Contexte Métier
Une entreprise de vente au détail souhaite optimiser ses niveaux de stock en prévoyant les ventes mensuelles d'un produit phare. Les données historiques montrent une forte saisonnalité, avec des pics de ventes en fin d'année. L'objectif est de générer des prévisions fiables pour les 12 prochains mois afin d'éviter les ruptures de stock ou le surstockage.
À propos du Set : uniTimeSeries
Analyse et prévision de séries temporelles univariées.
Découvrir toutes les actions de uniTimeSeries Préparation des Données
Création d'une table de ventes mensuelles sur 5 ans avec une tendance positive et une saisonnalité sur 12 mois.
Copié !
| 1 | DATA casuser.ventes_mensuelles; |
| 2 | DO year = 2020 to 2024; |
| 3 | DO month = 1 to 12; |
| 4 | date_mensuelle = mdy(month, 1, year); |
| 5 | t = (year - 2020) * 12 + month; |
| 6 | saison = 1 + sin( (month-1) * 2 * constant('pi') / 12 + constant('pi')/2 ); |
| 7 | ventes = 1000 + 15*t + 500*saison + rannor(123)*100; |
| 8 | OUTPUT; |
| 9 | END; |
| 10 | END; |
| 11 | FORMAT date_mensuelle monyy.; |
| 12 | RUN; |
Étapes de réalisation
1
Chargement de la table des ventes dans la session CAS.
Copié !
| 1 | |
| 2 | PROC CASUTIL; |
| 3 | load |
| 4 | DATA=casuser.ventes_mensuelles outcaslib='casuser' casout='ventes_mensuelles' replace; |
| 5 | RUN; |
| 6 |
2
Exécution d'un modèle SARIMA (p=1, d=1, q=1)(P=1, D=1, Q=1)s=12 avec la méthode d'estimation 'ML' (Maximum Likelihood). Génération de 12 prévisions et sauvegarde des résultats dans trois tables distinctes : prévisions, estimations et statistiques.
Copié !
| 1 | PROC CAS; |
| 2 | uniTimeSeries.arima TABLE={name='ventes_mensuelles'}, |
| 3 | timeId={name='date_mensuelle'}, |
| 4 | interval='month', |
| 5 | seasonality=12, |
| 6 | series={{name='ventes', model={{estimate={p=1, q=1, diff=1, sP=1, sQ=1, sDiff=1, method='ML'}, forecast={lead=12, alpha=0.95}}}}}, |
| 7 | outFor={name='previsions_ventes', replace=true}, |
| 8 | outEst={name='estimations_params', replace=true}, |
| 9 | outStat={name='stats_ajustement', replace=true}; |
| 10 | RUN; |
3
Vérification du contenu de la table des prévisions.
Copié !
| 1 | |
| 2 | PROC CAS; |
| 3 | TABLE.fetch / TABLE={name='previsions_ventes'}, to=12; |
| 4 | RUN; |
| 5 |
Résultat Attendu
L'action doit s'exécuter sans erreur et ajuster un modèle SARIMA. Les trois tables de sortie (`previsions_ventes`, `estimations_params`, `stats_ajustement`) doivent être créées dans la caslib `casuser`. La table `previsions_ventes` doit contenir 12 lignes de prévisions pour l'année 2025, avec des valeurs prédites, des limites de confiance, et des erreurs standards. Les prévisions doivent visiblement suivre le cycle saisonnier observé dans les données d'origine.