ELECTE 4.5 est en ligne — équipes, plans et le nouveau look.Découvrir les nouveautés
IA & prévisions9 min de lecture

Méthodes de prévision des stocks : 5 façons d'anticiper la demande

Découvrez 5 méthodes éprouvées de prévision des stocks, leur fonctionnement et les cas où les utiliser. Comparez les approches et choisissez celle qui convient à votre entreprise.

Inventory Forecasting Methods: 5 Ways to Predict Demand

Résumer cet article avec l'IA

Commandez trop et vous brûlez de la trésorerie. Commandez trop peu et vous perdez la vente au profit de celui qui a du stock en rayon. Toute entreprise qui gère des stocks vit entre ces deux écueils, et tout se joue sur une décision : quelle méthode de prévision des stocks se cache derrière vos bons de commande.

Demandez à une salle de responsables quelle méthode ils utilisent, et vous obtiendrez des noms de produits. Un tableur. Un module d'ERP. Un complément acheté par quelqu'un de la finance. Personne ne cite le calcul. C'est cet écart qu'il faut combler. Un outil de prévision n'est que le vecteur d'une méthode, et c'est la méthode qui décide si votre stock de sécurité est dimensionné pour la réalité ou pour des vœux pieux.

Voici cinq méthodes de prévision des stocks, présentées comme une échelle de décision plutôt que comme des camps rivaux. Chacune sert de référence que la suivante doit battre. Pour chacune, vous saurez ce qu'elle exige, où elle atteint ses limites et dans quelles conditions précises elle mérite sa place.

1. Prévision par moyenne mobile

La moyenne mobile est un point de départ courant, et elle le mérite. Vous choisissez une fenêtre (3, 6 ou 12 périodes), vous calculez la moyenne de la demande réelle sur cette fenêtre et vous l'utilisez comme prévision de la période suivante. Quand une nouvelle période se clôture, la fenêtre avance et le chiffre se met à jour tout seul.

Une étude sur la supply chain de l'Université de l'Arkansas décrit la prévision par séries temporelles comme la base de la plupart des systèmes de réapprovisionnement, avec pour objectif d'identifier la tendance et la saisonnalité sous le bruit des ventes. La moyenne mobile remplit la version la plus simple de cette tâche : elle élimine les pics ponctuels sans nécessiter de modèle.

Fenêtres simples ou pondérées

Les moyennes mobiles simples donnent le même poids à chaque période. Les moyennes mobiles pondérées donnent plus d'influence aux périodes récentes, ce qui compte quand la demande monte ou descend par paliers au lieu de rester stable. Choisissez la version pondérée quand le mois dernier en dit plus sur le mois prochain que le trimestre dernier.

Prenons une papeterie en ligne qui fait la moyenne de ses trois derniers mois de ventes de carnets pour fixer les points de commande d'une gamme stable, tandis qu'une boulangerie calcule chaque lundi la moyenne de quatre semaines de ventes de pain pour dimensionner sa commande de farine. Même méthode, fenêtres différentes, et dans les deux cas facile à expliquer à un acheteur.

Testez trois longueurs de fenêtre sur vos douze derniers mois de données avant d'en retenir une. La fenêtre gagnante est généralement plus courte que ne le suggère l'intuition.

  • Comparez à la prévision naïve : si les ventes de la dernière période prédisent aussi bien que votre moyenne, celle-ci ne justifie pas sa complexité.
  • Associez-la à un stock de sécurité : le lissage retire le pic de la prévision, pas de la demande.
  • Séparez les familles de produits : un carnet et un agenda saisonnier ne doivent pas partager la même fenêtre.

Utilisez-la quand vos articles se vendent de façon régulière, que vous disposez d'au moins six périodes d'historique propres et que vous avez besoin d'une référence que n'importe quelle partie prenante peut suivre. C'est aussi le chiffre que toute méthode ultérieure doit battre. Un pilote de 30 jours sur les stocks pour les détaillants montre à quelle vitesse une telle référence révèle les références produit qui exigent mieux qu'une moyenne.

2. Lissage exponentiel (méthode de Holt-Winters)

Le lissage exponentiel garde l'habitude de la moyenne mais cesse de traiter de la même façon les données anciennes et récentes. Chaque observation pèse exponentiellement moins à mesure qu'elle vieillit, de sorte que la prévision s'oriente vers ce qui se passe maintenant sans réagir de façon excessive à une semaine atypique.

Holt-Winters ajoute deux composantes : un terme de tendance et un terme saisonnier, appliqués de façon additive ou multiplicative selon que les variations saisonnières grandissent ou non avec le volume. C'est pourquoi les catalogues de détail saisonniers passent l'essentiel de leur vie ici.

Pourquoi l'enjeu de précision est plus élevé

Pondérer les données récentes apporte de la réactivité, et la réactivité a un prix. Une étude de la recherche sur le commerce de gros et la gestion des stocks rapporte un constat de Syntetos et de ses collègues selon lequel une baisse de 1 % de la précision des prévisions pourrait correspondre à une hausse de 10 à 15 % des coûts de stock à niveau de service comparable. Des paramètres trop lents vous laissent en surstock lors d'un changement de demande ; trop rapides, ils vous font courir après le bruit jusqu'à l'effet coup de fouet.

A comparison chart showing Simple Exponential Smoothing versus Holt-Winters Method for inventory demand forecasting.

Trois habitudes gardent le modèle honnête :

  • Deux ans minimum : fournissez-lui au moins deux cycles saisonniers complets, sinon la composante saisonnière devine.
  • Vérifiez le résultat de l'optimiseur : laissez le logiciel calculer les constantes de lissage, puis confirmez que la forme saisonnière correspond à l'année que vous avez vécue.
  • Signalez les promotions comme des événements : une campagne de trois semaines fausse la référence pendant des mois si vous la laissez entrer dans l'historique.

Utilisez-le quand la demande suit une forme saisonnière répétitive et que vous pouvez fournir deux cycles propres. Pour voir comment les modèles de lissage sont exécutés et comparés en pratique, lisez prévoir les taux de défaut avec des modèles de lissage.

3. Modèles de séries temporelles ARIMA et SARIMA

A modern cube box with a golden crescent design placed on a shelf with digital analytics charts.

Le lissage traite l'historique comme une moyenne pondérée. ARIMA pose une question plus exigeante aux mêmes données : la demande d'aujourd'hui dépend-elle de celle d'hier, de la même semaine l'an dernier et des erreurs commises auparavant par le modèle ? L'étape d'intégration différencie la série jusqu'à ce que la tendance se stabilise, et SARIMA ajoute des termes saisonniers pour les cycles hebdomadaires et annuels. Là où Holt-Winters vous donne une courbe plus lisse, ARIMA vous donne un modèle du processus de demande lui-même.

L'intervalle autour de la prévision est le résultat qui rapporte.

Les fourchettes valent mieux qu'un chiffre unique

Une étude sur l'optimisation du réapprovisionnement modélise la demande par référence (SKU), les délais de retour et les délais de réapprovisionnement comme des variables aléatoires, s'appuie sur des prévisions par quantiles plutôt que sur une estimation unique, et propose un ratio d'incertitude des prévisions (Ratio of Forecast Uncertainty) pour suivre la propagation de l'incertitude d'une étape de la chaîne logistique à l'autre. Cette distinction compte au moment de passer commande. Une prévision de 1 000 unités ne signifie pas la même chose lorsque la fourchette plausible va de 850 à 1 150 et lorsqu'elle va de 500 à 1 700.

Deux acheteurs peuvent lire la même prévision et prendre des décisions opposées. Une chaîne de supermarchés régionale modélise la demande hebdomadaire de produits laitiers avec une saisonnalité hebdomadaire et annuelle, afin que la montée en charge des fêtes apparaisse dans la commande, et non après. Un distributeur de composants électroniques fixe son stock de sécurité au 90e percentile de l'intervalle, dimensionné selon un objectif de service plutôt que selon une couverture forfaitaire de deux semaines. Même mécanique, question de politique différente.

Pour bien l'appliquer, il faut de la rigueur :

  • Testez la stationnarité avec un graphique et un test formel, puis ne différenciez que le nécessaire. Une sur-différenciation injecte du bruit que le modèle doit ensuite expliquer.
  • Mettez de côté les trois derniers mois et évaluez le modèle dessus avant de lui faire confiance.
  • Traduisez les intervalles en politique de stock : choisissez le percentile que justifient votre marge, votre trésorerie et votre engagement de service.
  • Automatisez la sélection du modèle pour les grands catalogues. Le réglage manuel des commandes ne tient pas à 400 références.

Le revers, c'est l'effort. ARIMA exige des données stationnaires, un choix soigné des ordres et un historique suffisant pour estimer ses termes saisonniers, et il ne lit toujours que le passé propre de la série. C'est donc la barre que les méthodes causales doivent franchir : un facteur comme le prix ou une promotion ne mérite sa place dans le modèle que s'il prévoit mieux que l'historique de la demande seul.

À privilégier lorsque votre série présente une autocorrélation que le lissage ne capte pas et que vous avez besoin d'une fourchette fiable pour dimensionner le stock de sécurité par rapport à un objectif de niveau de service.

4. Prévision causale par régression

Toutes les méthodes vues jusqu'ici déduisent la demande de son propre historique. La régression causale pose une autre question : qu'est-ce qui fait bouger la demande, et dans quelle mesure ? Vous lui fournissez les facteurs que votre équipe suit déjà, comme le prix, l'ampleur des remises, les promotions, les jours fériés, la météo et l'activité des concurrents, et elle estime l'effet de chacun.

Le résultat est un coefficient que l'on peut discuter, et c'est tout l'intérêt. Une remise ne se contente pas de relever la prévision : elle la relève d'un montant précis, et c'est ce montant dont votre bon de commande a besoin.

Intégrez le calendrier promotionnel au modèle

Prenons un distributeur d'articles pour la maison qui veut savoir comment une remise de 20 % accompagnée d'une campagne d'e-mails le week-end fera évoluer les ventes d'électroménager de cuisine. La régression estime l'effet combiné, de sorte que l'acheteur commande en fonction d'un événement planifié plutôt que de la moyenne mensuelle de l'an dernier. Un distributeur de boissons qui intègre la température prévue peut constituer son stock avant une vague de chaleur au lieu de la subir.

Règle pratique : testez un seul facteur à la fois sur une période de validation. Un facteur qui n'améliore pas la précision sur des données que le modèle n'a pas vues relève du récit, pas du signal.

A modern athletic shoe displayed on a pedestal with glowing neon icons representing price, schedule, and environment.

  • Commencez par ce que vous enregistrez : indicateurs de promotion, changements de prix et calendriers des jours fériés. Beaucoup d'équipes disposent de plus de facteurs exploitables qu'elles ne le pensent.
  • Actualisez les coefficients : la réaction des clients évolue après une modification de prix ou l'arrivée d'un nouvel acteur, et des coefficients périmés peuvent conduire au surstock.
  • Distinguez le prévu de l'imprévu : les campagnes entrent comme variables d'entrée ; une publication virale ou une reprise après rupture entre comme indicateur d'événement.

À privilégier lorsque les promotions et les prix pèsent lourd dans vos volumes, et lorsque vous devez dimensionner le stock d'une campagne avant son lancement plutôt qu'après.

5. Prévision de la demande par apprentissage automatique

L'apprentissage automatique change l'unité de modélisation. Au lieu d'ajuster un modèle par produit, vous entraînez un seul modèle sur des milliers de combinaisons référence-magasin et vous le laissez apprendre les schémas communs : quels articles réagissent à la météo, lesquels aux cycles de paie, lesquels à une promotion survenue deux semaines plus tôt.

Le gradient boosting fonctionne bien sur des données de ventes tabulaires. Les réseaux de neurones se justifient lorsque le catalogue est immense et que les signaux interagissent de façons impossibles à spécifier à la main.

Là où l'argument de la précision se complique

Une étude portant sur 7 500 séries de demande et 13 méthodes de prévision a montré que la valeur de la précision des prévisions dépend des caractéristiques des produits, de la politique de stock, des coûts de détention, des coûts de vente perdue, des intervalles de révision et des délais d'approvisionnement. Ce même travail relève que les PME pharmaceutiques recourent souvent à des prévisions fondées sur le jugement, même avec des commandes intermittentes importantes, en invoquant des historiques inexacts, un personnel spécialisé limité et une faible adoption des technologies comme freins.

La conclusion est inconfortable pour qui court après un classement. Un modèle qui l'emporte sur les mesures d'erreur peut perdre sur le coût lorsque les coûts de détention sont faibles et que les ruptures coûtent cher. Et une méthode qui paraît solide sur des articles à demande intermittente peut n'obtenir de bons scores que parce que la plupart des périodes affichent une demande nulle.

  • Battez la référence : une moyenne mobile ou Holt-Winters sert de témoin. Si l'apprentissage automatique ne fait pas mieux sur les données de validation, ne le déployez pas.
  • Validez par le temps, pas au hasard : entraînez sur les périodes anciennes, testez sur les plus récentes.
  • Évaluez par segment : l'erreur sur vos 50 premières références compte davantage que celle sur la longue traîne.
  • Traitez l'intermittence à part : les articles à forte proportion de zéros demandent leurs propres règles d'évaluation.

A professional woman in a modern warehouse using a digital tablet for inventory management and logistics analysis.

ELECTE, plateforme d'analyse de données pilotée par l'IA pour les PME, exécute six méthodes de prévision sur vos données, les compare entre elles et retient la plus précise, ce qui remplace la comparaison manuelle. Pour les catalogues très promotionnels, voir comment tenir compte des pics de demande des ventes flash.

À privilégier lorsque vous disposez d'un historique dense et détaillé sur de nombreux produits, et de preuves qu'il bat votre référence sur le coût et le service, pas seulement sur le papier.

Les 5 méthodes de prévision des stocks en un coup d'œil

Méthode

Idéale pour

Données nécessaires

Gère la saisonnalité

Difficulté

Prévision par moyenne mobile

Demande stable et références simples

Petit historique de ventes récentes

Non

Facile

Lissage exponentiel (méthode de Holt-Winters)

Demande avec tendances et schémas saisonniers

Données de ventes sur au moins deux cycles saisonniers

Oui

Modérée

Modèles de séries temporelles ARIMA et SARIMA

Demande autocorrélée avec des schémas temporels

Longue série historique propre

Oui, avec SARIMA

Avancée

Prévision par régression causale

Prévoir l'effet des promotions, des prix et d'autres facteurs

Historique de ventes et données fiables sur les facteurs

Possible, avec des variables saisonnières

Modérée

Prévision de la demande par machine learning

Grands catalogues avec des facteurs de demande complexes

Historique de ventes volumineux et propre, et données d'entrée pertinentes

Oui, avec des variables de calendrier ou de saisonnalité

Avancée

Points clés : choisissez la méthode que vos données peuvent soutenir

Considérez chaque échelon comme la référence que le suivant doit battre. Une moyenne mobile est peu coûteuse et transparente : elle fixe le chiffre que chaque modèle suivant doit améliorer. Ajoutez Holt-Winters quand la même forme saisonnière revient ; utilisez ARIMA ou SARIMA quand vous avez besoin d'un intervalle défendable pour vos niveaux de service ; passez à la régression causale quand les promotions et les variations de prix font bouger les volumes ; ne faites appel au machine learning qu'après qu'il a gagné sur un jeu de test.

Appliquez cette échelle de la même façon à chaque cycle :

  • Auditez l'historique de ventes : comptez les périodes propres et les références avec de longues séries de zéros.
  • Choisissez la méthode la plus simple qui correspond au profil de la demande.
  • Validez sur les trois derniers mois, sans découpage aléatoire.
  • Automatisez la comparaison pour que la meilleure référence change au gré de l'évolution des conditions.

ELECTE connecte vos sources comptables, bancaires et vos feuilles de calcul, les maintient à jour, exécute six méthodes de prévision sur les chiffres en temps réel, les compare entre elles et sélectionne la plus précise. Vous obtenez des prévisions de demande, de trésorerie et de paie, avec des tableaux de bord que vous pouvez exporter ou partager en un clic. Rendez-vous sur ELECTE pour voir en quelques minutes la prévision de votre propre historique de ventes.

Commentaires

Aucun commentaire pour l'instant — lancez la conversation.