Fonction PREVISION.ETS.STAT ExcelGuide Complet 2026
La fonction PREVISION.ETS.STAT te permet d'évaluer la qualité de tes prévisions ETS en retournant des statistiques précises sur ton modèle. Que tu cherches à mesurer l'erreur de tes prévisions (SMAPE, MAE, RMSE) ou à comprendre les paramètres de lissage optimisés par Excel (alpha, beta, gamma), cette fonction est ton outil d'audit. Essentielle pour valider la fiabilité de tes modèles avant de prendre des décisions stratégiques basées sur tes prévisions.
Syntaxe de la fonction PREVISION.ETS.STAT
PREVISION.ETS.STAT analyse ton historique de données et te retourne une statistique spécifique selon le type que tu demandes. Les paramètres optionnels doivent correspondre à ceux utilisés dans ta fonction PREVISION.ETS pour obtenir des statistiques cohérentes.
=PREVISION.ETS.STAT(valeurs; chronologie; type_stat; [saisonnalité]; [complétion]; [agrégation])Comprendre chaque paramètre de la fonction PREVISION.ETS.STAT
valeurs
(obligatoire)Tes données historiques : ventes, trafic, consommation... La même plage de valeurs que tu utilises dans PREVISION.ETS. Excel analyse ces données pour calculer les statistiques de performance de ton modèle. Plus tu as de données, plus les statistiques seront fiables.
Important : Utilise exactement la même plage de valeurs que dans ta fonction PREVISION.ETS pour que les statistiques correspondent vraiment à ton modèle de prévision.
chronologie
(obligatoire)Les dates correspondant à tes valeurs, dans l'ordre chronologique. Excel utilise cette chronologie pour détecter la périodicité de tes données (quotidienne, mensuelle, trimestrielle...) et calculer les statistiques appropriées. Les dates doivent être triées et sans doublons.
Attention : Si ta chronologie n'est pas triée ou contient des doublons, Excel retournera une erreur. Vérifie l'ordre de tes dates avant d'utiliser la fonction.
type_stat
(obligatoire)Le type de statistique que tu veux obtenir. C'est le paramètre clé qui détermine ce que la fonction va te retourner : une mesure d'erreur pour valider la qualité, ou un paramètre de lissage pour comprendre comment fonctionne ton modèle.
saisonnalité
(optionnel)Spécifie la périodicité du cycle saisonnier. 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, ou 0 pour désactiver la saisonnalité. Doit être identique à celui utilisé dans PREVISION.ETS.
Conseil : Commence avec la détection automatique (1), puis compare les statistiques avec différentes valeurs de saisonnalité pour trouver le modèle le plus performant (SMAPE le plus faible).
complétion
(optionnel)Détermine comment Excel gère les valeurs manquantes. Par défaut (1), Excel remplace les trous par interpolation. Avec 0, les valeurs manquantes sont traitées comme des zéros. Utilise le même paramètre que dans PREVISION.ETS pour obtenir des statistiques cohérentes.
agrégation
(optionnel)Méthode d'agrégation si plusieurs valeurs partagent la même date. 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 PREVISION.ETS.
Comprendre les statistiques retournées
PREVISION.ETS.STAT te donne accès aux coulisses de ton modèle de prévision. Les statistiques se divisent en deux catégories : les mesures d'erreur pour évaluer la qualité, et les paramètres de lissage pour comprendre le comportement du modèle.
Mesures d'erreur : valider la qualité
SMAPE, MAE, RMSE et MASE mesurent l'écart entre tes prévisions et la réalité. Plus ces valeurs sont faibles, meilleur est ton modèle. Le SMAPE est le plus populaire car il s'exprime en pourcentage : facile à comprendre et à communiquer à ton équipe.
Paramètres de lissage : comprendre le modèle
Alpha, beta et gamma sont les coefficients optimisés par Excel pour ton modèle ETS. Une valeur proche de 1 signifie que le modèle s'adapte rapidement aux changements récents (réactif). Une valeur proche de 0 signifie qu'il conserve la mémoire du passé (stable). Excel choisit automatiquement les valeurs qui minimisent l'erreur de prévision.
Longueur du cycle : vérifier la détection
En demandant type_stat=8, tu obtiens le nombre de périodes que Excel a détecté comme cycle saisonnier. Si tu as des ventes mensuelles avec pic en décembre et qu'Excel retourne 12, c'est bon signe : il a compris ta saisonnalité annuelle.
Exemples pratiques pas à pas
Exemple 1 – Analyste : valider la qualité de tes prévisions avec SMAPE
Tu es analyste business et tu as créé un modèle de prévision des ventes avec PREVISION.ETS. Avant de présenter tes résultats à la direction, tu veux mesurer la fiabilité du modèle en calculant le SMAPE (erreur moyenne en pourcentage).
Un SMAPE de 12,3% signifie que tes prévisions s'écartent en moyenne de 12% de la réalité. C'est un bon résultat : tu peux présenter ton modèle avec confiance.
| A | B | C | |
|---|---|---|---|
| 1 | Mois | Ventes réelles | Validation modèle |
| 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 | |||
| 15 | SMAPE | =PREVISION.ETS.STAT(B2:B13; A2:A13; 5) |
=PREVISION.ETS.STAT(B2:B13; A2:A13; 5)Avec un SMAPE de 12,3%, ton modèle est performant. Tu peux expliquer à ta direction : "Notre modèle de prévision est fiable, avec une marge d'erreur moyenne de 12%, ce qui est considéré comme bon pour ce type de données."
Exemple 2 – Data scientist : optimiser les paramètres de lissage
Tu es data scientist et tu analyses plusieurs modèles de prévision. Tu veux comprendre comment Excel a optimisé les paramètres de lissage (alpha, beta, gamma) pour tes données de trafic web afin de documenter ton approche.
Alpha élevé (0,67) : le modèle réagit fortement aux données récentes. Beta faible (0,12) : la tendance est stable. Gamma moyen (0,34) : saisonnalité modérée.
| 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)Ces paramètres te révèlent que ton trafic web réagit rapidement aux événements récents (alpha élevé) mais que la tendance de fond est stable (beta faible). Le cycle de 12 mois confirme une saisonnalité annuelle bien détectée.
Exemple 3 – Contrôleur de gestion : mesurer l'erreur moyenne de tes prévisions
Tu es contrôleur de gestion et tu veux quantifier l'erreur moyenne de tes prévisions budgétaires en euros (pas en pourcentage). Tu utilises le MAE pour obtenir une valeur concrète que tu peux présenter au comité de direction.
MAE de 28 k€ : en moyenne, tes prévisions s'écartent de 28 000€ de la réalité. Le RMSE (35 k€) est plus élevé car il pénalise les grosses erreurs.
| 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)Tu peux maintenant présenter : "Nos prévisions budgétaires ont une erreur moyenne de 28 000€ par trimestre. Les écarts peuvent atteindre 35 000€ dans les pires cas. Cela nous permet de définir une marge de sécurité appropriée."
Exemple 4 – Prévisionniste : comparer différents modèles
Tu es prévisionniste et tu hésites entre plusieurs paramètres de saisonnalité pour ton modèle. Tu vas calculer le SMAPE pour chaque configuration et choisir celle qui minimise l'erreur.
Le modèle avec saisonnalité mensuelle (12) donne le SMAPE le plus faible (11,8%). C'est celui-ci que tu dois utiliser pour tes prévisions.
| 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 saison | 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 comparant systématiquement le SMAPE de différentes configurations, tu sélectionnes le modèle le plus performant de façon objective. Ta prévision finale utilisera donc une saisonnalité de 12 mois, qui est la mieux adaptée à tes données.
Les erreurs fréquentes et comment les éviter
Utiliser des paramètres différents de PREVISION.ETS
Les statistiques retournées par PREVISION.ETS.STAT ne sont valides que si tu utilises exactement les mêmes paramètres (saisonnalité, complétion, agrégation) que dans ta fonction PREVISION.ETS. Sinon, tu évalues un modèle différent de celui que tu utilises réellement.
Interpréter le MAE ou RMSE sans contexte
Un MAE de 100 peut être excellent ou catastrophique selon ton contexte. Si tes ventes sont de 1 000 000€, une erreur de 100€ est négligeable. Si elles sont de 500€, c'est énorme. Préfère le SMAPE qui s'exprime en pourcentage et est plus facile à interpréter.
Pas assez de données historiques
Pour calculer des statistiques fiables, Excel a besoin d'au moins 2 cycles complets de saisonnalité. Avec seulement 6 mois de données et une saisonnalité annuelle, les statistiques seront peu fiables ou Excel retournera une erreur.
Confondre SMAPE et MAPE
PREVISION.ETS.STAT retourne le SMAPE (Symmetric MAPE), pas le MAPE classique. Le SMAPE est plus équilibré car il traite de façon symétrique les sur-estimations et sous-estimations. Ne compare pas directement des SMAPE avec des MAPE issus d'autres outils : les formules sont différentes.
Astuces avancées pour exploiter PREVISION.ETS.STAT
Crée un tableau de bord de validation
Construis un tableau qui affiche toutes les statistiques clés : SMAPE, MAE, RMSE, alpha, beta, gamma et longueur du cycle. Cela te donne une vue complète de la santé de ton modèle en un coup d'œil. Mets en forme conditionnelle le SMAPE (vert si inférieur à 15%, orange si entre 15% et 25%, rouge au-delà).
Compare plusieurs périodes de validation
Ne te contente pas d'un SMAPE global. Calcule le SMAPE sur différentes périodes (6 derniers mois, 12 derniers mois, 24 derniers mois) pour voir si la qualité de ton modèle se dégrade ou s'améliore avec le temps. Un SMAPE qui augmente signale que ton modèle vieillit mal.
Utilise les paramètres pour détecter les ruptures
Un alpha très élevé (proche de 1) peut indiquer que tes données ont subi une rupture récente (nouveau produit, changement de marché...). Dans ce cas, Excel donne plus de poids au présent qu'au passé. C'est un signal d'alerte : vérifie si ton modèle est encore pertinent ou s'il faut revoir ton approche.
Documente tes choix méthodologiques
Quand tu présentes des prévisions, note systématiquement les statistiques de validation (SMAPE, paramètres de saisonnalité...) dans un onglet "Documentation" ou dans des notes de cellule. Cela apporte de la crédibilité à ton travail et facilite les audits ou révisions futures. Un bon analyste documente toujours la fiabilité de ses modèles.
PREVISION.ETS.STAT et PREVISION.ETS : complémentaires
PREVISION.ETS.STAT n'est pas un outil concurrent de PREVISION.ETS, mais son complément indispensable. PREVISION.ETS te donne la valeur prévue, tandis que PREVISION.ETS.STAT te dit si tu peux faire confiance à cette prévision.
Workflow recommandé :
En résumé : PREVISION.ETS répond à "Combien ?", PREVISION.ETS.STAT répond à "Avec quelle fiabilité ?". Ensemble, ils forment un duo puissant pour des prévisions professionnelles et crédibles.
Questions fréquentes
Quelle différence entre PREVISION.ETS et PREVISION.ETS.STAT ?
PREVISION.ETS te donne la valeur prévue, tandis que PREVISION.ETS.STAT te fournit des statistiques de qualité sur tes prévisions (erreurs de modèle, paramètres de lissage). Tu utilises PREVISION.ETS.STAT pour évaluer si ton modèle de prévision est fiable avant de l'utiliser pour prendre des décisions.
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. Plus le SMAPE est faible, meilleur est ton modèle. Un SMAPE en dessous de 20% est généralement considéré comme bon.
À quoi servent les paramètres alpha, beta et gamma ?
Ce sont les coefficients de lissage de l'algorithme ETS. Alpha contrôle le poids des valeurs récentes (niveau), beta gère la tendance, et gamma la saisonnalité. Des valeurs proches de 1 signifient que le modèle s'adapte rapidement aux changements, tandis que des valeurs proches de 0 indiquent plus de stabilité. Ces paramètres sont optimisés automatiquement par Excel.
Quand utiliser MAE plutôt que RMSE ?
Le MAE (erreur absolue moyenne) et le RMSE (erreur quadratique moyenne) mesurent tous deux la précision, mais le RMSE pénalise davantage les grosses erreurs. Utilise MAE si tu veux traiter toutes les erreurs de façon égale, et RMSE si les grosses erreurs sont particulièrement problématiques pour ton business.
Comment savoir si mes prévisions ETS sont fiables ?
Regarde le SMAPE retourné par PREVISION.ETS.STAT avec type_stat=1. Si le SMAPE est inférieur à 15-20%, tes prévisions sont généralement fiables. Compare aussi plusieurs modèles en testant différentes valeurs de saisonnalité. Le modèle avec le SMAPE le plus bas est le meilleur pour tes données.
Les fonctions similaires à PREVISION.ETS.STAT
Deviens un pro d'Excel
Rejoins Le Dojo Club pour maîtriser toutes les fonctions Excel, avec des formations complètes, des lives experts et une communauté d'entraide.
Essayer pendant 30 jours