Résumé – Cet article introduit une méthode permettant d’élaborer des prévisions journalières de séries chronologiques saisonnières subissant l’effet de calendrier. La méthode proposée consiste à subdiviser un cycle telle une année de demande, en plusieurs saisons, chacune de celles-ci illustrant un comportement différent de la demande. Ces saisons reflètent l’influence d’une fête annuelle, une période de grand solde ou l’effet d’un mois particulier sur la demande pour un produit de consommation quelconque. Des résultats empiriques exploratoires démontrent un potentiel de performance prévisionnelle significativement supérieure à une extension journalière de la méthode Holt-Winters. Abstract – This paper introduces a method for forecasting daily demand subject to calendar effects. The method consists in subdividing a cycle, for example a year of demand, in various seasons, each one affecting demand differently. These seasons reflect the influence of holidays, annual sales events or specific months on demand for specific consumer products. Exploratory empirical results demonstrate a potential for significantly superior forecasting performance as compared to a daily extension of the Holt-Winters method. Mots clés – Prévision de la demande journalière, lissage exponentiel, Holt-Winters, effet de calendrier, saisonnalité. Keywords – Daily demand forecasting, exponential smoothing, Holt-Winters, calendar effect, seasonality. 1 INTRODUCTION La demande pour des produits de consommation est fortement influencée par les différentes fêtes annuelles qui surviennent au cours d’une année, telles les fêtes de Noël et de Pâques, pour n’en nommer que quelques-unes. L’union de ces événements affectant la demande est appelée l’effet de calendrier. Certaines de ces fêtes annuelles surviennent à des dates fixes d’année en année comme la fête de Noël. D’autres, sont célébrées à des dates variables au cours d’un mois fixe, comme la fête de l’Action de grâce ou encore la fête des Pères. Pâques, quant à elle, peut être célébrée à date variable au cours d’un mois variable, soit en mars ou avril d’une année. Lors de l’élaboration de prévisions mensuelles sur des séries à saisonnalité mensuelle, comme la plupart des fêtes surviennent toujours le même mois, l’impact de la fête sur la demande est alors simplement confondu dans l’effet saisonnier associé au mois. Quant à la fête de Pâques, célébrée en mars ou en avril, certains auteurs comme Cleveland et Devlin [1982], choisissent plutôt d’ignorer cette fête dans leur modèle de prévision, considérant que son effet est négligeable sur la série chronologique. L’impact de ces fêtes, par contre, nécessite une attention particulière dans le cas de prévisions journalières. Dans de nombreux secteurs de l’activité économique, nommons notamment l’industrie du commerce de détail, la rapidité du processus décisionnel nécessite l’utilisation de prévisions journalières fiables de plus en plus indispensables à la gestion efficace de leurs activités quotidiennes. Cet article présente une méthode permettant d’élaborer des prévisions journalières en tenant adéquatement compte des différents événements spéciaux annuels. L’approche proposée consiste à subdiviser un cycle, telle une année, en diverses saisons. Chaque saison décrit un comportement différent du cycle. Ainsi une saison peut représenter un mois, une fête particulière ou encore une semaine de solde annuel, comme la période entre Noël et le jour de l’An. Un cycle contiendra alors autant de saisons qu’il y a de fluctuations périodiques influençant la demande. La méthode développée adapte la procédure d’initialisation des indices saisonniers définie par Nahmias [2005] dans l’utilisation du lissage exponentiel pour fin de prévisions. Les prévisions journalières sont obtenues à l’aide de la méthode de lissage exponentielle Bouchard- Montreuil (Méthode BM) [2009] adaptée de la méthode de Holt-Winters, qui permet d’ajuster les indices saisonniers à chacune des périodes en fonction de sa position dans la saison. Ainsi, avec la méthode BM, l’indice saisonnier du 3 septembre (3 e position dans la saison) sera différent de l’indice du 15 septembre (15 e position dans la saison). La méthode proposée permet de tenir adéquatement compte des effets de calendrier et, de ce fait, d’améliorer considérablement la précision des prévisions journalières. JOËLLE BOUCHARD 1,3 , BENOIT MONTREUIL 1,2,4 1 CENTRE INTERUNIVERSITAIRE DE RECHERCHE SUR LES RÉSEAUX D'ENTREPRISE, LA LOGISTIQUE ET LE TRANSPORT (CIRRELT), UNIVERSITÉ LAVAL 2325, RUE DE LA TERRASSE, PAVILLON PALASIS-PRINCE, QUÉBEC (QUÉBEC) CANADA G1V 0A6 3 JOELLE.BOUCHARD@CIRRELT.ULAVAL.CA 2 CHAIRE DE RECHERCHE DU CANADA EN INGÉNIERIE D'ENTREPRISE, 4 BENOIT.MONTREUIL@CIRRELT.ULAVAL.CA CIGI 2011 Prévisions journalières de séries temporelles saisonnières avec effets calendaires