Imaginons une enseigne d’habillement. La responsable des approvisionnements y présente chaque mois une erreur de prévision en baisse. Le même mois, les magasins signalent des tailles courantes absentes des rayons, et le contrôle de gestion relève un stock de fin de saison plus lourd que l’année précédente. Les trois constats sont exacts : ils ne mesurent pas la même chose.
La prévision de la demande estime les quantités que les clients voudront acheter, pour un article, un lieu et une période donnés, afin de décider des achats, des réassorts et des stocks. Aucun chiffre unique ne dit si elle est bonne. Elle se juge sur cinq mesures lues ensemble : l’erreur de prévision, le biais, le niveau de service, le taux de rupture et le surstock. Chacune a une définition précise, une lecture et un angle mort.
Une prévision de la demande se définit par sa maille et son horizon
La demande se distingue de la vente. Un article en rupture ne se vend pas, et la caisse enregistre zéro là où des clients sont repartis sans acheter. L’historique des ventes est donc une demande censurée par les ruptures : un modèle qui s’en nourrit sans correction apprend la pénurie et la reproduit.
Deux paramètres fixent ensuite la difficulté. Le premier est la maille : les ventes d’une famille de produits sur un pays et un mois se prévoient bien plus facilement que celles d’une référence, dans une taille, pour un magasin et une semaine. La maille qui compte est celle de la décision, qu’il s’agisse de la commande au fournisseur, de l’allocation aux magasins ou du réassort.
Le second est l’horizon, dicté par le délai d’approvisionnement. Une prévision affinée la veille de la vente n’aide pas une commande partie des mois plus tôt : l’erreur se mesure sur la prévision qui existait au moment où la décision a été prise.
Séries temporelles et apprentissage automatique : le principe de chaque famille
Les méthodes de séries temporelles, comme le lissage exponentiel ou les modèles ARIMA, prolongent le passé de chaque série : son niveau, sa tendance, sa saisonnalité. Elles demandent peu de données annexes, s’expliquent facilement et restent une référence solide sur des ventes régulières.
Les méthodes d’apprentissage automatique, arbres de décision boostés ou réseaux de neurones, apprennent sur l’ensemble des séries une relation entre les ventes et des variables explicatives : prix, promotions, calendrier, météo, attributs du produit. Elles tirent parti des ressemblances entre articles, mais exigent des variables connues à l’avance pour la période à prévoir et une exploitation suivie (réentraînement, surveillance de la dérive), selon la chaîne décrite dans notre page MLOps et LLMOps.
Aucune des deux familles ne l’emporte par principe : le choix se fait sur les données de l’enseigne, avec les mesures qui suivent.
Erreur de prévision et biais : définitions et lecture
| Indicateur | Définition | Comment le lire | Ce que le chiffre ne dit pas |
|---|---|---|---|
| Erreur absolue moyenne (MAE) | Moyenne des écarts entre prévision et réalisé, pris en valeur absolue, en unités vendues | L’écart habituel sur une série, dans l’unité du métier | Rien de comparable entre un article vendu par milliers et un autre par dizaines |
| Erreur absolue moyenne en pourcentage (MAPE) | Moyenne, sur les lignes mesurées, de l’écart absolu divisé par le réalisé | Une erreur relative, comparable d’une série à l’autre | Elle n’est pas définie quand le réalisé est nul et s’emballe sur les petits volumes |
| Erreur absolue pondérée (WAPE) | Somme des écarts absolus divisée par la somme des réalisés | L’erreur rapportée au volume total : chaque article pèse selon ses ventes | L’état des petites références, noyées dans le total |
| Biais | Somme des écarts signés (prévision moins réalisé) divisée par la somme des réalisés | Positif, la prévision dépasse les ventes réalisées ; négatif, elle reste en dessous | La dispersion : de fortes erreurs de sens opposés donnent un biais nul |
Le MAPE a un autre défaut. Quand la prévision est trop basse, l’erreur d’une ligne ne peut pas dépasser la totalité du réalisé ; quand elle est trop haute, elle n’a pas de plafond. Une méthode réglée pour minimiser le MAPE tend donc à prévoir bas. L’erreur pondérée supporte les ventes nulles et atténue ce travers sans le supprimer : minimiser un écart absolu revient à viser la médiane des ventes, souvent inférieure à leur moyenne sur les articles à faible rotation. Le biais se suit donc à côté.
La définition du biais relève d’une convention, qui s’écrit une fois pour toutes : certaines équipes calculent le réalisé moins la prévision, d’autres l’expriment en unités sans le rapporter aux réalisés. Un biais durablement positif nourrit le surstock, un biais négatif les ruptures. Il se lit par famille de produits, par point de vente et par étape du processus : mesuré avant puis après les retouches manuelles, il montre si elles améliorent la prévision statistique ou la dégradent.
Aucune de ces mesures n’a de valeur cible universelle : l’erreur atteignable dépend de la maille, de l’horizon et de la régularité des ventes. La comparaison utile oppose la méthode à une prévision naïve, par exemple la vente de la même semaine un an plus tôt.
Niveau de service, rupture, surstock : mesurer les conséquences
Les trois mesures suivantes décrivent ce que l’enseigne a fait de la prévision.
Le niveau de service recouvre deux définitions courantes, à ne pas mélanger. Le taux de service de cycle est la part des cycles de réapprovisionnement achevés sans rupture. Le taux de satisfaction de la demande (fill rate) est la part des quantités demandées qui ont été servies depuis le stock disponible. Pour un même stock, les deux chiffres diffèrent : un cycle compte comme défaillant dès la première unité manquante, alors que le second taux ne retient que les unités manquantes. L’objectif se fixe par catégorie : son coût en stock de sécurité croît de plus en plus vite à l’approche de la disponibilité totale.
Le taux de rupture désigne ici la part des couples article et point de vente sans stock vendable, à un instant ou sur une période ; la convention retenue (instant ou période, périmètre compté) s’écrit, comme pour le biais. Il ne donne pas les ventes perdues : cette quantité ne s’observe pas, elle s’estime. Il dépend aussi de l’exactitude du stock informatique : un stock théorique positif devant un rayon vide masque la rupture.
Le surstock se mesure par la couverture : le stock divisé par la demande prévue par jour (ou, selon la convention, par les ventes moyennes passées), exprimé en jours de vente. Est en surstock la part du stock dont la couverture dépasse un seuil fixé par catégorie, selon la durée de vie commerciale du produit. Le chiffre ne désigne pas la cause : prévision trop haute, minimum de commande du fournisseur, conditionnement, ou achat décidé contre la prévision.
Prévoir trop bas et prévoir trop haut n’ont pas le même coût : d’un côté une vente manquée, de l’autre un invendu, une démarque et de la trésorerie immobilisée. Lorsqu’une collection ne se réassortit pas en cours de saison, l’arbitrage se rend à l’achat. Notre page commerce et luxe décrit les fondations de stock et de référentiel produit dont il dépend. Cette asymétrie fait l’intérêt d’une prévision exprimée en fourchette, avec plusieurs niveaux de probabilité.
Les angles morts d’un bon chiffre d’erreur
Une erreur calculée sur le total d’une famille laisse se compenser les écarts entre tailles, couleurs et magasins. Le chiffre national est excellent et le rayon est vide, comme dans la situation décrite en ouverture.
La prévision agit aussi sur ce qu’elle mesure. Un article peu alloué se vend peu, et le réalisé vient confirmer la prévision basse. Tant que la demande n’est pas estimée pendant les ruptures, l’erreur peut rester faible alors que le service se dégrade.
L’historique, lui, ne vaut que par ce qu’il enregistre. Si les promotions, les changements de prix et les ouvertures de magasins ne sont pas enregistrés avec leurs dates, leurs effets sont attribués à la saisonnalité. La fiabilité de l’historique des ventes, des stocks et du calendrier commercial relève de la qualité des données.
Restent les définitions. Quand les approvisionnements, le commerce et la finance calculent chacun leur taux de rupture, la réunion se passe à départager les chiffres. Fixer une définition unique par indicateur est l’objet de notre offre de business intelligence.
Avant de changer de méthode ou d’outil
Le premier travail se fait sur l’existant, à partir de la dernière saison close. Recalculez l’erreur pondérée et le biais de la prévision en place, à la maille et à l’horizon où les commandes ont été passées, puis ceux d’une prévision naïve sur le même périmètre. Placez en regard le taux de rupture et la couverture de stock des mêmes familles.
Ce relevé montre où la prévision est en cause, où la décision s’en est écartée, et sur quelles familles l’essai d’une autre méthode mérite d’être conduit.