La prévision de la demande consiste à utiliser l'historique des ventes, la saisonnalité et les signaux du marché pour prédire la quantité d'un produit que les clients voudront à un moment donné dans le futur. En e-commerce, cette prévision alimente directement les décisions de stock et de publicité — combien de stock conserver, quand augmenter ou baisser les enchères, et quand un produit saisonnier doit être fortement poussé ou au contraire retiré progressivement des campagnes. Bien menée, elle remplace les suppositions sur la demande future par un plan fondé sur les données sur lequel un e-commerçant peut agir à l'avance, plutôt que de réagir une fois que les chiffres ont déjà bougé.
Pourquoi la prévision de la demande compte pour la planification des stocks et de la publicité
Commander trop de stock immobilise de la trésorerie dans des produits qu'il faudra peut-être solder plus tard, tandis que commander trop peu revient à refuser des ventes précisément au moment où la demande culmine — dans les deux cas, la cause remonte à une prévision inexistante ou à laquelle on ne s'est pas fié. Côté publicité, les campagnes lancées après le pic de demande manquent la partie la plus précieuse de la période de vente, un problème proche de celui traité dans comment Civil a augmenté son ROAS de 36 % en préparant chaque création à temps pour la campagne : prévoir la demande saisonnière suffisamment tôt pour que les créations et les campagnes soient prêtes avant l'ouverture de la période, et non après. Les flux qui intègrent la demande prévue peuvent aussi orienter automatiquement les enchères et le rythme de dépense du budget, en concentrant les dépenses en amont d'un pic prévu au lieu de rattraper le retard en pleine saison.
Comment fonctionne la prévision de la demande
Les modèles de prévision combinent généralement la tendance historique des ventes du produit avec des schémas saisonniers plus larges et une analyse externe du marché — évolutions de la demande au niveau de la catégorie, activité des concurrents ou tendances macroéconomiques que l'historique d'un seul SKU ne révélerait pas à lui seul. Le résultat alimente généralement deux systèmes : les systèmes de gestion des stocks, qui l'utilisent pour fixer les points de réapprovisionnement et les niveaux de stock de sécurité bien en amont d'une courbe de demande prévue, et les moteurs de tarification dynamique, qui peuvent ajuster le prix progressivement selon que les ventes réelles devancent ou suivent la prévision. Les équipes flux affichent souvent la prévision elle-même sous forme d'étiquette personnalisée ou d'attribut sur le produit, afin que les règles de campagne puissent réagir directement à un niveau de demande sans qu'une personne ait à signaler manuellement les produits sur le point de devenir pertinents pour la saison.
Exemple : la prévision de la demande dans un flux produits
<item>
<g:id>SKU-25671</g:id>
<title>Kids Rain Boots - Yellow, Size 12</title>
<link>https://example-shop.com/products/kids-rain-boots-yellow-12</link>
<g:price>32.00 USD</g:price>
<g:availability>in stock</g:availability>
<g:custom_label_0>forecast_demand_high_spring</g:custom_label_0>
<g:sale_price>27.00 USD</g:sale_price>
<g:sale_price_effective_date>2026-03-01T00:00/2026-04-15T23:59</g:sale_price_effective_date>
</item>La valeur custom_label_0 signale que cet article devrait connaître une forte demande à l'approche du printemps, tandis que le sale_price_effective_date programmé montre que l'équipe tarifaire a déjà calé une promotion sur cette période prévue au lieu d'attendre que les données de vente la confirment pour réagir.
Concepts associés
La prévision de la demande ne crée de la valeur que si elle se traduit en actions : la gestion des stocks utilise la prévision pour fixer les niveaux de stock en amont des besoins, et la tarification dynamique l'utilise pour ajuster les prix à mesure que la demande réelle se compare à la prédiction. Les prévisions elles-mêmes reposent rarement sur le seul historique des ventes d'un produit — elles s'appuient généralement sur une analyse de marché plus large qui tient compte des tendances de la catégorie et de facteurs externes que les données d'un seul SKU ne captureraient pas.
