Comment calculer le lissage exponentiel: le lissage exponentiel simple (Brown 1956) calcule la serie lissee S_t = alpha * Y_t + (1 - alpha) * S_{t-1} avec alpha dans [0,1] paramètre de lissage. Le lissage double (Holt 1957) ajoute un terme de tendance: niveau L_t = alpha * Y_t + (1-alpha)(L_{t-1} + T_{t-1}), tendance T_t = beta * (L_t - L_{t-1}) + (1 - beta) * T_{t-1}. Prevision h pas: F_{t+h} = L_t + h * T_t. Triple (Holt-Winters 1960) ajoute saisonnalite. Méthode non paramétrique, robuste, fondement opérationnel SAP APO, Oracle Demantra, gestion stocks NF EN 13306.

Formules de la méthode

Simple (Brown): S_t = alpha * Y_t + (1 - alpha) * S_{t-1}, S_0 = Y_0. Memoire exponentiellement decroissante: poids k pas en arriere = alpha * (1 - alpha)^k. Pour alpha = 0,3 le poids a 5 pas est 0,3 * 0,7^5 = 0,05. Prevision constante: F_{t+h} = S_t pour tout h.

Double (Holt): niveau L_t = alpha * Y_t + (1 - alpha) * (L_{t-1} + T_{t-1}), tendance T_t = beta * (L_t - L_{t-1}) + (1 - beta) * T_{t-1}. Initialisation L_0 = Y_0, T_0 = Y_1 - Y_0. Prevision linéaire: F_{t+h} = L_t + h * T_t.

Triple (Holt-Winters additif): ajoute composante saisonniere s_t période m. L_t = alpha (Y_t - s_{t-m}) + (1 - alpha)(L_{t-1} + T_{t-1}); T_t comme Holt; s_t = gamma (Y_t - L_t) + (1 - gamma) * s_{t-m}. Version multiplicative pour saisonnalite proportionnelle: utilisee par INSEE indices prix desaisonnalises, Banque de France series financieres.

Selection paramètres: alpha, beta, gamma minimisant MSE via grid search ou Nelder-Mead. Valeurs typiques: alpha dans [0,1; 0,4] series stables, [0,4; 0,7] reactives. R/forecast::ets() implemente estimation maximum vraisemblance automatique.

Histoire et contexte

Le lissage exponentiel fut developpe pendant la Seconde Guerre Mondiale pour le pointage anti-aerien (Wiener 1942 Cybernetics MIT). Robert Goodell Brown formalisa la méthode en 1956 ("Exponential Smoothing for Predicting Demand" Operations Research) chez Arthur D. Little appliquant a gestion stocks US Navy. Charles C. Holt (1957) introduisit version avec tendance dans memo technique US Air Force. Peter Winters (1960) etendit a la saisonnalite dans paper seminal Management Science. Box-Jenkins (1970) demontrerent equivalence avec ARIMA(0,1,1) et (0,2,2). Hyndman-Koehler-Snyder-Grose (2002) unifierent classe ETS avec 30 modèles et selection AIC automatique. INSEE France utilise X-13ARIMA-SEATS desaisonnalisation. AFNOR NF EN 13306 maintenance gestion actifs. SAP APO Demand Planning inclut 6 variantes lissage exponentiel.

Tableau paramètres typiques par application

• Ventes stables: alpha 0,1 - 0,3
• Ventes avec tendance: alpha 0,2 - 0,4 avec beta 0,1 - 0,3 (Holt)
• Promotions: alpha 0,5 - 0,8 (reactif)
• Demande intermittente: Croston 1972
• Saisonnalite hebdomadaire: m=7, gamma 0,1 - 0,4
• Saisonnalite mensuelle: m=12, gamma 0,2 - 0,5
• Demande plate: Brown simple alpha 0,2
• Changements rapides tendance: damped phi 0,8 - 0,98

Exemples numériques detailles

Exemple 1 - ventes mensuelles pates GMS. Carrefour/Auchan ventes kg mensuelles: {12000, 12500, 12300, 12800, 13100, 13400, 13200, 13700, 14000, 14300, 14100, 14600}. Lissage simple alpha = 0,3: S_12 = 13934. Holt alpha = 0,3 beta = 0,2: L_12 = 14149, T_12 = 215 kg/mois. Prevision F_13 (Holt) = 14149. Réel janvier suivant: 14250 - Holt erreur 0,7%. Tendance capturee.

Exemple 2 - inventaire pharmacie paracetamol. Ventes hebdomadaires boites ANSM: {45, 52, 48, 55, 50, 58, 60, 65, 62, 70}. Holt alpha = 0,4 beta = 0,3: L_10 = 67, T_10 = 2,3. Prevision 4 semaines: 69,3 / 71,6 / 73,9 / 76,2. Point reapprovisionnement = prevision + stock securite 1,65 sigma. Reduit rupture 30%.

Exemple 3 - taux OAT 10 ans. Agence France Tresor yields quotidiens. Lissage alpha = 0,2 (peu reactif). Banque de France publie courbes comparant avec enquetes economistes.

Exemple 4 - trafic web e-commerce. Sessions quotidiennes Google Analytics 60 jours: saisonnalite hebdomadaire evidente (m=7). Holt-Winters additif alpha = 0,3 beta = 0,1 gamma = 0,2. Prevision 7 jours MAPE 4,8% vs moyenne mobile MAPE 12%.

Exemple 5 - appels centre URSSAF. Volume horaire appels. Double saisonnalite (horaire + journaliere): Taylor 2003. Reduit erreur 35% vs Holt simple.

Limites

1. Lissage simple ne capture pas tendance.
2. Ne gere pas saisonnalite sans Winters.
3. Extrapolation long terme peu fiable.
4. Damped trend (Gardner-McKenzie 1985) recommande h > 6.
5. Selection alpha critique.
6. n >= 10-15 pour fiabilite.
7. Outliers impact persistant.
8. Changements structurels: change-point detection avant.
9. Equivalence ARIMA(0,1,1), (0,2,2).
10. R forecast::ets() automatise choix modèle AICc.

Erreurs courantes

1. Lissage simple sur series avec tendance.
2. Ne pas desaisonnaliser avant Holt.
3. alpha = 1 (pas de lissage).
4. alpha = 0 (pas d'apprentissage).
5. Comparer RMSE training au lieu de test.
6. Extrapoler 12+ pas Holt sans damping.
7. Confondre SES avec moyenne mobile.
8. Initialiser L_0 = 0 au lieu de Y_0.
9. Additif sur saisonnalite multiplicative.
10. Ne pas valider avec backtest holdout.

Applications pratiques

1. Gestion stocks: SAP APO, NF EN 13306.
2. Prevision ventes: Carrefour, Leclerc, La Poste.
3. Finance: courbes OAT (AFT, BCE).
4. Énergie: RTE charge électrique, EPEX SPOT.
5. Telecom: Orange, SFR capacity planning.
6. Sante: Sante Publique France epidemiologie.
7. Transport: SNCF, RATP fréquence.
8. Meteo: Meteo France température.
9. Web analytics: sessions e-commerce.
10. Manufacture: Industrie 4.0 OEE.

Support

Questions: info@calcoi.com. Outil pedagogique series temporelles. Implementation professionnelle: Hyndman-Athanasopoulos "Forecasting Principles and Practice" 3e ed (OTexts 2021), R forecast::ets(), Python statsmodels.tsa.holtwinters.

Mis à jour en juillet 2026