Les billets de Thierry Bur N°11 : « stock de sécurité » : un levier d’amélioration de la performance des entreprises
Indispensable, la modélisation de la demande pour dimensionner les stocks de sécurité et limiter la probabilité de rupture… Mais attention à ne pas faire l’amalgame entre probabilité de rupture et taux de service ! Des méthodes plus fines existent pour dimensionner les stocks de sécurité : elles se généraliseront demain avec les apports du « big data ».
Un site de distribution a dimensionné ses stocks de sécurité en appliquant à de multiples références, un coefficient de sécurité de 2.1, associé à un « taux de service » de 98,2 %. En analysant le taux de service effectif sur plusieurs mois, force lui a été de constater que les taux de service des références étudiées s’établissaient respectivement à 99,9 %, 99,4 %, 94,7 % et 91 %. Aucune ne se rapprochait du taux de service de 98,2 % !
En fait, le pourcentage associé à la valeur du coefficient de sécurité correspond à la probabilité de tomber en rupture pendant un cycle d’approvisionnement, dans l’hypothèse où la demande est modélisée selon une loi normale. En somme, le soi-disant « taux de service » n’en est pas un.
Le stock de sécurité couvre les différents aléas : erreurs de prévision, fluctuations de la demande, variabilité des fournisseurs susceptibles d’effectuer des livraisons en retard, quantités incorrectes, problèmes de qualité… Ce stock de sécurité peut représenter jusqu’à 50 %, voire davantage, de la totalité du stock total présent dans l’entreprise : l’étude des stocks de sécurité se justifie par conséquent tant pour une raison économique que parce qu’il conditionne la qualité de service aux clients. Il est donc vital de s’en préoccuper !
La formule usuelle du stock de sécurité est destinée à faire face aux aléas de la demande sur un cycle de réapprovisionnement :
avec s : écart-type de la prévision.
Le coefficient k correspond au coefficient de sécurité : le risque d’être en rupture pendant un cycle d’approvisionnement est d’autant plus faible que sa valeur est élevée.
Cette formule a l’avantage d’être simple. Mais elle est mal utilisée habituellement, car l’on confond probabilité de rupture et taux de service. Convenons que la probabilité de rupture est une information peu parlante, décalée du taux de service qui lui, correspond à un réel indicateur de performance.
De nouveaux modèles plus pertinents
Des modèles plus pertinents de dimensionnement ont été développés, qui permettent, à partir de la variabilité de la demande mais aussi de la variabilité du fournisseur, de la durée du cycle d’approvisionnement et de la fréquence effective des approvisionnements de déterminer le stock de sécurité nécessaire pour atteindre un taux de service cible.
L’étape suivante consiste à intervenir dans l’ERP ou l’APS (qui trop souvent encore intègrent des formules rudimentaires de stock de sécurité), pour y positionner les paramètres du stock de sécurité permettant d’atteindre le stock de sécurité cible. L’absence de mise en œuvre de ce type de principes se traduit généralement par des stocks excessifs.
Définir des classes homogènes de gestion
Une autre question porte sur le taux de service visé sur chacune des références : il serait économiquement défavorable de chercher à viser le même taux de service sur l’ensemble des articles stockés. La résolution de cette question passe par la définition de classes homogènes de gestion regroupant les articles similaires quant aux critères de gestion des stocks : segmentation des articles selon l’acuité des attentes des clients ou l’intensité de la concurrence, classification selon les données représentatives de l’objectif poursuivi (chiffre d’affaires, marge, nombre de demandes ou lignes de commandes), classification selon les contraintes de stockage (volumes, poids, coût unitaire), voire en tenant compte d’autres caractéristiques d’approvisionnement parmi lesquelles le stockage ou non des articles sur plusieurs échelons de la chaîne logistique.
A titre d’illustration, grâce à la prise en compte de la dimension multi-échelon, c’est-à-dire du stockage d’articles sur plusieurs échelons dans la Supply Chain, on évite la constitution de stocks de sécurité redondants entre les différents échelons, tout en autorisant une diminution du taux de service visé sur les échelons les plus amont et en renforçant le stock de sécurité au contact de la demande des clients.
Les apports du « big data »
A l’avenir, grâce aux nouvelles approches du « big data », il sera possible de réaliser de façon plus rapide et plus efficiente des estimations des variabilités précédentes, d’analyser la cause des ruptures permettant d’établir des plans d’actions d’amélioration plus ciblés. Elles intégreront des modèles de simulation des stocks de sécurité pour affiner la politique de stock. Nous aurons l’occasion de revenir sur ce sujet prochainement.
En savoir plus :
Envoyer un commentaire
Rejoignez la discussion ?contribuez!