La prévision de la demande consiste à utiliser les données de ventes historiques, la saisonnalité et les signaux du marché pour anticiper la demande future d'un produit. Dans le e-commerce, cette prévision influence directement les décisions relatives aux stocks et à la publicité : niveau de stock optimal, ajustement des prix, et mise en avant des produits saisonniers (au contraire, retrait progressif). Bien menée, elle remplace les conjectures sur la demande future par un plan étayé par des données, permettant au détaillant d'anticiper les besoins et d'agir en conséquence.

Pourquoi la prévision de la demande est importante pour la planification des stocks et de la publicité

Commander trop de stock immobilise des liquidités qui pourraient nécessiter des remises ultérieures, tandis que commander trop peu signifie perdre des ventes précisément au moment où la demande atteint son pic. Ces deux situations sont dues à des prévisions inexistantes ou peu fiables. Côté publicité, les campagnes lancées après le pic de la demande ratent la période la plus lucrative de la saison, un problème similaire à celui que Civil a résolu en augmentant son ROAS de 36 % grâce à la création de contenu publicitaire à temps pour chaque campagne : anticiper 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 de données intégrant les prévisions de la demande peuvent également optimiser automatiquement les enchères et le budget, en concentrant les dépenses en amont d’un pic prévu plutôt que de devoir rattraper le retard en cours de saison.

Comment fonctionne la prévision de la demande

Les modèles de prévision combinent généralement l'historique des ventes d'un produit avec des tendances saisonnières plus larges et une analyse du marché externe : variations de la demande au niveau de la catégorie, activité des concurrents ou tendances macroéconomiques que l'historique d'une seule référence ne révélerait pas à lui seul. Les données sont généralement intégrées à deux systèmes : les systèmes de gestion des stocks, qui les utilisent pour définir les seuils de réapprovisionnement et les niveaux de stock de sécurité bien en amont de la courbe de demande prévue, et les moteurs de tarification dynamique, qui ajustent les prix progressivement en fonction de l'évolution des ventes. Les équipes en charge de l'alimentation des données affichent souvent la prévision sous forme d'étiquette ou d'attribut personnalisé sur le produit, permettant ainsi aux règles des campagnes de réagir directement à un niveau de demande, sans intervention humaine pour identifier manuellement les produits sur le point de devenir saisonniers.

Exemple : Prévision de la demande dans un flux de 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>

Le custom_label_0 Les indicateurs de valeur signalent que cet article devrait connaître une forte demande au printemps, tandis que le calendrier sale_price_effective_date Cela montre que l'équipe en charge de la tarification avait déjà programmé une promotion pour qu'elle coïncide avec cette période prévue, au lieu d'attendre que les données de vente la confirment pour réagir.

Concepts associés

La prévision de la demande n'est pertinente que lorsqu'elle est mise en œuvre efficacement : la gestion des stocks s'appuie sur les prévisions pour anticiper les besoins, et la tarification dynamique les utilise pour ajuster les prix en fonction de l'évolution de la demande réelle par rapport aux prévisions. Ces prévisions sont rarement établies uniquement à partir de l'historique des ventes d'un seul produit ; elles reposent généralement sur une analyse de marché plus large qui prend en compte les tendances du secteur et les facteurs externes que les données d'une seule référence ne permettraient pas de saisir.