Saisonnalité des Prévisions des Ventes : Tutoriel Excel Complet

Dans cet article, nous aborderons la saisonnalité dans les prévisions à travers un tutoriel complet incluant de nombreux exemples concrets sur Excel.

Je vous montre comment intégrer des éléments saisonniers dans vos prévisions statistiques, et ainsi limiter les effets négatifs sur vos stocks, vos finances, et vos coûts.

Télécharger l’Excel

Pourquoi la saisonnalité est essentielle dans vos prévisions ?

La saisonnalité permet d’allouer les bonnes ressources au bon moment : stock, argent, effectifs, énergie, efforts de communication, ainsi que votre temps.

Bien anticiper les variations des cycles saisonniers permet de mobiliser les bons effectifs, de mieux communiquer et d’éviter les ruptures ou les périodes de stress liées à une mauvaise préparation et ainsi d’ optimiser l’affectation des stocks, que ce soit au niveau mondial ou très local, dans les entrepôts, les usines ou les magasins.

Dans ce tutoriel, je vous partagerai de nombreux exemples concrets pour intégrer la saisonnalité à vos prévisions et gagner en efficacité et en sérénité.

Anticiper les pics de vente

Dans cet exemple, on constate un pic de vente :

S’il est mal anticipé, sans communication adaptée ni ressources correctement allouées — stock, personnel, logistique — il peut rapidement entraîner des ruptures, des urgences à gérer, et beaucoup de stress. D’où l’importance de repérer les cycles saisonniers et de les intégrer dans vos prévisions.

L’objectif est simple : repérer les cycles saisonniers et les intégrer dans vos prévisions et votre supply chain.

Cela permet de mieux anticiper, mieux s’organiser et, surtout, de gagner en sérénité au quotidien.

Exemple : Les recherches de tentes

Les recherches de tentes aux États-Unis suivent un cycle très marqué : elles explosent au printemps, juste avant les vacances.
Ayant travaillé plusieurs années chez Décathlon, je connais bien ce type de saisonnalité, notamment sur les ventes de tentes, qui illustrent parfaitement l’importance d’anticiper ces pics.

Les différents facteurs saisonniers

• La météo
  Le climat a un impact direct sur les comportements d’achat. Par exemple, les ventes de tentes augmentent fortement au printemps, avec le retour des beaux jours.

• Les vacances
  Les périodes de congés déclenchent des pics de consommation spécifiques (équipements de loisirs, voyages, alimentation, etc.). Aux États-Unis, les recherches de tentes explosent avant les départs en vacances.

• Les événements périodiques
  Les grands événements comme la Coupe du Monde créent des pics de demande sur certains produits (maillots, TV, snacks, etc.).

• Les événements culturels
  Des dates comme la Saint-Valentin influencent fortement la vente de certains produits comme les diamants, les chocolats ou les fleurs.

• Les facteurs économiques
  L’état de l’économie — à court terme comme à long terme — joue sur la demande. Par exemple, une crise peut freiner la consommation globale, tandis qu’une reprise peut booster certaines catégories.

• Le planning
  L’organisation interne influence aussi les cycles : une usine fermée le dimanche va devoir ajuster sa production sur les autres jours, ce qui impacte les volumes à produire semaine après semaine (il s’agit ici d’un facteur saisonnier de capacité, plutôt que de demande)

L’exemple de la coupe du monde : anticiper les grands cycles exceptionnels

Certains événements, comme la Coupe du Monde, créent des pics de ventes très marqués. Lorsque je travaillais chez Decathlon, nous observions une forte hausse des ventes de ballons de foot tous les quatre ans — avec une exception récente due à la pandémie, qui a décalé le cycle à cinq ans. Ce type d’événement, bien que prévisible, nécessite une vraie anticipation pour adapter les stocks et les ressources en amont. Ne pas le faire peut entraîner des ruptures et des opportunités manquées.

L’exemple d’Amazon : une croissance rythmée par la saisonnalité

En analysant les ventes trimestrielles d’Amazon, on observe une progression globale, mais marquée par une forte cyclicité. Chaque quatrième trimestre enregistre un pic, notamment lié à Noël, ainsi qu’à de grandes opérations commerciales comme le Prime Day.

Je détaille cette analyse des ventes d’Amazon dans mon article sur les prévisions avec ChatGPT.

Ce second exemple montre bien que même dans une croissance continue, les effets saisonniers restent très présents et doivent être pris en compte dans les prévisions :

Les différentes temporalités possibles :

Il existe une grande variété de cycles temporels selon les besoins spécifiques des secteurs d’activité, allant de l’année à la seconde.

• Année : Prévisions financières à long terme.
• Mois : Prévisions de vente, à une échelle plus courte que l’année.
• Semaine : Planification d’une équipe, souvent avec des tâches définies par semaine.
• Jour : Planification de la production, avec une organisation quotidienne.
• Heure : Picking en entrepôt, optimisé à l’échelle horaire.
• Minute : Suivi des performances d’un fournisseur d’énergie, avec une granularité à la minute.
• Seconde : Suivi dans le domaine du trading boursier, où chaque seconde peut avoir une grande importance.

• Les cycles de consommation peuvent être analysés sur différentes périodes : mensuelle, journalière, et même horaire.
• Exemple : La consommation d’énergie augmente lorsqu’il fait froid et varie au cours de la journée.
• Un pic de consommation est observé en fin de journée, suivi d’une diminution nocturne et une nouvelle montée lors du petit déjeuner.

Objectif de la saisonnalité dans la prévision :

Une bonne estimation de la saisonnalité permet d’avoir des prévisions plus fiables, c’est à dire augmenter votre KPI de précision des prévisions.

Au final, des prévisions plus fiables vous permet d’allouer les bonnes ressources au bon moment, et de gagner en temps, argent, sérénité etc.

La saisonnalité pour les prévisions statistiques

La saisonnalité est des 3 pilliers essentiels pour faire une prévision statistique simple :

1. Rythme de vente
2. Tendance
3. Saisonnalité

Dans cette partie, je vais vous expliquer comment implémenter la saisonnalité dans vos prévisions et vous dévoiler une formule sur Excel qui vous permettra de détecter automatiquement les cycles de saisonnalité.

Je vous invite à télécharger le fichier Excel pour pratiquer ensemble sur deux exemples concrets : les ventes d’Amazon et celles de vélos. Nous commencerons par étudier les saisonnalités par trimestre, puis passerons aux saisonnalités mensuelles, avec quelques conseils pratiques.

Télécharger l’Excel

Implémenter la saisonnalité : exemple avec Amazon

Dans cet exemple, nous analysons les ventes d’Amazon en utilisant une base de données déjà explorée dans un article précédent sur les prévisions avec ChatGPT.

L’objectif principal est de déterminer s’il existe une saisonnalité dans ces ventes.

Calcul de la saisonnalité par trimestre

Nous commençons par examiner les données à travers des graphiques, que nous pouvons créer à différents niveaux : global, par catégorie de produit, ou encore à une échelle plus détaillée. Bien que certaines catégories de produits ne montrent pas de cycles réguliers, nous constatons qu’à l’échelle globale, les ventes d’Amazon suivent un cycle qui se répète.

Cela suggère clairement la présence d’une saisonnalité mais nous devons le vérifier par le calcul, à l’aide notamment de la formule Excel PREVISION.ETS.CARACTERESAISONNIER. Cette fonction permet d’analyser les cycles répétitifs dans une série temporelle :

• Dans la cellule I10 pour cet exemple, on inscrit la formule PREVISION.ETS.CARACTERESAISONNIER
• On selectionne la colonne F incluant les revenus (ici Table2[Revenue M$] car il s’agit de la colonne d’un tableau) pour le premier paramètre
• Le second paramètre est la colonne A (Table2[ID]) qui contient simplement les valeurs 1,2,3…jusqu’à la fin du tableau

La formule retourne 4. Nouveau donc un cycle toutes les 4 périodes. Vu que nous avons des données trimestrielles, il s’agit donc d’un cycle annuel.

Cette approche est particulièrement utile si vous n’êtes pas sûr de la saisonnalité présente dans vos données.

Pour la suite de cet exemple nous allons déterminer le poids moyen de chaque trimestre en pourcentage, et en déduire une prévision du chiffre d’affaire.

Pour cela on va utiliser un tableau croisé dynamique (TCD) :

• Cliquer sur insertion : tableau croisé dynamique
• Sélectionner : Feuille de Calcul existante et se positionner par exemple en T4
• Cocher : Quarter et Revenue M$

On obtient dès lors les revenus sous forme de somme totale pour chaque trimestre.

Toutefois, nous voulons calculer la moyenne des revenus.

Pour cela, il suffit de :

• Cliquer sur « Somme de Revenue M$ »
• Selectionner paramètres de champs de valeur afin d’afficher la moyenne à la place de la somme.

Une fois sélectionnée, vous pouvez mettre cette information en valeur pour une meilleure lisibilité.

A partir de ces résultats, on va déterminer le poids de chaque trimestre, on va dès lors se positionner dans une cellule vide :

• Diviser la référence de la cellule du TCD correspondant à la moyenne de Q1, par celle de la somme totale en la bloquant avec le symbole
  $ (dans mon cas cela donne = U5/$U9)
• On passe le résultat en format %
• On vient ensuite étirer la formule

On retrouve ici ce que j’appelle une base 100, un concept qui peut aussi être nommé “coefficient de saisonnalité” ou « normalisation par rapport à la moyenne annuelle ».

On exprime les valeurs par rapport à une base commune (la moyenne annuelle = 100 %).

Ce que l’on observe clairement, c’est que le quatrième trimestre Q4 pèse en moyenne davantage que le deuxième Q2, qui est généralement plus calme, avec un poids de 88 %.

Il s’agit de moyennes calculées de 2009 à 2023. Pour être plus précis, on enlève l’année en cours (ici 2023) car elle n’est pas complète et biaise donc très légèrement les données.

Pour ce faire, on va venir filtrer et décocher 2023 :

Calcul de la prévision des ventes par trimestre

A partir de ces éléments on va pouvoir établir une prévision des ventes.

Reprenons notre exemple et réalisons la manipulation suivante :

• Insertion > Tableau croisé dynamique à partir d’un tableau ou d’une plage
• On va par exemple l’insérer en T13

• Cette fois-ci on sélectionne les années, et la somme des revenus

On retrouve donc le chiffre d’affaires d’Amazon, qui se compte en milliards de dollars.

L’année précédente (2022) les revenus étaient de 513 milliards de dollars. Imaginons maintenant que le CEO d’Amazon annonce un objectif de 600 milliards de dollars de revenus pour l’année suivante. La question devient alors : comment répartir cette prévision par trimestre ?

On peut donc par exemple procéder ainsi :

• En W13 par exemple, on note 2023
• en X13 on note : 600 000 selon les indications du CEO d’Amazon.
• de W14 à W17 on insère les Q1, Q2,Q3 et Q4
• Dans X14 on va noter :  » = $X$13*V5″ (l’objectif annuel multiplié par le coefficient base 100) et on va étirer la formule
• On formate ensuite en dollars

Puis on va retourner en X14 et diviser par 4 soit (pour passer d’un objectif annuel à un objectif trimestriel) : « =$X$13*V5/4 »

La prédiction de revenus prévoit 129 milliards de dollars au premier trimestre, contre 188 milliards au dernier. Cela reflète une répartition du chiffre d’affaires basée sur la saisonnalité des ventes, avec une concentration plus forte en fin d’année.

Exemple avec les ventes de vélos aux USA

Calcul de la prévision des ventes par mois

On applique maintenant le même principe, mais à une analyse mensuelle.

Prenons l’exemple des ventes de vélos aux États-Unis : on y observe un pic exceptionnel durant la pandémie, ce qu’on appelle parfois un « outlier ». Ce pic a fortement perturbé la Supply Chain, entraînant à la fois des ruptures et des surstocks. Dans cet exercice, l’objectif est de reconstituer une base 100 pour mieux comprendre la saisonnalité, en neutralisant cet événement exceptionnel.

Pour ce faire, on va faire une nouveau tableau croisé dynamique :

• Insertion > tableau croisé dynamique à partir d’un tableau ou d’une plage
• On filtre cette fois par mois
• Et dans paramètres de champs de valeur on indique « moyenne »

Une fois que le tableau est inséré et que la base 100 est établie, on peut affiner :

• On formate les revenus en dollars comme précédemment
• On se met en R3 et on indique : « =Q3/$Q$15 »
• On étire la formule
• On formate en pourcentage

En 2020, période de pandémie, on constate un pic assez marqué. On va filtrer pour désélectionner 2020. Le principe est de volontairement écarter une année atypique où les données étaient particulièrement perturbées. Une fois cela fait, on retrouve une tendance beaucoup plus cyclique et cohérente avec le comportement habituel du marché.

En recréant la formule, on observe clairement un cycle qui se répète tous les 12 mois — un cycle annuel — avec un pic de ventes au printemps, finalement assez similaire à ce que l’on retrouve pour les tentes par exemple.

C’est essentiel d’analyser ces tendances graphiquement, mais aussi avec des données chiffrées, surtout lorsqu’un comportement sort de la norme. Dans ce cas précis, j’ai volontairement exclu une année atypique pour obtenir une base saisonnière plus représentative. À partir de cette base, vous pouvez ensuite répartir vos prévisions annuelles mois par mois, ce qui vous permettra de mieux anticiper les ventes, les achats, les budgets ou encore les besoins financiers.

Bonus : le lissage automatique des données

J’ai également ajouté sur le tableau une petite technique utile dans certains cas. Lorsque vous disposez de peu de données ou que les ventes sont très irrégulières, il devient difficile de dégager une tendance claire : c’est là qu’intervient le lissage automatique des données, une méthode parmi d’autres que j’utilise régulièrement. Elle permet de rendre les séries temporelles plus lisibles et exploitables.

Vous retrouverez cette technique directement dans l’Excel fourni, avec les formules détaillées. Dans l’exemple présenté ici, les volumes sont suffisamment importants pour qu’il y ait peu de variation, mais dans d’autres contextes, ce nettoyage peut faire toute la différence.

Vous verrez également comment en déduire la prévision annuelle avec un objectif de 70M $ pour 2023.

Agrégation et fiabilité des prévisions des ventes

Comment déterminer le niveau d’agrégation (granularité) ?

Déterminer le bon niveau d’agrégation pour analyser la saisonnalité est une étape essentielle — et parfois complexe. C’est d’ailleurs une question sur laquelle je passe souvent des heures, voire des jours, avec les professionnels que j’accompagne dans mon école.

En pratique, vous pouvez analyser la saisonnalité à différents niveaux :

• Géographiques : par entrepôt, par région, par pays, voire globalement.
• Produits : par référence, par famille, par catégorie, par marque ou au niveau du portefeuille total.
• Temporels : à l’année, au trimestre, au mois, à la semaine, voire au jour.

Avec cet exemple, on travaille à un niveau assez courant : par site, par marque, et par mois. Ce niveau permet déjà de bien visualiser les tendances et de structurer une saisonnalité pertinente.

Le bon niveau dépendra toujours de l’objectif de votre prévision. Est-ce pour planifier un approvisionnement local ? Pour orienter des achats globaux ? Pour piloter des actions marketing hebdomadaires ? Avant de commencer, posez-vous toujours la question : à quoi va servir cette prévision ? Quel est le niveau de besoin opérationnel ou stratégique que vous devez adresser ?

Une fois cette intention clarifiée, une analyse plus approfondie vous permettra de vérifier si le groupe de produits ou la granularité choisie permet de dégager un cycle saisonnier clair et récurrent.

Mais attention : au-delà de la méthode, la qualité des données est essentielle. Il faut s’assurer que les catégories sélectionnées soient cohérentes, bien définies, et surtout homogènes entre elles. Sans cela, la saisonnalité dégagée risque d’être faussée ou peu exploitable.

Un bon travail de nettoyage et de structuration des données en amont est donc indispensable pour tirer des enseignements fiables et actionnables.

Comment améliorer la fiabilité des prévisions ?

Le point de départ, c’est une compréhension claire de vos objectifs. Pourquoi mettez-vous en place une saisonnalité ? À quoi doit-elle servir concrètement dans vos prévisions ?

Mon constat, partagé avec de nombreuses entreprises que j’accompagne, c’est que la fiabilité des prévisions est souvent faible. Et ce n’est pas surprenant : l’environnement est incertain, les données parfois incomplètes, et surtout, les process ne sont pas toujours clairs, structurés ou automatisés.

C’est pour cela qu’un travail rigoureux sur la saisonnalité est essentiel : il permet non seulement d’améliorer vos prévisions, mais aussi de construire un socle plus solide pour l’ensemble de vos prises de décision.

Devenez Expert en Prévisions : ma méthode

J’ai mis en place une méthode complète en six étapes. Cette approche ne se limite pas à des aspects techniques ou à l’utilisation d’outils spécifiques, elle couvre aussi l’ensemble du processus : de la définition des objectifs à la communication efficace, en passant par l’utilisation des bons outils et des méthodes adaptées.

L’objectif est de responsabiliser vos équipes afin que vous puissiez vous concentrer sur ce qui apporte véritablement de la valeur à votre entreprise.

Questions fréquentes sur la saisonnalité d’une prévision