Forecast accuracy : comment mesurer la précision de vos prévisions
MAPE, biais, WMAPE : les indicateurs qui disent si vos prévisions sont fiables, comment les calculer, et le seuil au-delà duquel courir après la précision ne rapporte plus rien.
L'essentiel
MAPE, biais, WMAPE : les indicateurs qui disent si vos prévisions sont fiables, comment les calculer, et le seuil au-delà duquel courir après la précision ne rapporte plus rien.
Qu'est-ce que la forecast accuracy ?
La forecast accuracy, ou précision des prévisions, mesure l'écart entre ce que vous aviez prévu et ce qui s'est réellement vendu ou consommé. C'est l'indicateur de santé du processus de prévision : il dit si les décisions de production, d'achat et de stock reposent sur une base solide ou sur du sable. On la mesure référence par référence, à la maille de temps où se prennent les décisions (la semaine ou le mois), puis on l'agrège. Une précision qui se dégrade en silence coûte cher, parce que toutes les décisions en aval héritent de l'erreur.
MAPE, WMAPE, biais : les trois mesures à connaître
Le MAPE (Mean Absolute Percentage Error) est l'écart absolu moyen en pourcentage : simple à lire, mais il explose sur les petites quantités et traite toutes les références de la même façon. Le WMAPE corrige ce défaut en pondérant par les volumes ou la valeur : une erreur sur votre référence phare pèse plus qu'une erreur sur une queue de gamme. Le biais, lui, mesure si vous vous trompez toujours dans le même sens : une prévision systématiquement optimiste fabrique du surstock, une prévision systématiquement pessimiste fabrique des ruptures. Un bon tableau de bord combine les trois, car un MAPE correct peut cacher un biais destructeur.
Calculer chaque indicateur sur un même exemple
Rien ne vaut un jeu de données unique pour comprendre ce que chaque indicateur raconte. Prenons quatre périodes : prévision 100 puis réel 80, prévision 120 puis réel 130, prévision 90 puis réel 95, prévision 110 puis réel 100. Les écarts signés sont donc de plus 20, moins 10, moins 5 et plus 10. Le biais, moyenne des écarts signés, vaut plus 3,75 unités : la prévision est légèrement optimiste, ce qui fabrique du surstock. L'erreur absolue moyenne, le MAE, vaut 11,25 unités, une grandeur qui parle immédiatement à un planificateur puisqu'elle s'exprime dans son unité de mesure. Le MAPE, moyenne des écarts en pourcentage du réel, ressort à 12 pour cent, mais il est tiré vers le haut par la première période où l'écart de 20 porte sur un réel de 80 seulement. Le WMAPE, qui rapporte la somme des écarts absolus à la somme des réels, donne 11,1 pour cent et corrige ce défaut de pondération. Le RMSE enfin ressort à 12,5 unités : il pénalise plus lourdement les grands écarts, ce qui le rend utile quand une seule grosse erreur coûte plus cher que plusieurs petites.
Quel indicateur pour quel usage
Aucun indicateur ne suffit seul, et les organisations matures en suivent deux ou trois en parallèle, dont toujours le biais. Le tableau ci-dessous résume ce que chacun mesure et le piège qui lui est propre.
| Indicateur | Ce qu'il mesure | Formule en clair | Piège | Quand l'utiliser |
|---|---|---|---|---|
| Biais | Le sens systématique de l'erreur | Moyenne des écarts signés | Deux erreurs opposées s'annulent | Toujours, en complément d'un autre |
| MAE | L'écart moyen en unités | Moyenne des écarts absolus | Non comparable entre références | Piloter une référence précise |
| MAPE | L'écart moyen en pourcentage | Moyenne des écarts absolus rapportés au réel | Explose sur les petites quantités | Comparer des références homogènes |
| WMAPE | L'écart pondéré par les volumes | Somme des écarts absolus divisée par la somme des réels | Masque les petites références | Piloter un portefeuille entier |
| RMSE | L'écart avec pénalité sur les extrêmes | Racine de la moyenne des écarts au carré | Difficile à expliquer aux équipes | Quand une grosse erreur coûte très cher |
Les ordres de grandeur selon le profil de demande
Comparer son MAPE à celui d'une autre entreprise n'a aucun sens sans regarder le profil de la demande. Une référence stable à forte rotation se prévoit bien, une référence intermittente ne se prévoit quasiment pas, et aucun outil n'y changera grand-chose. Les repères ci-dessous servent surtout à savoir où porter l'effort plutôt qu'à se comparer.
| Profil de demande | Précision atteignable | Levier prioritaire |
|---|---|---|
| Forte rotation, demande stable | Bonne, l'erreur se compte en pourcentage à un chiffre | Automatiser et surveiller le biais |
| Saisonnière marquée | Correcte hors pics, dégradée sur le pic | Modéliser la saison, corriger en cours de saison |
| Promotionnelle | Faible sans données d'événements | Intégrer le calendrier commercial à la prévision |
| Erratique | Faible quel que soit le modèle | Basculer sur le stock de sécurité et la réactivité |
| Intermittente ou nouveau produit | Très faible, pas d'historique exploitable | Analogie produit et révision rapide |
Les ordres de grandeur honnêtes
La précision atteignable dépend du profil de la demande : une référence à forte rotation et demande stable se prévoit bien, une demande erratique ou intermittente se prévoit mal, quel que soit l'outil. Le point important est ailleurs : même un processus de prévision mature laisse une erreur résiduelle incompressible. Une prévision tombe juste environ 8 fois sur 10, et les progrès au-delà coûtent de plus en plus cher pour des gains de plus en plus minces. Les derniers points de précision sont les plus onéreux, et certains ne sont simplement pas achetables, parce que la part d'aléa réel ne se modélise pas.
Le piège : confondre précision et performance
Beaucoup d'organisations traitent la forecast accuracy comme la finalité, et investissent chaque année pour gratter un point de MAPE. Mais la question business n'est pas « à quel point ma prévision est-elle juste ? », c'est « combien me coûtent les fois où elle est fausse ? ». Deux entreprises avec le même MAPE peuvent avoir des pertes très différentes : celle qui détecte l'écart en heures et arbitre vite limite les dégâts, celle qui l'absorbe au prochain cycle mensuel les subit en entier. Sur les périmètres étudiés, les imprévus mal absorbés coûtent 4 à 12 points de marge par an, et ce chiffre dépend bien plus de la vitesse de réaction que du niveau de précision.
Mesurer, oui, mais organiser la suite
La forecast accuracy reste indispensable : elle discipline le processus, révèle les biais, oriente les efforts sur les familles où la précision progresse encore. La maturité consiste à la piloter en sachant qu'elle plafonnera, et à investir en parallèle sur ce qui se passe quand la prévision se trompe : qui détecte l'écart, en combien de temps, avec quelles options chiffrées, et qui décide. La prévision parfaite n'existe pas. Ce qui compte, c'est de réagir au bon moment les 2 fois sur 10 où le réel s'écarte du plan.
Cet article part d'une conviction : la prévision parfaite n'existe pas, ce qui compte c'est la décision d'après.
La fiche à retenir
- Qu'est-ce que la forecast accuracy ?
- MAPE, WMAPE, biais : les trois mesures à connaître
- Calculer chaque indicateur sur un même exemple
- Quel indicateur pour quel usage
- Les ordres de grandeur selon le profil de demande
- Les ordres de grandeur honnêtes
- Le piège : confondre précision et performance
- Mesurer, oui, mais organiser la suite
Clevizio
Clevizio est la couche de décision qui se branche sur vos outils existants : elle détecte l'imprévu, simule vos options et garde la mémoire de chaque arbitrage. Découvrir comment fonctionne le copilote de décision.
Mansour Niang
CEO & cofondateur de Clevizio
Une question sur vos imprévus ? Réservez 30 minutes avec moi pour estimer ce qu'ils vous coûtent vraiment, sans engagement.
Questions fréquentes
Comment calculer le MAPE ?
Le MAPE est la moyenne des écarts absolus entre prévision et réel, exprimés en pourcentage du réel. Exemple : prévision 100, réel 80, écart absolu 20, soit 25 % d'erreur sur cette référence. On fait la moyenne sur toutes les références et périodes mesurées.
Quelle est une bonne forecast accuracy ?
Cela dépend du profil de demande : une demande stable se prévoit bien mieux qu'une demande erratique. L'ordre de grandeur honnête : même un processus mature garde une erreur résiduelle, une prévision tombe juste environ 8 fois sur 10. Le biais compte autant que le niveau d'erreur.
Quelle différence entre MAPE et WMAPE ?
Le MAPE donne le même poids à toutes les références, ce qui surpondère les petites quantités. Le WMAPE pondère par les volumes ou la valeur : une erreur sur une référence majeure pèse plus qu'une erreur sur une queue de gamme. Le WMAPE reflète mieux l'enjeu économique.
Améliorer la forecast accuracy suffit-il à réduire les coûts ?
Non. La précision plafonne et les derniers points coûtent très cher. Une grande partie du coût vient de la lenteur de réaction quand la prévision se trompe, pas du niveau d'erreur lui-même. Mesurer la précision et organiser la décision rapide sont deux chantiers complémentaires.
Quelle différence entre MAPE et MAE ?
Le MAE exprime l'écart moyen dans l'unité du produit, ce qui parle à un planificateur. Le MAPE l'exprime en pourcentage du réel, ce qui permet de comparer des références entre elles mais explose sur les petites quantités.
Qu'est-ce que le signal de suivi ?
Un indicateur de dérive qui rapporte la somme cumulée des écarts signés à l'erreur absolue moyenne. Tant qu'il oscille autour de zéro, la prévision est sans biais ; quand il s'éloigne durablement, le modèle dérive et doit être revu.
À lire aussi
Mettez enfin un chiffre sur ce que vos imprévus vous coûtent chaque année.
Commençons par estimer ce que vos imprévus vous coûtent réellement. C'est gratuit, ça prend 30 minutes, et vous repartez avec un chiffre que personne dans votre entreprise ne connaît aujourd'hui.