Conserver les données dans un unité de mesure compatible ? l’utilisation. .Regrouper les options. •Utiliser des intervalles de temps constants • Enregistrer les événements spéciaux. .Consewer les données par type de canal de distribution / type de client Facteurs à considérer: . L’horizan de la prévision (court – moyen – long terme) •La disponibilité des données historiques / la nature des observations passées. •Les besoins à satisf . Les contraintes à re disponible, •La maîtrise des tech Erreur cumulative m ec or2 Sni* to View temps -Indique le niveau de biais d’une prevision. ecart absolu moyen Analyse de distribution des erreurs anticipées, calcul du stock de sécurité •Erreur quadratique moyenne -Permet de faciliter le choix entre diverses techniques de prevision •lndice de déviation soutenue -Indique qu’une prévision est biaisée et devr Swipe to nex: page devrait être révisée. •Pourcentage moyen d’erreur absolue -Donne une idée globale de la précision Extraction de la saisonnalité •Calculer les moyennes mobiles centrées (M. M. C. ) en fonction de la longueur de la périodicité (ex. 12 mois). •Calculer les indices de saisonnalité en divisant les demandes (valeurs actuelles) par les M.
M. C. •Faire la moyenne des indices obtenus pour un même mois (trimestre ou autres facteurs de périodicité) et ajuster pour obtenir une moyenne de 1. •Diviser les données historiques de demande par les indices correspondants afin d’obtenir des données historiques désaisonnalisées Si la moyenne des indices n’est pas égale à un (1), on peut ajuster les indices pour obtenir une meilleure précision. .Exemple -Indices trimestriels: 0. 5; 0. 7; 1. 4; 1. 8 la somme est 4. 4 et la moyenne est de 1. 1 -On divise alors chaque indice par 1 . 1 pour ramener la moyenne à 1 (somme = 4) -Exemple: O. S = 0. 45 1. 1
