Aujourd'hui, La Poste se trouve dans une situation particulièrement délicate au regard des mutations de son environnement économique. Pour répondre à ses nouveaux enjeux, elle doit développer sa planification stratégique, dans laquelle la prévision de son chiffre d'affaires joue un rôle particulièrement crucial. Or, à l'heure actuelle, les méthodes utilisées par la Direction Stratégique, notamment pour traiter la question de l'effet jours ouvrables, ne sont pas optimales et l'entreprise cherche à les améliorer. Notre thèse, réalisée en convention CIFRE avec la Direction Marketing Stratégique de La Poste, s'inscrit dans ce questionnement. Notre recherche vise plus spécifiquement à déterminer quels sont les meilleurs modèles économétriques pour la prévision du chiffre d'affaires du courrier. On se penche dans un premier temps sur la question de l'effet jours ouvrables que l'on traite à l'aide de méthodes de prévision, afin d'en obtenir une analyse approfondie. Puis on cherche à déterminer des modèles de prévisions adaptés à chaque type de clientèle et, enfin, au chiffre d'affaires totales. Pour l'entreprise, cette recherche vise à élaborer un outil fiable de prévision et d'aide à la décision. Au point de vue théorique, le principal apport de notre travail réside dans l'utilisation de modèles de prévision pour analyser l'effet jours ouvrables, à la place de l'utilisation d'outils de détection automatique. / Nowadays, La Poste is facing a particularly complex situation, related to the many changes of its economic environment. In order to respond to the new issues, it must develop strategic planning, in which income prediction plays a crucial part. Yet, to this day, the methods used by the Strategy Department are not optimal and the company is working at their improvement. Our research,conducted in the framework of a CIFRE partnership with the Strategic Marketing Department in La Poste, is anchored in this questioning. Our work is specifically aimed at determining the best econometric models to predict income of the Mail activity. We first focus on the issue of the "Trading days effect", that we examine using prediction methods, in order to get an in-depth view of it. Then we engage in determining prediction models adapted to each type of customers and, finally, a model for total income. For the company, this research is aimed at elaborating a reliable prediction and decision-making tool. From the theoretical point of view, the main contribution of our work lies in our using prediction models to analyze "Trading days effect", instead of automatic detection tools.