Si vous voulez sélectionner un modèle manuellement, vous devez commencer par analyser les données historiques afin de déterminer si elles révèlent des caractéristiques nettes. Vous sélectionnez ensuite un modèle de prévision en conséquence.

Si les données historiques révèlent une consommation constante, vous pouvez sélectionner le modèle de consommation constante, ou ce même modèle avec optimisation des coefficients de lissage. Dans les deux cas, le calcul s'effectue avec un lissage exponentiel du premier ordre. L'optimisation des coefficients de lissage consiste à tester différentes combinaisons de paramètres et à sélectionner la combinaison optimale. Celle-ci est la combinaison qui produit l'écart moyen absolu le plus faible.

Il existe deux autres options dans le cas d'une consommation constante : le modèle de moyenne mobile et le modèle de moyenne mobile pondérée.

Le modèle de moyenne mobile pondérée implique de pondérer certaines valeurs historiques. Ainsi, ces dernières n'ont pas toutes le même poids. Cette méthode permet d'orienter le calcul de sorte que les valeurs historiques les plus récentes aient plus de poids que les moins récentes (ce qui est également le cas avec le lissage exponentiel).

Si les données historiques révèlent une tendance, vous devez sélectionner le modèle à tendance ou un modèle de lissage exponentiel du second ordre. Dans le modèle à tendance, le calcul des valeurs prévisionnelles s'effectue par lissage exponentiel du premier ordre.

Si vous optez pour un lissage exponentiel du second ordre, vous pouvez choisir un modèle avec ou sans optimisation des coefficients de lissage.

Si les données historiques révèlent une saisonnalité, vous devez sélectionner le modèle saisonnier. Les valeurs prévisionnelles sont alors calculées avec un lissage exponentiel du premier ordre.

Si les données historiques révèlent une saisonnalité avec une tendance, sélectionnez le modèle saisonnier à tendance. Les valeurs prévisionnelles sont alors calculées avec un lissage exponentiel du premier ordre.

Si aucun des modèles ci-dessus ne se reflète dans les données historiques alors que vous désirez exécuter une prévision, nous vous recommandons de sélectionner le modèle de moyenne mobile ou le modèle de moyenne mobile pondérée.