Aller au contenu
Cabinet d'expertise en transformation technologique · ARDIANE Group Innover, sécuriser, réussir

Secteurs

Mesurer une prévision de la demande : erreur, biais, niveau de service, rupture et surstock

L'essentiel

La prévision de la demande estime les quantités que les clients voudront acheter, par article, par lieu et par période, pour décider des achats, des réassorts et des stocks. Elle se juge sur plusieurs mesures lues ensemble (erreur, biais, niveau de service, rupture, surstock) : Management Square en donne ici la définition, la lecture et les limites.

Sommaire de la page

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.

Insights

À lire sur le sujet

Tous les insights
Les enjeux de la transformation digitale d'une banque se lisent aux retards de son système d'information

Les enjeux de la transformation digitale d'une banque se ramènent, pour son système d'information, à cinq chantiers : systèmes hérités, exigences réglementaires, données de risque, parcours client et dépendance aux prestataires. Management Square propose ici un diagnostic : les signes qui peuvent désigner le chantier en retard, la pièce qui le confirme et la réponse que chacun appelle.

Lire l'analyse
DORA banque : ce que le règlement change dans un projet informatique

Pour une banque, DORA, le règlement (UE) 2022/2554 applicable depuis le 17 janvier 2025, s'exerce dans chaque projet informatique : évaluation des risques à chaque modification importante, tests et approbation avant la mise en production, contrats de prestataires encadrés, information de l'organe de direction. Management Square lit ici le texte et ses normes techniques du point de vue d'un projet bancaire.

Lire l'analyse
Marchés publics informatiques, lus dans le code de la commande publique et le CCAG-TIC

Les marchés publics informatiques obéissent au code de la commande publique pour leur préparation et leur passation, et au CCAG-TIC pour leur exécution lorsque le marché s'y réfère. Management Square lit ici ces deux textes : définition du besoin, allotissement, procédures, pièces, vérifications, propriété des résultats et réversibilité, avec ce que chacun laisse au marché.

Lire l'analyse

FAQ

Questions fréquentes

Une autre question ? Posez-la-nous

Quelle différence entre prévision de la demande et prévision des ventes ?

Au sens strict, la prévision des ventes estime ce qui sera vendu, compte tenu du stock disponible. La prévision de la demande estime ce que les clients voudraient acheter si l'article était présent. Les deux coïncident tant qu'il n'y a pas de rupture. Dès qu'un article manque, les ventes enregistrées sous-estiment la demande, et un historique utilisé sans correction entretient la pénurie.

MAPE ou erreur pondérée : quel indicateur d'erreur retenir ?

Le MAPE fait la moyenne des erreurs relatives de chaque ligne : il n'est pas défini quand la vente réelle est nulle et donne un poids démesuré aux articles qui se vendent peu. L'erreur pondérée (WAPE) divise la somme des écarts absolus par la somme des ventes réelles, ce qui supporte les ventes nulles et pèse chaque article selon son volume. Sur un assortiment où beaucoup de références se vendent peu, la seconde est plus sûre, à condition de suivre le biais à côté.

L'apprentissage automatique prévoit-il mieux que les méthodes de séries temporelles ?

Pas par principe. L'apprentissage automatique exploite des variables explicatives (prix, promotions, calendrier) et les ressemblances entre articles, ce qui l'aide sur les références récentes ou très promues. Les méthodes de séries temporelles restent une référence solide sur des ventes régulières. La comparaison se fait sur les données de l'enseigne, à la maille et à l'horizon de la décision, face à une prévision naïve.

Comment prévoir la demande d'un nouveau produit sans historique ?

Par analogie. La prévision s'appuie sur les ventes passées d'articles comparables par leur catégorie, leur prix, leur saison et leur exposition en magasin, puis se corrige dès les premières semaines de vente. Un modèle d'apprentissage automatique peut formaliser cette analogie à partir des attributs du produit. L'incertitude reste plus forte que sur un article installé, ce qui justifie des premières quantités prudentes lorsque le réassort est possible.

Un projet à faire aboutir ?

Un premier échange suffit pour situer votre enjeu, identifier les bons interlocuteurs et vous dire franchement ce que nous pouvons apporter.