Les mesures de précision des prévisions servent à quantifier l’écart entre la prévision et la demande réelle, selon différentes dimensions complémentaires (article sur lag et granularité) et répondent à différentes questions métier.
Chaque indicateur offre un regard différent pour comparer les prévisions aux résultats observés. Comprendre ces mesures permet aux utilisateurs de diagnostiquer les problèmes, d’ajuster les stratégies de planification et de prendre de meilleures décisions d'affaires.
Pour évaluer et continuer d'améliorer la performance des prévisions, Pawa inclut plusieurs indicateurs clés dans ses rapports grâce à la mesure Précision des prévisions.
| Définition de la mesure |
MAE (Erreur Absolue Moyenne)(%) |
La moyenne des différences absolues entre les valeurs prévues et les valeurs réelles. Cet indicateur donne la taille typique de l’erreur, peu importe le sens. |
Précision | Un indicateur exprimant dans quelle mesure la prévision reflète la demande réelle, calculé comme Deux modes de calcul sont disponibles :
|
Valeur du réel | La vraie valeur observée pour la période donnée (ex : ventes réelles ou utilisation des stocks). |
Valeur de prévision | La prévision de référence utilisée pour comparer, comme la valeur de l’an dernier, un modèle de base, ou une prévision précédente. |
Erreur Absolue |
La différence absolue entre la prévision et la valeur réelle. Ça enlève le signe pour regarder juste la taille de l’erreur. |
Erreur |
La différence brute entre la prévision et la valeur réelle, en gardant le sens de l’erreur. |
Biais (%) |
La moyenne des erreurs au fil du temps. Un biais positif montre une tendance à surévaluer, un biais négatif montre qu’on a sous-évalué. |
Score |
Un score composite qui combine l’ampleur moyenne de l’erreur et sa direction. |
Nombre de dimensions cibles | Le nombre de dimensions cibles indique sur combien de combinaisons distinctes (produits, clients, etc.) la précision des prévisions est évaluée, en fonction du niveau de granularité retenu pour le calcul. |
Les indicateurs détaillés ci-dessous correspondent aux mesures de précision des prévisions les plus utilisées pour analyser la qualité des prévisions. Les autres valeurs présentées servent de base de calcul ou de référence.
L’erreur absolue mesure l’erreur absolue entre la prévision et la demande réelle, en unités.
Elle répond à la question :
“De combien d’unités je me trompe en moyenne ?”
Elle est particulièrement utile pour :
évaluer l’impact opérationnel,
raisonner en termes de stocks, capacités ou volumes manqués.
La MAE (%), aussi appelée WAPE, exprime l’erreur absolue en pourcentage de la demande.
Elle répond à la question :
“Quelle est mon erreur relative par rapport au niveau de demande ?”
Elle permet :
de comparer des produits ou périmètres de tailles différentes,
d’avoir une lecture plus synthétique et comparable.
Le Biais mesure la direction de l’erreur de prévision.
Il indique si la prévision est :
structurellement trop optimiste avec un biais positif (sur-prévision),
ou trop conservatrice avec un biais négatif (sous-prévision).
Dans Pawa, la Précision est définie comme :
Précision = 100 − MAE (%)
Autrement dit, elle correspond à une lecture inversée de l’erreur relative moyenne (MAE(%)).
Valeur | Interprétation |
100 % | Prévision parfaite |
90 % | Erreur équivalente à 10 % du réel |
0 % | Erreur équivalente à 100 % du réel |
< 0 % | Erreur supérieure au volume réel |
Cette table illustre la lecture de la Précision comme une mesure inversée de l’erreur relative : à l’inverse du MAE(%), plus la valeur est élevée, plus la prévision est proche de la demande observée.
D’autre part, la Précision peut présenter une valeur négative lorsque l’erreur dépasse la totalité de la demande réelle :
C’est la conséquence directe de la définition mathématique de l’indicateur, comme illustré ci-dessous.
Par exemple, une entreprise a prévu 250 unités, alors que la demande réelle n’a été que de 100 unités.
Prévision | Réel | Erreur absolue | Précision |
250 | 100 | 150 | −50 % |
Le score chez Pawa est avant tout utilisé comme critère d’évaluation pour comparer et optimiser les prévisions produites par les modèles.
Il combine l’ampleur de l’erreur et la posture de prévision en additionnant MAE(%) et Biais(%).
C’est généralement lié au niveau de granularité utilisé pour calculer la précision.
Lorsque la précision est évaluée à un niveau fin (par client, par produit, ou par combinaison client × TSU), chaque écart entre la prévision et la demande réelle est comptabilisé individuellement.
À ce niveau, les erreurs ne se compensent pas.
À l’inverse, une précision calculée sur un total agrégé peut masquer des écarts importants, car les sur- et sous-prévisions s’annulent partiellement.
Exemple au niveau client
Une entreprise a deux clients :
Client A
Prévision : 100
Réel : 150
Client B
Prévision : 100
Réel : 50
Au total :
Prévision = 200, Réel = 200 → erreur totale = 0
La précision globale est excellente.
Au niveau client :
Chaque client présente une erreur de 50 unités.
La précision calculée par client est faible.
La question métier de la précision des prévisions change selon la granularité utilisée.
Au niveau total, la précision mesure la cohérence globale du plan.
À un niveau détaillé, elle mesure la capacité à prévoir correctement chaque flux réel.
Plus le niveau est fin, plus la mesure devient exigeante.
Une précision plus granulaire indique une lecture plus fidèle de la réalité opérationnelle.
Une précision faible à un niveau fin peut indiquer :
une forte variabilité de la demande,
des comportements clients hétérogènes,
ou des hypothèses de prévision trop globales pour ce niveau d’analyse.
C’est souvent un point de départ pour affiner la segmentation, ajuster les paramètres ou revoir le niveau de pilotage pertinent.
Processus de prévision de la demande – Cycle mensuel S&OP
Ce processus guide l’organisation depuis une prévision de base objective jusqu’à un plan approuvé par la direction.
La précision des prévisions : un ensemble de mesures au service de décisions métier
Au-delà d’un simple pourcentage, la précision des prévisions, soutient des décisions variées. Cet article propose une lecture métier et des pistes d’utilisation des principales mesures de précision des prévisions.
Comment configurer une mesure de forecast accuracy dans Pawa
Cet article vous explique comment configurer la précision des prévisions de ventes dans Pawa
