Votre site reçoit environ 400 visiteurs la plupart des semaines. Mais la semaine dernière, c'était 600. La semaine prochaine, ce sera peut-être 300. Ce schéma n'est pas aléatoire : il est saisonnier. L'été apporte moins de trafic. La fin du mois en apporte plus. La semaine en apporte plus que le week-end.
La prévision par séries temporelles utilise ces schémas pour prédire le trafic futur. Cet article explique comment reconnaître les schémas dans vos données et les utiliser pour prévoir ce qui vient.
La prévision par séries temporelles consiste à analyser des données historiques ordonnées dans le temps et à utiliser les schémas pour prédire des valeurs futures. Vous regardez votre trafic semaine par semaine ou mois par mois sur un an. Vous identifiez des schémas (pics, creux, cycles saisonniers). Puis vous projetez ces schémas vers l'avant.
Contrairement à l'analyse prédictive générale, la prévision par séries temporelles porte précisément sur des séquences dans le temps. Elle reconnaît que ce qui s'est passé la semaine dernière influence ce qui se passe cette semaine. La météo peut jouer sur le trafic. Les saisons jouent sur les achats. Les jours de la semaine jouent sur le comportement.
Quels schémas existent dans les données d'un site
La plupart des sites ont des schémas qui se répètent. Apprendre à les repérer est la première étape pour prévoir.
Les schémas quotidiens
Les jours de semaine apportent plus de trafic que le week-end pour les sites B2B. Le week-end en apporte plus pour les sites de e-commerce et de divertissement. Le matin apporte plus de visites de bureau que l'après-midi. Ces schémas sont stables d'une semaine à l'autre.
Si votre trafic est de 600 le lundi et de 400 le samedi, ce schéma se répète probablement. La prévision par séries temporelles exploite cette régularité.
Les schémas hebdomadaires
Si vous publiez du contenu le mardi, le trafic grimpe le mardi. Si vous envoyez vos campagnes e-mail le jeudi matin, le trafic culmine le jeudi. Ces schémas reviennent chaque semaine.
Suivez un mois de données et vous verrez le rythme hebdomadaire. Une fois que vous le voyez, vous pouvez le prévoir.
Les schémas saisonniers
Janvier est plus calme que décembre. L'été est plus calme que l'automne. La période des impôts est plus chargée pour les services de comptabilité. La prévision par séries temporelles capte ces cycles sur plusieurs mois.
Il faut au moins un an de données pour identifier des schémas saisonniers. Six mois est le minimum pour les schémas hebdomadaires.
Les schémas de tendance
Au-delà des cycles saisonniers, certains sites suivent des tendances plus longues. Les nouveaux sites croissent régulièrement (tendance à la hausse). Les sites matures plafonnent. Certains déclinent. La prévision par séries temporelles sépare la tendance à long terme du bruit saisonnier.
Si votre tendance est de 10 % de croissance par an et que votre schéma saisonnier montre des pics au T4, vous pouvez prévoir le T4 de l'an prochain : le T4 de l'an dernier plus 10 % de croissance plus l'ajustement saisonnier.
Les calculs derrière la prévision par séries temporelles
Vous n'avez pas besoin de connaître les calculs pour l'utiliser, mais comprendre le principe aide.
La prévision par séries temporelles décompose vos données en composantes :
Tendance : direction à long terme (en hausse, en baisse, stable)
Saisonnalité : schémas qui se répètent (quotidiens, hebdomadaires, mensuels, annuels)
Variation aléatoire : bruit qui ne suit aucun schéma
Formule : valeur réelle = tendance + saisonnalité + aléatoire
La prévision prédit la tendance et la saisonnalité. La part aléatoire reste imprévisible.
Exemple : votre trafic de cette semaine était de 500.
Composante de tendance : +50 (croissance de 50 par semaine)
Composante saisonnière : +100 (cette semaine est en haute saison)
Composante aléatoire : -50 (simple bruit)
Réel : 50 + 100 - 50 = 100. Base de 400 + 100 = 500.
La semaine suivante, sans l'événement particulier (pas de pic aléatoire) :
Tendance : +50
Saisonnalité : -75 (la semaine prochaine est en basse saison)
Aléatoire : 0
Prévision : 400 + 50 - 75 = 375
C'est simplifié, mais l'idée est que votre prévision sépare le signal (tendance plus saison) du bruit (l'aléatoire).
Des méthodes de prévision simples pour les propriétaires de site
Vous n'avez pas besoin d'algorithmes complexes. Des méthodes simples fonctionnent bien.
Méthode 1 : comparaison avec la même période
Le trafic de ce lundi a atteint 600 en moyenne sur l'année écoulée. Lundi prochain sera probablement autour de 600.
C'est la prévision la plus simple : regarder le même jour ou la même semaine l'an dernier.
Méthode 2 : tendance plus saisonnalité
Le trafic a progressé de 10 % d'une année sur l'autre et les mois de décembre sont 50 % au-dessus de la moyenne.
Prévision pour décembre de l'an prochain : (décembre dernier) multiplié par 1,10 (pour 10 % de croissance) égale votre prévision.
Méthode 3 : moyenne mobile
Faites la moyenne du trafic des 4 dernières semaines. C'est votre base. Ajoutez ensuite l'ajustement saisonnier.
Si la base est de 500 et que décembre tourne habituellement à 550, votre prévision pour décembre est de 550.
Méthode 4 : lissage exponentiel
Donnez plus de poids aux données récentes qu'aux anciennes. Les semaines récentes comptent plus que les données d'il y a un an, parce que les choses changent.
Si les 4 dernières semaines ont fait 480 en moyenne et que la moyenne d'il y a un an était de 450, faites davantage confiance aux données récentes. Prévoyez plus près de 480 que de 450.
La décomposition saisonnière : la technique clé
La décomposition saisonnière sépare vos données en composantes de tendance, de saisonnalité et d'aléatoire. C'est la base de la plupart des prévisions précises.
Étape 1 : rassemblez une année complète de données (ou plusieurs années si vous voulez de la précision).
Étape 2 : calculez la moyenne de chaque période (chaque lundi, chaque mois, etc.). Ce sont vos indices saisonniers.
Étape 3 : calculez la tendance en ajustant une droite sur les données. Est-elle en hausse ? En baisse ? Stable ?
Étape 4 : retirez la tendance et la saisonnalité pour voir le bruit. Ce qui reste est la variation aléatoire.
Étape 5 : projetez vers l'avant avec les composantes de tendance et de saisonnalité. Rajoutez la variation saisonnière à la droite de tendance.
Vous pouvez le faire avec de simples calculs de tableur ou utiliser des outils de prévision qui le font automatiquement.
Des outils qui facilitent la prévision par séries temporelles
Pas besoin de logiciel avancé. Des outils de base suffisent :
Google Sheets : fonction FORECAST intégrée
Autre tableur : FORECAST ou FORECAST.LINEAR
Bibliothèques Python : bibliothèques de prévision (dont une créée par Facebook), ARIMA, LSTM
Plateformes de statistiques : beaucoup suivent les prévisions automatiquement
Les statistiques de WEMASY pourraient intégrer la prévision, en vous montrant le trafic prévu du mois prochain d'après les schémas historiques.
Les limites de la prévision par séries temporelles
La prévision par séries temporelles suppose que le passé prédit l'avenir. Elle ne tient pas compte des événements uniques.
Si vous lancez une grosse campagne, la prévision ne tient plus. Si Google modifie les résultats de recherche, la prévision est fausse. Si l'économie bascule, les schémas changent.
La prévision par séries temporelles fonctionne quand les conditions restent stables. Elle échoue quand elles changent.
Comment utiliser les prévisions concrètement
Les prévisions ne sont pas des garanties. Ce sont des guides pour planifier.
Si vous prévoyez 600 visiteurs la semaine prochaine, planifiez pour 600 mais restez souple. Si vous en avez 450, cherchez ce qui a changé. Si vous en avez 800, réjouissez-vous, mais comprenez pourquoi.
Utilisez les prévisions pour :
La planification de capacité : aurez-vous besoin de plus de serveurs ? De plus de personnel de support ?
La planification des campagnes : quel est le meilleur moment pour lancer ?
La prévision du chiffre d'affaires : à quoi ressemblera le chiffre d'affaires du trimestre prochain ?
La comparaison à une base : ce changement a-t-il fait bouger les choses ou n'était-ce que de la saisonnalité ?
Questions fréquentes
De combien de données historiques ai-je besoin pour prévoir avec précision ?
Au moins 6 mois pour les schémas hebdomadaires. Au moins 2 ans pour les schémas saisonniers (pour voir plusieurs cycles). Plus de données donne des prévisions plus précises. Une fois que vous avez un an, vous pouvez prévoir avec confiance. Le créateur de site web de WEMASY vous permet de le mettre en place directement sur votre site.
Et si mes données sont erratiques, sans schéma clair ?
Certains sites ont un trafic imprévisible (nouveaux sites, contenus viraux, actualité politique, etc.). La prévision par séries temporelles demande des schémas. Si vos données ne sont que du bruit, la prévision n'aidera pas. Concentrez-vous plutôt sur la tendance.
Puis-je prévoir séparément différents segments de mon trafic ?
Oui. Prévoyez séparément la recherche naturelle, les publicités et l'e-mail. Chacun peut avoir des schémas différents. Additionnez ensuite pour obtenir la prévision totale. Cela marche souvent mieux que de prévoir le trafic total.
Dois-je ajuster ma prévision manuellement ?
Si vous savez que quelque chose arrive (une campagne, un lancement de produit, un événement saisonnier), ajustez la prévision en conséquence. L'algorithme ne connaît pas les événements ; vous, si. Servez-vous de vos connaissances pour affiner la prévision.
À quelle fréquence dois-je mettre à jour ma prévision ?
Au moins une fois par mois. Ajoutez les nouvelles données et recalculez la prévision. Si les schémas changent (nouvelle campagne, évolution du marché), recalculez tout de suite. Ne supposez pas que la prévision du mois dernier est toujours valable.
La prévision par séries temporelles est-elle la même chose que l'analyse prédictive ?
Proche, mais différente. L'analyse prédictive utilise de nombreuses variables (dépenses publicitaires, type de contenu, saisonnalité, etc.). La prévision par séries temporelles se concentre sur une seule variable ordonnée dans le temps. Les séries temporelles sont plus simples ; le prédictif est plus complexe.