Les produits saisonniers sont courants dans de nombreux secteurs et peuvent impliquer un grand nombre de facteurs tels que l’influence des changements climatiques. Par définition, ce sont tous les changements qui influencent constamment votre demande au cours des mêmes périodes. Cela complique quelque peu les modèles de prévision de la demande et limite l'utilisation de certains d'entre eux. Les modèles de prévision à lissage exponentiel simple et lissage exponentiel double (abordés dans les articles précédents) ne reconnaissent pas ces tendances saisonnières et ne peuvent donc pas extrapoler un comportement saisonnier futur.
Essayez notre solution de prévision simple et rapide !
Inscrivez-vous aujourd’hui gratuitement sur SKU Science
Données d’échantillon préchargées – Aucune carte de crédit requise
Comprendre le concept afin d'améliorer votre processus de planification de la demande
Commençons par récapituler. La prévision (f) dans le lissage exponentiel double est calculée par deux couches, le niveau (a) plus la tendance (b).
En insérant la saisonnalité dans le modèle, à l'aide du facteur saisonnier (s), une nouvelle couche de lissage exponentiel est ajoutée. L'estimation est basée sur l'observation la plus récente et son estimation précédente. Un taux d'apprentissage gamma (
), est appliqué à la métrique du facteur saisonnier (s). Le modèle utilisera donc une méthode de pondération exponentielle afin de déterminer le pourcentage en poids attribué à l'observation la plus récente par rapport à l'estimation précédente. En d'autres termes, déterminera si la prévision doit répondre rapidement ou non à une certaine variation de la demande. Considérant que la saisonnalité en général n’a pas de changements significatifs d’une année sur l’autre, le maintien d’un taux d’apprentissage faible (par exemple inférieur à 0,3) évitera une adaptation inutile pour s’adapter aux situations exceptionnelles et aux cas particuliers, et fera de cette méthode un modèle de prévision plus régulier.
Néanmoins, cela peut nécessiter un certain degré de compréhension de la demande de votre marché, mais savoir si votre saisonnalité est mensuelle, trimestrielle ou annuelle devrait vous donner une bonne idée du meilleur taux d’apprentissage à utiliser.
Choisir la bonne méthode pour une prévision précise de la demande saisonnière
La technique de lissage exponentiel triple a deux approches différentes et vous devez connaître la nature de votre saisonnalité afin de savoir laquelle utiliser.
- Le lissage multiplicatif
Si vous vendez 20% de plus de votre produit en décembre qu'en novembre, vous avez probablement un caractère saisonnier multiplicatif . Dans ce cas, le ou les facteurs saisonniers sont simplement multipliés dans la prévision:
Cette formule prédit avec une précision fiable, répond de manière très efficace aux variations de la saisonnalité et suit la tendance générale de la demande. C'est ce que montre l'exemple ci-dessous qui compare la demande à la prévision.
Toutefois, cette méthode peut entraîner des erreurs mathématiques si les volumes ou les facteurs de saisonnalité sont trop proches de 0. Une faible variation de la demande absolue peut également générer une grande différence. Malheureusement, cela signifie que ce modèle ne convient pas à tous les produits et renforce l'importance de connaître le caractère saisonnier de vos produits.
Afin de résoudre ce problème, une deuxième approche de prévision de la demande à base de lissage exponentiel triple est préférable:
- Le lissage additif
Si vous vendez 20 000 produits de plus en Décembre qu'en Novembre, alors vous avez un caractère saisonnier de type additif. Avec cette approche, un facteur saisonnier est ajouté au niveau prédit par le modèle de prévision, de sorte que la prévision réponde avec plus d'adhérence, même à de faibles volumes. Maintenant, nous ajoutons le facteur saisonnier (s) dans les prévisions: 
En mettant les deux approches sur un même graphique, cela nous donne une idée plus claire de la façon dont elles réagiront face à la variation de la demande, montrant ainsi la meilleure adéquation du modèle additif pour le cas ci-dessous.
Mais la méthode additive possède aussi ses limites en matière de prévision de la demande, telles que son incapacité à gérer des données externes (budget marketing ou impact des niveaux de prix par exemple). En outre, cette méthode pose un problème pour les articles ayant une tendance significative. La manière dont le modèle de lissage exponentiel triple additif est défini ne permet pas à la saisonnalité d’évoluer rapidement dans le temps, ni d’extrapoler les changements. Ce nouveau modèle additif est en fait le mieux adapté aux articles à demande stable ou à demande faible.
Approfondir votre connaissance des méthodes de prévision de la demande pour optimiser votre gestion des stocks
Comme vous pouvez le constater, nos deux modèles saisonniers sont complémentaires et devraient vous permettre de prévoir tout produit saisonnier. Cependant, l'obtention de résultats fiables nécessite une compréhension sensible du comportement de la variation de la demande de votre produit au fil du temps. La meilleure façon de savoir lequel vous devez utiliser est bien sûr d’expérimenter, ou de laisser une solution comme SKU Science décider pour vous.
Le concept du modèle triple n'est pas si complexe, mais approfondir les équations peut être un peu compliqué sans les outils appropriés. Pour plus d'informations sur ce modèle et d'autres modèles de lissage exponentiel, vous pouvez consulter le livre de référence en ligne, disponible gratuitement, intitulé “Forecasting: Principles and Practice", de Rob J Hyndman et George Athanasopoulos, deux leaders mondiaux dans le domaine de la prévision, et “Data Science for Supply Chain Forecast” par Nicolas Vandeput.
SKU Science possède tous ces modèles et outils et peut vous apporter tout le soutien dont vous avez besoin pour appliquer ces méthodes de prévision de la demande de manière fiable et efficace. Ainsi votre processus de planification vous permettra d'améliorer grandement la gestion de vos stocks.
Vous pouvez également voir une analyse plus détaillée des deux modèles sur supchains.com
