Prévisions naïves
- Leçon 8
- 30 min
- Module 3 : Références de base et tests honnêtes
Où nous en sommes
Nous savons maintenant lire une série et la nettoyer. Il est tentant de commencer par un modèle complexe. Dans cette leçon, nous commençons plutôt par les prévisions les plus simples : dernière valeur, même jour la semaine précédente, moyenne mobile et dérive. Toutes les méthodes suivantes devront faire mieux.
Leçon 8 sur 27 · Prévision et séries chronologiques : prévoir la suitePrévisions naïves
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
Produisez les quatre prévisions les plus simples. Utilisez leurs résultats comme référence que toutes les méthodes suivantes devront dépasser. Sans référence de base simple, impossible de juger une prévision dont l’erreur représente 45 % des unités.
Carnet JupyterFaites cette leçon dans un carnet
Le carnet (notebook) Jupyter contient toutes les cellules de code, tâches et vérifications de cette leçon. Il produit les quatre prévisions à la main, puis pour le parasol, puis pour les 50 produits du test rétrospectif (backtest) du cours. Ses cellules de préparation installent les paquets et téléchargent les données de Larkfield. Aucune préparation locale n’est donc nécessaire. 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
- Les données de Larkfield et le carnet de préparation, présentés dans Découvrir les données de Larkfield.
- La tendance et les saisons : une série quotidienne monte et descend au fil de l’année et se répète chaque semaine. Voir Tendance, saison et bruit.
- Les promotions sont planifiées et modifient les ventes, comme l’explique Calendriers, jours fériés et événements.
- Le tableau du test rétrospectif et ses dates de coupure, présentés dans Découvrir les données de Larkfield.
Ce qu’il vous faut sur votre ordinateur
Rien : le carnet fonctionne dans Colab ou Kaggle. Pour l’exécuter sur votre ordinateur, utilisez Python 3.12 avec Jupyter ou VS Code. La première cellule du carnet installe les paquets.
Testé avec Python 3.12, pandas 2.3.3 et statsforecast 2.1.1, dans Jupyter sur macOS.
Comment un café commande son lait
Section intitulée « Comment un café commande son lait »Imaginez un petit café. Chaque soir, la propriétaire commande du lait pour le lendemain. Elle n’a aucun logiciel de prévision. Elle suit quand même une règle, généralement l’une de ces quatre :
- « Demain sera comme aujourd’hui. » Elle commande la quantité utilisée aujourd’hui.
- « Demain sera comme le même jour la semaine dernière. » Le vendredi, elle regarde le vendredi précédent, car les vendredis sont occupés.
- « Demain sera comme une journée moyenne. » Elle prend la moyenne des dernières semaines pour éviter qu’une journée inhabituelle la trompe.
- « Nous grandissons un peu chaque semaine. » Elle prend la quantité d’aujourd’hui et ajoute la croissance habituelle.
Ces règles prennent quelques secondes. Tout le monde au café les comprend. Et elles suffisent souvent : les gens font confiance à une règle facile à vérifier.
Le problème : un résultat sans comparaison
Section intitulée « Le problème : un résultat sans comparaison »Tomás, l’ingénieur en IA, veut commencer par un grand modèle. « Entraînons LightGBM sur les 50 produits pour voir l’erreur », dit-il. Priya, la scientifique des données, pose une question : « Supposons que l’erreur représente 45 % des unités. Est-ce bon? »
Personne ne peut répondre. Une erreur de 45 % pourrait être excellente pour un produit qui vend parfois 2 unités, parfois 30. Elle pourrait être mauvaise pour un produit qui vend environ 100 unités chaque jour. Une erreur n’a de sens que comparée à celle d’une méthode simple sur les mêmes données.
La méthode simple permet aussi de repérer un modèle complexe qui ne justifie pas son coût. Plus loin dans ce cours, le test rétrospectif compare LightGBM au « même jour de la semaine précédente » sur 50 produits. La règle simple gagne pour 3 d’entre eux. Une méthode de lissage du module 4 gagne pour 21. Sans les lignes des méthodes simples dans le tableau, personne ne le verrait.
L’idée : une référence de base
Section intitulée « L’idée : une référence de base »Une référence de base est une prévision simple que vous produisez d’abord et que toute meilleure méthode doit dépasser. Les quatre règles du café sont les quatre références de base classiques de la prévision. On les appelle prévisions naïves. Elles sont « naïves » parce qu’elles utilisent seulement les valeurs passées de la série, sans modèle ni information externe.
- Naïve : la dernière valeur, pour chaque jour à venir. C’est le « demain sera comme aujourd’hui » du café.
- Naïve saisonnière : la valeur une saison plus tôt. Pour des données quotidiennes à saison hebdomadaire, c’est le même jour de la semaine précédente. La saison est le motif qui se répète, ici tous les 7 jours.
- Moyenne mobile : la moyenne des n derniers jours, pour chaque jour à venir. La fenêtre n indique le nombre de jours inclus dans la moyenne. « Mobile » signifie que la fenêtre avance chaque jour.
- Dérive : la dernière valeur plus le changement quotidien moyen sur tout l’historique. Elle prolonge la tendance en ligne droite.
Un petit exemple
Section intitulée « Un petit exemple »Voici les unités vendues d’un produit sur deux semaines, du lundi au dimanche :
| Semaine | Lun | Mar | Mer | Jeu | Ven | Sam | Dim |
|---|---|---|---|---|---|---|---|
| 1 | 10 | 8 | 9 | 11 | 14 | 20 | 18 |
| 2 | 12 | 9 | 10 | 12 | 15 | 22 | 19 |
Combien en vendra-t-on lundi, mardi et mercredi prochains? Calculez d’abord chaque prévision à la main :
- Naïve : la dernière valeur est 19, celle du dimanche. La prévision est donc 19, 19, 19.
- Naïve saisonnière : lundi, mardi et mercredi derniers, les ventes étaient de 12, 9 et 10. La prévision est donc 12, 9, 10.
- Moyenne mobile sur 7 jours : (12 + 9 + 10 + 12 + 15 + 22 + 19) ÷ 7 = 99 ÷ 7 = 14,14 pour chaque jour.
- Dérive : la série est passée de 10 à 19 en 13 étapes, donc (19 − 10) ÷ 13 = 0,69 par jour. La prévision est 19,69, 20,38, 21,08.
Le fichier d’aide au test rétrospectif du cours, backtest.py, contient les quatre méthodes. Chacune prend l’historique et les jours à prévoir, puis renvoie une colonne de prévision yhat (prononcez « y chapeau » : le nom habituel d’une prévision de y) :
history = pd.DataFrame({"unique_id": "shop", "ds": pd.date_range("2025-06-02", periods=14, freq="D"), "y": [10, 8, 9, 11, 14, 20, 18, 12, 9, 10, 12, 15, 22, 19]})future = pd.DataFrame({"unique_id": "shop", "ds": pd.date_range("2025-06-16", periods=3, freq="D")})for name, f in [("naive", bt.naive), ("seasonal naive", bt.seasonal_naive(7)), ("moving average 7", bt.moving_average(7)), ("drift", bt.drift)]: print(f"{name:17}", f(history, 3, future)["yhat"].round(2).tolist())La sortie :
naive [19, 19, 19]seasonal naive [12, 9, 10]moving average 7 [14.14, 14.14, 14.14]drift [19.69, 20.38, 21.08]Les colonnes suivent le format des bibliothèques de prévision : unique_id désigne la série, ds la date et y la valeur. Le graphique montre les deux semaines et les quatre prévisions :
Description textuelle du graphique
Le graphique montre 14 jours de ventes sous forme de points reliés par une ligne grise. La première semaine, les ventes étaient de 10, 8, 9, 11, 14, 20 et 18. La deuxième semaine, elles étaient de 12, 9, 10, 12, 15, 22 et 19. Chaque semaine, elles sont faibles le mardi et élevées le samedi. Après le dernier dimanche, quatre lignes se prolongent sur trois jours. La prévision naïve reste à 19. La dérive, en pointillés, monte de 19,69 à 21,08. La moyenne mobile reste à 14,14. La ligne naïve saisonnière descend à 12, 9 et 10, comme les lundis à mercredis précédents.
Prédisez. Quelle prévision semble juste pour un lundi?
Seule la prévision naïve saisonnière sait que le lundi est une journée calme. La prévision naïve et la dérive répètent un dimanche occupé. La moyenne mobile oublie la saison hebdomadaire : elle donne la même valeur de 14,14 chaque jour.
Larkfield : le parasol avant la canicule
Section intitulée « Larkfield : le parasol avant la canicule »Kenji, le planificateur des stocks, commande le lundi. Imaginez le lundi 23 juin 2025. Le parasol, produit P025, s’est vendu à 67 unités la semaine précédente. Kenji a besoin d’une prévision pour les 14 prochains jours. La canicule commence une semaine plus tard, le 30 juin, mais personne chez Larkfield ne le sait encore.
Dans le carnet, Priya prend les ventes du parasol jusqu’au dimanche 22 juin. Elle produit les quatre prévisions pour les 14 prochains jours. Le dimanche 22 juin est la date de coupure de ces prévisions. Les spécialistes de la prévision l’appellent aussi l’origine, car la prévision part de cette date. La moyenne mobile utilise maintenant une fenêtre de 28 jours, celle du test rétrospectif du cours :
parasol = load_sales(["P025"])origin = pd.Timestamp("2025-06-22")train = parasol[parasol["ds"] <= origin]real = parasol[(parasol["ds"] > origin) & (parasol["ds"] <= origin + pd.Timedelta(days=14))]future = real.drop(columns="y")for name, f in [("naive", bt.naive), ("seasonal naive", bt.seasonal_naive(7)), ("moving average 28", bt.moving_average(28)), ("drift", bt.drift)]: fc = f(train, 14, future) print(f"{name:17} 14-day total {fc['yhat'].sum():6.1f} real {real['y'].sum():.0f}")load_sales() vient de la cellule d’aide du carnet. Elle renvoie les ventes quotidiennes de chaque produit, en additionnant les trois régions. La sortie :
naive 14-day total 182.0 real 197seasonal naive 14-day total 134.0 real 197moving average 28 14-day total 133.0 real 197drift 14-day total 185.1 real 197- Ventes
- naïve
- naïve saisonnière
- moyenne mobile (28 jours)
Description textuelle du graphique
Le graphique montre les ventes quotidiennes du parasol du 12 mai au 22 juin 2025 sous forme de ligne grise. Elles se situent surtout entre 1 et 25 unités par jour. Après l’origine du 22 juin, les ventes réelles sont des points gris. La première semaine, les ventes étaient de 50 unités. La semaine de canicule, à partir du 30 juin, elles totalisaient 147 unités et atteignaient 48 le 6 juillet. La prévision naïve est une ligne horizontale à 13 par jour. La moyenne mobile est une ligne horizontale à 9,5 par jour. La ligne naïve saisonnière répète deux fois la dernière semaine, entre 3 et 20 par jour. Les trois restent sous les ventes réelles pendant la semaine de canicule.
Les quatre totaux sont trop bas : 197 parasols ont été vendus. Aucune méthode ne pouvait connaître la canicule. La prévision naïve et la dérive s’en approchent le plus, mais seulement par chance. Le dernier jour de l’historique, un dimanche, 13 parasols ont été vendus. Elles répètent cette journée occupée pendant deux semaines.
Une prévision simple n’est donc pas une bonne prévision. C’est un point de référence. Kenji aurait manqué de parasols avec chacune d’elles. La semaine prochaine, ces quatre mêmes méthodes pourraient être les meilleures du tableau.
Les quatre références de base sur 50 produits
Section intitulée « Les quatre références de base sur 50 produits »Un produit sur une journée ne prouve rien. Le test rétrospectif du cours évalue chaque méthode de la même façon : 50 produits, 13 dates de coupure passées, puis 14 jours après chacune. Tester comme dans le futur : le test rétrospectif explique comment et pourquoi. Pour l’instant, exécutez-le :
sales = load_sales(BACKTEST_PRODUCTS)rows = []forecasts = {}for name, f in [("naive", bt.naive), ("seasonal naive", bt.seasonal_naive(7)), ("moving average (28 days)", bt.moving_average(28)), ("drift", bt.drift)]: forecasts[name] = bt.backtest(sales, f, h=14, origins=ORIGINS) rows.append(bt.score(forecasts[name], sales, name, season=7, cost=bt.stock_cost(PRICES)))table = bt.show(rows)La sortie (les temps d’ajustement changent d’une exécution à l’autre) :
method horizon MASE WAPE % bias % pinball fit s cost $moving average (28 days) 14 0.875 43.5 -0.1 0.03 19444 seasonal naive 14 1.034 51.3 -0.5 0.04 16739 naive 14 1.065 53.2 7.4 0.02 28261 drift 14 1.075 53.8 7.8 0.03 28570Ce sont les quatre premières lignes du tableau du test rétrospectif du cours. Mesurer l’erreur qui compte explique chaque colonne. Pour l’instant, lisez-en deux :
- WAPE % : la somme des erreurs en unités, en pourcentage des unités vendues. Plus elle est basse, mieux c’est.
- cost $ (coût) : le coût de la commande de 14 jours de Kenji s’il commandait exactement la prévision. Chaque unité manquante fait perdre sa marge, et chaque unité invendue est liquidée à bas prix. Ces coûts sont les hypothèses du cours.
Il y a une surprise. La moyenne sur 28 jours bat le « même jour de la semaine précédente » pour la WAPE : 43,5 % contre 51,3 %. Une semaine d’un produit bruité donne de mauvais repères. La moyenne sur 28 jours atténue le bruit. La moyenne mobile obtient la WAPE la plus basse pour 42 des 50 produits :
Description textuelle du graphique
Un graphique à quatre colonnes, sur un axe allant de 0 à 50 produits. La moyenne mobile sur 28 jours obtient la WAPE la plus basse pour 42 produits. La prévision naïve gagne pour 4 produits et la naïve saisonnière pour 4. La dérive ne gagne pour aucun produit.
Mais regardez la colonne du coût. La prévision naïve saisonnière a le coût le plus bas : 16 739 $ US par commande contre 19 444 pour la moyenne mobile. Ses erreurs quotidiennes sont plus grandes, mais elles se compensent davantage sur les 14 jours d’une commande. La « meilleure » référence de base dépend donc de la décision. Le module 7 revient sur ce point.
La prévision naïve et la dérive coûtent le plus cher, environ 28 000 $ US. Leurs biais sont de +7,4 % et +7,8 % : elles prévoient trop. Chaque origine du test rétrospectif est un dimanche. Pour ces produits, les ventes du dimanche dépassent d’environ 5 % celles d’une journée moyenne. La prévision naïve et la dérive répètent cette journée occupée pendant 14 jours.
À vous de jouer : une fenêtre plus courte
Section intitulée « À vous de jouer : une fenêtre plus courte »La fenêtre de la moyenne mobile est un choix. Est-ce que 28 jours est le bon choix? Avant toute exécution, prédisez : une fenêtre de 7 jours donnera-t-elle une WAPE meilleure ou moins bonne?
Dans la section 4 du carnet, testez rétrospectivement bt.moving_average(7) sur sales, avec h=14 et origins=ORIGINS. Évaluez-la avec bt.score(..., season=7) et placez sa WAPE % dans wape_ma7.
Afficher la réponse
fc7 = bt.backtest(sales, bt.moving_average(7), h=14, origins=ORIGINS)wape_ma7 = bt.score(fc7, sales, "moving average (7 days)", season=7)["WAPE %"]print(wape_ma7)42.1Ici, la fenêtre de 7 jours gagne légèrement : 42,1 % contre 43,5 %. Elle suit plus vite le printemps et l’automne. Elle suit aussi davantage le bruit et peut perdre sur d’autres produits. Choisissez la fenêtre à l’aide du test rétrospectif, pas au hasard.
Quand utiliser une référence de base, et à quel coût
Section intitulée « Quand utiliser une référence de base, et à quel coût »Produisez toujours les références de base d’abord. Elles ne coûtent presque rien : chaque méthode a pris environ un dixième de seconde ou moins pour 50 produits et 13 origines. Elles n’exigent ni entraînement ni réglages, sauf la fenêtre de la moyenne mobile. Et Kenji peut les vérifier de tête.
Choisissez la référence de base qui convient à la série :
- Naïve saisonnière pour une série à saison forte, comme des ventes quotidiennes à motif hebdomadaire ou des billets de soutien horaires à motif quotidien.
- Moyenne mobile pour une série bruitée sans saison forte, ou quand une semaine est trop courte pour être fiable.
- Naïve pour une série qui suit une marche aléatoire : chaque valeur est la dernière valeur plus un pas aléatoire. C’est le cas de nombreux prix.
- Dérive pour une série à tendance régulière et à faible saisonnalité.
Connaissez aussi leurs limites :
- Elles répètent seulement le passé. Elles ne peuvent pas connaître une promotion planifiée, un jour férié ou un changement de prix. Le cas d’échec ci-dessous en montre le coût.
- Elles donnent un nombre, pas un intervalle. Kenji doit savoir jusqu’où les ventes pourraient monter. Le module 7 ajoute des intervalles.
- Leurs erreurs sont systématiques. La prévision naïve et la dérive copient le jour qui termine l’historique. La prévision naïve saisonnière copie les incidents de la semaine précédente, comme une rupture de stock.
Erreur courante
Une promotion planifiée qu'une référence de base ne peut pas voir
Symptôme : le produit P141, une couette, faisait l’objet d’une promotion de 25 % du 8 au 14 septembre 2025. Priya produit la prévision naïve saisonnière le dimanche 7 septembre :
duvet = load_sales(["P141"])origin = pd.Timestamp("2025-09-07")train = duvet[duvet["ds"] <= origin]real = duvet[(duvet["ds"] > origin) & (duvet["ds"] <= origin + pd.Timedelta(days=7))]fc = bt.seasonal_naive(7)(train, 7, real.drop(columns="y"))print("forecast", int(fc["yhat"].sum()), "| real", int(real["y"].sum()), "| promotion days:", int(real["on_promotion"].sum()))forecast 80 | real 183 | promotion days: 7La prévision manque plus de la moitié des ventes de la semaine. Kenji aurait manqué de couettes dès le deuxième jour de la promotion.
Cause : la promotion était planifiée. Elle figure dans promotions.csv, et tout le monde chez Larkfield la connaissait. Mais une prévision naïve utilise seulement les valeurs passées de la série. Elle ne peut pas lire un calendrier de promotions.
Correction : utilisez une méthode qui accepte les événements futurs connus comme entrées. Calendriers, jours fériés et événements a placé les événements dans un calendrier, et le module 5 les transmet à un modèle. D’ici là, un planificateur ajoute à la main la hausse due à la promotion (uplift) et note pourquoi.
Conséquence dans le travail en IA : une référence de base permet une comparaison juste seulement pour ce qu’elle peut connaître. Quand un événement futur est connu, comparez le modèle à la référence de base séparément sur les semaines normales et les semaines d’événements. Sinon, les semaines d’événements cachent les situations où le modèle aide vraiment.
Exercice guidé : quatre références de base dans le carnet
Section intitulée « Exercice guidé : quatre références de base dans le carnet »- Ouvrez le carnet dans l’encadré Faites cette leçon dans un carnet, en haut de cette page.
- Exécutez les cellules de préparation et la cellule d’aide. La cellule de données se termine par la ligne
Ready:(prêt). - Dans la section 1, prédisez quelle prévision semble juste pour un lundi. Exécutez ensuite la cellule. Vous voyez
seasonal naive [12, 9, 10](prévision naïve saisonnière). - Dans la section 2, prédisez quelle prévision s’approche le plus des ventes pendant la semaine de canicule. Exécutez ensuite la cellule. Vous voyez
real 197(ventes réelles : 197) et le graphique. - Dans la section 3, prédisez quelle référence de base gagne pour la WAPE. Exécutez ensuite la cellule du test rétrospectif. Vous voyez quatre lignes, avec la moyenne mobile en premier à
43.5. - Dans la section 4, écrivez la moyenne mobile sur 7 jours dans la cellule À vous de jouer, puis exécutez-la.
- Exécutez la cellule de vérification. Elle affiche
Check passed(vérification réussie). - Dans la section 5, exécutez la cellule de promotion. Vous voyez
forecast 80 | real 183(prévision : 80 | ventes réelles : 183).
Vérification des connaissances
Section intitulée « Vérification des connaissances »Vérifiez votre compréhension
Nommez les quatre prévisions naïves. Avec les deux semaines du petit exemple, que prévoit chacune pour lundi prochain?
Afficher la réponse
- Naïve : la dernière valeur, soit 19 pour dimanche.
- Naïve saisonnière : le même jour de la semaine précédente, soit 12 pour lundi dernier.
- Moyenne mobile sur 7 jours : la moyenne des 7 derniers jours : 99 ÷ 7 = 14,14.
- Dérive : la dernière valeur plus le changement moyen par jour : 19 + (19 − 10) ÷ 13 = 19,69.
Seule la prévision naïve saisonnière suit la saisonnalité hebdomadaire. Elle seule prévoit donc une faible valeur pour un lundi tranquille.
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
Tomás dit : « Notre nouveau modèle a une erreur de 45 % sur les unités. C'est un bon résultat. » Que lui demandez-vous, et pourquoi?
Afficher la réponse
Demandez les références de base pour les mêmes produits, dates de coupure et horizon. Une erreur n’a de sens que comparée à celle d’une méthode simple sur les mêmes données. Sur les 50 produits de Larkfield, la moyenne mobile sur 28 jours a une erreur de 43,5 % à 14 jours. Un modèle à 45 % fait donc moins bien qu’une moyenne sur 28 jours. Il coûte aussi plus cher à exécuter et à expliquer.
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
La prévision naïve saisonnière a une WAPE plus élevée que la moyenne mobile sur 28 jours (51,3 % contre 43,5 %). Pourtant, son coût est plus faible (16 739 contre 19 444 $ US). Comment expliquer ces deux résultats, et lequel intéresserait Kenji?
Afficher la réponse
La WAPE additionne les erreurs de chaque jour. Le coût porte sur la commande pour 14 jours : les unités commandées par rapport aux unités vendues durant les deux semaines. Les erreurs de la prévision naïve saisonnière sont plus grandes chaque jour. Mais elles alternent entre valeurs positives et négatives, et s’annulent davantage sur 14 jours. Kenji commande pour 14 jours, donc le coût de la commande l’intéresse. La mesure d’erreur doit correspondre à la décision.
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
- Une référence de base est une prévision simple que toute meilleure méthode doit dépasser. Sans elle, une erreur de 45 % n’a aucun sens.
- Les quatre prévisions naïves : naïve (la dernière valeur), naïve saisonnière (le même jour de la semaine précédente), moyenne mobile (la moyenne des n derniers jours) et dérive (la dernière valeur plus la tendance).
- Pour le parasol, avant la canicule, les quatre prévisions étaient trop faibles : de 133 à 185, contre 197 vendus. Une référence de base sert de repère, mais n’est pas forcément une bonne prévision.
- Sur 50 produits, la moyenne mobile sur 28 jours a la WAPE la plus faible (43,5 %, meilleure sur 42 produits). La prévision naïve saisonnière a le coût de commande le plus faible (16 739 $ US).
- Les références de base ne peuvent pas tenir compte des événements prévus : 183 couettes vendues pendant la semaine de promotion, contre 80 prévues.
Vous pouvez maintenant produire quatre références de base et lire leurs lignes dans le tableau. Mais nous avons exécuté le test rétrospectif sans examiner son fonctionnement. Un test qui utilise des données du futur semble meilleur qu’il ne l’est. Vous verrez ensuite comment tester une prévision dans les conditions du futur.
Leçon suivante : Tester comme dans le futur : le test rétrospectif