Anticiper les ventes ne suffit pas pour éviter les ruptures et le surstock. Une prévision de la demande e-commerce efficace doit aussi guider les décisions d’achat. Quelles méthodes utiliser ? Comment intégrer la saisonnalité, calculer les besoins et déclencher le réapprovisionnement au bon moment ? Découvrez les étapes clés pour passer des données de ventes à une gestion des stocks plus fiable et mieux maîtrisée.
La prévision de la demande e-commerce consiste à estimer les quantités de produits que vos clients devraient acheter dans les semaines ou mois à venir. En analysant l’historique des ventes, la saisonnalité, les promotions et les tendances récentes, vous pouvez mieux anticiper vos besoins de stock et limiter deux risques : la rupture et le surstock.
- Qu’est-ce que la prévision de la demande en e-commerce ?
- Pourquoi prévoir la demande en e-commerce ?
- Quelles données utiliser pour prévoir la demande ?
- Les principales méthodes de prévision de la demande
- Comment calculer une prévision de demande e-commerce ?
- Comment transformer la prévision en décision de stock ?
- Comment mesurer la fiabilité de ses prévisions ?
- Prévision de la demande et Peak Season
- Les erreurs à éviter
- Comment automatiser la prévision et le réapprovisionnement ?
Mais prévoir les ventes ne suffit pas. Encore faut-il déterminer quels produits commander, en quelles quantités et à quel moment.
Ce guide explique les données à analyser, les méthodes de calcul à utiliser et comment transformer une prévision en décision de réapprovisionnement.
Qu’est-ce que la prévision de la demande en e-commerce ?
La prévision de la demande, ou demand forecasting, permet d’anticiper les besoins futurs des clients pour adapter les achats et les stocks. Elle constitue une étape du demand planning, la planification de la demande.
Définition simple
La prévision de la demande estime les quantités de produits susceptibles d’être demandées sur une période donnée.
Prenons une marque de cosmétiques vendant sur Shopify et Amazon. Ses coffrets connaissent des pics avant Noël, tandis que ses soins quotidiens se vendent régulièrement. Ces comportements nécessitent des stratégies d’approvisionnement différentes.
Prévision de la demande vs prévision des ventes
La prévision des ventes e-commerce estime les ventes futures. La prévision de la demande cherche à mesurer ce que les clients souhaitent acheter, même lorsque les produits sont indisponibles.
Si une référence enregistre 200 ventes mais reste en rupture pendant une semaine, son historique peut sous-estimer la demande réelle. Ignorer ces périodes risque de reproduire les mêmes ruptures.
Prévision de la demande vs gestion de stock
La prévision estime les besoins futurs. La gestion de stock e-commerce détermine les quantités à conserver et à commander.
Une demande prévue de 500 unités ne signifie pas qu’il faut en acheter 500. Le calcul dépend du stock disponible, des livraisons attendues et du stock de sécurité.
Pourquoi prévoir la demande en e-commerce ?
Une demande mal anticipée peut provoquer des ventes perdues, immobiliser de la trésorerie et désorganiser l’entrepôt. Quatre enjeux justifient une prévision structurée.
Éviter les ruptures de stock
Une rupture empêche de répondre à une demande existante. Sur une marketplace, l’indisponibilité peut également pénaliser les performances commerciales. Prévoir les besoins permet de lancer les commandes fournisseurs avant que les stocks deviennent insuffisants.
Limiter le surstock
Un stock excessif mobilise de l’espace et génère des coûts, particulièrement pour les produits saisonniers ou renouvelés fréquemment. La prévision des stocks aide à mieux répartir les achats selon la demande attendue et la rotation des références.
Protéger la trésorerie
Chaque produit acheté immobilise de la trésorerie jusqu’à sa vente. Une gestion prévisionnelle des stocks permet de privilégier les références nécessitant réellement un réassort plutôt que d’accumuler des marchandises à faible rotation.
Préparer les pics d’activité
Black Friday, Noël et soldes peuvent modifier brutalement les volumes de commandes. Anticiper ces variations permet d’adapter les achats, les réceptions fournisseurs, les capacités de stockage et l’organisation des préparations.
Quelles données utiliser pour prévoir la demande ?
Une prévision fiable dépend avant tout de la qualité des informations disponibles. Pour un e-commerçant omnicanal, la priorité est de centraliser les données commerciales et logistiques.
Historique des ventes par SKU
Le SKU (Stock Keeping Unit) identifie une référence produit. L’historique des ventes par SKU permet d’observer les volumes, les tendances et la régularité des achats.
Une marque de vêtements ne peut pas simplement prévoir ses ventes de manteaux. Elle doit distinguer les tailles et les couleurs lorsque leurs stocks sont gérés séparément.
Saisonnalité
La saisonnalité des ventes correspond aux variations récurrentes liées aux périodes de l’année. Un produit vendu principalement à Noël ne peut pas être prévu comme une référence à demande constante.
Comparer les mêmes périodes sur plusieurs années aide à identifier ces cycles.
Promotions et campagnes marketing
Une promotion peut entraîner une hausse ponctuelle des commandes.
Les calendriers marketing doivent donc être intégrés aux prévisions, sans confondre l’effet temporaire d’une campagne avec une croissance durable.
Nouveaux canaux de vente
L’ouverture d’une marketplace peut augmenter la demande ou déplacer des ventes entre canaux. Centraliser les commandes Shopify, Amazon et des autres plateformes permet d’analyser la demande globale sans doublons.
Cette visibilité est particulièrement importante pour piloter un stock omnicanal.
Retours et annulations
Une commande annulée ne consomme pas nécessairement de stock. Un produit retourné peut redevenir disponible après contrôle.
Il faut distinguer demande commerciale, ventes réalisées et mouvements physiques pour éviter de fausser les estimations.
Délais fournisseurs et commandes en cours
Le délai fournisseur, ou lead time, correspond au temps nécessaire pour recevoir les produits après commande.
Il ne détermine pas la demande, mais il est indispensable pour décider quand acheter. Les commandes fournisseurs déjà engagées doivent également être connues.
Données externes pertinentes
Météo, jours fériés, tendances et évolution des prix peuvent influencer certaines catégories. Ces données doivent être utilisées lorsqu’un lien crédible avec la demande peut être établi.
Les principales méthodes de prévision de la demande
Il n’existe pas de méthode universelle. Le choix dépend de la régularité des ventes, de l’historique disponible et des événements influençant la demande.
Moyenne mobile
La moyenne mobile calcule la moyenne des ventes sur plusieurs périodes. Un produit vendu à 90, 110 puis 100 unités sur trois mois présente une moyenne de :
- (90 + 110 + 100) / 3 = 100 unités
Cette méthode convient aux produits relativement stables, mais réagit lentement aux changements brusques.
Moyenne mobile pondérée et lissage exponentiel
La moyenne pondérée accorde davantage d’importance aux périodes récentes. Avec des poids de 20 %, 30 % et 50 % sur les trois mois précédents :
- (90 × 0,2) + (110 × 0,3) + (100 × 0,5) = 101 unités
Le lissage exponentiel actualise également les prévisions en donnant un poids paramétrable aux données récentes.
Prévision saisonnière
Une prévision saisonnière applique un coefficient reflétant les variations périodiques.
Un coffret vendu habituellement à 200 unités mensuelles, avec un coefficient de 2 en décembre, présente une prévision saisonnière de 400 unités.
Régression et facteurs causaux
La régression estime la relation entre la demande et certaines variables : prix, promotions ou dépenses publicitaires.
Elle est pertinente lorsque plusieurs facteurs influencent les ventes, sous réserve de disposer de données suffisantes.
Modèles IA et machine learning
Les modèles de prévision IA peuvent analyser de nombreux historiques et identifier des relations complexes.
Ils présentent un intérêt pour les catalogues volumineux, mais restent dépendants de la qualité des données. L’IA ne garantit jamais une prévision parfaite.
Quelle méthode choisir ?
| Méthode | Cas d’usage | Avantage | Limite |
| Moyenne mobile | Produit stable | Simplicité | Réactivité limitée |
| Lissage exponentiel | Demande évolutive | Valorise le récent | Paramétrage nécessaire |
| Prévision saisonnière | Noël, soldes | Intègre les cycles | Dépend des historiques |
| Régression | Promotions, prix | Intègre plusieurs facteurs | Données fiables nécessaires |
| IA et machine learning | Catalogue volumineux | Analyse complexe | Contrôle indispensable |
Comment calculer une prévision de demande e-commerce ?
Une méthode accessible consiste à calculer une demande de référence, puis à l’ajuster selon les tendances et les événements connus.
Étape 1 : calculer une demande de référence
Prenons un produit vendu à 120 unités en avril, 150 en mai et 180 en juin.
- Demande moyenne = (120 + 150 + 180) / 3 = 150 unités mensuelles
Cette base doit être corrigée si des ruptures ont limité les ventes.
Étape 2 : intégrer tendance et saisonnalité
Une tendance haussière ou un pic saisonnier peuvent modifier cette estimation. La formule simplifiée est :
- prévision ajustée = Demande de référence × Coefficient de tendance × Coefficient saisonnier
Étape 3 : ajuster les événements connus
Une campagne promotionnelle ou l’ouverture d’un nouveau canal peut créer une demande supplémentaire.
Il faut alors compléter le calcul avec une estimation de son impact, en évitant de compter deux fois les effets déjà inclus dans les coefficients.
Étape 4 : exemple concret sur un SKU
Exemple fictif : une marque prévoit ses ventes de coffrets cosmétiques en décembre.
Sa demande de référence est de 150 unités. Elle retient une tendance de croissance de 10 %, un coefficient saisonnier de 1,5 et 40 ventes supplémentaires attribuées à une promotion.
- Prévision = (150 × 1,10 × 1,5) + 40 = 287,5 unités
a prévision arrondie est de 288 unités. Ce chiffre estime la demande. Il ne représente pas encore la quantité à acheter.
Comment transformer la prévision en décision de stock ?
C’est l’étape déterminante : une prévision de demande doit être rapprochée de la situation réelle des stocks et des contraintes fournisseurs.
Intégrer le stock disponible
Le stock physique ne correspond pas toujours au stock disponible à la vente. Il faut retirer les quantités réservées et indisponibles, puis vérifier la cohérence entre les canaux.
Un stock physique de 500 unités, dont 120 réservées et 30 non commercialisables, représente seulement 350 unités disponibles.
Tenir compte du stock de sécurité
Le stock de sécurité protège contre les variations de demande et les retards fournisseurs. Son niveau dépend de la volatilité des ventes, des délais d’approvisionnement et du taux de service recherché.
Trop faible, il expose aux ruptures. Trop élevé, il immobilise inutilement de la trésorerie.
Prendre en compte le délai fournisseur
Un produit vendu à 10 unités quotidiennes nécessite 50 unités pour couvrir cinq jours de consommation, contre 300 pour trente jours.
La prévision doit donc être rapprochée du temps nécessaire à la réception effective des marchandises.
Déterminer quand réapprovisionner
Le point de commande correspond au seuil déclenchant un réapprovisionnement.
Dans un modèle simple :
- Point de commande = (Demande quotidienne × Délai fournisseur) + Stock de sécurité.
Avec 10 unités vendues quotidiennement, un délai de 12 jours et un stock de sécurité de 40 unités : (10 × 12) + 40 = 160 unités.
Le réapprovisionnement doit être déclenché lorsque la position de stock atteint ce seuil, en tenant compte des commandes fournisseurs déjà engagées.
Passer de la prévision à la commande fournisseur
Pour un horizon de couverture donné, une formule simplifiée est :
- Besoin d’achat = Demande prévue + Stock de sécurité cible – Stock disponible – Réceptions fournisseurs attendues.
Exemple fictif : un e-commerçant prévoit 600 ventes, dispose de 250 unités, attend une livraison de 150 unités et souhaite conserver 100 unités de sécurité. 600 + 100 – 250 – 150 = 300 unités à commander.
Ce résultat suppose que les marchandises attendues arrivent à temps. Il doit aussi être ajusté selon les quantités minimales de commande, les conditionnements et les délais fournisseurs.
Comment mesurer la fiabilité de ses prévisions ?
Une prévision doit être évaluée régulièrement en comparant les quantités estimées à la demande effectivement observée.
Écart prévision / réel
L’écart mesure la différence entre l’estimation et la demande réelle. Prévoir 500 unités pour une demande de 450 représente une surestimation de 50 unités.
Biais de prévision
Le biais identifie une tendance à surestimer ou sous-estimer systématiquement la demande. Il permet de détecter les erreurs récurrentes et d’ajuster la méthode.
MAE et MAPE
Le MAE (Mean Absolute Error) mesure l’erreur absolue moyenne en unités.
Le MAPE (Mean Absolute Percentage Error) exprime l’erreur moyenne en pourcentage de la demande réelle.
Une prévision de 110 unités pour une demande de 100 correspond à une erreur absolue de 10 unités et relative de 10 %.
Le MAPE est cependant inadapté lorsque la demande réelle est nulle et peut être trompeur sur les faibles volumes.
Prévision de la demande et Peak Season
La Peak Season (Black Friday, Noël et soldes) nécessite des prévisions spécifiques, car les ventes et les contraintes opérationnelles peuvent évoluer rapidement.
Analyser les pics précédents
Étudiez les ventes par SKU, les promotions, les ruptures et les performances des campagnes précédentes.
Les ventes de l’année précédente constituent une base, mais doivent être corrigées selon l’évolution des canaux et du catalogue.
Construire trois scénarios
Pour une référence dont la demande centrale est estimée à 1 000 unités, trois hypothèses peuvent être établies :
| Scénario | Demande prévue |
| Prudent | 800 unités |
| Central | 1 000 unités |
| Haut | 1 300 unités |
Ces scénarios fictifs permettent d’arbitrer les achats selon le risque de rupture, la trésorerie disponible et les possibilités de réassort.
Anticiper les opérations logistiques
Une forte demande implique davantage de réceptions, de préparations et d’expéditions.
Les prévisions doivent donc être partagées entre achats, marketing et logistique pour adapter les ressources avant le pic.
Les erreurs à éviter
Même une méthode rigoureuse produit de mauvaises décisions si les données ou les hypothèses sont incorrectes.
Les erreurs les plus fréquentes sont :
- Se limiter au chiffre d’affaires global plutôt qu’aux quantités par SKU.
- Prévoir au niveau d’une catégorie sans distinguer les variantes pertinentes.
- Ignorer les ruptures passées qui ont limité les ventes observées.
- Reproduire mécaniquement les volumes de l’année précédente.
- Oublier les promotions et les campagnes marketing.
- Ignorer les délais et les contraintes fournisseurs.
- Considérer une prévision comme une certitude.
- Ne jamais mesurer les écarts entre prévisions et demande réelle.
La bonne approche consiste à mettre régulièrement les hypothèses à jour, particulièrement pour les références saisonnières ou soumises à des variations commerciales.
Comment automatiser la prévision et le réapprovisionnement ?
Pour passer de la prévision des ventes à une décision d’achat exploitable, le processus peut être structuré en sept étapes :
- Centraliser les ventes omnicanales pour disposer d’un historique consolidé.
- Analyser la rotation des références pour identifier les produits à réapprovisionner en priorité.
- Intégrer les stocks et délais fournisseurs afin d’anticiper les besoins.
- Calculer les recommandations d’achat en tenant compte de la demande future et des quantités disponibles.
- Générer les commandes fournisseurs après validation des besoins.
- Créer les attendus de réception pour préparer l’arrivée des marchandises.
- Actualiser les stocks après réception pour fiabiliser les prochains calculs.
Cette logique permet de relier les décisions commerciales, les achats et les opérations logistiques, plutôt que de gérer chaque étape dans des outils séparés.
Anticiper la demande pour mieux maîtriser vos achats
La prévision de la demande e-commerce ne consiste pas à déterminer exactement les ventes futures, mais à réduire l’incertitude pour prendre de meilleures décisions.
Une estimation utile repose sur des données fiables, une méthode adaptée aux produits et une organisation capable de transformer les résultats en réapprovisionnements.
Avec sa solution tout en un OMS, WMS et TMS, Shippingbo permet de centraliser les commandes et de fiabiliser les stocks. Son module Smart Procurement complète cette approche en facilitant les recommandations d’achat, les commandes fournisseurs et le suivi des réceptions.
Vous souhaitez mieux anticiper vos besoins de stock et structurer vos achats fournisseurs ? Découvrez comment Shippingbo peut automatiser vos réapprovisionnements :
FAQ
Sans historique propre, utilisez les performances de références comparables, les résultats de lancements précédents et les campagnes prévues. Plusieurs scénarios permettent de limiter les risques liés à l'incertitude.
Comparez les ventes de périodes équivalentes et déterminez des coefficients saisonniers. Ajustez ensuite ces coefficients selon les promotions, l'évolution du catalogue et les nouveaux canaux.
Oui. Excel permet de calculer des moyennes mobiles et de réaliser des projections simples. Ses limites apparaissent lorsque les références, les canaux et les sources de données se multiplient.
Les ventes correspondent aux achats effectivement réalisés. La demande inclut également les intentions d'achat qui n'ont pas pu aboutir, notamment à cause des ruptures.
Combinez la demande prévue avec le stock disponible, le stock de sécurité, les réceptions attendues et les délais fournisseurs. Ajustez ensuite les quantités selon les contraintes d'achat.
Glossaire
Demand planning
Planification de la demande pour anticiper les besoins de stock et d’approvisionnement.
Stock de sécurité
Quantité supplémentaire conservée pour absorber les imprévus.
Rotation des stocks
Fréquence de renouvellement des stocks sur une période donnée.
Moyenne mobile
Méthode de prévision calculant la moyenne des ventes sur plusieurs périodes.
Lissage exponentiel
Méthode statistique accordant davantage de poids aux données récentes.
Coefficient saisonnier
Facteur permettant d’ajuster une prévision selon les variations saisonnières.
Stock à terme
Estimation du stock disponible à une date future, selon les mouvements prévus.