Anticiper la demande est l’un des principaux enjeux de la Supply Chain. Une prévision peu fiable peut rapidement entraîner des ruptures de stock, des surstocks, des difficultés d’approvisionnement ou encore une mauvaise utilisation des capacités de production.
Pour autant, prévoir ne signifie pas chercher à connaître exactement les ventes futures. Une prévision comporte nécessairement une part d’incertitude.
L’enjeu consiste plutôt à mettre en place un processus permettant de réduire cette incertitude, mesurer les écarts et améliorer progressivement la qualité des prévisions.
Alors, comment fiabiliser ses prévisions de la demande ?
La qualité d’une prévision dépend avant tout de la qualité des données utilisées pour la construire.
Les historiques de ventes constituent généralement le premier point de départ. Mais avant de les exploiter, il est indispensable de vérifier leur fiabilité.
Certaines données peuvent en effet fausser l’analyse :
- ✕ ruptures de stock,
✕ ventes exceptionnelles,
✕ promotions,
✕ erreurs de saisie ou événements ponctuels.
Par exemple, une période présentant de faibles ventes en raison d’une rupture de stock ne traduit pas nécessairement une baisse de la demande. Utiliser directement cette donnée dans le calcul risque donc de sous-estimer les besoins futurs.
➜La première étape consiste ainsi à nettoyer, analyser et comprendre les données historiques avant de construire la prévision.
Toutes les références ne présentent pas le même comportement.
La demande peut être :
➜stable, avec des volumes relativement réguliers
➜saisonnière, avec des variations qui se répètent selon certaines périodes
➜erratique, avec des consommations irrégulières et difficiles à anticiper
➜promotionnelle, lorsqu’elle est fortement influencée par les opérations commerciales.
Identifier ces différents profils permet d’éviter d’appliquer une méthode unique à l’ensemble des références.
Une segmentation des produits peut également permettre de concentrer les efforts de prévision sur les références ayant le plus d’impact sur l’activité.
➜La bonne méthode de prévision dépend donc d’abord du comportement de la demande.
Une fois les données fiabilisées et le comportement de la demande identifié, il devient possible de sélectionner une méthode de prévision adaptée.
Plusieurs méthodes peuvent être utilisées selon le contexte :
- ✓ moyenne mobile
✓ moyenne mobile pondérée
✓ lissage exponentiel
✓prise en compte d’une tendance
✓prise en compte de la saisonnalité.
Il n’existe pas une méthode universellement meilleure que les autres.
Une demande relativement stable pourra être traitée avec une méthode simple, tandis qu’une activité présentant une forte tendance ou une saisonnalité nécessitera une méthode capable d’intégrer ces caractéristiques.
➜ L’objectif est donc de tester les méthodes, comparer leurs résultats et retenir celle qui correspond le mieux au profil de demande étudié.
Une prévision ne peut être améliorée que si son niveau de fiabilité est mesuré.
Il est donc essentiel de comparer régulièrement la prévision avec la demande réellement constatée.
Plusieurs indicateurs peuvent être utilisés pour mesurer les écarts, notamment :
➜le biais, qui permet d’identifier une tendance à surestimer ou sous-estimer systématiquement la demande
➜le MAD (Mean Absolute Deviation), qui mesure l’écart absolu moyen entre les prévisions et les réalisations
➜le MAPE (Mean Absolute Percentage Error), qui exprime l’erreur moyenne en pourcentage
➜la Forecast Accuracy, qui permet de traduire la performance globale de la prévision.
Ces KPI ne doivent pas simplement être calculés pour alimenter un tableau de bord.
➜Ils doivent permettre de comprendre où et pourquoi les prévisions s’écartent de la réalité.
Une erreur ponctuelle n’a pas la même signification qu’une sous-estimation systématique de la demande.
Mesurer l’erreur n’est que la première étape.
Il faut ensuite comprendre son origine.
Un écart important entre prévision et ventes réelles peut provenir de nombreux facteurs :
- ✕ une promotion non anticipée,
✕ une rupture,
✕ une évolution du marché,
✕ un changement de comportement client,
✕ un événement exceptionnel
✕ ou encore une hypothèse commerciale trop optimiste.
L’analyse régulière des écarts permet alors d’identifier les causes récurrentes et d’améliorer progressivement le modèle.
➜La prévision devient ainsi un véritable processus d’amélioration continue :
Prévoir → mesurer → analyser → corriger → prévoir à nouveau.
Les données historiques sont essentielles, mais elles ne permettent pas toujours d’anticiper les changements à venir.
Les équipes commerciales peuvent avoir connaissance d’une évolution importante chez un client.
➜Le marketing peut préparer une campagne ou une promotion.
➜Les achats peuvent identifier une contrainte fournisseur.
➜La Supply Chain peut détecter une évolution inhabituelle de la consommation.
Ces informations doivent venir compléter la prévision statistique.
➜L’objectif est de combiner la donnée quantitative et la connaissance terrain pour obtenir une vision plus réaliste de la demande future.
Fiabiliser les prévisions n’est donc pas uniquement la responsabilité du Demand Planner ou de la Supply Chain.
La qualité de la prévision dépend également de la capacité des différents services à partager leurs informations.
Commerce, Marketing, Supply Chain, Production et Finance doivent pouvoir confronter leurs données et leurs hypothèses.
Cette collaboration peut être structurée à travers des revues régulières de la demande et s’intégrer dans un processus S&OP (Sales & Operations Planning).
➜L’objectif est de construire progressivement une vision partagée de la demande, utilisée ensuite pour piloter les approvisionnements, les stocks et la production.
Une prévision fiable est avant tout une prévision pilotée
Chercher à obtenir une prévision exacte à 100 % n’est pas réaliste.
L’objectif est plutôt de disposer d’une prévision suffisamment fiable pour permettre à l’entreprise de prendre de meilleures décisions.
Cela nécessite de :
- partir de données fiables
- comprendre le comportement de la demande
- utiliser une méthode adaptée
- mesurer régulièrement les erreurs
- analyser les écarts
- intégrer les informations métier
- faire collaborer les différentes fonctions de l’entreprise.
La fiabilité des prévisions repose donc moins sur la recherche de « la formule parfaite » que sur la mise en place d’un processus structuré, mesuré et régulièrement amélioré.
Une prévision devient réellement utile lorsqu’elle permet d’anticiper les besoins et d’alimenter efficacement les décisions de stock, d’approvisionnement, de production et de planification.
OGIP Organisation vous accompagne dans votre démarche
OGIP Organisation propose une formation « Prévisions de la demande et Demand Planning » permettant d’apprendre à construire des prévisions, sélectionner les méthodes adaptées, mesurer leur fiabilité à l’aide de KPI et intégrer les prévisions dans les processus Supply Chain et S&OP.
La formation aborde notamment les différentes typologies de demande, les méthodes de prévision, le biais, la Forecast Accuracy, le MAPE, le MAD ainsi que la prévision collaborative.
