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

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

Les prévisions et la gestion de la demande Séance 11a Les techniques de lissage © 2004, Robert Landry & Bianca Cloutier – HEC Montréal BAA 2-115-97.

Présentations similaires


Présentation au sujet: "Les prévisions et la gestion de la demande Séance 11a Les techniques de lissage © 2004, Robert Landry & Bianca Cloutier – HEC Montréal BAA 2-115-97."— Transcription de la présentation:

1 Les prévisions et la gestion de la demande Séance 11a Les techniques de lissage © 2004, Robert Landry & Bianca Cloutier – HEC Montréal BAA

2 « Je confesse quen 1901, jai dit à mon frère Orville que lhomme ne volerait pas avant 50 ans… Depuis, je nai plus jamais osé faire de prévisions... » Wilbur Wright, 1908 Cité de : The Book of Predictions, par David Wallechinsky et al. (Morrow, 1980)

3 La nature de la prévision et de la gestion de la demande Une bonne gestion et la prise de décision adéquates nécessitent la connaissance des demandes à satisfaire. –La demande nest pas toujours connue à lavance.

4 La nature de la prévision et de la gestion de la demande Pour prévoir la demande, il faut utiliser des méthodes qui sont caractérisés par : –Un traitement du futur sur un horizon de temps déterminé. –Des éléments dincertitudes –Des tendances passées –De lanalyse des données connues ou historiques –Des facteurs pouvant linfluencer ( une description de ce qui se passera…) Elle doit être faite à court ou moyen terme seulement.

5 Ces méthodes de prévision sont : –Une description de ce qui se passera compte tenu dun ensemble de décisions et dévènements passés dans une situation donnée. –Un « intrant » considérable dans le processus de planification stratégique.

6 Le rôle de la prévision en marketing. La prévision est simplement un moyen daméliorer la prise de décision et non une fin en soi. Les décisions fondées sur des prévisions de taille et des caractéristiques du marché permettent de mieux planifier: –Les efforts promotionnels. –La stratégie de distribution. –Létablissement ou la modification de prix. –Les efforts de développement ou amélioration de produits ( R-D).

7 1) Méthodes subjectives 2) Enquêtes dintention 3) Techniques extrapolatives 4) Techniques statistiques (régression, modèles économétriques) 2. Méthodes de prévision

8 Principe : Entrevues auprès dexperts dun domaine pour connaître lévolution probable de ce dernier – jury dexperts – méthode Delphi – extrapolation dune situation identique 2.1. Méthodes subjectives 2. Méthodes de prévision

9 Principe : Sondage auprès dun échantillon de consommateurs ou dentreprises, visant lidentification de la probabilité dachat dun certain type de bien dans un avenir proche Enquêtes dintention 2. Méthodes de prévision

10 Principe: On utilise les valeurs passées de la variable quon veut prévoir (ex. ventes, prix...) pour déterminer son évolution future. Valeurs passées: Série chronologique (chronique) 2. Méthodes de prévision 2.3. Techniques extrapolatives

11 Dans quels contextes les prévisions sont-elles utiles? Prévoir les besoins en production Adoption dune technologie nouvelle Modification de la capacité Gestion de léquipement Localisation et aménagement Gestion des stocks Planification intégrée Gestion stratégique des opérations Gestion budgétaire Gestion des ressources humaines

12 Facteurs à considérer lors du choix dune méthode de prévision Le genre de données et nombre de données historiques Limportance de la prévision Les facteurs qui influencent la variable à prévoir Nombre de variables à prévoir Lien entre états passés et états futurs de la variable à prévoir Le choix de la technique de lissage repose sur le calcul de lerreur absolue et du carré moyen de lerreur Coûts dune méthode de prévision La disponibilité des données Coût de la cueillette des données Temps et ressources requises pour obtenir les prévisions Les usagers des outils de prévisions Fréquence à laquelle les prévisions doivent être faites

13 Le fondement des méthodes de prévisions La prévision est fondé sur un hypothèse selon laquelle on peut trouver dans le passé : –Un certain comportement. –Une certaine loi. Donc une certaine cause …..

14 Quatre lois doivent être considérées La loi horizontale: Correspond au cas où les données ne représentent aucune tendance (série stationnaire). La loi saisonnière: Existe quand une série fluctue selon un certain facteur saisonnier (1 an <) : mois, jour de la semaine, saison).

15 Quatre lois doivent être considérées (suite) La loi cyclique: est analogue à une loi saisonnière, mais la longueur du cycle est supérieure à une ans et ne répète pas nécessairement à des intervalles de temps régulier ( Ex. : cycle économique). (1 à 4 ans) La loi de tendance: existe lorsquon observe une croissance ou une décroissance de la variable avec le temps.

16 Le processus de prévision …

17 Techniques de prévision Méthodes extrapolatives : - Moyenne mobile - Lissage exponentiel - Série chronologique (séance 11b)

18 Moyenne mobile Pour cette moyenne, seules les observations les plus récentes sont utilisées pour calculer la prévision. Cette méthode nécessite de conserver un grand nombre de données en mémoire.

19 Moyenne mobile simple. Méthode: À partir dun ensemble de valeurs observées, on calcule leur moyenne et on utilise la moyenne comme prévision de la prochaine période.

20 Remarques: Pour calculer la moyenne mobile, il faut disposer des valeurs des «N» dernières observations. Cette méthode donne un poids égal à chacune des «N» dernières valeurs de la série, et un poids égal à zéro aux valeurs observées avant. Chaque nouvelle prévision basée sur une moyenne mobile est un ajustement de la précédante moyenne mobile. Leffet de lissage augmente quand «N» augmente (ajustement beaucoup plus faible dune prévision à lautre)

21 Table Exemple de moyenne mobile

22 La mesure de lerreur. La valeur réelle observée est déterminée par une loi dune part, et par lintervention du hasard dautre part ( Réel: loi + hasard) Il existe un écart entre les valeurs prévus et les valeurs réellement observées. – un but commun à toutes les techniques est de minimiser ces écarts.

23 La mesure de lerreur ( suite ) On définit lerreur de prévision comme étant la différence entre la valeur réelle et la valeur prédite : E i = o i - p i O = lobservation pour la période i et P = la prévision pour la même période Le choix de la technique repose sur: – Le calcul de la moyenne de lerreur absolue et du carré moyen de lerreur pénalise une prévision pour ses écarts extrêmes que les écarts faibles.

24 Exemple avec la mesure de lerreur Écart absolu moyen * Carré moyen de lerreur ** Note : le carré moyen de lerreur pénalise une prévision beaucoup plus pour les écarts extrêmes que pour les écarts faibles. * **

25 Effet de lissage visualisé

26 Les limites du modèle. Cette méthode sapplique surtout dans les cas suivant: –On fait de la prévision à court terme. –Les fluctuations généralement peu importantes (loi horizontale) à court terme. –Une certain loi se dissimule dans les valeurs observées, affectée de fluctuation aléatoires. –On veut prévoir une seule période.

27 Les limites du modèle (suite). Cette méthode sadapte difficilement dans les cas suivants: –La loi observée initialement ( au début de la série chronologique) varie ( effet de la loi de tendance, la loi saisonnière et la loi cyclique). Dans les situation de « court terme », la loi peut souvent être considérée comme horizontale, sans quon perde beaucoup de précision.

28 Lissage exponentiel simple Par lissage des observations historiques on parvient à éliminer leur contenu aléatoire et estimer une valeur de prévision. La méthode accorde le plus grand poids à lobservation la plus récente et des poids décroissants aux valeur les plus anciennes.

29 Lissage exponentiel simple La nouvelle prévision est simplement lancienne révision plus fois erreur de lancienne prévision ( i.e. : O t -p t ). Cette formule se réécrit sous la forme: P t = P t-1 + (O t-1 - P t-1 ) Où: P t = prévision au temps t. O t = observation au temps t. P t-1 = Prévision au temps t-1 (période antérieure) O t-1 = observation au temps t-1 = facteur de pondération compris entre 0 et 1 (appelé aussi constante de lissage)

30 Lissage exponentiel simple On a besoin seulement de 3 données pour appliquer la méthode (pas nécessaire de disposer dune longue série) : 1) La prévision pour la période précédente. 2) La demande observée pour cette même période. 3) Facteur de pondération ( coefficient). Si 1, lajustement est important. Si 0, lajustement est faible. Le facteur de pondération, a, détermine le niveau de lissage. Un grand dans cette technique a un effet comparable à un faible nombre dobservations incluses dans une moyenne mobile, et vice versa.

31 Exemple : lissage exponentiel simple

32 Partant de la formule : Pt = P t-1 + a (O t-1 - P t-1 ) P 3 = P 2 + a(O 2 - P 2 ) = (1350 – 2000) = (-650) = 1935 P 7 = P 6 + a(O 6 - P 6 ) = (1750 – 2056) = (-306) = 2026

33 Calcul des erreurs de prévision pour le lissage exponentiel Carré moyen de lerreur : le « test » ayant le plus de poids…

34 Comparaison des erreurs de prévision pour le lissage exponentiel Écart absolu moyen * Carré moyen de lerreur **

35 Raisons pour expliquer le succès des méthodes de lissage exponentiel : Le modèle requiert peu despace-mémoire car on na pas besoin de conserver beaucoup de données historiques. –Il faut seulement lobservation la plus récente, la prévision la plus récente et une valeur de Les tests pour vérifier comment le modèle se comporte sont faciles à calculer.

36 Raisons pour expliquer le succès des méthodes de lissage exponentiel: Leffet dun grand ou un petit est tout à fait analogue à linfluence dun nombre faible ou important dobservations lorsquon calcule une moyenne mobile.

37 Les limites du modèle. Ce modèle nest pas approprié lorsque la loi sous-jacente à la variable qui fait lobjet de la prévision est affectée par une variable en raison de la tendance, de la saisonnalité ou de leffet cycle. Il ny a pas de règle pour déterminer la pondération appropriée de.


Télécharger ppt "Les prévisions et la gestion de la demande Séance 11a Les techniques de lissage © 2004, Robert Landry & Bianca Cloutier – HEC Montréal BAA 2-115-97."

Présentations similaires


Annonces Google