Analyse prédictive des ventes : la méthode simple pour une PME, sans data scientist

Fin octobre, une boutique de jouets doit déjà savoir combien elle vendra en décembre. Les commandes fournisseurs partent maintenant, pas le 15 décembre. Si tu commandes trop, ta trésorerie dort dans la réserve jusqu'en mars. Si tu ne commandes pas assez, tu regardes passer le meilleur mois de l'année avec des étagères vides.

Ce calcul porte un nom qui fait peur, « analyse prédictive des ventes », et on l'associe vite à des logiciels de prévision et à du machine learning. Pour une PME qui a deux ou trois ans d'historique et quelques familles de produits, un tableur et deux formules suffisent pour une prévision qu'on peut vérifier. Voici la méthode, avec un exemple chiffré que tu peux refaire ligne par ligne.

Ce qu'on attend d'une prévision de ventes dans une petite entreprise

Deux questions, en gros : combien je vais vendre le mois prochain, et combien je dois commander ou produire pour suivre. Pour y répondre, la prévision prolonge ce que ton historique montre déjà, c'est-à-dire une tendance (tu vends un peu plus chaque année, ou un peu moins) et une saisonnalité (certains mois pèsent toujours plus lourd que d'autres).

Tout ce que ton historique ne contient pas lui échappe. Un nouveau produit, une campagne publicitaire deux fois plus grosse que d'habitude, un concurrent qui ferme : la formule ne le saura pas. C'est à toi de corriger à la main, on y revient plus bas.

L'IA n'a pas besoin d'être au centre pour ça. J'en parle plus loin, mais elle sert surtout à aller plus vite sur le calcul. Si tu cherches plutôt comment l'IA aide à trancher entre plusieurs options (prix, recrutement, investissement), c'est l'objet de notre article sur l'IA et la prise de décision.

Préparer les données avant la moindre formule

Toute la fiabilité se joue ici. Une formule appliquée à un historique sale donne une prévision fausse avec beaucoup d'assurance.

Il te faut :

• Au moins 24 mois de ventes mensuelles, idéalement 36. Avec un seul cycle d'un an, impossible de distinguer une vraie saisonnalité d'un accident. Microsoft donne la même consigne pour son outil de prévision : ne pas régler une saisonnalité qui couvre moins de deux cycles d'historique.
• Une seule unité du début à la fin : le chiffre d'affaires HT ou le nombre d'unités vendues, jamais l'un puis l'autre.
• Des mois réguliers, sans trou, parce qu'un mois manquant décale tout le calcul.
• Les anomalies repérées. Un mois de rupture de stock, une commande exceptionnelle d'un client professionnel, un confinement : note-les dans une colonne à part. Tu peux remplacer la valeur par la moyenne des mêmes mois des autres années, ou au minimum savoir qu'elle fausse le résultat.

L'export se fait depuis ton outil de caisse, Shopify, WooCommerce ou ton logiciel de facturation. Si tu suis déjà ta trésorerie dans un tableur, tu as souvent les chiffres sous la main, comme dans ce modèle de suivi de trésorerie pour auto-entrepreneur.

La méthode en quatre colonnes dans Google Sheets

Pour l'exemple, j'ai construit l'historique d'une boutique de jouets en bois fictive, sur 36 mois de chiffre d'affaires, d'octobre 2023 à septembre 2026, avec une légère croissance et un gros pic en novembre et décembre. Les chiffres ne viennent d'aucune vraie boutique. Ils servent à montrer le calcul, et tu les remplaceras par les tiens.

La fonction de base s'appelle PREVISION dans la version française de Google Sheets (FORECAST en anglais). D'après l'aide officielle de Google, elle calcule la valeur attendue pour un x donné à partir d'une régression linéaire. Concrètement, elle trace la droite qui colle le mieux à ton historique et la prolonge.

Source : Aide Éditeurs Google Docs, page de la fonction PREVISION, capture du 28 octobre 2026.

Attention à un détail : l'exemple de Google sépare les arguments par des virgules. Dans un fichier Sheets réglé sur la France, la virgule sert aux décimales et les arguments se séparent par des points-virgules. C'est ce que j'utilise ci-dessous.

Ton tableau tient en cinq colonnes, données en lignes 2 à 37 :

La colonne D donne, pour chaque mois, ce que tu aurais vendu si seule la tendance comptait. La colonne E mesure l'écart : un coefficient de 1,30 veut dire que ce mois-là a fait 30 % de plus que la tendance.

Calculer le coefficient de chaque mois

Un mois isolé ne prouve rien. Tu fais donc la moyenne des coefficients de tous les octobres, de tous les novembres, et ainsi de suite, avec MOYENNE.SI. Pour octobre :

=MOYENNE.SI(B$2:B$37;10;E$2:E$37)

Sur la boutique fictive, ça donne :

Lecture : décembre pèse 63 % de plus que la tendance, janvier 21 % de moins. Rien de surprenant pour des jouets. Pour ton activité, ce tableau est souvent la partie la plus parlante du travail, avant même la prévision.

Projeter les trois prochains mois

Il reste à prolonger la tendance au mois 37, 38 et 39, puis à la multiplier par le coefficient du mois concerné. Si tu as rangé les douze coefficients en H2:H13 (janvier en ligne 2), celui d'octobre est en H11, et la prévision d'octobre 2026 s'écrit :

=PREVISION(37;C$2:C$37;A$2:A$37)*H11

La tendance seule progresse d'environ 41 € par mois. Si tu t'arrêtais à la colonne « tendance seule », tu prévoirais 5 793 € pour décembre et tu commanderais pour un mois ordinaire. Le coefficient remet le pic de Noël à sa place.

Graphique BusinessDynamite réalisé le 28 octobre 2026 à partir de l'exemple fictif de cet article.

Tester la prévision avant de lui faire confiance

Avant de commander sur la foi de ces chiffres, regarde ce que la méthode aurait donné sur des mois que tu connais déjà. Le test est simple : tu caches tes six derniers mois, tu refais le calcul sur les trente premiers, et tu compares ce que la méthode aurait prévu à ce qui s'est vraiment passé.

Pour mesurer l'écart, ajoute une colonne avec =ABS(F32-C32)/C32 (F étant la prévision, C le réel), puis fais la moyenne de ces six lignes. Tu obtiens l'erreur moyenne en pourcentage.

Sur la boutique fictive, d'avril à septembre 2026 :

Ne retiens pas le 2,5 %. J'ai construit cet historique avec une saisonnalité très régulière, donc la méthode saisonnière tombe presque juste. Sur tes vraies ventes, l'erreur sera plus forte. Ce qui compte, c'est le classement : si sur ton propre historique la méthode saisonnière ne bat pas le simple « même mois que l'an dernier », c'est qu'elle n'apporte rien chez toi, et tu gardes la méthode la plus simple.

Autre surprise du tableau : la tendance seule fait pire que la méthode naïve. Une droite ne connaît pas les saisons, elle lisse tout. Pour une activité saisonnière, PREVISION utilisée seule est un piège.

Dans Excel : la feuille de prévision fait le travail

Si tu es sur Excel pour Microsoft 365, Excel 2024 ou Excel 2021, il existe un raccourci. Tu sélectionnes tes deux colonnes (dates et ventes), puis onglet Données, groupe Prévision, bouton Feuille de prévision. Excel crée une nouvelle feuille avec le tableau des prévisions et un graphique.

Source : support Microsoft, page « Créer une prévision dans Excel pour Windows », capture du 28 octobre 2026.

D'après la documentation de Microsoft, l'outil repose sur la version AAA du lissage exponentiel (ETS). Il détecte la saisonnalité tout seul, tolère jusqu'à 30 % de points manquants et ajoute un intervalle de confiance à 95 % par défaut. Cet intervalle est la partie la plus utile pour un commerçant : il te donne une fourchette basse et une fourchette haute, et c'est sur la fourchette que tu dimensionnes ton stock de sécurité.

La fonction qui tourne derrière s'appelle PREVISION.ETS. Microsoft précise qu'elle n'est pas disponible dans Excel sur le Web, iOS ou Android. Il te faut la version de bureau.

Mon conseil : fais les deux. La feuille de prévision d'Excel te donne un résultat en trente secondes, la méthode des coefficients te montre pourquoi. Si les deux prévisions divergent beaucoup, regarde ton historique de près, il y a souvent une anomalie non corrigée.

Où l'IA aide, et où elle peut t'égarer

Un assistant comme ChatGPT ou Claude peut lire un export CSV de tes ventes et faire ce calcul à ta place, graphique compris. Pour démarrer, c'est pratique. On détaille ce que ces assistants savent faire dans un tableur dans notre test de ChatGPT dans Excel et Google Sheets.

Trois précautions quand même.

• Demande-lui la méthode et les formules, pas seulement le résultat. Une prévision sortie d'un modèle que tu ne sais pas expliquer, tu ne sauras pas la corriger.
• Fais-lui refaire le test des six derniers mois. Sur trente-six points de données, un modèle plus sophistiqué n'est pas forcément plus juste, et seul ce test te le dira.
• N'envoie pas de données clients. Pour une prévision, les totaux mensuels suffisent. Les noms, emails et adresses n'ont rien à faire dans le fichier.

L'IA sert davantage en amont, pour comprendre ton marché quand tu n'as pas encore d'historique. C'est le sujet de notre guide sur l'étude de marché avec l'IA.

Ce que la formule ne verra jamais

Une prévision par la tendance et la saison suppose que l'année prochaine ressemblera aux précédentes. Plusieurs événements cassent cette hypothèse :

• un nouveau produit ou une nouvelle gamme qui n'existait pas dans l'historique ;
• un budget publicitaire qui double ou qui disparaît ;
• une hausse de prix ;
• une rupture de stock l'an dernier, qui a écrasé un mois qui aurait dû être fort ;
• un changement de calendrier, comme une promotion avancée d'une semaine qui fait basculer des ventes d'un mois sur l'autre.

Dans ces cas, tu corriges la prévision à la main, et tu écris dans une cellule à côté pourquoi tu l'as fait. L'année suivante, tu sauras si ta correction était juste, et tu corrigeras mieux.

Transformer la prévision en commande

Reste à passer du chiffre à la commande. Le calcul de base pour un fournisseur :

quantité à commander = ventes prévues pendant le délai de livraison + stock de sécurité − stock actuel

Si ton fournisseur livre en six semaines, tu additionnes les ventes prévues sur six semaines. Le stock de sécurité, tu peux le caler sur la fourchette haute de l'intervalle d'Excel, ou sur l'erreur moyenne mesurée lors de ton test. Avec une erreur de 10 %, garder 10 % de marge sur les mois forts est un point de départ raisonnable, que tu ajusteras.

Ce raisonnement ne vaut que si tu tiens du stock. En dropshipping, la question se pose autrement, comme on l'explique dans notre comparatif dropshipping ou stock. Et pour savoir quels chiffres suivre en parallèle (marge, panier moyen, taux de conversion), le point de départ est la liste des KPI e-commerce qui comptent vraiment.

Quand un tableur ne suffit plus

La méthode tient tant que tu prévois quelques séries : le chiffre d'affaires total, ou une dizaine de familles de produits. Elle devient pénible au-delà, quand tu dois prévoir des centaines de références une par une, avec des produits qui entrent et sortent du catalogue. C'est le moment où un module de prévision dans ton logiciel de gestion de stock peut se justifier.

Avant de payer, applique-lui le même test qu'à ton tableur : six mois cachés, erreur moyenne comparée. Si le logiciel ne fait pas mieux que tes deux formules sur ton propre historique, tu n'as pas besoin de lui.

Questions fréquentes

Combien d'historique faut-il pour une analyse prédictive des ventes ?

Deux ans minimum pour mesurer une saisonnalité, trois ans pour que les coefficients soient stables. Avec moins d'un an, contente-toi de la tendance et de ton jugement, et compare avec les chiffres publics de ton secteur.

Et si je lance une boutique sans aucun historique ?

Aucune formule ne peut prolonger un historique qui n'existe pas. Pars d'hypothèses (trafic attendu, taux de conversion, panier moyen), commande prudemment et mets à jour chaque mois. Après douze mois, tu pourras appliquer la méthode de cet article.

Faut-il prévoir en chiffre d'affaires ou en unités ?

En unités si la prévision sert à commander, en chiffre d'affaires si elle sert à la trésorerie. Si tes prix ont changé pendant la période, les unités donnent une image plus fidèle de la demande.

Quelle précision espérer ?

Tout dépend de ton activité. Une activité très régulière se prévoit bien, une activité qui dépend de quelques gros clients beaucoup moins. Le seul chiffre qui vaut pour toi est celui que tu mesures avec le test des six derniers mois, sur tes propres ventes.

Pour aller plus loin sur l'usage de l'IA dans la gestion d'une petite entreprise, les autres guides pratiques sont regroupés dans la rubrique IA business.