Aller au contenu
English

Lissage exponentiel (ETS, Holt-Winters)

  • Leçon 11
  • 40 min
  • Module 4 : Méthodes statistiques

Où nous en sommes

Le tableau du test rétrospectif contient ses premières lignes : les prévisions naïves. Elles donnent le même poids à chaque jour passé, ou ne retiennent que le dernier. Dans cette leçon, nous découvrons le lissage exponentiel, où les jours récents comptent davantage. Nous y ajoutons une tendance et une saison.

Lue depuis YouTube. Rien ne se charge depuis YouTube avant que vous appuyiez sur lecture. Confidentialité

Ce que vous saurez faire

Faites une prévision où les jours récents comptent davantage que les jours anciens, et ajoutez-y une saison hebdomadaire. C’est le lissage exponentiel (ETS). Il bat toutes les prévisions naïves du tableau du test rétrospectif et s’ajuste à 50 produits en moins d’une minute.

Carnet JupyterFaites cette leçon dans un carnetColab · Kaggle · GitHub · en anglais

Le carnet (notebook) Jupyter contient toutes les cellules de code, les tâches et les vérifications de cette leçon. Il calcule les poids décroissants et ajuste ETS aux ventes du parasol. Ensuite, il exécute ETS dans le test rétrospectif du cours et le compare à la moyenne mobile, produit par produit. Enfin, il montre ce que fait ETS avec deux saisons. Ses cellules de préparation installent les paquets et téléchargent les données de Larkfield. Vous n’avez donc rien à configurer localement. Environ 40 minutes, dont environ 1 minute d’attente.

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 mainEnviron 40 minutes

Ce que vous devez savoir

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.

Pensez à votre trajet vers le travail. Combien de temps prendra-t-il demain? Vous ne calculez pas la moyenne de tous les trajets de la dernière année. Vous ne reprenez pas non plus seulement le trajet d’aujourd’hui. Vous pensez : « Cette semaine, ça prenait environ 35 minutes. Le mois dernier, c’était plutôt 30, mais les travaux routiers ont commencé depuis. »

Le trajet d’hier compte donc le plus. Les trajets de la semaine dernière comptent un peu moins. Ceux d’il y a plusieurs mois comptent très peu, mais vous ne les oubliez pas. Votre mémoire s’estompe. C’est l’idée de cette leçon.

Le problème : deux références de base, deux erreurs différentes

Section intitulée « Le problème : deux références de base, deux erreurs différentes »

Dans le module précédent, deux références de base ont obtenu les meilleurs résultats, chacune à sa façon :

  • La moyenne mobile sur 28 jours avait la WAPE la plus faible, à 43,5 %. Mais elle donne le même poids à chacun de ses 28 jours, et aucun au 29e jour. Elle donne aussi le même nombre pour chaque jour à venir et oublie donc la saison hebdomadaire.
  • La prévision naïve saisonnière (le même jour de la semaine précédente) suit la saison hebdomadaire. Mais elle copie une seule semaine, avec tous ses imprévus. Sa WAPE était de 51,3 %.

Kenji, le planificateur des stocks, veut les deux à la fois : « Utilisez plusieurs jours pour qu’une journée inhabituelle ne vous trompe pas. Donnez plus de poids aux jours récents. Et rappelez-vous que les ventes sont plus élevées le samedi que le mercredi. »

L’idée : des poids qui diminuent avec l’ancienneté

Section intitulée « L’idée : des poids qui diminuent avec l’ancienneté »

Le lissage exponentiel simple conserve un nombre, le niveau : la meilleure estimation actuelle des ventes d’une journée normale. Chaque jour, il rapproche le niveau de la nouvelle valeur, en parcourant une partie de l’écart. Cette partie est la valeur de lissage α (dites « alpha »), entre 0 et 1 :

  • nouveau niveau = ancien niveau + α × (valeur d’aujourd’hui − ancien niveau)

La prévision de chaque jour à venir correspond au dernier niveau. « Exponentiel » signifie que le poids d’un jour passé diminue du même facteur, 1 − α, chaque jour plus ancien. « Lissage » signifie que la moyenne atténue le bruit.

Un produit s’est vendu à 10, 12, 9, 15 et 11 unités en cinq jours. Prenez α = 0,3 et partez d’un niveau égal à la première valeur, 10. Calculez chaque étape :

Jour Ventes Niveau avant Écart (ventes − niveau) Niveau après = avant + 0,3 × écart
1 10 10,00 (le départ)
2 12 10,00 +2,00 10,60
3 9 10,60 −1,60 10,12
4 15 10,12 +4,88 11,58
5 11 11,58 −0,58 11,41

La prévision du jour 6, et de chaque jour suivant, est 11,41. La méthode SimpleExponentialSmoothing(alpha=0.3) de statsforecast donne aussi 11,41 pour ces cinq jours.

Au jour 4, les ventes atteignaient 15, mais le niveau est seulement passé à 11,58. Une journée de fortes ventes ne déplace la prévision que de 30 % de l’écart.

Développez le calcul du niveau, et chaque jour passé reçoit un poids : α pour hier, α × (1 − α) pour avant-hier, puis α × (1 − α)², et ainsi de suite. Avec α = 0,3, les poids sont 0,3, 0,21, 0,147, 0,103 et 0,072. Ensemble, les 7 derniers jours reçoivent 0,918 du poids.

  • α = 0,6
  • α = 0,3
  • α = 0,1
  • moyenne mobile (28 jours)
Le poids de chaque jour passé dans la prévision. Les poids du lissage exponentiel diminuent avec l'ancienneté; un α plus grand les fait diminuer plus vite. La moyenne mobile sur 28 jours donne à chaque jour 1/28 = 0,036, puis rien.
Description textuelle du graphique

Le graphique montre le poids de chaque jour passé, d’hier (jour 1) à 28 jours auparavant. Avec α = 0,6, hier reçoit 0,6, avant-hier 0,24, et les poids sont presque nuls après 6 jours. Les 7 derniers jours reçoivent 0,998 du poids. Avec α = 0,3, les poids commencent à 0,3 et deviennent presque nuls après environ 14 jours. Les 7 derniers jours reçoivent 0,918. Avec α = 0,1, les poids commencent à 0,1 et diminuent lentement, jusqu’à 0,006 au jour 28. Les 7 derniers jours reçoivent 0,522. La moyenne mobile sur 28 jours forme une ligne horizontale pointillée à 0,036 pour les 28 jours.

Un α élevé (0,6) suit rapidement les changements, mais il suit aussi le bruit. Un α faible (0,1) fait la moyenne de nombreux jours, mais réagit tard quand le niveau change réellement. La méthode de prévision trouve l’α qui correspond le mieux à la série, comme vous le verrez ci-dessous.

Le niveau seul donne une prévision constante. Deux autres composantes corrigent cela, chacune avec sa propre valeur de lissage :

  • La méthode de Holt ajoute une tendance : la hausse ou la baisse du niveau par jour. La prévision devient une ligne inclinée.
  • Holt-Winters ajoute aussi une saison : l’écart de chaque jour de la semaine au-dessus ou au-dessous du niveau. La prévision monte le samedi et descend le mercredi.

Cette famille s’appelle ETS : Erreur, Tendance et Saison. Chaque composante peut être absente (N, pour none), ajoutée (A) ou multipliée (M). « Multipliée » signifie que la composante augmente avec le niveau : une saison de +20 % plutôt que de +5 unités. Trois lettres désignent un modèle ETS, par exemple ETS(A,N,A).

Vous n’avez pas besoin de choisir les lettres vous-même. AutoETS de statsforecast ajuste les modèles possibles et conserve celui qui a le meilleur AICc. AICc est un score d’ajustement : il récompense un modèle qui suit bien l’historique et pénalise chaque composante supplémentaire. Le modèle conserve donc une tendance seulement si elle aide plus qu’elle ne coûte.

Dans le carnet, Priya ajuste AutoETS aux ventes du parasol jusqu’au dimanche 22 juin 2025, la semaine avant la canicule :

from statsforecast import StatsForecast
from statsforecast.models import AutoETS
parasol = load_sales(["P025"])
origin = pd.Timestamp("2025-06-22")
train = parasol[parasol["ds"] <= origin][["unique_id", "ds", "y"]]
sf = StatsForecast(models=[AutoETS(season_length=7)], freq="D")
fc = sf.forecast(df=train, h=14)
sf.fit(train)
print("model chosen:", sf.fitted_[0, 0].model_["method"])
real = parasol[(parasol["ds"] > origin) & (parasol["ds"] <= origin + pd.Timedelta(days=14))]
print("14-day total: ETS", round(fc["AutoETS"].sum(), 1), "| real", int(real["y"].sum()))

season_length=7 lui indique que la saison se répète tous les 7 jours. La sortie :

model chosen: ETS(A,N,A)
14-day total: ETS 176.3 | real 197
Trois cases pour les lettres de ETS(A,N,A). Erreur : A, ajoutée. Tendance : N, absente. Saison : A, ajoutée, en orange. Une note indique que chaque lettre est N, A ou M, et qu'AutoETS conserve le meilleur modèle.
Ce que signifient les trois lettres du modèle du parasol. AutoETS n'a trouvé aucune tendance dans son historique, et une saison hebdomadaire qui ajoute ou retire des unités.
Description textuelle du diagramme

Le schéma comporte trois colonnes. Erreur, A : ajoutée, donc les écarts varient d’environ le même nombre d’unités vers le haut ou le bas. Tendance, N : absente. Saison, en orange, A : ajoutée, donc chaque jour de la semaine ajoute ou retire des unités. Une note indique que chaque lettre est N (absente), A (ajoutée) ou M (multipliée), et qu’AutoETS conserve le meilleur modèle.

Pour le parasol, AutoETS a aussi choisi ses valeurs de lissage : α = 0,41 pour le niveau, et 0,08 pour la saison. Le niveau parcourt donc 41 % de l’écart vers chaque nouvelle journée, et le profil hebdomadaire ne change que lentement.

  • Ventes
  • ETS
  • prévision naïve saisonnière
Six semaines de ventes du parasol, puis les prévisions ETS et naïve saisonnière pour les 14 jours après le 22 juin 2025. ETS répète un profil hebdomadaire lissé; la prévision naïve saisonnière copie la semaine précédente, avec son bruit. Aucune ne peut connaître la canicule qui commence le 30 juin.
Description textuelle du graphique

Le graphique montre les ventes quotidiennes du parasol du 12 mai au 22 juin 2025 par une ligne grise. Elles se situent surtout entre 1 et 25 par jour. Après l’origine, les ventes réelles sont des points gris : 50 la première semaine, 147 la semaine de canicule. La prévision ETS est une ligne bleue lisse qui répète deux fois la même semaine. Elle varie entre 10,7 et 15,5 unités par jour, pour un total de 176,3 unités. La prévision naïve saisonnière est une ligne orange pointillée qui répète deux fois la dernière semaine. Elle varie entre 3 et 20 par jour, pour un total de 134 unités. Les deux restent bien au-dessous des ventes de la semaine de canicule.

ETS prévoit 176,3 parasols, plus près des 197 parasols réellement vendus que toutes les prévisions naïves. Mais la prévision reste trop basse, pour la même raison : l’historique du parasol ne contenait pas la canicule.

Le carnet exécute AutoETS aux 13 origines du test rétrospectif du cours, pour les 50 produits : 650 ajustements. La méthode de prévision est une petite fonction qui renvoie la colonne yhat, comme l’attend backtest.py :

def ets(train, h, future):
sf = StatsForecast(models=[AutoETS(season_length=7)], freq="D")
out = sf.forecast(df=train[["unique_id", "ds", "y"]], h=h)
return out.rename(columns={"AutoETS": "yhat"}).assign(yhat=lambda d: d["yhat"].clip(lower=0))
sales = load_sales(BACKTEST_PRODUCTS)
fc_ets = bt.backtest(sales, ets, h=14, origins=ORIGINS)
fc_snaive = bt.backtest(sales, bt.seasonal_naive(7), h=14, origins=ORIGINS)
fc_ma = bt.backtest(sales, bt.moving_average(28), h=14, origins=ORIGINS)
rows = [bt.score(f, sales, name, season=7, cost=bt.stock_cost(PRICES))
for name, f in [("seasonal naive", fc_snaive), ("moving average (28 days)", fc_ma), ("ETS (AutoETS)", fc_ets)]]
table = bt.show(rows)

clip(lower=0) transforme une prévision négative en 0 : un magasin ne peut pas vendre −2 parasols. La sortie (les temps d’ajustement changent d’une exécution à l’autre) :

method horizon MASE WAPE % bias % pinball fit s cost $
ETS (AutoETS) 14 0.832 41.3 0.1 53.69 16578
moving average (28 days) 14 0.875 43.5 -0.1 0.04 19444
seasonal naive 14 1.034 51.3 -0.5 0.04 16739

ETS devient la meilleure ligne du tableau. Sa MASE est de 0,832 et sa WAPE de 41,3 %, contre 0,875 et 43,5 % pour la moyenne mobile. Son biais est de +0,1 % : en moyenne, ses prévisions ne sont donc ni trop hautes ni trop basses. Son coût de commande, 16 578 $ US, est légèrement inférieur aux 16 739 de la prévision naïve saisonnière. Il est bien inférieur aux 19 444 de la moyenne mobile. C’est la première méthode du cours qui donne de bons résultats pour l’erreur et le coût.

Les 650 ajustements ont pris environ 54 secondes dans cette exécution, et 46 secondes dans la mesure du cours. C’est beaucoup plus que les méthodes naïves, mais encore très peu.

L’explorateur montre le parasol aux 13 origines du test rétrospectif. Choisissez ETS et la moyenne mobile, puis changez l’origine.

Explorer

ETS et les références de base pour le parasol

Vendus en 14 jours
101
Prévision pour les 14 jours
92
WAPE à cette origine
45,5 %
WAPE, les 13 origines
65,1 %

À l’origine du 8 juin 2025, la méthode ETS prévoit 92 unités pour les 14 jours suivants. 101 unités ont été vendues. Sa WAPE ici est de 45,5 % : sa prévision est trop basse. Sur les 13 origines, la méthode ETS a une WAPE de 65,1 % : rang 2 sur 5 méthodes. Elle bat la référence de base, naïve saisonnière (66,1 %).

13 avr. 202511 mai 20258 juin 20256 juil. 20253 août 202531 août 202528 sept. 202526 oct. 202523 nov. 202521 déc. 202518 janv. 202615 févr. 202615 mars 2026
13 avr. 202511 mai 20258 juin 20256 juil. 20253 août 202531 août 202528 sept. 202526 oct. 202523 nov. 202521 déc. 202518 janv. 202615 févr. 202615 mars 2026
  • Unités vendues
  • Prévision de la méthode choisie
  • Référence de base : naïve saisonnière
0102030Unités vendues par jour12 mai19 mai26 mai2 juin8 juin15 juin22 juinoriginetest : 14 joursVentes avant l’origineVendus 9 juin 2025 : 1Vendus 10 juin 2025 : 5Vendus 11 juin 2025 : 5Vendus 12 juin 2025 : 4Vendus 13 juin 2025 : 3Vendus 14 juin 2025 : 9Vendus 15 juin 2025 : 7Vendus 16 juin 2025 : 4Vendus 17 juin 2025 : 10Vendus 18 juin 2025 : 5Vendus 19 juin 2025 : 3Vendus 20 juin 2025 : 12Vendus 21 juin 2025 : 20Vendus 22 juin 2025 : 13naïve saisonnière : 118ETS : 92
0102030Unités par jour18 mai8 juin22 juinoriginetest : 14 joursVentes avant l’origineVendus 9 juin 2025 : 1Vendus 10 juin 2025 : 5Vendus 11 juin 2025 : 5Vendus 12 juin 2025 : 4Vendus 13 juin 2025 : 3Vendus 14 juin 2025 : 9Vendus 15 juin 2025 : 7Vendus 16 juin 2025 : 4Vendus 17 juin 2025 : 10Vendus 18 juin 2025 : 5Vendus 19 juin 2025 : 3Vendus 20 juin 2025 : 12Vendus 21 juin 2025 : 20Vendus 22 juin 2025 : 13naïve saisonnière : 118ETS : 92
Montrer toutes les méthodes, classées
Chaque méthode, notée sur les 13 origines (une WAPE plus basse est meilleure)
RangMéthodeFamilleWAPE à cette origineWAPE, les 13 origines
1moyenne mobile (28 jours)référence de base101,3 %64,9 %
2ETSstatistique45,5 %65,1 %
3naïve saisonnièreréférence de base74,3 %66,1 %
4naïveréférence de base50,5 %90,9 %
5dériveréférence de base50,3 %92,5 %
Le parasol P025 aux 13 origines du test rétrospectif du cours, sur 14 jours chacune : les ventes réelles, la prévision de la méthode choisie et la référence de base naïve saisonnière (pointillée). Chaque prévision est mesurée; la WAPE cumule les 182 jours de prévision.
Description textuelle de l’explorateur

L’explorateur montre les ventes quotidiennes du parasol. Les quatre semaines avant l’origine choisie forment une ligne grise, et les 14 jours suivants sont des points gris. La prévision de la méthode choisie est une ligne bleue, et la prévision naïve saisonnière une ligne orange pointillée. Les commandes permettent de choisir l’origine et l’une des cinq méthodes : naïve, naïve saisonnière, moyenne mobile sur 28 jours, dérive et ETS. L’affichage indique les unités vendues, la prévision et la WAPE. À l’origine du 8 juin 2025, 101 parasols ont été vendus et ETS en prévoyait 92. La WAPE sur les 13 origines est de 64,9 % pour la moyenne mobile (28 jours) et de 65,1 % pour ETS. Elle est de 66,1 % pour la prévision naïve saisonnière, de 90,9 % pour la naïve et de 92,5 % pour la dérive.

Pour le parasol, ETS (65,1 %) et la moyenne mobile (64,9 %) donnent presque le même résultat. Les ventes du parasol changent avec la météo, et un modèle fondé sur son historique ne peut pas connaître la météo. Sur 50 produits, ETS gagne nettement. Sur un produit difficile, il ne gagne pas.

Le tableau cumule les 50 produits. Par produit, le résultat est le suivant :

  • Face à la prévision naïve saisonnière, ETS gagne pour les 50 produits sur 50. ETS conserve la saison hebdomadaire, mais fait la moyenne de plusieurs semaines au lieu d’en copier une.
  • Face à la moyenne mobile sur 28 jours, ETS gagne pour 33 produits sur 50. La moyenne mobile gagne pour 17.

Nous avons cherché une règle simple pour ces 17 produits, sans en trouver. Ils ne se vendent pas moins vite : le produit médian se vend à 5,8 unités par jour, contre 5,9 quand ETS gagne. Leur profil hebdomadaire est seulement un peu plus faible : pour un produit médian, un jour de la semaine s’écarte de la moyenne hebdomadaire de 7,2 %, contre 8,3 %. Une raison probable : quand le profil hebdomadaire est faible et le bruit important, ETS estime une saison qui contient du bruit. Une moyenne constante fait alors aussi bien. Le test rétrospectif, et non une règle, vous indique quels sont ces produits.

Utilisez ETS comme premier modèle après les références de base. Il est rapide et n’a besoin que de la série elle-même. Vous pouvez expliquer chacune de ses composantes (niveau, tendance, saison) à Kenji en une phrase. C’est un bon choix par défaut pour les séries d’affaires quotidiennes ou hebdomadaires avec une seule saison.

Connaissez ses limites :

  • Une seule saison. ETS accepte un seul season_length. Les billets de soutien par heure ont une saison quotidienne et une saison hebdomadaire. Le cas d’échec ci-dessous montre ce qui se passe. Plusieurs saisons et longues séries corrige ce problème.
  • Seulement le passé de la série. ETS ne peut pas utiliser une promotion prévue, un jour férié ou la météo. Le module 5 les ajoute comme entrées.
  • Historiques courts. Une saison hebdomadaire demande plusieurs semaines d’historique avant que la composante saisonnière soit utile. Un nouveau produit avec deux semaines de ventes obtient une mauvaise estimation de la saison. Le module 6 traite les nouveaux produits.
  • Son intervalle suppose des erreurs normales. ETS donne aussi un intervalle autour de sa prévision. Un intervalle à 80 % devrait contenir la valeur réelle 8 fois sur 10. Pour les 50 produits, il contenait la valeur réelle 83,5 % du temps : c’est proche, mais le module 7 vérifie cela correctement.

Son coût : environ 46 secondes pour 650 ajustements sur un ordinateur portable. La tâche de prévision planifiée du module 8 fixe le modèle à ETS(A,N,A), donc AutoETS ne fait aucune recherche. Elle ajuste alors 600 séries en environ 5 secondes plutôt que 40.

Erreur courante

Une seule saison : ETS sur les billets par heure

Symptôme : Grace, la responsable du soutien, demande le nombre de billets par heure pour la semaine prochaine. Priya ajuste AutoETS avec une saison quotidienne (24 heures) aux 12 dernières semaines de billets par heure. Elle prévoit ensuite la dernière semaine de l’historique. En cumulant par jour, la prévision et les billets réels donnent :

Jour Lun Mar Mer Jeu Ven Sam Dim
Billets réels 473 474 393 409 294 337 243
Prévision ETS 243 243 243 243 243 243 243

La prévision donne les mêmes 243 billets chaque jour. Les billets réels passent de 473 le lundi à 243 le dimanche.

Cause : une saison quotidienne répète les mêmes 24 heures sept fois. Le modèle ne peut pas savoir que le lundi est chargé et le dimanche calme. Ici, il répète toute la semaine le niveau du dernier jour de l’historique, un dimanche calme. Avec season_length=168 (une semaine d’heures), ETS suit plutôt la semaine (381 billets le lundi, 226 le dimanche). Mais il apprend alors chaque heure de la semaine à partir de seulement 12 exemples en 12 semaines.

Correction : utilisez une méthode qui accepte plusieurs saisons, comme MSTL, dans Plusieurs saisons et longues séries.

Conséquence pour le travail en IA : les options d’un modèle limitent ce qu’il peut apprendre, peu importe les données. Avant de comparer les modèles, vérifiez que chacun peut représenter les profils que vous voyez déjà dans la série. Sinon, vous comparez un modèle désavantagé.

  1. Ouvrez le carnet dans l’encadré Faites cette leçon dans un carnet en haut de cette page.
  2. Exécutez les cellules de préparation et la cellule utilitaire. La cellule des données se termine par la ligne Ready: (prêt).
  3. Dans la section 1, estimez le poids des 7 derniers jours avec α = 0,3. Exécutez ensuite la cellule. Vous voyez 0.918.
  4. Dans la section 2, exécutez la cellule du parasol. Vous voyez model chosen: ETS(A,N,A) (modèle choisi : ETS(A,N,A)) et real 197 (valeur réelle : 197).
  5. Dans la section 3, estimez si ETS bat la moyenne mobile. Exécutez ensuite la cellule du test rétrospectif. Cela prend environ une minute.
  6. Dans la section 4, écrivez le décompte produit par produit dans la cellule Your turn (à vous), puis exécutez-la.
  7. Exécutez la cellule de vérification. Elle affiche Check passed (vérification réussie).
  8. Dans la section 5, exécutez la cellule des billets par heure. Vous voyez les mêmes 243 billets chaque jour.

À vous de jouer : ETS contre la moyenne mobile, produit par produit

Section intitulée « À vous de jouer : ETS contre la moyenne mobile, produit par produit »

fc_ets et fc_ma contiennent toutes les prévisions d’ETS et de la moyenne mobile sur 28 jours, avec la valeur réelle y. Avant de calculer quoi que ce soit, faites une prédiction : pour combien des 50 produits ETS a-t-il l’erreur la plus faible? Pour chaque produit, additionnez les erreurs absolues de chaque méthode sur toutes les origines et tous les jours. Comptez les produits dont la somme est plus faible avec ETS, et placez ce nombre dans ets_wins.

Afficher la réponse
e_ets = (fc_ets["y"] - fc_ets["yhat"]).abs().groupby(fc_ets["unique_id"]).sum()
e_ma = (fc_ma["y"] - fc_ma["yhat"]).abs().groupby(fc_ma["unique_id"]).sum()
ets_wins = int((e_ets < e_ma).sum())
print(ets_wins, "of", len(e_ets))
33 of 50

ETS gagne pour 33 produits, et la moyenne mobile pour 17. La somme des erreurs absolues correspond à la WAPE de chaque produit, sans la division. Les deux méthodes divisent par les mêmes ventes, donc la division ne change pas la méthode gagnante.

Vérifiez votre compréhension

Avec α = 0,3, le niveau est de 10,60 et le produit se vend à 9 unités aujourd'hui. Quel est le nouveau niveau, et quelle est la prévision pour les trois prochains jours?

Afficher la réponse

L’écart est de 9 − 10,60 = −1,60. Le nouveau niveau est de 10,60 + 0,3 × (−1,60) = 10,60 − 0,48 = 10,12. Le lissage exponentiel simple prévoit le dernier niveau pour chaque jour : 10,12, 10,12 et 10,12. Une tendance (Holt) ou une saison (Holt-Winters) donnerait des valeurs différentes selon le jour.

Vérifiez votre compréhension

AutoETS a choisi ETS(A,N,A) pour le parasol. Que signifie chaque lettre, et pourquoi le modèle ne peut-il toujours pas prévoir la canicule?

Afficher la réponse
  • A (erreur) : les écarts s’ajoutent; ils montent et descendent d’environ le même nombre d’unités.
  • N (tendance) : aucune tendance; le niveau ne monte pas et ne baisse pas de façon constante.
  • A (saison) : une saison hebdomadaire additive; chaque jour de la semaine ajoute ou retire quelques unités.

ETS apprend seulement à partir des ventes passées du parasol. La canicule venait de la météo, qui ne figure pas dans le modèle. Il a donc prévu 176,3 parasols pour les deux semaines, alors que 197 ont été vendus.

Vérifiez votre compréhension

Utilisez le tableau du test rétrospectif et les comptes par produit. Pour lesquels des 50 produits de Larkfield ETS a-t-il battu la prévision naïve saisonnière? Pour lesquels ne l'a-t-il pas battue, et pourquoi?

Afficher la réponse

ETS a battu la prévision naïve saisonnière pour les 50 produits : MASE de 0,832 contre 1,034, WAPE de 41,3 % contre 51,3 %. La prévision naïve saisonnière copie une seule semaine, avec son bruit et ses événements imprévus. ETS suit aussi la saison hebdomadaire, mais en fait la moyenne sur plusieurs semaines avec des poids qui diminuent. Face à la moyenne mobile sur 28 jours, ETS a gagné pour 33 produits et perdu pour 17. Nous n’avons trouvé aucune règle simple pour ces 17 produits : ils ne se vendent pas plus lentement. Une structure hebdomadaire faible et beaucoup de bruit sont une raison probable. La saison estimée par ETS représente alors en partie du bruit, et une moyenne constante sur 28 jours fait aussi bien.

Récapitulatif

  • Le lissage exponentiel conserve un niveau et le rapproche de chaque nouvelle valeur d’une fraction α de l’écart. Les poids des jours passés diminuent : avec α = 0,3, les 7 derniers jours reçoivent 0,918 du poids.
  • Holt ajoute une tendance, Holt-Winters ajoute une saison. La famille est ETS (erreur, tendance, saison), chaque composante étant absente (N), ajoutée (A) ou multipliée (M).
  • AutoETS choisit le modèle selon son score d’ajustement AICc. Pour le parasol, il a choisi ETS(A,N,A) avec α = 0,41.
  • Dans le test rétrospectif du cours, ETS a une MASE de 0,832, une WAPE de 41,3 % et un coût de 16 578 $ US. C’est la meilleure ligne jusqu’ici, et les 650 ajustements ont pris environ 46 secondes.
  • ETS bat la prévision naïve saisonnière pour 50 produits sur 50, et la moyenne mobile sur 28 jours pour 33 sur 50.
  • ETS accepte une seule saison. Pour les billets de soutien par heure, il a prévu les mêmes 243 billets chaque jour.

Vous pouvez maintenant ajuster ETS et lire ses lettres. ETS décrit une série par son niveau, sa tendance et sa saison. Vous découvrirez ensuite une autre façon de décrire une série : à partir de ses valeurs passées et de ses erreurs passées. Son intervalle montre aussi clairement comment l’incertitude augmente avec l’horizon.

Leçon suivante : ARIMA et SARIMA