MODÉLISATION ET ANALYSE DE LA VARIABILITÉ DANS UNE CHAÎNE LOGISTIQUE
PAR LAURENCE MORLET
PROMOTEUR : PHILIPPE CHEVALIER
LECTEURS : LAURENCE WOLSEY JEAN-CHRISTOPHE VAN DEN
SCHRIECK
Le 28 juin 2010
Plan
Introduction
La mesure de variabilité peakedness• Définition• Application à une chaîne
logistique• Etude des performances
Conclusion
2
Introduction
• Chaîne logistique et bullwhip effect
• Inconvénients des mesures de variabilité existantes
• Solution : la mesure peakedness
3
Introduction
Chaîne logistique et bullwhip effect
On
Clients
Détaillant Grossiste
Usine
O(2)nDn
var(Dn) < var(On) < var (O(2)n)
Demande
Commande
Commande
4
Introduction
Bullwhip effect
Conséquence : coûts importants
Volonté de mieux comprendre sa propagation
Etude de mesures de variabilité des flux dans les chaînes logistiques
5
Introduction
Inconvénients des mesures de variabilité existantes
• Hypothèses fortes sur le processus de demande
• Estimation de paramètres complexes
6
Introduction
Solution : la mesure peakedness
Hypothèse de travail : Le processus de demande est un
processus ponctuel :
où {Ti} constitue la séquence des temps d’arrivée.
Ti : variables aléatoires
Hypothèse peu contraignante!
7
La mesure de variabilité peakedness
• Définition• Application à une chaîne
logistique• Etude des performances
8
La mesure de variabilité peakedness
Définition
Principe : supposer que les arrivées de X(t) se placent dans une file d’attente avec un nombre infini de serveurs.
Temps de service : GNombre de serveurs occupés : S(t).
La peakedness est donnée par :
9
La mesure de variabilité peakedness
Application à une chaîne logistique
Le détaillant fait face à la demande de manière périodique. La période est de longueur T.
10
La mesure de variabilité peakedness
Application à une chaîne logistiqueA chaque période, le détaillant exécute les
étapes suivantes, dans l’ordre donné :
1. Arrivée des commandes faites il y a H unités de temps
2. Observer la demande Dn pour cette période
3. Faire une prévision Fn de la demande à la période suivante
4. Commander une quantité On
5. Les demandes sont satisfaites par le stock. Les demandes non satisfaites sont reportées
11
La mesure de variabilité peakedness
Application à une chaîne logistique• Processus de demande
o Procesuss ponctuelo texte
• Modèle de prévisiono Texte
• Stratégie de commande
Idem pour le grossiste…
12
La mesure de variabilité peakedness
Application à une chaîne logistique
Des développements nous permettent de calculer : o zd(Xd,D(1/T))o zd(O,D(1/T))o zd(O(2),D(1/T))
En utilisant : o Dn
o o α, βo T, H, L
13
La mesure de variabilité peakedness
Etude des performances
Simulation VS peakedness
Facteurs de bullwhip effect : Au niveau du détaillant : Au niveau du
grossiste : = var(On)/var(Dn) = var(O(2)
n)/var(On)
14
La mesure de variabilité peakedness
Etude des performances
SimulationVS
Peakedness
Quantification de l’écart entre les résultats : le gap
15
La mesure de variabilité peakedness
Etude des performances
1. DONNÉES DE DEMANDE BRUTES
16
La mesure de variabilité peakedness
Etude des performances
2. DONNÉES DE DEMANDE DESSAISONALISÉESMise en évidence de la saisonnalité : k=7
Demande
Jours de la semaine
17
La mesure de variabilité peakedness
Etude des performances
2. DONNÉES DE DEMANDE DESSAISONALISÉESMéthode de dessaisonalisation :
18
La mesure de variabilité peakedness
Etude des performances
2. DONNÉES DE DEMANDE DESSAISONALISÉESRésultats:
19
La mesure de variabilité peakedness
Etude des performances
3. TECHNIQUE DE PRÉVISION OPTIMALEDescription de la technique :
• Prévisions et stratégie de commande adaptées à la saisonnalité
• Paramètres de lissage exponentiel optimaux
20
La mesure de variabilité peakedness
Etude des performances
3. TECHNIQUE DE PRÉVISION OPTIMALERésultats :
21
La mesure de variabilité peakedness
Etude des performances
4. PROCESSUS PROBLÉMATIQUESProfils de demande testés :
22
La mesure de variabilité peakedness
Etude des performances
4. PROCESSUS PROBLÉMATIQUESFacteur de bullwhip effect au niveau du détaillant
23
Gap [%]
Max du processus de demande
La mesure de variabilité peakedness
Etude des performances
5. PLUSIEURS DÉTAILLANTS DANS LA CHAÎNE
Clients
Dn1
Dn2
Détaillant 1
Détaillant 2
Grossiste Usine
On1
On2
On(2)
On1 + On
2 = On
24
La mesure de variabilité peakedness
Etude des performances
5. PLUSIEURS DÉTAILLANTS DANS LA CHAÎNE
25
Conclusion
Peakedness : • Avantages
Pas d’hypothèses fortes sur le processus de demandeCalculs simplesBonnes performances dans beaucoup de situations
• LimitesInefficace avec la technique de prévision optimaleInefficace lorsque la demande a un profil particulier
Non significatif pour des processus trop courts
A utiliser en étant conscient des limites…!
26
Conclusion
Possibilités de prolongement :
• Tester sur d’autres jeux de données Renforcer la crédibilité
• Explorer d’autres situations particulièresAffiner le profil de performance
• Adapter la mesure à la méthode de prévision optimaleElargir l’horizon d’application
27