2010 – 20011

MEMOIRE DE FIN D’ETUDES

PREVISIONS DES VENTES : METHODES ET APPLICATIONS

Réalisé au sein de l’entreprise GLACES THIRIET SAS

BP4 Zone Industrielle 88510 ELOYES CEDEX
03 29 64 64 64
www.thiriet.com

par

Monsieur Mathieu PARISOT

Sous la direction de :

Maître d’apprentissage : Monsieur Martial VINCENT

Tuteur pédagogique : Monsieur le Professeur Thierry HOUE

11 juillet 2011

1
ATTESTATION D’AUTHENTICITE

J’atteste que ce travail est personnel, cite en référence toutes les sources utilisées et ne
comporte pas de plagiat.

2
 REMERCIEMENTS
Je tiens tout d’abord à remercier mon entreprise, GLACES THIRIET SAS, pour
l’effort de formation qu’elle effectue chaque année en accueillant de nombreux apprentis et
stagiaires et tout particulièrement au sein de la direction logistique.

Je tiens également à remercier mon maître d’apprentissage, Monsieur Martial

VINCENT, Directeur des Exploitations Logistiques, pour m’avoir offert l’opportunité de
réaliser mon apprentissage sous sa responsabilité.

J’exprime ma reconnaissance à Monsieur Laurent RAYMONDIE, Directeur

Logistique, qui m’a accordé sa confiance en m’acceptant dans son service.

Je remercie MM. Michael JITTEN et Bertrand MORQUE qui m’ont épaulé lors de
toutes mes missions. Leur disponibilité et leurs connaissances m’ont permis d’intégrer des
notions importantes et de progresser continuellement.

Je n’oublie pas tout le personnel du service Gestion des flux, où j’ai pu travailler dans
de bonnes conditions dans une ambiance à la fois studieuse et sans tension.

Merci à Monsieur Thierry HOUE, tuteur universitaire, pour son suivi.

Merci également à Monsieur GUIMARAES, pour m’avoir prêté l’ouvrage de Renaud

de Maricourt qui m’a été très utile lors de la rédaction de ce mémoire.

Enfin, je tiens à saluer toutes les personnes que j’ai pu côtoyer ou avec lesquelles j’ai
travaillé sur le site d’Eloyes pour leur accueil, leur aide, leur disponibilité.

3
 SOMMAIRE
ATTESTATION D’AUTHENTICITE 2

REMERCIEMENTS 3

SOMMAIRE 4

INTRODUCTION 5

1. Les méthodes de prévisions 6

1.1. Décomposition des séries statistiques 6

1.1.1. Préliminaires à la décomposition 6
1.1.2. Traitement de la tendance 10
1.1.3. Le traitement de la saisonnalité 12
1.1.4. Le traitement des variations cycliques 18
1.1.5. Traitement des valeurs résiduelles 18

1.2. Méthodes principales passéistes 19

1.2.1. Les méthodes basées sur le lissage exponentiel 19
1.2.2. La méthode Box-Jenkins 28
1.2.3. Le modèle exogène 30

1.3. Les prévisions de ventes futuristes 35

1.3.1. Prévision des ventes par les vendeurs 35
1.3.2. Les prévisions par les clients 36
1.3.3. La méthode collaborative 38

2. Applications des prévisions de ventes 39

2.1. Les utilisateurs des prévisions 39

2.1.1. Le rôle des prévisions dans la production : la planification 39
2.1.2. Le rôle des prévisions pour la logistique 43
2.1.3. Le rôle des prévisions pour les autres services 45

2.2. Projets réalisés au service Gestion des Flux 49

2.2.1. Diagnostique des ventes magasins à très court terme 49
2.2.2. Gestion du réseau de prévisions des concessionnaires 55

CONCLUSION 63

BIBLIOGRAPHIE 64

4
5
 INTRODUCTION

La planification de la Supply Chain est aujourd’hui une chose de plus en plus prise en
compte par l’ensemble des entreprises. Cette planification de la Supply Chain se base sur les
estimations de l’activité de l’entreprise.
On voit alors une augmentation de l’offre de progiciels appelés APS : Advanced
Planning Scheduling qui consistent donc à estimer la demande des clients afin de pouvoir la
rencontrer le plus efficacement possible. a notion des prévisions de ventes est alors à la base
de cette planification.
Les prévisions de ventes qui étaient originellement souvent rattachées aux services
Commerciaux, se retrouvent donc de plus en plus dans un service dédié qui a même tendance
à être plus proche des services de Supply Chain.
Il devient alors intéressant de ce demander comment sont déterminées ces prévisions
de ventes et pourquoi ces prévisions de ventes sont si importantes pour l’entreprise.
La première partie de ce mémoire de fin d’étude mettra donc en avant différentes
méthodes de détermination des prévisions de ventes en mettant l’accent sur les méthodes
statistiques qui sont la base des APS. Puis la deuxième partie s’attardera à l’application des
prévisions de ventes en mettant en évidences les relations entre les prévisions de ventes et
d’autres services de l’Entreprise puis en exposant deux exemples de sujets relatifs aux
prévisions appliqués lors de l’apprentissage.

6
 1. Les méthodes de prévisions

Dans cette partie vous sera présenté dans un premier temps les principales méthodes
statistiques de prévision des ventes, méthodes qui sont considérées comme passéistes puisque
basées sur des historiques de ventes passées. Puis des méthodes quant à elles plus qualitatives
que quantitatives vous seront alors présentées, méthodes considérées comme futuristes
puisque se basant sur des estimations futures des ventes.
Pour les méthodes statistiques, un CD-ROM est joint à ce mémoire pour mieux
comprendre les formules de modélisation. Les exemples présentés sous forme de tableaux et
graphiques sont présents sur ce CD-ROM sous Excel avec ainsi la possibilité de comprendre
la construction des prévisions autrement que seulement avec les formules en observant les
relations entre les différentes cellules pour la détermination des paramètres et des prévisions
de ventes.
Mais avant tout, un point sera effectué sur les séries chronologiques qui seront alors
décomposées pour être mieux comprises et ainsi mieux prédictible.

1.1. Décomposition des séries statistiques

1.1.1. Préliminaires à la décomposition

Avant de décomposer une série chronologique pour pouvoir l’étudier et l’extrapoler il
faut s’assurer de deux choses :
- comporte-t-elle des valeurs anormales ?
- quel est son schéma ?

La première chose est donc d’épurer la série des valeurs que l’on peut considérer comme
anormales. Il existe plusieurs méthodes, nous allons vous en présenter deux. (Voir le fichier
intervalles de confiance.xls sur le CD-ROM joint)

La première et la plus simple est la technique de l’intervalle de confiance. Il s’agit de

calculer l’intervalle de confiance de la série chronologique, les valeurs ne rentrant pas dans
cet intervalle étant alors considérées comme anormales.
L’intervalle de confiance se calcule de la manière suivante :
IC  x  1.96 * x

7
1.96 représentant un taux de confiance de 0.05.
Exemple :
t x
1 77
2 58
3 63
4 82
5 65
6 65
7 89
8 61
9 74
10 69
11 59
12 67
13 84
14 77
15 64
16 65
17 78
Moyenne 70.4118
Ecart Type 9.0493
IC1 52.7
IC2 88.1

Dans le cas présent l’intervalle de confiance étant alors le suivant :

52,7  x  88,1
Toutes les données ne faisant pas partie de cet intervalle étant considérées comme

aberrantes. On a alors dans le cas présent la valeur x7  89 comme considérée aberrante.

Le problème de cette méthode est qu’elle n’est pas adaptée pour les produits ayant une
saisonnalité accentuée.

On préférera dans ce cas utiliser la méthode du double intervalle de confiance. Cette

méthode permet de prendre en compte les saisonnalités puisque l’on comparera les données :
- à l’intervalle de confiance de la série statistique annuelle
- mais également à l’intervalle de confiance des données mensuelles, trimestrielles,
semestrielles, suivant que l’on admet que les ventes suivent ce genre de
saisonnalité.
.Pour que cette méthode soit appliquée il faut alors plusieurs années d’historique afin de
pouvoir calculer l’intervalle de confiance des saisonnalités.

8
Exemple avec des produits qui suivent une saisonnalité trimestrielle :
Trimestre
Année 1 2 3 4 Moyenne Ecart Type IC1 IC2
1 110 125 69 118 105.50 21.73 62.91 148.09
2 113 137 75 130 113.75 24.01 66.68 160.82
Année 3 129 146 73 145 123.25 29.79 64.87 181.63
4 144 155 86 165 137.50 30.65 77.43 197.57
5 188 199 90 176 163.25 43.07 78.84 247.66
Moyenne 136.80 152.40 78.60 146.80
Ecart Type 28.35 25.33 8.01 21.44
IC1 81.23 102.76 62.89 104.77
IC2 192.37 202.04 94.31 188.83

Ainsi une valeur est considérée comme anormale si elle n’est à la fois ni comprise
dans l’écart type de l’année ni dans l’écart type de la saisonnalité (Ici saisonnalité
trimestrielle)
Dans ce cas, on remarque alors qu’aucune valeur ne peut être considérée comme
anormale avec un seuil de confiance de 0.05

Une fois les valeurs anormales identifiées, il convient alors de les corriger. Le
prévisionniste est alors le plus à même de les corriger car il peut déterminer les causes de ces
valeurs anormales. Cependant dans le cas où les séries chronologiques sont très nombreuses et
où donc les valeurs anormales sont régulières il devient alors impossible pour lui de s’en
occuper.
Dans un système automatisé, on peut alors corriger ces valeurs en leur donnant la
valeur des limites des intervalles de confiance.

La deuxième étape est alors de déterminer le schéma de décomposition de la série

chronologique.
Il existe deux schémas distincts : le schéma additif et le schéma multiplicatif :
- Le schéma additif se caractérise par la formule suivante :
xt  Tt  St  Rt
Où T est la tendance S est la saisonnalité C est le cycle et R est la composante résiduelle.
Il prend la forme suivante :

9
 Schéma extrait de l’ouvrage Prévision des Ventes Théorie et pratique R. BOURBONNAIS
J-C USUNIER Editions Economica 4eme Edition
Dans un schéma additif les composantes de la série s’additionnent, l’ampleur des
variations saisonnières par rapport à la tendance reste alors la même ce que l’on peut
représenter schématiquement par deux droites parallèles.
- le schéma multiplicatif se caractérise par la formule suivante :
xt  Tt  St  Rt
Et il prend la forme suivante :

Schéma extrait de l’ouvrage Prévision des Ventes Théorie et pratique R. BOURBONNAIS

J-C USUNIER Editions Economica 4eme Edition

Dans ce cas l’ampleur des variations saisonnières reste constante en valeur relative.
L’amplitude évolue avec le temps proportionnellement avec la tendance.

10
 1.1.2. Traitement de la tendance

Nous vous présenterons 2 méthodes qui permettent de calculer la tendance d’une série
chronologique:
- la méthode des moyennes mobiles
- la méthode de la droite de régression

2. La méthode des Moyennes Mobiles

La méthode de la moyenne mobile consiste à lisser la série en calculant une moyenne

sur un certain nombre de valeurs et en l’appliquant à un moment précis. L’ordre d’une
moyenne mobile représente le nombre de valeur prises en compte pour calculer la moyenne.
Ainsi plus une moyenne mobile sera d’ordre important, plus la tendance sera lissée
puisqu’elle prendra en compte plus de données. Cependant plus une moyenne mobile sera
d’ordre élevé et plus elle diminuera la série, puisque toute période n’ayant pas suffisamment
de données la précédant et la suivant ne pourra se voir attribuer une moyenne mobile. On perd
ainsi systématiquement le début et la fin de l’historique.

Suivant que la moyenne mobile soit d’ordre pair (2n) ou impair (2n+1) il existe deux
formules distinctes :
Si la moyenne mobile est d’ordre pair (2n) alors :
1 1 n 1
1 
MMt  xt  n   xt  i  xt  n 

2n  2 2
 n 1 
Si la moyenne mobile est d’ordre impair (2n+1) alors :
1 i n
MMt   xt  i
2n  1 i   n
Avec un historique suffisamment important pour pouvoir appliquer une moyenne
mobile d’ordre important, on peut alors obtenir une droite assez lisse qu’on pourra ensuite
aisément prolonger.

11
 3. La méthode des moindres carrés

La deuxième méthode consiste à calculer la tendance en utilisant la méthode des

moindres carrés. Lorsque la tendance à la forme d’une droite (ou polynôme de premier
degrés) x = at+b les coefficient a et b ont alors les valeurs suivantes :
t n

 ( x  x )(t  t )
t

a t 1
t n

 (t  t )²
t 1

b  x  at
Exemple de l’estimation de la tendance par 2 moyennes mobiles différentes (d’ordre 3 et
d’ordre 7) ainsi que par l’ajustement par la méthode des moindres carrés :

t x MM3 MM7 Regression

1 145 123.14
2 156 162.33 130.62
3 186 166.00 138.09
4 156 155.67 156.00 145.56
5 125 145.67 159.29 153.04
6 156 149.67 157.71 160.51
7 168 164.00 156.29 167.98
8 168 160.33 161.00 175.45
9 145 163.00 171.71 182.93
10 176 170.00 170.14 190.40
11 189 188.33 177.00 197.87
12 200 178.00 185.86 205.35
13 145 187.00 193.71 212.82
14 216 197.00 202.57 220.29
15 230 215.33 218.43 227.77
16 200 222.67 228.43 235.24
17 238 246.00 247.57 242.71
18 300 269.33 258.14 250.19
19 270 283.00 268.86 257.66
20 279 279.67 277.43 265.13
21 290 291.33 288.43 272.60
22 305 285.00 280.08
23 260 293.33 287.55
24 315 295.02
Moyenne 12.5 209.08
Paramètres regression x=at+b
a 7.473043478
b 115.6702899

12
 350

300

250

200

150

100
0 5 10 15 20 25

x MM3 MM7 Regression

(Voir le fichier Tendance.xls sur le CD-ROM joint)

3.1.1. Le traitement de la saisonnalité

Il tient de bien différencier la saisonnalité dans le cas d’un schéma additif et dans le
cas d’un schéma multiplicatif.
Dans le cas d’un schéma additif, les écarts sont donnés dans la même unité que la
série. Par exemple si un mois se voit attribuer une saisonnalité de –346, alors, lors de ce mois
nous vendons 346 produits en moins que la tendance prévue.
Dans le cas d’un schéma multiplicatif c’est différent, les écarts saisonniers seront
exprimés en pourcentage. Dans le cas par exemple où un mois se voit attribuer une
saisonnalité de 0.95, alors, lors de ce mois nous vendons 5% de produits en moins que la
tendance.

Cependant une loi importante s’applique aux deux schémas : la loi de conservation des
aires. Ainsi, une fois les coefficients appliqués à la série statistique le somme annuelle de
données doit rester la même et donc la moyenne des données également. Cette loi s’applique
puisque le but des coefficients de saisonnalité est de corriger la répartition intra mensuelle,
mais non pas de modifier le volume annuel.
Ainsi pour que cette loi s’applique il faut que dans le cas d’un schéma additif la
somme des coefficients saisonniers soit nulle et dans le cas d’un schéma multiplicatif la
somme des coefficients saisonniers doit être égale à la somme du nombre de facteurs de
saisonnalité (52, si on utilise une maille de temps à la semaine, 12 si on travaille au mois…)

13
 4. Méthode de calcul dans le cas d’un schéma additif

Après calcul de la tendance, on calcule les écarts de la série au trend :

Ecart  yt  Trendt
Ensuite, nous calculons la moyenne de ces écarts entre les différentes années. Ces
moyennes constituent alors les écarts saisonniers provisoires puisque leur somme n’est pas
forcément égale à zéro et ne respectent donc pas la loi de conservation des aires.
Nous déterminons alors les coefficients définitifs en répartissant l’écart de la somme
des coefficients sur l’ensemble des coefficients.
On peut ensuite aisément calculer la série désaisonnalisée que l’on appelle CVS : série
corrigée des variations saisonnières :
CVS  VentesRéelles  CoefficientsSaisonniers
Cette série présente alors une régularité plus importante que la série brute, ce qui se traduit
statistiquement par une variance plus faible.
Exemple : x y Trend MM12 Ecart MM12 CVS
JANVIER 1 784
FEVRIER 2 1067
MARS 3 1390
AVRIL 4 1116
MAI 5 2822
JUIN 6 3723
2008
JUILLET 7 3577 1702 1875 1112
AOÛT 8 2458 1679 779 1858
SEPTEMBRE 9 956 1645 -689 1633
OCTOBRE 10 966 1635 -669 1677
NOVEMBRE 11 1049 1634 -585 1734
DÉCEMBRE 12 657 1627 -970 1679
JANVIER 13 492 1661 -1169 1646
FÉVRIER 14 825 1681 -856 1796
MARS 15 796 1679 -883 1556
AVRIL 16 1491 1685 -194 1733
MAI 17 2422 1689 733 1624
JUIN 18 3946 1693 2253 1588
2009
JUILLET 19 4179 1704 2475 1714
AOÛT 20 2317 1707 610 1717
SEPTEMBRE 21 1050 1717 -667 1727
OCTOBRE 22 1031 1732 -701 1742
NOVEMBRE 23 1065 1741 -676 1750
DÉCEMBRE 24 748 1760 -1012 1770
JANVIER 25 668 1787 -1119 1822
FÉVRIER 26 719 1787 -1068 1690
MARS 27 1149 1767 -618 1909
AVRIL 28 1489 1759 -270 1731
MAI 29 2629 1747 882 1831
JUIN 30 4204 1722 2482 1846
2010
JUILLET 31 4573
AOÛT 32 1916
SEPTEMBRE 33 972
OCTOBRE 34 924
NOVEMBRE 35 871 14
DÉCEMBRE 36 360
Moyenne 18.5 1705.6
 Coefficients Coefficients
provisoires définitifs
JANVIER -1144 -1154
FEVRIER -962 -971
MARS -750 -760
AVRIL -232 -242
MAI 808 798
JUIN 2367 2358
JUILLET 2475 2465
AOÛT 610 600
SEPTEMBRE -667 -677
OCTOBRE -701 -711
NOVEMBRE -676 -685
DÉCEMBRE -1012 -1022
Somme 116 0

Calcul de la série CVS dans un schéma additif

5000

4500

4000

3500

3000

2500

2000

1500

1000

500

0
0 5 10 15 20 25 30 35 40

y Trend MM12 CVS

(Voir le fichier Saisonnalité.xls sur le CD-ROM joint, onglet Schéma additif)

5. Méthode de calcul dans le cas d’un schéma multiplicatif

Il s’agit de la même méthodologie seulement que les écarts au trend ne sont pas une
soustraction mais une division :
yt
Ecart 
Trendt
Une fois les coefficients provisoires par année calculés, il faut également modifier ces
coefficients pour que la loi de conservation des aires soit respectée. On répartie alors l’écart
entre les différents coefficients afin que la somme des coefficients soit égal à la somme des
périodes. Dans le cas présenté, la somme sera donc égale à 12.

15
La série corrigée des variations saisonnières sera alors calculée de la manières suivante :
VentesRéelles
CVS 
CoefficientsSaisonniers
Exemple :
Ecart relatifs Coefficients
x y Trend MM12 CVS
provisoires saisonniers
JANVIER 1 784 0.296 0.324
FEVRIER 2 1067 0.491 0.463
MARS 3 1390 0.474 0.535
AVRIL 4 1116 0.885 0.874
MAI 5 2822 1.434 1.460
JUIN 6 3723 2.331 2.369
2008
JUILLET 7 3577 1702 2.102 2.337 1530
AOÛT 8 2458 1679 1.464 1.395 1762
SEPTEMBRE 9 956 1645 0.581 0.603 1585
OCTOBRE 10 966 1635 0.591 0.596 1622
NOVEMBRE 11 1049 1634 0.642 0.624 1682
DÉCEMBRE 12 657 1627 0.404 0.420 1565
JANVIER 13 492 1661 0.296 0.324 1519
FÉVRIER 14 825 1681 0.491 0.463 1781
MARS 15 796 1679 0.474 0.535 1488
AVRIL 16 1491 1685 0.885 0.874 1706
MAI 17 2422 1689 1.434 1.460 1659
JUIN 18 3946 1693 2.331 2.369 1665
2009
JUILLET 19 4179 1704 2.452 2.337 1788
AOÛT 20 2317 1707 1.357 1.395 1661
SEPTEMBRE 21 1050 1717 0.611 0.603 1740
OCTOBRE 22 1031 1732 0.595 0.596 1731
NOVEMBRE 23 1065 1741 0.612 0.624 1707
DÉCEMBRE 24 748 1760 0.425 0.420 1781
JANVIER 25 668 1787 0.374 0.324 2062
FÉVRIER 26 719 1787 0.402 0.463 1552
MARS 27 1149 1767 0.650 0.535 2148
AVRIL 28 1489 1759 0.846 0.874 1704
MAI 29 2629 1747 1.505 1.460 1801
JUIN 30 4204 1722 2.441 2.369 1774
2010
JUILLET 31 4573 2.452 2.337
AOÛT 32 1916 1.357 1.395
SEPTEMBRE 33 972 0.611 0.603
OCTOBRE 34 924 0.595 0.596
NOVEMBRE 35 871 0.612 0.624
DÉCEMBRE 36 360 0.425 0.420
Moyenne 18.5 1705.6

16
 Coefficients saisonniers provisoires Coefficient saisonier
2008 2009 2010 Moyenne définitif
JANVIER 0.296 0.296 0.374 0.322 0.324
FÉVRIER 0.491 0.491 0.402 0.461 0.463
MARS 0.474 0.474 0.650 0.533 0.535
AVRIL 0.885 0.885 0.846 0.872 0.874
MAI 1.434 1.434 1.505 1.458 1.460
JUIN 2.331 2.331 2.441 2.367 2.369
JUILLET 2.102 2.452 2.452 2.336 2.337
AOÛT 1.464 1.357 1.357 1.393 1.395
SEPTEMBRE 0.581 0.611 0.611 0.601 0.603
OCTOBRE 0.591 0.595 0.595 0.594 0.596
NOVEMBRE 0.642 0.612 0.612 0.622 0.624
DÉCEMBRE 0.404 0.425 0.425 0.418 0.420
Somme 11.695 11.964 12.272 11.977 12.000
-0.305 -0.036 0.272 -0.023 0.000

Calcul de la série CVS dans un schéma Multiplicatif

5000

4500

4000

3500

3000

2500

2000

1500

1000

500

0
0 5 10 15 20 25 30 35 40

y Trend MM12 CVS

(Voir le fichier Saisonnalité.xls sur le CD-ROM joint, onglet schéma Multiplicatif)

6. Généralités concernant les saisonnalités

Concernant la saisonnalité, il est parfois préférable de calculer les coefficients de

saisonnalité en se basant sur la famille de produits plutôt que sur le produit lui même. Par
famille de produits on pense ainsi à des produits qui ont le même comportement face aux
saisons, qui sont assez proches et donc substituables pour le client. Par exemple, nous
pouvons penser à la gamme d’un produit alimentaire distribué à des goûts différents. Les

17
ventes d’un cornet de glace à la vanille ou au chocolat se comporteront de la même manière
face aux saisons et cela même si le volume de ventes n’est pas le même.
Nous agrégerons dans ce cas les ventes des différents produits de la famille pour déterminer
les coefficients de saisonnalité de la famille de produits qu’on appliquerait alors à l’ensemble
des produits de la famille.
Cette technique a plusieurs avantages :
- l’agrégation des ventes permet de diminuer la variance de la série et ainsi donner
plus de crédits aux coefficients qui en sont déduits
- l’effet de cannibalisme entre produits de la même famille est supprimé : si les
ventes d’un produit sont reportées sur celles d’un autre produit de la même famille,
alors individuellement les coefficients de chacun des deux produits se verront
modifier non pas à cause de la saisonnalité mais à cause de l’effet de cannibalisme
et seront donc biaisés. Alors que l’agrégat des ventes des produits de la famille
permettra une compensation et donc une stabilité des ventes et coefficients qui
seront donc inchangés.
- Lors de l’introduction d’un nouveau produit, on peut utiliser la saisonnalité de la
famille pour l’appliquer au produit qui n’a pas encore d’historique et donc de
coefficients de saisonnalité. Pour reprendre l’exemple précédent, on attribuera la
saisonnalité de la famille des cornets de glace lors de la création d’un nouveau
parfum de cornet.

De plus, il est à noter que tous les produits ne suivent pas forcément de variations
saisonnières. Il tient alors de déterminer par l’utilisation d’un test de Fisher si la prise en
compte des variations saisonnières explique de manière significative les ventes.
On comparera alors les écarts entre la tendance et les ventes aux écarts aux écarts entre
le modèle comprenant la tendance et la saisonnalité et les ventes.
Si le test est négatif alors on considérera que la série n’est pas soumise à des variations
saisonnières et nous ne prendrons en compte que la tendance pour prévoir les ventes futures.
Cependant la plupart du temps, une simple analyse visuelle de la représentation des
ventes permet de déterminer si la série est soumise à des variations statistiques. Le test de
Fisher étant donc utilisé que rarement en pratique.

18
 6.1.1. Le traitement des variations cycliques

Dans de nombreux secteurs d’activités on constate des variations cycliques qui sont
des variations ayant une amplitude plus importante que les variations saisonnières qui se
répètent annuellement.
Cependant ces variations cycliques affectent moins les prévisions de ventes puisque
l’horizon temporel est plus grand et que la prévision des ventes reste une discipline de court
terme. De plus les cycles n’ont pas toujours une durée régulière ce qui rend plus difficile leur
prévision.
Pour déterminer les cycles, nous pouvons nous baser sur une moyenne mobile qui
permet de lisser la série et ainsi de lisser les écarts saisonniers. Les composantes restant dans
la moyenne mobile seront alors la tendance et les variations cycliques.
Selon le schéma de décomposition nous avons donc 2 méthodes différentes pour
déterminer les variations cycliques associées.
Dans le cas d’un schéma additif les variations cycliques se calculent de la manière suivante :
Ct  MMt  Tt
Alors que dans le cas d’un schéma multiplicatif les variations cycliques se définissent de la
manière suivante :
MMt
Ct 
Tt
Cependant cette variable cyclique est souvent négligée dans la prévision des ventes,
c’est surtout une valeur prise en compte au niveau macro-économique.

6.1.2. Traitement des valeurs résiduelles

Une fois les différentes composantes précédemment calculées ou négligées la dernière

composante à déterminer est la valeur résiduelle. Cette valeur se calcule de deux manières
différentes suivant les schémas de décomposition :
Dans un modèle additif :
Rt  xt  Tt  St  Ct
Dans un modèle multiplicatif :
xt
Rt 
T t  St  C t

19
 Cette valeur résiduelle doit ensuite être étudiée pour déterminer si finalement elle n’est
pas explicable par d’autres facteurs et donc de voir si elle suit une loi précise et donc de
pouvoir la prévoir.

6.2. Méthodes principales passéistes

6.2.1. Les méthodes basées sur le lissage exponentiel

La décomposition des composantes vue dans la partie précédente permettrait de

déterminer des prévisions puisque les différentes composantes ont été identifiées et
expliquées.
Cependant la décomposition des composantes a un inconvénient majeur : elle donne le
même poids à toutes les valeurs de la série. Or si on admet que les prévisions de ventes sont
influencées par le passé, il paraît logique d’admettre tout de même que les prévisions de
ventes sont plus particulièrement influencées par un passé proche que par un passé plus
lointain.
Cela se remarque par exemple dans la détermination de la tendance. En effet si les
ventes ont progressé depuis plusieurs années de manière régulière à un taux de 3% et que
depuis quelques mois, les ventes se sont mises à stagner alors la tendance déterminée par la
moyenne mobile ou la régression ne prendra pas ou peu en considération ces stagnations des
ventes.
Le lissage exponentiel est une méthode qui permet de donner un poids plus important
aux ventes les plus récentes afin d’avoir une réactivité face au futur plus importante. Il existe
différentes méthodes de prévisions basées sur le lissage exponentiel. Trois d’entre elles vous
seront présentées.

7. Le lissage exponentiel simple

Le lissage exponentiel simple se définit de la manière suivante :

xˆt  xˆt  1   ( xt  xˆt  1)
Par notation les valeurs avec un accent circonflexe sont les valeurs estimées lors de la période
alors que les valeurs sans accent sont les valeurs réelles.
Par exemple x̂t est la valeur de x estimée durant la période t pour la période suivante t+1

20
Et  est le coefficient de lissage et est compris entre 0 et 1
Cette formule peut être écrite de manière différente :
xˆt  xt  (1   ) xˆt  1
De cette manière, on remarque bien l’objectif de la méthode de donner le plus d’importance
aux valeurs les plus récentes puisque le lissage exponentiel se présente alors comme une
moyenne pondérée de la dernière valeur calculée et de la dernière vente réalisée.
Sous cette forme, on remarque alors assez aisément l’influence du paramètre alpha :
- Si   0 alors la valeur calculée sera égale à la valeur précédemment calculée. La
valeur de la dernière vente n’aura donc aucune influence sur la prévision projetée :
aucune importance n’est donnée à l’information la plus récente.
- Si   1 alors la valeur calculée sera égale à la dernière vente observée. Le passé
n’aura donc aucune importance sur la projection : l’information la plus récente a
ainsi toute l’importance sur la prévision future.

En développant la formule dans le temps on obtient alors :

xˆt  xt   (1   ) xˆt  1   (1   )² xˆt  2   (1   )3 xˆt  3  ...   (1   ) n xˆt 0
On remarque ainsi bien que les valeurs les plus anciennes sont de moins en moins
prises en compte dans la détermination de la prévision puisque
(1   ) n est toujours supérieur à (1   ) n 1 avec alpha compris entre 0 et 1 et n positif.
Il convient alors de déterminer le coefficient de lissage alpha pour que la prévision soit
à la fois stable et réactive ce qui sera présenté plus tard avec une méthode plus complète.

8. Le lissage exponentiel double :

Contrairement à la précédente méthode, le lissage exponentiel double permet

d’estimer une tendance pour les prévisions futures grâce à la formule suivante :

xˆt  h  a  h  b


Avec a  ( St  SSt ) qui représente le coefficient directeur de la droite
 1
b  2 St  SSt qui représente l’ordonnée à l’origine

Et St le lissage exponentiel en t et SSt le lissage du lissage exponentiel en t

21
 Cette méthode comme son nom l’indique se calcule en faisant un double lissage SS :
on applique un lissage exponentiel sur un premier lissage.
Des deux lissages, on obtient les coefficients a et b pour la période suivante.
En projection de prévision on utilisera alors le dernier coefficient du trend a trouvé pour
l’appliquer à l’horizon désiré.
Exemple avec 2 coefficients de lissages différents :
Avec comme coefficient de lissage   0.1 :
Double lissage exponentiel avec coefficient de lissage= 0.1

5000

4500

4000

3500

3000

2500

2000

1500

1000

500

0
0 5 10 15 20 25 30 35 40 45

Ventes réelles Prévisions

Lissage
Lissage
x Ventes réelles exponentiel a b Prévisions
exponentiel S
double SS
JANVIER 1 784 784 784 0.00 784
FEVRIER 2 1067 812 787 2.83 838 784
MARS 3 1390 870 795 8.32 945 841
AVRIL 4 1116 895 805 9.95 984 953
MAI 5 2822 1087 833 28.23 1341 994
JUIN 6 3723 1351 885 51.76 1817 1370
2008
JUILLET 7 3577 1574 954 68.85 2193 1869
AOÛT 8 2458 1662 1025 70.81 2299 2262
SEPTEMBRE 9 956 1591 1081 56.67 2101 2370
OCTOBRE 10 966 1529 1126 44.74 1932 2158
NOVEMBRE 11 1049 1481 1162 35.47 1800 1976
DÉCEMBRE 12 657 1398 1185 23.69 1612 1836
JANVIER 13 492 1308 1198 12.25 1418 1635
FÉVRIER 14 825 1260 1204 6.20 1315 1430
MARS 15 796 1213 1205 0.94 1222 1322
AVRIL 16 1491 1241 1208 3.63 1274 1223
MAI 17 2422 1359 1223 15.07 1495 1277
JUIN 18 3946 1618 1263 39.44 1973 1510
2009
JUILLET 19 4179 1874 1324 61.10 2424 2012
AOÛT 20 2317 1918 1383 59.43 2453 2485
SEPTEMBRE 21 1050 1831 1428 44.80 2235 2512
OCTOBRE 22 1031 1751 1460 32.32 2042 2279
NOVEMBRE 23 1065 1683 1483 22.22 1883 2075
DÉCEMBRE 24 748 1589 1493 10.65 1685 1905
JANVIER 25 668 1497 1494 0.37 1500 1696
FÉVRIER 26 719 1419 1486 -7.44 1352 1501
MARS 27 1149 1392 1477 -9.40 1308 1345
AVRIL 28 1489 1402 1469 -7.50 1334 1298
MAI 29 2629 1525 1475 5.52 1574 1327
JUIN 30 4204 1793 1507 31.77 2078 1580
2010
JUILLET 31 4573 2071 1563 56.39 2578 2110
AOÛT 32 1916 2055 1612 49.21 2498 2635
SEPTEMBRE 33 972 1947 1646 33.46 2248 2547
OCTOBRE 34 924 1845 1666 19.88 2023 2281
NOVEMBRE 35 871 1747 1674 8.16 1821 2043
DÉCEMBRE 36 360 1608 1667 -6.53 1550 1829
JANVIER 37 1822
FÉVRIER 38 1816
2011 MARS 39 1809
AVRIL
MAI
40
41
1803
1796
22
(Voir le fichier Lissage exponentiel double.xls sur le CD-ROM joint)
Avec un coefficient de lissage   0.25

Double lissage exponentiel avec coefficient de lissage=0.25

5000

4500

4000

3500

3000

2500

2000

1500

1000

500

0
0 5 10 15 20 25 30 35 40 45

Ventes réelles Prévisions

Lissage
Lissage
x Ventes réelles exponentiel a b Prévisions
exponentiel S
double SS
JANVIER 1 784 784 784 0.00 784
FEVRIER 2 1067 855 802 17.69 908 784
MARS 3 1390 989 848 46.72 1129 926
AVRIL 4 1116 1020 891 43.00 1149 1175
MAI 5 2822 1471 1036 144.85 1905 1192
JUIN 6 3723 2034 1286 249.40 2782 2050
2008
JUILLET 7 3577 2420 1569 283.50 3270 3031
AOÛT 8 2458 2429 1784 215.02 3074 3554
SEPTEMBRE 9 956 2061 1853 69.19 2268 3289
OCTOBRE 10 966 1787 1837 -16.54 1738 2338
NOVEMBRE 11 1049 1603 1778 -58.54 1427 1721
DÉCEMBRE 12 657 1366 1675 -103.01 1057 1368
JANVIER 13 492 1148 1543 -131.90 752 954
FÉVRIER 14 825 1067 1424 -119.09 710 620
MARS 15 796 999 1318 -106.26 680 591
AVRIL 16 1491 1122 1269 -48.96 975 574
MAI 17 2422 1447 1314 44.52 1581 926
JUIN 18 3946 2072 1503 189.57 2641 1625
2009
JUILLET 19 4179 2599 1777 273.87 3420 2830
AOÛT 20 2317 2528 1965 187.80 3092 3694
SEPTEMBRE 21 1050 2159 2013 48.46 2304 3279
OCTOBRE 22 1031 1877 1979 -34.13 1774 2353
NOVEMBRE 23 1065 1674 1903 -76.33 1445 1740
DÉCEMBRE 24 748 1442 1788 -115.11 1097 1368
JANVIER 25 668 1249 1653 -134.73 845 982
FÉVRIER 26 719 1116 1519 -134.16 714 710
MARS 27 1149 1124 1420 -98.58 829 580
AVRIL 28 1489 1216 1369 -51.15 1062 730
MAI 29 2629 1569 1419 49.97 1719 1011
JUIN 30 4204 2228 1621 202.17 2834 1769
2010
JUILLET 31 4573 2814 1919 298.21 3709 3036
AOÛT 32 1916 2590 2087 167.53 3092 4007
SEPTEMBRE 33 972 2185 2112 24.55 2259 3260
OCTOBRE 34 924 1870 2051 -60.41 1689 2283
NOVEMBRE 35 871 1620 1943 -107.74 1297 1628
DÉCEMBRE 36 360 1305 1784 -159.56 826 1189
JANVIER 37 1030
FÉVRIER 38 870
2011 MARS 39 711
AVRIL 40 551
MAI 41 391

23
 Avec les deux exemples présentés, on observe bien distinctivement l’influence du
coefficient de lissage.
Avec un coefficient très faible de 0.1, on remarque que l’influence du passé est
tellement importante que les évolutions récentes ne se répercutent que très peu sur le futur,
ainsi, malgré la dernière évolution qui est tout de même une chute assez importante du niveau
des ventes, on observe seulement une très légère tendance négative. On remarque également
le lissage sur les courbes à cause du manque de réactivité.
Alors qu’avec un coefficient à peine plus élevé de 0.25, le résultat est tout autre.
L’effet de lissage est presque absent, la courbe estimée étant à peu près la courbe de
l’historique. On observe alors assez bien ce phénomène de « course-poursuite » : la prévision
se situe toujours en retard sur l’observation réelle même si la réactivité peut être assez rapide.

9. Le modèle Holt Winters

Ce modèle est l’un des plus utilisé pour la prévision des ventes. En effet il permet de
déterminer la tendance et les variations saisonnières et permet ainsi de réaliser une prévision
complète en un seul calcul.
Pour cela il repose sur la réalisation de 3 lissages distincts avec donc 3 coefficients de lissages
distincts :
- celui de la moyenne 
- celui de la tendance 
- celui de la saisonnalité 
La prévision est alors de la forme :
xˆt  h  (at  h  bt ) St  p  h

Avec
at   (bt  bt 1 )  (1   )at 1 le lissage de la tendance

xt
bt    (1   )(bt  1  at 1 ) le lissage de la moyenne
St  p

xt
St    (1   ) St  p le lissage de la saisonnalité
bt

24
 Et p la périodicité des données (dans l’exemple p=12 mois)

Pour utiliser cette méthode, nous avons besoin d’une année d’historique afin d’estimer les
coefficients de saisonnalité de la manière suivante :
xt
St 
x
De plus les coefficients a et b étant basés sur des coefficients précédents, on initialise les
prévisions en notant que :
a1  0
bx
D’où l’exemple suivant :
Avec les coefficients de lissage aléatoires suivants :   0.1   0.2   0.95

Lissage exponentiel méthode Holt Winters coefficients de lissage

aléatoires

5000

4500

4000

3500

3000

2500
2000

1500

1000

500

0
0 5 10 15 20 25 30 35 40 45 50

Ventes Réelles Prevision

25
 Coefficients
y b a Prevision
saisonnalité
JANVIER 784 0.457
FEVRIER 1067 0.623
MARS 1390 0.811
AVRIL 1116 0.651
MAI 2822 1.647
JUIN 3723 2.172
2008
JUILLET 3577 2.087
AOÛT 2458 1.434
SEPTEMBRE 956 0.558
OCTOBRE 966 0.564
NOVEMBRE 1049 0.612
DÉCEMBRE 657 0.383
JANVIER 492 1714 0.00 0.296
FÉVRIER 825 1675 -7.77 0.499 1067
MARS 796 1599 -21.49 0.514 1352
AVRIL 1491 1648 -7.24 0.892 1027
MAI 2422 1624 -10.64 1.499 2702
JUIN 3946 1634 -6.58 2.403 3505
2009
JUILLET 4179 1665 0.92 2.489 3396
AOÛT 2317 1661 -0.08 1.397 2389
SEPTEMBRE 1050 1683 4.35 0.621 926
OCTOBRE 1031 1701 7.20 0.604 951
NOVEMBRE 1065 1712 7.83 0.622 1046
DÉCEMBRE 748 1743 12.46 0.427 659
JANVIER 668 1805 22.55 0.366 519
FÉVRIER 719 1789 14.81 0.407 912
MARS 1149 1847 23.47 0.617 927
AVRIL 1489 1851 19.44 0.809 1669
MAI 2629 1859 17.11 1.419 2804
JUIN 4204 1863 14.58 2.264 4508
2010
JUILLET 4573 1874 13.77 2.443 4674
AOÛT 1916 1836 3.45 1.061 2637
SEPTEMBRE 972 1812 -2.01 0.541 1142
OCTOBRE 924 1782 -7.61 0.523 1093
NOVEMBRE 871 1737 -15.07 0.507 1103
DÉCEMBRE 360 1634 -32.65 0.231 735
JANVIER 587
FÉVRIER 651
MARS 987
AVRIL 1295
MAI 2272
JUIN 3625
2011
JUILLET 3912
AOÛT 1700
SEPTEMBRE 866
OCTOBRE 837
NOVEMBRE 813
DÉCEMBRE 369
(Voir le fichier Modèle Holt-Winters.xls sur le CD-ROM joint, onglet Coefficients choisis)

10. Détermination des coefficients de lissage

Il faudra ensuite déterminer quels sont les coefficients de lissages qui permettent au
mieux d’ajuster les prévisions aux ventes réelles passées.

26
 Pour cela, la méthode la plus utilisée reste assez simple, puisqu’elle consiste à
comparer le carré des écarts entre les prévisions en changeant de manière régulière et avec
une précision assez fine les coefficients de lissage.
Cela se fait assez facilement sur Excel en ajoutant deux colonnes supplémentaires au
modèle et en utilisant l’outils Solveur.
Ainsi en utilisant le Solveur dans l’exemple précédent, les coefficients qui permettent de
minimiser le carré des écarts entres ventes réelles et prévisions sont les suivants :
  0.15388   1   0
Ce qui entraîne une courbe de la forme suivante :

Lissage exponentiel Méthode Holt Winters coefficients de lissage

optimisés

5000

4500

4000

3500

3000

2500
2000

1500

1000

500

0
0 5 10 15 20 25 30 35 40 45 50

Ventes réelles Prevision

(Voir le fichier Modèle Holt-Winters.xls sur le CD-ROM joint, onglet Coefficients optimisés)

Il est également pertinent de créer des indicateurs pour pouvoir suivre les prévisions et
pouvoir ajuster les paramètres afin de pouvoir être le plus réactif possible.
En cas d’augmentation durable de la tendance, c’est à dire une augmentation sur
plusieurs périodes de la tendance, il convient alors d’augmenter la valeur de lissage de la
tendance afin que celle ci accorde plus d’importance aux données les plus récentes et
reproduise une tendance qui est le plus proche possible de la réalité, puis de diminuer alpha
pour le mettre à son niveau initial après quelques périodes.

27
Alors qu’en cas d’un accident (c’est à dire une hausse ou une diminution éphémère des
ventes) il faudra diminuer la valeur de alpha afin que ce soit le passé qui prenne le plus
d’importance et que la valeur de l’accident qui est récente soit peu prise en compte. Puis une
fois l’accident terminé, alpha doit reprendre une valeur plus importante afin que les données
les plus récentes soient mises en avant.

Cela est possible d’être déterminé en mettant en place des indicateurs reprenant les
évolutions des écarts entre les prévisions et les ventes réalisées.

Pour conclure sur la méthode du lissage exponentiel voici un récapitulatif des

avantages et inconvénients de la méthode :

Avantages Inconvénients
Simplicités des calculs pour
Méthode purement extrapolative, qui
l'élaboration des prévisions en régime
ignore les évènements exogènes
permanent
Système adaptatif avec calculs
Choix délicat de la constante de
itératifs, facilement réalisable sur
lissage
tableur
Rapidité de calcul Système réagissant avec retard

Maîtrise du fonctionnement par

l'utilisateur

Extrait de l’ouvrage Prévision des Ventes Théorie et pratique R. BOURBONNAIS J-C

USUNIER Editions Economica 4eme Edition

28
 10.1.1. La méthode Box-Jenkins

La méthode Box-Jenkins a été développée dans les années 70 par deux auteurs qui ont donné
leur nom a cette méthode. Il s’agit dans ce cas d’une véritable méthode de prévisions, puisque
ce n’est pas seulement l’application d’un modèle mathématique à une série chronologique,
mais il convient plutôt de présenter cette méthode en une réflexion méthodique.
En effet la méthode Box-Jenkins propose différents types de modèles statistiques dont il
faudra choisir le plus efficace avant de l’appliquer et d’extrapoler des prévisions de ventes.
Cette méthode permet de déterminer la reproduction du facteur résiduel (c'est-à-dire de la
série chronologique épurée et sa tendance et de sa saisonnalité) en utilisant la notion
d’autocorrélation.
La méthode Box-Jenkins est une méthode assez complexe dont mon enseignement en matière
statistique ne me permet pas d’expliquer précisément le fonctionnement. Cependant vu
l’importance de cette méthode concernant le thème des prévisions de ventes sa méthodologie
vous sera présentée ci-dessous.

On peut ainsi résumer la méthodologie Box-Jenkins en 3 phases :

- Identification d’un modèle
- Estimation des paramètres
- Diagnostique du modèle

11. Identification du modèle

Il existe 3 types de modèles, dont le dernier est la combinaison des 2 premiers :

- Le modèle auto-régressif AR.
- Le modèle moyenne mobile MA
- Le modèle mixte ARIMA
Le modèle AR suppose que les ventes de chaque période soient fortement liées les
unes aux autres. Il y a une forte relation avec les ventes de la période précédente. On cherche
alors à obtenir une fonction linéaire qui permettrait des prévisions en appliquant des
coefficients aux données des périodes précédentes

29
 Ce modèle peut donc se modéliser de la manière suivante :
xt  a1 xt 1  a2 xt  2  ...  an xt  n  bt

Où bt est une valeur résiduelle

Le modèle AM est assez différent puisque ce modèle cherche à identifier la prévision
en la comparant aux erreurs des valeurs précédentes. On cherche alors à modéliser les erreurs
précédentes (ou valeurs résiduelles).
Le modèle a alors la forme suivante :
xt  bt  c1 bt 1  c2 bt  2  ...  cm bt  m
Enfin le modèle ARIMA est une généralisation des modèles AR et MA il prend donc la forme
suivante :
xt  a1 xt 1  a2 xt  2  ...  an xt  n  bt  c1 bt 1  c2 bt  2  ...  cmbt  m

12. Détermination des paramètres

Pour que ces modèles puissent être appliqués, il faut avant tout que les séries soient
stationnaires, c'est-à-dire non sujettes à des variations du temps ce qui est rarement le cas des
séries chronologiques
Pour déterminer les paramètres de ces modèles il faudra avant tout désaisonnaliser et enlever
l’influence de la tendance aux séries chronologiques.

La détermination des paramètres se fait en utilisant des corrélogrammes : des schémas

de représentation des coefficients d’autocorrélation. Grâce à ces schémas on essayera de noter
quel est le modèle auquel suit la série chronologique et quel est son degré d’autocorrélation :
c'est-à-dire sur quelles données de sa propre série les ventes futures sont-elles basées ?
Le corrélogramme qui reprend les coefficients d’autocorrélation permettra ainsi de mettre en
évidence les coefficients les plus élevés et ainsi les relations les plus fortes.

Par exemple, si les données sont mensualisées et qu’on remarque un phénomène de

reproduction annuel, on aura une autocorrélation d’ordre 12.
Et en utilisant le lissage exponentiel simple, on suppose ainsi que la série suit une
autocorrélation d’ordre 1 puisque sa formule est la suivante :
xˆt  xt  (1   ) xˆt  1
Et montre bien la relation entre la valeur précédente et la prévision.

30
Exemple de corrélogramme où on observe une corrélation d’ordre 1 significative :

Source : http://www.jybaudot.fr

13. Diagnostique du système

On calculera ensuite les écarts entre le modèle choisi et les ventes réelles afin de
vérifier que le modèle choisi est le bon.
Ainsi si les écarts ne sont pas ce qu’on appelle statistiquement un bruit blanc (suite
complètement aléatoire de nombre caractérisés par des coefficients d’autocorrélation nuls)
alors cela veut dire que le modèle est incomplet.
Et si la moyenne des écarts n’est pas nulle alors il faudra ajouter une constante au
modèle sélectionné.
Généralement le système est automatisé, et les différents paramètres sont déterminé à
nouveau à chaque nouvelle période.

13.1.1. Le modèle exogène

Les méthodes présentées précédemment sont assez simples puisqu’elles ne cherchent

pas les causes des évolutions. Cependant cela ne doit pas poser énormément de problème
puisque l’analyse des conséquences doit pouvoir remonter vers les causes et prévoir tout de
même la répétition de ces évènements externes.

31
 Cependant ces modèles ne sont alors valables qu’à court terme, une prévision au-delà
d’un an par l’utilisation de ces modèles semblant inadaptée à cause de la non prise en
considération de facteurs conjoncturels.
Dans de nombreux cas, les prévisions doivent se faire en prenant en compte des
variables que l’on appelle explicatives telles que peuvent être par exemple :
- l’évolution du taux d’intérêt
- l’évolution des températures
- le taux de chômage
- les promotions

Lorsque les variables exogènes sont des variables internes à l’entreprise telles que les
promotions ou les différentes mises en avant, elles doivent alors être intégrées au système
d’informations afin que les données puissent remonter directement dans le progiciel. Ainsi
pour les promotions, on pense à la création de tarifs différenciés où les produits en promotions
se voient attribués la variable exogène à des dates bien précises.
Ces données sont soit directement intégrées par les services concernés (Marketing,
Commerce) soit intégrées par le service Prévisions.
Ensuite, le progiciel de prévision sera automatiquement alimenté par ces bases de
données et en conséquence proposera des volumes supplémentaires liés aux variables
exogènes puis corrigera les séries chronologiques pour avoir un historique des ventes plus
facilement exploitable.
Par exemple, dans le cas de mon apprentissage, plusieurs variables exogènes existent :
- Promotions
- Nouveauté
- Mise en avant par photo intérieure dans le catalogue
- Marketing Direct
- …
Pour la variable exogène «Mise en avant par photo intérieure dans le catalogue », à
chaque tarif (13 tarifs chaque année), il y a plus de 300 produits qui sont influencés par cette
variable. Le progiciel permet de proposer des volumes additionnels en étudiant l’influence
que cette variable a eu sur les mêmes produits auparavant. Cela évite ainsi aux prévisionnistes
d’étudier chacun des historiques des produits en photo intérieure du catalogue lors de chaque
tarif ce qui est un gain de temps considérable. Le prévisionniste n’a alors qu’à affecter la
caractéristique « photo intérieure » dans la base de donnée pour les produits ainsi qu’à estimer

32
l’influence de la variable exogène pour les produits qui n’ont jamais été influencé par la
variable exogène « mise en avant par une photo intérieure ».
Le logiciel corrige ensuite l’historique des ventes des produits en utilisant les
coefficients de saisonnalité des années précédentes et la tendance :

Historique corrigé et prévisions de la Brioche fourrée au saucisson sur le réseau Home

Service
Légende :
En jaune : prévisions de ventes
En bleu : ventes réelles corrigées de la variable « photo intérieure »
En rouge : ventes réelles

Il est donc très important que les caractéristiques liées à des variables exogènes soient
mises à jour régulièrement et que les liens entre les bases de données et le logiciel de
prévision soient étroits pour permettre la prise en compte des variables exogènes.

33
 14. Le modèle à une variable explicative

Pour déterminer l’existence de la relation entre les ventes et la variable explicative, il

faut dans un premier temps calculer le coefficient de corrélation et le coefficient de
détermination de ces deux variables.
Ils sont calculés de la manière suivante :
n

 (x i  x )( y i  y )
r i 1
est le coefficient de corrélation
n n

 (x
i 1
i  x )²  (y
i 1
i  y )²

On obtient ensuite le coefficient de détermination en mettant au carré le coefficient de

détermination :
R²  r ²

Si r est positif cela signifie alors que la variable explicative a une influence positive
sur les ventes : si la variable explicative augmente alors les ventes augmenteront. Si r est
négatif alors ce sera le contraire, les ventes diminueront si la variable explicative augmente.
Le coefficient de détermination présente quant à lui la part d’influence de la variable
explicative sur les ventes :
Si R²=0.15 alors cela veut dire que dans 15% du niveau des ventes est expliqué par la variable
explicative.

Si cette relation se trouve significative on peut alors mettre en relation la valeur

explicative et les ventes de la manière suivante :
y  ax  b
Avec y : les ventes réelles
Et x : variable explicative
Enfin a et b : des coefficients que l’on peut déterminer par la méthode des moindres carrés.

On aura alors un schéma qui aura la forme suivante :

34
 Schéma extrait de l’ouvrage Prévision des Ventes Théorie et pratique
R. BOURBONNAIS J-C USUNIER Editions Economica 4eme Edition

Il faudra aussi penser à prendre en compte le possible décalage appelé « lag » entre la
variable explicative et les ventes comme le présente très bien Renaud De Maricourt avec
l’exemple des « petits pots » pour nourrissons :
Pour un industriel fabricant des petits pots pour nourrissons il y aura une corrélation certaine
entre son activité et les statistiques liées à la natalité. Cependant il y aura un temps de
décalage à prendre en compte :
- de 3 mois pour les produits destinés aux nourrissons de 3 mois
- d’un an pour les produits destinés aux enfants d’un an
- …
Pour cela il faudra calculer les coefficients de corrélations en décalant dans le temps la
variable explicative jusqu’à ce qu’on obtienne le meilleur coefficient.

15. Le modèle à plusieurs variables : le modèle économétrique

Lorsque plusieurs variables ont une influence sur le niveau des ventes on se retrouve
dans un modèle économétrique. En effet les sciences économiques utilisent très souvent des
modèles à plusieurs variables explicatives.
Exemple d’un modèle avec 4 variables explicatives :
yt  a1 x1t  a2 x2t  a3 x3t  a4 x4t  et

Avec x1 , x2 , x3 et x4 les 4 variables explicatives, a1 , a2 , a3 et a4 des coefficients et et une

valeur résiduelle.

35
 De manière analogue aux modèles à une seule variable exogène, on peut déterminer
les coefficients grâce à la méthode des moindres carrés. Cependant n’étant plus dans un
système à deux dimensions, cela doit être réalisé informatiquement avec l’utilisation de
calculs matriciels.
Ayant plusieurs variables explicatives, il faudra être extrêmement attentif afin de
choisir des variables qui sont le plus indépendantes possibles les unes aux autres. Il est en
effet impossible de trouver des variables complètement indépendantes puisque toutes sont
corrélées au temps, cependant il reste très important d’éviter le phénomène de colinéarité qui
apporte les problèmes suivants :
- instabilité des paramètres du modèles ce qui rend difficile l’interprétation du
modèle.
- faible fiabilité du modèle.

15.1. Les prévisions de ventes futuristes

Jusqu’à présent nous nous sommes focalisés sur des techniques statistiques
quantitatives qui permettent de déterminer à partir d’un historique de ventes et grâce à des
variables exogènes des ventes futures. Il existe cependant d’autres méthodes qui sont bien
différentes par le fait qu’elles ne se basent non plus sur l’historique des ventes mais sur des
opinions.
Nous verrons donc plusieurs de ces méthodes successivement.

15.1.1. Prévision des ventes par les vendeurs

Cette méthode est assez simple, elle consiste à questionner les vendeurs de l’entreprise
sur leurs estimations de ventes dans les prochains mois. Si elle est assez simple, il faut rester
prudent et bien l’organiser pour que des résultats fiables puissent être retenus.
De nombreux problèmes concernant cette méthode ont été identifiés auxquels des
solutions mises en place pour les éviter :
- Il faut bien faire comprendre la différence entre objectifs et prévisions de ventes
aux vendeurs. En effet les vendeurs auraient tendance à sous-estimer leurs
prévisions de ventes personnelles pour avoir ainsi des objectifs plus faibles et ainsi
plus faciles à atteindre. La force de ventes ayant souvent un salaire comprenant
une part variable liée à leurs objectifs commerciaux, l’atteinte de leurs objectifs est

36
 alors très importante. Pour éviter cet amalgame, il faut leur garantir la
confidentialité de leurs réponses. Ainsi leurs objectifs ne seront plus liés à leurs
objectifs personnels.
- Il faut également que les participants comprennent bien l’importance des
prévisions de ventes. Il faudra ainsi penser à les former sur l’impact des prévisions
sur l’ensemble de l’entreprise et aussi leur présenter les inconvénients qu’ont de
mauvaises prévisions de ventes sur leurs activités : ruptures de produits, longue
mise à disposition de produit, diminution de la fidélisation des clients… Afin de
les motiver, on peut également penser à accorder aux vendeurs une prime pour
chacun des questionnaires remplis dans le temps imparti. Cela permettra également
d’accélérer le processus pour que les questionnaires soient envoyés le plus tard
possible tout en étant analysé assez rapidement pour prendre des décisions à temps.
- Ensuite une fois cette méthode mise en place, on pourra essayer d’améliorer les
prévisions en fonction du caractère de chacun des vendeurs. En effet, on peut
imaginer des vendeurs plutôt pessimistes et d’autres plutôt optimistes. En
comparant leurs prévisions de ventes à leurs réalisations, nous pourrons ensuite
pondérer leurs prévisions de ventes avec des coefficients afin de les augmenter ou
les diminuer suivant l’attitude de chacun des vendeurs.
Avec le temps les prévisions auront tendance à s’améliorer grâce à l’effet d’expérience
des vendeurs. En effet, la force de vente suivra de mieux en mieux son activité pour proposer
de meilleures prévisions de ventes (la qualité des prévisions de ventes peut être indexée dans
la rémunération de la participation aux prévisions).

15.1.2. Les prévisions par les clients

Il existe trois types de prévisions faites par les clients :

- Enquêtes sur les intentions d’achat
- Etudes de marchés
- Marché test

16. Enquêtes sur les intentions d’achat

La première, celle où le client est directement audité est l’enquête sur les intentions
d’achat. Cette technique est utilisée pour le lancement de nouveaux produits. Elle consiste à

37
sélectionner un échantillon représentatif de la cible potentielle du produit puis de leurs
demander quels sont leurs critères de choix concernant :
- la catégorie de produit pour les biens durables
- la marque du produit pour les biens non durables

Cependant la part d’intention d’achat se transformant en achat réel reste extrêmement

variable suivant les études et les produits. Il est donc très difficile de prévoir précisément les
ventes des nouveaux produits en utilisant cette méthode.

17. Etudes de marchés

La deuxième manière de déterminer des prévisions en utilisant des informations clients

est l’étude de marché. L’étude de marché a pour but de déterminer les chances de réussites du
lancement d’un nouveau produit, ou le lancement d’un produit sur un nouveau marché. Dans
cette perspective de nombreuses études utilisant différentes méthodes seront utilisées telles
que :
- Les sondages
- Les panels
- Les entretiens de groupes ou individualisés
Ces études permettront de déterminer la réussite du lancement du produit en
déterminant les besoins et attentes de la population mais également leurs comportements.
Ce sont des enquêtes qui restent très coûteuses et qui prennent un temps assez
conséquent pour les réaliser et en déduire des prévisions de ventes. De plus elles ne
permettent pas non plus d’avoir une idée très précise des quantités qui peuvent être vendues.

18. Utilisation d’un marché Test

La dernière méthode est l’utilisation d’un marché test. Cela consiste à utiliser un
marché différent (souvent plus petit) afin de remarquer le comportement des clients face au
lancement d’un nouveau produit ou face à une campagne publicitaire ou encore une
modification de prix afin d’en extrapoler les résultats vers le marché sur lequel on souhaite
faire les mêmes opérations. Bien entendu il faut que les marchés soient assez proches, que les
comportements des clients soient donc assez similaires pour avoir des résultats exploitables.

38
 Cette méthode peut donner d’assez bons résultats, cependant il faudra quand même
réaliser des prévisions pour les opérations sur le marché test. C’est pour cela que l’on
préférera un marché plus faible, où les volumes échangés sont moins importants et où ainsi les
erreurs possibles seront plus négligeables.
On peut ainsi penser à utiliser une région d’un pays comme zone test avant d’élargir
les opérations au plan national, ou on peut également penser à tester les opérations sur un
réseau de distribution si l’entreprise en utilise plusieurs.

18.1.1. La méthode collaborative

La dernière méthode se rapproche un peu plus de la méthode des prévisions par les
vendeurs. Cependant celle-ci consiste à rassembler des avis de différentes personnes de
différents services de l’entreprise qui ont un lien avec les prévisions et qui ont donc une
certaine expérience de suivi de ces dernières.
On pense ainsi à des réunions organisées par le service Prévisions de Ventes qui
inviterait des personnes des services suivants :
- Marketing
- Achats
- Commerce
- Production
- Logistique
Ainsi les prévisions de ventes pourraient être discutées avec l’apport de l’expertise de chacun
des services pour arriver à un compromis. On peut également faire prendre part à ces réunions
les fournisseurs, en effet avec la généralisation de la gestion partagée des approvisionnements
les fournisseurs prennent de plus en plus part au processus de prévision. Cependant malgré les
partenariats qui peuvent être créés avec les fournisseurs, la confidentialité et la sensibilité des
données liées aux prévisions écartent assez régulièrement les fournisseurs de ces réunions.

39
 19. Applications des prévisions de ventes

Après avoir présenté de nombreuses méthodes pour déterminer les prévisions de

ventes, nous allons vous présenter leurs applications.
Nous verrons dans un premiers temps les différents acteurs des prévisions qui les
utilisent puis dans un deuxième temps vus seront présentées deux applications des méthodes
pour l’élaboration de statistiques au sein de mon apprentissage au service Gestion des Flux
des Glaces Thiriet.

19.1. Les utilisateurs des prévisions

Nous allons voir maintenant qui sont les services qui utilisent le plus les prévisions et
voir de quelle manière les prévisions sont importantes pour structurer leurs organisations.
Nous verrons donc dans un premier temps l’utilisation des prévisions par la production avant
de voir l’utilisation que fait la logistique puis celle des autres utilisateurs plus brièvement.

19.1.1. Le rôle des prévisions dans la production : la planification

Le rôle des prévisions de ventes est primordial pour l’organisation de la production.

En effet ce sont les données d’entrées qui vont structurer la production puisque la production
a pour but de suivre la demande des clients.
Nous remarquerons l’influence des prévisions sur la production à moyen et court terme

20. L’influence des prévisions à moyen terme

Définition du Plan Industriel et Commercial :

« C’est l’élément de base de la planification élaboré par un dialogue constructif entre les
responsables commerciaux, de la production, des achats… et de la direction d’entreprise. »
Gestion de production A. Courtois M. Pillet C. Martin-Bonnefous
Le Plan Industriel et Commercial (communément appelé PIC) a pour but de cadrer l’activité
de production de l’entreprise en fonction des différentes familles de produits. Cela permettra
de repartir les ressources de l’entreprise entre les familles de produits :

40
 - capacités des machines
- main d’œuvre / besoins de formation
- R&D
- …
Lors de cette allocation des ressources, on remarque alors les investissements à réaliser
si les capacités de l’entreprise sont inférieures aux besoins. On remarque ainsi l’importance
des prévisions car ce sont les prévisions de ventes qui vont définir les besoins de l’entreprise.
Bien entendu, ici nous ne nous situons pas avec des prévisions à court terme très précises,
mais nous sommes dans des prévisions à moyen terme (12/18 mois).
Ici les prévisions de ventes par familles de produits sont le plus souvent exprimées en
milliers d’euros plutôt qu’en unités de ventes. Les prévisions de ventes sont préférées par
familles car avec un horizon à moyen terme, la précision des prévisions par famille est plus
importante que les prévisions par produit et les processus de fabrication pour les produits
d’une même famille sont assez proches.
La prévision de production se fera alors en consensus entre différentes contraintes
telles que :
- la qualité de service
- la minimisation des immobilisations financières
- le lissage de la production

L’autre document important au niveau tactique est le Programme Directeur de Production

(appelé PDP). Il est la continuité directe du PIC mais avec une précision bien plus importante
vu qu’il agit sur un horizon temporel plus court (de 6 mois à 1 an). On passe alors à une
échelle plus précise, en ne parlant plus des prévisions de familles de produits, mais en
organisant la production en fonction des prévisions de ventes de chaque produit fini et
travaillant plus particulièrement à la semaine qu’au mois comme précédemment dans le PIC.
Il permet de définir pour chaque produit quand et combien de produits finis il faut produire.
Il va permettre de faire le lien entre les prévisions de ventes et les contraintes liées à
l’outil de production pour répondre au mieux aux demandes des clients tout en optimisant les
capacités de productions de l’outil.
En déterminant les dates de fabrication des produits finis, le PDP permet également de
déterminer les besoins nets en composants et matière première grâce aux nomenclatures des
produits finis.

41
Exemple de PDP :

St = 125 ; L = 100 ; D = 1 ; SS = 5 ; ZF = 4

1 2 3 4 5 6 7
Prévisions de vente 5 20 30 40 45 50 50
Commandes fermes 35 20 15 5 2
Disponible prévisionnel 120 80 40 95 50 3 53 3
PDP (date de fin) 100 100
Disponible prévisionnel A vendre
PDP (date de début) 100 100

Extrait de Gestion de Production A. COURTOIS M. PILLET C. MARTIN-BONNEFOUS

Editions d’Organisation

On notera que :
St = stock de départ
L= taille de lot
D= délais d’obtention
SS = stock de sécurité
ZF = zone ferme

On remarque ainsi l’importance de la précision des prévisions des ventes. Si les

prévisions de ventes sont trop faibles alors le stock de sécurité peut ne pas suffire et des
modifications doivent être apportées dans la zone ferme ce qui peut engendrer un
remaniement assez important de l’organisation des outils de production. En effet il faudra
dans ce cas jongler avec d’autres productions moins urgentes pour les reporter, afin de
pouvoir produire les composants nécessaires s’ils ne sont pas déjà produits et les assembler
pour pouvoir honorer les commandes qui n’ont pas été prévues. Cela en supposant que les
matières premières et les composants achetés auprès de fournisseurs sont bien disponibles.
Si le plan de production est la plupart du temps réalisé grâce à un MRP, les
modifications en zone ferme de ce genre sont quant à elles laissées à la responsabilité du
responsable de production qui trouvera le jugement nécessaire pour que les modifications à
apporter soient les plus judicieuses possibles.

42
 21. L’influence des prévisions à court terme

A court terme la concrétisation du PIC et du PDP est l’ordonnancement d’atelier. Il

permet de changer les décisions du PDP en instructions d’exécutions précises afin de pouvoir
piloter les postes de travail de l’atelier de fabrication.
L’ordonnancement peut être décomposé en 3 fonctions distinctes :
- Elaboration des ordre de fabrications : transformer les propositions du PDP en
ordres de fabrications en tenant compte des taux de rebus
- Elaboration du planning de l’atelier : transformer les ordres de fabrications en
ordres d’exécutions en fonction des ressources (matières premières, composants,
disponibilité des machines et du personnel)
- Lancement et suivi des fabrications

L’autre concrétisation du PDP et du PIC est la suggestion d’ordres d’achat de matières

premières et de composants qui sera déterminée à part du calcul des besoins nets et en tenant

Au cas où les prévisions sont inférieures aux commandes fermes voici des exemples d’actions
correctives :

43
 - travailler plus : heures supplémentaires ou intérim
- travailler mieux : utilisation de machines plus performantes
- travailler différemment : répartition du travail sur différentes machines

Dans le cas contraire, les solutions suivantes peuvent être apportées :

- travailler moins : diminuer le temps de travail
- travailler différemment : affecter la main d’œuvre sur d’autres ateliers
- travailler à l’avance : avancer des ordres de fabrication (si disponibilité des
composants et matières premières)

21.1.1. Le rôle des prévisions pour la logistique

Nous verrons dans un premier temps le rôle des prévisions dans la gestion des stocks
avant de voir quelles autres activités de la logistique peuvent être modifiées par les prévisions
de ventes
22. La gestion des stocks

De meilleures prévisions impliquent un plus faible écart entre les prévisions et les
ventes réelles, ce qui implique alors deux cas de figures :
- des ruptures moins fréquentes
- un stock moins important
Nous verrons donc en quoi ces deux cas de figures permettent de diminuer les coûts liés à la
gestion de stock.

23. Coût de stockage

Le coût de stockage peut être décomposé en :

- coût d’immobilisation financière
- coût logistique
- coût d’obsolescence et de destruction
Le fait de diminuer le stock grâce à de meilleures prévisions va diminuer ces 3 coûts.
Le coût d’immobilisation financière et le coût logistique vont diminuer par le fait que le
niveau moyen de stock diminue. En effet, les commandes seront bien plus précises pour
anticiper les commandes futures des clients et on aura donc moins tendance à surestimer les

44
besoins des clients. Ainsi la rotation des produits sera plus grande, les produits moins
longtemps présents en stocks.
Le coût d’obsolescence et de destruction va diminuer grâce une meilleure gestion de la
fin de vie du produit. En effet les prévisionnistes peuvent remarquer où est le produit dans sa
courbe de vie et donc prévoir le déclin futur des produits en fin de vie. Les commandes seront
alors moins fréquentes et les stocks qui risquent de souffrir d’obsolescence seront mis en
avant assez tôt pour être utilisés dans des opérations commerciales pour éviter ces coûts, ou
du moins les diminuer au maximum.

24. Le coût d’approvisionnement

Le coût d’approvisionnement prend en compte tous les coûts liés à la passation de

commande (frais administratifs, contrôles lors de la réception, mise en stock des produits…).
Ici l’influence de la qualité des prévisions de ventes est moins marquée puisque ce coût
dépend entièrement du nombre de commandes passées, car ce n’est pas parce que des
prévisions vont permettre de commander moins pour satisfaire à la demande des clients que
l’on va pour autant commander moins souvent. On pourra par exemple préférer commander à
la même fréquence mais en quantités plus faibles. Cependant dans le cas où on ne peut
commander des quantités plus faibles, alors la fréquence de commande sera plus faible et
alors ce coût sera diminué.

25. Le coût de rupture de stock

Le coût de rupture de stock est un coût qui est plus difficile à calculer. En effet, dans
un premier temps, à court terme, ce coût peut être estimé aux ventes qui n’ont pu être réalisées
à cause de la rupture de produits finis. Cependant à long terme, des ruptures répétées peuvent
entraîner une détérioration de la relation client, des commandes moins régulières voire même
la perte du client. De plus la mauvaise image de l’entreprise ne pouvant satisfaire les besoins,
peut se développer et il sera alors plus difficile pour l’entreprise de trouver de nouveaux
clients avec une mauvaise réputation de service.

26. La gestion de l’entrepôt

45
 Les prévisions jouent aussi un rôle dans la gestion de l’entrepôt. En effet, dans le cas
d’une préparation de commandes, il faut organiser la zone de stockage afin de faciliter au
mieux la préparation. On pense par exemple à différents critères tels que :
- le poids de la marchandise
- la dimension de la marchandise
- la fréquence de commande du produit
C’est au niveau de la fréquence des commandes produits que les prévisions ont de
l’importance pour la bonne organisation de la zone de préparation. En effet, en utilisant la loi
de Pareto, on peut par exemple remarquer que la plupart du temps 20% des produits
représentent 80% des volumes. En utilisant les prévisions de ventes on peut alors prévoir
quels sont les produits qui vont être le plus commandés et les placer de manière à ce que le
chemin de préparation des commandes soit le plus rapide. La décomposition grâce aux
prévisions de ventes des produits en classe ABC est alors une solution d’optimisation.

27. Le transport

Les coûts de transport sont également optimisés. Lorsque les prévisions permettent de
diminuer les quantités commandées, alors les transports sont moins fréquemment sollicités.
Alors que lorsque les prévisions permettent d’éviter des ruptures, les transports exceptionnels
de type express tels que les taxi-colis ne sont utilisés que plus rarement et représentent donc
des coûts plus faibles.

27.1.1. Le rôle des prévisions pour les autres services

Nous allons maintenant voir quels peuvent être l’influence des prévisions dans
d’autres services de l’entreprise tels que le service Achats ou le service Financier

28. Le rôle des prévisions pour les acheteurs

Lors de la négociation des prix, l’acheteur devra communiquer à son fournisseur une
prévision annuelle des ventes afin que son fournisseur puisse lui proposer un prix adéquat.
Dans certains contrats ces volumes concertés deviennent alors des engagements.
Ces prévisions se doivent d’être assez précises car dans certains cas, la réactivité du
fournisseur ne peut être grande et c’est donc lors de l’établissement du contrat que presque

46
tout se joue. On peut par exemple penser dans le domaine de l’agroalimentaire à la difficulté
d’être réactif pour un éleveur.
Il faut aussi se souvenir que même si des prévisions peuvent être améliorées, elles ne
seront jamais justes, et par moment il peut arriver que les prévisions surestiment largement les
ventes réelles. Il faudra alors que l’acheteur fasse comprendre au fournisseur que ce n’était
pas prémédité pour bénéficier un prix promotionnel ou d’un prix dégressif, mais que la qualité
des prévisions n’est pas toujours parfaite.
De plus, de bonnes prévisions transmises aux fournisseurs permettent à ces derniers de
produire efficacement. En effet, si les prévisions sous-estiment les ventes réelles alors des
commandes supplémentaires sont envoyées aux fournisseurs, et dans l’urgence, pour les
satisfaire, les fournisseurs peuvent se retrouver à produire des petites séries de produits qui
ont alors un coût plus important.
Une qualité de prévision plus importante permet donc aux acheteurs de négocier des
prix plus avantageux.

29. Le rôle des prévisions pour le service financier

Dans un premier temps les prévisions de ventes peuvent permettre la réalisation du

compte de résultat prévisionnel qui permet d’estimer à l’avance le résultat de l’entreprise pour
une période donnée.
En effet, dans le cadre d’une activité de fabrication, à partir des prévisions de ventes la
production est capable de déterminer ses besoins en matières, composants ainsi que ressources
humaines. Et dans le cadre d’une activité de négoce, les approvisionnements sont également
déterminés à partir des prévisions de ventes.
Voici un exemple simplifié d’un compte de résultat prévisionnel :

47
 CHIFFRE D'AFFAIRES TTC
CHIFFRE D'AFFAIRES HT
ACHATS
MARGE BRUTE
Loyer
Charges locatives
EDF
Entretien
Publicité, frais de récept
Assurances
PTT. Téléphone
Loyers de Crédit Bail (mobilier,informatique,machines)
Frais de banque (tenue de compte, CB)
CHARGES EXTERNES
Salaires
Charges sur salaires
FRAIS de PERSONNEL
IMPOTS et TAXES
Travaux
Machine
AMORTISSEMENTS
RESULTAT D'EXLOITATION COURANT
Prêt à Long Terme
Prêt à Court Terme
CHARGES FINANCIERES
RESULTAT D'EXPLOITATION avant IS
IMPOTS sur les SOCIETES
RESULTAT NET après IS

On remarque alors que pour la détermination des prêts à court terme, il faut déterminer
le budget de trésorerie prévisionnel.
Celui-ci aussi est déterminé à partir des prévisions de ventes puisqu’il permet de
déterminer les encaissements des clients ainsi que les paiements de fournisseurs en fonctions
des délais de paiements.

48
Il prend la forme suivante :
(en K€ ) TOTAL JANV. FEV.

RECETTES D'EXPLOITATION

Encaissements clients

DEPENSES D'EXPLOITATION

Fournisseurs
Salaires
Charges sociales
TVA
Intérêts des emprunts

TRESORERIE D'EXPLOITATION

RECETTES HORS EXPLOITATION

Apport en capital
Apport en compte courant
Emprunt

DEPENSES HORS EXPLOITATION

Investissements HT
TVA s/ investissements
Remboursement d'emprunts
Remboursement compte courants

TRESORERIE NETTE MENSUELLE

TRESORERIE CUMULEE

49
 29.1. Projets réalisés au service Gestion des Flux

Dans cette partie sera présentée deux cas étudiés lors de mon apprentissage. Le
premier étant la détermination d’un diagnostique des ventes à très court terme, et second
quant à lui relatif à l’entretien global des prévisions pour un réseau de ventes.

29.1.1. Diagnostique des ventes magasins à très court terme

Ce besoin a été exprimé lors de l’année 2010 lors du projet d’approvisionnement des
magasins par AZAP (APS développé par Diagma utilisé par le service gestion des flux pour
les prévisions des ventes et l’approvisionnement des plateformes logistiques).
En effet, les magasins jusqu’à présent ne se basent pas sur nos prévisions de ventes
pour passer leurs commandes hebdomadaires. Lors de promotions ou lors de lancement de
nouveaux produits certains magasins se trouvaient donc en situation de surstock ou de rupture
pour avoir mal interprété leurs besoins futurs.
Pour éviter cela, le projet d’approvisionnement des magasins depuis AZAP a été lancé
par la direction logistique.
Une autre raison de la mise en place de ce diagnostique a été l’utilisation d’un
nouveau mode de promotion jusqu’à présent non utilisé chez Thiriet et sur ce réseau : la
prospection de nouveaux clients par l’utilisation de Marketing Direct. En effet, des coupons
de réductions personnalisés sont envoyés à des clients potentiels de chaque magasin. Ces
coupons sont envoyés à assez grande échelle et le retour exact du nombre de clients qui
viendraient utiliser ces coupons était alors incertain. Il était alors important de savoir au plus
tôt quel serait le nombre de produits vendus grâce à ces coupons pour pouvoir mieux
approvisionner les magasins mais également relancer les fournisseurs si la réservation initiale
était insuffisante pour couvrir la nouvelle prévision de ventes calculée.

Le service a donc voulu améliorer au mieux ses prévisions de ventes pour ce réseau de
distribution ainsi qu’augmenter sa réactivité afin que les magasins puissent être approvisionné
de la meilleure façon possible.

Nous avons donc développé sous la forme d’un tableur un diagnostique des ventes
mensuel pour les produits en promotions et les nouveaux produits, produits qui sont mis en
avant en magasins dans ce qu’on appelle zone rouge. Diagnostique qui à partir des premières

50
ventes enregistrées en début du tarif promotionnel extrapole ces ventes pour déterminer le
volume promotionnel de ventes mensuelles, c'est-à-dire des ventes liées aux mises en avant
supplémentaires aux ventes fond de rayon.

Ce diagnostique est alors redéfini chaque mois en fonction de chaque tarif

promotionnel.

Plusieurs analyses ont été réalisées pour permettre la réalisation de ce diagnostique,

nous vous les présenterons successivement.

30. Analyse du poids des semaines

Nous avons d’abord dans un premier temps analysé les séries chronologiques afin de
déterminer si une saisonnalité hebdomadaire existait et s’il fallait donc que l’on donne des
poids différents aux semaines de notre diagnostique.
Une analyse a donc été réalisée et qui a permis de montrer, qu’en temps normal (hors
saisons festives [Pâques et Noël]) l’affluence en magasins était linéaire tout au long du mois.
Pour les magasins, il n’y a donc pas de comportements des clients qui les poussent à aller
plutôt en début ou en fin de mois en magasins faire leurs courses. Cette hypothèse avait été
présentée par le service commercial, mais leur intuition s’est avérée non significative.
Cependant, de plus longues études ont du être réalisées pour déterminer la saisonnalité
hebdomadaire pendant les périodes festives. En effet Pâques et surtout Noël sont deux
périodes de l’année où l’activité en magasins est bien plus importante, et où l’activité croît
tout au long du tarif jusqu’à l’approche de l’évènement.
Nous avons donc analysé différemment les séries chronologiques pour la période de
Pâques et pour la période de Noël :

31. Analyse des séries chronologiques pour la période de Pâques

Pâques a deux caractéristiques assez spéciales :

- cette fête est toujours un lundi
- cette fête n’est pas fixe dans le calendrier
C’est la caractéristique de variabilité du calendrier qui nous a apporté le plus de
problèmes dans l’analyse des séries chronologiques.

51
 En effet, il arrive parfois que cette fête soit fêtée en début de mois, comme il arrive
parfois que cette fête soit fêtée en fin de mois ce qui change considérablement la saisonnalité
hebdomadaire des produits.
Autre problème rencontré : la mise en place d’un tarif promotionnel spécial Pâques lié
à une mise en avant des produits dits festifs qui est différenciée des autres produits. En effet
lors de la création de ce tarif promotionnel spécifique, les produits festifs sont alors mis en
avant deux semaines avant Pâques alors que les produits « basiques » sont mis en avant dès le
début du mois. Ce tarif promotionnel est créé lorsque Pâques se trouve être en fin de mois.
On a donc du réalisé des études sur toutes les années d’historiques que nous avons afin
de déterminer les différents scénarios possibles :
Existence d'un tarif spécifique

Oui Non
Position du Lundi de

2eme Semaine

3eme Semaine
Pâques

4eme Semaine

5eme Semaine

Nous pouvons ainsi déterminer 6 scénarios possibles, 6 scénarios où la saisonnalité

hebdomadaire est alors différente.

De plus lors de nos études nous avons remarqué que tous les produits ne se
comportaient pas de la même manière dans le temps. Nous avons donc séparé les produits en
3 catégories qui ont chacune une saisonnalité hebdomadaire différente :
- les produits festifs spécifiques à Pâques (Exemples : Œuf de Pâques, Gigot
d’agneau)
- les produits festifs (Exemples : Miches surprises, Saumon, pommes de terres
dauphine)
- les produits « basiques » (Exemples : Frites, plats minutes)

En effet plus le produit est spécifique à Pâques, plus les ventes liées seront accentuées
durant les dernières semaines, alors que les produits plus basiques cela est moins le cas.

52
 32. Analyse des séries chronologiques pour la période de Noël

La fête de Noël a quant à elle une particularité calendaire différente, elle est toujours le
25 décembre, peu importe le jour de la semaine correspondant.
Dans ce cas l’analyse des historiques a été encore plus compliquée puisqu’il y a alors
7 scénarios possibles. Suivant que Noël tombe alors en début de semaine ou en fin de
semaine, le poids des semaines des deux dernières semaines du tarif sont alors complètement
différentes. On peut même difficilement parler de saisonnalité hebdomadaire dans le cas du
mois de décembre, mais directement parler de saisonnalité journalière qui prédomine alors.
Il a été alors très difficile de déterminer jusqu’à présent un diagnostique pour le mois
de décembre précis.
De plus, comme pour Pâques, l’évolution des ventes diffère suivant la famille de
produit. Ainsi même pour deux familles de produits très festives que sont les bûches glacées
et le foie gras, l’évolution des ventes n’est pas la même et on remarque alors dans ce cas
précis une accélération des ventes plus tardive et plus forte pour la famille de produits Bûches
glacées.

Une fois développé directement sur notre APS, le diagnostique devrait être bien plus
efficace. Il devrait pouvoir se baser sur les années où le calendrier était identique, et il devrait
pouvoir utiliser les saisonnalités des familles de produits pour pouvoir proposer des
estimations de ventes promotionnelles les plus cohérentes possibles.

33. Analyse de la saisonnalité quotidienne

Une analyse avait été réalisée avant mon apprentissage concernant la saisonnalité
quotidienne des ventes sur le réseau de ventes en magasins.
Il s’est avéré que la saisonnalité quotidienne est très stable tout au long de l’année à
part lors de l’approche de Noël comme nous l’avons précisé précédemment.
Celle-ci est de la manière suivante :

53
 Part des ventes hebdomadaires

Lundi 9%

Mardi 11%

Mercredi 13%

Jeudi 14%

Vendredi 20%

Samedi 28%

Dimanche 5%

Pour compléter cette analyse, nous avons également essayé de déterminer la

saisonnalité quotidienne dans les semaines particulières où il y a des jours fériés.
Lorsqu’un jour est férié, il y a trois possibilités :
- les magasins sont fermés toute la journée
- les magasins sont ouverts le matin
- les magasins sont ouverts normalement
Nous avons donc fait une analyse grâce à notre historique pour voir quelles sont les
saisonnalités quotidiennes alternatives pour chacun des cas possibles.
Nous avons alors fait cette analyse en utilisant l’historique de ventes pour trois
produits aux ventes d’ordre de grandeurs différents afin d’avoir un résultat le plus homogène
possible pouvant s’appliquer à l’ensemble des produits du diagnostique.
Ainsi nous avons remarqué que les ventes non réalisées lors d’un jour férié pouvaient
être réparties sur les jours de la semaine en cours comme ainsi que sur la semaine précédente
(lorsque le lundi est férié) ou également sur la semaine suivante (lorsque le vendredi ou le
samedi est férié)

34. Fonctionnement du diagnostique

Ayant les saisonnalités hebdomadaires et quotidiennes, nous pouvons alors extrapoler

les ventes pour estimer les ventes mensuelles et ensuite estimer les ventes promotionnelles.
Dans le cas d’un diagnostique des ventes pour un tarif différent de celui de Noël et
Pâques, nous extrayons les ventes quotidiennes réelles que l’on divise alors par le coefficient
de saisonnalité correspondant alors à la série corrigée des variations saisonnières (CVS)

54
(Nous sommes dans le cas d’un modèle multiplicatif). Puis nous multiplions cette donnée
CVS par les coefficients de saisonnalité quotidiens des jours suivants.
On obtient alors une projection des ventes quotidiennes estimées. Nous pouvons noter
que sur une période aussi courte qu’un mois, nous pouvons considérer l’influence de la
tendance de la série comme nulle. La somme des ventes estimées additionnée à la somme de
l’historique des ventes depuis le début du tarif représente alors le volume de ventes estimées
pour l’ensemble du tarif.
Dans le cas d’un diagnostique des ventes pour les périodes festives, il y a une
saisonnalité hebdomadaire. Pour obtenir la série CVS, il faudra alors diviser les ventes réelles
par le coefficient de saisonnalité hebdomadaire et quotidien. Ensuite, pour projeter les ventes
futures, on appliquera donc à la série CVS les coefficients de saisonnalité quotidiens et les
coefficients de saisonnalité hebdomadaire.
Du volume des ventes estimées, nous soustrayons alors le fond de rayon déterminé par
notre APS pour chacun des produits. Le volume restant est alors le volume lié uniquement
aux actions en cours. Statistiquement parlant, ce volume est lié :
- soit à la variable exogène « Promotion » pour les produits en promotion
- soit à la variable exogène « Nouveauté » pour les produits mis en avant par leur
nouveauté dans la gamme de produits disponibles aux clients.

Lors du développement du diagnostique, nous avons également fait des études pour
savoir s’il était plus judicieux de baser nos prévisions de ventes sur uniquement les dernières
ventes réalisées où si on devait prendre en compte également les ventes passées. Il fallait donc
faire un arbitrage entre réactivité et variabilité. En effet, le diagnostique basé sur uniquement
les ventes réalisées la veille est parfois instable. Cela est plus particulièrement vrai pour les
produits à faibles rotations qui ont des séries de ventes avec une variance assez importantes
même une fois désaisonnalisées. Nous avons donc expérimenté un diagnostique basé sur la
moyenne des CVS des 3 derniers jours, ou sur la moyenne des ventes de la semaine
précédente.
Au final nous avons préféré garder un diagnostique seulement basé sur la CVS des
ventes de la veille uniquement. Cependant avant de modifier les volumes promotionnels dans
l’APS, le prévisionniste vérifie que les volumes diagnostiqués sont bien stables et qu’ils sont
donc assez proches des volumes diagnostiqués dans les diagnostiques réalisés les jours
précédents.

55
 34.1.1. Gestion du réseau de prévisions des concessionnaires

Avant d’aborder la présentation de la gestion du réseau de concessionnaires, il semble

important de préciser pourquoi la gestion de ce réseau est devenue importante.

Qui sont les concessionnaires de ce réseau ?

Le réseau de concessionnaires dont nous nous sommes occupés d’améliorer les

prévisions est en fait l’ensemble des concessionnaires situés dans les Dom-Tom. Ce sont donc
des magasins qui ne sont pas la propriété de Thiriet mais qui proposent l’ensemble de la
gamme de produits en utilisant l’image Thiriet.
Ces magasins ne sont donc pas gérés par l’entreprise Thiriet et n’emploient pas de
personnel Thiriet. La relation entre les concessionnaires et l’entreprise Thiriet est donc une
relation client/fournisseur.

C’est sous l’impulsion du service expansion que ce réseau s’est particulièrement

développé ces dernières années et se développera d’avantage dans les futures années.
Aujourd’hui 3 concessionnaires sont situés dans les Dom Tom et représentent 11 magasins
donc l’historique d’ouverture.
Date
Magasin Concessionnaire
d'ouverture
THIRIET ST DENIS Sémoi 01/02/2005

THIRIET ST PAUL Sémoi 01/07/2005

THIRIET ST CLOTILDE Sémoi 01/06/2006

THIRIET ST PIERRE Sémoi 01/11/2006

THIRIET ST GILLES LES

Sémoi 01/09/2008
BAINS

THIRIET JABRUN Sofrigel 01/12/2008

THIRIET BEAULIEU Sémoi 01/03/2009

THIRIET DORVILLE Sofrigel 01/07/2009

THIRIET ST FRANCOIS Sofrigel 01/12/2009

THIRIET BASSE TERRE Sofrigel 01/05/2010

THIRIET DILLON Somargel 01/12/2010

56
 En effet ce réseau a pris récemment une part de plus en plus importante concernant
l’activité du groupe et plus particulièrement l’activité de la plateforme logistique d’Eloyes qui
prépare exclusivement des commandes magasins et qui s’occupe ainsi de la préparation des
commandes des magasins des concessionnaires.

En tant que simples clients, les concessionnaires passent ainsi leurs commandes sans
notifier la plateforme préalablement, à des fréquences assez aléatoires et avec des volumes
variables.

Si ces volumes représentaient auparavant une part plutôt négligeable des volumes
traités par la plateforme d’Eloyes et pouvaient ainsi être préparés sans pour autant mettre en
péril la plateforme d’Eloyes et le réseau de magasins qu’elle gère, ce n’est plus vraiment le
cas aujourd’hui avec environ 2 250 00 unités de ventes préparées lors de l’années 2010 ce qui
représente environ 2 containers 20 pieds par semaine.
Il arrivait donc plus régulièrement que des commandes passaient par nos
concessionnaires entraînaient des ruptures sèches sur la plateforme et entraînant par la même
occasion une qualité de service diminuée à la fois pour nos clients concessionnaires que pour
les magasins préparés par la plateforme d’Eloyes.

L’élargissement de notre réseau de concessionnaire est d’ores est déjà prévu avec la
création de relations commerciales avec de nouveaux concessionnaires dans de nouveaux
territoires d’outre mer .
Par exemple l’ouverture d’un magasin avec un nouveau concessionnaire est prévu
pour la fin de l’année en Nouvelle Calédonie, et l’ouverture de deux magasins est prévue
également pour fin 2011 et début 2012 avec un autre concessionnaire sur l’Ile Maurice.
D’autres projets avec nos concessionnaires sont également prévu mais sans date d’ouverture
précise :
- Un nouveau magasin à la Réunion
- Deux nouveaux magasins en Guadeloupe
- Trois nouveaux magasins à la Martinique
- Ainsi que des projets nouveaux partenariats en Guyane et à Mayotte

Les prévisions de ventes pour ce réseau étaient jusqu’alors peu suivies et on m’a alors
donné la tâche de le remettre à jour et de voir quelles pouvaient être les possibilités

57
d’améliorations que l’on pouvait effectuer afin quelles soient les plus proches possibles des
commandes des clients. Pour cela voici la démarche que nous avons suivi qui sera développée
par points spécifiques ci- dessous :
- Vérification des données remontées informatiquement
- Analyse des comportements des clients
- Modification du mode de prévision
- Analyse des prévisions par rapport aux ventes réelles

35. Vérification des données remontées informatiquement

Avant de commencer à modifier les prévisions nous avons d’abord voulu vérifier que
les données qui remontent informatiquement dans AZAP sont correctes. En effet, le réseau a
évolué depuis sa création et aucune vérification n’avait été faite depuis. Nous avons donc
vérifié que les deux dimensions des données étaient justes :
- les quantités
- la date de remontée
Nous avons donc dans un premier temps vérifié auprès du service informatique que les
trois concessionnaires étaient bien considérées en tant que tel. Puis nous avons analysé les
commandes envoyées par mail à l’exploitation durant le mois de janvier 2011 correspondaient
bien aux ventes de janvier 2011 dans AZAP.
A ce moment précis nous avons remarqué ce qui semblait être deux erreurs :
- les quantités n’étaient pas forcément exactes pour toutes les références
- les dates de remontées des commandes étaient parfois décalées dans le temps
Cependant ces différences étaient liées à trois causes distinctes :
- les quantités sont parfois diminuées suite à leur non disponibilité
- les quantités sont parfois augmentées car lorsque la commande est préparée, il peut
rester de la place dans le container. Dans ce cas, l’exploitation de la plateforme
contacte directement le client afin de voir quelles sont les marchandises que le
client souhaite avoir en quantités supérieures.
- La remontée des informations n’est pas basée sur la passation de la commande,
mais elle est basée sur le bon de livraison. Ainsi le temps de préparation de la
commande fait parfois passer les quantités d’une semaine à une autre (nous
travaillons nos prévisions à l’échelle hebdomadaire) lorsque la commande est
passée en fin de semaine.

58
 Puis nous avons vérifié que tous les produits qui sont disponibles à la commande
entraînent bien des prévisions de ventes. En effet, le réseau n’était pas systématiquement mis
à jour concernant les créations de nouveaux produits ainsi que les suppressions des anciens
produits. Nous nous sommes donc assurés que le réseau de prévision des Concessionnaires
était bien composé de tous les produits disponibles en magasins.

36. Analyse des comportements des clients

Nous avons ensuite essayé de déterminer le comportement des concessionnaires. Dans

un premier temps, nous avons fait des recherches concernant les habitudes alimentaires des
différentes régions desservies pour les concessionnaires, c’est à dire la Réunion et les Antilles,
afin de déterminer la possibilité d’une surconsommation de produits spécifiques. Nous avons
également cherché si des fêtes locales pouvaient entraîner un pic saisonnier et prédictible de
consommation de produits.
De plus, nous avons mis en évidence le comportement d’un de nos clients à réaliser
des opérations de marges lors des tarifs promotionnels. En effet, le concessionnaire Sémoi,
réalise très régulièrement des commandes importantes pour les produits qui sont en
promotion. Ces commandes représentent parfois des quantités vraiment importantes qui ont
mis à plusieurs occasions dans le passé la plateforme d’Eloyes en difficulté.
Cette étude a permis de dimensionner ce comportement, en volume et en fréquence
pour chacun des concessionnaires :
Volume moyen
Poids du concessionnaire
Fréquence des marges supplémentaire commandé
dans le réseau
lors des prix promo

Sémoi 53% 84% 223% 99%

Sofrigel 39% 30% 45% 5%

Somargel 8% 0% 0% 0%

105%

Suite à cette étude, un volume moyen supplémentaire de 105% est généralement

commandé lors des tarifs promotionnels sur l’ensemble du réseau.
Ainsi cette étude peut nous permettre d’intégrer une variable exogène à nos prévisions de
ventes. Pour chaque tarif promotionnel des magasins, les produits en promotion se verront

59
attribué un volume supplémentaire afin de prévoir au mieux ces commandes
« supplémentaires ».
De plus, la mise en place de cette variable exogène permettra de diminuer le fond de
rayon calculé automatiquement par Azap et qui est projeté dans le futur. En effet, l’historique
des ventes est automatiquement corrigé par le logiciel lorsqu’une variable exogène est
présente. Ainsi, jusqu’à présent comme aucune variable exogène n’était intégrée dans nos
prévisions, les pics de commandes était simplement considérés comme des pics saisonniers et
donc non corrigés à la baisse. Le fond de rayon qui est aujourd’hui calculé est donc
légèrement supérieur au fond de rayon réel.

37. Modification du mode de prévision

Les séries chronologiques de ventes du réseau Concessionnaires sont bien différentes

des séries de ventes des autres réseaux de distribution. En effet, le réseau n’est composé que
de 3 clients qui passent des commandes contrairement au réseau de magasins qui est composé
de 164 magasins et le réseau Home Service qui est composé de 90 centres de distribution.
On observe alors deux phénomènes caractéristiques du réseau :
- une variance importante due au nombre d’acteurs du réseau limité
- de nombreuses périodes où les historiques des ventes sont nulles du au fait que les
commandes sont espacées dans le temps.
De ce fait, la méthode de prévision des ventes qui est appliquée sur les deux autres
réseaux de ventes n’était pas la plus judicieuse. En effet, la méthode utilisée sur les centres
Magasins et Home Service est une méthode développée par Azap nommée MR qui prend en
compte la saisonnalité et la tendance.
Or dans le cas des concessionnaires, la variance était tellement importante, qu’aucune
saisonnalité ne pouvait être appliquée. En effet, même les saisonnalités des familles de
produits restent erratiques et ne peuvent être appliquées aux prévisions des produits.
De plus, du fait des pics de commandes espacés par des moment sans commande, les
tendances calculées n’étaient pas représentative du véritable comportement des produits. Le
logiciel estimait alors par moment des tendances très fortes (positives ou négatives) et
entraînait alors des besoins en approvisionnements erronés.
Ci dessous un exemple la prévision de ventes d’un produit sur le réseau
Concessionnaires en utilisant la méthode MR ainsi que la méthode Croston (méthode choisie
pour gérer les prévisions de ventes sur le réseau Concessionnaires) :

60
Prévisions de tomates en quartiers en utilisant la méthode MR (tendance à la hausse très forte)
Légende : en bleu : ventes réelles / en jaune : prévisions

Prévisions de tomates en quartiers en utilisant la méthode Croston

Légende : en bleu : ventes réelles / en jaune : prévisions

61
 Nous avons alors préféré appliquer à ce réseau un mode de prévision plus basique,
sans prise en compte de la saisonnalité et de la tendance, qui projette donc un besoin linéaire
moyen des commandes passées l’année précédentes (utilisation d’une moyenne mobile
d’ordre de 52 semaines).
Puis, comme le réseau est voué à s’étendre et donc les volumes de ventes à augmenter,
nous avons fait développer par Azap une application qui permettra d’appliquer à l’ensemble
de nos historiques un taux d’activité. Ainsi lors de l’arrivée de nouveaux concessionnaires ou
l’ouverture de nouveaux magasins, nous pourrons relever nos historiques temporairement
pendant un an dans le même ordre que l’augmentation du réseau, afin que les besoins projetés
soient le plus proche possible des commandes qui seront passées.

38. Analyse des prévisions de ventes

La méthode de prévisions Croston ne permet pas de prévoir les pics de commandes,

nous avons donc analysé les prévisions de ventes pour voir si cela n’était pas inconvénient
majeur.
Nous avons donc dans un premier temps séparé l’historique des ventes en deux parties :
- un historique des ventes influencé par la variable exogène « gains de marges »
- un historique des ventes non influencé par la variable exogène « gains de marges »
Puis nous avons comparé les historiques de ventes (de janvier 2010 à avril 2011) à la
prévision calculée par la méthode Croston ou à la prévision majorée par un taux de marges
lors des tarifs promotionnels où il y a l’influence de la variable exogène « gains de marges ».
Nous avons ensuite déterminé les produits qui étaient régulièrement commandés au
dessus de nos prévisions dans des proportions qui peuvent mettre la plateforme d’Eloyes en
difficulté. Pour cela nous avions plusieurs hypothèses :
- la consommation moyenne de la plateforme d’Eloyes représente 60% des
prévisions des magasins et l’intégralité des prévisions des concessionnaires
- le stock moyen présent en plateforme est d’environ 3 semaines
- même pour les plus faibles rotations, les concessionnaires peuvent commander
jusqu’à 20 cartons au dessus des prévisions prévues sans que pour autant la
plateforme d’Eloyes se trouve en difficulté pour approvisionner ses magasins.

62
 Suite à cette étude, l’utilisation d’un taux de marge pour prévoir la variable « gains de
marge » s’est trouvée être très efficace. Nous pensons même appliquer un taux de marge plus
faible que celui préalablement défini de 105%.
Nous avons également établi une autre liste de produits qui auraient pu mettre en
difficulté la plateforme d’Eloyes, en dehors des tarifs promotionnels à plusieurs reprises. Ces
produits sont pour beaucoup des produits particulièrement demandés par les concessionnaires
comparé aux magasins, ou alors des produits festifs des périodes de Noël et Pâques, périodes
à laquelle les concessionnaires nous font parvenir une estimation de leurs besoins avant de
commander afin que la marchandise souhaitée soit disponible sans problème lors du passage
de la commande.

63
 CONCLUSION

Le thème des prévisions des ventes est de plus en plus pris au sérieux par les
entreprises pour pouvoir organiser les différents flux de l’entreprise, qu’ils soient physiques
ou financiers. Cependant il ne faut pas croire que l’achat d’une licence d’un APS est une
solution miracle. Il faut en effet ne pas oublier que sans les bonnes données et les bons
paramètres les capacités d’un tel outil sont réduites à néant.
Dans un premier temps l’intégration de l’outils au système d’informations de
l’entreprise doit être pris extrêmement au sérieux pour que les données de base soient justes et
actualisées quotidiennement. De plus l’entretien de ces informations doit lui aussi ne pas être
négligé. Cela passe par l’intégration des données dans les bases de données, mais surtout par
la vigilance des prévisionnistes.
En effet, le logiciel ne sera jamais capable de remplacer entièrement l’esprit du
prévisionniste, toutes les données de l’environnement ne pouvant être intégrées dans le
système d’informations. Ainsi, par exemple, le logiciel de prévision corrigera des données
qu’il croira aberrantes alors que le prévisionniste pourra interpréter ces données grâce à ses
connaissances (actions réalisées par des concurrents, cannibalisme par d’autres opérations sur
des produits substituables, phénomènes météorologiques…).
Lors du choix d’un logiciel de prévision, il faudra donc être vigilant à ce que l’outils
offre un bon compromis entre une simple boite noire statistique où les prévisionnistes n’ont
pas la main sur les paramètres, et un outil trop complexe où les prévisionnistes doivent être
des experts des différentes méthodes statistiques pour pouvoir prévoir correctement la
demande.

64
 BIBLIOGRAPHIE
Ouvrages :

AFT-IFTIM, La préparation des commandes, Celse, Paris, 1995, 11p.

ARNOUD Philippe, RENAUD Jean, Capacité, Stocks et prévisions Gestion Industrielle,
AFNOR, 2002, 71p.
BOUQUIN Henri, La maîtrise des budgets dans l’entreprise, EDICEF, Paris, 1992
BOURBONNAIS Régis, USUNIER Jean-Claude, Prévisions des Ventes Théorie et Pratique,
Economica, Paris, 2007, 287 p.
BOURBONNAIS Régis, VALLIN Philippe, Comment optimiser les Approvisionnements,
Economica, Paris, 1995, 112 p.
BRESSOUD Etienne, De l’intention d’achat au comportement : essais de modélisation
incluant variables attitudinales, intra-personnelles et situationnelles. Thèse présentée et
soutenue en 2001.
COURTOIS Alain, PILLET Maurice, MARTIN-BONNEFOUS Chantal, Gestion de
production, Editions d’Organisation, Paris, 2006, 454 p.
DE MARICOURT Renaud, La prévision des ventes, Puf, Paris, 1985, 159 p.
JAVEL Georges, Organisation et gestion de la production, Dunod, Paris, 2004, 510 p.
KALIKA Michel, Le mémoire de Master : projet d’étude, rapport de stage, Dunod, Paris,
2008, 205 p.

Revue :
Stratégie Logistique, Hors Série n° 5, Septembre 2007, Dossier : Progiciels de prévision de
la demande.

Sites Internet :

http://www.aiaccess.net/French/Glossaires/GlosMod/f_gm_collin.htm
http://www.jybaudot.fr/
http://lesclesdelabanque.com
http://www.entreprisecreation.com/menu_gauche/boites_a_outils/modeles_d_etats_previsionn
els
http://www.peoi.org/Courses/Coursesfr/finanal/ch/ch5f1.html

65