Gestion des stocks GPO-1004 Prévisions Hiver 2002

Transposition des données

Saisonnalité additive, pas de tendance Pér. 3 Pér. 4 Pér. 1 Pér. 2

Une série par période cyclique Tracés horizontaux: pas de tendance Le décalage entre les séries représente leffet saisonnier

Prévoir chaque période …

Lissage à 3 paramètres ou décomposition Sil ny a pas deffets multiplicatifs, il ny a pas de différence significative entre les deux méthodesSil ny a pas deffets multiplicatifs, il ny a pas de différence significative entre les deux méthodes Sil y a des effets multiplicatifs, la décomposition peut savérer plus intéressanteSil y a des effets multiplicatifs, la décomposition peut savérer plus intéressante

Saisonnalité et tendance additive Les pentes sont positives et égales

Transposition

Une série par période cyclique Les pentes sont identiques: effet saisonnier additif Lécart entre les courbes: effet saisonnier

Une série par cycle Lécart entre les courbes représente la tendance

Effet saisonnier multiplicatif Voir séries vin – ét.Voir séries vin – ét.

Une série par cycle Lécart entre les séries représente la tendance générale

Une série par période cyclique Les pentes différentes indiquent la présence dun effet multiplicatif dans la saisonnalité Lécart entre les séries représente leffet saisonnier

A trend is a trend, but the question is: will it bend? (Alec Cairncross, 1969) Les 10 commandements du praticien myope …Les 10 commandements du praticien myope … –Le passé est garant de lavenir –Il faut trouver la meilleure méthode de prévision –Plus nombreuses sont les données historiques utilisées, meilleure sera la performance –Les personnes directement impliquées dans des activités requérant des prévisions fourniront les meilleures extrapolations –Le choix de méthodes de prévision très formalisées mathématiquement élimine les risques derreurs de jugement

Un modèle … Les 10 commandements du praticien myope (suite) …Les 10 commandements du praticien myope (suite) … –Il est préférable dutiliser des modèles prenant en compte certains comportements possibles des données au cas où ils se manifesteraient –Le modèle de prévision a raison –Les prévisions les plus précises sont les meilleures –Aux meilleurs des ajustements correspondent les meilleures prévisions –Les modèles complexes sont les meilleurs

Attention au théorème de Poincaré! Tout le monde a confiance aux théories; les théoriciens parce quils croient quelles sont le reflet de la réalité et les praticiens parce quils font confiance aux théoriciens.Tout le monde a confiance aux théories; les théoriciens parce quils croient quelles sont le reflet de la réalité et les praticiens parce quils font confiance aux théoriciens.

La pondération a bien meilleur goût! On peut combiner les résultats de plusieurs méthodes pour générer des prévisionsOn peut combiner les résultats de plusieurs méthodes pour générer des prévisions La pondération accordée à chacun des modèles nest pas obligatoirement 1/n si n modèles sont considérésLa pondération accordée à chacun des modèles nest pas obligatoirement 1/n si n modèles sont considérés

Le lissage exponentiel à trois paramètres comme modèle général de LE

Sil ny a pas deffet saisonnier … = 0 et I i = 1 pour tous les i = 0 et I i = 1 pour tous les i On obtient alors:On obtient alors: S t = X t + (1- )(S t-1 + b t-1 )S t = X t + (1- )(S t-1 + b t-1 ) b t = (S t – S t-1 ) + (1- )b t-1b t = (S t – S t-1 ) + (1- )b t-1 P t+m = S t + b t mP t+m = S t + b t m Lissage exponentiel à deux paramètres pour une tendanceLissage exponentiel à deux paramètres pour une tendance

Sil y a effet saisonnier mais pas de tendance … = 0 et b 1 = 0 = 0 et b 1 = 0 On obtient alors:On obtient alors: S t = aX t /I t-L + (1-a)S t-1S t = aX t /I t-L + (1-a)S t-1 I t = bX t /S t + (1-b)I t-LI t = bX t /S t + (1-b)I t-L P t+m = S t I t-L+mP t+m = S t I t-L+m –Lissage exponentiel à deux paramètres pour saisonnalité

Sil ny a ni effet saisonnier, ni tendance … = 0, = 0, b 1 = 0 et I i = 1 pour tous les i = 0, = 0, b 1 = 0 et I i = 1 pour tous les i On obtient alors:On obtient alors: S t = X t + (1- )S t-1S t = X t + (1- )S t-1 P t+m = S tP t+m = S t Or, P t+m = P t+1 pour tous les m puisquil ny a pas de tendanceOr, P t+m = P t+1 pour tous les m puisquil ny a pas de tendance Donc, P t+1 = S t = X t + (1- )S t-1Donc, P t+1 = S t = X t + (1- )S t-1 Mais si P t+1 = S t, alors P t = S t-1Mais si P t+1 = S t, alors P t = S t-1 Donc, P t+1 = X t + (1- )P tDonc, P t+1 = X t + (1- )P t Et P t = X t-1 + (1- )P t-1Et P t = X t-1 + (1- )P t-1 Lissage exponentiel simpleLissage exponentiel simple