- Imperia
- Blog
- Prévision de la demande
- Forecast Value Added (FVA) : comment mesurer ce qui améliore vos prévisions de la demande
Forecast Value Added (FVA) : comment mesurer ce qui améliore vos prévisions de la demande
- Mis à jour
- 19 novembre 2026
- Temps de lecture
- 12 min de lecture

Sommaire
- Qu’est-ce que le Forecast Value Added et à quoi sert-il ?
- Quelles données faut-il pour analyser le FVA ?
- Comment calculer le Forecast Value Added
- Exemple de FVA avec une prévision statistique et des ajustements commerciaux
- Comment utiliser le FVA pour améliorer la planification de la demande
- Les erreurs qui peuvent fausser l’interprétation du FVA
- De l’analyse du FVA à un processus de prévision mieux maîtrisé
Le Forecast Value Added (FVA) permet de vérifier si les différentes étapes d’élaboration d’une prévision améliorent ou dégradent son résultat par rapport à une référence. Une prévision peut passer par le modèle statistique, la révision du planificateur, les ajustements commerciaux et une réunion de consensus. Pourtant, valider une version finale ne signifie pas qu’elle est plus précise que la version initiale.
Dans de nombreuses entreprises, on mesure l’erreur de la prévision validée sans conserver suffisamment d’informations pour comprendre ce qui s’est passé pendant les révisions. Lorsque la prévision se révèle inexacte, il devient difficile de déterminer si le problème vient du modèle, d’un ajustement commercial ou d’une décision prise lors du consensus.
L’analyse du FVA aide à répondre à une question précise : quelles étapes améliorent réellement la prévision de la demande et lesquelles faut-il revoir ?
Qu’est-ce que le Forecast Value Added et à quoi sert-il ?
Le Forecast Value Added correspond à la variation d’un indicateur de performance prévisionnelle lorsque l’on compare une étape du processus à une référence définie. Il sert à évaluer si le travail effectué sur la prévision apporte une amélioration observable. La méthode examine aussi bien les modèles que les interventions ultérieures, comme le présente l’analyse du Forecast Value Added de SAS.
Ce que mesure le FVA dans le processus de prévision
Le FVA mesure la différence de performance entre deux versions comparables. Il permet de vérifier si un modèle statistique surpasse une prévision simple, si la révision du planificateur améliore ce modèle ou si les contributions commerciales réduisent l’erreur de la version précédente.
La référence choisie détermine ce que l’on évalue. Comparer la prévision consensuelle à la prévision statistique montre l’effet combiné des révisions ultérieures. La comparer uniquement à la dernière version commerciale permet d’analyser le changement introduit pendant le consensus.
Dire qu’une prévision présente un FVA positif apporte donc peu d’informations si l’on ne précise pas la version de comparaison, l’indicateur utilisé et le jeu de données évalué.
Différences entre FVA, forecast accuracy et BIAS
La précision des prévisions indique dans quelle mesure une prévision est exacte selon l’indicateur retenu. Le biais des prévisions, ou forecast BIAS, permet de détecter une tendance systématique à prévoir au-dessus ou en dessous de la demande observée. Le FVA analyse l’évolution de cette performance entre les versions.
Une prévision peut présenter une erreur relativement faible tout en faisant moins bien qu’une référence plus simple. Elle peut également progresser nettement par rapport au point de départ tout en restant insuffisante pour certaines décisions d’achat ou de production.
Le FVA s’appuie sur des indicateurs de performance ; il ne les remplace pas. Il convient d’évaluer l’ampleur et le sens de l’erreur, car réduire le biais ne garantit pas une réduction de l’erreur absolue.

Quelles données faut-il pour analyser le FVA ?
Pour analyser le FVA, vous devez conserver les versions de prévision, savoir quand elles ont été produites et disposer du résultat observé qui servira à les évaluer. Les enregistrements doivent permettre de reconstituer les comparaisons sans utiliser d’informations qui n’étaient pas encore disponibles au moment de chaque décision.
Enregistrer la prévision de référence et les versions suivantes
Une séquence d’analyse peut comprendre :
- Prévision naïve : une référence simple, par exemple le dernier résultat connu ou celui de la même période de l’année précédente.
- Prévision statistique : la prévision générée par le modèle avant les ajustements humains.
- Prévision révisée par le planificateur : la version intégrant les changements issus de son analyse.
- Prévision commerciale : la prévision enrichie d’informations sur les clients, les promotions ou d’autres événements.
- Prévision consensuelle : la version validée qui alimentera la planification.
La méthode naïve doit être adaptée à la série. Reprendre le mois précédent peut constituer une référence peu pertinente lorsque la saisonnalité est marquée.
Outre la valeur prévue, il est utile d’enregistrer la date, le responsable, l’étape et le motif de chaque modification. Le résultat peut ainsi être relié au type d’intervention. La documentation d’Arkieva sur l’évaluation des prévisions présente cette comparaison entre la prévision initiale et ses modifications.
Comparer le même horizon, les mêmes références et le même niveau de détail
Les versions doivent être évaluées sur les mêmes produits, sites, périodes et unités de mesure. Comparer une prévision mensuelle par famille à une prévision hebdomadaire par SKU introduit des différences qui empêchent d’interpréter directement le FVA.
Il faut également tenir compte de la date de création. Une révision effectuée juste avant la clôture du mois peut intégrer des commandes qui n’existaient pas lors du calcul initial. Son avantage ne doit pas être attribué automatiquement à un meilleur jugement.
Si de nouvelles informations sont intégrées entre deux étapes, il convient de le préciser et, si possible, de produire une référence actualisée pour évaluer l’ajustement. L’amélioration observée doit être interprétée en tenant compte des informations disponibles pour chaque version.
Utiliser une mesure cohérente de la demande réelle
Avant de calculer l’erreur, il faut définir ce qui constitue la demande observée : commandes reçues, ventes, unités expédiées ou autre variable adaptée à l’objectif de la prévision.
Ces grandeurs ne sont pas interchangeables. En cas de rupture de stock, les ventes peuvent être inférieures à la demande non satisfaite. Évaluer les prévisions sur ces ventes sans tenir compte de la contrainte peut favoriser des prévisions trop basses.
Les retours, annulations et corrections de l’historique nécessitent également des règles stables. Si la demande perdue est estimée, cette estimation doit être identifiée comme telle et appliquée de manière cohérente à toutes les versions comparées.
Comment calculer le Forecast Value Added
Lorsque l’on utilise un indicateur d’erreur pour lequel une valeur plus faible correspond à un meilleur résultat, le FVA s’obtient en soustrayant l’erreur de la version évaluée à celle de la référence. Les deux mesures doivent porter sur le même indicateur et les mêmes observations pour que le calcul ait un sens.
Choisir l’indicateur et définir le signe du résultat
La formule de base est la suivante :
FVA = erreur de la référence − erreur de la version évaluée
Selon cette convention :
- FVA positif : la version évaluée réduit l’erreur.
- FVA négatif : la version évaluée augmente l’erreur.
- FVA nul : la performance ne change pas selon cet indicateur.
Avec le MAE, le résultat conserve l’unité de la variable prévue. Lorsque l’on soustrait des erreurs en pourcentage, la différence s’exprime en points de pourcentage : passer de 20 % à 15 % représente une amélioration de 5 points, et non une réduction relative de 5 %.
L’indicateur doit être adapté aux données. Le MAPE pose par exemple problème lorsque la demande réelle est nulle et peut être inadapté aux séries comportant de nombreuses périodes sans consommation. Le choix de l’indicateur et le traitement de ces cas doivent rester identiques tout au long de l’analyse.
Calculer le FVA de chaque étape et du processus complet
Il est utile de distinguer deux comparaisons :
Le FVA incrémental compare une étape à celle qui la précède immédiatement. Il permet de repérer où la prévision s’améliore ou se dégrade.
Le FVA cumulé compare chaque version à une référence commune, comme la prévision naïve. Il montre quelle part de l’amélioration obtenue depuis le début est conservée dans le processus.
Une étape peut présenter un FVA incrémental négatif tout en conservant un FVA cumulé positif. C’est le cas lorsqu’elle dégrade une prévision antérieure qui surpassait déjà largement la référence initiale.

Exemple de FVA avec une prévision statistique et des ajustements commerciaux
L’exemple suivant montre comment l’erreur évolue pour une même référence au fil du processus. Toutes les données sont hypothétiques et concernent le même produit, le même site et le même mois, avec une demande observée de 1 000 unités.
Comparer la référence, le modèle et la prévision ajustée
Supposons que les versions soient enregistrées avant la période prévue et que les ajustements après le modèle soient réalisés sans intégrer de nouvelles commandes entre les étapes. L’erreur absolue est l’écart entre chaque prévision et les 1 000 unités observées.
| Étape | Prévision | Erreur absolue | Erreur absolue en pourcentage | FVA par rapport à l’étape précédente | FVA par rapport à la prévision naïve |
| Référence naïve | 800 | 200 | 20 % | — | 0 point |
| Prévision statistique | 950 | 50 | 5 % | +15 points | +15 points |
| Révision du planificateur | 980 | 20 | 2 % | +3 points | +18 points |
| Ajustement commercial | 1 150 | 150 | 15 % | −13 points | +5 points |
| Prévision consensuelle | 1 100 | 100 | 10 % | +5 points | +10 points |
Prévisions et erreurs absolues exprimées en unités. FVA exprimé en points de pourcentage. Comme il s’agit d’une seule observation, le tableau présente l’erreur absolue en pourcentage et non une moyenne des erreurs sur plusieurs périodes.
Le calcul de l’ajustement commercial est le suivant :
FVA incrémental = 2 % − 15 % = −13 points de pourcentage
Le calcul du processus complet par rapport à la référence naïve est le suivant :
FVA cumulé final = 20 % − 10 % = +10 points de pourcentage
Identifier les interventions qui améliorent ou dégradent le résultat
Dans cet exemple, le modèle statistique améliore la référence naïve et le planificateur réduit encore l’erreur. L’ajustement commercial dégrade le résultat, tandis que le consensus récupère une partie de cette perte.
La version finale surpasse la prévision naïve, mais elle est moins précise que la prévision statistique et que la révision du planificateur. Se limiter au résultat final aurait masqué cette différence.
Avant de modifier le processus, il faudrait comprendre pourquoi la prévision a été portée à 1 150 unités. Une promotion était-elle prévue ? Existait-il une opportunité commerciale non confirmée ? Un objectif de vente avait-il été intégré à la prévision ?
Un seul résultat défavorable ne prouve pas que tous les ajustements commerciaux sont nuisibles. Une réussite isolée ne confirme pas non plus la validité de l’hypothèse utilisée. L’exemple indique quelle intervention examiner, et non quel service doit cesser de participer.
Comment utiliser le FVA pour améliorer la planification de la demande
Le FVA devient utile lorsque ses conclusions se traduisent en règles de révision : quels éléments méritent l’attention, quelles informations justifient un changement et quelles interventions nécessitent un examen approfondi. Son utilisation doit aider à mieux répartir les efforts consacrés à la prévision de la demande.
Identifier quand un ajustement de prévision est justifié
Une modification devrait reposer sur des informations pertinentes que le modèle n’a pas intégrées : une promotion confirmée, la perte d’un client ou un changement d’assortiment, par exemple. Il faut aussi vérifier si cet effet est déjà pris en compte pour ne pas le compter deux fois.
Pour évaluer ensuite l’ajustement, on peut enregistrer l’événement qui l’a motivé, l’ampleur de la modification et la période pendant laquelle son effet était attendu. Cette démarche rejoint la recommandation de Forecasting: Principles and Practice : documenter et évaluer systématiquement le jugement expert.
Le FVA peut révéler des tendances, mais aucune règle universelle ne rend tous les ajustements importants utiles ni tous les petits ajustements superflus. Les travaux de Fildes, Goodwin et De Baets sur le FVA en planification de la demande montrent que l’effet des interventions varie selon les jeux de données et les types d’ajustement.
Prioriser la révision par produit, horizon et type d’événement
La moyenne globale peut masquer une intervention efficace sur les promotions mais défavorable aux produits stables. Il convient donc de ventiler les résultats par segments comportant suffisamment d’observations.
Une première segmentation peut distinguer les produits stables, saisonniers, promotionnels et les lancements. On peut ensuite analyser les horizons, les canaux ou les motifs d’ajustement.
On pourrait décider de maintenir les révisions commerciales pour les promotions confirmées et de limiter les corrections récurrentes sur les références stables en l’absence d’informations nouvelles. La prévision collaborative gagne en utilité lorsque les contributions ont un objectif clair et que leurs résultats sont examinés.
Mettre l’amélioration en regard du temps et du coût de révision
Un FVA positif ne signifie pas automatiquement rentabilité. Une faible amélioration peut demander de nombreuses heures et modifier à peine les décisions suivantes. Une autre peut être importante si elle concerne une matière critique ou un engagement de service.
Pour apprécier l’effort, il faut observer le temps consacré, la fréquence des interventions et leurs conséquences opérationnelles. L’amélioration évite-t-elle des changements d’achat ? Réduit-elle les urgences ? Concerne-t-elle des références dont l’impact économique est significatif ?
Le FVA apporte des éléments sur la performance prédictive. Le bénéfice économique exige aussi de vérifier comment la prévision est utilisée.

Les erreurs qui peuvent fausser l’interprétation du FVA
Les erreurs d’interprétation apparaissent lorsque l’on compare des versions différentes, que l’on agrège des résultats qui devraient être séparés ou que l’on accorde trop d’importance à un petit échantillon. L’analyse nécessite des critères stables et un contexte suffisant pour orienter les décisions.
Tirer des conclusions d’un seul cycle ou d’une moyenne globale
Un mois exceptionnel peut favoriser une version pour des raisons qui ne se reproduiront pas. Il convient d’observer plusieurs cycles et de vérifier la régularité de l’amélioration avant de modifier une règle de travail.
Il faut également conserver assez de détail pour détecter des résultats opposés entre segments. Un FVA global positif peut coexister avec une dégradation persistante dans une famille critique.
Aucun nombre de périodes ne convient à tous les cas. La fréquence de la demande, la saisonnalité et le nombre d’ajustements disponibles déterminent les éléments nécessaires à l’analyse.
Mélanger les références ajustées et non ajustées sans les distinguer
Si seule une petite partie du catalogue est modifiée, calculer le FVA sur toutes les références peut diluer l’effet de ces interventions.
Imaginons que 50 références sur 1 000 soient révisées. L’analyse des ajustements doit comparer l’avant et l’après pour ces mêmes 50 références. Le résultat des 1 000 reste utile pour évaluer le processus complet, mais il répond à une autre question.
Les références ajustées peuvent aussi être les plus difficiles. Comparer directement leur erreur à celle des références non ajustées pénaliserait l’intervention sans mesurer ce qui se serait passé en conservant la prévision initiale.
Transformer le FVA en classement des personnes
Deux planificateurs peuvent gérer des portefeuilles de difficulté très différente. Les comparer uniquement sur leur erreur finale ou leur FVA moyen peut masquer des différences d’horizon, de volatilité, d’informations disponibles et de responsabilités.
L’analyse doit chercher à comprendre des décisions comparables : ce qui a changé, sur quelles informations et avec quel résultat. Une intervention au FVA négatif peut révéler un problème d’information, une hypothèse erronée ou une règle de validation peu claire.
Utiliser l’indicateur pour classer les personnes peut décourager des ajustements nécessaires et appauvrir les informations partagées. Son intérêt est d’améliorer le processus et de tirer des enseignements des décisions.
De l’analyse du FVA à un processus de prévision mieux maîtrisé
Le Forecast Value Added aide à vérifier si le travail consacré à la révision d’une prévision améliore son résultat. Pour en tirer parti, il faut conserver les versions, disposer de données comparables et expliquer les changements. Sur cette base, l’entreprise peut identifier les interventions utiles, revoir les habitudes sans effet positif et concentrer l’attention là où des informations pertinentes sont disponibles.
Lorsque le catalogue s’élargit et que plusieurs services participent, maintenir cette discipline exige des données partagées et un processus de planification bien organisé. Un logiciel de planification de la demande peut faciliter l’association des modèles, de la connaissance métier et du suivi des prévisions.
SCP Studio permet de construire des prévisions en combinant historiques, modèles avancés et contributions métier grâce à notre logiciel de demand planning. Pour examiner comment organiser ce processus dans votre entreprise, vous pouvez demander une démo à nos experts en partant d’une situation concrète : quelles prévisions vous utilisez, qui les modifie et comment vous évaluez actuellement le résultat.
Articles connexes
Abonnez-vous à notre newsletter et transformez votre gestion !
Recevez des mises à jour et des ressources précieuses qui vous aideront à optimiser votre processus d'achat et d'approvisionnement.





