Dire que « la prévision est fausse » n’apporte rien : une prévision est toujours fausse, par définition. Les vraies questions sont ailleurs : de combien se trompe-t-on, dans quel sens, et fait-on mieux qu’une simple reconduction du mois précédent ? C’est exactement ce que mesure l’erreur de prévision, à travers quatre indicateurs complémentaires : le MAPE, le WMAPE, le biais et la fiabilité (forecast accuracy).
Dans cet article, je détaille chacun de ces indicateurs avec des exemples chiffrés pas à pas, leurs pièges de calcul, et le jeu d’indicateurs que je recommande d’adopter en pratique pour piloter un processus de prévision.
Ingénieur de formation, spécialisé en génie industriel, j’ai occupé différents postes (approvisionneur, pilote de flux, global supply planner) pendant plus de cinq ans dans différents grands groupes du secteur avant de devenir formateur en supply chain. Ce que vous lisez ici est le fruit de mes propres recherches et de mon expérience du terrain. Un avis, une question ? Les commentaires sont là pour ça. Rejoignez-moi sur LinkedIn.
Sommaire
Mesurer l’erreur de prévision : quatre indicateurs complémentaires
Chaque indicateur répond à une question différente, et aucun ne remplace les autres :
- MAPE : de combien je me trompe en moyenne, en pourcentage ?
- WMAPE : de combien je me trompe, en donnant plus de poids aux gros volumes ?
- Biais : est-ce que je me trompe toujours dans le même sens ?
- Fiabilité (forecast accuracy) : quel pourcentage de la demande ma prévision a-t-elle correctement anticipé ?
Ces indicateurs de prévision font partie des KPI supply chain fondamentaux : ils conditionnent les stocks, les capacités de production et les achats. Si le sujet des indicateurs au sens large vous intéresse (OTIF, taux de service, couverture de stock), je le traite dans un guide dédié.
Le MAPE : formule, exemple et limites
Que signifie MAPE ?
MAPE est un acronyme anglais : Mean Absolute Percentage Error, soit « erreur moyenne absolue en pourcentage ». Il n’existe pas d’acronyme français réellement utilisé en entreprise : dans les réunions, on dit « le MAPE », et quand on veut présenter le résultat positivement, on parle plutôt de fiabilité de la prévision (nous y venons plus bas).
La formule : MAPE = moyenne de ( |Prévision − Réel| ÷ Réel ) × 100. Le mot important est « absolue » : les barres |…| signifient qu’on ignore le signe de l’erreur. Se tromper de +10 % ou de −10 % donne la même contribution au MAPE.
Exemple de calcul du MAPE pas à pas
Prenons une référence dont les ventes réelles sont de 100 pièces chaque mois, et la prévision suivante sur 6 mois :
| Mois | Prévision | Réel | Erreur signée | |Erreur| |
|---|---|---|---|---|
| Janvier | 110 | 100 | +10 % | 10 % |
| Février | 90 | 100 | −10 % | 10 % |
| Mars | 112 | 100 | +12 % | 12 % |
| Avril | 88 | 100 | −12 % | 12 % |
| Mai | 108 | 100 | +8 % | 8 % |
| Juin | 92 | 100 | −8 % | 8 % |
MAPE = (10 + 10 + 12 + 12 + 8 + 8) ÷ 6 = 10 %. Notez au passage la colonne « erreur signée » : sa moyenne à elle vaut zéro. C’est le biais, et nous verrons plus bas pourquoi cette différence change tout.
Les trois limites du MAPE
- Les petites références font exploser le chiffre : le réel est au dénominateur. Prévoir 10 et vendre 2, c’est 400 % d’erreur sur cette ligne, de quoi ruiner la moyenne d’un portefeuille entier. Et si le réel est nul, la division est impossible.
- Le niveau d’agrégation change tout : le même portefeuille peut afficher 12 % de MAPE en global mensuel et 45 % à la référence par site, car les erreurs se compensent quand on agrège. Un MAPE annoncé sans sa maille de calcul ne veut rien dire.
- Il est aveugle à la direction de l’erreur : c’est sa limite la plus grave, et c’est tout l’objet de la comparaison avec le biais ci-dessous.
La fiabilité de la prévision (forecast accuracy)
En France, dans la plupart des entreprises, on ne communique pas le MAPE mais son complément : la fiabilité de la prévision (forecast accuracy en anglais, souvent abrégée FA). La formule la plus courante : fiabilité = 1 − erreur, c’est-à-dire 100 % − MAPE ou, mieux, 100 % − WMAPE. Un WMAPE de 22 % devient une fiabilité de 78 %.
C’est le même chiffre, présenté à l’endroit : dire « nos prévisions sont fiables à 78 % » passe mieux en comité de direction que « nous nous trompons de 22 % ». Il n’y a rien de malhonnête à cela, à deux conditions :
- Savoir quelle erreur se cache derrière : une fiabilité calculée sur un MAPE global mensuel et une fiabilité calculée sur un WMAPE à la référence peuvent afficher 15 points d’écart pour le même portefeuille. Demandez toujours la formule.
- Gérer les cas extrêmes : si l’erreur dépasse 100 % (fréquent sur les petites références ou les lancements), la fiabilité devient mathématiquement négative. La plupart des entreprises la tronquent alors à 0 %, ce qui est une convention à documenter, pas une évidence.
Autre subtilité : la fiabilité étant une moyenne d’écarts, elle ne dit toujours rien du sens de l’erreur. Une fiabilité de 90 % avec un biais négatif chronique reste un processus de prévision malade. Fiabilité et biais se lisent ensemble, jamais l’un sans l’autre.
Le plus simple pour ne plus les confondre est de placer les deux notions dans un même tableau. Toujours sur notre référence à 100 pièces vendues chaque mois, voici trois profils de prévision :
| Profil de prévision | Prévisions (réel = 100) | Fiabilité | Biais |
|---|---|---|---|
| Précise et centrée | 105 / 95 / 105 / 95 | 95 % | 0 % |
| Précise mais décalée | 95 / 95 / 95 / 95 | 95 % | −5 % |
| Imprécise mais centrée | 120 / 80 / 120 / 80 | 80 % | 0 % |
Les deux premières lignes ont la même fiabilité (95 %) et sont pourtant à l’opposé : la première se trompe dans les deux sens (biais nul, situation saine), la seconde sous-estime chaque mois (biais −5 %, ruptures chroniques). La fiabilité seule ne les distingue pas ; seul le biais le fait.
La troisième ligne montre l’inverse : une fiabilité médiocre (80 %) mais un biais nul, donc de grosses erreurs qui se compensent et qu’un stock de sécurité absorbe. En clair, la fiabilité mesure l’amplitude de l’erreur et le biais sa direction : deux axes indépendants, à lire toujours ensemble.
Le biais de prévision : l’erreur qui a une direction
Formule et lecture du biais
Le biais de prévision est la moyenne des erreurs signées : biais = moyenne de ( (Prévision − Réel) ÷ Réel ) × 100. Les sur-prévisions et les sous-prévisions ne s’annulent plus dans une valeur absolue : elles s’additionnent avec leur signe.
- Biais proche de zéro : les erreurs se compensent dans le temps. C’est la situation saine, celle qu’un stock de sécurité bien dimensionné sait absorber.
- Biais négatif persistant : vous sous-estimez systématiquement la demande. Conséquences : ruptures à répétition, ventes perdues, production en mode pompier.
- Biais positif persistant : vous surestimez systématiquement. Conséquences : stocks qui gonflent, cash immobilisé, obsolescence et destructions en fin de vie.
Le signal d’alerte n’est pas l’amplitude d’un mois isolé, mais la persistance : trois mois consécutifs du même signe méritent une investigation. C’est le principe du signal de suivi (tracking signal), qui cumule les erreurs signées et déclenche une alerte quand le cumul dérive.
Exemple de calcul du biais pas à pas
Reprenons la même référence (100 pièces vendues chaque mois) et comparons deux prévisionnistes. Le prévisionniste A est celui de notre calcul du MAPE plus haut : il se trompe alternativement dans les deux sens. Le prévisionniste B sous-estime la demande tous les mois, avec exactement les mêmes amplitudes d’erreur.
| Mois | Réel | Prév. A | Erreur A | Prév. B | Erreur B |
|---|---|---|---|---|---|
| Janvier | 100 | 110 | +10 % | 90 | −10 % |
| Février | 100 | 90 | −10 % | 90 | −10 % |
| Mars | 100 | 112 | +12 % | 88 | −12 % |
| Avril | 100 | 88 | −12 % | 88 | −12 % |
| Mai | 100 | 108 | +8 % | 92 | −8 % |
| Juin | 100 | 92 | −8 % | 92 | −8 % |
Le biais est la moyenne des erreurs signées : on garde le signe, on ne prend pas la valeur absolue.
- Biais A = (+10 −10 +12 −12 +8 −8) ÷ 6 = 0 % : les erreurs se compensent, processus sain.
- Biais B = (−10 −10 −12 −12 −8 −8) ÷ 6 = −10 % : sous-estimation chronique, ruptures assurées.
C’est ici que la comparaison avec la fiabilité devient parlante. Les deux prévisionnistes ont exactement les mêmes erreurs absolues (10, 10, 12, 12, 8, 8) : leur MAPE est donc identique, 10 %, et leur fiabilité identique, 100 % − 10 % = 90 % pour les deux.
Sur un tableau de bord qui n’afficherait que la fiabilité, A et B sont impossibles à distinguer : tous deux « fiables à 90 % ». Seul le biais révèle que B enchaîne les ruptures pendant que A tourne rond. C’est toute la démonstration de la section suivante.
D’où vient le biais ? Presque toujours de l’humain
Un biais durable est rarement un problème statistique : c’est un problème d’organisation. Les trois causes que l’on retrouve partout : le commercial qui gonfle ses prévisions pour sécuriser son allocation de stock, la direction qui refuse de revoir un budget à la baisse et impose « le chiffre » comme prévision, et le prévisionniste qui n’ose pas contredire le plan commercial.
C’est aussi pour cela que les outils d’IA appliqués à la prévision déçoivent parfois : un algorithme entraîné sur un historique pollué par ces comportements apprend le biais au lieu de le corriger. Traiter le biais, c’est d’abord instaurer une revue mensuelle où l’on confronte chacun à ses erreurs signées, sans chercher de coupable, mais sans laisser non plus le chiffre « politique » écraser le chiffre statistique.
MAPE vs biais : deux réalités derrière un même chiffre
L’infographie ci-dessous résume tout l’enjeu. Deux prévisionnistes affichent exactement le même MAPE de 10 %. Le premier (celui de notre exemple de calcul plus haut) se trompe dans les deux sens : biais nul, situation saine. Le second se trompe toujours dans le même sens : biais de −10 %, et chaque mois l’entreprise frôle ou subit la rupture. Si votre tableau de bord n’affiche que le MAPE ou la fiabilité, ces deux situations sont rigoureusement indiscernables.
En français, cette distinction est étonnamment peu documentée, alors qu’elle est au programme de toutes les certifications de planification. Retenez la règle : un chiffre de précision (MAPE, WMAPE ou fiabilité) ne se présente jamais sans son biais.
WMAPE : la variante pondérée à adopter
Le WMAPE (Weighted MAPE, MAPE pondéré) corrige le principal défaut du MAPE : au lieu de faire la moyenne des pourcentages d’erreur de chaque référence, on somme les erreurs absolues en volume et on divise par la somme des ventes réelles. Chaque référence pèse alors proportionnellement à ses volumes.
Exemple avec deux références. La référence A vend 1 000 pièces, erreur de 50 pièces (5 %). La référence B vend 10 pièces, erreur de 8 pièces (80 %). Le MAPE moyen ressort à (5 + 80) ÷ 2 = 42,5 % : catastrophique en apparence. Le WMAPE ressort à (50 + 8) ÷ (1 000 + 10) = 5,7 % : excellent, et bien plus représentatif de la réalité opérationnelle, puisque 99 % des volumes sont bien prévus.
C’est pour cette raison que le WMAPE (et la fiabilité calculée à partir de lui) est devenu le standard de fait dans les outils de planification du marché, des modules de prévision des ERP aux APS spécialisés (j’en présente les principaux dans mon guide des logiciels supply chain).
Quel jeu d’indicateurs adopter en pratique ?
Ma recommandation pour un tableau de bord de prévision, du plus opérationnel au plus synthétique :
- WMAPE + biais, à la maille référence × mois × site : le couple de travail du prévisionniste, celui qui déclenche les analyses.
- Fiabilité (1 − WMAPE) en global et par famille : le chiffre de communication vers la direction et le commerce, avec sa définition écrite noir sur blanc.
- Une prévision naïve en référence : recalculez chaque mois l’erreur qu’aurait faite une simple reconduction des ventes du mois précédent. Si votre processus ne bat pas la prévision naïve, il détruit de la valeur : c’est le principe du Forecast Value Added.
Mesurer la performance de la prévision à ces trois niveaux est typiquement le cœur du poste de demand planner, un métier dont la demande explose. Et ces indicateurs alimentent directement les revues S&OP mensuelles où se confrontent tous les KPI supply chain de l’entreprise.
Erreur de prévision : ce qu’il faut retenir
- MAPE est un acronyme anglais (Mean Absolute Percentage Error) : l’erreur moyenne en pourcentage, sans tenir compte du sens.
- La fiabilité (forecast accuracy) est simplement 100 % moins l’erreur : même information, présentée à l’endroit. Exigez toujours la formule qui se cache derrière.
- Le biais mesure la direction de l’erreur : c’est lui qui révèle les sous-prévisions chroniques qui créent les ruptures, et ses causes sont presque toujours humaines.
- Le WMAPE pondère par les volumes et corrige l’effet « petites références » : c’est la base saine pour calculer la fiabilité.
- Comparez toujours votre erreur à celle d’une prévision naïve : c’est le test ultime de la valeur ajoutée de votre processus.
Ces notions tombent quasi systématiquement en entretien pour les postes de demand planner et de supply planner. Si vous préparez ce type d’entretien ou une montée en compétences en planification, je propose un accompagnement personnalisé.
FAQ : vos questions sur l’erreur de prévision
Que veut dire MAPE en français ?
MAPE signifie Mean Absolute Percentage Error, soit « erreur moyenne absolue en pourcentage ». C’est un acronyme anglais sans équivalent français consacré : en entreprise, on parle du MAPE tel quel, ou de la fiabilité des prévisions pour son complément (100 % − erreur).
Comment calculer la fiabilité d’une prévision ?
Fiabilité = 100 % − erreur de prévision, l’erreur étant le plus souvent un WMAPE (erreur pondérée par les volumes). Exemple : un WMAPE de 22 % donne une fiabilité de 78 %. Si l’erreur dépasse 100 %, la fiabilité est généralement tronquée à 0 % par convention.
Quelle est la différence entre MAPE et WMAPE ?
Le MAPE fait la moyenne des pourcentages d’erreur de chaque référence : une petite référence très mal prévue pèse autant qu’une grosse bien prévue. Le WMAPE divise la somme des erreurs en volume par la somme des ventes : chaque référence pèse proportionnellement à ses volumes, ce qui reflète mieux la réalité opérationnelle.
Que signifie un biais de prévision positif ?
Un biais positif signifie que la prévision est en moyenne supérieure à la demande réelle : vous surestimez systématiquement. S’il persiste plusieurs mois, il se traduit par des stocks excédentaires, du cash immobilisé et un risque d’obsolescence. Un biais négatif persistant produit l’effet inverse : des ruptures à répétition.
Laisser un commentaire