La présentation est en train de télécharger. S'il vous plaît, attendez

La présentation est en train de télécharger. S'il vous plaît, attendez

Prévision Plan du cours Vollmann, chap. 16 Introduction Calcul des erreurs (MFE, MAD, MSE, MAPE) Techniques de prévision qualitatives –études de marché

Présentations similaires


Présentation au sujet: "Prévision Plan du cours Vollmann, chap. 16 Introduction Calcul des erreurs (MFE, MAD, MSE, MAPE) Techniques de prévision qualitatives –études de marché"— Transcription de la présentation:

1 Prévision Plan du cours Vollmann, chap. 16 Introduction Calcul des erreurs (MFE, MAD, MSE, MAPE) Techniques de prévision qualitatives –études de marché –prévisions visionnaires –méthode Delphi Techniques de prévision quantitavites –moyenne statique, moyenne mobile –lissage exponentiel simple, double –lissage exponentiel avec évolution tendancielle et saisonnalité –régression

2 Introduction Prévision : Approche rationnelle qui vise à déterminer un événement futur à partir du regroupement de données portant sur les variables pouvant influencer cet événement, de lanalyse de ces données et de lévaluation de leffet des tendances dégagées sur lévolution de la variable à prédire. La prévision transforme les informations passées en estimations pour le futur. Hypothèse : Le comportement passé des donnés se reflétera dans le futur.

3 Quoi prévoir? : –la demande des produits finaux (end-items), –la demande indépendante... Les prévisions doivent être réalistes, il ny a aucun gain à être optimiste ni pessimiste. En ce sens, les prévisions ou objectifs stratégiques peuvent être différents des prévisions opérationnelles qui servent à la planification de la production.

4 Utilité des prévisions Planification de la production (réalisation des plans directeurs de production). La prévision fournie des données importantes au système de PCP. Planification de la capacité (nouveaux équipement, nouvelles usines, main dœuvre, gestion des entrepôts…) Le système de décision doit être peu complexe tout en étant adapté à la situation (nouvelle usine ou gestion quotidienne de milliers ditems).

5 Composantes de la demande 1. Tendance à long terme 2. Saisonnalité 3. Cycle à long terme

6 Composantes de la demande 4. Variations aléatoires Il est toujours bon de commencer par visualiser les données pour en déceler les composantes. 5. Demande totale

7 Calcul des erreurs Erreur moyenne (Mean Forecast Error - MFE): Mesure le biais des prévisions. Les erreur tendent à sannuler. Bonne indication de «vers où vont les stocks». Va probablement sous estimer les erreurs... Erreur moyenne absolue (Mean Absolute Deviation - MAD): Meilleure idée du niveau derreur réel. Lorsque les erreurs sont distribuées normalement, lécart-type de lerreur de prévision = 1,25MAD. Donne une indication du niveau de stock de sécurité.

8 Calcul des erreurs Erreur moyenne 2 (Mean Square Error - MSE) Pénalise les erreurs importantes qui déstabilisent le système. Pourcentage derreur absolu (Mean Absolute Percentage Error - MAPE) Illustre le pourcentage derreurs Excel...

9 Techniques qualitatives de prévision Par les représentant des ventes –intéressant pour de nouveaux produits –risque de sur estimation par les représentants Jury dexperts –regroupe les dirigeants de lentreprise dans divers domaines –vision élargie du processus –difficile de décentraliser les prévisions Groupes de clients –donne la possibilité dapprendre du client, forces et faiblesses Méthode Delphi –On cherche un consensus dans un groupe dexpert

10 Techniques quantitatives de prévision Moyenne statique: P t : Prévision à la fin de la période t D i : Demande observée de la période i Nous sommes à la fin de la période t et la prévision est pour t+1 Exemple Excel Moyenne mobile: n : nombre de périodes considéré pour la moyenne mobile Les données récentes sont plus importantes.

11 Modèle 1 : Lissage exponentiel simple Le lissage permet de tenir compte de lensemble de lhistorique des données tout en donnant un poids plus important aux données récentes (contrairement à un poids égal pour la moyenne mobile). Chaque prévision est basée sur une moyenne qui est corrigée à laide des erreurs passées. –Prévision : 90, Demande : 100, Erreur 10. Prochaine prévision sera 90+«Une proportion de 10». La constante de lissage ( ) contrôle la proportion de lerreur qui sera incorporée dans la prochaine prévision.

12 Lissage exponentiel simple HYPOTHÈSES –La demande est relativement constante dans le temps –Il y a des variations aléatoires autour de la moyenne

13 Lissage exponentiel simple P t = P t-1 + (D t - P t-1 ) ou encore P t = (1- )P t-1 + D t est la constante de lissage. Plus est élevé, plus la valeur de la demande récente est importante dans le modèle. Le modèle réagi plus rapidement aux variations. Il est par contre plus sensible aux variations aléatoires. Exemple Excel

14 Modèle 2 : Lissage exponentiel double (avec tendance) Permet de traiter le cas où une tendance est présente dans la demande. La tendance est un changement structurel de la demande, de périodes en périodes. Le lissage exponentiel permet de lisser les fluctuations et de créer une tendance. On va décomposer la demande en deux facteur, la base et la tendance.

15 Lissage exponentiel double Évaluation de la base B t = D t + (1- )(B t-1 +TD t-1 ) où B t est lestimation de la base à la fin de la période t et TD t est la tendance estimée à la période t La différence entre deux Bases est un estimé de la tendance. Évaluation de la tendance TD t = (B t - B t-1 ) + (1- )TD t-1

16 Lissage exponentiel double La prévision est donc: P t+1 = B t + TD t Prévision à long terme (pour x périodes davance): P t+x = B t + xTD t Exemple Excel

17 Modèle 3 : Lissage exponentiel avec saisonnalité Pour plusieurs produits, la demande possède une composante de saisonnalité. Index de saisonnalité : Index qui qualifie le comportement de la demande à une période donnée par rapport à la moyenne annuelle. Il est important de bien définir la saisonnalité (semaine, mois, trimestre, …).

18 Évaluation de la base avec saisonnalité B t = (D t / I s ) + (1- )(B t-1 ) où I s est lindice de saisonnalité de la saison s. La base est ainsi «désaisonnalisé». La différence entre deux Bases est un estimé de la tendance. Évaluation de la saisonnalité I s = (D t / B t ) + (1- )I s I s est le nouvel indice de saisonnalité, calculé un cycle complet après I s.

19 Lissage exponentiel avec saisonnalité La prévision est donc: P t(s) = B t I s Il suffit de multiplier la base par lindex de saisonnalité de la période pour laquelle on veut la prévision. Exemple Excel

20 Modèle 4 : Lissage exponentiel avec tendance et saisonnalité Incorporation de la tendance et de la saisonnalité dans la prévision. Base B t = (D t / I s ) + (1- )(B t-1 + TD t-1 ) où I s est lindice de saisonnalité de la saison s. TD t est la tendance estimée à la période t

21 Lissage exponentiel avec tendance et saisonnalité Saisonnalité I s = (D t / B t ) + (1- )I s I s est le nouvel indice de saisonnalité, calculé un cycle complet après I s. Tendance TD t = (B t - B t-1 ) + (1- )TD t-1

22 Lissage exponentiel avec tendance et saisonnalité La prévision est donc: P t+1 = (B t + TD t ) I s B t : Valeur de base la plus récente I s : Lindex de saisonnalité pour la période associée à la prévision À long terme (x périodes plus loin), la prévision est: P t+x = (B t + xTD t ) I s(x)

23 Suivi des prévisions Le biais lissé : SB t = (D t - P t ) + (1- )(SM t-1 ) Le MAD lissé : SMAD t = |(D t - P t )| + (1- )(SMAD t-1 ) Signal de suivi = SS t = SB t / SMAD t

24 Modèles de prévision Les prévisions dépendent de la qualité des données sur la demande (garbage in, garbage out). La demande doit être validée soigneusement. Valeur extrêmes : Les valeurs extrêmes de demande peuvent être rejetées afin de ne pas influencer le modèle indûment. Par exemple, un écart de plus de 2MAD a une occurrence statistique de 0,001. Plus le modèle de lissage est complexe, plus il est sensible aux aux données (quantité et estimations de base) Il peut être intéressant dutiliser une partie des données pour initialiser le modèle (tendance et indices de saisonnalité) et de tester le modèle sur les données restantes.

25 Autres méthodes Toute méthode basée sur la régression linéaire simple ou multiple Toute autre méthode jugés valable basée sur le jugement du gestionnaire et qui utilise les données passées de la demande: –groupes de discussion –répétition de la demande actuelle –demande actuelle multiplié par le taux de croissance de lentreprise –une combinaison des dernières demandes et de celle de la saison précédente

26 Mais... Une prévision demeure une prévision. Le meilleur modèle ne peut tenir compte du contexte dans lequel évolue lentreprise: –compétition, arrivée de nouveaux compétiteurs, –campagnes de promotion, –changements dans les gammes de produits –tendances économiques –modification de la force de vente

27 Exercices - Prévision Vollmann, p , #1 Vollmann, p , #8 Vollmann, p. 686, #12 Vollmann, p. 687, #15 (à faire avec Excel)

28 Prévision Vollmann, Berry et Whybark, Manufacturing planning and control systems. Irwin/McGraw-Hill, 4 ième édition, Nollet, Kélada et Diorio, La gestion des opérations et de la production. Une approche systémique. Gaëtan Morin, 2 ième édition, 1994 Dilworth, Production and operations management. Manufacturing and services. McGraw-Hill, 4 ième édition, Giard, Gestion de la production. Economica, 1988


Télécharger ppt "Prévision Plan du cours Vollmann, chap. 16 Introduction Calcul des erreurs (MFE, MAD, MSE, MAPE) Techniques de prévision qualitatives –études de marché"

Présentations similaires


Annonces Google