L’objectif idéal d’une entreprise est de produire exactement à la demande de ses clients et que la production répond à leur commande sauf que ce but est très difficile à réalisez voire impossible. Donc, toute entreprise quelle que soit sa nature doit utiliser un système de prévision.
Des vérités générales (principes de base) sur la prévision :
Les prévisions sont toujours fausses : Dans un environnement très changeant et variable, c’est très difficile d’estimer et de prévoir la quantité exacte à produire. Il ne faut pas fixer uniquement une valeur exacte mais utiliser un intervalle de prévision.
Utiliser des prévisions plus globales : les prévisions plus globales sont plus précises que celles détaillées soient par produits, temps, localisation…. Avant de commencer, on va présenter un indicateur très important : le coefficient de variation ( CV = σ / µ = écart type / moyenne) qui fournit une mesure relative de l’incertitude. Si le CV est très grand, cela indique une très grande volatilité et incertitude et la prévision devient plus difficile. Par exemple : Soit un produit X dont la moyenne est de (µ=200) et écart type de (σ=40) et un produit Y avec la même moyenne (µ=200) et écart type de (σ=4) Alors : pour le produit X : CV = 40/200 = 0,2 , pour le produit Y : CV = 4/200 = 0,02 Donc, on va choisir le produit Y car il est le moins volatile et il n'y a pas une grande variation autour de sa moyenne.
*L'agrégation par produit
Soit un produit Z qui peut être livré au client sous différentes couleurs bleu, vert et rouge. La demande de chacun suit une loi normale N(420,140) alors CV= 140/420 = 0,33
Alors que si on prévoit la demande pour le produit Z avec tous ses différents sous-produits, il suivra la loi normale avec une moyenne µ=420 x 3 = 1260 et un écart type σ = sqrt(140² x 3)= 242. [sqrt est la racine carrée] Alors, la loi est N(1260,242) Donc CV = 242/1260 = 0,19
Alors prévoir la demande pour la famille de produit est plus précis que si on le fait pour chaque type de produit.
*L’agrégation par temps :
La demande journalière d’un produit suit la loi normale de moyenne 670 et d’écart type 240 . Alors la loi est N (670,240)
Ainsi pour la demande hebdomadaire, elle suit la loi normale de moyenne µ= 7 x 670= 4690 et d'écart type σ =sqrt(240² x 7) = 634.
Pour une demande mensuelle, elle suit la loi normale de moyenne µ = 4690 x 4 = 18760 et d'écart type σ =sqrt(634² x 4) = 1268.
En résumé, on a :
La demande journalière avec N (670,240) => CV = 240/670 = 0,35
La demande hebdomadaire avec N (4690,634) => CV = 634/4690 = 0,13
La demande mensuelle avec N (18760,1268) => CV = 1268/18760 = 0,067
On remarque donc que le CV a diminué
Plus l’horizon de prévision est plus grand, plus la prévision est plus précise. (La prévision pour un mois est plus précise que celle pour une semaine et la prévision pour une semaine est plus précise que celle pour un mois)
*L’agrégation par lieu:
Supposons une entreprise qui livre à quatre clients chacun dans son entrepôt et elle veut prévoir la quantité à leur livrer sachant que chacun suit une loi normale N(4690,634) => CV = 634/4690 = 0,13
Si l’entreprise décide de passer sa prévision à un centre de distribution et à partir de lui livrer aux différents entrepôts. Ce centre suivra donc une loi normale avec une moyenne µ = 4690 x 4 = 18760 et un écart type σ =sqrt(634² x 4) =1268 alors il suit une loi normale N(18760,1268)
Alors prévoir la demande pour un ensemble de lieu de livraison est plus précis que si on le fait pour un seul entrepôt car on combine la variabilité de l'ensemble des lieux (dans ce cas 4).
La prévision à court terme est plus précise que celle à long terme :Réaliser une prévision pour le court ou moyen terme par exemple un mois ou une année est plus précis que la réaliser pour 5 ans car prévoir la demande sur un long horizon dans un environnement assez changeant est très difficile.
Comments