Calendriers, jours fériés et événements
- Leçon 6
- 30 min
- Module 2 : Lire une série chronologique
Où nous en sommes
Nous avons mesuré comment une série garde la mémoire de son passé. Certains jours, le passé n'est pas le meilleur guide : Pâques change de date, une promotion double les ventes, une hausse de prix change le niveau. Dans cette leçon, nous plaçons ces événements dans un calendrier. Nous examinons ensuite ce qu'un modèle peut savoir au moment de prévoir.
Leçon 6 sur 27 · Prévision et séries chronologiques : prévoir la suiteCalendriers, jours fériés et événements
1. Les prévisions servent des décisions
2. Lire une série chronologique
3. Références de base et tests honnêtes
4. Méthodes statistiques
5. Méthodes par apprentissage automatique
6. Séries difficiles et séries nombreuses
7. L'incertitude et la décision
8. Exploiter une prévision en production
Ce que vous saurez faire
Repérez les événements qui changent la demande à une date connue : Pâques, Vendredi fou, promotions et changements de prix. Fournissez-les ensuite à une prévision comme entrées futures connues. Une prévision qui copie seulement le passé place ces événements aux mauvaises dates.
Carnet JupyterFaites cette leçon dans un carnet
Le carnet (notebook) Jupyter contient toutes les cellules de code, les tâches et les vérifications de cette leçon. Il repère Pâques dans le calendrier et mesure les effets de Pâques, du Vendredi fou et des promotions. Il vérifie aussi quels fichiers contiennent des données futures. Ses cellules de configuration installent pandas et statsforecast et téléchargent les données d’exercice. Vous n’avez donc rien à configurer localement. Environ 30 minutes.
Le carnet est en anglais. Colab et Kaggle ouvrent votre propre copie. Il faut un compte Google ou Kaggle gratuit. Vous êtes bloqué ? Consultez le carnet de solution.
Avant de commencerCe qu’il faut savoir et avoir sous la main
Ce que vous devez savoir
- La saison annuelle et le reste, vus dans Tendance, saison et bruit. Le Vendredi fou se retrouvait dans le reste.
- Les décalages (lags) et la saison hebdomadaire dans l’ACF, vus dans Hier prédit aujourd’hui.
- Les fichiers Larkfield
calendar.csv,promotions.csvetprice_changes.csv, présentés dans Découvrir les données de Larkfield.
Ce qu’il vous faut sur votre ordinateur
Rien si vous utilisez le carnet en ligne : il fonctionne dans Colab ou Kaggle. Pour travailler localement, enregistrez le carnet dans le dossier larkfield créé dans Découvrir les données de Larkfield. Choisissez le noyau .venv. Le carnet réutilise les données de larkfield-forecasting.
Testé avec Python 3.12 et pandas 2.3.3 sur macOS. Windows et Colab n’ont pas été testés.
L’agenda d’une boulangère
Section intitulée « L’agenda d’une boulangère »Une boulangère planifie le pain de la semaine prochaine. Elle regarde les ventes de la semaine passée, car hier prédit aujourd’hui. Mais elle ouvre aussi son agenda. Samedi prochain, la ville organise un marché, et elle vend deux fois plus les jours de marché. Jeudi, elle offre les petits pains à moitié prix. Dans deux semaines, le prix de la farine augmente, donc son pain coûtera plus cher.
Les ventes de la semaine passée ne peuvent rien savoir de tout cela. L’agenda, oui. Et l’agenda ne contient pas des suppositions : le marché, l’offre et le nouveau prix sont planifiés. Elle les connaît le jour où elle planifie.
Mais l’agenda ne connaît ni la météo ni le nombre de clients qui viendront. Elle doit encore les prévoir.
Le problème : le passé place les événements aux mauvaises dates
Section intitulée « Le problème : le passé place les événements aux mauvaises dates »La dernière leçon a montré qu’une prévision peut copier le même jour de la semaine dans le passé. Sur un an, un choix naturel est « le même jour, 52 semaines plus tôt ». Cela représente 364 jours, donc un samedi copie un samedi.
Regardons maintenant Pâques. Les produits de jardinage se vendent davantage pendant la fin de semaine de Pâques. Voici les ventes de deux catégories de jardinage de Larkfield, plantes et semences et outils de jardinage, autour de Pâques 2025 :
Description textuelle du graphique
Ventes quotidiennes des deux catégories de jardinage du 4 avril au 4 mai 2025. Les autres jours, les ventes se situent entre 464 et 717 unités, avec des samedis plus élevés. Pendant les quatre jours de Pâques, les ventes atteignent 775 (Vendredi saint), 974 (samedi), 930 (dimanche) et 709 (lundi). Les mêmes jours de la semaine précédente avaient enregistré 514, 578, 582 et 476 unités. Ceux de la semaine suivante en avaient enregistré 532, 692, 569 et 543.
Les ventes sont élevées pendant les quatre jours de la fin de semaine de Pâques 2025. Voici le problème. En 2026, Pâques tombe le 5 avril, deux semaines plus tôt. Que copie « le même jour, 52 semaines plus tôt »?
| Jour en 2026 | Jour férié en 2026 | Jour copié | Jour férié à la date copiée |
|---|---|---|---|
| Ven. 3 avril | Vendredi saint | Ven. 4 avril 2025 | aucun |
| Sam. 4 avril | aucun (pendant la fin de semaine de Pâques) | Sam. 5 avril 2025 | aucun |
| Dim. 5 avril | Dimanche de Pâques | Dim. 6 avril 2025 | aucun |
| Lun. 6 avril | Lundi de Pâques | Lun. 7 avril 2025 | aucun |
| Ven. 17 avril | aucun | Ven. 18 avril 2025 | Vendredi saint |
| Lun. 20 avril | aucun | Lun. 21 avril 2025 | Lundi de Pâques |
La copie échoue deux fois. À Pâques 2026, elle copie des jours ordinaires, donc elle prévoit trop peu. Deux semaines plus tard, elle copie Pâques 2025 sur des jours ordinaires, donc elle prévoit trop. Kenji manquerait de produits de jardinage à Pâques et aurait trop de stock deux semaines plus tard.
La saison annuelle de Tendance, saison et bruit présente le même problème. Elle apprend une valeur par date, donc elle répartit le Vendredi fou sur deux dates. Elle répartirait aussi Pâques.
L’idée : les événements du calendrier
Section intitulée « L’idée : les événements du calendrier »Nous faisons donc comme la boulangère. Nous tenons un calendrier des événements et le fournissons à la prévision sous forme de colonnes supplémentaires.
Un événement dure un jour ou quelques jours, pendant lesquels la demande change pour une raison connue. Il y en a trois types chez Larkfield :
- Jours fériés. Certains ont une date fixe : Noël tombe toujours le 25 décembre. D’autres changent de date : Pâques suit la lune, et le Vendredi fou est le vendredi après le quatrième jeudi de novembre.
- Promotions. Larkfield planifie une semaine de promotion pour un produit, avec un rabais. Pendant cette semaine, le produit se vend davantage.
- Changements de prix. Un changement de prix permanent modifie durablement le niveau d’un produit, dès son premier jour.
Les trois sont connus à l’avance. Une prévision peut utiliser une valeur connue pour un jour futur, car Kenji la possède vraiment le jour où il prévoit. Cette donnée s’appelle une entrée future connue. Certaines bibliothèques parlent de « variable exogène future » : « exogène » signifie « qui vient de l’extérieur de la série ».
Un petit exemple : une colonne d’événement
Section intitulée « Un petit exemple : une colonne d’événement »Prenons quatre jours : le jeudi avant le Vendredi saint et trois jours de Pâques. La colonne easter vaut 1 du Vendredi saint au lundi de Pâques, et 0 les autres jours. Nous la construisons à partir de calendar.csv : son Vendredi saint, son lundi de Pâques et les jours entre les deux. Un modèle apprend combien un jour de Pâques ajoute aux ventes. Ici, le « modèle » est un seul nombre : les jours de Pâques vendent environ 1,5 fois le niveau normal.
| Jour | Niveau normal | easter |
Prévision |
|---|---|---|---|
| Jeu. 17 avril 2025 | 600 | 0 | 600 |
| Ven. 18 avril 2025 | 600 | 1 | 600 × 1,5 = 900 |
| Sam. 19 avril 2025 | 600 | 1 | 900 |
| Dim. 20 avril 2025 | 600 | 1 | 900 |
Le niveau normal de 600 est un nombre rond choisi pour cet exemple. La colonne suit la date de Pâques. En 2026, elle vaut 1 du 3 au 6 avril, donc la prévision place la hausse aux bons jours. La colonne vient directement de calendar.csv.
Les événements de Larkfield, mesurés
Section intitulée « Les événements de Larkfield, mesurés »Quelle est l’ampleur de l’effet de Pâques? Le carnet compare les quatre jours de Pâques 2025 aux mêmes jours de la semaine précédente et de la semaine suivante :
week before Easter week afterFriday 514 775 532Saturday 578 974 692Sunday 582 930 569Monday 476 709 543Easter effect: x 1.51Les quatre jours de Pâques ont enregistré 3 388 unités vendues. Les mêmes jours des semaines précédente et suivante ont enregistré 2 150 et 2 336 unités, soit une moyenne de 2 243. Pâques multiplie donc les ventes de jardinage par environ 1,51. Le calendrier de Larkfield place le dimanche de Pâques au 20 avril 2025 et au 5 avril 2026. Le premier jour des données, le lundi 1er avril 2024, est le lundi de Pâques 2024.
Le Vendredi fou
Section intitulée « Le Vendredi fou »- Vendredi fou
- Le même jour de la semaine précédente
Description textuelle du graphique
Quatre colonnes. Le Vendredi fou 2024 (29 novembre) a enregistré 1 059 commandes; le vendredi précédent en a enregistré 439. Le Vendredi fou 2025 (28 novembre) a enregistré 1 224 commandes; le vendredi précédent en a enregistré 605.
Le Vendredi fou 2024 a enregistré 2,4 fois les commandes du vendredi précédent, et le Vendredi fou 2025, 2,0 fois. Sa date passe du 29 novembre au 28 novembre. Une colonne black_friday tirée du calendrier le place donc au bon jour. Les jours qui l’entourent changent aussi : le lundi suivant, Cyberlundi, est également élevé. Il compte 1 012 commandes en 2024 et 1 136 en 2025.
Promotions
Section intitulée « Promotions »promotions.csv énumère chaque semaine de promotion planifiée : le produit, le premier et le dernier jour, et le rabais. Il contient 410 promotions. Parmi elles, 63 commencent dans les 13 semaines après l’historique : le magasin les a déjà planifiées. Dans demand.csv.gz, la colonne on_promotion vaut 1 les jours de promotion.
Voici P141, une couette, avec une promotion de 25 % du 8 au 14 septembre 2025. Nous avons construit cette situation :
- Unités de P141 vendues par jour
- Jours de promotion (rabais de 25 %)
Description textuelle du graphique
Ventes quotidiennes du produit P141 du 18 août au 28 septembre 2025. Hors promotion, la plupart des jours comptent de 7 à 19 unités. Pendant les sept jours de promotion, du 8 au 14 septembre, les ventes sont de 39, 26, 31, 14, 29, 18 et 26 unités. La semaine de promotion totalise 183 unités vendues; la semaine précédente en compte 80. Après la promotion, les ventes reviennent à leur niveau normal, avec quelques jours faibles.
Les jours de promotion, P141 s’est vendu à 2,09 fois son niveau quotidien normal. Pour les 135 produits ayant eu une promotion, la hausse due à la promotion (uplift) médiane est de 1,87. Une promotion typique double presque les ventes. Dans la section À vous de jouer du carnet, vous calculez vous-même cette médiane.
Une prévision qui ne connaît pas le plan de promotion est trop basse pendant chaque semaine de promotion. Si elle traite une promotion comme une demande normale lors de l’entraînement, elle est aussi trop élevée les semaines suivantes.
Changements de prix
Section intitulée « Changements de prix »price_changes.csv contient trois changements de prix permanents, tous annoncés à l’avance. Le boyau d’arrosage P077 est passé de 24,99 à 31,99 $ US le 2 juin 2025, après une hausse de prix du fournisseur. P112 a reçu un nouveau prix avec un nouveau modèle en janvier 2025. P160 a subi une baisse de prix en octobre 2025 pour écouler son stock. Une hausse de prix réduit durablement le niveau d’un produit. Ruptures et changements traite des changements de niveau.
Ce qu’une prévision peut savoir le jour où elle est faite
Section intitulée « Ce qu’une prévision peut savoir le jour où elle est faite »Chaque entrée d’une prévision doit passer un test : Kenji aurait-il cette valeur le jour où il prévoit? Pour chaque entrée, imaginez le jour de prévision et regardez vers l’avenir. C’est la date de coupure de Définir le cadre de prévision : le dernier jour des données, un dimanche pour la commande du lundi de Kenji.
Description textuelle du diagramme
À gauche, le passé : ventes et ruptures de stock, commandes et billets, météo jusqu’ici et promotions terminées. Tout est connu. Il mène à la date de coupure, un dimanche : les données vont jusqu’au dimanche, et Kenji commande le lundi. De là, deux flèches mènent aux 14 prochains jours. Une flèche pleine, « peut utiliser », mène aux entrées futures connues : calendrier (Pâques, Vendredi fou, Noël), promotions planifiées et changements de prix annoncés. Une flèche pointillée, « doit d’abord prévoir », mène aux éléments inconnus : ventes et ruptures de stock, commandes et billets, météo.
Les fichiers de Larkfield suivent cette règle. Dans la section 5 du carnet :
sales (demand.csv.gz) last date 2026-03-29weather.csv last date 2026-03-29calendar.csv last date 2026-06-28promotions.csv last date 2026-06-28promotions that start after the history: 63Les ventes et la météo s’arrêtent au dernier jour de l’historique. Le calendrier et le plan de promotion vont 13 semaines plus loin, car le magasin les connaît à l’avance.
Quand ajouter des événements, et ce qu’ils coûtent
Section intitulée « Quand ajouter des événements, et ce qu’ils coûtent »Ajoutez une colonne d’événement quand trois conditions sont remplies. L’événement change la demande. Il revient, chaque année ou à chaque promotion. Et sa date est connue avant la prévision. Pâques, le Vendredi fou, Noël, les promotions et les changements de prix passent les trois tests.
N’ajoutez pas de colonne pour un événement unique qui ne reviendra pas. Et n’ajoutez pas de colonne dont vous ne connaissez pas la valeur future.
Les événements ont aussi un coût :
- Peu d’exemples. Deux ans contiennent deux Vendredis fous et deux Pâques, plus le lundi de Pâques du premier jour. Un effet appris à partir de deux exemples reste approximatif. Dites-le quand vous l’utilisez.
- Un plan peut changer. Une promotion peut être annulée ou déplacée. La qualité de la prévision dépend du plan qu’elle lit. Mei doit garder
promotions.csvà jour. - Certaines méthodes ne les acceptent pas. Les méthodes naïves du module 3 ne peuvent pas utiliser les colonnes d’événements. Les méthodes statistiques et d’apprentissage automatique des modules 4 et 5 le peuvent.
Erreur courante
Une entrée venue du futur
Symptôme : Tomás construit une prévision pour les parasols avec la température de chaque jour comme entrée. Les parasols se vendent les jours chauds, et sa prévision est très bonne dans son test rétrospectif (backtest). Puis Kenji essaie de l’exécuter le dimanche 29 mars 2026, pour les deux semaines suivantes. La table des entrées ne contient aucune température pour les jours à venir :
weather = pd.read_csv("data/weather.csv", parse_dates=["date"])print(weather["date"].max())2026-03-29 00:00:00Le modèle ne peut pas fonctionner, ou il fonctionne avec des valeurs vides et produit des résultats absurdes.
Cause : la température d’un jour futur n’est pas connue le jour de prévision. Dans le test rétrospectif, Tomás utilisait la température réelle des jours prévus, des valeurs que personne ne possède à l’avance. Le test était trop bon, car il utilisait des informations du futur. C’est une fuite de données : une entrée qui n’existerait pas au moment de la prédiction. Le cours d’apprentissage automatique l’explique dans Données d’entraînement, de validation et de test.
Correction : pour chaque entrée, demandez-vous « Kenji aurait-il cette valeur le jour de prévision? ». Utilisez librement le calendrier, le plan de promotion et les prix annoncés. Pour la météo, utilisez une prévision météorologique faite le jour de prévision, dans le test rétrospectif aussi. Sinon, excluez la météo. La même règle s’applique à on_promotion dans demand.csv.gz : cette colonne existe seulement pour les jours passés. Prenez donc les promotions futures dans promotions.csv.
Conséquence en prévision : une fuite de données rend la prévision meilleure dans les tests qu’elle ne pourra jamais l’être en utilisation réelle. L’équipe choisit le modèle avec une fuite, et il échoue dès sa première vraie semaine. Cela arrive souvent au moment le plus important, par exemple pendant une canicule.
Exercice guidé : repérer les événements dans le carnet
Section intitulée « Exercice guidé : repérer les événements dans le carnet »- Ouvrez le carnet dans l’encadré Faites cette leçon dans un carnet en haut de cette page.
- Exécutez les cellules de configuration et la cellule auxiliaire. La cellule de données se termine par
Ready: 403758 rows of daily sales(prêt : 403 758 lignes de ventes quotidiennes). - Dans la section 1, prédisez si les jours copiés sont des jours fériés. Exécutez ensuite la cellule. Vous voyez une colonne de jours fériés vide du 4 au 7 avril 2025.
- Dans la section 2, exécutez la cellule de Pâques. Vous voyez
Easter effect: x 1.51(effet de Pâques : multiplié par 1,51). - Dans la section 3, exécutez la cellule du Vendredi fou. Vous voyez
1059et439pour 2024, et1224et605pour 2025. - Dans la section 4, prédisez la hausse due à la promotion de P141. Exécutez ensuite la cellule. Vous voyez
week before: 80 | promotion week: 183(semaine précédente : 80; semaine de promotion : 183) etP141 uplift: x 2.09(hausse de P141 : multiplié par 2,09). - Dans la section 5, exécutez la cellule. Vous voyez que la météo s’arrête au
2026-03-29et les promotions au2026-06-28.
À vous de jouer : la hausse due à la promotion de chaque produit
Section intitulée « À vous de jouer : la hausse due à la promotion de chaque produit »Changez une chose : passez d’un seul produit à tous les produits. Calculez la hausse de P141 pour chaque produit ayant eu une promotion. Divisez les ventes quotidiennes moyennes des jours de promotion par celles des autres jours. Utilisez la table daily de la section 4. Avant d’exécuter le calcul, prédisez : la médiane sera-t-elle supérieure ou inférieure au 2,09 de P141? Placez la médiane, arrondie à 2 décimales, dans median_uplift.
Afficher la réponse
on = daily[daily["promo"] == 1].groupby("product_id")["sales"].mean()off = daily[daily["promo"] == 0].groupby("product_id")["sales"].mean()uplift = (on / off).dropna()median_uplift = round(float(uplift.median()), 2)print(len(uplift), "products, median uplift", median_uplift)135 products, median uplift 1.87La médiane est inférieure à celle de P141 : P141 est un cas marqué, construit pour montrer l’effet. Mais 1,87 reste proche du double. Les 65 autres produits n’ont eu aucune promotion dans l’historique, donc dropna() les retire. Un produit sans jours de promotion n’a aucune hausse due à la promotion à mesurer.
Vérification des connaissances
Section intitulée « Vérification des connaissances »Vérifiez votre compréhension
Kenji prévoit les ventes de jardinage d'avril 2026 avec « le même jour 52 semaines plus tôt ». Expliquez le problème autour de Pâques, avec les dates.
Afficher la réponse
Pâques était le 20 avril en 2025 et tombe le 5 avril en 2026. Pour les jours de Pâques 2026, du 3 au 6 avril, cette méthode copie les ventes du 4 au 7 avril 2025. C’étaient des jours ordinaires. La prévision est donc trop basse d’environ un tiers : les ventes de Pâques atteignaient environ 1,51 fois le niveau normal. Pour les jours ordinaires du 17 au 20 avril 2026, elle copie les ventes de Pâques 2025. La prévision est donc trop élevée. La solution est une colonne pour Pâques tirée du calendrier, qui suit la date de la fête.
Votre réponse contient-elle les points principaux de la nôtre ?
Connectez-vous et inscrivez-vous au cours pour enregistrer vos réponses. Chaque vérification compte pour le certificat.
Vérifiez votre compréhension
Pour chaque entrée, indiquez si une prévision sur 14 jours faite un dimanche peut utiliser sa valeur pour les jours suivants : (a) les jours fériés du calendrier, (b) les promotions prévues, (c) la température, (d) l'indicateur de rupture de stock, (e) un changement de prix annoncé.
Afficher la réponse
(a) Oui : les jours fériés sont connus des années à l’avance. (b) Oui : les promotions sont prévues, et promotions.csv couvre la période jusqu’à la fin de juin 2026. (c) Non : la température d’un jour à venir n’est pas connue. Utilisez une prévision météo faite le jour de la prévision, ou n’incluez pas la température. (d) Non : on ne connaît une rupture de stock qu’au moment où elle se produit. (e) Oui : le changement est annoncé à l’avance. Le critère reste le même : Kenji aurait-il cette valeur le jour de la prévision?
Votre réponse contient-elle les points principaux de la nôtre ?
Connectez-vous et inscrivez-vous au cours pour enregistrer vos réponses. Chaque vérification compte pour le certificat.
Vérifiez votre compréhension
P141 s'est vendu à 183 unités durant sa semaine de promotion, contre 80 la semaine précédente. Une méthode de prévision apprend de ces semaines comme si elles représentaient une demande normale. Prédisez ce qu'elle fait pour la prochaine semaine normale et indiquez quoi faire plutôt.
Afficher la réponse
Elle interprète la semaine de promotion comme un signe que le niveau normal de P141 a augmenté. Elle prévoit donc trop de ventes pour les prochaines semaines normales. Kenji commande du stock qui ne se vend pas. Donnez plutôt la promotion comme entrée à la méthode de prévision : une colonne de promotions.csv valant 1 les jours de promotion. Le modèle apprend alors la hausse due à la promotion (uplift) séparément du niveau normal. Cette hausse est d’environ ×2 pour P141 et ×1,87 pour le produit médian. Il l’applique seulement aux semaines de promotion prévues.
Votre réponse contient-elle les points principaux de la nôtre ?
Connectez-vous et inscrivez-vous au cours pour enregistrer vos réponses. Chaque vérification compte pour le certificat.
Récapitulatif
- Un événement modifie la demande à une date connue : un jour férié, une promotion, un changement de prix. Certains jours fériés changent de date : Pâques était le 20 avril 2025 et tombe le 5 avril 2026.
- « Le même jour 52 semaines plus tôt » place un événement à date variable aux mauvais jours. Une saison de durée fixe fait la même chose.
- Les effets mesurés des événements chez Larkfield : Pâques multiplie les ventes de jardinage par 1,51. Le Vendredi fou double les commandes ou plus (1 059 contre 439, 1 224 contre 605). Une promotion typique multiplie les ventes par 1,87.
- Les événements sont des entrées futures connues lorsque le magasin les connaît le jour de la prévision. C’est le cas du calendrier, du plan de promotion et des prix annoncés. Les ventes, les ruptures de stock et la météo des jours à venir ne sont pas connues.
- Une entrée contenant une valeur du futur constitue une fuite de données. Le test rétrospectif semble bon, mais la prévision échoue en utilisation réelle.
Vous pouvez maintenant fournir à une méthode de prévision les événements qu’elle peut connaître. Les données comportent encore des lacunes : un jour manquant et une rupture de stock qui ressemble à une absence de demande. Vous allez ensuite les nettoyer sans masquer la demande réelle.
Leçon suivante : Nettoyer sans masquer la demande