Techniques de prévision de la demande (méthodes d'enquête et statistiques)

Le principal défi pour prévoir la demande consiste à sélectionner une technique efficace.

Aucune méthode particulière ne permet aux organisations d'anticiper les risques et les incertitudes à l'avenir. En règle générale, il existe deux approches de la prévision de la demande.

La première approche consiste à prévoir la demande en collectant des informations sur le comportement d'achat des consommateurs auprès d'experts ou en menant des enquêtes. D'autre part, la deuxième méthode consiste à prévoir la demande en utilisant les données antérieures au moyen de techniques statistiques.

On peut donc dire que les techniques de prévision de la demande sont divisées en méthodes d’enquête et méthodes statistiques. La méthode d'enquête est généralement destinée à la prévision à court terme, alors que les méthodes statistiques sont utilisées pour prévoir la demande à long terme.

Ces deux approches sont illustrées à la figure 10:

Discutons de ces techniques (comme le montre la figure 10).

Méthode d'enquête :

La méthode d’enquête est l’une des méthodes les plus courantes et les plus directes de prévision de la demande à court terme. Cette méthode englobe les plans d'achat futurs des consommateurs et leurs intentions. Selon cette méthode, une organisation mène des enquêtes auprès des consommateurs pour déterminer la demande de leurs produits et services existants et anticiper la demande future en conséquence.

La méthode d’enquête comporte trois exercices, illustrés à la figure 11:

Les exercices de la méthode d’enquête (voir Figure 11) sont discutés comme suit:

je. Sondage d'opinion d'experts:

Désigne une méthode dans laquelle les experts sont invités à donner leur avis sur le produit. Généralement, dans une organisation, les représentants commerciaux agissent en tant qu'experts capables d'évaluer la demande du produit dans différentes zones, régions ou villes.

Les représentants commerciaux sont en contact étroit avec les consommateurs. Par conséquent, ils connaissent bien les projets d'achat des consommateurs, leurs réactions aux changements du marché et leur perception des autres produits concurrents. Ils fournissent une estimation approximative de la demande pour les produits de l'organisation. Cette méthode est assez simple et moins chère.

Cependant, il a ses propres limites, qui sont discutées comme suit:

une. Fournit des estimations qui dépendent des compétences des experts en matière de marché et de leur expérience. Ces compétences diffèrent d'un individu à l'autre. De cette manière, il est difficile de prévoir avec exactitude la demande.

b. Implique un jugement subjectif de l'évaluateur, ce qui peut entraîner une surestimation ou une sous-estimation.

c. Dépend des données fournies par les représentants des ventes qui peuvent avoir des informations inadéquates sur le marché.

ré. Ignore les facteurs, tels que le changement du produit national brut, la disponibilité du crédit et les perspectives futures du secteur, qui peuvent s'avérer utiles pour la prévision de la demande.

ii. Méthode Delphi:

Fait référence à une technique de prise de décision de groupe consistant à prévoir la demande. Dans cette méthode, des questions sont individuellement posées à un groupe d’experts pour obtenir leur avis sur la demande future de produits. Ces questions sont répétées jusqu'à l'obtention d'un consensus.

En outre, dans cette méthode, chaque expert reçoit des informations concernant les estimations établies par d'autres experts du groupe, afin de pouvoir réviser ses estimations par rapport aux estimations des autres. De cette manière, les prévisions sont vérifiées par des experts pour permettre une prise de décision plus précise.

Chaque expert est autorisé à réagir ou à faire des suggestions sur les estimations des autres. Toutefois, les noms des experts restent anonymes lors des échanges d'estimations entre experts afin de permettre un jugement équitable et de réduire l'effet de halo.

Le principal avantage de cette méthode est qu’elle est efficace en temps et en coûts, puisqu’un certain nombre d’experts sont approchés en peu de temps sans dépenser d’autres ressources. Cependant, cette méthode peut conduire à une prise de décision subjective.

iii. Méthode d'expérience de marché:

Implique la collecte des informations nécessaires concernant la demande actuelle et future pour un produit. Cette méthode réalise des études et des expériences sur le comportement des consommateurs dans les conditions réelles du marché. Dans cette méthode, certaines zones des marchés sont sélectionnées avec des caractéristiques similaires, telles que la population, les niveaux de revenu, les antécédents culturels et les goûts des consommateurs.

Les expériences de marché sont réalisées à l'aide de l'évolution des prix et des dépenses, de manière à enregistrer les modifications de la demande qui en résultent. Ces résultats aident à prévoir la demande future.

Il existe diverses limitations de cette méthode, qui sont les suivantes:

une. Fait référence à une méthode coûteuse; par conséquent, il peut ne pas être abordable pour les petites organisations

b. Affecte les résultats des expériences en raison de diverses conditions socio-économiques, telles que grèves, instabilité politique, catastrophes naturelles

Méthodes statistiques :

Les méthodes statistiques sont un ensemble complexe de méthodes de prévision de la demande. Ces méthodes permettent de prévoir la demande à long terme. Dans cette méthode, la demande est prévue sur la base de données historiques et de données transversales.

Les données historiques se réfèrent aux données antérieures obtenues de diverses sources, telles que les bilans des années précédentes et les rapports d’études de marché. D'autre part, des données transversales sont collectées en conduisant des entretiens avec des individus et en réalisant des études de marché. Contrairement aux méthodes d'enquête, les méthodes statistiques sont rentables et fiables dans la mesure où l'élément de subjectivité est minimal.

Ces différentes méthodes statistiques sont illustrées à la figure 12:

Les différentes méthodes statistiques (comme illustré à la figure 12).

Méthode de projection de tendance :

La projection de tendance ou méthode des moindres carrés est la méthode classique de la prévision d'activité. Dans cette méthode, une grande quantité de données fiables est nécessaire pour prévoir la demande. En outre, cette méthode suppose que les facteurs, tels que les ventes et la demande, responsables des tendances passées resteraient les mêmes à l'avenir.

Dans cette méthode, les prévisions de ventes sont établies à travers l’analyse de données antérieures extraites des livres de comptes de l’année précédente. Dans le cas de nouvelles organisations, les données sur les ventes proviennent d’organisations déjà existantes dans le même secteur. Cette méthode utilise des données chronologiques sur les ventes pour prévoir la demande d'un produit.

Le tableau 1 présente les données chronologiques de XYZ Organization:

La méthode de projection de tendance prend en compte trois autres méthodes, à savoir:

je. Méthode graphique:

Aide à prévoir les ventes futures d'une organisation à l'aide d'un graphique. Les données de vente sont tracées sur un graphique et une ligne est dessinée sur les points tracés.

Apprenons cela à travers un graphique de la figure 13:

La figure 13 montre une courbe qui est tracée en tenant compte des données de ventes de XYZ Organization (tableau 1). La ligne P est tracée par le milieu de la courbe et S est une ligne droite. Ces lignes sont étendues pour obtenir les ventes futures pour l'année 2010, soit environ 47 tonnes. Cette méthode est très simple et moins chère; Cependant, les projections effectuées par cette méthode peuvent être basées sur le parti pris personnel du prévisionniste.

ii. Méthode de tendance d'adaptation:

Implique une méthode des moindres carrés dans laquelle une ligne de tendance (courbe) est ajustée aux données chronologiques des ventes à l'aide de techniques statistiques.

Dans cette méthode, il existe deux types de tendances prises en compte, qui sont expliquées comme suit:

une. Tendance linéaire:

Implique une tendance dans laquelle les ventes montrent une tendance à la hausse.

En tendance linéaire, l’équation de tendance droite suivante est ajustée:

S = A + BT

S = chiffre d'affaires annuel

T = temps (en années)

A et B sont constants

B donne la mesure de l'augmentation annuelle des ventes

b. Tendance exponentielle:

Implique une tendance dans laquelle les ventes augmentent au cours des dernières années à un taux croissant ou constant.

L'équation de tendance appropriée utilisée est la suivante:

Y = aTb

Y = chiffre d'affaires annuel

T = temps en années

a et b sont constants

En convertissant cela en logarithme, l'équation serait la suivante:

Journal Y = Journal a + b Journal T

Le principal avantage de cette méthode est qu’elle est simple à utiliser. De plus, les données requises par cette méthode sont très limitées (seules les données de vente sont requises), ce qui en fait une méthode peu coûteuse.

Cependant, cette méthode souffre également de certaines limitations, qui sont les suivantes:

1. Suppose que le taux passé de changements dans les variables restera le même à l'avenir, ce qui n'est pas applicable dans les situations pratiques.

2. N'applique pas pour les estimations à court terme et où la tendance est cyclique avec beaucoup de fluctuations

3. Ne réussit pas à mesurer la relation entre les variables dépendantes et indépendantes.

iii. Méthode Box-Jenkins:

Désigne une méthode utilisée uniquement pour les prévisions à court terme. Cette méthode prévoit la demande uniquement avec des données de série temporelle stationnaires qui ne révèlent pas la tendance à long terme. Il est utilisé dans les situations où les données de séries chronologiques décrivent les variations mensuelles ou saisonnières avec un certain degré de régularité. Par exemple, cette méthode peut être utilisée pour estimer les prévisions de vente de vêtements en laine pendant la saison d'hiver.

Méthode barométrique :

En méthode barométrique, la demande est prédite sur la base d'événements passés ou de variables clés intervenant dans le présent. Cette méthode est également utilisée pour prévoir divers indicateurs économiques, tels que l’épargne, les investissements et les revenus. Cette méthode a été introduite par le Service économique de Harvard en 1920 et révisée par le Bureau national de la recherche économique (NBER) dans les années 1930.

Cette technique aide à déterminer la tendance générale des activités commerciales. Par exemple, supposons que le gouvernement attribue des terres à la société XYZ pour la construction de bâtiments. Cela indique qu'il y aurait une forte demande de ciment, de briques et d'acier.

Le principal avantage de cette méthode est qu’elle est applicable même en l’absence de données antérieures. Cependant, cette méthode n'est pas applicable dans le cas de nouveaux produits. En outre, il perd son applicabilité lorsqu'il n'y a pas de décalage entre l'indicateur économique et la demande.

Méthodes économétriques :

Les méthodes économétriques combinent des outils statistiques avec des théories économiques pour la prévision. Les prévisions faites par cette méthode sont très fiables que toute autre méthode. Un modèle économétrique comprend deux types de méthodes, à savoir le modèle de régression et le modèle d'équations simultanées.

Ces deux types de méthodes s’expliquent comme suit:

je. Méthodes de régression:

Reportez-vous à la méthode la plus populaire de prévision de la demande. Dans la méthode de régression, la fonction de demande pour un produit est estimée lorsque la demande est une variable dépendante et que les variables qui déterminent la demande sont des variables indépendantes.

Si une seule variable affecte la demande, elle est appelée fonction de demande à une seule variable. Ainsi, des techniques de régression simples sont utilisées. Si la demande est affectée par de nombreuses variables, on parle alors de fonction de demande multi-variable. Par conséquent, dans un tel cas, la régression multiple est utilisée.

Les techniques de régression simple et multiple sont discutées comme suit:

une. Régression simple:

Fait référence à l’étude de la relation entre deux variables où l’une est une variable indépendante et l’autre est une variable dépendante.

L'équation pour calculer une régression simple est la suivante:

Y = a + bx

Où, Y = valeur estimée de Y pour une valeur donnée de X

b = quantité de changement en Y produite par un changement d'unité en X

a et b = constantes

Les équations pour calculer a et b sont les suivantes:

Apprenons à calculer une régression simple à l'aide d'un exemple. Supposons qu'un chercheur veuille étudier la relation entre la satisfaction des employés (groupe de vendeurs) et les ventes d'une organisation.

Il / elle a pris les commentaires des employés sous forme de questionnaire et leur a demandé d'évaluer leur niveau de satisfaction sur une échelle de 10 indicateurs, où 10 est le plus élevé et 1, le plus bas. Le chercheur a pris les données de vente pour chaque membre individuel du groupe de vente. Il / elle a pris la moyenne des ventes mensuelles pendant un an pour chaque individu.

Les données collectées sont classées dans le tableau 2:

Le calcul de la moyenne pour la satisfaction des employés (X) et les ventes est le suivant:

C'est l'équation de régression dans laquelle le chercheur peut prendre n'importe quelle valeur de X pour trouver la valeur estimée de Y.

Par exemple, si la valeur de X est 9, la valeur de Y serait calculée comme suit:

Y = -1, 39 + 1, 61X

Y = -1, 39 + 1, 61 (9)

Y = 13.

À l'aide de l'exemple précédent, on peut conclure que si un employé est satisfait, sa production augmentera.

b. Régression multiple:

Fait référence à l’étude de la relation entre plus d’une variable indépendante et dépendante.

Dans le cas de deux variables indépendantes et d'une variable dépendante, l'équation suivante est utilisée pour calculer la régression multiple:

Y = a + b1X1 + b2X2

Où, Y (variable dépendante) = valeur estimée de Y pour une valeur donnée de X1 et X

X1 et X2 = variables indépendantes

b1 = valeur de la variation en Y produite par une modification de l'unité en X

b2 = quantité de changement en Y produite par un changement d'unité en X2

a, b1 et b2 = constantes

Les équations utilisées pour calculer les valeurs a et b sont les suivantes:

Le nombre d'équations dépend du nombre de variables indépendantes. S'il y a deux variables indépendantes, il y aura trois équations et ainsi de suite.

Apprenons à calculer la régression multiple à l'aide d'un exemple. Supposons que le chercheur veuille étudier la relation entre le pourcentage intermédiaire, le pourcentage d'obtention de diplôme et le centile MAT d'un groupe de 25 étudiants.

Il est important de noter que le pourcentage intermédiaire et le pourcentage d'obtention du diplôme sont des variables indépendantes et que le centile MAT est une variable dépendante. Le chercheur veut savoir si le centile en MAT dépend du pourcentage d’intermédiaire et d’obtention du diplôme.

Les données collectées sont présentées dans le tableau 3:

Les équations nécessaires pour calculer la régression multiple sont les suivantes:

Ces équations sont utilisées pour résoudre manuellement l’équation de régression multiple. Cependant, vous pouvez également utiliser SPSS pour découvrir la régression multiple.

Si nous utilisons SPSS dans l'exemple précédent, nous obtiendrions le résultat présenté dans le tableau 4:

Le tableau 5 présente le résumé du modèle de régression. Dans ce tableau, R est le coefficient de corrélation entre les variables indépendantes et les variables dépendantes, qui est très élevé dans ce cas. R Square montre qu'une grande partie de la variation du modèle est représentée par les opportunités d'emploi dans un État. L'erreur type d'estimation est assez faible, à savoir 1.97. Cela indique également que la variation dans les données actuelles est moindre.

Le tableau 6 présente les coefficients du modèle de régression:

Le tableau 6 montre que la valeur t calculée est supérieure à la valeur t de signification. Ainsi, les coefficients montrent la relation de cause à effet entre les variables indépendantes et dépendantes.

Le tableau 7 présente le tableau AN OVA pour les deux variables à l'étude:

Le tableau 7 présente l'analyse de la variation du modèle. La ligne de régression montre la variation due au modèle de régression. Cependant, la ligne résiduelle indique la variation due au hasard. Dans le tableau 7, la valeur de la somme des carrés pour la ligne de régression est supérieure à la valeur de la somme des carrés pour la ligne résiduelle; par conséquent, la plupart des variations sont produites uniquement en raison du modèle.

La valeur F calculée est très grande comparée à la valeur de signification. Par conséquent, nous pouvons dire que le pourcentage intermédiaire et le pourcentage de diplomation ont un effet important sur le centile MAT d’un élève.

Équations simultanées:

Impliquent plusieurs équations simultanées.

Ce modèle comprend deux types de variables, à savoir:

je. Variables endogènes:

Reportez-vous aux entrées qui sont déterminées dans le modèle. Ce sont des variables contrôlées.

ii. Variables exogènes:

Reportez-vous aux entrées du modèle. Les exemples sont le temps, les dépenses du gouvernement et les conditions météorologiques. Ces variables sont déterminées en dehors du modèle.

Pour développer un modèle complet, les variables endogènes et exogènes sont d’abord déterminées. Après cela, les données nécessaires sur les variables exogènes et endogènes sont collectées. Parfois, les données ne sont pas disponibles sous la forme requise, elles doivent donc être ajustées dans le modèle.

Après le développement des données nécessaires, le modèle est estimé par une méthode appropriée. Enfin, le modèle est résolu pour chaque variable endogène en termes de variable exogène. La prédiction est enfin faite.

Autres mesures statistiques :

Outre les méthodes statistiques, il existe d'autres méthodes de prévision de la demande. Ces mesures sont très spécifiques et utilisées uniquement pour des ensembles de données particuliers. Par conséquent, leur utilisation ne peut être généralisée pour tous les types de recherche.

Ces mesures sont illustrées à la figure 14:

Les différents types de mesures statistiques (comme le montre la figure 14) sont discutés comme suit:

iii. Numéro d'index:

Désigne les mesures utilisées pour étudier les fluctuations d’une variable ou d’un groupe de variables liées par rapport à la période / la période de base. Ils sont le plus souvent utilisés en économie et en recherche financière pour étudier divers facteurs, tels que le prix et la quantité d'un produit. Les facteurs responsables du problème sont identifiés et calculés.

Il existe principalement quatre types d'index, qui sont les suivants:

une. Numéro d'index simple:

Fait référence au nombre qui mesure un changement relatif dans une seule variable par rapport à l'année de base.

b. Numéro d'index composé:

Fait référence au nombre qui mesure un changement relatif dans un groupe de variables liées par rapport à l'année de base.

c. Indice de prix:

Fait référence au nombre qui mesure une variation relative du prix d'un produit au cours de différentes périodes.

ré. Numéro d'index de quantité:

Désigne le nombre qui mesure un changement relatif de la quantité physique de biens produits, consommés ou vendus pour un produit au cours de périodes différentes.

Analyse de séries chronologiques: Analyse d'une série d'observations sur une période d'intervalles de temps égaux. Par exemple, analyser la croissance d’une entreprise de sa constitution à la situation actuelle. L’analyse des séries chronologiques est applicable dans divers domaines, tels que le secteur public, l’économie et la recherche.

L'analyse des séries chronologiques comprend différents composants:

une. Tendance séculaire:

Fait référence à la tendance désignée par T et prévalente sur une période donnée. La tendance séculaire d'une série de données peut être à la hausse ou à la baisse. La tendance à la hausse montre l'augmentation d'une variable, telle que la hausse des prix des produits de base; tandis que la tendance à la baisse montre les phases de déclin, telles que la baisse du taux de maladies et des ventes d'un produit particulier.

b. Oscillation à court terme:

Fait référence à une tendance qui reste pour une période de temps plus courte.

Il peut être classé dans les trois tendances suivantes:

1. Tendance saisonnière:

Fait référence à la tendance indiquée par S et apparaissant année après année pour une période donnée. La raison de ces tendances est due aux conditions météorologiques, aux festivals et à d’autres coutumes. L’augmentation de la demande de laines en hiver et l’augmentation des ventes de bonbons près de Diwali sont des exemples de tendance saisonnière.

2. Tendance cyclique:

Fait référence à la tendance qui est notée C et dure plus qu’une année. Les tendances cycliques ne sont ni continues ni saisonnières. Le cycle économique est un exemple de tendance cyclique.

3. Tendance irrégulière:

Fait référence à la tendance désignée par I et qui est de nature brève et imprévisible. Les tremblements de terre, les éruptions volcaniques et les inondations sont des exemples de tendances irrégulières.

Analyse de l'arbre de décision:

Fait référence au modèle utilisé pour prendre une décision dans une organisation. Dans l'analyse de l'arbre de décision, une structure de type arbre est dessinée pour déterminer la meilleure solution à un problème. Dans cette analyse, nous découvrons d’abord différentes options que nous pouvons appliquer pour résoudre un problème particulier.

Après cela, nous pouvons connaître le résultat de chaque option. Ces options / décisions sont liées à un noeud carré tandis que les résultats sont illustrés avec un noeud de cercle. Le flux d'un arbre de décision doit être de gauche à droite.

La forme de l’arbre de décision est illustrée à la figure 15:

Laissez-nous comprendre le fonctionnement d'un arbre de décision à l'aide d'un exemple. Supposons qu'une organisation souhaite décider du type de segmentation pour augmenter la base de clients.

Ce problème peut être résolu en utilisant l’arbre de décision présenté à la figure 16:

Sur la figure 16, l'arbre de décision montre deux types de segmentation, à savoir la segmentation démographique et la segmentation géographique. Maintenant, nous analyserions les résultats de ces deux segmentations. Pour analyser la segmentation démographique, la société doit engager 40 000 S (coût estimé). Le résultat de la segmentation démographique peut être bon, modéré et médiocre.

Les revenus estimés projetés sur trois ans pour les trois options (bon, modéré et médiocre) sont les suivants:

Bon = 21500000 $

Modéré = 950000 $

Pauvre = S300000

Les probabilités attribuées aux résultats sont 0, 4 pour bien, 0, 5 pour modéré et 0, 1 pour faible.

Maintenant, nous calculons les résultats de la segmentation démographique de la manière suivante:

Bon = 0.4 * 2100000 = 840000

Modéré = 0, 5 * 950000 = 475000

Médiocre = 0, 1 * 300000 = 30000

De même, en cas de segmentation géographique, le coût encouru est de 70000 dollars (coût estimé). Le résultat de la segmentation géographique peut être bon et mauvais.

Les revenus estimés projetés sur trois ans pour les deux options (bon et pauvre) sont les suivants:

Bon = 1350000 $

Pauvre = 260000 $

Les probabilités attribuées aux résultats sont 0, 6 pour le bien et 0, 4 pour le faible.

Maintenant, nous calculons les résultats de la segmentation géographique de la manière suivante:

Bon = 0.6 * 1350000 = 810000 $

Faible = 0, 4 * 260000 = 104 000 $

Nous allons maintenant analyser les deux résultats pour prendre la décision de sélectionner une segmentation parmi les deux segmentations de la manière suivante:

Pour la segmentation démographique:

Bon = 840000-40000 = 800000 $

Modérée = 475000-40000 = $ 435000

Mauvais = 30000-40000 = $ (10000)

De même, pour la segmentation géographique:

Bon = 810000-70000 = $ 740000

Médiocre = 104000-70000 = 340000 $

Comme nous pouvons le constater d'après le calcul, si nous choisissons la segmentation démographique, le bénéfice maximum estimé serait de 800 000 USD. Dans la segmentation démographique, il existe des risques de pertes (10 000) si le produit ne réussit pas sur le marché.

Si nous choisissons la segmentation géographique, le bénéfice maximum estimé serait de 740000 USD. Dans la segmentation géographique, nous obtiendrions un bénéfice inférieur (340000 S) si le produit n'aboutissait pas sur le marché. Par conséquent, il est préférable d’utiliser la segmentation géographique pour la commercialisation du produit car elle n’entraîne aucune perte.

 

Laissez Vos Commentaires