Prévision de la demande : guide pour définir la méthode adaptée à votre logistique

Anticiper les ventes futures permet à une entreprise de dimensionner ses stocks et de préparer ses livraisons et enlèvements, tout en limitant les coûts que peuvent générer les ruptures de stock, les surstocks et les expéditions en urgence. La prévision de la demande vise ainsi à préparer votre logistique aux variations d’activité, qu’il s’agisse d’une promotion qui multiplie les commandes, d’un pic saisonnier ou d’un ralentissement des ventes. Or, pour optimiser l’impact de cette prévision, il faut choisir la méthode adaptée à vos produits et aux données disponibles. Suivez ce guide pratique pour savoir quelle approche tester, comment évaluer sa fiabilité et comment ajuster vos approvisionnements et vos capacités de transport pour mieux absorber ces variations et renforcer la résilience de votre supply chain.

Bref rappel : qu’est-ce que la prévision de la demande ?

La prévision de la demande, ou demand forecasting en anglais, consiste à estimer les quantités de produits que les clients pourraient commander ou acheter sur une période et un territoire définis. Elle s’appuie sur des données historiques et commerciales, ainsi que sur une connaissance du marché. Cette discipline vise à éclairer les décisions de stocks, d’approvisionnement et de transport. Elle s’inscrit dans le fonctionnement global de la supply chain, qui coordonne ces flux et les ressources nécessaires pour répondre à la demande.

Les éléments qui composent une prévision de la demande

La prévision de la demande doit préciser quatre éléments pour fournir une estimation exploitable :

1. Le produit ou la famille concernée : une référence précise ou un ensemble cohérent d’articles.
2. La quantité attendue : exprimée dans une unité clairement définie, comme les pièces, les cartons ou les tonnes.
3. La période couverte : une semaine, un mois ou un trimestre, selon la décision à préparer.
4. Le périmètre géographique : une zone de livraison, une région ou un pays.

Définir ce qu’on calcule : l’étape préalable à toute prévision

Il est important d’adapter le niveau de détail des prévisions à l’usage prévu. Ainsi, il convient de distinguer 4 notions : la prévision de la demande, l’objectif commercial, la planification et l’exécution.

« Prévision des ventes » ou « prévision de la demande » ?

Si ces deux expressions se recouvrent dans certaines entreprises, assimiler systématiquement les ventes enregistrées à la demande réelle peut fausser les prévisions. En effet, la prévision de la demande estime l’ensemble du besoin client, y compris la part non satisfaite. Or, la prévision des ventes anticipe ce que l’entreprise devrait vendre.

Pour vous assurer de prendre des décisions éclairées, vérifiez si les ventes enregistrées reflètent le besoin client. Une rupture peut, par exemple, limiter les achats sans réduire la demande. La planification de la demande doit tenir compte de cet écart pour éviter de sous-estimer les besoins futurs.

Quelles méthodes de prévision de la demande choisir pour votre activité ?

Pour choisir une première approche, examinez les ventes d’une référence ou d’une famille de produits (sont-elles régulières, saisonnières, influencées par les promotions ou espacées dans le temps ?). Repérez la situation correspondante dans le tableau suivant, puis testez l’approche proposée sur votre historique.

Attention ! Plusieurs profils peuvent coexister dans votre portefeuille (produits réguliers, saisonniers ou demandés occasionnellement). Une même référence peut aussi évoluer au fil du temps. La méthode doit donc être adaptée à son comportement et réévaluée lorsque celui-ci change.

Le tableau indique un point de départ, pas une méthode à appliquer automatiquement. Comparez les prévisions obtenues aux demandes réellement observées sur des périodes conservées pour le test. Retenez ensuite l’approche qui offre le meilleur compromis entre fiabilité, simplicité et conséquences des erreurs sur vos stocks et vos transports.

Les méthodes qualitatives pour un lancement ou un historique limité

Sans historique exploitable, une méthode qualitative permet de construire une première estimation à partir d’informations commerciales et d’hypothèses documentées. Vous pouvez croiser plusieurs données, telles que les retours des commerciaux, les ventes de produits analogues, les précommandes ou encore les études clients.

Pour lancer une nouvelle gamme, par exemple, partez des résultats d’articles comparables, puis examinez les différences de prix, de distribution ou de clientèle.

Attention ! Les intentions d’achat doivent être considérées à leur juste valeur. Elles apportent un éclairage, certes, mais ne constituent pas des commandes fermes.

Conservez la justification de chaque hypothèse, avec source, date, quantité estimée et événements attendus. Dès les premières ventes, confrontez ces hypothèses aux observations, en vérifiant la disponibilité des produits. Cette révision permet de distinguer un effet de lancement du niveau de demande susceptible de durer.

Les méthodes quantitatives pour exploiter l’historique

Une méthode quantitative utilise des données chiffrées pour estimer la demande future.

Avant de complexifier le calcul, établissez une référence claire. La prévision naïve reprend la dernière valeur observée. Sa variante saisonnière utilise celle de la période comparable précédente, par exemple le même mois de l’année passée.

Vous pouvez ensuite tester plusieurs approches :

• La moyenne mobile calcule la moyenne des dernières périodes : elle atténue les fluctuations ponctuelles, mais peut réagir lentement à une hausse durable.
• Le lissage exponentiel simple accorde davantage de poids aux observations récentes et convient surtout aux séries sans tendance ni saisonnalité marquées.
• Les modèles intégrant tendance et saisonnalité tiennent compte d’une évolution durable ou de variations récurrentes, comme un pic chaque été.

Peu importe la méthode quantitative que vous retenez, la qualité de l’historique est essentielle pour obtenir des prévisions exploitables (même si elle ne suffit pas, à elle seule, à garantir leur fiabilité).

Autre conseil : comparez les méthodes sur des périodes non utilisées pour les ajuster, avec un horizon identique à celui de vos décisions.

Les modèles explicatifs et l’IA pour enrichir les prévisions

Les modèles explicatifs relient la demande à des variables pertinentes telles que les prix, les promotions, les jours ouvrés ou les événements commerciaux. Ces outils peuvent vous aider à distinguer le niveau habituel des ventes de l’effet d’une opération promotionnelle. Vous pouvez compléter ces variables par des signaux externes, comme les enquêtes de conjoncture de l’Insee. Elles éclairent le contexte économique, mais ne remplacent pas vos données de ventes. Une publication comme l’enquête trimestrielle de conjoncture dans l’industrie peut par exemple compléter vos analyses de marché.

Par ailleurs, veillez à ce que ces informations soient disponibles au moment de produire la prévision. Pour anticiper les ventes du mois prochain, vous pouvez utiliser une promotion déjà programmée, mais pas son résultat futur. Sinon, le test donne une impression trompeuse de performance.

Et qu’en est-il de l’intelligence artificielle ? L’IA, et notamment le machine learning, permet de traiter de nombreuses variables et des relations complexes. Retenez cette approche seulement si les tests montrent un avantage par rapport aux méthodes simples, en tenant compte de la fiabilité obtenue, des coûts et du travail de maintenance.

Exemple de calcul d’une prévision de la demande

Pour effectuer un premier calcul de prévision de la demande, vous pouvez utiliser une moyenne mobile. Elle estime la demande de la prochaine période à partir de la moyenne des dernières observations. Cette approche fournit un point de départ simple lorsque l’activité est relativement stable.

Imaginons un distributeur qui souhaite estimer la demande d’un produit pour la semaine suivante. Sur les trois semaines précédentes, aucune rupture de stock ni promotion n’a perturbé les ventes, qui sont ici considérées comme représentatives de la demande.

Avec une moyenne mobile sur trois semaines, le calcul est le suivant :

Prévision S4 = (900 + 1 050 + 1 050) ÷ 3 = 1 000 unités.

Le distributeur dispose ainsi d’une estimation pour préparer ses approvisionnements. À la prochaine actualisation, il utilisera les observations de S2, S3 et S4, car la fenêtre de calcul se décale d’une semaine.

Cette méthode atténue les variations ponctuelles, mais elle n’intègre pas spontanément les événements à venir ni la saisonnalité. Une promotion programmée en S4 ou un pic récurrent à cette période nécessiterait donc une analyse complémentaire.

Enfin, prévoir une demande de 1 000 unités ne signifie pas devoir expédier ces 1 000 unités durant la même semaine. Les dates de livraison demandées, les stocks disponibles, les commandes en attente et les possibilités de regroupement déterminent les volumes et le calendrier des départs.

Quels indicateurs suivre pour mesurer la fiabilité des prévisions ?

La fiabilité des prévisions s’évalue en comparant les quantités prévues à la demande observée sur un même périmètre. En plus de cela, trois indicateurs permettent de comprendre le sens des écarts, leur ampleur en unités et leur poids dans le volume total. Il s’agit du biais moyen, du MAE et du WAPE que détaille le tableau ci-dessous.

Nota bene : pour les calculs ci-dessous, l’erreur de prévision correspond à « prévision − demande observée ». Un écart positif traduit donc une surestimation. Un écart absolu conserve uniquement la taille de l’erreur, sans son signe (−100 et +100 deviennent tous deux 100).

Un biais proche de zéro ne signifie pas que les prévisions sont fiables, car des surestimations et des sous-estimations importantes peuvent se compenser. Pour repérer cette compensation, analysez également le MAE. Par exemple, des erreurs de +100 et −100 unités donnent un biais nul, mais un MAE de 100 unités.

Le WAPE exige une demande totale non nulle. Calculé sur plusieurs références, il peut aussi masquer des erreurs importantes sur les produits à faible volume. Le MAPE, qui calcule la moyenne des erreurs absolues en pourcentage pour chaque observation, présente une autre limite. Une demande nulle entraîne une division par zéro, tandis qu’une quantité très faible peut produire un pourcentage disproportionné.

Pour interpréter ces résultats dans votre tableau de bord logistique, appliquez trois règles :

1. Comparez les prévisions au même horizon : une estimation réalisée quatre semaines avant l’échéance ne s’évalue pas comme une estimation faite la veille.
2. Examinez les résultats par segment pertinent : famille de produits, site ou profil de demande.
3. Suivez séparément les conséquences opérationnelles : ruptures, urgences transport, retards et surcoûts dépendent aussi des stocks et des capacités disponibles.

Nota bene : il n’existe pas de seuil universel de bonne précision. Le niveau acceptable dépend du contexte et du coût des erreurs propres à votre activité.

Comment améliorer la prévision de la demande ? 6 étapes à suivre

Améliorer les prévisions suppose de travailler autant sur les données et les échanges entre équipes que sur les calculs. Voici comment structurer un processus de prévision relié à vos décisions logistiques.

1. définir la décision à préparer

Commencez par préciser l’usage attendu. S’agit-il de commander des marchandises, de programmer la production ou encore d’anticiper les besoins de transport ? Définissez ensuite les produits, les sites et la période concernés. L’horizon doit laisser le temps d’agir. En effet, une estimation disponible quelques jours avant un pic sera peu utile, si les capacités nécessaires doivent être réservées plusieurs semaines auparavant.

2. fiabiliser les données disponibles

Examinez l’historique des ventes pour repérer les ruptures, retours, promotions et événements exceptionnels. Des ventes faibles peuvent traduire une indisponibilité du produit plutôt qu’un manque de demande. Identifiez ces périodes et documentez les retraitements. Évitez aussi de supprimer systématiquement les pics, car certains correspondent à des événements récurrents qu’il faudra anticiper.

3. segmenter les références

Regroupez les produits selon leur comportement en les catégorisant par exemple en demande régulière, saisonnière, intermittente ou fortement influencée par les promotions. Tenez également compte de leur criticité, de leur délai d’approvisionnement et du coût d’une rupture.

Attention : appliquer une méthode unique à tout le portefeuille risque de masquer ces différences et de concentrer les efforts sur les mauvaises références.

4. comparer les méthodes sur des périodes distinctes

Réservez une partie récente de l’historique pour tester les méthodes sans l’utiliser pour leur ajustement. Reconstituez les conditions réelles. Dès lors, seules les informations disponibles à la date de prévision doivent entrer dans le calcul. Comparez les résultats à ceux d’une méthode simple, au même horizon, en croisant biais et ampleur des erreurs.

5. confronter les résultats aux informations métier

Les commerciaux peuvent signaler une promotion, un nouveau contrat ou la perte d’un client. Intégrez ces informations dans le demand planning en conservant la prévision initiale, la correction, son auteur et sa justification. Vous pourrez ensuite vérifier si les ajustements améliorent les résultats.

Pour préparer plusieurs réponses possibles, construisez des scénarios bas, central et haut à partir d’hypothèses explicites.

Attention ! Ces scénarios ne constituent pas un intervalle statistique calculé. Utilisez-les à leur juste valeur.

6. organiser une revue et des règles d’action

Fixez une fréquence de révision adaptée à l’activité, puis désignez les responsables des mises à jour et des arbitrages. Ces responsabilités peuvent être réparties entre plusieurs métiers de la supply chain, selon l’organisation de l’entreprise.

Dans une démarche S&OP (ou planification industrielle et commerciale), confrontez la demande prévue aux ressources disponibles. Définissez les écarts qui déclenchent une action (revoir un approvisionnement, consulter les transporteurs ou ajuster les départs).

La prévision devient ainsi un support de coordination. Toutefois, il ne faut pas confondre prévision et décision. Si la prévision indique une demande probable, elle ne détermine pas directement les quantités à commander ni les moyens à mobiliser. Pour une bonne planification de votre supply chain, il faut passer à l’étape suivante : traduire les prévisions en décisions de stocks et de transport.

Comment traduire les prévisions en besoins de stocks et de transport ?

Pour préparer votre planification logistique, rapprochez la demande prévue des stocks réellement disponibles, des réceptions attendues et des délais d’approvisionnement. Tenez également compte des engagements clients et des règles de service (dates promises, livraisons partielles autorisées ou niveau de stock de sécurité retenu).

Vérifiez notamment qu’un stock annoncé comme disponible n’est pas déjà réservé à d’autres commandes. De même, une réception prévue après la date du besoin ne permettra pas de couvrir celui-ci à temps. Cette démarche contribue aussi à limiter les surstocks et les flux inutiles, deux leviers d’une supply chain durable.

Ce rapprochement fait apparaître les quantités manquantes et les échéances auxquelles elles devront être disponibles. Évitez aussi de compter deux fois un même besoin lorsque des commandes confirmées sont déjà comprises dans la prévision.

Pour traduire ces besoins en volumes d’expédition, précisez les informations suivantes :

• Le site de départ et la destination : quels entrepôts alimentent quels clients ou sites ?
• Les dates : quand faut-il expédier pour respecter la livraison attendue ?
• Les caractéristiques des marchandises : nombre d’unités, de colis et de palettes, poids et volume.
• Les contraintes physiques et opérationnelles : palettes gerbables ou non, température dirigée, équipements de manutention et horaires de réception.
• Les possibilités de regroupement : quelles commandes peuvent partager un départ sans compromettre les délais ?

Dans notre exemple, 1 000 unités correspondent à 20 palettes, si chacune contient 50 unités. Cette palettisation de marchandises ne suffit toutefois pas à déterminer le nombre de véhicules. Vingt palettes destinées à un seul entrepôt ne s’organisent pas comme vingt palettes réparties entre plusieurs clients, avec des créneaux distincts. Le poids, l’encombrement et la compatibilité des marchandises influencent aussi la capacité transport nécessaire.

Les équipes peuvent alors consulter les transporteurs, ajuster les départs, préparer une capacité supplémentaire ou revoir les priorités pour organiser un affrètement transport. Il est également primordial de veiller à actualiser ces décisions à mesure que les commandes se confirment et que les disponibilités évoluent.

Quels outils utiliser pour prévoir la demande et piloter les opérations ?

Une prévision Excel peut suffire pour démarrer, mais lorsque les flux se complexifient, la connexion des outils logistiques facilite la circulation des informations. Pour choisir le bon logiciel de prévision de la demande pour votre activité, considérez le nombre de références, les données dont vous disposez et les décisions à préparer, puis évaluez l’utilité des solutions ci-dessous.

Comment Shiptify vous aide-t-il à piloter les transports lorsque la demande évolue ?

Une fois les besoins d’expédition définis, vos équipes doivent organiser les départs et suivre leur réalisation. Le TMS pour les chargeurs Shiptify les accompagne dans ce passage à l’exécution en réunissant les ordres de transport, les échanges et les informations de suivi selon un parcours bien défini :

1. Centralisation des ordres : lieux de départ et de livraison, dates, marchandises et contraintes. Vos équipes disposent ainsi d’une base commune et actualisée pour organiser les expéditions. Elles peuvent ensuite consulter les transporteurs, comparer les cotations reçues ou effectuer une réservation auprès d’un prestataire référencé.
2. Une fois le transport engagé, le suivi des expéditions et des événements vous aide à identifier les situations qui nécessitent une intervention. Lorsqu’une date change ou qu’un incident survient, les équipes retrouvent les informations utiles pour échanger avec les interlocuteurs concernés et coordonner la suite des opérations. Elles peuvent ainsi examiner les ajustements possibles avec le transporteur, en tenant compte des engagements de livraison.
3. Les données d’exécution alimentent l’analyse des coûts et des performances (dépenses, délais, ponctualité ou résultats par transporteur). Ces éléments éclairent vos prochains choix de prestataires et l’organisation de vos flux pour améliorer votre taux de service et la rentabilité de votre supply chain.