La biais des prévisions
A quoi sert le biais des prévisions ?
Le biais des prévisions de ventes est un indicateur qui permet de suivre si le processus génère une prévision toujours surestimée ou sous-estimée.
Comment le calculer ?
Le biais des prévisions de ventes consiste à étudier si les erreurs de prévisions sont centrées sur 0 ou non. Lorsque ce n’est pas centré, on parle d’une prévision biaisée. Pour calculer cet indicateur, on compare les prévisions de ventes d’une période avec les ventes réalisées durant cette période mais contrairement à la fiabilité on enlève les valeurs absolues dans la formule. Lorsqu’on étudie le biais il faut soit regarder une période assez grande soit d’étudier son évolution. En effet, une prévision biaisée dans le même sens sur une période prolongée augmente le risque de surstock ou de rupture.
Quelle est la formule du biais des prévisions ?
La formule du biais des prévisions de ventes est :
Quels sont les impacts d'une prévision biaisée ?
Une prévision biaisée a un impact majeur sur le stock. Un biais positif signifie que l’on a plus vendu que prévu. Si ce biais persiste, il y a donc un risque de rupture potentiel. Un biais négatif signifie que l’on a moins vendu que prévu. Si ce biais persiste, il y a donc un risque de surstock.
Les erreurs sur le même produit peuvent se compenser d’un mois sur l’autre si le biais change de signe. Si une promotion que l’on avait prévue pour mai se réalise finalement en juin, nous aurons la marchandise un mois trop tôt, la prévision sera trop forte en mai et trop faible en juin mais au final l’impact opérationnel sera minime. Le stock de sécurité doit être construit pour faire face à la demande lorsque la prévision est sous-estimée.
Il est intéressant de suivre le biais sur une période plus conséquente que la fiabilité ou alors d’étudier son évolution afin de déceler des dysfonctionnements notables du processus de prévision qui peuvent mener à des surstocks ou des ruptures. Cela permet d’identifier lorsqu’il y a les problèmes récurrents dans le processus comme une erreur de conception dans la modélisation d’un outil ou bien un prévisionniste / commercial trop optimiste ou pessimiste.
Exemples
Prévision non biaisée
La prévision de ce produit n’est pas biaisée. Le stock de sécurité doit être dimensionné afin de faire face aux fois où la prévision est trop faible.
Prévision biaisée
La prévision de ce produit est biaisée. La prévision est toujours trop basse, cela engendre un risque de rupture. Si jamais une vente exceptionnelle survient le stock de sécurité risque de ne pas être suffisant.
Continuer d'apprendre avec La Fabrick
En savoir plus