Contrle de gestion

Chapitre II Budget des ventes

1. Introduction
1.1 Dfinition du budget
Le terme proviendrait de l'ancien franais
bougette , dsignant une petite bourse
accroche la ceinture de l'habit d'une personne,
contenant de la menue monnaie lui permettant de
faire face aux dpenses prvisibles de la journe.
Financirement parlant, le budget est la traduction
montaire, des objectifs, des politiques et des
moyens labors dans le cadre dun plan, couvrant
toutes les phases doprations et limit dans le
temps,

1.2. Le rle de la gestion budgtaire

des ventes
La gestion budgtaire des ventes joue un rle
pivot dans le budget global de lentreprise
pour les raisons suivantes :
Permet une valuation des ressources futures
potentielles et les quilibres financiers qui sen
dgagent;
Permet de conditionner sur la base de nos
prvisions les budgets avals Ex: budget
dapprovisionnement ;

1.3 Prrequis de la gestion budgtaire

des ventes
la gestion budgtaire des ventes ncessite:
La connaissance structurelle de lentreprise
SWOT ;
Une tude du march de lentreprise;
Un traitement mathmatique et statistique
pour prvoir les ventes

1.4 Paramtres internes et externes

la gestion budgtaire des ventes tient en
compte un certains nombres de paramtres
lors de llaboration de son analyse:
Paramtres internes:
Les marges souhaits;
Les canaux de distribution;
La capacit de distribution;
Capacit de stockage

1.4 Paramtres internes et externes

1.4 Paramtres externes :
La concurrence;
Le pouvoir dachat;
La contrainte environnementale;
etc

2. La modlisation des prvisions

2.1Horizon des prvisions
La demande a une influence sur plusieurs aspects de gestion de l'entreprise,
aussi bien au niveau des oprations journalires que des dcisions
stratgiques.
Court Terme : Gnralement mesur en jours ou en semaines. Peut aller
jusqu un an. court terme, au niveau oprationnel, la demande peur
amener dterminer le nombre dheures de travail et lutilisation de
temps supplmentaire ou de temps partiel. La demande courante
influence galement les fonctions dapprovisionnement, dexpdition et
de rception.
Moyen Terme : Gnralement mesur en semaines ou en mois. Peut
aller jusqu deux ans. moyen terme, la demande a un impact sur les
stocks de scurit et sur les contrats avec les clients et les fournisseurs.
ce niveau, les prvisions permettent une planification agrge de la
production.
Long Terme : Peut aller jusqu cinq ans ou plus.

2.2 Composantes dune srie

chronologique
Les modles utilisant les sries chronologiques sont des outils
de prvision adquats. Celles-ci peuvent toutefois tre
dcomposes de manire rvler des patrons qui facilitent la
projection des donns dans le futur. Voici les quatre
composantes gnralement reconnues pour les sries
chronologiques :

Tendance
Saisonnalit
Cycle
Alas

2.2.1 la tendance
Tendance La tendance est le mouvement gnral vers le haut
ou vers le bas du niveau moyen dans le temps. Un historique
de donnes couvrant plusieurs annes est souvent ncessaire
afin de dterminer les tendances. Parmi les facteurs
susceptibles d'expliquer une tendance, on retrouve les
avances technologiques, un changement de productivit,
l'inflation et l'volution de la population

2.2.2 la saisonnalit
La composante saisonnire est une fluctuation
de la demande au-dessus et au-dessous de la
tendance et qui se rpte intervalles
rguliers.

2.2.3 le cycle
Les cycles sont similaires aux composantes
saisonnires, l'exception que l'amplitude et
la longueur des cycles (plus d'un an) peuvent
varier dans le temps. Ces mouvements sont
souvent associs aux cycles conomiques
(inflation, rcession, chmage, prosprit,
etc.) et c'est pourquoi plus de 15 ou 20 ans de
donnes sont ncessaires la dtermination
de la composante cyclique

2.2.3 l Alatoire
La composante alatoire est une suite de
petits mouvements qui ne suivent aucun
patron reconnaissable. Ces alas sont causs
par des vnements imprvisibles ou qui ne se
rptent pas dans le temps tels que, par
exemple, des innondations, des guerres, des
grves, des lections, l'adoption de lois, etc.

3 Modles pour sries stationnaires

3.1 Moyenne mobile simple (SMA)
Les moyennes mobiles sont des moyennes mises jour au
fur et mesure que de nouvelles observations sont
disponibles.
La moyenne est calcule en utilisant seulement un certain
nombre des plus rcentes donnes.
La moyenne mobile permet d'liminer les fluctuations
alatoires et d'obtenir un estim des ventes moyennes par
mois.
Cette mthode est galement utile pour voir si la moyenne
a augment ou diminu au cours des derniers mois.
Enfin, lorsqu'il n'y a pas de tendance ou de saisonnalit
dans les donnes, la moyenne mobile donne une prvision
de la valeur moyenne des ventes pour les prochaines
priodes.

3.1 Moyenne mobile simple (SMA)

Formule
SMAt+1= 1/n(

=+1 )

Vi: les ventes relles de la priode;

n: nombre de priodes utiliss.

3.1 Moyenne mobile simple (SMA)

Application
Mois

Ventes relles

Prvisions par SMA

1
2
3

600
520
440

4
5
6
7

660
770
800
920

calculs

520
540
623,33
743,33

(600+520+440)/3
(520+440+660)/3
(440+660+770)/3
(660+770+800)/3

VR
1000
800
600
VR

400
200
0
1

3.1 Moyenne mobile simple (SMA)

choix du nombre de priodes
Le choix du nombre de priodes utiliser dans le calcul de la
moyenne mobile simple dpend beaucoup des variations
attendues dans les donnes. Ceci peut tre illustr par deux
caractristiques de la prvision:
Stabilit : En faisant la moyenne de plusieurs priodes, on
attnue les fluctuations alatoires afin que la prvision soit
plus stable. La stabilit est la proprit de la prvision ne
pas fluctuer de manire dsordonne. Gagner en stabilit
est un avantage s'il y a beaucoup de fluctuations alatoires
dans les donnes. Une moyenne mobile gagnera en
stabilit si un plus grand nombre de priodes est utilis
dans le calcul de la moyenne.

3.1 Moyenne mobile simple (SMA)

Ractivit :
La ractivit est la proprit qu'a la prvision
s'ajuster rapidement un changement dans le
niveau moyen rel de la demande. L'utilisation d'une
prvision ractive est approprie dans le cas o les
fluctuations alatoires sont faibles. Plus le nombre
de priodes utilises dans le calcul de la moyenne
mobile est petit, plus le modle prvisionnel sera
ractif.

3.2 Moyenne mobile pondre (WMA)

La moyenne mobile pondre permet de
donner diffrents poids pour les donnes
utilises dans le calcul de la moyenne. On
peut de cette manire donner plus
d'importance aux donnes plus rcentes afin
qu'elles influencent davantage la prvision
que les donnes plus anciennes.
Note: la somme des poids utiliss doit galer
1.

3.2 Moyenne mobile pondre (WMA)

Mois
1
2
3
4
5
6
7

Ventes relles
600
520
440
660
770
800
920

WMA

496 = 600*0,2+520*0,3+440*0,5
566 =520*0,2+440*0,3+660*0,5
671 =440*0,2+660*0,3+770*0,5
763 =660*0,2+ 770*0,3+800*0,5

3.2 Mthode du lissage exponentiel

(SEM)
Le lissage exponentiel est une autre forme de moyenne
mobile pondre. chaque priode, cette mthode
ajuste la moyenne en proportion de la diffrence entre
la dernire valeur relle et la prvision correspondante:
Formule:
Pt+1 = Vt + (1- )Pt
O
Pt+1 : Prvision des ventes en t+1;
Vt : Ventes relles de la priode t;
Pt : Prvision des ventes en t;
: constante de lissage 0< <1

3.2 Mthode du lissage exponentiel

(SEM)
Autres critures: valeur lisse ou moyenne
pondre P (1 ) V (1 ) P
t 1

i 0

t i

t 1

Pt

Vt (1 ) j Vt j (1 ) t P0
j 1

P0 tant la valeur initiale

Choix de la valeur initiale On peut choisir pour valeur initiale :

La moyenne de la srie chronologique.
La premire observation de la srie chronologique

3.2 Mthode du lissage exponentiel

(SEM)
Le choix du paramtre est tributaire de la
minimisation de lerreur
Rsum des erreurs de prvision
Mean Error (ou Erreur Moyenne) :
ME= 1/n =+1
Mean Square Error (ou Erreur Quadratique Moyenne) :
MSE= 1/n =+1()2
Mean Absolute Error (ou Erreur Absolue Moyenne) :
MAE= 1/n =+1 I I

3.2 Mthode du lissage exponentiel

(SEM)
Remarque
L' Erreur Absolue Moyenne accorde moins
d'importance aux erreurs leves que l'Erreur
Quadratique Moyenne.
On peut chercher le paramtre qui minimise
l'Erreur Quadratique Moyenne, mais on peut
prfrer minimiser l'Erreur Absolue Moyenne
qui accorde moins d'importance aux erreurs
leves que l'Erreur Quadratique Moyenne.

3.2 Mthode du lissage exponentiel

(SEM)
Sur la base du tableau

La valeur Alpha =0,8 qui minimise le plus la MSE

3.2 Mthode du lissage exponentiel

(SEM)
Sur la base des rsultats obtenus sur Eviews:
Method: Single Exponential
Original Series: VENTES_REELLES
Forecast Series: VENTESSM

Parameters:
Alpha
0.9990
Sum of Squared Residuals
90657.66
En optimisant la slection Alpha doit tre gale 0,9.

 Comparaison des deux mthodes Moyenne mobile simple VS lissage

exponentiel simple... Similitudes :
1. Les deux modles reposent sur l'hypothse que la Variable est stationnaire
(reprsente par une constante plus une fluctuation alatoire de moyenne
zro). Cependant, en ajustant les valeurs de N et , ces modles peuvent
avoir une ractivit plus ou moins grande face un changement de la variable
moyenne.
2. Les prvisions des deux modles seront en retard sur la tendance s'il y en a
une. Ils sont adquats seulement pour les sries stationnaires.
3. Les deux modles ne ncessitent respectivement la spcification que d'un
seul paramtre: N (le nombre de priodes de la moyenne mobile) ou (la
constante de lissage). Avec N petit (ou grand), le modle a une plus grande
ractivit au changement dans le profil de la demande mais il en rsulte une
plus grande variance dans les erreurs de prvision.

 Diffrences :
1. Le lissage exponentiel est une moyenne pondre de
toutes les donnes historiques. La prvision calcule
partir d'une moyenne mobile ne considre que les N
donnes les plus rcentes. Ceci reprsente un avantage
pour la moyenne mobile. En effet, dans ce cas, une donne
peu reprsentative ne sera plus considre aprs N
priodes alors qu'elle aura toujours une influence dans le
calcul de la prvision utilisant le lissage exponentiel.
2. Pour pouvoir utiliser les moyennes mobiles, il faut
conserver toutes les donnes des N priodes passes. Dans
le cas du lissage exponentiel, seule la dernire

4, Modle pour srie avec tendance

4.1 La rgression linaire
La rgression linaire est une mthode
statistique pour estimer la relation moyenne
qui peut exister entre une variable
dpendante et une variable indpendante.
Dans les modles de prvision des ventes, on
voudra dterminer la relation qui existe entre
les ventes et une autre variable, comme par
exemple, le temps, le prix de vente ou l'effort
de promotion.

4.1 La rgression linaire

La mthode des moindres carrs est
utilise pour dterminer la valeur des
paramtres de l'quation de
rgression.
Cette mthode utilise toutes les
donnes observes et dtermine les
valeurs de a et b de manire
minimiser la somme du carr des
erreurs.

 Exemple: V = a + b T

sommes

Priodes (T)
1
2
3
4
5
6
7
28

ventes (V)
250
300
350
400
450
500
550
2800

Vi 2
1
4
9
16
25
36
49
140

T = 28/7 = 4; V = 2800/7 = 400

COV (V,T) = 12.600/7 - 400*4= 200
S2T = 140/7 (4)2 = 4
b= COV (X,Y)/ S2T = 200/4= 50
a= V b T = 400 50*4 = 200,

ViTi
250
600
1050
1600
2250
3000
3850
12600

4.2 Lissage exponentiel double (Holt)

Le modle que nous prsentons ici s'applique
aux sries avec tendance linaire. Il comporte
deux constantes de lissage prenant chacune des
valeurs entre 0 et 1:
: est utilis pour lisser les variations alatoires
dans la demande
est utilis pour lisser les variations dans
l'estim de la pente

4.2 Lissage exponentiel double (Holt)

Trois quations sont ncessaires au calcul de
la prvision:
= + 1 (t-1 + bt-1 );
= (t - t-1) + (1- ) -1;
Pt+1 = +
Pt+m = +

4.2 Lissage exponentiel double (Holt):

4.2.1 Dtermination des paramtres
Dans la mthode de Holt, il faut dterminer
les paramtres de lissage et , de mme
que la valeur initiale de la srie (a0) et de la
pente (b0).
Dtermination de a0 et b0 :
De manire trs simple, on peut poser
a0 =a1= V1 (premire observation)
b0 =b1= (V7 V1) / (7-1)
Dtermination de et
On recherche et minimisant

2
(Y

P
)
t t

4.2 Lissage exponentiel double (Holt):

4.2.1 Dtermination des paramtres
Dtermination de et
La combinaison et choisie doit permettre une bonne
ractivit du modle tout en maintenant une stabilit. Il
est possible de dterminer les valeurs de et qui
minimisent le MSE (Moyenne du carr des erreurs). Pour
se faire, il faut dfinir une grille de valeurs
possibles de a et b (par exemple, chaque combinaison de
a = 0.1, 0.2, 0.3,...,0.9 et b = 0.1, 0.2, 0.3,...,0.9), calculer
pour chaque combinaison le MSE et choisir la
combinaison de et qui a la plus petite MSE.

4.2.2 Exemple

Le choix des paramtres alpha et bta ici est arbitraire, nous procderont par la
suite llaboration dune dtermination prcise
Priodes (Y)
1
2
3
4
5
6
7
8

=0,2
ventes (X)
250
300
380
400
450
520
550

=0,3
a
250**
300
356
406,24
456,06
509,55
558,97

b
Pt+1= at+bt
50*
50
300***
51,8
350
51,332
407,8
50,87768
457,572
51,66156 506,93528
50,98898 561,209787
609,956806

* bo =b1= (V7 V1) / (7-1)= (550-280)/6=50

** a0 =a1= V1= 250
***P2= a1+b1 = 250+50= 300
a2= V2 + (1- )(a1+b1) = 0,2*300 +0,8*300 = 300
b2= (a2-a1) +(1- )(b1) = 0,3*(300-250) +0,7*50 = 50
P3 = a2+b2= 300+50 = 350

SSE
0
0
900
60,84
57,33518
170,6869
125,6593
1314,521

4.2.2 Exemple

Resultats Eviews
Sample: 1 7
Included observations: 7
Method: Holt-Winters No Seasonal
Original Series: VENTES__X_
Forecast Series: VENTESSM
Parameters:

Alpha
Beta
Sum of Squared Residuals
Root Mean Squared Error

0.0500
0.9702
1207.888
13.13604

End of Period Levels:

Mean
557.2307
Trend
51.46902
On Remarque que 1207,88 < 1314,25, ce qui signifie que le choix des paramtres = 0,05 =
0,9702 .

5. Modles pour sries avec

saisonnalit
5.1 Longueur du cycle

Dans les modles avec saisonnalit, N dnote la

longueur du cycle (en nombre de priodes). Par
exemple, si le cycle se rpte chaque anne et
que nous sommes intresss aux prvisions
hebdomadaires, N = 52.
Pour un cycle annuel avec des donnes
mensuelles, N = 12.
Pour un cycle se rptant chaque mois, avec
des donnes obtenues quatre fois par mois, N =
4.

5.1 Longueur du cycle

Dans la figure suivante, 4 donnes sont disponibles chaque cycle, c'est--dire que
le cycle se rpte toute les 4 priodes. La longueur du cycle est donc N = 4.

5.1 Longueur du cycle

Pour le modle de dcomposition classique
comme pour la mthode de Winters, on fait
appel des multiplicateurs saisonniers Ct.
Chaque multiplicateur reprsente la dviation
moyenne de la demande par rapport la
moyenne gnrale.
Le nombre de multiplicateurs saisonniers dpend
de la longueur du cycle. Ainsi, pour un cycle de N
= 4 priodes, on aura 4 multiplicateurs: C1, C2, C3
et C4.

5.2 Mthode des coefficients

saisonniers
tapes:
1) Dgager la tendance: calculer l'aide de
mthodes linaires la tendances des ventes;
2) Calculer l'indice de chacune des priodes
(mois, saisons,...) en utilisant le quotient des
ventes relles sur la valeur estime par la
tendance;
3) Regrouper les indices saisonniers des mmes
priodes et en faire une moyenne;
4) Rectifier les valeurs estimes de la tendance en
les multipliant par les indices calculs.

5.2 Mthode des coefficients

saisonniers (exemple)

Le tableau suivant reprsente les quantits de produits vendus au cours des quatre
dernires annes rparties par saison (H : Hiver, P : Printemps, E : Et, A :
Automne).
ventes
priodes
1 Hiver
2 printemps
3 t
4 Automne
5 hiver
6 printemps
7 t
8 Automne
9 hiver
10 printemps
11 t
12 automne
13 Hiver
14 printemps
15 t
16 Automne

ventes
5500
5100
3500
2900
6500
6300
5000
3800
7800
7300
6000
5400
9200
8800
7000
6300

10000
9000
8000
7000
6000
5000
4000
3000
2000
1000
0

ventes

9 10 11 12 13 14 15 16

5.2 Mthode des coefficients

saisonniers (exemple)
1) Par la mthode des moindres carres On
peut dterminer l'quation suivante pour les
quantits vendues Y en fonction de la priode
X : Y = 225 X + 4107.
L'hiver suivant correspondant la priode
X=17. La prvision l'aide de l'quation
trouve ci-haut est Y = 225 (17) + 4107
Y = 7932.

5.2 Mthode des coefficients

saisonniers (exemple)

Etape 2 : Calculer l'indice de chacune des priodes

Tableau des valeurs relles
Tableau des valeurs estimes
hiver
printemps
t
automne
Total

5500
5100
3500
2900
17000

6500
6300
5000
3800
21600

7800
7300
6000
5400
26500

9200
8800
7000
6300
31300

hiver

*4332

5232

6132

7032

**4557

5457

6357

7257

4782

5682

6582

7482

automne

5007

5907

6807

***7707

printemps

*4332 = = 225* (1) + 4107;

**4557= = 225 *(2) + 4107; ..***7707= = 225*(16) + 4107
Etape 3 : Regrouper les indices saisonniers (valeurs relles/valeurs estimes) des mmes priodes
et en faire une moyenne
Moyennes = somme de
chaque saison /4
hiver

*1,269621

1,242355

1,272016

1,308305

****1,273074177

**1,119157

1,15448

1,14834

1,212622

1,158650133

0,731911

0,879972

0,911577

0,935579

0,864759731

automne

0,579189

0,643305

0,793301

***0,817439

0,708308349

printemps

*1,269621 = 5500 / 4332; **1,1191 = 5100/4557; .***0,8174= 6300/7707

Moyenne : ****1,2730= (1,2696+1,2423+1,2720+1,3083)/4

Etape 4 Rectifier les valeurs estimes de la tendance en les multipliant par les indices calculs.
Finalement, la prvision pour lhiver suivant sera de : 1.273 x 7932 = 10093 units

Mthode des coefficients saisonniers

(exemple 2)
Afin de dterminer les multiplicateurs saisonniers
qui seront utiliss dans la mthode par
dcomposition et dans la mthode de Winters,
au moins 2 cycles de donnes doivent tre
disponibles.
On calcule alors la moyenne mobile d'ordre N
(nombre de priodes dans la saison) des derniers
cycles reprsentatifs. Si le nombre de priodes
dans le cycle est pair, il faudra centrer la moyenne
mobile avant de calculer les facteurs saisonniers.

Mthode des coefficients saisonniers

(exemple 2)
priodes

ventes
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

MB (N=4)
5500
5100
3500
2900
6500
6300
5000
3800
7800
7300
6000
5400
9200
8800
7000
6300

MB centre

4250
4500
4800
5175
5400
5725
5975
6225
6625
6975
7350
7600
7825

4375
4650
4987,5
5287,5
5562,5
5850
6100
6425
6800
7162,5
7475
7712,5

Mthode des coefficients saisonniers

(exemple 2)
La moyenne mobile obtenue ici est pour
le quart 2,5 qui n'a pas d'existence relle. Elle devra
donc tre recentre l'tape suivante en faisant la
moyenne de deux moyennes mobiles successives.
En faisant la moyenne de deux moyennes mobiles
successives, ont peut recentrer la moyenne
mobile sur une priode prcise.
Ceci est ncessaire lorsque l'ordre de la moyenne
mobile (N) est pair.

Mthode des coefficients saisonniers

(exemple 2)

priodes

ventes
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

MB d'ordre 4
5500
5100
3500
2900
6500
6300
5000
3800
7800
7300
6000
5400
9200
8800
7000
6300

4250
4500
4800
5175
5400
5725
5975
6225
6625
6975
7350
7600
7825

MB centre

4375
4650
4987,5
5287,5
5562,5
5850
6100
6425
6800
7162,5
7475
7712,5

Ratio V/MB
centre

0,8
0,623656
1,303258
1,191489
0,898876
0,649573
1,278689
1,136187
0,882353
0,753927
1,230769
1,141005

Pour liminer l'effet des

fluctuations alatoires sur le ratio
V/M, on regroupe les ratios par
quart et on en fait la moyenne
pour obtenir le multiplicateur
saisonnier du quart.
Par exemple, pour le premier
quart:
(1,303258+1,278689+1,230769)/3

Mthode des coefficients saisonniers

(exemple 2)
Le tableau suivant prsente les multiplicateurs
saisonniers calculs pour chacun des 4 quarts.
Les multiplicateurs doivent tre ajusts de
manire ce que leur somme gale N (4 dans
notre exemple). 1,2826= 1,2709* 4/3,9632
Quart

TOTAL

Coefficient saisonnier

Coefficient ajust

1,2709053

1,282686616

1,156226998

1,166945244

0,860409782

0,868385796

0,675718422

0,681982344

3,963260502

Mthode des coefficients saisonniers

(exemple 2)
Ce sont donc les multiplicateurs ajusts qui seront utiliss dans la
mthode de Winters et dans la mthode par dcomposition.
Dcomposition de la srie chronologique
La dcomposition est le fractionnement de la srie chronologique
en ses diverses composantes de base pour lesquelles il est possible
d'obtenir un patron plus facile prvoir. On peut alors projeter dans
le futur ces composantes et les recombiner pour former la prvision
finale. Les principales tapes dans la mthode de dcomposition
classique sont les suivantes:
1. Dterminer les multiplicateurs saisonniers
2. Dsaisonnaliser les donnes
3. Dterminer l'quation de la tendance, en utilisant par exemple la
rgressionlinaire
4. Calculer les prvisions pour les priodes venir

Mthode des coefficients saisonniers

(exemple 2)
priode
coefficients
ventes dsaisonnalises =
s
ventes saisonniers
ventes/coeff
1 5500
1,282686616
4287,875099
2 5100
1,166945244
4370,385008
3 3500
0,868385796
4030,466661
4 2900
0,681982344
4252,3095
5 6500
1,282686616
5067,488753
6 6300
1,166945244
5398,710893
7 5000
0,868385796
5757,809516
8 3800
0,681982344
5571,991758
9 7800
1,282686616
6080,986503
10 7300
1,166945244
6255,64913
11 6000
0,868385796
6909,37142
12 5400
0,681982344
7918,093551
13 9200
1,282686616
7172,445619
14 8800
1,166945244
7541,056485
15 7000
0,868385796
8060,933323
16 6300
0,681982344
9237,77581

10000
9000
8000
7000
Series2

6000
5000

ventes
dsaisonnalises =
ventes/coeff

4000
3000
2000
1000
0
1 2 3 4 5 6 7 8 9 10111213141516

Mthode des coefficients saisonniers

(exemple 2)
Dcomposition de la srie chronologique: tendance
L'ide cette tape est de trouver une mthode
permettant de faire une prvision avec des donnes
montrant une tendance.
Lorsque la tendance est linaire, on peut utiliser la
mthode des moindres carrs, mais on pourrait
galement utiliser la mthode de Holt.
Avec les donnes dsaisonnalises, on peut aisment
dterminer la tendance. Pour les tendances linaires, il
est possible d'utiliser la mthode des moindres carres
que nous avons dcrite prcdemment. Appliquons
donc cette mthode aux donnes que nous avons

Mthode des coefficients saisonniers

(exemple 2)

Tableau de lquation de rgression

TOTAUX

priodes T
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
136

ventes dsaisonnalises V
4287,875099
4370,385008
4030,466661
4252,3095
5067,488753
5398,710893
5757,809516
5571,991758
6080,986503
6255,64913
6909,37142
7918,093551
7172,445619
7541,056485
8060,933323
9237,77581
97913,34903

T*V
4287,875099
8740,770017
12091,39998
17009,238
25337,44376
32392,26536
40304,66661
44575,93407
54728,87853
62556,4913
76003,08561
95017,12261
93241,79305
105574,7908
120913,9998
147804,413
940580,1676

T2
1
4
9
16
25
36
49
64
81
100
121
144
169
196
225
256
1496

Mthode des coefficients saisonniers

(exemple 2)

V= a*T +b;
a = COV (V,T) / S2T ; V = (97913,34903/16) = 6119, 58 ; T = (136/16) = 8,5
COV (V,T)=
1

S 2T =

2
=1

=1

V T

- T2

COV (V,T)= (940580,1676/16) - 6119,58 *8,5 = 6769,79

S2T = (1496/16) (8,5)2 = 21,25
donc, on aura : a = 6769,79/ 21,25= 318,59
b = V a T = 6119, 58 - 318,59 * 8,5 = 3411,67
V = 318,59 T + 3411,67

Mthode des coefficients saisonniers

(exemple 2)
Calculer les prvisions pour les priodes
venir:

*8827,5018= 318,59 * 17 + 3411,67

**9146,0803= 318,59 *18 + 3411,67

Quarts

prvisions estimes (1)

coefficients saisonniers (2)

Prvisions finales = 1*2

17

*8827,501836

1,282686616

11322,91846

18

**9146,080367

1,166945244

10672,97499

19

9464,658899

0,868385796

8218,975352

20

9783,237431

0,681982344

6671,995195

5.3 la mthode de winters

Une considration importante est le choix des constantes de lissage
, et . Les enjeux sont les mmes que pour le lissage
exponentiel simple et double (modle de Holt).
L'utilisation de grandes valeurs pour les constantes de lissage
rsulte en un modle trs ractif mais peu stable.
Une mthode pour dterminer , et est d'exprimenter avec
diffrentes combinaisons de valeurs et de choisir celle qui permet le
meilleur ajustement aux donnes historiques.
Puisque de nombreuses combinaisons sont possibles, cette
mthode est fastidieuse. De plus, il n'est pas garanti que les
meilleures valeurs de , et pour les donnes historiques seront
galement les meilleures pour les donnes futures.

5.3 la mthode de winters

La mthode de Winters utilise trois quations de lissage: une pour le niveau de la

demande, une pour la tendance et une pour la saisonnalit.

at= ( / ) + (1- ) (at-1 + bt-1); Niveau (Level)

bt = (at at-1 ) + (1- ) bt-1 ; Pente (Trend)
Ct = ( /a) + (1-) CtN ; saisonnalit
P t+m= (at

m bt ) Ct+m-N

Exemple
On choisit arbitrairement :
= 0,2; = 0,3; = 0,25
On choisit galement la fin de la dernire anne, la quatrime dans
le prcdent exemple, comme temps appel t=0)
b0= (v2 v1)/ (K-1)*N
Avec

v2 : moyenne des valeurs de la dernire anne;

v1 : moyenne des valeurs de la premire anne;
K : nombre de cycles,
a0 = v2 + b0 * (N-1)/2

la mthode de winters : Exemple

Les tableaux rcapitulatifs

1,282686616
1,166945244
0,868385796
0,681982344

b0= (v2 v1)/ (K-1)*N

b0= (7825 4250)/ (4-1)*4= 297,92
a0 = v2 + ( b0 * (N-1/2))
a0 = 7825 - (297,92* (3)/2) = 7378,12

c-3
c-2
c-1
c0

1,28268
1,166945244
=0,2
0,868385796
=0,3
0,681982344
=0,25

b0= 297,92
a0 = 7378,12

priodes
1 Hiver
2 printemps
3 t
4 Automne
5 hiver
6 printemps
7 t
8 Automne
9 hiver
10 printemps
11 t
12 automne
13 Hiver
14 printemps
15 t
16 Automne

ventes
5500
5100
3500
2900
6500
6300
5000
3800
7800
7300
6000
5400
9200
8800
7000
6300

la mthode de winters : Exemple

Nous sommes donc la fin du quatrime quart de la quatrime anne. Appelons ce
moment t=0. Au temps t=1, la fin de la priode suivante, une nouvelle donne des
ventes devient disponible: on enregistre une vente V1 = 7000 units.

Il est alors possible de calculer a1, b1 et d'ajuster le facteur saisonnier C1. Ces nouveaux
paramtres permettront le calcul des prvisions pour les priodes suivantes.

at= ( / ) + (1- ) (at-1 + bt-1);

a1= (1 / 3) + (1- ) (a0 + b0);
a1 = 0,2(7000 / 1,2826) + (0,8) (7378,12 + 297,92) = 7232,36
bt = (at at-1 ) + (1- ) bt-1
b1 = 0,3(7232,36- 7378,12 ) + (0,7) (297,92) = 164,816
Ct = ( /a) + (1-) CtN
C1 = (1 /a1) + (1-) C3
C1 = 0,25 (7000 / 7232,36) + (0,75)(1,2826) = 1,2039
:

la mthode de winters : Exemple

Nous sommes maintenant la fin du premier quart de l'anne cinq qui correspond
t=1. La prvision pour les prochaines priodes se calcule en utilisant la formule suivante
P t+m= (at + m bt ) Ct+m-N
Pt+m est la prvision faite la priode t pour la priode t+m. Cette quation assume
que m < N. Si N < m < 2N, le facteur saisonnier appropri serait Ct+m-2N; Si 2N < m <
3N, le facteur saisonnier appropri serait Ct+m-3N et ainsi de sui
Pour la prvision de la prochaine priode, m=1. On a donc:
P 1+m= (at + m bt ) C1+m-N
P 1+1= (a1 + bt ) C1+1-4
P 2= (a1 + b1 ) C-2
P 2= (7232,36+164,816) * 1,1169 = 8261,9
Pour la prvision de la prochaine priode, m=2. On a donc:

P 1+2= (a1 + 2b1 ) C1+2-4

P 3= (a1 + 2b1 ) C-1