PREVISION.LINEAIRE (FORECAST.LINEAR en anglais) est la fonction Excel qui te permet de prédire des valeurs futures en te basant sur tes données passées. En clair, elle trace une ligne de tendance à travers tes points de données historiques, puis prolonge cette ligne pour te donner une estimation fiable de ce qui va se passer ensuite.
Que tu gères des prévisions de ventes, des budgets, des analyses de croissance ou des planifications de ressources, PREVISION.LINEAIRE transforme tes données historiques en prévisions exploitables : estimer le chiffre d'affaires de l'année prochaine à partir de six ans d'historique, prévoir la consommation énergétique selon la température, ou planifier les effectifs selon le volume de production.
Syntaxe de la fonction PREVISION.LINEAIRE
=PREVISION.LINEAIRE(x; y_connus; x_connus)PREVISION.LINEAIRE utilise la méthode des moindres carrés (droite y = ax + b). Elle suppose une tendance strictement linéaire : si tes données suivent une courbe, une croissance exponentielle ou une saisonnalité, elle sera imprécise. Dans ce cas, regarde du côté de CROISSANCE ou PREVISION.ETS.
Comprendre chaque paramètre de la fonction PREVISION.LINEAIRE
L'ordre des trois arguments réserve un petit piège : tu indiques d'abord le x à prévoir, puis tes y_connus (les résultats observés), et seulement ensuite tes x_connus (les étiquettes). Les y passent donc avant les x, l'inverse de ce qu'on lit naturellement. Aucun n'est facultatif, et les deux plages historiques doivent compter exactement le même nombre de valeurs sous peine de #N/A.
x
: la valeur pour laquelle tu veux faire une prévisionPar exemple, si tu veux estimer tes ventes pour le mois 12, tu mettras 12 ici. Cette valeur peut être dans le futur (prévision classique) ou même dans le passé (interpolation). Tu peux utiliser un nombre direct ou une référence de cellule pour plus de flexibilité.
Astuce : Plus tu extrapoles loin au-delà de tes données historiques, moins la prévision est fiable. Limite tes projections à 20-30 % au-delà de ta plage de données.
y_connus
: ta série de valeurs dépendantes historiquesCe sont les résultats que tu as observés dans le passé : tes chiffres de ventes, tes revenus, ta consommation énergétique. Bref, les valeurs que tu veux prédire pour le futur. Cette plage doit contenir des valeurs numériques uniquement.
x_connus
: ta série de valeurs indépendantes historiquesCe sont les "étiquettes" qui correspondent à tes y_connus : les numéros de mois, les années, les températures, les budgets publicitaires. Cette plage doit avoir exactement le même nombre de valeurs que y_connus.
Si les tailles diffèrent, Excel retournera une erreur #N/A. Vérifie avec =NB.VAL(plage) sur chaque plage pour compter les valeurs numériques.
Attention : Si toutes tes valeurs x_connus sont identiques (par exemple 5, 5, 5, 5), Excel retournera une erreur #DIV/0! car il ne peut pas tracer une ligne de tendance sans variation. Une prévision linéaire n'a de sens que si x varie.
Pas envie d'écrire la formule PREVISION.LINEAIRE à la main ?
Génère-la avec notre IA
Exemples pratiques pas à pas
Contrôle de gestion : prévoir le chiffre d'affaires annuel
Tu es contrôleur de gestion dans une startup en croissance. Tu as les chiffres d'affaires des 6 dernières années et tu veux estimer ce que tu vas faire en 2025 pour préparer ton budget prévisionnel. La croissance est régulière et linéaire depuis le début.
| A | B | |
|---|---|---|
| 1 | Année | CA (M€) |
| 2 | 2019 | 1,2 |
| 3 | 2020 | 1,8 |
| 4 | 2021 | 2,5 |
| 5 | 2022 | 3,1 |
| 6 | 2023 | 3,7 |
| 7 | 2024 | 4,2 |
| 8 | 2025 | ? |
=PREVISION.LINEAIRE(2025; B2:B7; A2:A7)La fonction analyse la tendance sur 6 ans et projette environ 4,79 M€ pour 2025. La droite calculée révèle une croissance annuelle d'environ 590 K€, ce qui te permet aussi d'anticiper tes besoins en financement et en recrutement.
Facility management : prévoir la consommation énergétique
Tu es responsable facility management d'un immeuble de bureaux. Tu veux estimer la consommation de chauffage pour une journée à 5 °C afin de budgétiser tes coûts énergétiques. Tu as déjà observé la relation entre température et consommation sur plusieurs journées.
| A | B | |
|---|---|---|
| 1 | Température (°C) | Conso (kWh) |
| 2 | -2 | 850 |
| 3 | 3 | 650 |
| 4 | 8 | 450 |
| 5 | 12 | 300 |
| 6 | 15 | 180 |
| 7 | 5 | ? |
=PREVISION.LINEAIRE(5; B2:B6; A2:A6)La fonction interpole à partir des données observées : à 5 °C extérieur, tu peux prévoir environ 585 kWh. La relation est claire (chaque degré supplémentaire te fait économiser environ 39 kWh), ce qui te permet de négocier des contrats énergétiques adaptés.
Marketing : optimiser le budget publicitaire
Tu es responsable marketing d'un site e-commerce. Tu as testé différents budgets publicitaires ces dernières semaines et tu veux savoir combien de revenus tu peux attendre avec un budget de 8 000 €. L'objectif : construire ton plan média du mois prochain avec des prévisions fiables.
| A | B | |
|---|---|---|
| 1 | Budget (k€) | Revenus (k€) |
| 2 | 2 | 18 |
| 3 | 4 | 34 |
| 4 | 6 | 51 |
| 5 | 10 | 85 |
| 6 | 12 | 102 |
| 7 | 8 | ? |
=PREVISION.LINEAIRE(8; B2:B6; A2:A6)La fonction interpole entre tes budgets déjà testés. Avec 8 000 € de budget pub, tu peux viser environ 68 000 € de revenus, soit un ROI de 8,5× : chaque euro investi rapporte environ 8,50 € de manière très prévisible.
Astuce de pro : Avant de présenter ces chiffres à ta direction, calcule le R² avec =COEFFICIENT.DETERMINATION(y_connus; x_connus). Si R² > 0,8, la relation est très solide. En dessous de 0,5, la prévision est fragile.
Direction des opérations : planifier les effectifs selon la production
Tu es directeur des opérations d'une usine. Tu dois planifier tes effectifs pour le trimestre prochain en te basant sur ton volume de production prévisionnel. Tu as analysé la relation entre volume mensuel produit et nombre d'employés nécessaires sur les derniers mois.
| A | B | |
|---|---|---|
| 1 | Volume (unités) | Employés |
| 2 | 8 000 | 42 |
| 3 | 10 000 | 51 |
| 4 | 12 000 | 59 |
| 5 | 14 000 | 68 |
| 6 | 16 000 | 76 |
| 7 | 15 000 | ? |
=PREVISION.LINEAIRE(15000; B2:B6; A2:A6)La fonction calcule qu'il te faudra environ 72 employés pour produire 15 000 unités. La pente de la droite révèle qu'il faut en moyenne 4,25 employés supplémentaires par tranche de 1 000 unités : une info clé pour anticiper les coûts salariaux et négocier avec les RH 2-3 mois à l'avance.
Envie de t'entraîner sur de vrais exercices Excel ?
M'entraîner
Les erreurs fréquentes avec la fonction PREVISION.LINEAIRE
Deux ennuis ici sont purement mécaniques : un #N/A quand tes deux plages n'ont pas le même nombre de valeurs, et un #DIV/0! quand tous tes x_connus sont identiques, faute de variation pour tracer une droite. Les trois autres ne déclenchent aucune alerte rouge mais te trompent en silence : extrapoler trop loin, laisser une valeur aberrante tordre la tendance, ou confondre corrélation et causalité.
Erreur #N/A : les plages n'ont pas la même taille
C'est l'erreur la plus courante. Elle survient quand y_connus et x_connus n'ont pas le même nombre de valeurs. Par exemple, B2:B20 contient 19 valeurs mais A2:A18 n'en a que 17.
Solution : Vérifie que tes deux plages ont exactement la même taille. Utilise =NB.VAL(plage) sur chaque plage pour compter les valeurs numériques. Attention aux cellules vides ou contenant du texte qui réduisent le compte sans que tu t'en aperçoives.
Erreur #DIV/0! : toutes les valeurs x sont identiques
Si toutes tes valeurs x_connus sont les mêmes (par exemple : 5, 5, 5, 5), Excel ne peut pas tracer de ligne de tendance car il n'y a aucune variation. C'est comme essayer de prévoir l'avenir avec un seul point de données répété.
Solution : Vérifie que tes valeurs x varient vraiment. Si x est constant, une prévision linéaire n'a aucun sens : utilise simplement =MOYENNE(y_connus) à la place.
Extrapoler trop loin au-delà des données historiques
PREVISION.LINEAIRE suppose que ta tendance continue à l'infini. Si tu as des données de 2020 à 2024 et que tu prévois 2040, les conditions vont certainement changer entre temps et la prévision devient très fragile.
Solution : Limite tes prévisions à 20-30 % au-delà de ta plage de données. Avec 6 ans d'historique, ne prévois pas au-delà de 1-2 ans. Actualise régulièrement ton modèle avec de nouvelles données réelles.
Les valeurs aberrantes faussent la ligne de tendance
PREVISION.LINEAIRE utilise toutes les valeurs sans filtrage. Une seule valeur aberrante (un mois de ventes exceptionnelles suite à une promo unique, une erreur de saisie) peut déplacer toute ta ligne de tendance et fausser toutes tes prévisions.
Solution : Avant d'utiliser la fonction, nettoie tes données. Crée un graphique en nuage de points pour repérer visuellement les valeurs aberrantes. Tu peux aussi calculer les résidus avec =ABS(y_réel - PREVISION.LINEAIRE(...)) pour identifier les points suspects.
Confondre corrélation et causalité
Ce n'est pas parce que deux variables évoluent ensemble qu'il y a un lien de cause à effet. Les ventes de glaces et les noyades sont corrélées (la chaleur augmente les deux), mais acheter des glaces ne provoque pas les noyades.
Solution : Utilise PREVISION.LINEAIRE uniquement quand la relation a du sens logiquement. Calcule toujours le R² avec =COEFFICIENT.DETERMINATION(y_connus; x_connus) pour vérifier la solidité de la relation avant de tirer des conclusions.
PREVISION.LINEAIRE vs TENDANCE vs CROISSANCE
Prends PREVISION.LINEAIRE quand il te faut une seule estimation ponctuelle sur une tendance en ligne droite : trois arguments, aucune formule matricielle, et c'est plié. Si tu dois générer toute une série de prévisions d'un coup, passe à TENDANCE, qui reste linéaire mais renvoie plusieurs valeurs. Et dès que tes données accélèrent par doublements plutôt que par paliers réguliers, c'est CROISSANCE qu'il te faut, taillée pour les courbes exponentielles.
| Critère | PREVISION.LINEAIRE | TENDANCE | CROISSANCE |
|---|---|---|---|
| Type de tendance | Linéaire (ligne droite) | Linéaire (ligne droite) | Exponentielle (courbe) |
| Nombre de valeurs retournées | Une seule prévision | Plusieurs en une formule | Plusieurs en une formule |
| Facilité d'utilisation | Très simple (3 args) | Moyenne (matricielle) | Moyenne (matricielle) |
| Formule matricielle | Non | Oui | Oui |
| Cas d'usage | Prévision ponctuelle simple | Générer toute une série | Croissance accélérée (doublements) |
Astuces avancées avec PREVISION.LINEAIRE
Vérifier la qualité de la prévision avec le R²
Avant de faire confiance à ta prévision, vérifie si tes données suivent vraiment une tendance linéaire en calculant le coefficient de détermination R² : =COEFFICIENT.DETERMINATION(y_connus; x_connus). Il va de 0 (aucune corrélation) à 1 (corrélation parfaite). Si ton R² est supérieur à 0,7, ta prévision est fiable. En dessous de 0,5, tes données ne suivent probablement pas une tendance linéaire.
C'est la première vérification à faire avant de présenter tes prévisions.
Créer un tableau de prévisions dynamique avec des tableaux Excel
Pour un système qui se met à jour automatiquement quand tu ajoutes de nouvelles données, transforme tes données en tableau Excel (Ctrl+T), nomme tes colonnes "Periode" et "Valeur", puis utilise : =PREVISION.LINEAIRE(PeriodeCible; Tableau[Valeur]; Tableau[Periode]). La formule s'adapte seule à chaque nouvelle ligne ajoutée.
Combine ça avec un graphique en nuage de points qui affiche tes données historiques et la ligne de tendance pour une vue visuelle immédiate de la qualité des prévisions.
Estimer l'intervalle de confiance autour de la prévision
Une prévision seule ne suffit pas : il est utile de connaître la marge d'erreur potentielle. Calcule l'erreur type avec =ERREUR.TYPE.XY(y_connus; x_connus). Ta prévision plus ou moins deux fois l'erreur type te donne un intervalle de confiance à environ 95 %. Si ta prévision est 100 et l'erreur type est 8, tu peux dire : je prévois entre 84 et 116 avec 95 % de confiance.
C'est un argument solide pour convaincre ta direction d'adopter une fourchette plutôt qu'un chiffre unique.
Questions fréquentes sur la fonction PREVISION.LINEAIRE
PREVISION.LINEAIRE remplace-t-elle complètement PREVISION ?
Oui, PREVISION.LINEAIRE est la version moderne introduite dans Excel 2016. Les deux fonctions sont identiques, mais Microsoft recommande PREVISION.LINEAIRE pour les nouveaux classeurs. C'est simplement un nouveau nom plus explicite pour la même fonction, avec la même syntaxe et les mêmes résultats.
Puis-je faire des prévisions multiples en une seule formule ?
Non, PREVISION.LINEAIRE retourne une seule valeur à la fois. Pour plusieurs prévisions, tu as deux options : soit tu utilises TENDANCE qui peut calculer un tableau de valeurs d'un coup, soit tu copies ta formule PREVISION.LINEAIRE pour chaque valeur que tu veux prévoir.
Comment savoir si mes données sont adaptées à une régression linéaire ?
La méthode la plus simple : crée un graphique de dispersion (nuage de points) avec tes données. Si les points forment approximativement une ligne droite, c'est parfait. Si tu vois plutôt une courbe, regarde du côté de CROISSANCE pour les tendances exponentielles. Calcule aussi le R² : au-dessus de 0,7 signifie une relation linéaire solide.
La fonction tient-elle compte des valeurs aberrantes ?
PREVISION.LINEAIRE utilise toutes les valeurs sans filtrage. Une seule valeur aberrante peut déplacer ta droite de régression et fausser toutes tes prévisions. Avant d'utiliser la fonction, nettoie tes données et supprime ou corrige les valeurs suspectes.
Quelle est la différence entre PREVISION.LINEAIRE et TENDANCE ?
PREVISION.LINEAIRE retourne une seule valeur prédictive pour un point x donné. TENDANCE peut calculer plusieurs valeurs d'un coup pour un tableau de valeurs x. Utilise PREVISION.LINEAIRE pour une prévision ponctuelle, et TENDANCE quand tu veux générer toute une série de prévisions en une seule formule.
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