Méthodologie Nexelys : comment on construit des prévisions économiques à 3, 6 et 12 mois

« D'où vient ce chiffre ? » C'est la question qu'on entend le plus souvent. Et c'est légitime. Quand un dirigeant prend une décision à 100 000 € ou plus sur la base d'une prévision, il a le droit de savoir comment on est arrivé à ce chiffre : quelle donnée, quel modèle, quel test. Cet article répond à cette question. Sans jargon, sans demi-vérité.

1. La fondation : 500+ sources, jamais une seule

La majorité des outils de prévision que vous trouverez sur le marché tournent sur 5 à 20 séries de données. C'est insuffisant. Une économie réelle, ce sont des dizaines d'engrenages qui tournent en même temps : production, prix, crédit, marchés financiers, météo, géopolitique. En supprimer 90 %, c'est faire des prévisions avec un œil bandé.

Chez Nexelys, on croise plus de 500 sources de données publiques et boursières, mises à jour à la fréquence imposée par chaque source (quotidienne, hebdomadaire, mensuelle, trimestrielle). Quatre familles dominent :

• INSEE : enquêtes de conjoncture, IPC détaillé par poste, comptes nationaux, ventes au détail, indices BT/TP, autorisations de logement, immatriculations, emploi.
• BCE et Banque de France : taux directeurs, OAT 10 ans, crédits nouveaux, encours, taux de défaut.
• Eurostat : production construction Zone Euro, permis EU27, prix de l'énergie, ventes au détail.
• Marchés financiers en direct : CAC 40, ETF sectoriels, Brent, Baltic Dry, matières premières (cuivre, acier, aluminium, bois), EUR/USD, score géopolitique.

Chaque indicateur publié par Nexelys cite ses sources. Vous pouvez vérifier nous-mêmes, et nous, on préfère ça.

2. 60+ indicateurs prévisionnels, calibrés par secteur

Une fois la donnée brute collectée, on construit des indicateurs prévisionnels spécifiques à chaque secteur. Pas des « KPI universels » qu'on adapte au forceps. Des indicateurs pensés pour leur secteur, avec la bonne granularité.

• Transport : trafic poids lourds, fret ferroviaire national et international, passagers vols intérieurs et internationaux, trafic ports, Baltic Dry, coûts carburant, indices logistique.
• Immobilier : prix au m² ancien et neuf, transactions, IRL, permis de construire, mises en chantier, ventes promoteurs, taux crédit habitat, OAT 10 ans, HPI Zone Euro.
• Construction : autorisations de logements, surfaces non-résidentielles, indices coûts BT01/BT47 et TP01–TP12a, production construction France et Zone Euro, matières premières.
• Conjoncture : inflation par poste (énergie, alimentation, logement, transports, services), dépenses des ménages, confiance, immatriculations, taux de chômage France et Zone Euro, marchés financiers.

3. Le test multi-modèles : on essaye plusieurs approches, on garde la meilleure

Voilà le cœur de la méthodologie. Pour chaque indicateur, on ne se contente pas d'appliquer un modèle. On en teste plusieurs en parallèle, puis on garde celui qui a fait ses preuves sur l'historique. Concrètement, les modèles testés sont :

• SARIMAX :auto-régression intégrée avec saisonnalité et variables exogènes. Le standard académique pour les séries économiques.
• GAM (Generalized Additive Models) :capture les relations non-linéaires entre variables. Particulièrement utile quand un indicateur réagit non-proportionnellement à un choc.
• XGBoost :gradient boosting machine learning, performant quand le passé n'est pas un guide simple du futur.
• Random Forest :ensemble d'arbres de décision, robuste face au bruit dans les données.
• Régression linéaire multiple :quand un modèle simple suffit, on ne complique pas. Si la relation est linéaire, autant la décrire linéairement.

Pourquoi cette approche multi-modèles ? Parce qu'aucun modèle n'est universellement meilleur. Sur l'inflation alimentaire, SARIMAX domine. Sur le fret routier, c'est XGBoost. Sur les taux de crédit, c'est souvent une régression simple. Choisir le modèle avant d'avoir testé, c'est se piéger.

4. Le critère de sélection : précision historique sur le hors-échantillon

Pour chaque modèle testé, on procède au backtest hors-échantillon : on lui demande de prédire les 12 derniers mois sans les voir, en n'utilisant que les données antérieures. On mesure ensuite l'écart entre sa prédiction et la réalité observée.

Le modèle retenu est celui qui minimise cet écart. Pas celui qui est le plus impressionnant sur le papier. Pas celui qui fait des prédictions séduisantes. Celui qui a déjà eu raison dans le passé sur un horizon comparable.

Note de transparence : aucune méthodologie ne garantit la justesse parfaite. Une prévision reste une prévision. Mais une prévision qui a démontré sa fiabilité historique sur 12 mois glissants pendant plusieurs années est très différente d'une intuition habillée en chiffre.

5. L'interconnexion des secteurs : pourquoi on ne sépare jamais

Une erreur classique de la prévision sectorielle, c'est de regarder un seul secteur dans sa bulle. Or les secteurs sont profondément interconnectés. Une hausse des taux BCE pèse sur l'immobilier, qui freine la construction, qui réduit la demande de transport routier de matériaux, qui se répercute sur les coûts logistiques globaux, qui réinjectent de l'inflation. C'est un système.

Nos modèles intègrent ces relations croisées. Quand vous lisez la prévision construction, elle a été calibrée en tenant compte des dernières évolutions du crédit, de l'OAT 10 ans et de la consommation des ménages. Pas comme une variable isolée.

6. La mise à jour : mensuelle pour la plupart, en continu pour le marché

Les indicateurs sont rafraîchis automatiquement à la fréquence de publication des sources :

• Quotidien :marchés financiers, Brent, EUR/USD, Baltic Dry, ETF sectoriels.
• Hebdomadaire :certains indices boursiers, matières premières, prix de gros.
• Mensuel :IPC, ventes au détail, indices BT/TP, immatriculations, dépenses des ménages.
• Trimestriel :prix immobiliers, transactions, comptes nationaux, IRL.

Les prévisions sont re-calculées chaque mois (ou chaque trimestre selon le secteur) sur la base des données les plus récentes. Pas de prévision « congelée » qu'on traîne pendant 6 mois.

7. La transparence : pourquoi on cite tout

Si vous lisez une analyse Nexelys, vous trouverez toujours la source du chiffre cité, la date de l'observation, et la méthode employée. C'est non-négociable. Pour deux raisons :

• Pour vous : vous devez pouvoir vérifier. Une donnée non sourcée est une opinion qui se déguise en fait.
• Pour nous : la transparence nous oblige à la rigueur. Si on doit citer la source, on évite d'arrondir, de simplifier, de trafiquer.

8. Ce que les modèles ne font pas

Pour être honnête, voilà ce que notre approche ne garantit pas, et il faut le savoir.

• Ils ne prédisent pas les chocs exogènes. Une pandémie, une guerre, un attentat, aucun modèle statistique ne les voit venir. Nos modèles aident à mesurer leur impact après coup, pas à les anticiper.
• Ils complètent votre jugement de dirigeant, ils ne le remplacent pas. Les chiffres donnent un socle objectif à vos décisions, votre intuition métier et le contexte de votre entreprise font le reste. La prévision et le dirigeant travaillent ensemble, jamais l'un contre l'autre.
• Ils s'améliorent avec le temps. Plus on accumule d'historique de prévisions vs. réalité, plus on affine les choix de modèles. Nos prévisions de 2026 sont plus solides que celles de 2024, et celles de 2028 le seront encore davantage.

Conclusion : pas de magie, juste de la rigueur

Il n'y a pas de boîte noire chez Nexelys. Pas d'algorithme propriétaire mystérieux qu'on refuserait d'expliquer. Notre méthodologie est l'application disciplinée de techniques statistiques bien connues, sur un large jeu de données publiques, avec une transparence totale sur les sources et les choix de modèles.

Si c'est la rigueur qui vous intéresse, plus que la promesse, alors vous êtes au bon endroit.