Prévision de la demande dans l’industrie : guide pratique

Accueil » Ressources » Prévision de la demande dans l’industrie : guide pratique

Temps de lecture estimé : 14 minutes

Dans l’industrie, la prévision de la demande consiste à estimer les produits dont les clients auront besoin, en quelles quantités et à quelles dates. Elle associe l’historique de la demande aux informations sur les évolutions à venir, afin de donner aux achats et à la production une base commune pour leurs décisions.

Une prévision utile permet d’anticiper sans constituer des stocks pour chaque vente potentielle. L’examen de ses erreurs et de ses hypothèses aide à décider des engagements à prendre dès maintenant et de ceux qui peuvent attendre. La prévision fait partie de la planification de la demande, un processus plus large qui consiste à examiner les informations du marché et à s’accorder sur un plan de demande.

En pratique, le défi est double : estimer la demande avec une précision suffisante pour la décision à prendre, puis établir un plan de production capable d’y répondre. SkyPlanner APS assure l’ordonnancement détaillé qui concrétise vos décisions de fabrication. Vous évitez ainsi de reconstruire séparément les files d’attente de chaque machine lorsque ces décisions changent.

Voici comment établir votre prévision, évaluer ses erreurs et l’utiliser concrètement.

1. Définir les décisions que la prévision doit éclairer

Partez de la décision à prendre, pas du modèle de prévision. Réserver des matières pour un produit à long délai de fabrication, décider des quantités à produire pour le stock du mois prochain ou envisager une équipe de production supplémentaire ne demande pas le même niveau de détail.

Avant de collecter les données, précisez ces quatre points :

• L’objet de la prévision : un produit fini, une famille de produits ou un autre élément clairement défini pour la planification.
• L’unité : pièces, paquets, kilogrammes ou toute autre unité physique utilisée de manière cohérente. Le chiffre d’affaires seul peut masquer les variations de prix et de répartition entre produits.
• La période : le moment où les clients ont besoin du produit. Lorsque les données le permettent, utilisez systématiquement la date demandée comme référence.
• L’horizon : le délai d’anticipation nécessaire pour décider, compte tenu des délais d’approvisionnement et de fabrication.

Si vous devez vous engager sur les matières quatre semaines avant la date du besoin, une prévision qui n’est précise qu’à une semaine ne suffit pas. Évaluez l’estimation établie quatre semaines à l’avance, celle que les achats doivent réellement utiliser.

Choisissez le niveau de planification en fonction de la décision à prendre. Une prévision par famille de produits peut aider à évaluer le besoin d’une future équipe, mais elle n’indiquera pas aux achats quel composant propre à une variante commander. À l’inverse, prévoir séparément chaque variante rarement commandée peut générer plus de bruit que d’informations utiles. Veillez à la cohérence entre le total de la famille et sa répartition par article, puis vérifiez si l’évolution de cette répartition a des conséquences sur les matières ou la capacité.

En fabrication sur stock, les prévisions éclairent les décisions de réapprovisionnement. En fabrication à la commande, les commandes fermes peuvent déclencher les lancements effectifs, tandis que les prévisions servent à anticiper la capacité partagée ou les approvisionnements à long délai. Disposer d’une prévision ne vous oblige pas à fabriquer des produits finis pour des ventes encore hypothétiques.

Distinguez bien l’objectif de vente de la prévision. L’objectif exprime ce que l’entreprise souhaite vendre ; la prévision estime les besoins des clients à partir des informations disponibles. Réduire la prévision pour l’aligner sur la capacité actuelle de l’usine masque une demande potentiellement non satisfaite au lieu de résoudre le problème.

2. Constituer un historique de la demande qui reflète les besoins des clients

Utilisez une série cohérente de quantités demandées, par article et par période. Le rapport des expéditions de votre ERP peut servir de point de départ, mais vérifiez ce que ses dates et ses quantités représentent réellement.

Les retards de livraison sont un piège courant. Des unités demandées une semaine mais expédiées la suivante peuvent donner l’impression d’une faible demande la première semaine et d’une demande inhabituellement forte la seconde. Si vous cherchez à prévoir quand les produits doivent être disponibles, utilisez autant que possible la période demandée par le client. Vous éviterez ainsi que le modèle interprète vos propres retards de livraison comme un profil de demande.

Vérifiez l’historique avec les équipes commerciales et opérationnelles :

• Corrigez les doublons, les conversions d’unités et les changements de codes produit. Traitez les retours et les annulations selon leur cause, plutôt que de considérer chaque ajustement comme une nouvelle demande négative.
• Conservez les périodes où la demande a réellement été nulle. Une donnée manquante ne vaut pas automatiquement zéro, et supprimer les semaines creuses peut gonfler l’estimation.
• Repérez les ruptures de stock, les allocations de quantités et les restrictions de capacité. Expédier 60 unités alors que les clients en demandaient 100 ne prouve pas que la demande se limitait à 60. Utilisez les demandes non satisfaites enregistrées lorsqu’elles sont disponibles ; si vous estimez la demande perdue, indiquez clairement qu’il s’agit d’une estimation.
• Identifiez les promotions, les contrats ponctuels, les lancements et les produits retirés du catalogue. Conservez l’historique brut et consignez les raisons des ajustements apportés à la série utilisée pour la modélisation.

Représentez les quantités obtenues sur un graphique chronologique. Recherchez un niveau stable, une hausse ou une baisse durable, des pics saisonniers récurrents et de longs intervalles entre les commandes. Ces profils vous aideront à choisir les méthodes à tester.

Ne prévoyez pas séparément la demande de chaque composant lorsque ses besoins découlent des produits parents dont la fabrication est planifiée. Cette demande dépendante doit être déterminée par le calcul des besoins matières à partir de la nomenclature. Sinon, vous risquez d’obtenir des réponses contradictoires à une même question d’approvisionnement.

3. Adapter la méthode de prévision au profil de la demande

Aucune méthode n’est la meilleure pour tous les produits industriels. Commencez par une méthode de référence simple, puis vérifiez si une autre méthode améliore les décisions que vous devez prendre.

Profil de la demande	Point de départ pertinent	Points à vérifier
Demande relativement stable	Moyenne mobile sur les périodes récentes ou lissage exponentiel simple	La fenêtre de calcul de la moyenne atténue-t-elle le bruit sans masquer un changement réel ?
Demande saisonnière récurrente	Dernière saison comparable comme référence ; modèle de prévision saisonnière	Le calendrier des fêtes, les jours ouvrés ou la gamme de produits ont-ils changé ?
Tendance durable	Modèle prenant en compte la tendance, comme le lissage exponentiel avec tendance	La croissance se poursuit-elle ou le produit approche-t-il de sa maturité ?
Demande liée à des facteurs mesurables	Régression ou modèle d’apprentissage automatique adapté	Les informations sur ces facteurs seront-elles réellement disponibles au moment d’établir la prévision ?
Nombreuses périodes sans demande et commandes occasionnelles	Approche adaptée à la demande intermittente, comme une méthode de type Croston	La performance sur l’horizon de réapprovisionnement, et pas seulement la capacité à prévoir chaque semaine sans demande
Nouveau produit avec peu d’historique	Données de produits comparables et avis structurés des commerciaux et des clients	Les hypothèses de lancement, le report de la demande depuis les produits existants et la rapidité d’apprentissage à partir de la demande réelle

Le lissage exponentiel simple accorde davantage de poids aux observations récentes, mais sa forme de base ne modélise ni la tendance ni la saisonnalité. Les méthodes de type Croston traitent la demande intermittente en tenant compte des quantités non nulles et des intervalles qui les séparent ; elles ne suppriment pas l’incertitude sur la prochaine commande.

Pour illustrer simplement la moyenne mobile, supposons que la demande des trois dernières semaines ait été de 80, 100 et 120 unités. La prévision pour la semaine suivante, calculée sur une moyenne mobile de trois semaines, est la suivante :

Prévision = (80 + 100 + 120) ÷ 3 = 100 unités.

Ce calcul est facile à expliquer. Il peut toutefois réagir avec retard à une véritable tendance haussière. Trois observations illustrent le calcul, mais ne démontrent pas que la méthode convient au produit.

Comparez les méthodes envisagées à des références simples : la dernière demande observée et, pour les articles saisonniers, la dernière période saisonnière comparable. Un modèle plus complexe doit justifier son utilisation par de meilleures performances hors échantillon ou de meilleures décisions opérationnelles, et non par la sophistication de son nom.

Un modèle qui utilise des promotions ou des indicateurs économiques a aussi besoin de données d’entrée réalistes pour l’avenir. Le tester avec des informations indisponibles à la date de prévision lui donne des résultats meilleurs que ceux qu’il aurait pu obtenir en pratique. Une relation utile pour prévoir ne prouve pas, à elle seule, qu’une modification du facteur explicatif entraînera une hausse donnée des ventes.

4. Intégrer les informations métier sans perdre la prévision de référence

L’historique ne dit pas tout. Un client peut avoir annoncé un arrêt d’activité, un distributeur peut ouvrir un nouveau point de vente, ou un produit peut en remplacer un plus ancien.

Gardez la prévision statistique de référence visible et consignez séparément chaque ajustement métier. Précisez la quantité, la période, le motif, le responsable et la date de réexamen. Avant d’ajouter un effet, vérifiez qu’il n’est pas déjà pris en compte dans le modèle ou dans un autre ajustement.

Supposons que la prévision de référence soit de 100 unités pour une semaine à venir. Le service commercial apporte des éléments justifiant 20 unités supplémentaires pour un nouveau client, en plus de tout ce qui est déjà pris en compte. La prévision révisée passe à 120 unités. Si ce client reporte sa demande d’un autre produit vers celui-ci, ajustez aussi la prévision de cet autre produit plutôt que de comptabiliser ce transfert comme une croissance nette.

Le réexamen porte ainsi sur des points précis : la demande supplémentaire s’est-elle concrétisée, sur quelle période, et l’ajustement a-t-il amélioré la prévision ? Au fil du temps, comparez l’erreur de la prévision de référence à celle de la prévision ajustée. Conservez les ajustements qui apportent de l’information ; examinez ceux qui ne font qu’ajouter régulièrement de l’optimisme.

Pour un lancement incertain ou un contrat majeur, conservez un scénario central ainsi que des scénarios haut et bas plausibles, avec leurs hypothèses. Il s’agit de scénarios de planification, et non d’intervalles de prédiction calibrés statistiquement. Utilisez-les pour repérer les décisions qui changeraient selon le scénario : réserver des matières, ajouter une équipe ou différer la décision de constituer un stock de produits finis.

5. Mesurer l’erreur de prévision à l’horizon utile pour décider

Enregistrez chaque prévision émise avec sa date, la période visée, l’article et la version. Une fois la demande réelle connue, comparez-la à la version disponible au moment où l’entreprise devait agir, et non à la dernière révision effectuée juste avant la livraison.

Pour choisir une méthode, testez-la sur l’historique en simulant des prévisions hors échantillon. Ajustez la méthode avec les seules informations disponibles à une date passée, établissez la prévision à l’horizon requis, puis avancez la date limite des données et recommencez. Cette approche à origine glissante reproduit la tâche réelle sans laisser des observations futures s’introduire dans les données du passé.

Un exemple d’erreur de prévision

Supposons que vous évaluiez quatre semaines cibles pour un produit. Pour chaque ligne ci-dessous, la prévision enregistrée a été émise quatre semaines avant la semaine cible concernée. Ici, l’erreur signée correspond à la prévision moins la demande réelle : un nombre positif indique donc une surestimation.

Semaine cible	Prévision enregistrée	Demande réelle	Erreur signée	Erreur absolue
Semaine 1	110	100	+10	10
Semaine 2	110	120	−10	10
Semaine 3	110	80	+30	30
Semaine 4	110	100	+10	10
Total	440	400	+40	60

Trois indicateurs éclairent différents aspects de ce résultat :

Erreur absolue moyenne (MAE) = somme des erreurs absolues ÷ nombre de périodes = 60 ÷ 4 = 15 unités par semaine.

La MAE donne un ordre de grandeur facile à interpréter de l’erreur, exprimé dans l’unité du produit. Elle n’indique pas si les prévisions ont tendance à surestimer ou à sous-estimer la demande.

Erreur absolue pondérée en pourcentage (WAPE) = somme des erreurs absolues ÷ somme de la demande réelle × 100 = 60 ÷ 400 × 100 = 15 %.

Pour ces quantités de demande positives ou nulles, la WAPE exprime l’erreur absolue par rapport à la demande totale. Cela ne signifie ni que l’erreur de chaque prévision hebdomadaire était inférieure ou égale à 15 %, ni que vous avez 85 % de probabilité de satisfaire la demande.

Erreur moyenne signée, ou biais = somme des erreurs signées ÷ nombre de périodes = 40 ÷ 4 = +10 unités par semaine.

Avec la convention de signe retenue, la prévision surestimait en moyenne la demande. Sur les quatre semaines, elle dépassait la demande réelle de 40 unités, soit 10 % de la demande réelle totale. Les surestimations et les sous-estimations peuvent se compenser dans un total : le biais ne suffit donc pas à décrire l’ampleur de l’erreur.

Ces quatre lignes illustrent les indicateurs, mais ne constituent pas un historique suffisant pour valider une méthode. Effectuez assez de tests à origine glissante pour couvrir les saisons, les profils de commande et les évolutions qui concernent le produit.

Éviter un score de précision trompeur

La MAPE, ou erreur absolue moyenne en pourcentage, divise l’erreur absolue de chaque période par la demande réelle de cette période. Elle n’est pas définie lorsque la demande réelle est nulle et devient instable lorsqu’elle est proche de zéro. C’est donc un indicateur mal adapté par défaut aux demandes intermittentes dans l’industrie.

La WAPE peut inclure certaines périodes sans demande, mais elle n’est pas définie si la demande réelle totale est nulle. Son dénominateur varie aussi avec le volume : une hausse de la demande peut améliorer le pourcentage sans que l’erreur en unités diminue. Examinez-la avec la MAE, le biais et les résultats de la méthode de référence simple, sur les mêmes périodes de test.

Le total d’une famille peut masquer une surestimation persistante pour une variante et une sous-estimation pour une autre. Examinez les produits qui risquent de dégrader le service client, de générer des stocks coûteux ou de charger les ressources critiques, et pas seulement la moyenne globale.

Il n’existe pas de pourcentage d’erreur de prévision universellement acceptable. Une erreur de 15 unités n’a pas les mêmes conséquences pour une pièce courante peu coûteuse que pour un ensemble fini à faible rotation. Évaluez la prévision au regard du coût des ruptures et des excédents, du délai de réapprovisionnement et des possibilités de réaction dont vous disposez. Définissez les marges de sécurité en fonction de l’incertitude et de votre politique de service ; n’ajoutez pas simplement la MAE à chaque quantité à produire.

6. Passer de la prévision à une décision de production

La prévision révisée est une estimation de la demande client. La quantité à produire relève d’une décision distincte, qui tient compte des commandes confirmées, du stock utilisable, des réceptions de production déjà prévues et du niveau de stock que vous souhaitez conserver.

Évitez de compter deux fois la même demande. Si la prévision est de 120 unités et que les commandes confirmées en couvrent 70, une règle simple de consommation des prévisions sur la même période laisse 50 unités de prévision non couvertes par des commandes. La demande totale reste de 120 unités, et non de 190. En pratique, votre règle peut consommer les prévisions sur différentes dates ou catégories de demande.

Supposons maintenant que vous disposiez de 30 unités de produits finis utilisables, que vous souhaitiez en conserver 10 en fin de période et qu’aucune réception de production ne soit prévue. Pour couvrir les 120 unités, la quantité proposée à fabriquer serait de 100 unités : 120 + 10 − 30. Cela suppose que les stocks et les produits achevés soient disponibles avant les dates auxquelles ils doivent satisfaire la demande.

Le programme directeur de production précise ces quantités et ces dates de disponibilité par article. Le MRP calcule les besoins en matières et en composants correspondant aux fabrications approuvées. Ni la prévision ni le niveau de stock ne prouvent que l’usine dispose de la capacité nécessaire pour les réaliser à temps.

Supposons par exemple que cette fabrication de 100 unités nécessite 0,2 heure-machine par unité et deux heures de préparation, soit 22 heures sur la machine critique. Les autres engagements y mobilisent déjà 20 heures, alors que seules 40 heures sont disponibles avant la date de fin requise. La charge proposée atteint donc 42 heures. Il faut combler ce manque de deux heures, utiliser une ressource alternative compatible ou revoir un engagement.

Ne ramenez pas la prévision de demande client à 110 simplement pour faire tenir la charge sur la machine. Gardez l’estimation de la demande visible et décidez comment combler l’écart entre la demande et ce que vous pouvez fournir.

Ordonnancez avec SkyPlanner les opérations nécessaires pour répondre à la demande

Lorsqu’une évolution des prévisions vous amène à revoir un engagement de production, le travail de réordonnancement peut concerner plusieurs machines et commandes. L’ajout d’un lot a des répercussions sur les opérations qui le suivent, sur celles déjà en attente sur ces machines et sur les dates de livraison qui en dépendent.

SkyPlanner APS regroupe ces opérations dans un planning partagé des ressources. Définissez les postes de travail, les équipes, les opérateurs, les étapes de fabrication et leurs durées, puis pilotez le planning à l’aide des priorités et des verrouillages. Arcturus, l’IA d’ordonnancement de SkyPlanner, calcule le placement des opérations en fonction des capacités configurées, des ressources admissibles et des dépendances entre opérations. La vue Gantt affiche l’enchaînement obtenu et les dates de fin.

Pour la fabrication envisagée de 100 unités, cela permet de relier le besoin d’usinage au reste de la gamme et aux autres opérations qui utilisent les mêmes ressources. Vous pouvez vérifier si une modification validée des horaires d’équipe ou un changement de priorité permet de terminer à temps, sans réajuster manuellement la file d’attente de chaque machine concernée.

Lorsque la prise en compte des matières est activée dans l’ordonnancement, Arcturus tient compte du stock et de la disponibilité des matières attendues pour calculer les dates de début. Les dates de livraison prévues des achats indiquent une disponibilité attendue ; le stock est mis à jour lorsque la réception est confirmée. Une machine libre sur le planning ne suffit pas si la matière n’est pas disponible ou si l’opération précédente n’est pas terminée.

Conservez les décisions de prévision et de réapprovisionnement dans votre processus de planification de la demande ou dans votre ERP. SkyPlanner ne génère pas automatiquement d’opérations de fabrication à partir des prévisions : il ordonnance celles que vous créez ou transmettez par intégration. SkyPlanner s’intègre à tout ERP ou MES grâce à son API REST ouverte. Vous pouvez ainsi conserver le système qui gère ces décisions tout en améliorant leur mise en œuvre au niveau opérationnel.

C’est tout l’intérêt de choisir SkyPlanner lorsque chaque évolution de la demande entraîne un travail d’ordonnancement manuel : les planificateurs fixent les priorités, et Arcturus calcule l’enchaînement des opérations sur les ressources pour concrétiser ces décisions.

Ce qu’un réordonnancement plus rapide a changé pour Fredman Operations

Fredman Operations, fabricant finlandais de produits de cuisine et d’emballage aptes au contact alimentaire, définissait auparavant les priorités des opérations manuellement, sans visibilité précise sur les heures de libération des machines ni sur les capacités de chaque équipe. Un réordonnancement urgent pouvait prendre une heure ou plus.

Le déploiement de SkyPlanner a permis de connecter ses systèmes L7 et LTR et de réunir les capacités et les opérations dans une vue Gantt partagée. Selon le témoignage du client, évaluer une demande visant à avancer l’ensemble du carnet de commandes prend quelques secondes, au lieu de plusieurs heures de calcul manuel. L’équipe fait également état d’une baisse des heures supplémentaires et d’une plus grande réactivité face aux modifications du planning.

Le bénéfice à retenir concerne la réponse de la production : comprendre les conséquences d’un changement de besoin sur les opérations et les dates de livraison, tant qu’il est encore temps d’agir.

Gardez le lien entre les prévisions et la réponse de l’usine

Adoptez un rythme de révision adapté à vos décisions. Actualisez la prévision de référence à mesure que de nouvelles données de demande arrivent, examinez les écarts significatifs avec les commerciaux et suivez l’erreur de la prévision archivée à l’horizon requis pour chaque décision. Ne laissez pas les révisions courantes modifier discrètement les engagements que la production se prépare déjà à tenir.

Lorsqu’un changement validé modifie une quantité à fabriquer ou une date de disponibilité, mettez à jour les opérations de production et réexaminez leur ordonnancement sur les ressources. Les achats, la production et les commerciaux disposent ainsi d’une vision cohérente des changements et de ce qui peut désormais être livré.

Pour découvrir comment organiser cette réponse avec moins de planification manuelle, réservez une démonstration de SkyPlanner. Préparez un exemple de quantité à produire décidée après une évolution des prévisions, avec sa gamme de fabrication et les dates auxquelles les produits doivent être disponibles. Ces éléments constituent un point de départ concret pour visualiser les répercussions sur vos capacités partagées et vos autres engagements. Si vous préférez d’abord explorer l’outil, essayez SkyPlanner avec des données de démonstration.