Erreurs de prévision et corrélation saisonnière

Après avoir effectué la prévision de la demande pour un article plan, LN détermine les erreurs de prévision et toute corrélation saisonnière.

LN calcule les champs suivants de la session Articles plan - Paramètres de prévision (cpdsp1110m000):

  • Erreur moyenne de prévision (EMP),
  • Ecart moyen absolu (EMA),
  • Ecart moyen relatif (EMR),
  • Ecart type (ET),
  • Facteur de corrélation saisonnière (COR).

Les calculs sont basés sur les formules suivantes :

Erreur moyenne de prévision
EMP = somme(PD(t) - DR(t)) / n
EMPchamp Erreur moyenne de prévision
somme()la somme de toutes les périodes d'historique
PD(t)la demande prévue pour la période t
DR(t)demande réelle pour la période t
nnombre de périodes d'historique

 

Erreur moyenne absolue moyenne de prévision
EMA = somme(abs(PD(t) -	 DR(t))) / n
EMAchamp Ecart moyen absolu
somme()somme de toutes les périodes d'historique
abs(PD(t)-DR(t))valeur absolue de (PD(t)-DR(t))
PD(t)la demande prévue pour la période t
DR(t)demande réelle pour la période t
nnombre de périodes d'historique

 

Erreur de prévision moyenne relative
EMR = somme(100 x abs((PD(t) - DR(t))) / DR(t)) / n
EMR Ecart moyen relatif
sommesomme de toutes les périodes d'historique
PD(t)demande prévue pour la période t
DR(t)demande réelle pour la période
nnombre de périodes d'historique

 

Ecart type de l'erreur de prévision
ET = racine(somme(((PD(t) - DR(t)) - EMP)^2) / (n - 1))
ETchamp Ecart type
racine()racine carrée
somme()somme de toutes les périodes d'historique
PD(t)demande prévue pour la période t
DR(t)demande réelle pour la période t
EMPerreur de prévision moyenne
nnombre de périodes d'historique

 

Corrélation saisonnière

LN détermine l'écart standard par rapport à la demande réelle pour deux jeux de données. Le premier jeu de données est constitué des périodes allant de la première à la dernière période, moins la longueur de la saison exprimée en périodes. Le deuxième jeu de données est constitué des périodes allant de la première période qui suit la saison exprimée en périodes, jusqu'à la dernière période. En d'autres termes, le deuxième jeu de données est décalé d'une saison par rapport au premier.

Le diagramme ci-après en donne une illustration pour une saison d'une longueur d'un mois.
[...]
AJeu de données 1 :
BJeu de données 2 :
1Janvier
2Février
3Mars
4Avril
5Mai
Ecarts types :
ET1 = racine(somme(((DM(t) - DM1)^2) / (m - 1)) SDV2 =
			 racine(somme(((DM(t+D) - DM2)^2) / (m - 1))
ET1écart type pour le premier jeu de données
ET2écart type pour le second jeu de données
racine()racine carrée
somme()somme de toutes les périodes d'historique
DM(t)demande basée sur la tendance pour la période t (*)
DM1demande corrigée en fonction de la tendance pour le premier jeu de données (*)
DM2demande corrigée en fonction de la tendance pour le second jeu de données (*)
Llongueur des saisons dans les périodes
mnombre de périodes d'historique moins la longueur de la saison exprimée en périodes

 

(*) Pour le calcul de la demande moyenne corrigée en fonction de la tendance, voir la Méthode de prévision : régression polynomiale.

LN détermine le facteur de covariance pour les deux jeux de données.

COV = somme((DM(t) - DM1) x (DM(t+D) - DM2) / (m - 1))
COVfacteur de covariance
sommesomme de toutes les périodes moins la longueur de la saison exprimée en périodes
DM(t)demande basée sur la tendance pour la période t
DM1demande corrigée en fonction de la tendance pour le premier jeu de données
DM2demande corrigée en fonction de la tendance pour le second jeu de données
Llongueur des saisons dans les périodes
mnombre de périodes d'historique moins la longueur de la saison exprimée en périodes

 

Enfin, le deuxième facteur de corrélation saisonnière est calculé comme suit :

COR = COV / (ET1 x ET2)
CORchamp Facteur de corrélation saisonnière
COVfacteur de covariance
ET1écart type pour le premier jeu de données
ET2écart type pour le deuxième jeu de données