La prévision des ventes

1. La prévision des ventes Processus 8 & 9 Chapitre 2

2. A partir de l’observation de données passées : Situation 1 On suppose que l’évolution observée sur le passé se prolongera L’observation peu suggérer la recherche d’une droite d’ajustement linéaire Cf. Méthode des moindres carrés

3. A partir de l’observation de données passées : Hypothèse d’une tendance linéaire Exemple de prévision en N+1. soit x = 6 & y= 16 759*6 + 53 769 = 154 323 € L’équation de la droite d’ajustement linéaire y = ax + b ẋ = ∑xi / n Avec n qui désigne le nombre de rangs (années) ẏ = ∑yi / n a = ∑xiyi - nẋẏ ∑(xi)² - nẋ² a = 1 728 272 – 5*3*104 046 = 16 759 55 – 5*3² y = 16 759x + 53 769 b = ẏ - aẋ b = 104 046 - 16 759*3 = 53 769

4. A partir de l’observation de données passées : Hypothèse d’une tendance linéaire On peut calculer le coefficient de corrélation r Plus r est proche de 1 plus la corrélation entre les deux variables est bonne r = __________∑xiyi - nẋẏ______ √(∑(xi)² - nẋ²)* √(∑(yi)² - nẏ²) r = _________1 728 272 – 5*3*104 046_________ √ (55 – 5*3²) * √(57 058 550 334 – 5*104 046²) r = 0,979

5. A partir de l’observation de données passées : Automatisation Utilisation de la fonction DROITREG(Y;X;VRAI;VRAI) Valeur de b Valeur de a Utilisation de la fonction TENDANCE(Y;X;W) Valeur de r² Valider avec (Ctrl+Maj+Entrée) Exercice 1

6. A partir de l’observation de données passées : Situation 2 On suppose que l’évolution observée sur le passé se prolongera L’observation peu suggérer la recherche d’une tendance exponentielle Cf. Maths

7. A partir de l’observation de données passées : Hypothèse d’une tendance linéaire Exemple de prévision en N+1. soit x = 6 & y= 56 754 * 1,26329^6 = 230 682 € L’équation de la courbe d’ajustement y = B * Aˣ ou log y = log B + x log A On pose b = log B et B = 10ᵇ On obtient log y = b + xa Ou log y = ax +b On pose a = log A et A = 10ᵃ a = ∑xi*log yi - nẋ*log ẏ ∑(xi)² - nẋ² a = 76,89 – 5*3*5,06 = 0,10150 55 – 5*3² y = 56 754 * 1,26329ˣ b = log ẏ - aẋ b = 5,06 – 0,10150*3 = 4,754

8. A partir de l’observation de données passées : Automatisation Utilisation de la fonction LOGREG(Y;X;VRAI;VRAI) Valeur de B Valeur de A Utilisation de la fonction CROISSANCE(Y;X;W) Valeur de r² Valider avec (Ctrl+Maj+Entrée) Exercice 2

9. Prise en compte des variations saisonnières : Situation 3 On suppose que l’évolution observée sur le passé se prolongera L’observation peu suggérer la recherche d’une saisonnalité Wt Tendance de la période désaisonnalisée Yt = Wt * Cr Cr coefficient du rang de la période dans l’année

10. Prise en compte des variations saisonnières : Désaisonnalisation Wt = Yt / Cr La série corrigée est beaucoup plus régulière que la série observée Exercice 3

11. Prise en compte des variations saisonnières : Coefficients saisonniers par les moyennes mobiles Il convient de retenir un nombre de valeurs correspondant au nombre de périodes y’ = 0,5y(t-2) + y(t-1) + yt + y(t+1) + 0,5 y(t+2) 4 Pour ces valeurs la formule n’est pas applicable Une telle moyenne mobile est dite centrée

12. Prise en compte des variations saisonnières : Coefficients saisonniers par les moyennes mobiles & prévision Yt = Wt * Cr Exercices 4&5

13. L’intégration d’autres variables dans la prévision : VARIABLES Prise en compte de données externes Prise en compte de données internes (Les sources d’informations macroéconomiques) (L’étude de concurrence) (L’action sur les prix) (Autres variables de l’action commerciale) Veille informationnelle L’élasticité