Collaboration et consensus : une prévision ne se fait jamais seul.e – Episode 4/4

Dans cette série de 4 articles, BLOGISTICS donne la parole à Sandrine LETULLIER, prévisionniste de métier.
Sandrine travaille la question des prévisions à travers son expérience, les questions qu’elle se pose régulièrement pour rester dans le rythme et les méthodes qu’elle emploie pour produire des valeurs de qualité. Ce dernier article aborde l’enjeu de la collaboration et du consensus. Gros mot de la langue française, si l’on en croit la dernière motion de censure, mais principe de travail fondamental et plein de bon sens pour faire performer la Supply Chain. Retrouvez les épisodes précédents : la stratégie de production, prévoir pour produire le bon stock et le cycle de travail du prévisionniste.

De la donnée au consensus

Comme je vous l’écrivais précédemment, un bon prévisionniste n’a pas toujours un unique parcours statistique. C’est une personne qui aime l’analyse, mais surtout qui est curieuse, qui collabore, et sait convaincre (ou doit vite l’apprendre).

Une collaboration variable selon les contextes du produit

Une fois vos prévisions travaillées, il faut s’assurer que vous êtes dans la bonne tendance. La prévision initiale doit alors être partagée avec le commerce et/ou le marketing afin de valider ce que l’on projette, puis affinée pour produire des données collaboratives.

Cas	Base de la prévision	Avec qui la consolider	Point d’attention
Article avec historique	Modèles statistiques issus du passé	Commerce, marketing	La prévision initiale est assez fiable pour devenir vite collaborative, voire consensuelle.
Produit remplaçant	Historique du code en fin de vie	Commerce, marketing	Mise en avant, offre, couleur, et date de « switch » pour écouler stocks et composants.
Lancement similaire	Historique d’une référence analogue, ajusté à la hausse ou à la baisse	Marketing (parts de marché)	Suivre les premières commandes pour ajuster.
Réelle nouveauté	Analyse d’autres lancements, comité de pilotage	Marketing, production, achats, contrôle de gestion, commerce	Le prévisionniste est souvent sollicité trop tard.
Fin de vie	Calcul d’atterrissage du stock	Commerce, marketing, réglementaire, supply, production, logistique	Coût de destruction des composants, report des ventes sur un autre produit.

1/ Sur les articles avec historique

Comme nous l’avons vu dans l’article précédent, nous pouvons alimenter les données du futur avec les modèles du passé. Dans ce cas, la prévision initiale est suffisamment fiable pour devenir rapidement une donnée collaborative, voire consensuelle.

2/ Sur les nouveautés

Si c’est un produit remplaçant : nous avions évoqué de « récupérer l’historique » du code en fin de vie pour alimenter les données du futur code. Mais il ne faut pas hésiter à poser les questions de mise en avant, d’offre, de couleur, etc. Ce sont des données que j’oubliais de demander au début de mon expérience, et je me suis vite rendu compte qu’elles avaient un impact sur la qualité de la prévision de la demande.
Il faut aussi parler de la date de « switch », car il faut écouler les stocks du premier produit et même, parfois, les composants qui ne serviront pas à produire le futur article. Doit-on switcher en pleine saison, avant ou après ? Il faut donc toujours avoir l’avis du commerce, tout en limitant la destruction de composants, qui fera bondir le service finance (voir notre article sur la gestion des inventaires obsolètes).

En revanche, nous n’avions pas évoqué le lancement de produit similaire. Nous utilisons dans ce cas l’historique d’une référence analogue, en ajustant à la hausse ou à la baisse.

Exemple : lancement d’un produit en 100 ml alors que nous avons déjà le même produit en 1 L.

• Solution 1 : nous avons déjà d’autres produits en gros et petits formats. Nous pouvons analyser leurs données et les utiliser en projection ;
• Solution 2 : le marketing connaît la part de marché des concurrents en gros format contre petit format. Dans ce cas, j’utilise l’historique du produit en 1 L et j’applique un prorata. Ensuite, il faut absolument suivre les ventes et la tendance lors des premières commandes au lancement pour ajuster.

De mon côté, avec le recul, je conseille d’utiliser les 2 solutions : s’appuyer sur un historique et apporter ses propres arguments, tout en demandant les informations de part de marché. Cela permet un échange sur de premières données et de peaufiner un consensus. Dans notre métier de prévisionniste, nous devons maîtriser la donnée mais aussi influencer. Pour cela, le principal atout est l’art de poser les questions et surtout d’en écouter les réponses.

Lors d’une réelle nouveauté, le prévisionniste est souvent sollicité trop tardivement, car il s’appuie parfois sur ce qui a été décidé par un « comité de pilotage » composé d’autres services que la Supply Chain :

• Le marketing, souvent à l’initiative de la demande,
• La production, qui doit donner les conditions de production,
• Les acheteurs, pour connaître les conditions des fournisseurs, les délais…
• Le contrôle de gestion, qui doit calculer un prix de revient et un prix minimum de vente,
• Le commerce, qui doit se prononcer sur la pertinence du produit face à la concurrence et au prix,
• …

Pourtant, sur certains produits, le prévisionniste peut avoir de bonnes idées, grâce à l’analyse des autres lancements et à une vision transversale permanente.
Tous ces échanges se font lors de réunions collaboratives, pour passer d’une prévision initiale à une prévision consensuelle. Cette dernière sert de carburant au processus S&OP (Sales & OPerations) ou PIC en français (Plan Industriel et Commercial). Nous détaillons ce processus dans notre article sur le S&OP.

Au lancement : les indicateurs à suivre

Au lancement, il faut toujours faire un suivi serré des saisies commerciales et collecter plusieurs indicateurs essentiels.

Des insights qualitatifs :

• A minima, des retours clients : comment le produit est-il accueilli, et comment le client compte-t-il le mettre en avant pour le faire sortir ?

Des insights quantitatifs :

• Taux de réassort du produit
• Sell-out (ventes aux consommateurs)
• Évolution de la part de marché sur le segment travaillé

3/ Les fins de vie des produits

Dans le cycle de vie d’un produit, il faut aussi gérer la fin de vie, proposée par le commerce ou le marketing, le service réglementaire, mais aussi par la supply, la production, la logistique (colis trop souvent abîmés, vente en chute contre production minimum ou appro minimum des composants…). La prévision initiale devient alors un calcul d’atterrissage après un plan de vol plus ou moins turbulent.

• Calculer la fin de stock du produit fini et faire valider le coût de destruction des composants, ou demander de produire jusqu’à la fin de stock.
• Se demander si un autre produit sera plus vendu, parce qu’acheté en remplacement de celui que l’on arrête.

Cette décision pèse fortement sur le travail du prévisionniste, qui fait face à une nouvelle contrainte dans un nouveau contexte. La routine habituelle, en somme.

Un consensus à destination de l’outil industriel

Comme vous l’avez remarqué, je parle beaucoup du commerce et du marketing, mais il est important de parler aussi du service industriel. Pour rappel, nos données de prévision de vente doivent permettre :

• 1/ de calculer un taux de couverture, et donc le bon niveau de production :
  • la date de production
  • la quantité à produire
• 2/ les dates d’approvisionnement des composants et leur quantité (via les nomenclatures produits, car pour rappel la prévision de vente est faite sur le produit fini)

Toujours dans l’objectif d’éviter la rupture et le surstock ! Le livrable de ce travail est la prévision consensuelle, ou sa forme la plus affinée. Elle permet de figer une ligne de travail collaborative et de calculer la charge machine pour le service industriel. L’organe privilégié de ce partage est le processus PIC (ou S&OP). Le but de ces réunions est, entre autres, d’arbitrer et d’optimiser les charges machines.

• Demander s’il est possible d’accélérer les ventes si une machine est en sur-capacité, en répondant par exemple à des appels d’offres à des prix nettement inférieurs.
• Délester une machine pour fabriquer sur une autre, en réfléchissant « parc machines » et non produit, peut-être en passant par des adaptations de packaging…
• Prévenir le commerce que nous ne pourrons pas répondre à 100 % de la demande. La solution proposée peut être la mise « sous quota », pour satisfaire la plupart des clients au lieu de créer une rupture annuelle, ou de ne servir que les clients les plus importants (selon votre définition : chiffre d’affaires, marge, profondeur de gamme, relationnel, opportunités…).

Influencer, oui, mais mesurer ce que ça rapporte

Ajout Blogistics, septembre 2026. Passer d’une prévision statistique à une prévision consensuelle suppose des ajustements humains. Les travaux de recherche montrent qu’ils ne valent pas tous la peine. Fildes, Goodwin, Lawrence et Nikolopoulos (International Journal of Forecasting, 2009) ont analysé plus de 60 000 prévisions dans quatre entreprises de supply chain : en moyenne, les ajustements ont amélioré la précision dans trois d’entre elles. Les grands ajustements rapportaient davantage, les petits nuisaient souvent, et les ajustements à la hausse échouaient bien plus souvent que ceux à la baisse, par excès d’optimisme.

Une nouvelle synthèse de Fildes, Goodwin et De Baets (International Journal of Forecasting, 2025), sur environ 147 000 prévisions issues de six études, va dans le même sens : les ajustements n’améliorent la prévision que pour un peu plus de la moitié des références. Les ajustements à la hausse la dégradent en général, ceux à la baisse l’améliorent, surtout quand ils sont importants. Les auteurs constatent aussi que les prévisionnistes réagissent parfois à des signaux peu pertinents, et que des procédures de correction des biais fonctionnent.

Concrètement, cette « valeur ajoutée de la prévision » (forecast value added) se mesure : comparez, sur plusieurs mois, la prévision statistique, la prévision consensuelle et le réalisé. Si un ajustement du commerce ou du marketing ne fait pas mieux que la statistique, la réunion doit le savoir. C’est la contrepartie de la capacité d’influence dont parle Sandrine : elle vaut ce qu’elle rapporte en précision.

D’une solide stratégie de production découle la nécessité de maîtriser son stock, à travers un cycle de travail de la prévision qui repose sur 2 gros blocs : la maîtrise statistique d’une part, et la capacité d’influence d’autre part, pour affûter la prévision initiale en prenant en compte un maximum de contraintes, toujours économiques et parfois divergentes.

Un travail de funambule qui exige rigueur et concentration, mais qui confère systématiquement une prise de hauteur engageante et stimulante.

Sandrine

Questions fréquentes

Qu’est-ce qu’une prévision consensuelle ?
C’est la prévision issue du croisement entre la prévision statistique initiale et les informations des autres fonctions (commerce, marketing, production, achats, contrôle de gestion). Elle alimente le processus PIC (ou S&OP) et sert ensuite de base au plan de production et aux approvisionnements.

Qui doit participer à la construction du consensus ?
Selon les cas : le commerce et le marketing pour la demande, la production pour les conditions de fabrication, les achats pour les fournisseurs et les délais, le contrôle de gestion pour le prix de revient et le prix minimum de vente. Sur une vraie nouveauté, le prévisionniste doit être associé au plus tôt, pas après la décision du comité de pilotage.

Faut-il ajuster la prévision statistique à la hausse ou à la baisse ?
Les études de Fildes, Goodwin et leurs coauteurs montrent que les ajustements à la hausse améliorent moins souvent la prévision que ceux à la baisse, et que les petits ajustements nuisent souvent. Mesurez chaque ajustement plutôt que de le faire par réflexe.

Comment prévoir un produit sans historique ?
Pour un produit remplaçant, on récupère l’historique du code en fin de vie. Pour un lancement similaire, on utilise l’historique d’une référence analogue en ajustant à la hausse ou à la baisse, avec les données de part de marché du marketing. Dans les deux cas, on suit de près les premières ventes pour corriger.

À quoi sert la prévision consensuelle côté industriel ?
Elle permet de calculer un taux de couverture, donc la date et la quantité à produire, les dates d’approvisionnement des composants via les nomenclatures, et la charge machine. Le but est d’éviter la rupture comme le surstock.