La fonction PREVISION.ETS.STAT te donne accès aux coulisses de tes prévisions ETS : elle retourne des statistiques précises sur la qualité de ton modèle, que ce soient des mesures d'erreur (SMAPE, MAE, RMSE) ou les paramètres de lissage optimisés par Excel (alpha, beta, gamma). C'est ton outil d'audit avant de présenter des prévisions à la direction.
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 de la fonction PREVISION.ETS.STAT
=PREVISION.ETS.STAT(valeurs; chronologie; type_stat; [saisonnalité]; [complétion]; [agrégation])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).
Astuce : Utilise exactement la même plage de valeurs que dans ta formule PREVISION.ETS. Une plage différente donnerait des statistiques qui ne correspondent pas à ton modèle réel.
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.
Astuce : Commence par type_stat=5 (SMAPE) pour évaluer rapidement la qualité globale de ton modèle. C'est la statistique la plus facile à interpréter car elle s'exprime en pourcentage.
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
Analyste : valider la qualité d'un modèle de prévision des ventes
Tu as créé un modèle de prévision des ventes avec PREVISION.ETS et tu veux mesurer sa fiabilité avant de le présenter à la direction. Le SMAPE (type_stat=5) est la statistique idéale : elle s'exprime en pourcentage et est facile à communiquer.
| A | B | C | |
|---|---|---|---|
| 1 | Mois | Ventes réelles | Validation |
| 2 | 2023-01 | 45 000 | |
| 3 | 2023-02 | 48 000 | |
| 4 | 2023-03 | 46 500 | |
| 5 | 2023-04 | 52 000 | |
| 6 | 2023-05 | 51 000 | |
| 7 | 2023-06 | 53 500 | |
| 8 | 2023-07 | 47 000 | |
| 9 | 2023-08 | 44 000 | |
| 10 | 2023-09 | 51 500 | |
| 11 | 2023-10 | 54 000 | |
| 12 | 2023-11 | 58 000 | |
| 13 | 2023-12 | 67 000 | |
| 14 | SMAPE | =PREVISION.ETS.STAT(B2:B13; A2:A13; 5) |
=PREVISION.ETS.STAT(B2:B13; A2:A13; 5)Avec type_stat=5, la fonction retourne le SMAPE, soit 12,3% : ton modèle s'écarte en moyenne de 12% de la réalité. Un SMAPE entre 10% et 20% est généralement considéré comme bon, tu peux présenter tes prévisions avec confiance.
Astuce de pro : Ajoute une mise en forme conditionnelle sur la cellule SMAPE : vert en dessous de 15%, orange entre 15% et 25%, rouge au-delà. Tu obtiens un signal visuel immédiat de la qualité du modèle.
Data scientist : analyser les paramètres de lissage du modèle
Tu documentes un modèle de prévision de trafic web et tu veux comprendre comment Excel a calibré les paramètres pour tes données. Les trois coefficients de lissage te révèlent le comportement interne du modèle.
| A | B | C | |
|---|---|---|---|
| 1 | Paramètre | Valeur | Formule |
| 2 | Alpha (niveau) | 0,67 | =PREVISION.ETS.STAT(Ventes; Dates; 1) |
| 3 | Beta (tendance) | 0,12 | =PREVISION.ETS.STAT(Ventes; Dates; 2) |
| 4 | Gamma (saisonnalité) | 0,34 | =PREVISION.ETS.STAT(Ventes; Dates; 3) |
| 5 | |||
| 6 | Cycle détecté | 12 mois | =PREVISION.ETS.STAT(Ventes; Dates; 8) |
| 7 | SMAPE | 8,9% | =PREVISION.ETS.STAT(Ventes; Dates; 5) |
=PREVISION.ETS.STAT(Ventes; Dates; 1)Chaque valeur de type_stat sort un coefficient différent. Alpha à 0,67 (élevé) : le modèle réagit fortement aux données récentes. Beta à 0,12 (faible) : la tendance de fond est stable, sans changement brusque. Gamma à 0,34 (moyen) : saisonnalité modérée. Le cycle de 12 mois confirme une saisonnalité annuelle, et le SMAPE de 8,9% indique un excellent modèle.
Contrôleur de gestion : quantifier l'erreur budgétaire en euros
Tu dois présenter la fiabilité de tes prévisions budgétaires au comité de direction en termes concrets, pas en pourcentage. Le MAE (type_stat=6) te donne l'erreur moyenne dans l'unité de tes données.
| A | B | C | |
|---|---|---|---|
| 1 | Trimestre | Budget (k€) | Statistiques |
| 2 | T1 2023 | 450 | |
| 3 | T2 2023 | 480 | |
| 4 | T3 2023 | 420 | |
| 5 | T4 2023 | 590 | |
| 6 | T1 2024 | 475 | |
| 7 | T2 2024 | 510 | |
| 8 | T3 2024 | 445 | |
| 9 | T4 2024 | 625 | |
| 10 | |||
| 11 | MAE | =PREVISION.ETS.STAT(B2:B9; A2:A9; 6) | |
| 12 | RMSE | =PREVISION.ETS.STAT(B2:B9; A2:A9; 7) |
=PREVISION.ETS.STAT(B2:B9; A2:A9; 6)Avec type_stat=6, la fonction donne le MAE (l'erreur moyenne dans l'unité de tes données), soit 28 k€, contre 35 k€ pour le RMSE. Tu peux formuler : « nos prévisions ont une erreur moyenne de 28 000 € par trimestre, jusqu'à 35 000 € dans les pires cas. » Le RMSE plus élevé que le MAE confirme qu'il existe quelques trimestres avec des écarts plus importants.
Prévisionniste : comparer plusieurs configurations de saisonnalité
Tu hésites entre plusieurs paramètres de saisonnalité et tu veux sélectionner objectivement le meilleur modèle. En calculant le SMAPE pour chaque configuration, tu choisis celui qui minimise l'erreur.
| A | B | C | D | |
|---|---|---|---|---|
| 1 | Modèle | Saisonnalité | SMAPE | Formule |
| 2 | Auto | 1 (auto) | 14,2% | =PREVISION.ETS.STAT(Données; Dates; 5; 1) |
| 3 | Mensuelle | 12 | 11,8% | =PREVISION.ETS.STAT(Données; Dates; 5; 12) |
| 4 | Trimestrielle | 4 | 18,5% | =PREVISION.ETS.STAT(Données; Dates; 5; 4) |
| 5 | Sans saisonnalité | 0 | 22,7% | =PREVISION.ETS.STAT(Données; Dates; 5; 0) |
| 6 | ||||
| 7 | Meilleur modèle | Mensuelle (12) | 11,8% | SMAPE le plus faible |
=PREVISION.ETS.STAT(Données; Dates; 5; 12)En faisant varier le dernier argument (la saisonnalité), tu compares le SMAPE de chaque configuration. La saisonnalité mensuelle (12) donne le SMAPE le plus faible (11,8%) : la détection automatique (14,2%) est bonne mais pas optimale, et sans saisonnalité (22,7%) le modèle perd beaucoup de précision. Ton modèle final utilisera donc la saisonnalité 12, choix que tu peux justifier de façon rigoureuse.
Envie de t'entraîner sur de vrais exercices Excel ?
M'entraîner
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 sur la fonction PREVISION.ETS.STAT
Quelle différence entre PREVISION.ETS et PREVISION.ETS.STAT ?
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.
Qu'est-ce que le SMAPE et comment l'interpréter ?
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.
A quoi servent les paramètres alpha, beta et gamma ?
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.
Quand utiliser MAE plutôt que RMSE ?
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).
Comment savoir si mes prévisions ETS sont fiables ?
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
Bloqué sur une formule Excel ?
Pose ta question à notre assistant Excel IA, il te sort la bonne formule en quelques secondes.
Essayer l'assistant IAGratuit · 10 questions par mois