Qu’est-ce qu’une prévision de stock ?
Une prévision de stock permet d’estimer la demande future de produits sur des périodes courtes, moyennes ou longues. C’est un élément clé de toute stratégie de gestion des stocks. Anticiper la demande aide à améliorer le service client, le contrôle des stocks et la gestion des capacités.
Il est également possible de prévoir les coûts liés aux prochaines commandes. Un autre élément à anticiper est le délai de livraison (lead time), qui a tendance à se raccourcir. Peu importe ce que vous choisissez de prévoir, gardez en tête ces principes :
- Les prévisions sont plus précises à court terme. Plus l’horizon est éloigné, moins elles sont fiables.
- Les prévisions seront inexactes. Il y aura une marge d’erreur qu’il faut connaître et suivre.
- Les prévisions ne remplacent pas la demande réelle.
Types de prévisions
Il existe de nombreuses façons de faire des prévisions, et aucune méthode n’est universellement la meilleure. Le choix dépend de la période visée et des données disponibles. Les prévisions se classent généralement par durée :
- Prévisions à long terme : plusieurs années à l’avance
- Prévisions à moyen terme : entre trois mois et un an
- Prévisions à court terme : quelques semaines à l’avance
Les prévisions peuvent être basées sur des données historiques ou sur des estimations subjectives. Si l’historique de la demande est fiable, il doit être utilisé comme source principale.
Techniques de prévision
Nous avons déjà abordé la méthode de la quantité économique de commande (EOQ), qui permet de savoir combien commander. Ici, nous allons voir trois méthodes de base qui utilisent des données historiques.
Pour l’exemple, nous utiliserons les ventes d’octobre, novembre et décembre 2022 afin de prévoir les trois premiers mois de 2023.
Moyenne mobile
Cette méthode consiste à faire la moyenne simple d’un nombre donné de mois pour prévoir le suivant.
| Octobre 2022 | 114 |
| Novembre 2022 | 119 |
| Décembre 2022 | 137 |
| Janvier 2023 | ? 114 + 119 + 137 = 370, 370 / 3 = 123 |
| Février 2023 | ? 119 + 137 + 123 = 379, 379 / 3 = 126 |
| Mars 2023 | ? 137 + 123 + 126 = 386, 386 / 3 = 129 |
Moyenne mobile pondérée
Cette méthode attribue des poids différents aux mois précédents, avec plus de poids aux données les plus récentes. Elle est adaptée aux prévisions à court terme pour des produits stables.
Note : La somme des poids doit être égale à 1,00. Dans cet exemple, nous utilisons 0,6 (plus récent), 0,3 et 0,1
| Octobre 2022 | 114 |
| Novembre 2022 | 119 |
| Décembre 2022 | 137 |
| Janvier 2023 | ? 137 * 0.6 + 119 * 0.3 + 114 * 0.1 = 129 |
| Février 2023 | ? 129 * 0.6 + 137 * 0.3 + 119 * 0.1 = 131 |
| Mars 2023 | ? 131 * 0.6 + 129 * 0.3 + 137 * 0.1 = 130 |
Lissage linéaire
Semblable à la moyenne pondérée, mais les poids diminuent de façon linéaire selon une formule. Cette méthode convient aux prévisions à court terme pour des produits matures.
Poids pour un mois avant = 3 / ((n² + n)/2) = 3 / 6 = 0.5
Poids pour deux mois avant = 2 / 6 = 0.3
Poids pour trois mois avant = 1 / 6 ≈ 0.17
| Octobre 2022 | 114 |
| Novembre 2022 | 119 |
| Décembre 2022 | 137 |
| Janvier 2023 | ? 137 * 0.5 + 119 * 0.3 + 114 * 0.17 = 126 |
| Février 2023 | ? 126 * 0.5 + 137 * 0.3 + 119 * 0.17 = 128 |
| Mars 2023 | ? 128 * 0.5 + 126 * 0.3 + 137 * 0.17 = 129 |
Conclusion
Les prévisions s’appuient sur des données historiques et des modèles mathématiques. Elles ne sont jamais parfaites et peuvent contenir des erreurs dues au modèle, aux données ou à leur interprétation. Malgré cela, une estimation bien fondée est préférable à aucune.
Dans les prochains articles, nous explorerons des méthodes plus avancées comme le lissage exponentiel ou la régression des moindres carrés, et comment les automatiser dans un système de gestion des stocks.