Embed Size (px)
Citation preview
www.mobius.eu
Mesurer la qualité de la prévision
Luc Baetens
24/11/2011
Luc Baetens
p. 2
11 ans d’expérience Planification Optimisation des stocks Organisation de la Supply Chain Performance de
la Supply Chain Gestion de la demande Sales &
Operations Planning Réseaux Logistiques SAP Finance
Implémentation
“Un simple changement dans le
processus clé double le retour
sur investissement”
August F. Möbius (1790-1868)
140 Collaborateurs
17 M€ Chiffre d’affaires
4 Pays
MÖBIUS
CA en millions €
effectifs
0
2
4
6
8
10
12
14
16
18
1997 1999 2001 2003 2005 2007 2009 2011
3
140
43
10
111
1997
Création MÖBIUS
Spin off Université de Gand
Prof. dr. ir. Hendrik Vanmaele
27
68
mil
lio
n €
140
SUPPLY CHAIN MANAGEMENT
Planification & Production
Gestion de la demande
Optimisation des stocks
Lean Management Logistique
Stratégie SC & Organisation
Achats &
Appro Stocks Logistique Demande Planification
& Production
Achats & approvisionnement
Douanes &
Taxes
Douanes & Taxes
Satisfaction clients
Compre- hension
client
Architecture d’entreprise
Développement de l’organisation
Gestion de la qualité
Gestion de la performance
Planification ressources
Gestion des risques
Gestion des processus
CONSEIL EN ORGANISATION
Gouvernance
7
REFERENCES MÖBIUS FRANCE
Discrete
Manufacturing
Chemical
& Pharma High-tech
Consumer
Products Trade
Construction
& Milling Services
Utilities
Waste Mgt
Public
Finance
p. 8
“Stocks have reached what looks like a permanently high plateau”
Irving Fisher 3 jours avant le
crash de Wall Street en 1929.
Les indicateurs sont connus et documentés depuis longtemps.
9
Pour mesurer le biais de la prévision
– Mean Error (Erreur moyenne)
– Percentage Error (Erreur en pourcentage)
Pour mesurer la fiabilité de la prévision
– Mean Absolute Deviation (écart moyen absolu)
– Mean Absolute Percentage Error
(Erreur moyenne absolue en pourcentage)
On peut aussi mesurer la stabilité de la prévision en
regardant l’évolution de la fiabilité et du biais en fonction de
l’horizon de prévision.
n
)A-(F
ME
n
1 i
ii
n
A-F
MAD
n
1 i
ii
n
1 i
i
n
1 i
ii
A
A-F
MAPE
n
1 i
i
n
1 i
ii
A
)A-(F
PE
La performance qui compte
est celle perçue par le client.
Une bonne mesure doit
permettre d’agir si besoin.
p. 11
Début Novembre :
Mesurer la performance de la
prévision du mois d’Octobre,
faite en Septembre.
La mesure sur le dernier mois seulement n’est pas un bon indicateur.
p. 12
La pertinence statistique d’une seule observation ?
Meilleure pratique : au moins 4 mois, idéalement sur 6 mois.
Suggestion de graphique : fiabilité en fonction du volume cumulatif.
0%
10%
20%
30%
40%
50%
60%
70%
80%
90%
100%
0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100%
% de la gamme
Fiabilité des prévisions
Fiabilité cumulative Fiabilité Volume annuel
p. 13
Début Novembre :
Mesurer la performance de la
prévision du mois d’Octobre,
faite en Septembre.
Et si le planning d’approvisionnement s’est
basé sur la prévision du mois de Juin ?
Une prévision n'a un sens que quand elle est utilisée pour prendre des décisions.
Différentes décisions utilisent différentes prévisions.
15
Décision Horizon Niveau de détail
Planning de trésorerie de
l’entreprise 1 mois
Au niveau global de
l’entreprise
Réapprovisionnement des
centres de distribution 1 mois
A la référence et au
centre de distribution
Planning de production
des produits finis 1 – 3 mois
A la référence de
produit fini
Approvisionnement des
matières premières 3 – 6 mois
A la référence de
matière première
Dimensionnement des
équipes de production 3 – 6 mois A la ligne de production
Le générateur et l’utilisateur des prévisions ne voient pas la même performance.
p. 16
Génération Consolidation Utilisation
0 100
20
4060
80
90Fiabilité
(%)
0 100
20
4060
80
90Fiabilité
(%)
Mesurer la performance de la
génération des prévisions
Permet d’objectiver des
personnes / des fonctions
Ne permet pas d’évaluer les
conséquences de la
performance
Mesurer la performance des
prévisions dans l’utilisation
Permet d’évaluer les
conséquences de la
performance
Ne permet pas d’objectiver
des personnes / des fonctions
On doit définir des indicateurs différents pour mesurer les deux aspects.
p. 17
Génération Consolidation Utilisation
Prévision par référence par client
Prévision sur 3 mois glissants
à M-3
Approvisionnement par référence
Prévision par référence par client
Prévision sur 1 mois à M-1
Prévision de marge brute par famille
0 100
20
4060
80
90Fiabilité
(%)0 100
20
4060
80
90Fiabilité
(%)
0 100
20
4060
80
90Fiabilité
(%)0 100
20
4060
80
90Fiabilité
(%)
La performance qui compte
est celle perçue par le client.
Une bonne mesure doit
permettre d’agir si besoin.
p. 19
Pour agir efficacement, il faut cibler.
Pour bien cibler les références qui demandent une attention particulière, on peut effectuer différentes analyses.
p. 20
Prévisions historiques
Ventes réalisées
Nouvelles prévisions
Evaluation
des écarts
Erreur de
prévision
Classification
des
références
Détection des
valeurs
anormales
On peut analyser et classifier les références en fonction des ventes réalisées.
p. 21
Plusieurs classifications simples existent pour définir les
références qui méritent plus d’attention du prévisionniste :
– Classification en fonction du volume de ventes (chiffres d’affaires).
– Classification en fonction du profil de la demande.
– Classification en fonction de la valeur du produit / la marge générée.
– Classification en fonction d’importance stratégique du produit.
Pour plus de finesse, on peut croiser ses classifications (ABC –
123)
Du point de vue du prévisionniste, le profil de la demande est souvent plus important que le volume.
p. 22
NOUVEAU TENDANCE FAST (STABLE)
ERRATIQUE SAISONNIER AGITE (LUMPY)
LENT (SLOW) OBSOLETE FIN DE VIE
Une façon efficace de cibler les efforts de prévisions peut être aussi de valoriser les erreurs de prévision.
p. 23
Erreur de prévision Volume
Pareto Err Prév A B C Total
A 50% 20% 10% 80%
B 3% 5% 7% 15%
C 0% 1% 5% 5%
Total 52% 26% 22% 100%
Le type d’erreur de prévision donne une indication sur la composante qui pose problème.
p. 24
Impossible Prévision OK
Niveau
Tendance
Politique
Saisonnalité
Evènements
Fiabilité = 100%
Biais = 0 Biais important
Fiabilité < 0
Sur les évènements, on peut encore détailler l’analyse des causes des erreurs.
p. 25
0%
10%
20%
30%
40%
50%
60%
70%
M-1 M-2 M-3
Erre
ur
de
pré
visi
on
(%
)
Poids des erreurs liées aux promotions réseau VAE
Erreur Mois Promo Erreur Promo Non Prévue Erreur Promo Prévue Non réalisée Erreur Quantité Promo
+ 18%
+ 16%
+ 6%
+ 60%
+ 18%
+ 14%
+ 6%
+ 63%
+ 34%
+ 13%
+ 1%
+ 52%
La comparaison d’une nouvelle prévision avec l’ancienne prévision permet d’identifier des changements importants.
p. 26
Changement de comportement d’un produit ?
– Changement de tendance
– Changement cycle de vie
Où instabilité du modèle de prévision ?
– Changement de paramètres / de modèle
– Prise en compte d’une fausse tendance / saisonnalité
Les indicateurs peuvent être les mêmes que ceux que l’on
utilise pour mesurer la performance de la prévision.
Dans tous les cas, l’analyse doit être suivie par une action
Changer le modèle de prévision
Focaliser l’effort de prévision commerciale sur le produit
Corriger l’historique
Revoir le stock de sécurité
p. 27
La performance qui compte
est celle perçue par le client.
Une bonne mesure doit
permettre d’agir si besoin.
