Nécessaire ' elle est A  la base de nombreux outils de gestion (s de trésorerie, s de marketing, comptes d'exploitation prévisionnels, nings de fabrication) ', la prévision des ventes est cause de bien des mécomptes qui seraient souvent évités si les prévisionnistes gardaient toujours en tASte trois principes fondamentaux :
1 / La perfection est impossible. ' Il n'y a pas de méthode infaillible pour prévoir les ventes, tant les paramètres sont nombreux, complexes et souvent mquantifiables. Il faut donc accepter un certain aléa; le chiffrer aussi précisément que possible et s'efforcer de le réduire; enfin, garder toujours une certaine distance vis-A -vis des prévisions et ne pas en attendre plus que ce qu'elles peuvent donner : des probabilités et non des certitudes.
2 / MASme très élaborés, les méthodes, systèmes et équations ne doivent rester qu'une base de réflexion : il ne saurait AStre question de faire aveuglément confiance A  un système quelconque. Le prévisionniste doit pouvoir garder la maitrise du processus et lui injecter la part d'intuition qui lui manque en fonction d'éléments qu'il sent, mais ne peut quantifier : mode, moral des hommes, facteurs politiques
3 / Il faut savoir choisir la bonne technique de prévision1. ' Cela nécessite A  la fois beaucoup de bon sens, de bonnes connaissances techniques et l'absence d'A  priori. Les méthodes de prévision sont en effet très nombreuses, et les résultats peuvent varier considérablement suivant la méthode choisie. Or aucune méthode n'est en soi bonne ou mauvaise : l'une conviendra mieux pour tel problème, l'autre pour tel autre.
Nous distinguerons deux grandes familles de méthodes : l'une, fondée sur l'analyse du passé, essentiellement quantitative; l'autre, tournée vers le futur, qui combine souvent les approches qualitative et quantitative.

A. Méthodes fondées sur l'analyse du passé

Un postulat sous-tend ces méthodes : l'avenir est contenu dans le passé; il suffit donc de lire correctement et de décrypter celui-ci pour prévoir le futur. Ce postulat peut conduire A  deux approches fondées sur deux principes différents, l'un empirique, l'autre de caractère scientifique :
1 / - La nature ne fait pas de saut -. ' Ce qui s'est passé hier a de grandes chances de se reproduire demain sans changements importants, mais seulement, peut-AStre, avec une évolution plus ou moins lente dont on tentera d'évaluer le rythme. Le prévisionniste ne cherchera pas aiment A  connaitre les causes, mais étudiera les variations des ventes au cours du passé et extrapolera vers le futur, en limitant l'étude A  un passé pour lequel il estime que les causes, plus ou moins connues, n'ont pas trop changé.
De ce principe dérivent des méthodes d'extrapolation en général simples et peu coûteuses d'utilisation, mais ne permettant qu'une prévision A  court terme : analyse graphique, droite de régression, lissage exponentiel.
2 / - Les mASmes causes produisent toujours les mASmes effets -. ' Alors que précédemment on ne prenait en compte en général qu'une variable causale, le temps, on raffine ici un peu plus en analysant davantage les variables explicatives des ventes. Le processus suivi, beaucoup plus complexe et coûteux, consiste A  identifier les causes ou variables indépendantes (attention aux autocorrélations!) agissant sur les ventes, leur poids respectif, et le modèle les reliant aux ventes, puis A  résoudre le système d'équations ainsi obtenu. La méthode, dite économétrique, est logique et intellectuellement satisfaisante; elle permet d'assez bonnes prévisions A  moyen terme lors-v qu'elle est applicable. Mais on ne dispose pas toujours de données fiables pour les variables causales, ce qui empASche d'élir des corrélations significatives; plus souvent encore, on ne dispose pas de bonnes projections A  court ou moyen terme, pour ces variables : par exemple, lorsqu'il s'agit de phénomènes de mode, de météorologie, d'évolution économique (prix), technologique ou mASme de démographie. Par un biais plus ou moins conscient, le prévisionniste est ainsi conduit A  n'envisager que les facteurs explicatifs quantifiables, et A  - oublier - les autres.
Suivant une analyse qui se recoupe largement avec ces deux approches, nous pouvons distinguer deux types de méthodes fondées sur l'analyse du passé : l'un, interne, qui ne tient compte que d'une variable endogène, les ventes passées du produit dont on cherche A  prévoir les ventes; l'autre, externe, qui en plus prend en compte d'autres variables exogènes.

a. Méthodes internes
Si on ne tient compte que des ventes passées du produit considéré, celles-ci ne sont en principe applicables qu'aux produits existants, pour lesquels on dispose d'une série chronologique de statistiques de vente.
Le prévisionniste analysant les ventes passées cherchera A  y retrouver quatre composantes qui peuvent influer sur les ventes futures :

' la tendance générale ou trend : T;

' les variations saisonnières : S;

' les variations cycliques : C;

' l'alea, ou fluctuations aléatoires que l'on ne peut prévoir, mais dont on peut prévoir l'ampleur : A.
' Quasi-droite de tendance : moyenne mobile et total mobile
Pour s'affranchir de la saisonnalité et pour obtenir une courbe de ventes plus lisse, où la tendance générale T est plus lisible, on peut calculer ' et porter sur un graphique ' le total mobile ou la moyenne mobile sur treize ou sur douze mois. Le total mobile sur treize mois, pour un mois donné, est la somme des ventes de ce mois, des six mois précédents et des six suivants. La moyenne mobile s'obtient en divisant ce total par 13. Pour obtenir une moyenne mobile sur douze mois, le plus simple est de prendre un binôme de deux mois ' juin/juillet, par exemple ', d'y ajouter les ventes des cinq mois précédents et des cinq suivants, et de diviser le total par 12.
Les points des ventes mensuelles ainsi désaisonnaUsées étant presque en ligne sur le graphique, il est aisé de prolonger cette - quasi-droite de tendance - et de lire directement les prévisions de vente (désaisonnalisées) des mois A  venir.
Si on dispose de statistiques sur une longue période (plus de cinq ans), le graphique des moyennes mobiles prend souvent la forme non d'une quasi-droite, mais d'une ligne aux ondulations relativement régulières : on se trouve alors en présence de cycles dont il est possible de calculer la longueur et l'ampleur moyennes, A  partir de quoi on dérivera des coefficients cycliques qu'on appliquera aux prévisions, comme nous le ferons ci-après pour les coefficients saisonniers.

' Droite de régression ou droite de tendance

Nous avons obtenu tout A  l'heure, avec les moyennes mobiles, une - quasi-droite de tendance -. Il est possible de calculer mathématiquement la droite de tendance qui s'ajuste parfaitement aux points de vente observés, et qui exprime donc exactement la valeur de la tendance T : il s'agit de la droite de régression des ventes sur le temps, ou droite des moindres carrés, qui a la forme d'une fonction y = ax + b. On calcule les carrés des écarts des ventes observées par rapport A  la moyenne, puis la droite par rapport A  laquelle la somme des carrés des écarts est la plus petite possible.
Il faut au moins deux années d'observations (statistiques de ventes mensuelles) pour que la droite ait quelque valeur.
Dans le cas où la tendance affecte la forme non d'une droite, mais d'une courbe, exponentielle par exemple, l'ajustement linéaire peut néanmoins AStre utilisé très souvent avec une approximation locale suffisante. On peut aussi avoir recours A  une courbe du second degré, ou corrélation curviligne.

' Coefficients saisonniers

Ceux-ci peuvent AStre obtenus soit sous forme de différences moyennes mensuelles (méthode de Buys-Ballot) : on calcule la moyenne des ventes pour un mois donné sur plusieurs années, et on la soustrait de la moyenne mensuelle générale (35,17 dans l'exemple ci-dessous) ; ou sous forme de coefficients saisonniers proprement dits : on divise chaque moyenne mensuelle par la moyenne mensuelle générale. On affecte ensuite ces différences, ou ces coefficients, aux chiffres de ventes passées pour les désaisonnaliser (ce qui peut AStre utile pour le calcul d'une droite de tendance, pour diminuer la valeur de l'écart type, et indispensable pour effectuer un lissage exponentiel simple) ; ou aux prévisions non saisonnières, résultant par exemple d'une droite de tendance, pour les saisonnaliser.
Bien entendu, les moyennes mensuelles et les différences ou les coefficients doivent AStre recalculés au moins tous les trois mois, pour tenir compte des nouveaux résultats de vente. En outre, les chiffres de vente anormaux dus A  un fait exceptionnel (promotion, grève, rupture de stock) doivent AStre éliminés.
' Fluctuations aléatoires
Il n'est pas possible de prévoir les fluctuations aléatoires, qui sont des écarts résiduels inexplicables. Mais on peut calculer la fourchette dans laquelle elles se tiennent, et l'affecter aux prévisions : il suffit de calculer la variance de ces écarts résiduels en ajustant la droite de tendance A  des observations dont on a éliminé les écarts - explicables- (variations saisonnières et éventuellement variations cycliques), en leur appliquant soit la - différence moyenne mensuelle - dont on aura inversé le signe, soit l'inverse du coefficient saisonnier en les divisant par ces derniers (pour les variations saisonnières). De la variance des fluctuations aléatoires on déduit l'écart type a, qu'on peut appliquer aux prévisions; on peut alors affirmer que la aie valeur d'une prévision X sera comprise entre -f et ' 20, avec une probabilité de 95 %.
' Lissage exponentiel
Un reproche que l'on peut faire aux méthodes précédentes est qu'elles donnent le mASme poids aux observations les plus anciennes, vieilles de trois, quatre ans ou plus, et aux observations les plus récentes. Or, en admettant que l'avenir dépende du passé, il est certainement plus influencé par le passé récent ' lui-mASme influencé par des facteurs encore agissants : dernières évolutions technologiques, vendeurs actuellement en place, rapports de prix encore en vigueur, camnes de publicité récentes, etc. ' que par le passé lointain. Un autre reproche est que ces méthodes ne tiennent que très peu compte des changements récents de tendance : si les ventes, après avoir régulièrement progressé de 2 % par mois pendant trois ans, stagnent depuis deux mois A  la suite d'un changement de tendance, la moyenne mobile ou la droite de tendance donneront, pour les mois A  venir, une prévision en progression A  peine inférieure A  2 %, les trente-six mois A  2 % pesant beaucoup plus lourd que les deux mois A  o %.
Le lissage exponentiel permet de corriger ces distorsions (en partie au moins, pour la seconde) : il permet de pondérer les observations les unes par rapport aux autres, en donnant un poids plus important aux données les plus récentes. On utilise une pondération en progression géométrique inverse, dont la valeur va décroissant avec Péloignement dans le passé. Cette pondération est exprimée par le coefficient a.
On peut calculer la valeur de a par la méthode - essais et erreurs- en l'ajustant aux observations passées, et en partant d'une valeur moyenne de a = 0,5.
En effet, a = 1 signifierait que le poids du passé est nul et que seule est prise en considération la donnée la plus récente; et alfa = o est impossible.
Le lissage simple peut s'appliquer A  des données mensuelles, trimestrielles ou annuelles; mais dans les deux premiers cas, il est important de noter que pour éviter des variations aberrantes, la méthode ne doit AStre utilisée qu'avec des données désaisonnalisées. Le lissage peut s'appliquer A  la moyenne mobile; ou A  des pourcentages de progression d'une année sur l'autre, d'un trimestre sur les mASmes trimestres des années précédentes ou de faA§on glissante (dou2e derniers mois sur mASmes périodes de douze mois précédents). D'une faA§on générale, il convient de se rappeler qu'il ne s'agit pas aiment d'une méthode de prévision, mais plutôt d'un traitement que l'on fait subir aux données d'une série chronologique pour privilégier les plus récentes; souvent, ce traitement se combine avec d'autres méthodes. Le lissage ne permet pas de prévoir les changements de tendance, mais d'infléchir plus vite les prévisions lorsqu'un changement de tendance est amorcé. Ainsi, dans l'exemple ci-dessus (trente-six mois en progression de 2 % cumulés, et deux derniers mois A  o %), la prévision sans lissage, pour le mois suivant, serait de + 1,89 %, alors qu'avec un lissage A  coefficient a = 0,5, la prévision n'est que de + 0,25 %.
' Méthode de Box et Jenkins
Celle-ci, généralisation du lissage exponentiel, a été publiée en 1970 aux Etats-Unis2. C'est une des méthodes statistiques les plus complexes, mais aussi probablement la plus précise parmi celles qui existent actuellement. Le but visé est d'ajuster une série chronologique A  un modèle mathématiquement optimal, qui minimise les écarts avec les points existants : A  la fin du traitement les variations résiduelles - non expliquées - doivent AStre aussi faibles que possible et complètement aléatoires.
Le modèle procède par - blocs - successifs auxquels il s'agira d'assigner une valeur. Ces paramètres peuvent AStre classés en six catégories (2 fois 3) : chacun des 2 groupes de 3 correspond soit au cas de données non saisonnières, soit A  celui de données saisonnières.
Le fonctionnement du modèle1 est représenté schématiquement sur la ure 9.2. Chaque catégorie de paramètre est symbolisée par un - bouton - comportant des positions o, 1, 2 ce qui signifie que le modèle peut utiliser un ou plusieurs paramètres de chaque catégorie pour mieux coller aux données.
' Les deux premiers sont appelés paramètres de différenciation, ou paramètres de stationnante : leur but est de - stationnariser - les données, c'est-A -dire de les rendre indépendantes par rapport au temps, en éliminant les tendances A  long terme, ou trend. Deux opérations de différenciation successives peuvent ainsi corriger, par exemple : 1. la tendance des ventes A  progresser; 2. le rythme croissant de cette progression.
En cas de variations saisonnières, la différenciation se fera en ant chaque donnée non A  la donnée précédente, mais A  celle de douze mois auparavant.
' Les deux suivants, dits blocs de moyenne mobile, ont pour but de lisser les données en éliminant les variations aléatoires. A noter que la combinaison d'un paramètre de stationnante ou saisonnier et d'une moyenne mobile non saisonnière correspond A  un lissage exponentiel simple, dont le coefficient a a été optimisé : le lissage exponentiel est donc une application particulière du modèle de Box et Jenkins.
' Les deux derniers blocs sont dits autorégressifs : on cherche A  obtenir une série dans laquelle chaque valeur d'une période / est une fonction linéaire de la valeur de la période précédente; le nom- autorégressif- vient de ce qu'on recherche un coefficient d'ajustement de chaque valeur de la série A  la valeur de la période précédente (ou A  la valeur de la période précédente douze mois avant, en cas de variations saisonnières), en remontant dans le temps.
Par ailleurs, A  chaque phase de diagnostic, les informations fournies par le modèle sont assorties de divers moyens de vérification, qui sont destinés A  aider l'utilisateur A  interpréter ces informations et A  identifier les - blocs - ou paramètres A  prendre en compte : ces moyens sont essentiellement les fonctions d'autocorrélation et d'autocorrélation partielle, qui peuvent s'exprimer graphiquement sous forme de corrélo-grammes. La méthode comporte une liste de cas types avec les corrélogrammes qui les représentent et le diagnostic que l'on peut en tirer : par exemple, une fonction d'autocorrélation partielle qui est représentée par un corrélogramme quasi plat en décroissance très lente indique qu'il s'agit d'une série non stationnaire; il faudra la différencier autant de fois que nécessaire pour obtenir une série stationnaire.
Une fois l'ajustement fait, c'est-A -dire que le maximum de variations des données sont expliquées par le modèle pour le passé, le processus peut AStre inversé pour AStre tourne vers l'avenir : le modèle peut générer des prévisions. Celles-ci sont en général d'une excellente qualité pour le court, très court terme, c'est-A -dire jusqu'A  un an. Le système est autocorrectif : il est - révisé - A  chaque période en tenant compte des nouvelles données. Ce modèle est considéré comme le plus performant, actuellement, dans le groupe de ce que nous avons appelé les - méthodes internes -'.
A noter que le modèle n'est pas entièrement mécaniste dans la mesure où, A  la demande, il peut prendre en compte des opérations spéciales : hausses de prix, promotion, actions publicitaires, impact d'actions concurrentes.
Ces méthodes internes sont dites souvent - naïves - en raison de leur simplicité (très relative dans le cas de la méthode de Box et Jenkins), mais aussi de leur caractère mécanique et de leur absence de recherche des causes. Pour leurs partisans, celle-ci n'est guère un inconvénient, puisque les causes comptent moins que leurs effets : un modèle suffisamment fin doit pouvoir analyser les influences et en retrouver les causes par leurs effets, comme un astronome détecte des variations infimes dans le cours d'un astre et peut en prévoir la répétition, ayant déduit (sans avoir besoin de le voir) l'influence lointaine d'un autre astre; la connaissance des causes ne deait servir alors qu'A  sécuriser et A  confirmer, non A  mieux prévoir.
Quoi qu'il en soit, leur avantage principal est cette simplicité mASme et cette automaticité : grace A  celles-ci, elles sont souvent employées dans les systèmes intégrés de prévision de vente A  court terme pour un grand nombre de produits (plusieurs centaines ou plusieurs milliers) dans les cas où des prévisions détaillées doivent AStre fournies chaque mois, notamment pour la programmation des fabrications ou des approvisionnements. En effet, elles se prAStent bien A  la mise sur ordinateur, et ne requièrent aucune recherche de données autres que les ventes effectivement réalisées ' qui peuvent AStre elles-mASmes obtenues automatiquement A  partir des facturations.
En contrepartie, elles ne sont valables, en général, que pour le court ou très court terme, et ne doivent, sauf exception, AStre utilisées qu'avec beaucoup de prudence au-delA  d'un an. Elles présentent en effet le grand inconvénient d'AStre aveugles, en ce sens que les tendances ou - lois - qui ont gouverné les ventes dans le passé sont seulement observées, mais non expliquées; leur prolongation postule que tous les mécanismes économiques joueront comme par le passé, ce qui n'est souvent pas le cas.

b. Méthodes externes

Le principe de ces méthodes est de faire appel non seulement aux séries chronologiques de ventes passées mais aussi A  d'autres variables causales exogènes. Nous ne considérerons ici que le problème des prévisions micro-économiques (prévisions de vente d'un produit ou d'une famille de produits d'une entreprise) en excluant les méthodes qui s'appliquent surtout aux prévisions de vente d'une industrie ou d'un secteur industriel, comme celles basées sur la méthode d'input - output, ou leau d'échanges interindustriels.

' Indice précurseur

L'utilisation la plus simple de données externes consiste A  se rattacher A  un indice précurseur, si on en trouve un qui présente une bonne fiabilité, prouvée par un taux de corrélation élevé avec les ventes de son produit. Cet indice est en général choisi parmi les nombreux indicateurs économiques publiés : un indice de prix; une série sociodémographique (pour les petits pots d'aliments pour enfants de 3 mois A  3 ans on a trouvé une très bonne corrélation, avec décalage variable suivant les gammes, entre les ventes et les statistiques de natalité) ; une statistique d'actes administratifs (déliance de permis de construire pour des produits entrant dans la construction de batiments neufs) ; ou encore les statistiques de vente (ou les prévisions de vente) d'un produit - en amont - (les ventes d'appareils utilisateurs de piles pour les modèles de piles utilisées, celles de caméras pour des projecteurs ou des écrans). Le prévisionniste qui a trouvé un bon indice précurseur doit calculer le - lag -, ou temps de décalage moyen entre la série choisie et les ventes, ainsi que l'équation qui les relie le mieux.

' Méthode analogique

Proche de la précédente, et simple en ce sens qu'elle ne cherche guère A  expliquer, celle-ci est utilisée surtout pour des nouveaux produits dont on pense que le comportement des ventes sera semblable A  celui d'un produit similaire lancé antérieurement, ou A  celui du mASme produit lancé antérieurement dans un autre pays de niveau économique ou de mœurs similaires. On a par exemple utilisé les statistiques de pénétration de la télévision en noir et blanc pour prévoir les ventes de la couleur, ou celles de machines A  laver le linge pour prévoir celles de lave-vaisselle; de mASme, un grand fabricant de matériel photographique ayant lancé aux Etats-Unis un nouveau modèle d'appareil photographique très performant a utilisé les statistiques des ventes pour les prévoir en France lorsque ce modèle y a été introduit un an après.
A l'inverse, des essais d'utilisation de statistiques de vente de plats cuisinés surgelés en Angleterre ou en Allemagne ont conduit A  de grosses erreurs de prévision en France, où les mœurs alimentaires sont très différentes.
' Modèles économétriques
Ceux-ci ont pour but de mettre en lumière les mécanismes économiques intervenant dans le développement des marchés, et d'évaluer quantitativement les réactions du marché A  des changements économiques (évolution du pouvoir d'achat, changement de prix). Ils peuvent AStre utilisés pour l'élaboration de prévisions. Il en existe un grand nombre de types, dont nous présentons les plus connus.
1 / Les modèles A  variables explicatives, modèles A  corrélation et régression multiple permettent de mesurer l'influence de diverses variables explicatives (dites - variables indépendantes -) sur les ventes (dites - variables dépendantes -) d'un produit, dans le passé, et d'extrapoler pour le futur.
Ces variables exogènes sont soit des données statistiques très générales, démographiques (évolution de la natalité, de la nuptialité, de la pyramide des ages), sociodémographiques (évolution des différentes csp ou catégories socioprofessionnelles) ou économiques (évolution des revenus, des dépenses de consommation); soit des données plus spécifiques vente de tel type de produit en amont, l'évolution d'un parc de biens d'équipement, les variations de prix de telle denrée, matière première ou composant, le prix relatif (ou prix du produit par rapport A  des concurrents, ou A  des produits de substitution). Le prévisionniste diagnostique les variables A  prendre en compte, et calcule les coefficients de corrélation avec les ventes de son produit : en somme, il e la série chronologique des ventes de son produit avec d'autres séries exogènes, une par une ; sélectionne celles qui présentent un taux de corrélation significatif; puis- ajuste- ces variables explicatives les unes par rapport aux autres, de faA§on A  déterminer leur poids respectif dans les ventes de son produit.
Il aboutit A  une équation explicative des ventes passées A , par exemple, 96 % (les 4 % restants représentent l'aléa non pris en compte par les modèles, dont il pourra calculer l'écart type, pour enserrer ses prévisions dans une fourchette).
Ces modèles, les plus utilisés sans doute dans la prévision des ventes parmi les modèles économétriques, s'avèrent d'une assez grande précision pour les prévisions A  court et mASme A  moyen terme. Il existe aujourd'hui de nombreux programmes d'ordinateur de corrélation multiple avec sélection progressive des variables explicatives utiles, qui permettent d'effectuer commodément la centaine d'essais conduisant A  la régression la plus performante.
2 / Les modèles de comportement vont plus loin que les modèles A  variables explicatives :
' D'une part, en introduisant, par une analyse approfondie des comportements, des variables explicatives qui ne seraient pas apparues autrement par l'essai mécanique d'un grand nombre de variables possibles.
Exemple souvent cité : Cherchant A  analyser la demande d'automobiles neuves aux Etats-Unis, on arriva ainsi A  prendre en compte le facteur prix1 : P = (PN X q) ' Po où : PN est le prix moyen des voitures neuves Po est le prix moyen des voitures d'occasion q est le taux minimum de paiement comptant P est la somme que le ménage doit payer comptant.
L'essai des variables PN, Po et q conduisait A  les rejeter lorsqu'elles étaient prises isolément, et seule leur intégration dans P s'avéra significative.
' D'autre part, en mettant en lumière le fait que des variables considérées a priori comme exogènes sont en fait endogènes, ou en d'autres termes sont non pas la cause mais l'effet des variations que l'on cherche A  expliquer. Le prix, par exemple, souvent considéré comme une variable explicative de la demande, peut parfois AStre conditionné par celle-ci : lorsque l'offre est rigide, les sociétés qui voient leurs ventes baisser peuvent AStre amenées A - casser- leurs prix sous forme de promotions momentanées ou de tarifs spéciaux destinés A  stimuler une demande insuffisante. Si c'est le cas fréquemment, des erreurs de prévision importantes peuvent AStre commises avec un modèle incluant le prix parmi les variables explicatives. La solution, alors, est de recourir A  des systèmes d'équation simultanées, où l'estimation correcte de l'équation de demande nécessite l'estimation de l'ensemble des équations1.
3 / Les biens d'équipement posent un problème particulier en raison des fortes fluctuations conjoncturelles de leurs ventes (notamment celles des biens d'équipement industriels). Le simple recueil des intentions d'achat ne permet pas toujours des prévisions fiables A  court terme. Plus efficaces s'avèrent des modèles économétriques tenant compte de facteurs conjoncturels généraux (revenus, liquidités, taux d'inflation, conditions de crédit, anticipations des revenus futurs) ou spécifiques au produit (prix relatif, parc, lancement de nouveaux modèles), ces variables devant AStre prévues ou estimées lorsque leur influence n'est pas décalée en amont par rapport au phénomène A  prévoir (les ventes). Ces modèles analysent en général séparément les ventes de premier équipement et les ventes de renouvellement. Les premières sont liées au revenu et A  des effets de diffusion. Les secondes sont plus aléatoires, et très liées au parc : structure par age et durée de vie de l'équipement antérieur. On en tient compte en élissant des courbes de survie, par marque, A  partir des ventes effectives pour une série d'années, et du parc des appareils survivants par année d'age.
Il faut aussi tenir compte du désir de renouvellement, qui influence la durée de vie de l'équipement : il est lié A  l'apparition de modèles nouveaux ou de techniques nouvelles, qui incitent soit A  l'attentisme (lorsque l'apparition est attendue, les acheteurs potentiels diffèrent le rachat et prolongent l'utilisation de l'équipement antérieur), soit au renouvellement plus rapide (une fois le nouveau modèle ou la nouvelle technique mise sur le marché, les équipements antérieurs sont obsolètes).
Enfin, il faut considérer que le vieillissement de l'équipement s'accomne souvent (surtout pour les équipements industriels tels que machines-outils, véhicules, etc.) d'une diminution de capacité (due, par exemple, A  de fréquentes immobilisations pour pannes) : le remplacement, dans ce cas, a pour but non seulement de combler les destructions, mais de redonner sa capacité de travail initiale au parc de matériel.
Pour conclure sur les méthodes externes et les modèles économétriques, leur emploi est fondé sur le postulat qu'une explication correcte de l'évolution d'un marché dans le passé grace A  une analyse soigneuse des variables explicatives peut s'appliquer au futur en faisant des hypothèses sur les valeurs futures de ces variables : postulat qui est souvent vérifié, mASme A  moyen terme, A  condition qu'il n'y ait pas de bouleversement profond dans la structure du marché. Plus satisfaisants intellectuellement que les modèles non explicatifs, leur avantage est de permettre souvent de prévoir les retournements de tendance. Leur application est cependant limitée par cinq considérations :
1. Ils ne sont guère utilisables pour des produits nouveaux (sauf exception) faute de données passées comme toutes les méthodes basées sur l'analyse du passé;
2. De nature plutôt quantitative, ils tiennent surtout compte des données quantifiables ;
3. Ils doivent AStre nourris de données sérieuses, or celles-ci ne sont souvent pas disponibles; leur recherche peut nécessiter des études coûteuses et prendre du temps, parfois mASme se révéler matériellement impossible;
4. La détermination des variables causales n'est en général ni évidente, ni immédiate, ce qui rend ces modèles moins faciles d'accès que les modèles non explicatifs;
5. Ils sont en outre plus lourds A  utiliser pour des prévisions répétitives, car alors il faut continuer A  les nourrir de données externes pas faciles A  obtenir.
Ces méthodes sont donc valables plutôt pour les problèmes ponctuels de prévision, jugés stratégiquement suffisamment importants pour justifier des investissements noles de temps et d'argent.

B. Méthodes tournées vers le futur

Nous abordons ici une toute autre conception de la prévision, qui, sans nier l'influence sur les ventes futures du passé, donne A  celui-ci moins de poids qu'A  des facteurs humains impondérables (volonté des décisionnaires, changement de ceux-ci, rupture dans l'équilibre sur lequel était basé le consensus d'un groupe) ou A  des modifications brusques dans l'environnement, de nature géo-politique (révolution, guerre) ou technologique (découvertes scientifiques, mise au point de nouveaux matériaux, etc.). Le prévisionniste considère ici que - la nature fait des sauts-, contrairement A  l'adage, et que mASme si ceux-ci sont contenus dans le passé, d'une certaine faA§on (par l'accumulation du potentiel qui conduira A  la rupture), ils n'ont en rien influencé les événements; ce qui rend leur survenance difficilement prévisible par les méthodes tournées vers le passé.
En outre, ces dernières ne sont pas bien adaptées aux nouveaux produits, pour lesquels on ne dispose guère de points de repère, d'autant moins qu'ils sont plus nouveaux : il faut donc trouver autre chose.
Enfin, alors que des méthodes tournées vers le passé impliquent une vision du monde logique, rationnelle et ordonnée, plutôt statique aussi, les méthodes tournées vers le futur acceptent l'irruption d'une certaine irrationalité humaine dans le déroulement des événements, elles font une place plus large A  la dynamique du changement et font davantage appel, de faA§on tout A  fait consciente, A  l'imagination, A  l'intuition et A  la créativité. Alors que les premières sont essentiellement quantitatives, les secondes marient les approches quantitative et qualitative. On pourrait dire que les premières sont plus - technocratique - et plus centralisatrices : le prévisionniste travaille pour l'essentiel - en bureau -, avec ses séries chronologiques, ses courbes et son ordinateur, loin des faits qu'il est censé prévoir et des hommes qui peuvent les influencer; les secondes sont plus humaines, plus décentralisées dans leur esprit, et plus proches du terrain : le prévisionniste essaye de se rapprocher au maximum des hommes qui sont en prise avec les événements A  prévoir, il les interroge et les associe autant qu'il le peut A  l'élaboration des prévisions.
Ces méthodes se sont multipliées depuis une quinzaine d'années. Nous n'en étudierons donc que quelques-unes, très connues ou caractéristiques, et les classerons suivant les interlocuteurs du prévisionniste en allant, pour l'objet qui nous concerne
' les ventes ', du plus proche au plus lointain : les vendeurs; les clients; les experts.
A ces trois catégories d'interlocuteurs correspondent des méthodes de prévision qui peuvent couir, en gros, le court et le très court terme pour les premiers; le court-moyen terme pour les seconds; le moyen-long terme pour les troisièmes.

a. Estimations par les représentants

On fait appel aux personnes de l'entreprise qui sont les plus proches du problème
posé : pour les ventes, ce sont les vendeurs, quotidiennement en contact avec le
marché, et donc le mieux A  mASme de sentir ses pulsations, d'anticiper ses réactions.
Deux objections sont souvent faites A  l'utilisation de cette source d'informations1 :
' d'une part, les vendeurs sont juge et partie dans la mesure où leur performance est presque toujours appréciée d'après leurs résultats, et où souvent leur rémunération est plus ou moins directement liée A  ceux-ci. Ils ont donc intérASt A  émettre des prévisions modérées, voire franchement pessimistes, de faA§on A  ne pas se voir fixer des objectifs trop difficiles A  atteindre, et que leur performance soit jugée d'après des normes aussi basses que possible;
' d'autre part, les vendeurs ne sont pas formés A  l'appréciation rigoureuse et objective des faits dans ce domaine; ils n'ont en outre qu'une vision très partielle des choses, limitée A  une clientèle restreinte ou A  un secteur. Leurs prévisions risquent donc d'AStre fonction de leur caractère optimiste ou pessimiste, de la nature particulière de leur clientèle et d'AStre au total très subjectives.
Pour limiter ces biais, il convient de prendre certaines précautions :
a / d'abord le problème des prévisions doit AStre très nettement séparé de celui des objectifs qui peuvent AStre fixés aux vendeurs, ou de la mesure de leurs performances.
Les prévisions qu'ils émettront deont AStre anonymes et codées : seul un numéro de code, connu d'eux et du prévisionniste ' mais non de leurs supérieurs hiérarchiques ' urera sur les feuilles de prévision;
b / avant d'adopter cette méthode, une session déformation des vendeurs est indispensable, pour leur en expliquer le fonctionnement et les sensibiliser A  l'importance de faire le travail qui leur est demandé aussi rigoureusement et objectivement que possible;
c / enfin, il est utile d'introduire une autorégulation dans le système. Cela peut AStre fait, d'une part, en tenant régulièrement au courant les vendeurs des écarts entre leurs prévisions et les réalisations : on produit ainsi un effet d'apprentissage, qui, surtout au début, fait décroitre progressivement ces écarts; d'autre part, en calculant pour chaque vendeur un coefficient d'ajustement, minorateur ou majo-rateur selon le cas, fondé sur la moyenne cumulée des écarts; ce coefficient doit AStre recalculé A  chaque période et appliqué aux prévisions nouvelles. On peut le corriger par un lissage exponentiel de faA§on A  donner plus de poids aux écarts récents. Ainsi, pour un vendeur de caractère prudent qui émet des prévisions inférieures en moyenne de 8 % aux réalisations, on appliquera un coefficient majorateur de 1,08 A  ses dernières prévisions; A  l'inverse, A  tel autre de caractère trop optimiste, c'est un coefficient minorateur qui s'appliquera.
Cette méthode de prévision des ventes peut s'appliquer aussi bien A  des produits de grande consommation qu'A  des biens professionnels. Dans les deux cas, il est nécessaire de bien organiser le processus et de limiter le travail des vendeurs, en ne leur demandant qu'un nombre restreint de prévisions et en se contentant de prévisions A  court et très court terme.
Exemple d'application de cette méthode : Chez un fabricant de biens d'équipement industriels la force de vente comprenait environ 40 ingénieurs tcchnico-commerciaux ; la durée moyenne des négociations était de neuf mois, entre le 1cr contact et la signature du contrat. On demanda aux itc de remplir tous les trois mois une feuille sur laquelle ils notaient :
' toutes les négociations qu'ils avaient en cours et l'enjeu (produit et ca) ;
' le délai dans lequel, A  leur avis, la négociation aboutirait (trois, six, neuf mois, plus de neuf mois) ;
' les chances, A  leur avis, d'aboutir A  la signature d'un contrat pour leur firme (20 %, 40%, 60%, 80%, 100%).
A partir de la 3e période, on appliqua des coefficients minorateurs et majorateurs aux prévisions, et les rrc reA§urent systématiquement une information en retour sur l'écart entre leurs prévisions et leurs réalisations, ce qui permit de réduire assez vite ces écarts. Au bout de deux ans, l'application de ce système ' par rapport A  un modèle mathématique classique utilisé précédemment '» permit de réduire de 40 % les erreurs de prévision A  court terme, donc de lancer des programmes de fabrication mieux adaptés et de diminuer les stocks de 7 % : les seuls gains financiers se montèrent A  plusieurs dizaines de milliers de francs par an. Il s'agissait, il est ai, d'un bien d'équipement pour lequel les ventes sont particulièrement aléatoires.

b. Estimations par les clients
Le prévisionniste, ici, sort de l'entreprise et s'adresse directement au marché ' aux clients actuels ou potentiels de l'entreprise ' pour élir ses prévisions de vente. L'interrogation se fait sous forme d'étude de marché : nombre de celles-ci et certainement la majorité des études de marché industrielles ont pour objectif au moins partiel d'alimenter des prévisions de vente. L'étude peut se faire en utilisant l'approche quantitative ' ou enquASte sur les intentions d'achat ' ou semi-qualitative, comme c'est le cas le plus fréquent pour les études de marché industrielles.
Enfin, les études peuvent servir A  alimenter un modèle de simulation du comportement du consommateur.
' Approche quantitative : enquASte sur les intentions d'achat
On sélectionne un échantillon représentatif de la clientèle potentielle du produit : par exemple, pour sa nouvelle R9, Renault sélectionnera un échantillon de 500 A  1 000 personnes déclarant avoir l'intention d'acheter une voiture de 6 A  7 ch dans les douze prochains mois (question-filtre). Puis ces personnes sont interrogées sur leurs critères d'achat, sur la marque et le modèle qu'elles pensent acheter et sur les raisons de ce choix.
Les enquAStes sur les intentions d'achat ont la réputation d'AStre d'une fiabilité douteuse, soit parce qu'il est difficile de constituer un échantillon réellement représentatif de la clientèle potentielle, soit parce qu'une fraction importante des gens change assez facilement d'avis jusqu'au dernier moment.
Certaines firmes, pourtant, utilisent systématiquement ce type d'études pour leurs prévisions; en conduisant une enquASte dans les mASmes conditions tous les six mois, par exemple, et en ant les prévisions qui en résultent aux réalisations, les biais peuvent AStre en partie corrigés et la marge d'erreur réduite. En outre, ces enquAStes leur servent A  ajuster leur politique de marketing, et notamment A  affiner leur argumentation publicitaire.
' Approche semi-qualitative : étude de marché industrielle
Cette approche est souvent utilisée pour les biens d'équipement industriels, pour mesurer le marché potentiel d'un nouveau produit ou d'une nouvelle technologie en cours de développement. La démarche habituelle est de sélectionner un échantillon des différentes catégories de clients potentiels du produit et aussi éventuellement de prescripteurs, sans chercher une représentativité rigoureuse.
Chez chaque - client -, les enquASteurs chercheront A  s'entretenir de faA§on approfondie avec plusieurs personnes (ingénieurs de la Direction technique, de la fabrication, des services commerciaux) sur les intentions d'achat du nouveau produit par la firme, A  court et moyen terme, mais aussi sur les intentions d'achat qu'ils prAStent A  leurs principaux concurrents et, plus largement, sur les perspectives du futur produit sur le marché. Les enquASteurs doivent confronter des estimations contradictoires, les réconcilier en critiquant minutieusement leurs sources et reconstituer une sorte de puzzle. L'approche est semi-qualitative (sans qu'il s'agisse cependant d'une vérile étude de motivation) car une large place est laissée A  l'interprétation des déclarations : il ne suffit pas du tout d'additionner et de traiter mathématiquement des séries de chiffres.
' Modèles de simulation du comportement du consommateur
Ces modèles, adaptés aux produits - grand public - A  achat répétitif", partent d'une combinaison d'informations existantes et d'études de marché pouvant aller jusqu'A  des marchés test (lancement du produit A  titre expérimental sur un marché restreint), et utilisent la simulation sur ordinateur pour la prévision des ventes, lors du lancement de nouveaux produits.
Un des premiers est le modèle Sprinter, développé par le Pr Urban du mit, aux Etats-Unis vers 1965. Ce modèle est fondé sur une certaine représentation du processus de diffusion de l'innovation parmi les consommateurs, supposés franchir une série d'étapes dans un ordre logique :

non-essai -> essai -> préférence -> fidélité.

En s'appuyant sur des données statistiques (répartition sociodémographique et géographique de la population, répartition des points de vente par circuit de distribution, etc.), les différents segments de consommateurs sont répartis, au début de chaque période, entre les quatre groupes, de - non-essai - A  - fidélité -. Puis l'ordinateur simule le comportement de chaque segment (A  partir de données d'enquASte et de statistiques sur les préférences, les besoins, les habitudes d'achat, l'exposition aux média) en fonction du - marketing-mix - choisi. A la fin de la période, il fournit pour chaque groupe la proportion de consommateurs qui ont effectué un achat du produit de la marque, et transfère éventuellement ces acheteurs dans le groupe suivant. On obtient ainsi des prévisions de vente détaillées en fonction de la politique de marketing adoptée.
Un autre modèle américain plus ambitieux encore, celui d'Amstutz2, permet de faire intervenir une - population - variée de consommateurs individuels (et non plus seulement de segments), de détaillants, de vendeurs, d'annonces publicitaires, etc., et de reproduire les mécanismes par lesquels ces éléments se combinent pour donner naissance aux ventes, en s'appuyant éventuellement sur un marché test. Un des avantages de ce modèle est qu'il permet la prévision des ventes non seulement du nouveau produit lancé par la firme qui l'utilise, mais aussi des produits concurrents; on peut donc tester l'impact de ce lancement sur les autres produits de la gamme et sur les marques concurrentes, en fonction de la politique de marketing choisie (prix, circuits de distribution, etc.). L'inconvénient du modèle est sa grande complexité d'une part, due au nombre élevé de variables utilisées, et d'autre part la quantité d'informations qui sont nécessaires. Il faut donc, avant mASme de le faire tourner, réaliser un grand nombre d'enquAStes précises et coûteuses, puis consentir encore des dépenses importantes pour son fonctionnement. On peut se demander, A  ce point, si l'amélioration des prévisions est suffisante pour justifier l'investissement requis : mais la question ne se pose pas que pour ce modèle.
Un troisième type de modèle ' également d'origine américaine ' a vu le jour ces dernières années; il s'agit des modèles de mesure conjointe, dits modèles Trait off1, fondés sur l'analyse des critères de choix des consommateurs. Chacun désire un certain nombre de caractéristiques, pour un produit donné (le - mix - des - désirs -, pondérés par leur intensité variant suivant les consommateurs), et il doit opérer un choix entre plusieurs options imparfaites : aucun produit ne possédant toutes les caractéristiques désirables, la décision finale résultera d'un compromis. Ce type de modèle, opérant comme celui d'Amstutz sur un fichier de consommateurs individuels mais moins complexe d'emploi, est actuellement au point.

' Tests et marchés tests

Une autre méthode de prévision des ventes A  partir des réactions des clients
' du marché ' est la méthode expérimentale : on teste les réactions des clients potentiels A  diverses actions de marketing envisageables par l'entreprise (modification du produit ou de l'emballage, choix de la marque, action sur le prix, action publicitaire ou promotionnelle, etc.) et on déduit des prévisions des résultats de ces tests.
L'interprétation des résultats et le passage des résultats A  la prévision nécessitent toujours une certaine part d'intuition de la part du chef de produit, dans la mesure où les tests ne peuvent presque jamais AStre faits dans des conditions réellement semblables A  celles du marché; il est donc impossible d'extrapoler directement leurs résultats. Remarquons la différence avec les méthodes passéistes exogènes, pour ce qui concerne le traitement des actions spéciales de marketing : lA , on se contentait d'analyser les résultats d'actions plus ou moins similaires dans le passé; ici, on teste de faA§on réaliste l'action envisagée, et la prévision a des chances d'AStre ainsi plus proche de la réalisation.
On peut aller plus loin dans l'expérimentation, en organisant un marché test dans lequel l'action de marketing envisagée ou le lancement de nouveau produit se feront A  une échelle réduite : par exemple, auprès d'une fraction de la clientèle potentielle ou sur une zone géographique restreinte. Il est indispensable que les conditions dans lesquelles se déroule l'action sur le marché témoin, et celles dans lesquelles elle se déroulera lors du lancement national, soient aussi semblables que possible. A cette condition, cette méthode, quoique d'un coût élevé, permet d'effectuer des prévisions d'une grande fiabilité, A  un an ou mASme dix-huit mois.
Notons, pour conclure sur les études de marché, que les enquAStes font aussi partie de la panoplie du prévisionniste dans les méthodes - externes - basées sur l'analyse du passé; nous avons vu que les modèles économétriques s'appuyaient sur des données exogènes considérées comme variables explicatives dont certaines sont collectées par des enquAStes ad hoc : dépenses des ménages pour le produit dont on veut prévoir les ventes (courbes d'Engel), étude des comportements, études socio-économiques. Les études, dans ce cas, sont tournées vers l'observation de l'état des choses existant et sont essentiellement descriptives; alors qu'ici, elles interrogent directement sur le futur, faisant des répondants des acteurs de la prévision, et ne se contentent pas seulement d'observer.

c. Estimations par un panel d'experts : la méthode de Delphes
Cette méthode, mise au point au début des années 60 dans la Rand Corporation par Olaf Helmer, Norman C. Dalkey et Théodore J. Gordon, a été nommée ainsi en référence A  l'oracle de la Pythie de Delphes dans la Grèce antique.
DéjA  employée plusieurs milliers de fois dans le monde, surtout aux Etats-Unis, la méthode est utilisable principalement pour la prévision A  moyen et long terme, notamment pour la prévision technologique1 : plus on s'éloigne dans le futur, moins le prévisionniste peut se raccrocher A  des connaissances - solides - et A  des faits, et plus il doit faire appel A  des jugements et A  des estimations. La méthode de Delphes est une formalisation rigoureuse d'un processus de groupe ' partant du principe que les jugements de plusieurs personnes se confrontant les uns aux autres sont plus fiables que celui d'une seule ' s'appuyant sur des experts : ceux-ci étant a priori mieux informés, leurs opinions ont plus de valeur que celles de personnes mASme concernées, prises au hasard. Ce dernier point a pu AStre vérifié expérimentalement, ce qui a conduit A  utiliser la méthode non seulement pour des prévisions, mais aussi pour la prise de décisions de marketing stratégiquement importantes2; les deux peuvent AStre ramenés A  des situations de prise de décision dans l'incertitude, pour lesquelles la méthode de Delphes, lorsqu'elle peut AStre appliquée, donne de bons résultats, grace aux caractéristiques suivantes :
' anonymat des experts qui permet de réduire les effets de domination ou de chapelle et les viscosités psychologiques (tendance A  ne pas modifier une opinion publiquement exprimée pour ne pas perdre la face) ;
' mesures répétées (on procède généralement A  quatre consultations successives des experts) avec information en retour, ce qui permet de diminuer l'intervalle entre les réponses extrASmes et de les resserrer autour du centre : après le Ier questionnaire, les deux quartiles - extrASmes - doivent justifier leur opinion (justifications qui sont communiquées A  tout le groupe), A  moins de se ranger A  l'avis de la - majorité -, c'est-A -dire les deux quartiles autour de la moyenne; ce qui entraine un Ier resserrement autour du centre au 2e tour. Puis, au 3e tour, les - extrémistes - impénitents peuvent répondre aux arguments opposés. On assiste A  un resserrement de l'espace interquartile. Au 4e tour, on assiste en général A  une cristallisation des positions, avec seulement parfois un affinement des arguments.
La méthode de Delphes peut varier1 assez considérablement dans ses modalités. Certaines variantes ont pour but d'accélérer le processus : les experts sont réunis pour une session de trois ou quatre jours, munis de toute la documentation souhaile et de terminaux d'ordinateur sur lesquels ils enregistrent leurs prévisions, qui restent anonymes, ainsi que les arguments échangés par écrit.
Au total, la méthode est particulièrement bien adaptée A  la prévision A  long terme et A  la prévision complexe, de type technologique. Son principal inconvénient est la lourdeur de sa mise en œue, son coût élevé et la longue durée du processus.
D'une faA§on générale, les méthodes de prévision tournées vers l'avenir compensent leur moindre rigueur apparente par un côté qui les rend attrayantes par rapport aux méthodes quantitatives de traitement de séries chronologiques : plus décentralisées par nature, les prévisions sont faites en collaboration avec des personnes qui contribuent A  modeler cet avenir. En cela, l'opposition classique entre prévisions et objectifs (les premières passives vis-A -vis des événements A  prévoir, les seconds plus volontaristes) s'atténue : la distance entre un objectif et une prévision émise par des acteurs du jeu économique (conscients des nécessités de l'entreprise et des contraintes de l'environnement) est moindre, et le passage de l'une A  l'autre se fait aisément. Ce qui différencie les méthodes les unes des autres, dans cette approche, c'est le choix des acteurs; c'est aussi leur zone d'applicabilité, que l'on pourrait faire urer sur un continuum : des prévisions courantes, répétitives et A  court - très court terme (prévisions par les représentants) A  des prévisions exceptionnelles, complexes et A  moyen - long terme, concernant des choix stratégiques de l'entreprise (méthode de Delphes), les études de marché et les simulations se situant entre les deux.

Conclusion

Il est temps de se demander comment les besoins de l'entreprise peuvent AStre satisfaits au mieux par les différentes méthodes que nous avons passées en revue.
' A très court terme ( i A  6 mois), pour les programmes de fabrication et certains approvisionnements, les systèmes - automatiques - sur ordinateur conviennent le mieux, en raison de leur rapidité et de leur capacité d'émettre un très grand nombre de prévisions de faA§on répétitive, pour des gammes importantes de produits avec leurs différentes variantes. Les méthodes - internes - fondées sur l'analyse d'une série chronologique des ventes passées sont bien adaptées A  ce besoin car elles ne demandent, comme informations au fur et A  mesure pour - nourrir - le système, que les données mensuelles de vente. Leur caractère autocorrectif leur permet de rattraper leurs erreurs; il est facile ' et payant ' de leur incorporer au moins une donnée exogène, en les alimentant en informations sur les actions spéciales de marketing pour le passé (celles de l'entreprise et de ses concurrents) et pour le futur (celles prévues dans l'entreprise, au moins pour les produits de grande consommation).
Meilleurs encore, mais plus coûteux, sont les tests destinés A  mesurer l'impact d'une action de marketing prévue. Pour les biens intermédiaires, un modèle peut AStre construit sur les estimations par les représentants. Dans le cas des nouveaux produits, pour lesquels on ne dispose pas de séries chronologiques, les modèles de simulation paraissent les plus performants, malgré leur coût élevé; lorsque l'enjeu ne justifie pas leur utilisation, les estimations par les représentants valent mieux que des prévisions internes qui sont souvent des objectifs dépourvus de base méthodique.
' A court terme (6 mois A  18 mois), des prévisions sont nécessaires pour les nings d'achat (destinés aux fournisseurs), pour les s de marketing, pour les s de trésorerie, pour les objectifs des représentants. Les prévisions sont ici plus globales, donc moins nombreuses et moins fréquentes : on peut se contenter de les revoir tous les trois mois, par exemple. Les modèles - externes - A  variables exogènes sont ici bien adaptés : indice précurseur (lorsqu'il en existe), modèles économétriques A  corrélation et régression multiple. Des modèles autocorrectifs fondés sur les estimations des représentants peuvent aussi donner de bons résultats. Dans le cas de nouveaux produits, des enquAStes auprès de la clientèle sur les intentions d'achat, la méthode analogique lorsqu'elle est possible, les modèles de simulation (lorsque l'enjeu justifie leur emploi) et surtout les marchés tests sont A  recommander.
' A moyen terme (18 mois A  3-4 ans), les besoins en prévisions concernent surtout les s de marketing et les programmes d'investissement. Le choix des méthodes se restreint ici, car l'incertitude grandit avec l'éloignement dans le temps : seules les études de marché et, dans certains cas, les méthodes économétriques corrigées par des études psychosociologiques peuvent AStre utilisées avec une certaine fiabilité pour des prévisions très globales. Les projections, pourtant d'un usage courant, se révèlent AStre d'une valeur prédictive très incertaine.
' A long terme (au-delA  de 4 ans), pour les s de développement et les choix stratégiques (notamment les choix technologiques), la méthode de Delphes ou d'autres méthodes de mASme nature sont les seules pouvant actuellement AStre envisagées.
Nous avons cherché, dans cette présentation rapide des différentes méthodes de prévision des ventes, A  opposer, de faA§on peu orthodoxe, deux approches :
L'une, la plus usuelle, qui consiste A  analyser le passé et A  en dériver l'avenir. Dans ses postulats et sa méthode, cette approche est très consonante avec une conception du management largement partagée encore dans les entreprises franA§aises, - l'optique production-; conception rationalisante, rigide et introvertie, qui s'oppose A  - l'optique marketing -, adaptative et extrovertie. Avec cette dernière, l'approche de la prévision tournée vers le futur a plus d'affinités; elle est aussi moins usuelle, pas toujours prise très au sérieux par les responsables d'entreprise, et rarement mentionnée dans les ouages sur la prévision des ventes. En pleine évolution, elle est pourtant riche et féconde, et mérite A  notre avis d'AStre prise en considération. Les deux approches montrent, en fait, deux facettes différentes de la vérité que l'on recherche, et c'est en définitive vers une synthèse des deux approches que l'on deait s'orienter.