Conserver les données dans un unité de mesure compatible à l’utilisation.
●Regrouper les options.
●Utiliser des intervalles de temps constants
●Enregistrer les événements spéciaux.
●Conserver les données par type de canal de distribution / type de client

Facteurs à considérer:
●L’horizon de la prévision (court – moyen – long terme)
●La disponibilité des données historiques / la nature des observations passées.
●Les besoins à satisfaire (exactitude, fiabilité,...)
●Les contraintes à respecter (coût vs budget, temps disponible, ...)
●La maîtrise des techniques de prévision.
Erreur cumulative moyenne
–Indique le niveau de biais d’une prévision.
●Écart absolu moyen
–Analyse de distribution des erreurs anticipées, calcul du stock de sécurité
●Erreur quadratique moyenne
–Permet de faciliter le choix entre diverses techniques de prévision.
●Indice de déviation soutenue
–Indique qu’une prévision est biaisée et devrait être révisée.
●Pourcentage moyen d’erreur absolue
–Donne une idée globale de la précision
Extraction de la saisonnalité
●Calculer les moyennes mobiles centrées (M.M.C.) en fonction de la longueur de la périodicité (ex. 12 mois).
●Calculer les indices de saisonnalité en divisant les demandes (valeurs actuelles) par les M.M.C.
●Faire la moyenne des indices obtenus pour un même mois (trimestre ou autres facteurs de périodicité) et ajuster pour obtenir une moyenne de 1.
●Diviser les données historiques de demande par les indices correspondants afin d'obtenir des données historiques désaisonnalisées

Si la moyenne des indices n’est pas égale à un (1), on peut ajuster les indices pour obtenir une meilleure précision.
●Exemple
–Indices trimestriels: 0.5; 0.7; 1.4; 1.8 la somme est 4.4 et la moyenne est de 1.1
–On divise alors chaque indice par 1.1 pour ramener la moyenne à 1 (somme = 4)
–Exemple: 0.5 = 0.45 1.1