1 Séminaire doctorant 1 ère année de thèse 25 05 2009 Thèse: Intégration de la prévision de la demande et de loptimisation de la planification de la production

1

Séminaire doctorant1ère année de thèse

25 05 2009

Thèse:

Intégration de la prévision de la demandeet de l’optimisation de la planification

de la production et de l’approvisionnement

Doctorant: Thibault HUBERT

Début de thèse : Octobre 2008

Cadre : Allocation de recherche et monitorat.

Affiliation à la Chaire Supply Chain

Directeur de thèse : Chengbin CHU – Professeur des universités

Co-encadrant : Zied JEMAI – Maître de Conférence

2

Présentation thématique de recherche

Mots clés : Méthodes de prévision & adaptation planification, robustesse &

incertitude

Thématique : Thème 2 : «Systèmes de production

et de distribution de biens et de services»

planification de la production et des approvisionnements

1ère thèse de la Chaire Supply Chain

3

Travail en cours – thèse: Intégration de la prévision et optimisation de la planification

Intégration de la prévision de la demande et optimisation de la planification de la production

et de l’approvisionnement

Etat de l’art et étude des méthodes de prévisions Méthodologie de choix de méthode de prévision Adaptation dynamique aux caractéristiques de la demande des produits

étudiés Optimisation de la planification de la production et de

l’approvisionnement Comparaison de trois planifications (à priori, à posteriori, optimale) et

qualification de leur robustesse en fonction du coût de leurs inexactitudes.

Etude de la planification en univers incertain Incertitude et prévision connue Développement de méthode de planification permettant de minimiser le

coût de replanification

– Etude cas mono-produit avec comparaison à la politique de lotissement de Wagner-Whitin

4

Contexte et enjeux industriels

Importance des enjeux logistiques dans tous les secteurs d’activités et importance de la réduction des coûts

Augmentation des liquidités par la réduction des immobilisations Amélioration du taux de service

Leviers d’actions: Amélioration de la prévision de la demande Optimisation de la planification (production et approvisionnement)

Participation de cinq entreprises de la CSC pour valider les recherches et apporter des améliorations à leurs processus

Deux intérêts Apport scientifique: développement du sujet académique Implication directe des entreprises partenaires: application immédiate des

résultats trouvés.

Sujet de la thèse

5

Problématique et objectifs de la recherche

Adaptation de la prévision Rôle crucial

Importance de la fiabilité des données d’entrée pour les processus industriels et financiers

Planification, mise en production, définition du budget Définition d’une méthodologie de choix de modèle de prévision adapté au cas

étudié afin d’assurer une fiabilité donnée. Apport d’une dynamique de choix permettant de prendre en compte

l’évolution des caractéristiques de la demande

Optimisation de la planification Nouvelles méthodes de planification

production et transports Prise en compte de nouvelles contraintes dont la robustesse à la variabilité

des prévisions Utilisation de nouvelles fonctions objectifs

Minimisation du coûts de replanification et d’ajustement de la planification Maximisation du taux de service et de la qualité d’évaluation des stocks de sécurité

6

Travail en cours – Intégration et utilisation de la prévision

Etude des modèles de prévision Bibliographie sur les modèles de prévision, leur suivi et leurs applications

[Brown, 1959], [Cogger, 1973], … [Fildes, 2008]

Méthodologie de choix de modèles de prévision et intégration Comparaison des modèles [Williams, 1984], [Flores, 1993] Catégorisation de la demande et des modèles [Syntetos et al., 2005] Algorithme de choix de modèles et de méthodes de prévision [Shah et al,

2007] Optimisation du modèle par rapport aux types de demandes [Fleischmann

et al., 2002] Dynamique du suivis et de l’adaptation des modèles [Tyagi, 2002]

Application Carrefour & Danone: Etude des Eaux Gefco: Transport amont avec consolidation sur crossdock PSA: Etude des pièces de rechanges Vallourec: Prévision de comandes d’un type de produit

7

Travail en cours – Intégration et utilisation de la prévision

Proposition d’une méthodologie de choix de modèle de prévision

Classification des produits Classification par l’historique Classification par le type de demande Classification par l’utilité de la prévision

Choix du modèle de prévision et adaptation Choix arbitraire ou comparaison Choix figé, évolutif ou dynamique Adaptation manuelle, automatique, intelligente

8

Classification par rapport à l’historique

Existence d’un historique

Existence de l’historique d’un produit similaire (même caractéristiques de demande)

Produit en début de vie (nouveau produit)

Analyse de la demande

Produit en début de vie (nouveau produit)

OuiNon

OuiNon

Mise en place suivi historique

Modèle de Gombertz, Modèle logistique, Analyse de la demande

Analogie historique similaireAnalyse de la demande

Modèle de GombertzModèle logistiqueAnalogie historique similaireAnalyse de la demande

OuiNon OuiNon

9

Classification par analyse de la demande

Analyse de la tendance

Analyse de la saisonnalité

Analyse de la continuité de la demande

Correction de la saisonnalité et mémorisation ou modèle de Winters

Analyse de la saisonnalité

Demande avec tendance

Moyenne mobile, Lissage exponentiel,

Demande sans tendance

Analyse de la tendance

Demande sans saisonnalité

Demande avec saisonnalité

Demande continue

Demande erratique

Analyse de la variabilité de la quantité Analyse de la variabilité de l’intermittence

… …

Analyse de la variabilité de la quantité

Correction de la tendance et mémorisation ou comparaison modèle de Holt et de Winters

Analyse de la variabilité de la quantité

Demande avec faible variabilité en quantité

Demande avec variabilité moyenne en quantité

Demande avec forte variabilité en quantité







Demande intermittente

Délai entre commande peu variable

Délai entre commande très variable

Délai entre commande peu variable

Délai entre commande très variable

10

Travail futur – Optimisation de la planification de la production et de l’approvisionnement

Deux pistes d’étude académique envisagées

Etude de la robustesse de la planification Comparaison de trois planifications:

– La planification a priori (planification réelle avec prévision considéré parfaite)

– La planification a posteriori (prévision initiale et son erreur)

– La planification optimale, (avec demande réelle a posteriori) Qualification de robustesse des 2 premiers modèles de planification en fonction du

coût de leurs inexactitudes.

Planification a priori: 5 ruptures

Planification a posteriori: 24,5 unités

de stock supplémentaire

11


Etude de la planification en univers incertain Incertitude et prévision connue 1ère planification pour n pas de temps Après ta , 2ème planification pour n pas de temps Meilleure méthode de planification permettant de minimiser le coût de replanification?

– Etude cas mono-produit avec politique de lotissement de Wagner-Whitin

12


Applications

Carrefour Approvisionnement en Eaux& Danone

Gefco Transport amont avec consolidation sur crossdock

PSA Gestion des PR

VallourecPlanification de production

13

Contribution des partenaires

1ère partie: Prévision Fourniture d’un échantillon permettant de tester la méthodologie de choix de

modèles de prévision et sa qualité: Famille:

Une famille spécifique comportant des produits (demande individuelle quelconque mais demande agrégée des produits non erratique) de caractéristiques similaires

Historique:(prévision initiale, prévision finale, demande réelle, explications des événements exceptionnels si nécessaire) sur l’horizon le plus long possible (20 à 50 périodes)

Exemples Carrefour & Danone:

eaux (gazeuse, plate, forme,…), type et marque bouteilles différents (Vittel (1L), Evian (1L),…) PSA:

Demande pour une région (1 magasin national), 1 catégorie (Pièce de rechange de série ou hors série ou gamme complémentaire ou accessoires), 1 type de vente (forte rotation, rotation moyenne, rotation faible), plusieurs produits (SKU)

Gefco:Prévision donneurs d’ordres différents sur un même trajet (magasin 1 – usine 1) avec quantité en unité « normalisée »

Vallourec:Demande pour une famille de produits (une matière, un diamètre extérieur, plusieurs longueurs, plusieurs diamètres intérieurs, plusieurs type de finition)

14

Questions

Travail en cours Thèse – Intégration et utilisation de la prévision

Travail futur Thèse – Optimisation de la planification de la production et de

l’approvisionnement

15

16

Personnes rencontrées

Carrefour & Danone Corinne HENRY: Responsable Marchandises Liquides

Pierre TRICOIRE (Danone Eaux): Prévision et analyse de la demande participation à une réunion projet OSA Carrefour - Danone (10 personnes)

DHL André BENAYOUN: IT Directeur DHL Excel

PSA Jean CAILLERET Yves FALLOUEY: Responsable logistique PR

Denis SAGLIER: Responsable commercial PR Gefco

Jean-Marie THOMAS: Responsable commercial Gestion des contenants Nicolas DE VRIES: Responsable commercial Gestion logistique amont Deux réunions spécifiques (5 personnes rencontrées)

Vallourec Christian GRY: Responsable logistique _ Chef de projet SCM

Nadine FAILLY: Responsable logistique France

Demandes des partenaires

17

Carrefour & Danone Proposition et évaluation d’une méthode de prévision de la demande sur les eaux Développement de méthodes de planification d’approvisionnement (1)

DHL Pas de demande spécifique

Gefco Proposition et évaluation d’une méthode de prévision des besoins en transport (2)

PSA Proposition et évaluation d’une méthode de prévision de PR pour un magasin régional Développement de méthodes de planification d’approvisionnement entre central et régional

Vallourec Proposition et évaluation d’une méthode de prévision de la demande Développement de méthodes de planification de production

Demandes des partenaires

1. Cf projet OSA• 2 points (organisation magasin & mesure stock magasin) doivent y être résolus avant de travailler sur

les prévisions et les approvisionnements en eaux2. Proposition de stage (Gefco)

• Qualification des prévisions clients, du référentiel pièce et du référentiel transport pour améliorer l’intégration des données de prévision

• Transformation de la prévision client en prévision transport (Agrégation de données)

18

Mise en perspective du sujet

Problématique

Classifications

Synthèse bibliographique

19

Problématiques industrielles

Objectifs Réduire le coût de la supply chain (stock, transport,…) Assurer un taux de service élevé pour améliorer la disponibilité des produits

pour les clients Améliorer la qualité de la planification pour optimiser l’utilisation des moyens

Caractéristiques Demandes variables Manque de données Nombre de références élevé Grande variabilité Demandes intermittentes Nombreux intervenants

Exemples Carrefour & Danone: Eaux Gefco: Pièces d’assemblages PSA: Pièces détachées Vallourec: Tubes

20

Classification des produits

Groupage de produits suivant différents paramètres (disponibilité, importance, prix, volume, rapidité de livraison, criticité,…)

[Petrovic et al., 1992]; [Gajpal et al., 1994]; [Cohen et al., 1997]; [Regattieri et al., 2005]

Classification spécifique aux PR [Gelders and van Looy, 1978]; [Duchessi et al., 1988]; [Cohen and Ernst,

1988]; [Fuller et alr., 1993]; [Prakash, et al., 1994]; [Porras and Dekker, 2008]

Suivi de signal pour classer des produits [Alstrom and Madsen, 1996]

21

Demande régulière ou aléatoire Demande à forte ou faible rotation

Classification et type de la demande

Filtrage de la demande [Cachan and Fisher, 1997]; [Kalchschmidt et al., 2003]

Classification par type d’incertitude: [Mula et al., 2006]

22

Demande saisonnière Demande évolutive Demande intermittente

[Ghobbar and Friend, 2002]; [Willemain et al., 2004]; [Syntetos et al., 2005]; [Boylan et al., 2006]

Classification et type de la demande

Filtrage de la demande [Cachan and Fisher, 1997]; [Kalchschmidt et al., 2003]

Classification par type d’incertitude: [Mula et al., 2006]

23

Synthèse bibliographique

Classification suivant le type d’application et le type de résolution adoptés

Etude de la prévision

Méthodes de planification et d’approvisionnement

24

1_ Synthèse bibliographique – Etude de la prévision

Prévision pure Empirique

Méthodes extrapolatives Modèle [Gardner & McKenzie, 1985]; [Collopy &

Armstrong, 1992] Etude de la saisonnalité [Bunn & Vassilopoulos, 1999]; [Chen & Boylan, 2007]

Méthodes causales et multi-variables Demande avec tendance [Hendry & Mizon, 1978]; [Dielbold, 2006] Modèle économique [Allen & Fildes, 2001]; [Campos et al., 2005]

Méthodes élaborées (modèles non linéaires et réseaux de neurones) Réseaux de neurones artificiels [Zhang, 2000] Data mining [Tan et al., 2005]; [Olafsson, 2006] Modèles non linéaires [De Gooijer & Hyndman, 2006]

Modèles explicatifs & jugements Delphi et échantillon de population [Morwitz, 2001]; [Muthy, 2007] Bayèsienne [Harrison & Steven, 1971] Review [Lawrence et al., 2006]

Combinaisons de plusieurs méthodes Lissage exponentiel [Hyndman et al., 2008] Extrapolation [Fildes, 1989]

Estimation de l’incertitude et qualification Erreur future à partir de l’erreur passée [Fildes & Makridakis, 1995] Approche avec lissage exponentiel [Taylor, 2007] Review [Hyndman & Koehler, 2006]

25


Application à l’Industrie Premier lien [Brown, 1963]

Méthodes de sélection de modèles Premier travaux [Reid, 1972] Recherche de la méthode la plus appropriée [Meade, 2000] Review des méthodes de choix [Fildes & Ord, 2002] Impact de l’échange d’informations sur le choix du modèle de prévision [Zhao et al.,

2002]

Demande intermittente Base de la prévision de cette demande [Croston, 1972] Modèle classique de la prévisions intermittente [Johnston & Boylan,

1996]; Correction de méthode de Croston [Syntetos & Boylan, 2001];

[Shenstone & Hyndman, 2005]; [Shale et al., 2006] Méthode de prévision non paramétrée [Willemain et al., 2004] Méthode causale (loi de maintenance) [Ghobbar and Friend,

2003]

Planification de la Supply Chain, gestion de stock, demande aléatoire, collaboration, échanges d’informations

Impact de l’échange d’information sur le « bullwhip effect » [Chen et al., 2000] Effet de l’échange d’information (stock et demande) sur la supply chain [Aviv, 2002] Impact du VMI sur la supply chain [Yu et al., 2002] Effet de l’incertitude sur la supply chain [Cachon & Larivière, 2001]

26


Application au Marketing Nouveaux produits

Utilisation des 1ère ventes et expérience [Bass, 1969] Comportement consommateur [Green et al., 2001] Analogie avec produits similaires [Thomas, 2006]

Effet marketing, modélisation de marchés Lien entre prix, promotion et demande [Divakar et al., 2005]

Relation client, Utilisation des bases de données (data mining) Prévision dynamique du comportement des consommateurs

[Baesens et al., 2004]

Effet du marketing direct réalisé à partir d'observation et de scénarioKaefer et al.,

2005]:

Autres applications Long terme Comptabilité, Finance

27

2_ Synthèse bibliographique – Etude de la planification et de l’approvisionnement

Planification générale (AP) Initiateur de l'intégration de l'incertitude dans les modèles

analytiques [Dantzig, 1955]

Correspondance entre modèle série et modèle non-série[Rosling, 1989]; [Langenhoff & Zijm,

1990]:

Planning de production hiérarchique (HPP) Modèle analytique à 2 niveaux et demande incertaine

[Grefer & Zäpfel, 1995]:

Modèle analytique multi-période avec demande aléatoire et panne de la production [Meybodi & Foote, 1995]:

28


Planification des besoins en matières et ressources (MRP & MRP2)

Ajustement de la production suivant loi de défaillance de la production aux différentes opérations[Hegseth, 1984]

Review incertitude de qualité [Murthy & Ma, 1991]

LRP (Line requirement planning) [Donselaar, 1992, 2000]

Modèle analytique MRP2 avec demande incertaine[Zapfel, 1996]

Approche dynamique pour diminuer l’incertitude liée au lead-time (DAA) [Hatchuel et al., 1997]

Modèle conceptuel de dimensionnement des stocks tampons et de leur localisation [Caridi & Cigolini, 2000]

29


Gestion des stocks (IM) – demande aléatoire stationnaire Modèles analytiques

Problèmes de gestion de stock multi-échelon [Dils & De Kok, 1996]

Minimisation du coût logistique de réapprovisionnement sous contrainte de taux de service dans système à 3 niveaux [Ganeshan, 1999]

Système de distribution de stock multi-échelon et analyse de l'effet de la variabilité de la demande sur la politique de stock, et les paramètres logistiques

[Kelle & Milne, 1999]

Nouveau modèle de vendeur de journaux pour problème d'approvisionnement multi-période et multi-composant d'un système d'assemblage avec demande fixe mais délai de livraison variable [Ould-Loudy & Dolgui, 2004]

Modèles d’intelligence artificielle Modèle EOQ avec la théorie des séries floues [Park, 1987]

Evaluation des paramètres probabilistes de deux modèles EOQ [Hojati, 2004]

Modèle de gestion de stock basé sur la logique floue. Révision périodique du niveau de stock avec quantité de commande variable [Samanta & Al-Araimi, 2001]

30


Planification d’approvisionnement (SCP) – demande prévisible avec incertitude

Modèles conceptuels Mesure de la flexibilité d'une SC et des gains possibles avec relation client/fournisseur

[Das & Abdel-Malek, 2003]

Modèles analytiques Modèle analytique de planification des approvisionnements avec demande incertaine basé sur

programmation stochastique [Escudero, 1994]

Gestion de la supply chain dans l'industrie automobile sous programmation mathématique et modélisation de scénarii [Schumann Consortium, 1998]

Développement d'un outil d'aide à la décision pour la planification de la Supply Chain basé sur la programmation stochastique et l'optimisation sous incertitude [Koutsoukis et al., 2000]

Utilisation de scénarii pour modéliser l'incertitude environnementale dans l'industrie automobile [Lario et al., 2001]

Planification tactique dans la supply chain avec demande incertaine avec programmation stochastique [Gupta & Maranas, 2003]

Modèles d’intelligence artificielle Détermination stock et ordre de fabrication sur un horizon fini sous contraintes de taux de

service et de coût dans un environnement incertain [Petrovic et al., 1998, 1999]

Outil de simulation et d'analyse d'une SC avec incertitude modélisée par des séries floues[Petrovic et al., 2001]

31

Conclusion – pistes de recherche

Méthodes d’évaluation des prévisions Empirique Saisonnalité Tendance Statistique Incertitude

Méthodes de planification de production et d’approvisionnement

Ajustement et dimensionnement de la production et des approvisionnements

Approche dynamique et flexibilité Utilisation de scénarii Modélisation et simulation

32

Présentation des deux pistes de sujets

Etude de la robustesse de la planification Le but est de qualifier la robustesse des modèles de planification en

fonction du coût de leurs inexactitudes. Pour cela, on compare trois planifications: La planification a priori, réalisée en considérant la prévision comme exacte; la planification a posteriori, en considérant la prévision initiale et son erreur (écart type, biais, espérance); et la planification optimale, en considérant la demande réelle a posteriori.

Demande réelle

Planification optimale

Planification a priori

Planification a posteriori

33

Présentation des deux pistes de sujets

Etude de la planification en univers incertain La prévision de la demande étant connue avec une incertitude donnée

(écart type, espérance, biais), une planification est réalisée pour les n pas de temps suivant. Après a pas de temps, la prévision ayant évoluée, une replanification est réalisée pour n pas de temps. Quelle est la meilleure méthode de planification permettant de minimiser les variations lors de la replanification?

Dans un premier temps, étude avec le cas mono-produit suivant une politique de lotissement de Wagner-Whitin. La demande est connue avec un écart type donné. Quel est la meilleure méthode de planification?

Demande prévue Période 1



Planification période 1



Documents

1 Séminaire doctorant 1 ère année de thèse 25 05 2009 Thèse: Intégration de la prévision de la demande et de loptimisation de la planification de la production