Prévoir une demande saisonnière : méthodes, pièges et limites
La saisonnalité est la part la plus prévisible de la demande, et pourtant les saisons ratées coûtent cher. Les méthodes qui marchent, les pièges classiques, et pourquoi le pic reste risqué.
L'essentiel
La saisonnalité est la part la plus prévisible de la demande, et pourtant les saisons ratées coûtent cher. Les méthodes qui marchent, les pièges classiques, et pourquoi le pic reste risqué.
La saisonnalité, une chance pour la prévision
Une demande saisonnière est, paradoxalement, une bonne nouvelle pour le prévisionniste : le motif se répète, et ce qui se répète se modélise. Glaces l'été, jouets en fin d'année, matériaux au printemps : la structure du profil annuel est connue, et les méthodes classiques la capturent bien. La difficulté n'est pas dans le motif, elle est dans ses trois inconnues résiduelles : l'amplitude du pic (combien cette saison vendra par rapport à la précédente), son calage exact dans le temps, et les à-coups internes à la saison. C'est sur ces trois points que se jouent les saisons réussies ou ratées.
Les méthodes qui font le travail
L'outillage standard suffit dans la plupart des cas. La décomposition sépare la série en tendance, saisonnalité et résidu : elle donne les coefficients saisonniers qui corrigent chaque mois. Le lissage exponentiel avec composante saisonnière, la méthode de Holt-Winters, met à jour ces coefficients à mesure que les données arrivent. Les modèles plus récents, apprentissage automatique inclus, apportent un gain surtout quand des variables externes pèsent : météo, calendrier promotionnel, jours fériés mobiles. Deux règles valent plus que le choix du modèle : travailler sur au moins deux ou trois cycles complets d'historique, et nettoyer cet historique des événements exceptionnels, une rupture de stock passée qui a écrêté les ventes se rejouera dans la prévision si on ne la corrige pas.
Les pièges classiques de la prévision saisonnière
Le premier piège est de confondre la demande et les ventes : l'historique enregistre ce qui a été vendu, pas ce qui aurait pu l'être ; les ruptures passées déforment les coefficients à la baisse. Le deuxième est le calendrier : fêtes mobiles, semaines à cheval sur deux mois, années à 53 semaines faussent les comparaisons si la maille n'est pas alignée. Le troisième est la nouveauté : un produit lancé en cours d'année n'a pas de saisonnalité propre, il faut lui greffer le profil d'une famille analogue, avec l'incertitude que cela implique. Le quatrième est l'excès de confiance dans le motif : la saison dit quand la demande montera, jamais jusqu'où.
Le vrai risque saisonnier : l'engagement pris des mois avant
La particularité économique de la saisonnalité est que les décisions d'approvisionnement et de production se prennent des semaines ou des mois avant le pic, sur la foi de la prévision. Si la saison déçoit, le surstock est là pour l'année, et pour les produits datés, il périme ; si elle dépasse, les ruptures tombent au pire moment, celui où chaque vente compte. Or une prévision tombe juste 8 fois sur 10 ; sur un pic saisonnier, l'enjeu des 2 fois restantes est démultiplié. Les organisations qui réussissent leurs saisons se distinguent moins par leur modèle que par leur capacité de correction en cours de saison : lire les premiers signaux du pic (les ventes des premières semaines contre le profil attendu), et arbitrer vite, relancer ou freiner la production, réallouer entre canaux, ajuster les prix. La prévision saisonnière fixe l'engagement initial ; c'est la vitesse de correction qui décide de la marge finale.
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
- La saisonnalité, une chance pour la prévision
- Les méthodes qui font le travail
- Les pièges classiques de la prévision saisonnière
- Le vrai risque saisonnier : l'engagement pris des mois avant
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
Quelle méthode pour prévoir une demande saisonnière ?
La décomposition (tendance, saisonnalité, résidu) et le lissage exponentiel saisonnier type Holt-Winters couvrent la plupart des besoins, avec au moins deux à trois cycles complets d'historique nettoyé. Le machine learning apporte un plus quand des variables externes pèsent (météo, promotions, calendrier).
Pourquoi les prévisions saisonnières se trompent-elles ?
Le motif saisonnier se prévoit bien, mais pas l'amplitude du pic ni son calage exact. S'y ajoutent les pièges d'historique : ventes écrêtées par d'anciennes ruptures, calendriers non alignés, produits nouveaux sans historique propre. La saison dit quand la demande monte, pas jusqu'où.
Comment limiter le risque d'une saison ratée ?
En organisant la correction en cours de saison : comparer les ventes des premières semaines au profil attendu, et arbitrer vite (relancer ou freiner la production, réallouer entre canaux, ajuster les prix). L'engagement initial vient de la prévision, la marge finale vient de la vitesse de correction.
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.