La méthode de lissage exponentiel utilise les moyennes historiques d'une variable dans une période pour essayer de prédire son comportement futur.
Par conséquent, il s'agit de prédire ce qui va se passer et de lisser la série chronologique. L'objectif est de réduire les fluctuations et de pouvoir observer une tendance qui n'est parfois pas claire à l'œil nu. Il est largement utilisé, notamment en prévision des soldes, et s'est avéré plus qu'acceptable.
La méthode du lissage exponentiel
Regardons un moyen simple de calcul. La formule, que nous montrons en détail dans l'exemple, comprend une demande réelle (Do) et une prévision (Po). En revanche, le facteur de lissage (alpha) exprimé en tant de fois un. La formule serait celle-ci :
Ce que nous faisons, comme nous le verrons à la fin, c'est lisser la série. Ajoutez à la prévision de la période précédente (Po) la différence entre celle-ci et la demande (Do) multipliée par le facteur de lissage (alpha). Avec cela, nous obtenons des valeurs avec moins de variabilité et l'évolution de la série temporelle peut être mieux observée.
Bien sûr, il existe des modèles un peu plus complexes. D'un côté, le modèle Box-Jenkins et de l'autre, le modèle Holt-Winter. Ce dernier est très utile de par sa simplicité et sa facilité d'utilisation. Nous n'allons pas entrer dans les détails, car nous dépasserions notre objectif de montrer l'économie de manière simple.
Les avantages des méthodes de lissage exponentiel
Les avantages sont avant tout la simplicité et la facilité d'application, mais il y en a quelques autres. Nous montrons ci-dessous les plus pertinents :
- Il n'a pas besoin de beaucoup de données historiques, contrairement à d'autres méthodes telles que ARIMA.
- Il a une précision plus élevée que les autres lors de l'utilisation de techniques de modélisation exponentielle.
- C'est une méthode qui bénéficie d'une grande flexibilité, en utilisant des données de demande qui peuvent être choisies par le chercheur.
- Le lissage dit double exponentiel permet de réduire les problèmes de prévision lorsque le facteur de lissage est supérieur à 0,5. Un de ses quelques inconvénients.
Exemple de lissage exponentiel
Imaginez une entreprise qui vend des chips. Le directeur commercial de la maison mère mexicaine contacte son homologue espagnol. Cela vous indique que vous allez faire une prévision des ventes pour Valence. Mais bien sûr, le seul indicateur avec lequel vous devez commencer est celui des ventes dans une ville du Mexique où les données peuvent être comparées. Utilisez un facteur pour lisser la série de 35%.
Comme nous pouvons le voir sur la figure, en appliquant la formule, nous obtenons les valeurs prévisionnelles. La première (P1), à partir de janvier 2015, correspond aux ventes de Mexico pour ce mois. La colonne de la demande est les données réelles pour cette année. À partir de là, en entrant la formule, le reste des données de la colonne de prévision peut être créé.
Nous pouvons vérifier que le lissage exponentiel réduit les fluctuations et nous observons qu'il ne semble pas y avoir de tendance claire. Cependant, la prévision est la plupart du temps supérieure à la demande réelle qui a finalement été produite. Bien que dans une période ultérieure, cela soit beaucoup plus important.