Les modèles de prévision quantitative sont des modèles mathématiques basés sur des données historiques. Ces modèles supposent que les données historiques sont pertinentes à l’avenir. Des informations pertinentes à cet égard peuvent presque toujours être obtenues. Ici, nous discuterons de divers modèles quantitatifs, de l’exactitude des prévisions, des prévisions à long terme et des prévisions à court terme.

Modèles de prévision quantitatifs:

1.- Régression linéaire. Modèle qui utilise la méthode des moindres carrés pour identifier la relation entre une variable dépendante et une ou plusieurs variables indépendantes, présente dans un ensemble d’observations historiques. En régression simple, il n’y a qu’une seule variable indépendante; dans la régression multiple, il y a plus d’une variable indépendante, par exemple, une prévision des ventes, c’est les ventes. Un modèle de régression ne doit pas nécessairement être basé sur une série chronologique, car dans ces cas, la connaissance des valeurs futures de la variable indépendante (également appelée variable causale) est utilisée pour prédire les valeurs futures de la variable dépendante. La régression linéaire est généralement utilisée dans les prévisions à long terme.

2.- Moyennes mobiles: modèles de prévision du type de séries chronologiques à court terme qui prévoient les ventes pour la prochaine période. Dans ce modèle, la prévision arithmétique des ventes réelles pour un certain nombre des périodes passées les plus récentes est la prévision pour la période suivante.

3.- Moyenne mobile pondérée: modèle similaire au modèle de moyenne mobile décrit ci-dessus, sauf que la prévision pour la période suivante est une moyenne pondérée des ventes passées, au lieu de la moyenne arithmétique.

4.- Lissage exponentiel: également un modèle de prévision de séries chronologiques à court terme qui prévoit les ventes pour la prochaine période. Dans cette méthode, les prévisions de ventes pour la dernière période sont modifiées en utilisant les informations correspondant à l’erreur de prévision pour la dernière période. Cette modification des prévisions pour la dernière période est utilisée comme prévision pour la période suivante.

5.- Lissage exponentiel avec maintien. Le modèle de lissage exponentiel décrit ci-dessus, mais modifié pour prendre en compte les données avec un modèle de tendance. Ces tendances peuvent être présentes dans les données à moyen terme. Également connu sous le nom de lissage exponentiel double, l’estimation moyenne et l’estimation de tendance sont lissées à l’aide de deux constantes de lissage.