# Prévision de la demande : comment estimer le travail des prochaines semaines ?

> La prévision de la demande pour une PME de services : prévision ou prédiction, méthodes simples, calcul de haute saison et erreurs qui faussent le chiffre.

Mis à jour le 15 octobre 2026 · https://app.pilotiko.com/glossaire/prevision-de-la-demande

La prévision de la demande est l'estimation chiffrée du volume de travail que les clients demanderont pendant une période future, comme une semaine ou une saison. Elle projette les données passées et tient compte de facteurs connus, comme le calendrier ou la météo, pour planifier le personnel, le matériel et les achats avant l'arrivée des demandes.

## En bref
- Pour l'OQLF, la prévision projette le passé de façon objective ; la prédiction est une évaluation intuitive.
- Une demande est plus prévisible quand on comprend ses causes, qu'on a des données et que l'avenir ressemble au passé.
- La méthode saisonnière naïve reprend la valeur de la même période l'an dernier : c'est un bon point de départ.
- Chez Pilotiko, la prévision de la demande de services est prévue, pas encore offerte.

## Prévision ou prédiction : quelle est la différence ?

Le Grand dictionnaire terminologique, dans le domaine de la planification et du contrôle de la production, définit la **prédiction** comme une évaluation intuitive de la demande, compte tenu des tendances et des changements susceptibles d'influencer le marché. La fiche précise qu'elle s'oppose à la **prévision** (forecast en anglais), qui se fonde sur une projection objective du passé dans le futur [1].

La nuance est utile en affaires. « Je sens que l'été sera occupé » est une prédiction. « En mai dernier, nous avons fait 64 ouvertures ; avec nos contrats signés, nous en attendons 68 » est une prévision. Les deux ont leur place, mais seule la seconde se vérifie après coup.

## Qu'est-ce qui rend une demande plus ou moins prévisible ?

Le manuel en libre accès Forecasting: Principles and Practice, de Rob J. Hyndman et George Athanasopoulos, rappelle que la prévision sert autant à décider d'une centrale électrique pour les cinq prochaines années qu'à établir l'horaire du personnel d'un centre d'appels la semaine suivante. Il retient quatre facteurs de prévisibilité : à quel point on comprend ce qui influence la quantité, combien de données sont disponibles, à quel point l'avenir ressemble au passé, et si la prévision elle-même peut modifier ce qu'on cherche à prévoir [2].

Pour une PME de services, cela se traduit simplement. Une entreprise de déneigement comprend bien sa cause principale (la neige), mais l'avenir ressemble mal au passé d'un hiver à l'autre. Une clinique de physiothérapie avec une clientèle stable a des données régulières et une demande qui change peu d'une semaine à l'autre : elle est plus facile à prévoir.

## Quelles méthodes simples une PME peut-elle utiliser ?

Le même manuel présente des méthodes de base qui servent de points de comparaison et qui sont parfois étonnamment efficaces [3]. Une PME peut commencer par elles avant d'envisager un modèle statistique.

| Méthode | Principe | Quand l'utiliser |
|---|---|---|
| Moyenne | Toutes les prévisions égalent la moyenne des données passées | Demande stable, sans tendance ni saison |
| Naïve | La prévision égale la dernière valeur observée | Demande qui évolue lentement, à court terme |
| Saisonnière naïve | La prévision égale la valeur de la même saison l'an dernier (ex. : février dernier pour février) | Demande très saisonnière : piscines, déneigement, climatisation |
| Jugement (prédiction) | Avis de l'équipe sur les changements à venir | Nouvelle offre, nouveau territoire, peu d'historique |

Les trois premières méthodes sont décrites à la section 5.2 du manuel ; la dernière ligne reprend la notion de prédiction de l'OQLF.

## À quoi ressemble une prévision de haute saison, en chiffres ?

**Exemple : une entreprise d'entretien de piscines fictive à Gatineau**

Piscines Outaouais Plus (nom fictif) veut prévoir les ouvertures de piscines des trois premières semaines de mai. Elle part de la méthode saisonnière naïve, puis ajuste avec ce qu'elle sait déjà : les clients qui ont annulé leur contrat et les nouveaux contrats signés.

Chaque ouverture demande 2,5 heures. Deux employés à 40 heures par semaine sont disponibles, mais 110 heures sont déjà réservées à l'entretien hebdomadaire des piscines ouvertes.

- Ouvertures pendant la même période l'an dernier : 64
- − clients qui n'ont pas renouvelé : − 5
- + nouveaux contrats déjà signés : + 9
- Ouvertures prévues : 68
- Heures nécessaires (68 × 2,5 h) : 170 h
- Heures libres (2 × 40 h × 3 semaines − 110 h) : 130 h
- Heures manquantes : 40 h
- **= La prévision signale dès mars un manque d'environ 40 heures, ce qui laisse le temps d'embaucher une personne saisonnière ou d'étaler les ouvertures sur une quatrième semaine.**

## Comment savoir si une prévision était bonne ?

Notez la prévision avant la période, puis comparez-la au réel. Si l'entreprise de l'exemple réalise finalement 61 ouvertures, l'erreur est de 7 ouvertures, soit environ 10 % de la prévision (7 ÷ 68). Suivez cette erreur saison après saison dans votre [tableau de bord](https://app.pilotiko.com/glossaire/tableau-de-bord) : si elle penche toujours du même côté, votre méthode a un biais à corriger.

Une prévision n'a pas à être parfaite pour être utile. Elle doit surtout être assez juste pour prendre la bonne décision : embaucher, louer un véhicule, commander des produits ou refuser un contrat.

## Quelles erreurs éviter dans la prévision de la demande ?

- Confondre ventes passées et demande réelle : les demandes refusées faute de personnel n'apparaissent pas dans les ventes.
- Prévoir un seul chiffre pour l'année au lieu de semaines ou de mois, ce qui cache les pointes.
- Ignorer les événements connus : congés fériés, semaine de relâche, début de la saison de déneigement.
- Ne jamais comparer la prévision au réel, ce qui empêche d'apprendre.
- Présenter une prédiction intuitive comme une prévision chiffrée lors d'une décision d'embauche.

## Pilotiko prévoit-il la demande de services ?

Ce qui est disponible : les [rapports internes](https://app.pilotiko.com/produit/rapports) sur les rendez-vous, les revenus et la charge par personne. Ils fournissent l'historique dont une prévision a besoin, mais le calcul de la demande future reste à faire par vous, par exemple avec la méthode saisonnière naïve décrite plus haut.

> Bientôt. La prévision de la demande de services n'est pas encore construite dans Pilotiko. Seule une prévision d'inventaire (les stocks de produits) existe aujourd'hui.

## Questions fréquentes

### Quelle est la méthode de prévision la plus simple ?

La méthode naïve : prévoir que la prochaine période sera égale à la dernière. Pour une activité saisonnière, la version saisonnière naïve reprend plutôt la même période de l'an dernier. Ces méthodes servent souvent de point de comparaison pour juger les méthodes plus complexes.

### Combien d'historique faut-il pour prévoir la demande ?

Pour une demande saisonnière, il faut au moins une année complète, et idéalement plusieurs, afin de voir le même mois se répéter. Pour une prévision de la semaine prochaine dans une activité stable, quelques mois de données hebdomadaires peuvent suffire. Plus l'historique est long, plus on repère les années exceptionnelles.

### La météo peut-elle entrer dans une prévision ?

Oui, quand elle influence clairement la demande, comme pour le déneigement, la climatisation ou l'entretien de piscines. Le manuel de Hyndman et Athanasopoulos donne l'exemple de la demande d'électricité, fortement liée aux températures. Le défi est qu'il faut alors prévoir aussi la météo, ce qui reste incertain au-delà de quelques jours.

### À quoi sert la prévision de la demande dans une PME de services ?

Elle sert surtout à ajuster la [planification de la main-d'œuvre](https://app.pilotiko.com/glossaire/planification-main-oeuvre) et l'achat de matériel avant la pointe. Elle aide aussi à décider quand accepter de nouveaux contrats et quand prendre des vacances. Sans elle, on découvre le manque de personnel quand les clients attendent déjà.

### L'intelligence artificielle prévoit-elle mieux la demande ?

Pas automatiquement. Un modèle complexe n'est utile que s'il fait mieux que les méthodes simples sur vos propres données, mesuré après coup. Pour une petite entreprise avec peu d'historique, une méthode simple bien suivie est souvent un meilleur départ.

## Sources

1. Office québécois de la langue française, Grand dictionnaire terminologique, « prédiction », https://vitrinelinguistique.oqlf.gouv.qc.ca/fiche-gdt/fiche/8381733/prediction (consulté le 2026-10-15)
2. Rob J. Hyndman et George Athanasopoulos, OTexts, « Forecasting: Principles and Practice (3e éd.), chapitre 1 : What can be forecast? », https://otexts.com/fpp3/what-can-be-forecast.html (consulté le 2026-10-15)
3. Rob J. Hyndman et George Athanasopoulos, OTexts, « Forecasting: Principles and Practice (3e éd.), section 5.2 : Some simple forecasting methods », https://otexts.com/fpp3/simple-methods.html (consulté le 2026-10-15)
