Prévision de la demande
Sur cette page
Savez-vous mesurer la précision de vos prévisions ?
Planifions un échangeDécouvrir notre logiciel de prévision des ventesLa prévision de la demande consiste à estimer ce que les clients achèteraient sur une période donnée si le produit était disponible au prix proposé, et à anticiper comment ce volume réagit au prix, aux promotions et au contexte (météo, calendrier, concurrence). Elle se distingue de la prévision des ventes, qui projette les volumes réellement vendus, limités par le stock. C'est l'entrée de toute décision de prix, de promotion et d'achat.
L'essentiel
- La prévision de la demande estime ce que les clients achèteraient sans rupture, là où la prévision des ventes projette les ventes contraintes.
- Apprendre sur un historique où les ruptures ont masqué la demande sous-estime durablement les besoins.
- Elle chiffre l'effet attendu d'un prix ou d'une promotion sur les volumes, avant d'engager l'achat.
En 6 questions
Une estimation de la demande réelle, pas seulement des ventes passées.
Planification, achats, pricing, logistique.
Des mois à l'avance pour les achats, chaque semaine pour les opérations.
Référence × magasin × semaine, catégorie × mois, famille × trimestre.
Optimiser stocks, promotions et marge.
Historique corrigé des ruptures, élasticité-prix et machine learning, mesurés par le MAPE.
Pourquoi prévoir la demande
Parce que stocks, promotions et prix se décident tous sur une hypothèse de demande.
- Optimiser les stocks : éviter les ruptures (chiffre d'affaires perdu) et les surstocks (immobilisation, casse).
- Calibrer les promotions : connaître la demande naturelle permet de mesurer l'effet incrémental d'une promotion.
- Piloter la marge : ajuster le prix selon la demande prévue, dans une logique proche du pricing prédictif et du yield management.
Prévision de la demande ou prévision des ventes : quelle différence ?
La demande, c'est ce que les clients veulent acheter ; les ventes, c'est la part de cette demande que le magasin a pu servir.
| Critère | Prévision de la demande | Prévision des ventes |
|---|---|---|
| Ce qu'on estime | Demande : Ce que les clients achèteraient sans contrainte de stock | Ventes : Les volumes qui seront réellement vendus |
| Effet d'une rupture | Demande : La demande perdue est reconstituée | Ventes : Pas de stock, pas de vente |
| Leviers intégrés | Demande : Prix, promotions, prix concurrents, contexte | Ventes : Plan d'approvisionnement, assortiment |
| Usage principal | Demande : Fixer les prix, calibrer les promotions | Ventes : Planifier commandes, chiffre d'affaires, logistique |
En pratique, on prévoit d'abord la demande, puis on en déduit les ventes en appliquant les contraintes de stock et d'assortiment. Sur un produit toujours disponible, les deux chiffres se confondent ; sur une référence souvent en rupture, ils divergent fortement. Les méthodes côté ventes sont détaillées dans la fiche prévision des ventes, et le mécanisme qui transforme une demande sous-estimée en rupture dans notre article sur la rupture de stock liée à une mauvaise prévision.
Ce qui fait varier la demande : prix, promotions, contexte
Une prévision de la demande utile au pricing isole l'effet de chaque levier.
- Le prix : l'élasticité-prix mesure de combien la demande baisse quand le prix monte. C'est elle qui permet de simuler un changement de prix avant de l'appliquer.
- Les promotions : elles créent un pic, souvent suivi d'un creux, et prennent une partie de leurs volumes aux produits voisins (cannibalisation intra-catégorie).
- Les prix concurrents : un écart qui se creuse déplace la demande d'une enseigne à l'autre, surtout sur les produits les plus comparés.
- Le contexte : météo, jours fériés, vacances scolaires ou événement imprévu, traités dans notre article sur les événements exogènes en prévision.
- La disponibilité : quand un produit manque, une partie de sa demande se reporte sur un substitut, le reste est perdu.
Exemple concret : un t-shirt de la collection été
Une enseigne textile prévoit 28 000 unités pour un t-shirt, avec un pic mi-juin, et en commande 32 000.
28 000 unités prévues, 32 000 commandées
Enseigne textile · prévision de la demande sur un t-shirt de la collection été
unités prévues sur la saison pour cette référence, à partir de l'historique, de la météo prévisionnelle et des tendances mode (analyse NLP des réseaux sociaux).
unités commandées aux fournisseurs sur la base de cette prévision, avec 15 % de marge
pic de vente anticipé, utilisé pour caler la logistique et les fenêtres de promotion
Dès janvier, les modèles croisent 5 ans d'historique, les tendances mode analysées sur les réseaux sociaux, la météo régionale prévue et le calendrier des soldes. La prévision oriente les achats (avec 15 % de marge de sécurité), la logistique et les fenêtres de promotion.
Comment construire une prévision de la demande robuste ?
En combinant plusieurs approches et en mesurant la précision en continu.
| Brique | Contenu |
|---|---|
| Historique corrigé | Ruptures, promotions et anomalies retraitées avant l'apprentissage. |
| Statistiques classiques | Moyennes mobiles, ARIMA, Holt-Winters. |
| Machine learning | Gradient boosting, réseaux récurrents. |
| Expertise métier | Jugement du category manager sur les cas particuliers. |
| Mesure | MAPE : de 5 à 25 % selon la stabilité du produit. |
Les outils modernes pondèrent ces sources selon le contexte. C'est ce que fait notre logiciel de prévision des ventes ; appliquée aux fins de saison, elle calibre les démarques de notre offre markdown et déstockage. Ces prévisions nourrissent aussi les simulations de stratégie prix. La qualité de l'historique compte autant que le modèle : voir quel historique de ventes faut-il pour prévoir juste.
Les 4 erreurs fréquentes en prévision de la demande
Des ventes non corrigées, trop peu de variables externes, un seul niveau de prévision ou aucune mesure de performance.
- Apprendre sur des ventes brutes : sans retraitement des ruptures, le modèle confond absence de stock et absence de demande, et reconduit la rupture.
- Sous-investir dans les variables externes : sans météo, fêtes ou promotions concurrentes, le modèle manque les variations clés.
- Ne prévoir qu'à un seul niveau : la prévision doit exister par référence, magasin et catégorie, de façon cohérente.
- Ne pas mesurer la performance : sans suivi du MAPE ni back-testing, on ne voit pas le modèle se dégrader.
Questions fréquentes
Les réponses courtes aux questions les plus posées sur la prévision de la demande.
Qu'est-ce que la prévision de la demande ?
La prévision de la demande estime ce que les clients achèteraient sur une période donnée si le produit était disponible au prix affiché, et la façon dont ce volume réagirait à un changement de prix, à une promotion ou au contexte. Elle part de l'historique de ventes corrigé des ruptures, puis intègre prix, promotions, prix concurrents, météo et calendrier, souvent avec du machine learning. Elle sert à fixer les prix, calibrer les promotions et dimensionner les achats.
Quelle différence entre prévision de la demande et prévision des ventes ?
La prévision de la demande estime ce que les clients voudraient acheter ; la prévision des ventes estime ce qui sera réellement vendu, une fois appliquées les contraintes de stock, d'assortiment et de place en rayon. Sur un produit toujours disponible, les deux chiffres se confondent. Sur une référence souvent en rupture, ils divergent : prévoir à partir des seules ventes reconduit la rupture au cycle suivant. On prévoit donc d'abord la demande, puis on en déduit les ventes.
Quelle différence entre un pricing fondé sur la demande et un pricing fondé sur la concurrence ?
Un pricing fondé sur la concurrence fixe le prix par rapport aux prix relevés chez les concurrents, avec un indice ou un écart cible. Un pricing fondé sur la demande part de la réaction des clients au prix, mesurée par l'élasticité, pour trouver le prix qui maximise la marge ou le volume. Le premier protège l'image prix sur les produits les plus comparés ; le second capte de la marge là où le client est peu sensible au prix. La plupart des enseignes combinent les deux selon le rôle de chaque produit.
Comment le prix influence-t-il la demande ?
Par l'élasticité-prix : quand le prix monte, la demande baisse plus ou moins fort selon le produit. Un produit de première nécessité ou sans équivalent réagit peu ; un produit très comparé ou facilement remplaçable réagit beaucoup. Une prévision de la demande qui intègre cette élasticité permet de simuler plusieurs prix avant d'en choisir un, au lieu de constater l'effet après coup. Elle doit aussi tenir compte des prix concurrents, qui modifient la sensibilité du client.
Quel outil de prévision de la demande pour un réseau multi-magasins ?
Il faut un outil qui prévoit au niveau référence × magasin, retraite automatiquement les ruptures et les promotions passées, intègre prix, météo et calendrier, et relie la prévision aux décisions de prix et de réassort. Les tableurs atteignent vite leurs limites au-delà de quelques centaines de références. Booper propose une prévision des ventes par IA reliée à sa solution de pricing : la demande prévue alimente directement les recommandations de prix, magasin par magasin.
Quelle précision viser ?
Moins de 10 % de MAPE, l'erreur moyenne exprimée en pourcentage, sur les produits stables. Sur les nouveautés ou les produits saisonniers volatils, 20 à 30 % reste acceptable, faute d'historique suffisant. La précision dépend aussi de l'horizon : prévoir la semaine prochaine est plus fiable que prévoir la saison suivante, et une prévision par magasin est moins précise qu'une prévision agrégée. Fixer un objectif unique pour tout le catalogue conduit à juger le modèle de façon injuste.
À quelle granularité prévoir ?
Elle se choisit selon l'usage de la prévision. Pour les opérations, réassort et approvisionnement des magasins, on prévoit au niveau référence × magasin × semaine. La planification commerciale se contente de la catégorie × mois, et les achats raisonnent en famille × trimestre. Ces niveaux doivent rester cohérents entre eux : la somme des prévisions détaillées doit retomber sur la prévision agrégée, sinon chaque service travaille avec ses propres chiffres et les arbitrages deviennent impossibles.
Comment intégrer les promotions ?
Avec un modèle dit « uplift », qui sépare la demande naturelle, appelée baseline, de l'effet propre à la promotion. Cette séparation permet de prédire précisément l'impact d'une promotion future, selon sa profondeur et sa mise en avant. Sans elle, les pics promotionnels gonflent la demande de base et le modèle surestime les ventes des semaines normales. Il faut aussi tenir compte du creux qui suit souvent l'opération, quand les clients ont fait des réserves.
Que faire des ruptures de stock dans une prévision ?
Il faut les retraiter, sinon le modèle apprend qu'il n'y avait pas de demande alors qu'il n'y avait pas d'offre. La vente observée pendant une rupture sous-estime la demande réelle, et le modèle reconduit cette sous-estimation au cycle suivant, ce qui provoque une nouvelle rupture. C'est le défaut le plus coûteux et le plus répandu.
Comment prévoir la demande d'un produit nouveau ?
Par comparaison avec des lancements passés de profil voisin, en retenant la catégorie, le niveau de prix et le type de mise en avant. La prévision initiale est volontairement large, et se resserre après deux à trois semaines de ventes réelles. Prétendre à une précision fine dès le premier jour n'est pas réaliste.
À retenir
- La prévision de la demande estime ce que les clients achèteraient, pas seulement ce qu'ils ont acheté.
- Elle isole l'effet du prix, des promotions et du contexte : c'est l'entrée du pricing.
- Sa performance se mesure (MAPE) sur un historique corrigé des ruptures.
Vous souhaitez anticiper la demande avant de fixer vos prix ?
Booper croise prévision de la demande et scénarios de prix pour sécuriser vos décisions.
Parlons de votre prévision de la demande →Découvrir notre logiciel de prévision des ventesCes articles peuvent vous intéresser
La prévision des ventes par l'IA estime la demande de chaque produit, magasin par magasin, en séparant la demande de fond du surplus promotionnel. L'IA absorbe plus de signaux qu'un tableur, mais elle ne vaut que par la décision qu'elle éclaire.
En retail, cette décision est d'abord un prix ou une promotion. Une prévision utile au pricing dit combien on vendra à chaque prix envisagé, se juge sur son biais plus que sur son MAPE, et se prouve contre des magasins témoins.
Combien d'historique faut-il pour prévoir ? Cela dépend de la catégorie, mais la fiabilité compte davantage que la profondeur : un historique dont les ruptures, promotions et changements de prix sont datés vaut mieux qu'un long historique brut.
Deux angles sont souvent oubliés : l'historique des prix payés, sans lequel aucune élasticité ne se mesure, et les années d'inflation, à lire en volumes. La correction commence par les références qui font l'essentiel des ventes.