Prévision Plan du cours Vollmann, chap. 16

Présentation au sujet: "Prévision Plan du cours Vollmann, chap. 16"— 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 l’analyse de ces données et de l’évaluation de l’effet des tendances dégagées sur l’évolution 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 n’y 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 d’œuvre, 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 d’items).

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 5. Demande totale Il est toujours bon de commencer par visualiser les données pour en déceler les composantes.

7 Calcul des erreurs Erreur moyenne (Mean Forecast Error - MFE):
Mesure le biais des prévisions. Les erreur tendent à s’annuler. 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 d’erreur réel. Lorsque les erreurs sont distribuées normalement, l’écart-type de l’erreur de prévision = 1,25MAD. Donne une indication du niveau de stock de sécurité.

8 Calcul des erreurs Erreur moyenne2 (Mean Square Error - MSE)
Pénalise les erreurs importantes qui déstabilisent le système. Pourcentage d’erreur absolu (Mean Absolute Percentage Error - MAPE) Illustre le pourcentage d’erreurs Excel...

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

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

11 Modèle 1 : Lissage exponentiel simple
Le lissage permet de tenir compte de l’ensemble de l’historique 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 l’aide 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 l’erreur 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
Pt = Pt-1 + (Dt - Pt-1) ou encore Pt = (1- )Pt-1 + Dt  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 Bt = Dt + (1- )(Bt-1 +TDt-1) où Bt est l’estimation de la base à la fin de la période t et TDt est la tendance estimée à la période t La différence entre deux Bases est un estimé de la tendance. Évaluation de la tendance TDt = (Bt - Bt-1) + (1-)TDt-1

16 Lissage exponentiel double
La prévision est donc: Pt+1 = Bt + TDt Prévision à long terme (pour x périodes d’avance): Pt+x = Bt + xTDt 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 Bt = (Dt / Is) + (1- )(Bt-1)
Évaluation de la base avec saisonnalité Bt = (Dt / Is) + (1- )(Bt-1) où Is est l’indice 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 Is’ = (Dt / Bt) + (1-)Is Is’ est le nouvel indice de saisonnalité, calculé un cycle complet après Is.

19 Lissage exponentiel avec saisonnalité
La prévision est donc: Pt(s) = Bt  Is Il suffit de multiplier la base par l’index 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 Bt = (Dt / Is) + (1- )(Bt-1 + TDt-1) où Is est l’indice de saisonnalité de la saison s. TDt est la tendance estimée à la période t

21 Lissage exponentiel avec tendance et saisonnalité
Is’ = (Dt / Bt) + (1-)Is Is’ est le nouvel indice de saisonnalité, calculé un cycle complet après Is. Tendance TDt = (Bt - Bt-1) + (1-)TDt-1

22 Lissage exponentiel avec tendance et saisonnalité
La prévision est donc: Pt+1 = (Bt + TDt) Is Bt : Valeur de base la plus récente Is : L’index de saisonnalité pour la période associée à la prévision À long terme (x périodes plus loin), la prévision est: Pt+x = (Bt + xTDt) Is(x)

23 Suivi des prévisions Le biais lissé : SBt = (Dt - Pt) + (1-)(SMt-1)
Le MAD lissé : SMADt = |(Dt - Pt)| + (1-)(SMADt-1) Signal de suivi = SSt = SBt / SMADt

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 d’utiliser 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 l’entreprise 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 l’entreprise: 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. 681-682, #1
Vollmann, p. 687, #15 (à faire avec Excel)

28 Prévision Vollmann, Berry et Whybark, Manufacturing planning and control systems. Irwin/McGraw-Hill, 4ième édition, 1997. Nollet, Kélada et Diorio, La gestion des opérations et de la production. Une approche systémique. Gaëtan Morin, 2ième édition, 1994 Dilworth, Production and operations management. Manufacturing and services. McGraw-Hill, 4ième édition, 1993. Giard, Gestion de la production. Economica, 1988