{"id":5996,"date":"2026-09-16T03:58:12","date_gmt":"2026-09-16T03:58:12","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/prevision-naive-excel-exemple-etape-par-etape\/"},"modified":"2026-09-16T03:58:21","modified_gmt":"2026-09-16T03:58:21","slug":"prevision-naive-excel-exemple-etape-par-etape","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=prevision-naive-excel-exemple-etape-par-etape","title":{"rendered":"Pr\u00e9vision na\u00efve dans Excel : exemple \u00e9tape par \u00e9tape"},"content":{"rendered":"

Dans le domaine de l’\u00e9conom\u00e9trie appliqu\u00e9e et de la science de la gestion des op\u00e9rations, la mod\u00e9lisation pr\u00e9dictive repr\u00e9sente un pivot d\u00e9cisionnel incontournable. Face \u00e0 l’accroissement exponentiel des volumes de donn\u00e9es et \u00e0 la prolif\u00e9ration d’algorithmes d’apprentissage automatique d’une complexit\u00e9 sans pr\u00e9c\u00e9dent, les praticiens sont fr\u00e9quemment tent\u00e9s de privil\u00e9gier des architectures statistiques opaques. N\u00e9anmoins, l’efficacit\u00e9 pr\u00e9dictive ne d\u00e9pend pas m\u00e9caniquement de la sophistication math\u00e9matique d’un mod\u00e8le. Il existe une m\u00e9thode fondamentale, d\u00e9sign\u00e9e sous l’appellation de pr\u00e9vision na\u00efve<\/strong> (ou m\u00e9thode de la marche al\u00e9atoire sans d\u00e9rive), qui constitue la pierre angulaire absolue de l’\u00e9valuation quantitative dans l’analyse des s\u00e9ries temporelles.<\/p>\n

La pr\u00e9vision na\u00efve repose sur un principe d’une d\u00e9sarmante simplicit\u00e9 : assigner \u00e0 la prochaine p\u00e9riode la valeur exactement observ\u00e9e lors de la p\u00e9riode la plus r\u00e9cente. Bien que cette approche puisse intuitivement sembler rudimentaire, voire d\u00e9pourvue de toute valeur ajout\u00e9e analytique, elle incarne les enseignements les plus profonds de l’\u00e9pist\u00e9mologie statistique moderne et des th\u00e9ories de l’efficience des march\u00e9s<\/a>. En servant d’\u00e9talon de mesure universel (benchmark<\/em>), la pr\u00e9vision na\u00efve impose une exigence m\u00e9thodologique stricte : aucun mod\u00e8le complexe ne peut \u00eatre l\u00e9gitim\u00e9 s’il s’av\u00e8re incapable de surpasser les performances de cette heuristique fondamentale.<\/p>\n

Le pr\u00e9sent article propose une exploration int\u00e9grale et hautement formalis\u00e9e de la pr\u00e9vision na\u00efve, orchestr\u00e9e au sein du tableur Microsoft Excel. Au travers d’un cheminement logique articul\u00e9 autour d’un cas pratique de ventes r\u00e9elles s’\u00e9talant sur douze mois, nous d\u00e9construirons les fondements th\u00e9oriques, les biais psychologiques associ\u00e9s, l’instrumentation pas \u00e0 pas dans la feuille de calcul, ainsi que le d\u00e9ploiement rigoureux des m\u00e9triques d’\u00e9valuation de la pr\u00e9cision telles que l’\u00e9cart absolu moyen (MAD) et le pourcentage d’erreur moyen absolu (MAPE). Cette \u00e9tude s’adresse aux analystes financiers, aux gestionnaires de la cha\u00eene logistique et aux chercheurs d\u00e9sireux de ma\u00eetriser l’\u00e9quilibre subtil entre parcimonie m\u00e9thodologique et robustesse op\u00e9rationnelle.<\/p>\n

1. Fondements th\u00e9oriques et \u00e9pist\u00e9mologiques de la pr\u00e9vision na\u00efve<\/h2>\n

1.1 D\u00e9finition math\u00e9matique et principe de la marche al\u00e9atoire<\/h3>\n

La formalisation math\u00e9matique de la pr\u00e9vision na\u00efve s’exprime avec une concision remarquable au sein de l’espace des s\u00e9ries chronologiques discr\u00e8tes. Soit une s\u00e9rie temporelle observ\u00e9e ${Y_t}_{t in \\mathbb{Z}}$<\/span>, o\u00f9 $Y_t$<\/span> repr\u00e9sente la grandeur scalaire r\u00e9alis\u00e9e \u00e0 la p\u00e9riode discr\u00e8te $t$<\/span>. L’op\u00e9rateur de pr\u00e9vision pour un horizon d’une p\u00e9riode en avant, not\u00e9 $\\hat{Y}_{t+1|t}$<\/span>, conditionn\u00e9 par l’ensemble d’information disponible \u00e0 l’instant $t$<\/span> (not\u00e9 $\\mathcal{F}_t$<\/span>), se d\u00e9finit formellement par l’\u00e9quation constitutive :<\/p>\n

$$\\hat{Y}_{t+1|t} = Y_t$$<\/span><\/p>\n

Cette expression stipule que l’esp\u00e9rance conditionnelle de l’\u00e9tat futur du syst\u00e8me correspond strictement \u00e0 son \u00e9tat pr\u00e9sent. Sur le plan stochastique, cette formulation \u00e9tablit un lien structurel ind\u00e9fectible avec le mod\u00e8le de la marche al\u00e9atoire pure<\/a> (Random Walk). Dans un tel processus, la dynamique g\u00e9n\u00e9ratrice des donn\u00e9es est r\u00e9gie par la relation $Y_t = Y_{t-1} + \\varepsilon_t$<\/span>, o\u00f9 $\\varepsilon_t$<\/span> d\u00e9signe un terme d’innovation stochastique, classiquement mod\u00e9lis\u00e9 comme un bruit blanc gaussien v\u00e9rifiant les hypoth\u00e8ses fondamentales d’ind\u00e9pendance et d’identique distribution : $\\mathbb{E}[\\varepsilon_t] = 0$<\/span>, $\\mathbb{V}(\\varepsilon_t) = \\sigma^2$<\/span>, et $operatorname{Cov}(\\varepsilon_t, \\varepsilon_s) = 0$<\/span> pour tout $t \\neq s$<\/span>.<\/p>\n

Il d\u00e9coule de cette structure que les r\u00e9sidus du mod\u00e8le na\u00eff, d\u00e9finis par l’\u00e9cart $e_{t+1} = Y_{t+1} – \\hat{Y}_{t+1|t} = Y_{t+1} – Y_t = \\varepsilon_{t+1}$<\/span>, h\u00e9ritent directement des propri\u00e9t\u00e9s du terme d’erreur sous-jacent. Si la s\u00e9rie temporelle ob\u00e9it rigoureusement \u00e0 une marche al\u00e9atoire, la distribution des \u00e9carts pr\u00e9dictifs pr\u00e9sente une autocorr\u00e9lation strictement nulle et une stationnarit\u00e9 parfaite en diff\u00e9rence premi\u00e8re. D\u00e8s lors, la pr\u00e9vision na\u00efve s’impose non pas comme une approximation par d\u00e9faut, mais comme l’estimateur sans biais optimal au sens de la minimisation de l’esp\u00e9rance de la perte quadratique sous la condition d’un processus martingalien.<\/p>\n

En \u00e9conom\u00e9trie appliqu\u00e9e, cette \u00e9l\u00e9gance structurelle conf\u00e8re \u00e0 la m\u00e9thode na\u00efve un statut \u00e9pist\u00e9mologique capital : celui de r\u00e9f\u00e9rence minimale obligatoire, ou benchmark<\/em> universel. Selon les pr\u00e9ceptes \u00e9dict\u00e9s par Rob J. Hyndman et George Athanasopoulos<\/a>, la valeur pr\u00e9dictive ajout\u00e9e d’un algorithme quelconque, qu’il s’agisse d’un lissage lourd ou d’un r\u00e9seau neuronal r\u00e9current, se mesure exclusivement \u00e0 l’aune de sa capacit\u00e9 \u00e0 r\u00e9duire la variance de l’erreur au-del\u00e0 du seuil fix\u00e9 par cette projection \u00e9l\u00e9mentaire.<\/p>\n

1.2 \u00c9volution historique et place dans l’\u00e9conom\u00e9trie appliqu\u00e9e<\/h3>\n

L’\u00e9mergence formelle de la m\u00e9thode na\u00efve en tant que r\u00e9f\u00e9rence m\u00e9thodologique remonte aux premi\u00e8res investigations empiriques sur les fluctuations \u00e9conomiques au cours de la premi\u00e8re moiti\u00e9 du XXe si\u00e8cle. D\u00e8s les travaux pionniers du National Bureau of Economic Research (NBER) conduits par Wesley Clair Mitchell et Arthur F. Burns, la n\u00e9cessit\u00e9 de comparer les pr\u00e9visions macro\u00e9conomiques \u00e0 des trajectoires passives s’est impos\u00e9e pour juguler l’optimisme non fond\u00e9 des pr\u00e9visionnistes. La pr\u00e9vision na\u00efve a ainsi \u00e9t\u00e9 baptis\u00e9e dans les cercles \u00e9conom\u00e9triques anglo-saxons sous l’intitul\u00e9 r\u00e9v\u00e9lateur de \u00ab Na\u00efve Forecast 1 \u00bb (NF1), marquant l’absence d\u00e9lib\u00e9r\u00e9e d’ajustement structurel.<\/p>\n

Avec l’av\u00e8nement des m\u00e9thodes de lissage exponentiel introduites par Charles C. Holt et Peter R. Winters \u00e0 la fin des ann\u00e9es 1950, puis la th\u00e9orisation syst\u00e9matique des processus autor\u00e9gressifs int\u00e9gr\u00e9s et moyennes mobiles (ARIMA) par George Box et Gwilym Jenkins en 1970, la pr\u00e9vision na\u00efve a souvent \u00e9t\u00e9 d\u00e9pr\u00e9ci\u00e9e par les analystes acad\u00e9miques, qui la percevaient comme un vestige pr\u00e9-scientifique. Ces nouvelles approches promettaient d’extraire des signaux d\u00e9terministes au sein de s\u00e9ries bruit\u00e9es gr\u00e2ce \u00e0 des raffinements param\u00e9triques complexes.<\/p>\n

Cependant, les comp\u00e9titions empiriques de pr\u00e9vision \u00e0 grande \u00e9chelle, notamment les c\u00e9l\u00e8bres comp\u00e9titions M organis\u00e9es par Spyros Makridakis d\u00e8s 1982, ont provoqu\u00e9 un s\u00e9isme conceptuel retentissant. Les r\u00e9sultats compil\u00e9s sur des milliers de s\u00e9ries chronologiques ont d\u00e9montr\u00e9 de fa\u00e7on r\u00e9p\u00e9t\u00e9e que les mod\u00e8les statistiques hautement param\u00e9tr\u00e9s \u00e9chouaient fr\u00e9quemment \u00e0 surclasser la pr\u00e9vision na\u00efve, particuli\u00e8rement \u00e0 court terme. Cette survie pragmatique s’explique par l’absence totale de surapprentissage (overfitting<\/em>) inh\u00e9rente au mod\u00e8le na\u00eff, faisant de cette heuristique un refuge analytique remarquable dans les environnements volatils caract\u00e9ris\u00e9s par une raret\u00e9 ou une impr\u00e9cision des observations historiques.<\/p>\n

1.3 Conditions de validit\u00e9 et hypoth\u00e8ses sous-jacentes<\/h3>\n

L’ad\u00e9quation op\u00e9rationnelle de la pr\u00e9vision na\u00efve repose sur un ensemble strict d’hypoth\u00e8ses relatives \u00e0 la dynamique sous-jacente de la s\u00e9rie temporelle. La premi\u00e8re condition sine qua non est la stationnarit\u00e9 locale de la moyenne ou l’absence d’une tendance lin\u00e9aire marqu\u00e9e et persistante. En pr\u00e9sence d’un trend ascendant d\u00e9terministe ($Y_t = \\alpha + \\beta t + \\varepsilon_t$<\/span>), l’assignation $\\hat{Y}_{t+1|t} = Y_t$<\/span> induit un biais syst\u00e9matique n\u00e9gatif persistant, l’erreur moyenne convergeant vers $-\\beta$<\/span>. De m\u00eame, en pr\u00e9sence d’une saisonnalit\u00e9 p\u00e9riodique stricte sans ajustement pr\u00e9alable, l’application aveugle de la r\u00e8gle na\u00efve classique produit un d\u00e9phasage critique, cr\u00e9ant des r\u00e9sidus cycliques artificiels.<\/p>\n

La seconde hypoth\u00e8se postule la stabilit\u00e9 structurelle du processus g\u00e9n\u00e9rateur de donn\u00e9es au voisinage imm\u00e9diat du pas de temps $t$<\/span>. La pr\u00e9vision na\u00efve pr\u00e9sume que la derni\u00e8re r\u00e9alisation encapsule la totalit\u00e9 des effets cumul\u00e9s des forces \u00e9conomiques ou op\u00e9rationnelles qui continueront de pr\u00e9valoir \u00e0 l’instant $t+1$<\/span>. Cette pr\u00e9misse s’av\u00e8re particuli\u00e8rement robuste dans les syst\u00e8mes o\u00f9 l’information se diffuse instantan\u00e9ment et o\u00f9 les co\u00fbts d’ajustement imm\u00e9diats emp\u00eachent des variations brutales et divergentes.<\/p>\n

Enfin, les limites th\u00e9oriques de l’approche se manifestent avec acuit\u00e9 lors de la survenue de ruptures de s\u00e9ries, de points d’inflexion macro\u00e9conomiques ou de chocs exog\u00e8nes impr\u00e9visibles (les \u00ab cygnes noirs \u00bb th\u00e9oris\u00e9s par Nassim Nicholas Taleb). Dans ces configurations critiques, la pr\u00e9vision na\u00efve subit un retard syst\u00e9matique d’une p\u00e9riode : elle r\u00e9agit avec force \u00e0 l’anomalie au moment exact o\u00f9 celle-ci a d\u00e9j\u00e0 cess\u00e9 de produire ses effets, amplifiant ainsi l’instabilit\u00e9 de la d\u00e9cision logistique ou budg\u00e9taire subs\u00e9quente par un effet d’\u00e9cho pr\u00e9judiciable.<\/p>\n

\"\"<\/figure>\n

2. Perspective psychologique et cognitive de l’heuristique na\u00efve<\/h2>\n

2.1 La pr\u00e9vision na\u00efve comme heuristique de jugement naturel<\/h3>\n

Au-del\u00e0 de son formalisme math\u00e9matique, la pr\u00e9vision na\u00efve constitue une manifestation embl\u00e9matique des m\u00e9canismes cognitifs humains r\u00e9gissant la prise de d\u00e9cision en univers incertain. Dans le cadre de la th\u00e9orie des heuristiques rapides et frugales formalis\u00e9e par Gerd Gigerenzer<\/a> et ses collaborateurs de l’Institut Max Planck, la projection de l’\u00e9tat pr\u00e9sent sur l’\u00e9tat futur imm\u00e9diat r\u00e9pond \u00e0 une logique \u00e9cologique rationnelle. Loin de repr\u00e9senter une d\u00e9ficience intellectuelle ou une paresse calculatoire, l’usage de cette r\u00e8gle d’inf\u00e9rence minimale permet aux praticiens de naviguer au sein d’environnements informationnels satur\u00e9s en minimisant la charge cognitive.<\/p>\n

Face \u00e0 des tableaux de bord pl\u00e9thoriques compilant des dizaines d’indicateurs contradictoires, le cerveau humain d\u00e9ploie instinctivement la r\u00e8gle de la derni\u00e8re observation disponible comme filtre de s\u00e9lection \u00e9conomique. Cette d\u00e9marche court-circuite ce que les psychologues cognitivistes nomment la \u00ab paralysie par l’analyse \u00bb. En \u00e9laguant les signaux faibles p\u00e9riph\u00e9riques pour ne conserver que la r\u00e9alisation tangible la plus r\u00e9cente, le gestionnaire \u00e9limine le risque d’int\u00e9grer des corr\u00e9lations illusoires issues d’un exc\u00e8s de mod\u00e9lisation.<\/p>\n

Cette efficacit\u00e9 pragmatique s’oppose frontalement \u00e0 l’illusion de contr\u00f4le, un biais document\u00e9 par Ellen Langer, selon lequel un individu s’attribue une capacit\u00e9 de ma\u00eetrise sur des \u00e9v\u00e9nements largement al\u00e9atoires d\u00e8s lors qu’il manipule des param\u00e8tres complexes. La pr\u00e9vision na\u00efve agit comme un d\u00e9sillusionniste m\u00e9thodologique : elle rappelle que l’accumulation d’hypoth\u00e8ses sophistiqu\u00e9es ne conf\u00e8re pas m\u00e9caniquement une vision plus claire de l’avenir, consacrant la puissance de la frugalit\u00e9 informative face aux bruits erratiques du march\u00e9.<\/p>\n

2.2 Biais cognitifs associ\u00e9s : ancrage et repr\u00e9sentativit\u00e9<\/h3>\n

Si la m\u00e9thode na\u00efve brille par sa frugalit\u00e9, elle n’en demeure pas moins vuln\u00e9rable \u00e0 des distorsions cognitives syst\u00e9matiques lorsqu’elle est employ\u00e9e sans discernement critique. Le m\u00e9canisme central \u00e0 l’\u0153uvre est le ph\u00e9nom\u00e8ne d’ancrage psychologique<\/a>, mis en \u00e9vidence par Daniel Kahneman et Amos Tversky dans leurs travaux s\u00e9minaux de 1974. Dans l’impl\u00e9mentation de la pr\u00e9vision na\u00efve, la valeur $Y_t$<\/span> op\u00e8re comme une ancre mentale rigide. M\u00eame si des indicateurs avanc\u00e9s sugg\u00e8rent une modification imminente de la dynamique des ventes, l’esprit du d\u00e9cideur demeure disproportionnellement fix\u00e9 sur ce chiffre r\u00e9cent, ajustant insuffisamment son anticipation.<\/p>\n

Ce ph\u00e9nom\u00e8ne s’articule \u00e9troitement avec le biais de repr\u00e9sentativit\u00e9, en vertu duquel le d\u00e9cideur traite l’\u00e9tat le plus r\u00e9cent du syst\u00e8me comme le prototype m\u00eame de son fonctionnement futur. Cette heuristique erron\u00e9e pousse \u00e0 interpr\u00e9ter une fluctuation transitoire \u2014 par exemple, un pic de commandes \u00e9ph\u00e9m\u00e8re provoqu\u00e9 par une commande institutionnelle isol\u00e9e \u2014 comme la nouvelle norme fondamentale. En projetant ind\u00fbment cet \u00e9tat ponctuel sur la p\u00e9riode suivante, la m\u00e9thode na\u00efve transforme un accident de variance en pr\u00e9vision nominale, exposant l’organisation \u00e0 des d\u00e9sillusions op\u00e9rationnelles s\u00e9v\u00e8res.<\/p>\n

Paradoxalement, il existe \u00e9galement une r\u00e9sistance psychologique inverse chez les gestionnaires et ing\u00e9nieurs d’affaires : l’aversion pour l’extr\u00eame simplicit\u00e9. Confront\u00e9s \u00e0 une formule n’impliquant aucune transformation alg\u00e9brique sophistiqu\u00e9e, nombre de professionnels \u00e9prouvent un malaise m\u00e9thodologique, redoutant que leur expertise professionnelle ne soit remise en cause par l’adoption d’un outil pr\u00e9dictif accessible \u00e0 un novice. Cette dissonance cognitive engendre une r\u00e9ticence institutionnelle dommageable \u00e0 l’\u00e9gard de la d\u00e9marche na\u00efve.<\/p>\n

2.3 Incertitude radicale et rationalit\u00e9 limit\u00e9e<\/h3>\n

L’analyse d\u00e9cisionnelle moderne, h\u00e9riti\u00e8re des th\u00e8ses d’Herbert Simon<\/a> sur la rationalit\u00e9 limit\u00e9e, enseigne que l’optimisation absolue est une fiction \u00e9pist\u00e9mique face \u00e0 une complexit\u00e9 computationnelle ing\u00e9rable. Dans les situations d’incertitude radicale \u2014 o\u00f9 l’espace m\u00eame des \u00e9tats possibles du futur demeure inconnu \u2014, les d\u00e9cideurs ne peuvent pr\u00e9tendre calculer des distributions de probabilit\u00e9s objectives. L’heuristique na\u00efve s’inscrit pr\u00e9cis\u00e9ment dans cette philosophie du \u00ab satisficing \u00bb (satisfaction sous contrainte), visant un niveau d’erreur acceptable plut\u00f4t qu’une perfection inaccessible.<\/p>\n

Dans ce contexte, le recours d\u00e9lib\u00e9r\u00e9 au minimalisme constitue un rempart robuste contre le surapprentissage statistique. Les mod\u00e8les complexes ont tendance \u00e0 traiter le bruit stochastique pass\u00e9 comme une information structurelle r\u00e9currente, incorporant les idiosyncrasies de l’\u00e9chantillon historique dans leur param\u00e9trage interne. La m\u00e9thode na\u00efve, en refusant d’ajuster des coefficients aux fluctuations ant\u00e9rieures, neutralise le risque d’estimer des param\u00e8tres chim\u00e9riques, garantissant ainsi une stabilit\u00e9 remarquable de son esp\u00e9rance d’erreur hors \u00e9chantillon.<\/p>\n

L’adoption sereine de la pr\u00e9vision na\u00efve requiert donc une acceptation psychologique mature du risque d’erreur inh\u00e9rent \u00e0 toute action humaine. Plut\u00f4t que de rechercher l’immunit\u00e9 illusoire conf\u00e9r\u00e9e par des algorithmes sophistiqu\u00e9s \u00e0 bo\u00eete noire, le gestionnaire \u00e9clair\u00e9 reconna\u00eet la part d’irr\u00e9ductible contingence du monde r\u00e9el. Il concentre ses ressources organisationnelles non pas sur l’artifice de pr\u00e9visions th\u00e9oriquement optimales mais sur l’\u00e9lasticit\u00e9 op\u00e9rationnelle et la r\u00e9activit\u00e9 de sa cha\u00eene logistique face aux \u00e9carts in\u00e9vitables.<\/p>\n

3. Configuration pr\u00e9alable de l’environnement de travail dans Excel<\/h2>\n

3.1 Normalisation et structuration de la feuille de calcul<\/h3>\n

L’impl\u00e9mentation rigoureuse d’un mod\u00e8le quantitatif dans Microsoft Excel n\u00e9cessite une discipline architecturale stricte afin d’\u00e9liminer toute ambigu\u00eft\u00e9 r\u00e9f\u00e9rentielle et de pr\u00e9venir les corruptions de donn\u00e9es. Avant d’introduire la moindre \u00e9quation, il convient d’\u00e9tablir une typographie financi\u00e8re normalis\u00e9e et un d\u00e9coupage spatial logique. Le classeur doit \u00eatre structur\u00e9 autour d’une table unique dont les en-t\u00eates sont explicitement libell\u00e9s, proscrivant toute fusion de cellules au sein de la matrice op\u00e9rationnelle pour pr\u00e9server l’adressage relationnel.<\/p>\n

Une bonne pratique consiste \u00e0 appliquer une s\u00e9paration spatiale et visuelle stricte entre trois strates d’information :<\/p>\n