Comment effectuer des prévisions naïves dans R : avec des exemples

Une prévision naïve est une prévision dans laquelle la prévision pour une période donnée est simplement égale à la valeur observée au cours de la période précédente.

Par exemple, supposons que nous ayons les ventes suivantes d’un produit donné au cours des trois premiers mois de l’année :

La prévision des ventes en avril serait simplement égale aux ventes réelles du mois de mars précédent :

Bien que cette méthode soit simple, elle a tendance à fonctionner étonnamment bien dans la pratique.

Ce didacticiel fournit un exemple étape par étape de la façon d’effectuer des prévisions naïves dans R.

Étape 1 : Saisissez les données

Tout d’abord, nous saisirons les données de ventes sur une période de 12 mois dans une entreprise imaginaire :

#create vector to hold actual sales data
actual <- c(34, 37, 44, 47, 48, 48, 46, 43, 32, 27, 26, 24)

Étape 2 : générer les prévisions naïves

Ensuite, nous utiliserons les formules suivantes pour créer des prévisions naïves pour chaque mois :

#generate naive forecasts
forecast <- c(NA, actual[-length(actual)])

#view naive forecasts
forecast

[1] NA 34 37 44 47 48 48 46 43 32 27 26

Notez que nous avons simplement utilisé NA pour la première valeur prévue.

Étape 3 : Mesurer la précision des prévisions

Enfin, il faut mesurer la précision des prévisions. Deux mesures courantes utilisées pour mesurer la précision comprennent :

• Erreur moyenne absolue en pourcentage (MAPE)
• Erreur absolue moyenne (MAE)

Nous pouvons utiliser le code suivant pour calculer les deux métriques :

#calculate MAPE
mean(abs((actual-forecast)/actual), na.rm=T) * 100

[1] 9.898281

#calculate MAE
mean(abs(actual-forecast), na.rm=T)

[1] 3.454545

L’erreur absolue moyenne en pourcentage est de 9,898 % et l’erreur absolue moyenne est de 3,45.

Pour savoir si cette prévision est utile, nous pouvons la comparer à d’autres modèles de prévision et voir si la précision des mesures est meilleure ou pire.

Étape 4 : Visualisez les prévisions

Enfin, nous pouvons créer un simple tracé linéaire pour visualiser les différences entre les ventes réelles et les prévisions naïves de ventes au cours de chaque période :

#plot actual sales
plot(actual, type='l', col = 'red', main='Actual vs. Forecasted Sales',
     xlab='Sales Period', ylab='Sales')

#add line for forecasted sales
lines(forecast, type='l', col = 'blue')

#add legend
legend('topright', legend=c('Actual', 'Forecasted'),
       col=c('red', 'blue'), lty=1)

Notez que la ligne de vente prévue est essentiellement une version décalée de la ligne de vente réelle.

C’est exactement ce à quoi nous nous attendrions puisque la prévision naïve prévoit simplement que les ventes de la période en cours seront égales aux ventes de la période précédente.

Ressources additionnelles

Comment calculer le MAE dans R
Comment calculer MAPE dans R
Qu’est-ce qui est considéré comme une bonne valeur pour MAPE ?