Points essentiels à retenir
Aucune métrique ne suffit seule à établir la fiabilité des prévisions. Le MAPE exprime une erreur moyenne en pourcentage, le WMAPE pondère implicitement les observations par leur volume, le biais détecte une orientation persistante et le MASE compare la prévision à une méthode naïve. Chez Generix, nous recommandons de suivre ces quatre lectures séparément.
| Métrique | Formule simplifiée | Question traitée | Usage pertinent | Limite principale |
|---|---|---|---|---|
| MAPE | (100 / n) × Σ |(At − Ft) / At| | Quelle est l’erreur relative moyenne ? | Comparer des périodes ou des séries sans unité, lorsque les valeurs réelles restent strictement positives. | Indéfini si At vaut zéro et instable à proximité de zéro. |
| WMAPE ou WAPE | 100 × Σ |At − Ft| / Σ |At| | Quelle part du volume total représente l’erreur absolue ? | Piloter un portefeuille où les références à fort volume doivent peser davantage. | Peut masquer les mauvaises performances des faibles volumes. |
| Biais | Σ (Ft − At) ou moyenne de ces erreurs signées | La prévision surestime-t-elle ou sous-estime-t-elle durablement la demande ? | Détecter un risque cumulatif de surstock, de rupture ou de capacité mal dimensionnée. | Les erreurs positives et négatives peuvent se compenser. |
| MASE | MAE de la prévision / MAE d’une baseline naïve | La méthode fait-elle mieux qu’une règle simple ? | Comparer des modèles, des séries et des profils comportant des zéros. | Dépend du choix et de la pertinence de la baseline. |
Pour chaque période t, notez At la valeur réellement observée et Ft la valeur prévue. Dans cet article, l’erreur signée est définie par Ft − At : une valeur positive indique une sur-prévision, une valeur négative une sous-prévision. L’erreur absolue |At − Ft| mesure l’ampleur de l’écart sans tenir compte de son sens.
La date de création de la prévision doit aussi être conservée. Une prévision calculée la veille ne peut pas être comparée sans précaution à une prévision figée huit semaines avant l’exécution. Notre grille associe donc chaque observation à un horizon, une version de prévision, une maille et un périmètre métier clairement définis.
Le MAPE donne le même poids à chaque erreur en pourcentage, qu’elle concerne une référence majeure ou marginale. Le WAPE, couramment nommé WMAPE dans les outils de planification, rapporte au contraire la somme des erreurs absolues à la somme des valeurs observées. La documentation AWS disponible en août 2026 sur les métriques de prévision précise que le WAPE reste indéfini lorsque cette somme est proche de zéro.
Le MASE, proposé par Rob J. Hyndman et Anne B. Koehler dans l’International Journal of Forecasting, volume 22, numéro 4, publié d’octobre à décembre 2006, évite les divisions par les valeurs réelles. Par construction, un MASE inférieur à 1 indique une erreur moyenne plus faible que celle de la baseline naïve retenue ; au-dessus de 1, la prévision testée fait moins bien sur le périmètre évalué.
Le calcul doit partir d’une table unique contenant prévisions figées et réalisations comparables. L’exemple pédagogique suivant illustre les quatre métriques sur quatre périodes de validation. Generix recommande de conserver ce niveau de détail dans les données d’audit, même lorsque le tableau de bord présente ensuite des résultats agrégés.
Supposons quatre valeurs historiques utilisées uniquement pour établir l’échelle naïve du MASE : 100, 120, 80 et 100 unités. La moyenne des variations absolues successives vaut (20 + 40 + 20) / 3, soit 26,67 unités. Le jeu de validation, entièrement distinct dans cet exemple, est le suivant :
| Période | Réel At | Prévision Ft | Erreur signée Ft − At | Erreur absolue | Erreur absolue en % |
|---|---|---|---|---|---|
| P1 | 110 | 100 | −10 | 10 | 9,09 % |
| P2 | 130 | 140 | +10 | 10 | 7,69 % |
| P3 | 90 | 110 | +20 | 20 | 22,22 % |
| P4 | 120 | 120 | 0 | 0 | 0 % |
| Total | 450 | 470 | +20 | 40 | — |
Les résultats sont arrondis. Dans un calcul industriel, le dénominateur du MASE doit être obtenu sur le jeu d’entraînement et utiliser une baseline cohérente avec la saisonnalité et la fréquence de la série.
Le MAPE supérieur au WMAPE montre ici que certaines erreurs relatives pèsent davantage sur les observations de moindre volume. Le MASE de 0,375 indique que le modèle fait nettement mieux que la baseline choisie. Pourtant, le biais cumulé positif révèle une tendance à la sur-prévision, concentrée notamment sur P3.
Fusionner ces résultats dans une note unique ferait perdre cette information. Notre recommandation consiste à conserver un tableau de bord à plusieurs dimensions : niveau d’erreur, sens de l’erreur, performance relative et stabilité dans le temps. Une prévision humaine ajustée doit également être évaluée séparément de la prévision système afin de mesurer sa valeur ajoutée réelle.
Une métrique correcte peut produire une conclusion fausse si les données, le périmètre ou l’agrégation sont mal définis. Les principaux risques sont les divisions par zéro, les faibles volumes, les ventes censurées par les ruptures, les événements exceptionnels et la compensation des erreurs. Nous contrôlons ces points avant toute comparaison de modèles.
Le MAPE calcule la moyenne des erreurs absolues rapportées aux valeurs réelles. Hyndman et Athanasopoulos expliquent dans la troisième édition de Forecasting: Principles and Practice, publiée en 2021, qu’il devient infini ou indéfini lorsqu’une valeur réelle est nulle et peut prendre des valeurs extrêmes lorsque celle-ci est proche de zéro.
À l’inverse, une mesure consolidée peut diluer les erreurs d’un produit, d’un magasin ou d’un horizon critique dans un volume global élevé. Generix recommande de publier simultanément les résultats aux mailles utiles à la décision : portefeuille, famille, SKU, site, canal et horizon. Les totaux doivent toujours rester accessibles pour réconcilier les niveaux.
Pour une demande intermittente, les périodes à zéro rendent le MAPE peu exploitable. Le MASE est généralement plus robuste, à condition que sa baseline soit adaptée. Il doit être complété par des indicateurs métier : fréquence de rupture, disponibilité, couverture de stock, service obtenu et coût des excédents.
Une vente observée n’est pas toujours la demande réelle. En rupture, le système enregistre ce qui a été vendu, non ce qui aurait pu l’être. Promotions, changements d’assortiment, lancements et fermetures doivent aussi être identifiés. Sans ces marqueurs, notre modèle risque d’apprendre une demande censurée ou de traiter un événement non reproductible comme une saisonnalité.
Des sur-prévisions et sous-prévisions successives peuvent produire une erreur absolue moyenne acceptable tout en créant un déséquilibre persistant par segment. Le biais doit donc être suivi sous forme cumulée et par fenêtre glissante, avec une convention de signe partagée.
La compensation entre références est également trompeuse : la sur-prévision d’un produit ne résout pas la rupture d’un autre. Chez Generix, nous séparons le biais par famille, classe de rotation, site et horizon, puis nous examinons son effet sur la capacité, le stock et le service.
Il n’existe pas de seuil universel de forecast accuracy. Une prévision est exploitable lorsqu’elle surpasse une baseline pertinente, reste stable sur plusieurs fenêtres et maintient les erreurs dans les limites économiques et opérationnelles acceptées. Notre méthode remplace donc le seuil global par une matrice de décision contextualisée.
Une prévision mensuelle par famille n’a pas la même difficulté ni le même usage qu’une prévision quotidienne par SKU et magasin. Les critères de passage doivent être définis pour chaque combinaison utile :
Cette segmentation doit rester compatible avec les niveaux auxquels les équipes peuvent agir. Pour un pilotage omnicanal, notre guide consacré à la supply chain retail et à ses flux de distribution montre pourquoi les contraintes diffèrent entre magasins, entrepôts et commandes en ligne.
Une prévision complexe qui ne bat pas la dernière valeur connue ou une référence saisonnière ne justifie pas son industrialisation. Le MASE formalise cette comparaison, mais le choix de la baseline doit refléter le processus réel : naïve simple, naïve saisonnière ou méthode actuellement utilisée par les planificateurs.
Le seuil final doit aussi intégrer l’asymétrie économique. Une sous-prévision peut provoquer une rupture, un transport urgent ou une promesse non tenue ; une sur-prévision peut immobiliser du stock ou surdimensionner une équipe. Notre grille associe donc chaque erreur à un coût ou à un KPI opérationnel, notamment ceux suivis dans un tableau de bord d’entrepôt ou dans les indicateurs de performance transport.
Une prévision IA doit réussir un backtest glissant hors échantillon reproduisant les conditions réelles de décision. Elle doit battre la baseline, maîtriser son biais, rester stable par segment et disposer d’un mode dégradé. Generix recommande de définir ces règles avant l’entraînement final, et non après avoir observé les résultats.
Le modèle ne doit accéder qu’aux données disponibles à la date où la prévision aurait réellement été créée. Une promotion connue après cette date, une vente consolidée tardivement ou un stock corrigé a posteriori constituent une fuite de données. Le score obtenu serait alors impossible à reproduire en production.
Le backtest glissant répète plusieurs cycles : entraînement sur le passé, prévision au véritable horizon, comparaison avec les réalisations, puis déplacement de la date d’origine. Les fenêtres doivent couvrir différents régimes de demande. Notre article sur les cas d’usage concrets de l’IA dans la supply chain détaille également l’importance d’une référence avant IA, de KPI mesurés et d’un seuil de passage à l’échelle.
Il faut enfin distinguer la prévision statistique ou IA de sa version ajustée. Une étude de Fildes, Goodwin et De Baets, publiée dans l’International Journal of Forecasting d’avril à juin 2025, a réanalysé environ 147 000 prévisions issues de six études : les ajustements humains n’ont amélioré le biais et la précision que pour un peu plus de la moitié des SKU, avec des variations selon les jeux de données.
Le dossier de validation doit préciser :
Après déploiement, notre suivi compare en continu prévision système, ajustement humain, réalisation et baseline. Les alertes doivent porter sur la dérive des données, la baisse du MASE, l’évolution du biais et la concentration des erreurs. Une supply chain résiliente exige précisément cette capacité à détecter l’écart et à revenir rapidement à une règle exploitable.
Une prévision ne crée de valeur que si ses hypothèses, ses versions et ses exceptions sont partagées par les acteurs qui doivent agir. Fournisseurs, approvisionneurs, entrepôts, transporteurs, magasins et clients doivent travailler sur une lecture cohérente de la demande. Notre approche relie donc forecast accuracy et qualité de la coordination opérationnelle.
Le partage ne consiste pas à transmettre un chiffre isolé. Chaque version utile doit préciser son horizon, son niveau d’agrégation, sa date de gel, ses hypothèses commerciales, son intervalle d’incertitude et les événements déjà intégrés. Les partenaires peuvent alors distinguer un signal de fond d’une promotion, d’un lancement ou d’une anomalie.
Le tableau de bord collaboratif suit les écarts qui appellent une décision : volume non confirmé par un fournisseur, capacité de quai insuffisante, transport non affecté, demande magasin atypique ou biais récurrent d’un canal. Notre guide de la supply chain collaborative explique comment relier données partagées, règles d’exception et responsabilités. La gestion partagée des approvisionnements illustre cette logique entre prévision, stock et capacité fournisseur.
Generix aide à rapprocher les historiques, les prévisions de ventes, les données WMS et les informations de charge afin que la mesure ne reste pas cantonnée à un outil analytique. Avec notre approche, les écarts de prévision peuvent alimenter les décisions de capacité, les plannings d’entrepôt et les workflows d’exception, plutôt que produire uniquement un rapport mensuel.
Generix RMS s’inscrit dans cette continuité entre prévision de charge, adéquation charge-capacité et planification des ressources. La prévision devient alors un signal pilotable : elle est confrontée aux commandes, aux tâches, aux contraintes de shifts et aux données d’exécution. Les partenaires moins intégrés peuvent aussi être associés au processus par les mécanismes décrits dans notre guide du portail fournisseur.
Pour engager la démarche, appliquez d’abord la grille MAPE–WMAPE–biais–MASE à vos propres historiques, par horizon, granularité et segment. Vous pourrez ensuite découvrir Generix RMS ou solliciter nos équipes afin de relier prévision de charge, planification des ressources et données d’exécution dans un protocole de mise en production mesurable.
En résumé
Comparez, pour chaque période, la valeur prévue à la valeur réellement observée. Utilisez un tableau de bord associant une erreur absolue comme le MAPE ou le WMAPE, un biais signé et une comparaison avec une baseline naïve au moyen du MASE.
La formule est : MAPE = (100 / n) × Σ |(At − Ft) / At|, où At désigne la valeur réelle, Ft la prévision et n le nombre d’observations. Le résultat est indéfini lorsque At vaut zéro et devient instable lorsque cette valeur est proche de zéro.
Le MAPE calcule séparément le pourcentage d’erreur de chaque observation, puis en fait la moyenne : toutes les observations ont donc le même poids. Le WMAPE, ou WAPE, divise la somme des erreurs absolues par la somme des valeurs réelles et donne ainsi davantage de poids aux volumes importants.
Fixez d’abord une convention de signe. Avec erreur = prévision − réel, additionnez les erreurs signées ou calculez leur moyenne : un résultat positif signale une sur-prévision et un résultat négatif une sous-prévision. Suivez aussi le biais cumulé et glissant pour détecter une orientation persistante.
Le MASE est l’erreur absolue moyenne de la prévision divisée par l’erreur absolue moyenne d’une baseline naïve calculée sur les données d’entraînement. Un MASE inférieur à 1 signifie que la méthode testée fait mieux que cette baseline sur le périmètre évalué.
Écartez le MAPE lorsque les zéros sont fréquents, car il devient indéfini. Privilégiez une métrique mise à l’échelle telle que le MASE, puis complétez-la par des indicateurs orientés stock et service : ruptures, disponibilité, couverture et coût du surstock.
Il n’existe pas de seuil universel. Le niveau acceptable dépend de l’horizon, de la granularité, de la volatilité, de la baseline et du coût respectif des ruptures, du surstock ou d’une capacité mal dimensionnée. Un bon résultat doit aussi rester stable dans le temps.
Réalisez un backtest glissant hors échantillon, sans fuite de données, en reproduisant le véritable horizon de décision. Comparez l’IA à une baseline, contrôlez le biais et la stabilité par segment, puis définissez des critères de passage, une surveillance continue et une règle de repli.
Découvrez pourquoi une étiquette GS1-128 peut être refusée et comment contrôler le SSCC, la lisibilité, la hiérarchie palette-colis et l’avis d’expédition avant réception.
Un écart entre DESADV et réception ne se tranche pas par le seul comptage. Découvrez comment qualifier le litige, réunir les preuves et formaliser la réception par RECADV.
Travaillez avec nos équipes pour concevoir et mettre en œuvre la Supply Chain qui accompagnera votre croissance, adaptée à vos spécificités métier.
