L’analyse des séries chronologiques est une méthode statistique qui étudie des observations d’une même grandeur, recueillies à intervalles réguliers, pour en décrire l’évolution dans le temps, en séparer les composantes et, le cas échéant, en établir une prévision.
Une série chronologique, ou série temporelle, est une suite de valeurs ordonnées par le temps : ventes mensuelles, trafic hebdomadaire d’un site, budget publicitaire trimestriel. L’ordre des observations compte, ce qui distingue ce type de données d’un simple échantillon d’individus.
La démarche décompose la série en composantes. Selon l’Insee, la tendance traduit les variations de fond observées sur une longue période, la composante saisonnière regroupe les fluctuations qui se répètent d’une année sur l’autre, et la composante irrégulière rassemble les fluctuations résiduelles et erratiques. L’Insee regroupe la tendance et le cycle en une « tendance-cycle ». Les techniques courantes sont la décomposition, le lissage par moyennes mobiles, la correction des variations saisonnières et les modèles de prévision.
Elle se distingue de l’analyse des tendances, qui s’intéresse à la direction générale d’un phénomène, la tendance n’étant ici qu’une composante parmi d’autres. Elle se distingue aussi de l’étude longitudinale, qui suit les mêmes individus au fil du temps, et de l’analyse prédictive, démarche plus large qui recourt à plusieurs techniques de prévision. Les directions marketing, financières et logistiques l’emploient pour comparer des périodes comparables et préparer un budget ou un plan de charge.
Une série brute mélange la tendance de fond, le rythme du calendrier et le hasard. Comparer décembre à novembre sans corriger la saison revient à comparer deux situations différentes. Selon l’Insee, la correction des variations saisonnières « permet d’éliminer l’effet de fluctuations périodiques infra-annuelles » et met en évidence les évolutions les plus significatives, qui figurent dans la tendance et la composante irrégulière (définition de l’Insee, consultée en octobre 2026). L’Insee corrige aussi les effets de jours ouvrables, c’est-à-dire les écarts dus au nombre de jours travaillés d’un mois à l’autre.
Pour un responsable marketing, l’enjeu est concret. Un mois de promotion se compare au même mois de l’année précédente, ou à une série corrigée, plutôt qu’au mois précédent.
Trois repères suffisent. L’écart moyen en pourcentage entre prévu et réel mesure la précision. Le biais, c’est-à-dire des erreurs toujours de même sens, révèle une dérive du modèle. La comparaison avec une prévision naïve saisonnière, qui reprend la valeur de la même période l’an dernier, mesure l’utilité du modèle : une prévision qui ne bat pas la méthode naïve ne justifie pas sa complexité.
Nous recommandons d’afficher une fourchette plutôt qu’une valeur unique, et de réviser la prévision à chaque nouvelle observation.
Enfin, cette méthode décrit un rythme, elle n’en explique pas les causes. Pour relier des ventes à des leviers marketing, on recourt à d’autres approches, comme le Marketing Mix Modeling.
Le livre blanc gratuit d’Advalians détaille onze erreurs de mesure courantes, chacune avec son test et sa correction, et un tableau d’indicateurs partagé ventes et marketing.
Advalians, cabinet de conseil indépendant en marketing et communication, vous aide à clarifier vos choix et à décider.
L’analyse de séries chronologiques suit une grandeur agrégée au fil du temps, par exemple les ventes mensuelles. L’analyse de cohorte suit des groupes d’individus qui partagent un point de départ, par exemple les clients acquis en janvier, pour comparer leur comportement à ancienneté égale.
La première répond à la question « comment la grandeur évolue-t-elle ? », la seconde à « les nouveaux clients se comportent-ils mieux que les anciens ? ». Quand les ventes baissent, la série signale le phénomène et la cohorte aide à en trouver l’origine.
Il faut observer plusieurs cycles complets. Les lignes directrices européennes sur la désaisonnalisation (Eurostat, 2015) considèrent qu’une série de moins de trois ans ne peut pas être désaisonnalisée par les méthodes usuelles, et qu’entre trois et sept ans les résultats restent instables. Comptez donc trois années complètes au minimum pour une saisonnalité annuelle.
Avec un historique plus court, on distingue mal une saison d’un événement ponctuel. Comparez alors chaque mois au même mois de l’année précédente et signalez la limite de la comparaison. Vérifiez aussi que la définition de l’indicateur n’a pas changé sur la période.
Comparez-la à une prévision naïve saisonnière, qui reprend la valeur de la même période l’an dernier, sur des périodes que le modèle n’a pas vues. Réservez les derniers mois de l’historique, prévoyez-les, puis calculez l’écart moyen en pourcentage entre prévu et réel.
Vérifiez que les erreurs ne vont pas toutes dans le même sens. Si le modèle ne fait pas mieux que la méthode naïve, conservez celle-ci. Présentez toujours une fourchette plutôt qu’un chiffre unique.
Parce que le modèle prolonge le passé, et qu’une rupture change les règles : lancement, crise, changement de mesure, arrivée d’un concurrent. Identifiez la date de la rupture et signalez-la dans les données au lieu de la lisser.
Réestimez ensuite le modèle sur la période postérieure, ou ajoutez une variable qui représente l’événement. Révisez la prévision à chaque nouvelle observation, et ne présentez pas de prévision au-delà d’un horizon que vos données ne permettent pas d’étayer.
Renoncez-y si l’historique est trop court, si l’indicateur a changé de définition ou si le phénomène dépend surtout d’événements uniques, comme un lancement de produit. Préférez alors une comparaison simple avec l’année précédente, un avis d’experts ou un test.
La méthode vaut l’effort quand vous devez planifier des stocks, un budget ou des équipes à partir d’une grandeur régulière, avec au moins trois ans de données propres.
Modèles, grilles et guides prêts à l’emploi pour vos projets marketing et communication.
