Qu'est-ce que la fonction PREVISION.
PREVISION.ETS.STAT te sert avant de présenter une prévision en réunion, au moment où quelqu'un va forcément demander si le chiffre est fiable. Sans elle, tu ne sais pas si ton modèle se trompe de 1 % ou de 40 %, et tu t'engages sur des chiffres sans savoir ce qu'ils valent.
Concrètement, c'est elle qui te permet de dire : "Mon modèle de prévision est fiable, avec une marge d'erreur de 12%". Sans elle, tu ne saurais pas si tes prévisions valent 5% ou 40% d'erreur. L'analyste qui présente des chiffres sans les valider prend un risque réputationnel important.
Syntaxe
=PREVISION.ETS.STAT(valeurs; chronologie; type_stat; [saisonnalité]; [complétion]; [agrégation])Clique sur un argument pour aller à son explication.
Les paramètres optionnels (saisonnalité, complétion, agrégation) doivent être identiques à ceux utilisés dans ta fonction PREVISION.ETS. Des paramètres différents signifie que tu évalues un modèle différent de celui que tu utilises, ce qui rend les statistiques inutiles.
Comprendre chaque paramètre de la fonction PREVISION.ETS.STAT
Les trois premiers arguments sont obligatoires et leur ordre est figé : d'abord tes valeurs, puis la chronologie des dates, et enfin type_stat, le chiffre qui décide quelle statistique sort (de 1 pour alpha à 8 pour la longueur du cycle). C'est ce troisième argument qui fait tout le travail : un 5 te renvoie le SMAPE, un 6 le MAE, alors que la formule reste identique partout ailleurs.
Les trois derniers (saisonnalité, complétion, agrégation) sont facultatifs, mais ce sont eux qu'on néglige : ils doivent reprendre exactement les réglages de ta fonction PREVISION.ETS, sinon tu mesures un modèle qui n'est pas celui que tu utilises vraiment.
valeurs
: tes données historiques : ventes, trafic, consommation, ou tout indicateur que tu veux prévoirC'est exactement la même plage de valeurs que tu utilises dans PREVISION.ETS. Excel analyse ces données pour construire le modèle ETS et en calculer les statistiques de performance.
Plus tu as de données, plus les statistiques seront fiables. En règle générale, il faut au moins deux cycles saisonniers complets (par exemple 24 mois si tu as une saisonnalité annuelle).
chronologie
: les dates correspondant à tes valeurs, dans l'ordre chronologiqueExcel utilise cette chronologie pour détecter la périodicité de tes données (quotidienne, mensuelle, trimestrielle) et calibrer le modèle ETS.
Les dates doivent être triées du plus ancien au plus récent et ne doivent pas contenir de doublons. Si la chronologie est irrégulière (valeurs manquantes), Excel gère les trous grâce au paramètre complétion.
Attention : Une chronologie non triée ou avec des doublons de dates provoque une erreur. Trie tes données par date avant d'utiliser la fonction.
type_stat
: le type de statistique que tu veux obtenirC'est le paramètre clé : selon le chiffre que tu passes, la fonction retourne soit une mesure d'erreur pour évaluer la qualité du modèle, soit un paramètre de lissage pour comprendre son comportement.
Valeurs disponibles : 1 = alpha (lissage du niveau), 2 = beta (lissage de la tendance), 3 = gamma (lissage de la saisonnalité), 4 = MASE, 5 = SMAPE (erreur en %, la plus utilisée), 6 = MAE (erreur absolue), 7 = RMSE (erreur quadratique), 8 = longueur du cycle détecté.
saisonnalité
: la périodicité du cycle saisonnier(facultatif)Par défaut (1 ou omis), Excel détecte automatiquement. Utilise 12 pour une saisonnalité annuelle avec données mensuelles, 4 pour des trimestres, 7 pour des semaines. Passe 0 pour désactiver la saisonnalité.
Pour trouver la valeur optimale, calcule le SMAPE avec plusieurs valeurs de saisonnalité et retiens celle qui donne le SMAPE le plus faible. Le modèle avec le SMAPE le plus bas est le plus performant sur tes données.
complétion
: détermine comment Excel gère les valeurs manquantes dans ta chronologie(facultatif)Par défaut (1), Excel remplace les trous par interpolation linéaire. Avec 0, les valeurs manquantes sont traitées comme des zéros.
Utilise le même paramètre que dans ta formule PREVISION.ETS pour que les statistiques correspondent réellement à ton modèle.
agrégation
: méthode d'agrégation si plusieurs valeurs partagent la même date dans ta chronologie(facultatif)Par défaut (1), Excel calcule la moyenne. Options : 1 = MOYENNE, 2 = NB, 3 = NBVAL, 4 = MAX, 5 = MEDIANE, 6 = MIN, 7 = SOMME.
Doit correspondre au paramètre utilisé dans ta formule PREVISION.ETS.
Exemples pratiques pas à pas
Comment mesurer le taux d'erreur d'un modèle de prévision avec la fonction PREVISION.ETS.STAT
La prévision des ventes de juillet est prête à partir en réunion, et la première question qui viendra est celle de sa fiabilité. Tes dix-huit mois d'historique sont dans le tableau, et le modèle a beau sortir un chiffre net, rien ne dit encore s'il se trompe de 1 % ou de 40 %. Présenter une prévision sans connaître son erreur revient à s'engager les yeux fermés. La fonction PREVISION.ETS.STAT ouvre les coulisses du modèle et sort la statistique que tu réclames, ici sa marge d'erreur moyenne.
- 1Dans une cellule, écris
=PREVISION.ETS.STAT(. - 2En 1er argument : sélectionne la colonne des ventes,
B2:B19. Ce sont les dix-huit montants suivis, et l'ordre surprend au premier essai, car les valeurs passent avant les dates, à l'inverse de PREVISION.ETS où la date cible ouvre la formule. - 3En 2ᵉ argument : sélectionne la colonne des mois,
A2:A19. La fonction reconstruit à partir de ce couple de plages le même modèle que ta prévision, ce qui est bien le but, puisque tu veux la statistique du modèle réellement utilisé. - 4En 3ᵉ argument : saisis le numéro de la statistique voulue,
5. Ce5demande le SMAPE, une erreur relative sans unité qui ne bouge pas si tu multiplies toutes tes ventes par dix, alors qu'un6ou un7réclameraient le MAE et le RMSE, exprimés eux en euros. - 5Ferme la parenthèse et appuie sur Entrée. Excel renvoie
0,0016932. Cette proportion se lit0,17 %, donc le modèle colle à la réalité à moins d'un demi-point près.
=PREVISION.ETS.STAT(B2:B19; A2:A19; 5)5 réclame le SMAPE, c'est-à-dire l'erreur moyenne du modèle rapportée au niveau des ventes. Le résultat, 0,0016932, est une proportion et non un pourcentage déjà mis en forme : il se lit 0,17 %, donc le modèle colle à la réalité à moins d'un demi-point près. Une série aussi propre est rare hors des exemples, et c'est précisément ce que la statistique sert à vérifier plutôt qu'à supposer.
Comment repérer un modèle de prévision qui ne tient pas avec la fonction PREVISION.ETS.STAT
Les ventes de ce produit partent dans tous les sens depuis un an, entre un mois à 60 € et un autre à 300 €, et on te demande quand même une prévision pour janvier. Excel ne refusera pas de te la donner, et c'est exactement le piège : le chiffre sortira aussi net et aussi crédible que sur une série bien sage. La fonction PREVISION.ETS.STAT est ce qui te permet de répondre honnêtement, en accompagnant la prévision du taux d'erreur qui va avec.
- 1Dans une cellule, écris
=PREVISION.ETS.STAT(. - 2En 1er argument : sélectionne la colonne des ventes,
B2:B13. Ce sont les douze montants de la série à auditer, la même plage que celle de ta prévision. - 3En 2ᵉ argument : sélectionne la colonne des mois,
A2:A13. Ces douze dates correspondent ligne pour ligne aux montants, et leur ordre chronologique permet à la fonction de reconstruire le modèle. - 4En 3ᵉ argument : saisis le numéro de la statistique voulue,
5, pour obtenir le SMAPE. Garder la même statistique d'une série à l'autre rend la comparaison possible,0,17 %sur un historique régulier contre40,2 %ici, sur la même échelle de lecture. - 5Ferme la parenthèse et appuie sur Entrée. Excel renvoie
0,4015, soit40,2 %. Un SMAPE de cet ordre signale une série trop instable pour être prolongée, qu'aucun changement de réglage ne rattrapera.
=PREVISION.ETS.STAT(B2:B13; A2:A13; 5)0,4015, soit 40,2 %. Sur cette série qui part dans tous les sens, la prévision de janvier sort quand même un chiffre net (160,69…), et c'est bien le danger : rien dans son apparence ne trahit qu'il se trompe en moyenne de 40 %. La statistique est le seul garde-fou qui t'empêche de présenter ce chiffre comme une prévision.
Comment rattraper l'erreur #NOMBRE! d'un numéro de statistique hors bornes avec les fonctions PREVISION.ETS.STAT et SIERREUR
Le tableau de bord du modèle réclame les huit statistiques les unes sous les autres, et la cellule qui tire le numéro d'une liste déroulante finit par tomber sur une valeur qui n'existe pas. À l'écran s'affiche un code d'erreur que la personne qui ouvrira le fichier lira comme une panne du fichier, alors que seul le numéro demandé est en cause. La fonction SIERREUR intercepte le code et le remplace par un message qui nomme la cause.
- 1Dans une cellule, écris
=SIERREUR(. - 2En 1er argument : écris l'appel à surveiller et referme-le,
PREVISION.ETS.STAT(B2:B13; A2:A13; 9). Ses deux plagesB2:B13etA2:A13sont parfaitement valides, ce qui fait chercher l'erreur du mauvais côté. Le vrai coupable est le9en troisième position, car les numéros de statistique s'arrêtent à8et tout ce qui dépasse renvoie#NOMBRE!. - 3En 2ᵉ argument : saisis le texte de repli,
"Numéro de statistique invalide". Il nomme l'argument fautif, ce qu'un#NOMBRE!brut ne fera jamais pour la personne qui lit le tableau. - 4Ferme la parenthèse de la fonction SIERREUR et appuie sur Entrée. Celle de PREVISION.ETS.STAT a déjà été refermée dans son étape, et sur cette série instable la formule affiche le message de repli plutôt que
#NOMBRE!.
=SIERREUR(PREVISION.ETS.STAT(B2:B13; A2:A13; 9); "Numéro de statistique invalide")8, si bien qu'un 9 déclenche #NOMBRE! alors que la formule paraît irréprochable. La fonction SIERREUR remplace ce code par une phrase qui désigne le vrai coupable, à savoir le troisième argument et non les données. La fonction se montre stricte sur ce point : même un 4,7 est refusé, là où d'autres fonctions statistiques d'Excel se contenteraient de tronquer la décimale.
Les erreurs fréquentes avec la fonction PREVISION.ETS.STAT
Ici la fonction ne renvoie quasiment jamais de #VALEUR! : les vrais pièges sont des erreurs d'interprétation qui te font croire à un modèle fiable alors qu'il ne l'est pas. Des réglages qui ne collent pas à ta PREVISION.ETS, un MAE lu sans connaître l'ordre de grandeur de tes ventes, ou trop peu d'historique pour deux cycles complets.
Ajoute à ça la confusion classique entre le SMAPE retourné par Excel et le MAPE des autres outils : ce ne sont pas les mêmes formules, donc tu ne peux pas comparer les deux chiffres entre eux.
Paramètres différents entre PREVISION.ETS et PREVISION.ETS.STAT
Les statistiques retournées ne sont valides que si tu utilises exactement les mêmes paramètres dans les deux fonctions. Si tu as saisonnalité=12 dans PREVISION.ETS mais saisonnalité=1 dans PREVISION.ETS.STAT, tu évalues un modèle différent de celui que tu utilises.
Solution : Assure-toi que saisonnalité, complétion et agrégation sont identiques dans les deux formules. La meilleure pratique est de stocker ces paramètres dans des cellules nommées et de les référencer dans les deux fonctions.
Interpréter un MAE ou RMSE sans contexte
Un MAE de 100 peut être excellent ou catastrophique selon tes données. Si tes ventes sont de 1 000 000 €, une erreur de 100 € est négligeable. Si elles sont de 500 €, c'est désastreux.
Solution : Préfère le SMAPE (type_stat=5) pour évaluer la qualité globale : il s'exprime en pourcentage et est comparable entre différents contextes. Utilise MAE ou RMSE uniquement pour communiquer l'erreur en unités concrètes à une audience non technique.
Pas assez de données historiques pour des statistiques fiables
Pour calibrer et valider un modèle ETS avec saisonnalité, Excel a besoin d'au moins deux cycles complets. Avec seulement 6 mois de données et une saisonnalité annuelle (12), les statistiques manquent de base et peuvent être trompeurs.
Solution : Assure-toi d'avoir au moins 2×saisonnalité périodes : 24 mois pour une saisonnalité annuelle, 8 trimestres pour une saisonnalité trimestrielle. Plus tu as de données, plus les statistiques sont précises et fiables.
Confondre SMAPE et MAPE
PREVISION.ETS.STAT retourne le SMAPE (Symmetric MAPE), pas le MAPE classique. Les formules sont différentes : le SMAPE est symétrique et traite de façon équilibrée les sur-estimations et les sous-estimations.
Solution : Ne compare pas directement les SMAPE d'Excel avec des MAPE issus d'autres outils (Python scikit-learn, R, etc.) : les formules diffèrent. Précise toujours le type de métrique utilisée dans ta documentation de modèle.
Astuces avancées avec PREVISION.ETS.STAT
Construire un tableau de bord de validation complet
Crée un onglet dédié à la validation de ton modèle avec toutes les statistiques clés : SMAPE, MAE, RMSE, alpha, beta, gamma et longueur du cycle. Utilise =PREVISION.ETS.STAT(valeurs; dates; N) avec N de 1 à 8 pour remplir le tableau en une seule passe.
Applique une mise en forme conditionnelle sur le SMAPE : vert en dessous de 15%, orange entre 15% et 25%, rouge au-delà. Tu obtiens un état de santé complet de ton modèle en un coup d'oeil.
Détecter les ruptures avec un alpha élevé
Un alpha très élevé (proche de 1) retourné par type_stat=1 peut signaler une rupture récente dans tes données : lancement d'un nouveau produit, changement de marché, crise. Dans ce cas, Excel donne un poids très fort au présent par rapport au passé.
C'est un signal d'alerte : vérifie si ton modèle est encore pertinent ou s'il faut revoir la période de données prise en compte pour la prévision.
Comparer le SMAPE sur différentes fenêtres temporelles
Ne te contente pas d'un SMAPE global calculé sur toute la série. Calcule aussi le SMAPE sur les 6 derniers mois et les 12 derniers mois en restreignant les plages valeurs et chronologie.
Si le SMAPE augmente sur les périodes récentes, ton modèle vieillit mal et il est temps de recalibrer. Un SMAPE stable dans le temps est le signe d'un modèle robuste.
Questions fréquentes
PREVISION.ETS te donne la valeur prévue pour une date future. PREVISION.ETS.STAT te fournit des statistiques de qualité sur le modèle sous-jacent (erreurs, paramètres de lissage). En pratique, utilise PREVISION.ETS pour générer tes prévisions, puis PREVISION.ETS.STAT pour évaluer si tu peux leur faire confiance avant de les présenter. Les deux fonctions sont complémentaires.
Le SMAPE (Symmetric Mean Absolute Percentage Error) mesure l'erreur moyenne de tes prévisions en pourcentage. Un SMAPE de 10% signifie que tes prévisions s'écartent en moyenne de 10% de la réalité.
Guide d'interprétation : SMAPE inférieur à 10% = excellent, entre 10% et 20% = bon, entre 20% et 30% = acceptable, supérieur à 30% = modèle à retravailler. Plus le SMAPE est faible, plus ton modèle est précis.
Alpha (type_stat=1) contrôle le poids des valeurs récentes sur le niveau de base du modèle. Beta (type_stat=2) gère l'adaptation de la tendance. Gamma (type_stat=3) contrôle l'adaptation aux motifs saisonniers.
Une valeur proche de 1 signifie que le modèle réagit rapidement aux changements récents. Une valeur proche de 0 indique qu'il conserve la mémoire du passé. Excel optimise automatiquement ces valeurs pour minimiser l'erreur de prévision.
Le MAE (type_stat=6) et le RMSE (type_stat=7) mesurent tous deux la précision en unités de tes données (euros, unités, secondes), mais le RMSE pénalise davantage les grosses erreurs car il calcule une racine d'une somme de carrés.
Utilise le MAE si tu veux traiter toutes les erreurs de façon égale. Utilise le RMSE si les grosses erreurs sont particulièrement coûteuses pour ton activité (ruptures de stock critiques, écarts budgétaires majeurs).
Regarde en priorité le SMAPE retourné par =PREVISION.ETS.STAT(valeurs; dates; 5). Un SMAPE inférieur à 15-20% indique généralement un modèle fiable.
Pour confirmer, compare le SMAPE avec différentes valeurs de saisonnalité (détection auto, 12, 4, 0) et retiens le modèle avec le SMAPE le plus faible. Vérifie aussi la longueur du cycle détecté (type_stat=8) pour t'assurer qu'Excel a bien compris ta saisonnalité.
Pour aller plus loin
Continue sur ta lancée après la fonction PREVISION.ETS.STAT : la leçon associée, un modèle prêt à l'emploi et le guide pour progresser.
Tout voir
