> For the complete documentation index, see [llms.txt](https://docs.flowlity.com/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.flowlity.com/fr/gestion-de-la-demande/demand/diagnose-forecast-errors.md).
# Diagnostiquer les erreurs de prévision
Reconnaissez les causes fréquentes d'une mauvaise prévision et appliquez la bonne correction.
Quand un produit présente une forte erreur de prévision, la première question n'est pas « quel devrait être le chiffre ? » mais « pourquoi la prévision est-elle fausse ? ». La plupart des erreurs viennent d'un petit nombre de causes, et beaucoup d'entre elles tiennent aux données dont le modèle apprend plutôt qu'au modèle lui-même. Cette page vous aide à nommer la cause et à choisir la correction.
### Les trois causes les plus fréquentes
#### 1. Une baisse de la demande que le modèle n'a pas encore intégrée
**Ce que vous voyez :** la demande reste plus basse depuis plusieurs mois, mais la prévision suit toujours l'ancien niveau.
**Pourquoi cela arrive :** Flowlity s'adapte vite à un changement durable, sauf quand la saisonnalité est forte. Le modèle apprend aussi de la même période des années précédentes : une baisse sur un mois qui était élevé l'an dernier met donc plus de temps à être intégrée.
**Comment vérifier :** dans le détail du produit du module [Demande](/fr/gestion-de-la-demande/demand.md), activez **Demande passée brute (N-1)** et **Demande passée brute (N-2)** depuis la légende du graphique. Si les mêmes mois étaient élevés les années précédentes, c'est la saisonnalité qui maintient la prévision à un niveau élevé.
**Que faire :**
* Vérifiez la cause avec l'équipe commerciale. Est-elle structurelle (client perdu, gamme déréférencée, produit arrêté) ou temporaire ?
* Si elle est structurelle et liée à un produit arrêté, voir *Fin de vie et remplacements de produits* ci-dessous.
* Si elle est structurelle et que le produit continue à se vendre au nouveau niveau, appliquez un modèle expert qui suit la demande récente, comme le **Modèle moyenne des dernières périodes** ou le **Modèle moyenne + tendance**, dans **Stratégie de produit** > **Prédiction** > **Modèles de prévision**. Cliquez sur **Calculer la prévision** pour voir le résultat avant le prochain calcul hebdomadaire.
* Si elle est temporaire, laissez le modèle poursuivre et observez lors des revues suivantes à quelle vitesse il s'adapte.
#### 2. Un lancement avec peu ou pas d'historique
**Ce que vous voyez :** un nouveau produit avec quelques semaines ou quelques mois d'historique et une [Prédictibilité de la demande](/fr/concepts/concepts/metrics-glossary.md) Faible ou Non. Souvent, une nouvelle version ou une nouvelle couleur qui remplace un produit plus ancien.
**Que faire :**
* Pour un produit entièrement nouveau, appliquez le modèle expert **Modèle de lancement** : il apprend le profil de lancement de produits similaires, choisis par Flowlity ou par vous.
* Pour un produit qui en remplace un plus ancien, liez l'ancien produit comme produit similaire pour que le modèle puisse reprendre son historique. Voir [Similarités produits](/fr/concepts/concepts/product-similarities.md).
#### 3. Un historique anormal
**Ce que vous voyez :** des semaines qui ne reflètent pas la demande normale, comme une baisse due à une rupture de stock, un pic ou un creux ponctuel, ou une promotion passée.
**Que faire :** vérifiez les corrections apportées par l'agent d'anomalies de demande pour les ruptures, les valeurs anormales et les promotions passées : conservez-les, modifiez leur valeur ou supprimez-les, et ajoutez les vôtres avec **Ajouter un ajustement de la demande passée**. Voir [Analyser et corriger les anomalies de demande](/fr/gestion-de-la-demande/demand/investigate-demand-anomalies.md). Confirmez la cause avant de nettoyer : une vraie commande ponctuelle est une demande réelle, pas du bruit.
### Autres situations à reconnaître
#### Fin de vie et remplacements de produits
**Ce que vous voyez :** un produit important dont la demande tombe presque à zéro après une longue période stable, alors qu'il ne reste qu'un ou deux produits dans sa famille.
**Pourquoi cela arrive :** le produit a été arrêté ou remplacé, mais l'information n'est pas parvenue jusqu'à Flowlity. L'ancien produit garde une prévision, et le nouveau démarre sans historique.
**Que faire :**
* Définissez la date de **Fin de vie** de l'ancien produit dans **Stratégie de produit** > **Prédiction**, pour qu'il cesse de piloter le plan. Pour plusieurs produits, sélectionnez-les et utilisez **⋮** > **Modifier la stratégie de produit** > **Modifier le cycle de vie**. Une [automatisation](/fr/ia-and-automatisations/automations.md) peut aussi ajuster le cycle de vie de façon planifiée.
* Liez le produit de remplacement à son prédécesseur comme produit similaire, ou demandez à votre contact Flowlity de transférer l'historique.
* Vérifiez le stock restant du prédécesseur quand vous validez des commandes pour le produit de remplacement : dans Planification, la série **Stock des produits similaires** l'affiche.
* Si les remplacements sont fréquents, convenez d'un processus régulier avec votre contact Flowlity (par exemple un rechargement plus fréquent de l'historique) plutôt que de corriger les produits un par un.
#### Cannibalisation par une nouvelle variante
**Ce que vous voyez :** une nouvelle édition ou variante progresse pendant qu'une variante existante recule. Chaque SKU présente une forte erreur, mais le total de la famille est proche de la prévision.
**Que faire :** jugez la précision au niveau de la famille ou du modèle pour ces produits : dans la liste Demande, cliquez sur **Grouper** > **Ajouter un groupe** et regroupez par la catégorie de tags famille pour lire le sous-total de la famille. Liez la nouvelle variante à la variante existante. Si les nouvelles éditions font normalement partie de votre modèle commercial, conservez ce regroupement dans votre vue de revue.
#### Une baisse sur toute une catégorie
**Ce que vous voyez :** la demande baisse sur toute une catégorie en même temps, sans rupture de stock.
**Que faire :** vérifiez avec l'équipe commerciale si la cause est externe (situation économique, événement majeur, évolution du marché) et si elle est ponctuelle ou durable. Si une perturbation similaire est attendue à nouveau sur une période connue, créez un événement de prévision pour cette période. Voir [Créer et appliquer des événements de prévision](/fr/optimisation-des-revenus/promotions/create-forecast-events.md).
#### Une baisse inexpliquée
**Ce que vous voyez :** une forte baisse sur un produit sans rupture de stock, alors que des produits similaires de la même famille sont bien prévus.
**Que faire :** notez-la et demandez à l'équipe commerciale ou au contrôle des ventes s'il y a une raison, comme une action commerciale, un changement chez un client ou une décision de prix. S'il y a une cause systématique, l'équipe de planification doit en être informée pour la prochaine prévision. Si elle est vraiment aléatoire, elle ne peut pas être prévue et ne doit pas entraîner de changements dans votre processus.
### Aide-mémoire
| Ce que vous voyez | Cause probable | À vérifier | Correction |
| ------------------------------------------------------------ | -------------------------------------- | ------------------------------------------------- | ------------------------------------------------------- |
| Demande plus basse depuis des mois, prévision toujours haute | Baisse pas encore intégrée | Équipe commerciale, superpositions N-1 / N-2 | Attendre et surveiller, ou traiter comme une fin de vie |
| Demande plus basse depuis des mois, pas de saisonnalité | Changement durable | Superpositions N-1 / N-2 | Modèle expert sur la demande récente |
| Peu d'historique, faible prédictibilité | Lancement ou remplacement | Modèle de lancement ou produit similaire défini ? | Modèle de lancement, ou lier le prédécesseur |
| Semaines à zéro ou basses, puis reprise | Rupture de stock | Correction de rupture | Conserver ou modifier la correction |
| Pic ou creux isolé | Valeur anormale ou commande ponctuelle | Correction de valeur anormale, équipe commerciale | Conserver, modifier ou supprimer la correction |
| Demande proche de zéro après une période stable | Fin de vie ou remplacement | Stratégie de produit, famille de produits | Définir la fin de vie, lier le successeur |
| Une variante en hausse, une autre en baisse | Cannibalisation | Total au niveau de la famille | Revue au niveau de la famille |
| Toute une catégorie en baisse | Événement externe | Équipe commerciale | Événement de prévision s'il se reproduit |
| Forte baisse, pas de rupture, produits voisins corrects | Inconnue | Équipe commerciale ou contrôle des ventes | Noter et faire remonter |
{% hint style="info" %}
Avant de remettre en cause le modèle, vérifiez les données. En pratique, beaucoup de fortes erreurs viennent des données de référence : produits arrêtés toujours actifs, remplacements sans historique ou tags de hiérarchie manquants.
{% endhint %}
### Pages associées
* [Réaliser une revue de la précision des prévisions](/fr/gestion-de-la-demande/demand/run-forecast-review.md) : la place du diagnostic dans la routine de revue.
* [Analyser et corriger les anomalies de demande](/fr/gestion-de-la-demande/demand/investigate-demand-anomalies.md) : ruptures, valeurs anormales et promotions passées.
* [Similarités produits](/fr/concepts/concepts/product-similarities.md) : reprendre l'historique pour les remplacements.
* [Demande](/fr/gestion-de-la-demande/demand.md) : modèles experts, Stratégie de produit et Calculer la prévision.
* [Événements de prévision et ajustements de la demande](/fr/concepts/concepts/forecast-events.md) : comment les événements et les corrections modifient la prévision.
* [La prévision de la demande expliquée](/fr/concepts/concepts/demand-forecasting.md) : comment le modèle apprend de l'historique.
