Principe
On prévoit la demande, pas les livraisons. Il faut reconstituer la demande non contrainte (commandes, pas expéditions), corriger les ruptures (demande perdue), les valeurs aberrantes (grosse commande exceptionnelle) et isoler les promotions. Un historique sale produit une prévision fausse quel que soit le modèle.
Comprendre pas à pas
1. La situation
Les ventes mensuelles d'un article tournent autour de 410. Mais l'historique contient un mois à 2 100 (commande exceptionnelle d'un client pour un chantier) et un mois à 120 (rupture de stock de 3 semaines). La prévision calculée sur cet historique est fausse. Question : comment obtenir un historique fiable ?
2. Les données de l'exemple
| Mois | M1 | M2 | M3 | M4 | M5 | M6 | M7 | M8 | M9 | M10 | M11 | M12 | M13 | M14 | M15 | M16 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Ventes facturées | 410 | 395 | 430 | 2100 | 405 | 420 | 398 | 120 | 415 | 425 | 408 | 432 | 418 | 402 | 440 | 412 |
3. L'idée
On prévoit la demande future, pas les livraisons passées. Il faut donc corriger l'historique de ce qui ne se reproduira pas (commandes exceptionnelles) et de ce qui a empêché de servir la demande (ruptures).
Commandes plutôt que factures
Utilisez la date et la quantité demandées par le client : les factures intègrent les ruptures et les retards.
Valeurs aberrantes
Une valeur très éloignée de l'habitude (plus de 3 écarts-types « robustes », calculés sans les valeurs extrêmes) est vérifiée avec le commerce avant correction.
Ruptures
On estime ce qu'on aurait vendu (demande perdue) au lieu de garder la vente réduite.
Traçabilité
Chaque correction est notée dans un journal, pour pouvoir l'expliquer.
4. Le déroulé sur l'exemple
Effet sur la moyenne. Moyenne brute = 502 : gonflée de plus de 20 % par la commande exceptionnelle.
Mois 4 (2 100). Le commerce confirme une commande unique pour un chantier : on la retire de la base et on la remplace par la valeur habituelle (418). Elle sera gérée à part si un projet similaire est annoncé.
Mois 8 (120). Rupture de 3 semaines confirmée : la demande réelle était d'environ 410 (on le voit dans les commandes en attente). On corrige.
Résultat. Moyenne nettoyée = 415. La prévision et le stock de sécurité, calculés sur cette base, sont justes.
5. Régler le seuil de détection
Seuil bas (1,5 écart-type)
On corrige trop de mois, y compris des variations normales : on efface l'information.
Seuil élevé (6 écarts-types et plus)
On ne corrige que les cas flagrants : sûr, mais des anomalies modérées passent.
Seuil usuel (3 écarts-types)
Bon compromis : sur l'exemple, il isole exactement le chantier et la rupture.
Toujours vérifier
Un outil signale, un humain décide avec le commerce.
6. À vous de jouer : réglez le seuil
Le seuil est exprimé en nombre d'écarts-types autour de la valeur habituelle (médiane). Les points entourés sont corrigés.
7. Ce qu'il faut retenir
- On prévoit la demande, pas les livraisons : partez des commandes clients.
- Corrigez les commandes exceptionnelles et les ruptures, après vérification.
- Tracez chaque correction dans un journal.
Mise en œuvre
- Acteurs
- Prévisionniste, commerce
- Durée
- Initial : quelques jours ; ensuite chaque mois
- Livrables
- Historique de demande non contrainte, journal des corrections
- Partir des commandesUtilisez la date et la quantité demandées par le client, pas les livraisons (qui intègrent les ruptures).
- Détecter les valeurs aberrantesÉcart de plus de 2 à 3 écarts-types, grosses commandes ponctuelles : vérifiez chaque cas avec le commerce.
- Corriger les rupturesEstimez la demande perdue pendant les ruptures.
- Isoler les événementsPromotions, lancements, commandes projet marqués à part pour ne pas polluer la base.
- Tracer les correctionsJournal des corrections pour pouvoir les expliquer et les revoir.
Exemple d'application
Une commande ponctuelle de 5 000 unités d'un client pour un projet gonflait toutes les prévisions de 40 %. Elle est isolée en « demande exceptionnelle » et la prévision revient à la normale.
Points de vigilance
- Prévoir sur les ventes facturées pendant une période de ruptures