méthode flexible qui s'adapte aux évolutions récentes des ventes grâce à son coefficient \( \alpha \). Enfin, nous avons introduit le **Lissage Exponentiel Double (Méthode de Holt)** pour les séries avec une tendance prononcée, et mentionné l'existence des méthodes triples pour la saisonnalité. Il est crucial de se rappeler que ces méthodes sont des outils d'aide à la décision. Elles doivent être utilisées avec discernement et complétées par une analyse qualitative des facteurs externes qui pourraient influencer les ventes et ne sont pas capturés par les données passées. Elles ne remplacent pas le jugement humain mais l'enrichissent. ## Méthodes de corrélation ### Introduction Bienvenue dans cette leçon sur les méthodes de corrélation, un outil essentiel en techniques commerciales pour l'élaboration des prévisions de ventes. Comprendre comment différentes variables sont liées entre elles vous permettra d'anticiper plus précisément les ventes futures et de prendre des décisions éclairées. Nous allons explorer comment identifier ces relations et les utiliser pour affiner vos stratégies commerciales. ### Concepts Clés #### Qu'est-ce que la corrélation ? La corrélation est une mesure statistique qui indique le degré de liaison entre deux ou plusieurs variables. En prévision des ventes, il s'agit de trouver des variables qui "bougent" ensemble avec les ventes. Par exemple, une augmentation du budget publicitaire pourrait être corrélée à une augmentation des ventes. #### Corrélation simple vs. Corrélation multiple * **Corrélation simple :** Elle examine la relation entre deux variables seulement. Par exemple, la relation entre le budget publicitaire et les ventes. * **Corrélation multiple :** Elle étudie la relation entre une variable dépendante (par exemple, les ventes) et plusieurs variables indépendantes (par exemple, budget publicitaire, prix des concurrents, saisonnalité). #### Le coefficient de corrélation (r) Le coefficient de corrélation, souvent noté \( r \), mesure la force et le sens d'une relation linéaire entre deux variables. Sa valeur est toujours comprise entre -1 et +1. * **\( r \text{ proche de +1} \) :** Indique une forte corrélation positive. Lorsque l'une des variables augmente, l'autre a tendance à augmenter aussi. Exemple : température extérieure et ventes de glaces. * **\( r \text{ proche de -1} \) :** Indique une forte corrélation négative. Lorsque l'une des variables augmente, l'autre a tendance à diminuer. Exemple : prix d'un produit et quantité demandée. * **\( r \text{ proche de 0} \) :** Indique une faible ou aucune corrélation linéaire. Il n'y a pas de lien évident entre les variations des deux variables. #### La régression linéaire simple La régression linéaire simple est une technique statistique utilisée pour modéliser la relation linéaire entre une variable dépendante (celle que l'on veut prévoir, notée \( y \)) et une variable indépendante (celle qui explique, notée \( x \)). Elle permet de tracer une droite qui représente au mieux cette relation. ##### L'équation de la droite de régression L'équation fondamentale est : \[ y = ax + b \] Où : * \( y \) représente la variable dépendante (par exemple, les ventes prévues). * \( x \) représente la variable indépendante (par exemple, le budget publicitaire). * \( a \) est le coefficient directeur (la pente) de la droite. Il indique de combien \( y \) varie lorsque \( x \) augmente d'une unité. * \( b \) est l'ordonnée à l'origine. C'est la valeur de \( y \) lorsque \( x \) est égal à zéro. Ces coefficients \( a \) et \( b \) sont calculés à partir des données historiques à l'aide de formules spécifiques, souvent par des logiciels statistiques ou des calculatrices avancées : \[ a = \frac{n(\sum xy) - (\sum x)(\sum y)}{n(\sum x^2) - (\sum x)^2} \] \[ b = \bar{y} - a\bar{x} = \frac{\sum y}{n} - a\frac{\sum x}{n} \] ##### Le coefficient de détermination (R²) Le coefficient de détermination, noté \( R^2 \) (et égal à \( r^2 \) en régression linéaire simple), est une mesure qui indique la proportion de la variance de la variable dépendante (les ventes) qui est expliquée par la variable indépendante (par exemple, le budget publicitaire) dans le modèle. Sa valeur est comprise entre 0 et 1 (ou 0% et 100%). * Un \( R^2 \) proche de 1 (ou 100%) signifie que le modèle explique une grande partie de la variation des ventes, et la prévision est jugée fiable. * Un \( R^2 \) proche de 0 (ou 0%) signifie que le modèle explique très peu de la variation des ventes, et la prévision est moins fiable. #### Limites des méthodes de corrélation * **Corrélation n'implique pas causalité :** Ce n'est pas parce que deux variables sont corrélées que l'une cause l'autre. Il pourrait y avoir un troisième facteur non identifié qui influence les deux. * **Linéarité :** Ces méthodes supposent une relation linéaire. Si la relation est curviligne, la corrélation linéaire peut être trompeuse. * **Données historiques :** La fiabilité des prévisions dépend de la qualité et de la pertinence des données historiques utilisées. * **Facteurs externes :** Un modèle ne peut pas toujours prendre en compte tous les facteurs imprévus (crises économiques, nouvelles lois, etc.) qui peuvent affecter les ventes. ### Vocabulaire * **Corrélation :** Relation statistique entre deux variables qui varient de manière liée. * **Variable explicative (ou indépendante) :** Variable dont les variations sont supposées influencer celles de la variable dépendante (notée \( x \)). * **Variable dépendante :** Variable que l'on cherche à prévoir ou à expliquer (notée \( y \)). * **Coefficient de corrélation (r) :** Mesure la force et le sens d'une relation linéaire entre deux variables, de -1 à +1. * **Régression linéaire :** Méthode statistique pour modéliser une relation linéaire entre une variable dépendante et une ou plusieurs variables indépendantes. * **Coefficient de détermination (R²) :** Indique la proportion de la variance de la variable dépendante expliquée par le modèle de régression. ### Exemples #### Exemple 1 : Prévision des ventes de parasols Une entreprise vend des parasols et souhaite prévoir ses ventes en fonction de la température moyenne de l'été. Après analyse des données historiques, elle établit l'équation de régression suivante : \[ \text{Ventes de parasols} = 250 \times \text{Température moyenne} - 1500 \] Si la température moyenne prévue pour l'été est de 28°C, la prévision des ventes sera : \( \text{Ventes} = 250 \times 28 - 1500 = 7000 - 1500 = 5500 \) parasols. Le coefficient de détermination \( R^2 \) est de 0.92, ce qui signifie que 92% de la variation des ventes de parasols est expliquée par la température moyenne. C'est un modèle très fiable. #### Exemple 2 : Prévision des ventes de voitures Pour les ventes de voitures, les variables explicatives pourraient inclure le taux de chômage (corrélation négative probable) et le revenu disponible des ménages (corrélation positive probable). Une régression linéaire multiple serait plus adaptée ici. ### Exercices 1. **Interprétation de \( r \) :** * Si le coefficient de corrélation entre le nombre d'heures d'ouverture d'un magasin et son chiffre d'affaires est de 0.85, qu'est-ce que cela signifie ? * Si le coefficient de corrélation entre le prix d'un produit de luxe et son volume de ventes est de -0.20, quelle est votre conclusion ? 2. **Utilisation de la droite de régression :** Une étude a permis d'établir la relation suivante entre le budget publicitaire (en milliers d'euros, \( x \)) et les ventes (en milliers d'euros, \( y \)) pour un nouveau produit : \( y = 4.5x + 200 \). * Si l'entreprise investit 50 milliers d'euros en publicité, quelles ventes peut-elle espérer ? * Si l'entreprise vise 425 milliers d'euros de ventes, quel budget publicitaire devrait-elle prévoir ? 3. **Analyse de \( R^2 \) :** Un modèle de prévision des ventes de chocolat basé sur la période des fêtes de fin d'année a un \( R^2 \) de 0.65. Comment interprétez-vous ce résultat ? Est-ce un bon modèle ? ### Devoirs 1. **Recherche de variables :** Choisissez deux produits différents (ex: smartphones, voyages, café) et identifiez au moins deux variables explicatives potentielles pour leurs ventes. Justifiez votre choix. 2. **Analyse d'un graphique :** Recherchez sur internet un graphique montrant un nuage de points entre deux variables économiques (par exemple, dépenses des ménages et PIB). Analysez visuellement s'il existe une corrélation positive, négative ou nulle. 3. **Réflexion :** Expliquez avec vos propres mots la différence entre "corrélation" et "causalité". Donnez un exemple concret pour illustrer votre explication. ### Résumé Les méthodes de corrélation sont des outils puissants pour les prévisions de ventes en techniques commerciales. Elles permettent d'identifier les relations entre les ventes et d'autres variables (explicatives) et de les modéliser via la régression linéaire. Le coefficient de corrélation \( r \) nous informe sur la force et le sens de ces relations, tandis que le coefficient de détermination \( R^2 \) évalue la fiabilité de notre modèle de prévision. Il est crucial de se souvenir que corrélation n'implique pas causalité et de toujours analyser la pertinence des données et des hypothèses. Maîtriser ces techniques vous permettra d'élaborer des prévisions plus robustes et de mieux guider les décisions commerciales de votre entreprise. ## Méthodes tenant compte des variations saisonnières ### Introduction Bienvenue à cette leçon sur les méthodes de prévision des ventes qui intègrent les variations saisonnières. Dans de nombreuses entreprises, les ventes ne sont pas constantes tout au long de l'année. Elles peuvent connaître des hausses ou des baisses régulières à certaines périodes (fêtes de fin d'année, soldes, périodes de vacances, etc.). Ignorer ces fluctuations saisonnières peut entraîner des erreurs significatives dans la planification de la production, la gestion des stocks et les stratégies marketing. Cette leçon vous apprendra à identifier, mesurer et utiliser ces variations pour améliorer la précision de vos prévisions de ventes. ### Concepts Clés #### L'importance des variations saisonnières Les variations saisonnières sont des mouvements récurrents et prévisibles des ventes (ou d'autres données) qui se produisent sur une période d'un an ou moins (par exemple, trimestrielle, mensuelle, hebdomadaire). Elles sont influencées par des facteurs tels que: * Les conditions météorologiques (ex: ventes de glaces en été). * Les jours fériés et fêtes (ex: Noël, Pâques). * Les vacances scolaires. * Les promotions et événements récurrents (ex: Black Friday). Comprendre et intégrer ces variations permet de: * Optimiser la gestion des stocks (éviter les ruptures ou les surstocks). * Ajuster la production et les ressources humaines. * Planifier les campagnes marketing au bon moment. * Établir des objectifs de vente plus réalistes. #### Composantes d'une série chronologique Une série chronologique (données enregistrées sur une période) peut être décomposée en plusieurs éléments: * **La Tendance (T):** Mouvement général à long terme de la série (croissance, stagnation, déclin). * **Le Cycle (C):** Fluctuations d'une durée supérieure à l'année, irrégulières et non périodiques, souvent liées à la conjoncture économique (phases d'expansion ou de récession). * **La Saisonnalité (S):** Fluctuations régulières et récurrentes sur des périodes inférieures à l'année (trimestre, mois, semaine). * **Le Résidu ou Aléatoire (A):** Variations imprévisibles et non expliquées par les autres composantes (événements inattendus, erreurs). Ces composantes peuvent interagir de manière **additive** ou **multiplicative**: * **Modèle additif:** \( Y_t = T_t + C_t + S_t + A_t \) (quand l'amplitude de la saisonnalité est constante, indépendante du niveau de la tendance). * **Modèle multiplicatif:** \( Y_t = T_t \times C_t \times S_t \times A_t \) (quand l'amplitude de la saisonnalité varie en proportion de la tendance, plus courant pour les ventes). #### La méthode des coefficients saisonniers Cette méthode est largement utilisée pour mesurer et corriger la saisonnalité. Nous nous concentrerons sur le modèle multiplicatif, plus fréquent pour les données de ventes. ##### Étapes de calcul des coefficients saisonniers: 1. **Calculer les moyennes mobiles centrées (MMC):** Pour une série mensuelle, utilisez une moyenne mobile sur 12 périodes, puis centrez-la. Pour une série trimestrielle, utilisez une moyenne mobile sur 4 périodes, puis centrez-la. L'objectif est de lisser la série pour éliminer la saisonnalité et le résidu, ne laissant apparaître que la tendance et le cycle. Le nombre de périodes de la moyenne mobile doit correspondre à la période de la saisonnalité. * **Exemple pour une série trimestrielle:** 1. Calculer la moyenne des 4 premiers trimestres. 2. Calculer la moyenne des trimestres 2 à 5. 3. La moyenne mobile centrée pour le 3ème trimestre est la moyenne des deux moyennes précédentes. 2. **Calculer les coefficients saisonniers bruts:** Pour chaque période (mois ou trimestre), divisez la valeur réelle observée \( Y_t \) par la moyenne mobile centrée correspondante \( (T \times C)_t \). \[ \text{Coefficient saisonnier brut} = \frac{Y_t}{(T \times C)_t} \] 3. **Calculer les coefficients saisonniers moyens:** Regroupez les coefficients saisonniers bruts par période (tous les trimestres 1, tous les trimestres 2, etc.) et calculez la moyenne pour chaque période. 4. **Ajuster les coefficients saisonniers:** La somme (pour un modèle additif) ou la moyenne (pour un modèle multiplicatif) des coefficients saisonniers doit respecter certaines propriétés. Pour un modèle multiplicatif sur 4 trimestres, la moyenne des 4 coefficients doit être égale à 1 (ou la somme égale à 4). Si ce n'est pas le cas, ajustez-les proportionnellement (par exemple, si la somme est 3.96, multipliez chaque coefficient par \( 4 / 3.96 \)). ##### Utilisation des coefficients saisonniers: * **Désaisonnalisation des ventes:** Pour obtenir la tendance et le cycle \( (T \times C)_t \), divisez les ventes réelles \( Y_t \) par le coefficient saisonnier ajusté de la période correspondante. \[ \text{Ventes désaisonnalisées} = \frac{\text{Ventes réelles}}{\text{Coefficient saisonnier}} \] Les ventes désaisonnalisées permettent de mieux observer la tendance sous-jacente. * **Prévision des ventes:** Une fois que vous avez une prévision de la tendance (par exemple, par régression linéaire) pour une période future, multipliez cette prévision par le coefficient saisonnier ajusté de la période pour obtenir la prévision saisonnalisée. \[ \text{Prévision saisonnalisée} = \text{Prévision de la tendance} \times \text{Coefficient saisonnier} \] ### Vocabulaire * **Saisonnalité:** Fluctuations régulières et prévisibles des données sur une période inférieure à un an. * **Série chronologique:** Ensemble de données collectées et ordonnées dans le temps. * **Tendance:** Mouvement général à long terme d'une série chronologique. * **Cycle:** Fluctuations à moyen terme, irrégulières, liées à la conjoncture économique. * **Résidu (ou Aléatoire):** Partie imprévisible et inexpliquée d'une série chronologique. * **Moyenne mobile:** Technique de lissage pour identifier la tendance en éliminant les variations saisonnières et aléatoires. * **Moyenne mobile centrée:** Moyenne mobile ajustée pour être associée au point central de la période. * **Coefficient saisonnier:** Indice qui mesure l'influence de la saisonnalité pour une période donnée (mois, trimestre). * **Désaisonnalisation:** Processus d'élimination de l'effet saisonnier d'une série chronologique pour révéler la tendance sous-jacente. * **Prévision:** Estimation des valeurs futures basée sur des données passées et des modèles. ### Exemples #### Exemple de calcul des coefficients saisonniers trimestriels Imaginons les ventes trimestrielles (en milliers d'euros) d'une entreprise sur 3 ans : | Année | Trimestre 1 | Trimestre 2 | Trimestre 3 | Trimestre 4 | | ----- | ----------- | ----------- | ----------- | ----------- | | N-2 | 100 | 120 | 150 | 110 | | N-1 | 110 | 130 | 160 | 120 | | N | 120 | 140 | 170 | 130 | **Étape 1: Calcul des moyennes mobiles centrées (MMC)** (Pour simplifier, nous allons directement aux coefficients saisonniers moyens dans cet exemple. Le calcul des MMC est plus long et détaillé.) **Étape 2: Calcul des moyennes pour chaque trimestre (hypothèse ici que les MMC ont été calculées et utilisées pour obtenir les bruts)** Supposons qu'après le calcul des moyennes mobiles et des coefficients bruts, nous obtenions les coefficients moyens par trimestre : * Moyenne Trimestre 1: 0.85 * Moyenne Trimestre 2: 1.05 * Moyenne Trimestre 3: 1.30 * Moyenne Trimestre 4: 0.90 **Étape 3: Ajustement des coefficients saisonniers** La somme des moyennes des coefficients bruts = \( 0.85 + 1.05 + 1.30 + 0.90 = 4.10 \) Pour un modèle multiplicatif sur 4 trimestres, la somme doit être égale à 4. Facteur d'ajustement = \( 4 / 4.10 \approx 0.9756 \) Coefficients saisonniers ajustés (CS): * CS T1 = \( 0.85 \times 0.9756 \approx 0.83 \) * CS T2 = \( 1.05 \times 0.9756 \approx 1.03 \) * CS T3 = \( 1.30 \times 0.9756 \approx 1.27 \) * CS T4 = \( 0.90 \times 0.9756 \approx 0.88 \) **(Vérification: \( 0.83 + 1.03 + 1.27 + 0.88 = 4.01 \) - légère différence due aux arrondis)** #### Exemple de désaisonnalisation et prévision Supposons que pour l'année N+1, la prévision de la tendance pour le T1 est de 130 (en milliers d'euros). * **Désaisonnalisation des ventes de l'année N:** * Ventes désaisonnalisées T1 (N) = \( 120 / 0.83 \approx 144.58 \) * Ventes désaisonnalisées T2 (N) = \( 140 / 1.03 \approx 135.92 \) * Ventes désaisonnalisées T3 (N) = \( 170 / 1.27 \approx 133.86 \) * Ventes désaisonnalisées T4 (N) = \( 130 / 0.88 \approx 147.73 \) * **Prévision des ventes pour l'année N+1:** * Prévision saisonnalisée T1 (N+1) = Prévision Tendance T1 \( \times \) CS T1 = \( 130 \times 0.83 \approx 107.9 \) milliers d'euros. * Si la prévision de tendance pour T2 (N+1) est de 135: Prévision saisonnalisée T2 (N+1) = \( 135 \times 1.03 \approx 139.05 \) milliers d'euros. ### Exercices 1. Une entreprise a enregistré les ventes trimestrielles suivantes (en milliers d'euros) : | Année | Trimestre 1 | Trimestre 2 | Trimestre 3 | Trimestre 4 | | ----- | ----------- | ----------- | ----------- | ----------- | | 1 | 50 | 65 | 80 | 55 | | 2 | 55 | 70 | 85 | 60 | * a) Calculez la moyenne des ventes pour chaque trimestre sur les deux années. * b) Calculez la moyenne générale des ventes sur l'ensemble de la période. * c) Déduisez les coefficients saisonniers bruts pour chaque trimestre. * d) Ajustez ces coefficients pour que leur somme soit égale à 4. (Utilisez 2 décimales pour les calculs). 2. En utilisant les coefficients saisonniers ajustés de l'exercice 1, désaisonnalisez les ventes de l'année 2. 3. Si la prévision de la tendance pour le Trimestre 1 de l'année 3 est de 65 milliers d'euros, quelle serait la prévision saisonnalisée ? ### Devoir Une librairie souhaite anticiper ses ventes mensuelles pour l'année prochaine. Voici les ventes des deux dernières années (en milliers d'euros) : | Mois | Année 1 | Année 2 | | --------- | ------- | ------- | | Janvier | 100 | 110 | | Février | 90 | 95 | | Mars | 110 | 120 | | Avril | 105 | 115 | | Mai | 120 | 130 | | Juin | 115 | 125 | | Juillet | 130 | 140 | | Août | 125 | 135 | | Septembre | 140 | 150 | | Octobre | 150 | 160 | | Novembre | 160 | 170 | | Décembre | 200 | 210 | 1. Calculez les coefficients saisonniers mensuels ajustés pour cette librairie. (N'oubliez pas que la somme des coefficients ajustés doit être égale à 12). 2. Désaisonnalisez les ventes de l'année 2. 3. La tendance générale de la librairie est une croissance linéaire d'environ 5 milliers d'euros par mois pour l'année prochaine, à partir d'une base de 120 milliers d'euros en janvier N+1 désaisonnalisé. Estimez les ventes saisonnalisées pour chaque mois de l'année N+1. 4. Expliquez en quelques lignes l'intérêt pour la librairie de réaliser ces prévisions désaisonnalisées. ### Résumé Dans cette leçon, nous avons exploré l'importance des variations saisonnières dans la prévision des ventes et comment les intégrer pour obtenir des prévisions plus précises. Nous avons vu que les séries chronologiques sont composées de la tendance, du cycle, de la saisonnalité et du résidu. La méthode des coefficients saisonniers, en particulier le modèle multiplicatif, est un outil puissant pour mesurer l'impact de la saisonnalité. En calculant et ajustant ces coefficients, nous pouvons désaisonnaliser les données passées pour mieux comprendre la tendance sous-jacente et réintroduire la saisonnalité dans les prévisions futures. Maîtriser ces techniques est essentiel pour une gestion commerciale efficace, permettant une meilleure planification des ressources et une prise de décision éclairée. ## Méthodes tenant compte d'autres éléments ### Introduction Bienvenue à cette leçon consacrée aux méthodes de prévision des ventes qui vont au-delà de la simple analyse des données historiques. Prédire les ventes est crucial pour toute entreprise afin de planifier sa production, ses stocks, son personnel et ses stratégies marketing. Cependant, se baser uniquement sur le passé peut être insuffisant, surtout dans un environnement économique en constante évolution. Cette leçon explorera des approches qui intègrent des facteurs externes et des jugements qualitatifs pour affiner nos prévisions. ### Concepts Clés Pour des prévisions plus précises, nous allons explorer deux grandes catégories de méthodes qui prennent en compte des éléments supplémentaires : les méthodes qualitatives et les méthodes causales. #### A. Les méthodes qualitatives Ces méthodes sont principalement basées sur le jugement, l'expérience et l'intuition. Elles sont particulièrement utiles lorsque les données historiques sont rares ou inexistantes (lancement d'un nouveau produit, nouveau marché) ou lorsque l'environnement est très incertain. Elles font appel à l'expertise humaine. ##### 1. Enquêtes d'intention d'achat * **Principe :** Interroger directement les clients potentiels (ou un échantillon représentatif) sur leurs intentions d'achat pour un produit ou service donné sur une période future. * **Avantages :** Permet d'obtenir des informations directes sur la demande potentielle, utile pour les innovations. * **Inconvénients :** Les intentions ne se transforment pas toujours en actes d'achat réels ; le coût et le temps des enquêtes. ##### 2. Méthode Delphi * **Principe :** Il s'agit d'une technique de consultation d'experts (internes ou externes à l'entreprise) de manière anonyme et itérative. Les experts donnent leurs prévisions, qui sont ensuite synthétisées et renvoyées aux experts pour une nouvelle estimation, jusqu'à ce qu'un consensus se dégage ou que les écarts soient justifiés. * **Avantages :** Réduit l'influence des personnalités dominantes, favorise la convergence des opinions, utile pour des prévisions à long terme et complexes. * **Inconvénients :** Processus long et coûteux, dépend de la qualité des experts choisis. ##### 3. Avis des vendeurs (force de vente) * **Principe :** Les commerciaux sont en contact direct avec les clients et connaissent bien leur territoire. Leurs estimations de ventes peuvent être agrégées pour obtenir une prévision globale. * **Avantages :** Basé sur une connaissance du terrain et des relations clients, relativement rapide à obtenir. * **Inconvénients :** Risque de subjectivité (optimisme ou pessimisme), les commerciaux peuvent sous-estimer leurs objectifs pour éviter la pression. ##### 4. Jugement des dirigeants et experts * **Principe :** Les hauts dirigeants et experts de l'entreprise ou du secteur utilisent leur expérience, leur connaissance du marché et leur intuition pour établir des prévisions. * **Avantages :** Rapide, basé sur une vaste expérience. * **Inconvénients :** Très subjectif, risque de biais personnels ou de manque de vision globale si l'expertise est trop spécialisée. #### B. Les méthodes causales (ou prévisions par les indicateurs) Ces méthodes cherchent à établir une relation de cause à effet entre les ventes (variable dépendante) et un ou plusieurs autres phénomènes (variables indépendantes ou indicateurs). Elles nécessitent des données historiques pour les deux types de variables. ##### 1. Méthodes des corrélations * **Principe :** Identifier si les ventes d'un produit sont liées à l'évolution d'un autre phénomène externe, appelé indicateur. Par exemple, les ventes de voitures peuvent être liées au produit intérieur brut (PIB) ou au taux de chômage.