Nous avons vu dans les deux articles précédents, « Stocks de sécurité dans la supply chain : Analyse critique de la formule » et « Stocks de sécurité dans la supply chain : quel dimensionnement ? », les vertus et les limites de la formule classique du stock de sécurité. Nous allons évoquer dans cette troisième et dernière partie différents approfondissements, notamment l’optimisation multi-échelon des stocks dans la chaîne logistique et les vertus d’une visibilité des stocks. Enfin, les nouvelles approches du big data apporteront de réelles avancées pour identifier les aléas, les dysfonctionnements et dimensionner les stocks de sécurité. Nous aurons l’occasion d’y revenir début 2016 dans le cadre d’un nouvel article expert consacré à ce sujet.

1. Optimisation multi-échelon des stocks

Les formules de dimensionnement de stock que nous avons vues concernent le dimensionnement du stock de sécurité sur un seul échelon, c’est-à-dire un stock destiné à couvrir les besoins de clients à partir d’approvisionnements faits auprès de différents fournisseurs.

Cependant dans un système multi-échelons, c’est-à-dire typiquement dans un réseau de distribution, plusieurs types de stock peuvent être identifiés :

• Il y a d’une part des magasins qui sont en contact direct avec les clients, le stock localisé à ces endroits doit permettre un niveau de service irréprochable,

• Il y a d’autre part les sites en amont, qui permettent d’une part de regrouper les flux d’approvisionnement depuis les fournisseurs. 2 types de sites peuvent être distingués :

- Des plateformes de « cross-docking », leur vocation n’est que de mutualiser le flux d’approvisionnement du fournisseur à la plateforme puis de les rediriger vers les différents magasins, sans qu’il n’y ait d’entreposage de marchandise ; dans ce cas, aucun stock de sécurité n’est positionné, on est ramené à un stockage mono-échelon du point de vue du dimensionnement des stocks.

- En revanche, dans le cas d’entrepôts, un stock est constitué au niveau de l’entrepôt qui permet :

* De massifier les flux amont en provenance des fournisseurs ainsi que de massifier les flux aval en regroupant les marchandises de différents fournisseurs à destination des magasins,

* De réduire les délais de livraison des magasins, ce dernier étant constitué d’un délai de préparation et d’un délai de transport, alors que l’approvisionnement direct depuis un fournisseur peut exiger des délais plus longs,

* De réduire les tailles de lot d’approvisionnement des magasins : si l’approvisionnement depuis les fournisseurs se fait en palettes complètes, les magasins disposent souvent de surfaces de stockage très réduites et doivent idéalement approvisionner de façon unitaire ou par carton.

Illustration d’une distribution et de stocks multi-échelons

La configuration des stocks dans un réseau de distribution conduit à positionner des stocks de sécurité à la fois au niveau aval (magasin) et au niveau amont (entrepôt). Les règles de dimensionnement qu’on a vu permettent un dimensionnement échelon par échelon.

Cependant diverses questions se posent dans ce cas :

• N’y a-t-il pas des redondances entre les stocks de sécurité entre les différents échelons ?

• Quel taux de service l’entrepôt desservant les magasins doit être en mesure d’assurer ? On entend quelquefois que si les magasins doivent assurer un taux de service de 99%, l’entrepôt doit-il lui aussi viser un taux de service de 99%. Qu’en est-il ?

Des modèles d’optimisation multi-échelons des stocks ont été développés qui permettent d’optimiser globalement les stocks de sécurité d’un réseau.

Ces modèles conduisent à effectuer les arbitrages suivants :

• Une centralisation du stock de certains articles à faible demande, le stock étant retiré des magasins pour être mutualisé au niveau de l’entrepôt,

• Mais surtout un arbitrage entre les stocks amont (entrepôt) et les stocks aval (magasin) :

- Une réduction du taux de service en entrepôt (un taux de 90% peut être suffisant)

- Un taux de service dans les magasins maintenu au taux de service visé (99% par exemple), mais qui, en s’appuyant sur un modèle de dimensionnement des stocks en fonction de la variabilité de la demande et du délai de livraison. Une variabilité plus importante du délai de livraison du fait d’un taux de service plus faible assuré par l’entrepôt conduira à augmenter les stocks de sécurité en magasin par rapport à l’application d’une formule prenant en compte un délai de livraison fixe.

2.    Pilotage des approvisionnements 

2.1 Fonction Approvisionnements

La fonction approvisionnement assure deux processus opérationnels :

• La passation de commande ferme, complétée éventuellement par l’envoi de prévisions de commande, qui couvre l’ensemble des actions requises jusqu’à la livraison des marchandises :

- La validation de la proposition de commande issue du calcul de besoin, qui précise le couple (quantité, date) nécessaire pour l’article concerné
-La levée des différents points clés s’ils ne sont pas traités dans le cadre du contrat d’achat ou d’organisations logistiques régulières :

* La fixation éventuelle du prix (si négociation au cas par cas, ou si fluctuation des coûts selon le marché) voire le choix du fournisseur devant livrer la marchandise,

* La validation du couple (quantité, date) avec le fournisseur retenu,

* L’organisation des transports (selon les incoterms), jusqu’à la prise de rendez-vous éventuelle en réception

• Le suivi de l’avancement des approvisionnements, en particulier :

- En cas de retard dans la livraison, plus encore dans le cas de retards pénalisants ayant provoqué des ruptures, il s’agit d’obtenir des informations quant aux dates de livraison revues et de la faire éventuellement accélérer.
- Pendant le délai d’approvisionnement, pour s’assurer de l’avancement des livraisons conformément aux attentes.

En complément, la fonction de l’approvisionnement couvre également les processus structurants suivants :

• En amont, l’approvisionneur intervient sur le processus de paramètrage du système d’information, de telle sorte que le calcul de l’approvisionnement soit pertinent,

• Il peut également être chargé de la prévision de la demande, lorsque cette activité n’est pas confiée à la  fonction commerciale ou à un prévisionniste.

• Enfin, les approvisionnements sont en charge du pilotage des fournisseurs, au travers de la mesure et de l’animation de la performance des fournisseurs.

2.2  Performance des Approvisionnements et Pilotage

J’ai souvent entendu dire que l’intensité de la relation avec le fournisseur conditionnait en grande partie la performance de ce dernier : le fournisseur aura d’autant plus le souci de bien faire que l’activité est importante pour mon fournisseur et que je le relance souvent.

C’est vrai jusqu’à un certain point, comme nous allons le voir…

La performance de mes fournisseurs dépend des différents prérequis suivants :

• Le fournisseur est sensibilisé à mon exigence de performance et en particulier de qualité de service. Cette exigence doit être connue et partagée depuis le top management jusqu’au plus bas niveau de l’entreprise,

• Cette exigence de performance est clairement exprimée,

• La performance est mesurée très régulièrement et animée, par exemple en rajoutant des commentaires sur les indicateurs de performance communiqués électroniquement :
  • L’idée est de maintenir une pression constante sur les fournisseurs, et de manifester que la performance est suivie.
  • Au-delà de la performance objective (On-Time Delivery), la performance de la réactivité du fournisseur à réagir en cas de retard ou d’aléa peut également être qualifiée.

• Bien sûr, en cas d’écart à l’objectif en temps réel, une relance doit aussi être communiquée et suivie par l’approvisionneur, sinon elle ne sera pas crédible.

• Enfin, une performance durablement inférieure aux attentes doit se traduire par une sanction.

Les principes précédents s’inscrivent dans un processus d’amélioration continue : on ne peut passer d’une performance moyenne directement au meilleur niveau d’excellence, mais y aller progressivement et avec constance, mais en donnant un minimum de

Divers facteurs faciliteront la mise en œuvre d’un fonctionnement efficient :

• La compréhension réciproque des modes de fonctionnement, des processus, des contraintes et limites est un facteur clef pour mieux travailler ensemble, en sachant adapter le processus d’approvisionnement (délai…) et en dosant mieux l’importance et la nature des relances à effectuer pour le client et, pour le fournisseur, en adaptant son processus de traitement des commandes et des alertes,

• Le partage d’informations pour (stocks, ruptures…) pour faciliter la réactivité du fournisseur,

• Le transfert de la charge de traitement des dysfonctionnements au fournisseur lorsqu’il en est lui-même responsable.

D’autre part, dans le cas du métier de l’approvisionnement comme dans d’autres, il est difficile de concilier une activité de traitement des urgences au jour le jour avec une activité de fond. Aussi, une répartition des rôles peut être envisagée :

• A l’approvisionneur, la charge du traitement des alertes au jour le jour,

• A son responsable direct, la responsabilité de l’animation de la performance.

De plus, l’approvisionneur n’est pas en mesure de traiter toutes les problématiques fournisseur. Un processus d’escalade peut y remédier, en faisant intervenir la hiérarchie des approvisionneurs en lien direct avec ses homologues chez le fournisseur pour le traitement des points durs.

L’idéal, et la cible sont des fournisseurs qui intègrent pleinement les contraintes et objectifs de leur client, s’appuie sur un système industriel excellent permettant un niveau de service élevé, et une capacité de traitement efficace des inévitables aléas qui peuvent se produire… les tâches de approvisionneurs en seront très largement simplifiées.

3.    Visibilité et Collaboration 

Les approvisionnements classiques exigent des fournisseurs un strict respect des couples (quantité, date) des ordres d’approvisionnement passés.

Ceci présente cependant différentes limites :

• La demande ayant pu évoluer entre le moment où l’ordre d’approvisionnement a été passé et le moment où il est réceptionné. Par exemple, 2 articles A₁ et A₂ commandés lundi de la semaine S et devant être livrés mercredi de la semaine S+1 partent tous d’eux d’une situation de stock normale. La demande sur l’article A₁ se révèle nettement plus élevée que prévue alors que la demande sur A₂ est inférieure à la prévision ; aussi, à la date de livraison, l’article A₁ aura un stock qui aura significativement consommé le stock de sécurité alors qu’A2 aura un stock supérieur au stock de sécurité. La priorité d’approvisionnement est clairement devenue l’article A1, mais les couples (quantité, date) sont resté figés et n’expriment pas le changement de priorité.

• Le respect strict des couples (quantité, date), peut nécessiter des ressources supérieures à un fonctionnement intégrant quelques tolérances de retard : la fabrication doit avoir lieu en respectant strictement les dates et le transport doit être également correctement anticipé (en cas de dépassement de la capacité de transport, une solution complémentaire est à trouver). Ceci sera d’autant plus difficile à gérer qu’il existe une variabilité significative des demandes d’un jour à l’autre.

En l’absence de visibilité sur l’évolution de la demande et des stocks, le fournisseur n’est pas en mesure de prioriser la livraison en fonction de l’évolution des stocks.

Illustration du point bas des stocks pendant un cycle de réapprovisionnement en fonction des aléas de livraison et de demande

On constate dans le schéma précédent que la situation de rupture a lieu le plus fréquemment lorsque des retards de livraison se combinent avec une demande supérieure à la moyenne (partie rouge du carré en bas à droite). Des analyses que j’ai conduites dans certains environnements ont mis en évidence que 70% des ruptures étaient liées à la combinaison des deux facteurs précédents.

Or, le fait ainsi de donner aux fournisseurs un accès à l’information concernant la consommation (encore faut-il que ce dernier soit en mesure de l’exploiter), permet de reprioriser les opérations de fabrication puis de transport en fonction des stocks réels chez le client, et peut éviter un certain nombre de ruptures ou a minima limiter leur ampleur, comme l’illustre le schéma ci-dessous.

Cependant, le fonctionnement précédent peut conduire à ne pas respecter les couples (quantité, date) et à anticiper la livraison lors que la demande s’avère très supérieure à la prévision. Difficile dans ce cas d’évaluer le fournisseur sur sa capacité à respecter les couples (Quantité, Date).

Un fonctionnement des approvisionnements en kanban permet de telles priorisations. Le « Demand-Driven MRP » permet également de partager ce type d’information, en s’appuyant notamment sur les codes couleurs Vert, Jaune, Rouge des stocks instantanés permettant d’indiquer le niveau de priorité.

Ce mode de fonctionnement peut permettre de réduire quelque peu les stocks de sécurité, ou d’améliorer la qualité de service à stock de sécurité équivalent… sous réserve que le fournisseur dispose de réactivité pour reprioriser les opérations.

L’étape ultérieure consiste à fonctionner en gestion partagée des approvisionnements (GPA ou VMI – Vendor Managed Inventory), le fournisseur assurant la gestion des stocks de son client en garantissant que le stock fluctuera entre une borne mini et une borne maxi.

Ce type de fonctionnement garantit au fournisseur des possibilités supérieures d’optimisation des opérations, sa contrainte principale étant de garantir une fluctuation des stocks entre les 2 bornes définies.

4.    Stocks de sécurité en production

Le dimensionnement des stocks de sécurité dans un environnement de production est peu abordé et aucune règle simple ou généralisée n’est réellement proposée¹. Si le dimensionnement des stocks de sécurité selon les méthodes présentées précédemment peut s’appliquer aux produits finis fabriqués sur stock, les méthodes présentées ne s’appliquent pas aux composants utilisés en production.

Il est vrai que divers facteurs influent sur le dimensionnement des stocks de sécurité :

• La profondeur des processus de fabrication,

• La variabilité de la demande sur les produits finis mais aussi la nervosité induite par le MRP,

• Les contraintes capacitaires qui peuvent conduire à constituer des stocks tampons pour couvrir les périodes sous-capacitaires.

Le « Demand-Driven » propose de ce fait à la fois une méthodologie pour déterminer les composants les plus pertinents à stocker, des règles de dimensionnement relativement empiriques mais aussi des alertes et règles de priorisation qui permettent d’intervenir rapidement pour reconstituer les stocks nécessaires.

Conclusion : L’optimisation des stocks grâce au big data

Nous avons, au travers des articles consacrées au stock de sécurité, expliqué comment dimensionner le stock de sécurité, quels étaient les éléments clefs à prendre en compte et mis en évidence quelques limites des outils de planifications actuels, qu’il s’agisse d’ERP ou d’APS.

Nous avons peu abordé le sujet de l’analyse des données afin d’évaluer les différentes variabilités indispensables à prendre en compte pour dimensionner les stocks de sécurité.

Les nouvelles technologies de traitement des données, le « big data », vont permettre d’apporter quelques éléments de réponse sur ce sujet. Pour être précis, nous devrions plutôt parler de data science ou science des données, car d’une part les volumes de données traitées ne se comptent pas nécessairement en téraoctets, et surtout, ce terme définit plus précisément ce dont il est question : collecter les données, en faire des statistiques, vérifier leur valeur, les structurer et les organiser,  en élaborer la visualisation.

Plusieurs approches faciliteront ainsi l’analyse des variabilités et la menée de plan d’actions, parmi lesquels le dimensionnement plus pertinent des stocks de sécurité :

-       Une collecte des données très fréquente pour capter la demande, les flux de réception et de mise en stock, le stock disponible et les ruptures selon des mailles temporelles serrées (la journée, l’heure),

-       Les analyses de ces données pour identifier :

• Des biais : par exemple un délai sous-estimé par le client par rapport à la réalité fournisseur
• Des causes : par exemple, quelles sont les causes des ruptures constatées ? Identifie-t-on des contraintes capacitaires ?

-       La mise en œuvre de plans d’actions :

• D’une part pour éradiquer les causes de ruptures : corriger  les paramètres pour calculer correctement les besoins, mais aussi conduire des actions avec les fournisseurs afin d’améliorer leur performance
• D’autre part, des actions de prévention : quelles sont les variabilités constatées et admissibles, quel stock de sécurité positionner en conséquence pour couvrir ces éléments ?

En synthèse, ces nouvelles approches permettront des analyses plus fines, plus rapides et plus automatiques que les analyses actuelles, et permettront une meilleure gestion des approvisionnements mais aussi un dimensionnement plus adéquat des stocks de sécurité.

¹ Production à la commande et production pour stock dans un environnement MRP, V. Giard et M. Sali, 27 avril 2011, CAHIER DU LAMSADE 308

Comment les nouvelles méthodes d’analyse des données, la data science^a, peuvent-elles contribuer à améliorer la qualité de service et le dimensionnement des stocks ?

Partie 2 : Dimensionnement pertinent du stock de sécurité

1. Politique de stock et Classes Homogènes de Gestion

Les articles stockés ou susceptibles d’être stockés sont généralement très nombreux.

Or, compte-tenu des ressources limitées de l’entreprise (trésorerie, surfaces de stockage…) et de ses exigences de rentabilité du capital investi –et le stock peut être considéré comme tel-, il faudra établir quels sont les stocks à constituer qui  permettront au mieux de contribuer aux objectifs de l’entreprise : taux de disponibilité, marge, chiffre d’affaires.

Ceci est traduit au travers d’une politique de stockage qui consiste à établir quels sont les articles qui doivent être stockés, le niveau de service associé, leur fréquence d’approvisionnement. Cette politique de stockage ne peut pas être définie pour chacune des références, ce qui serait totalement illisible et incompréhensible.

Aussi, crée-t-on une catégorie intermédiaire de regroupement des articles, les Classes Homogènes de Gestion regroupant des articles similaires en termes de critères de gestion des stocks.

Les critères pour définir une classe homogène de gestion sont par exemple :

• Une segmentation des articles selon l’acuité des attentes des clients, selon l’intensité de la concurrence…
• Une classification selon les données représentatives de l’objectif poursuivi : Chiffre d’affaires, Marge, Nombre de demandes ou de lignes de commandes
• Une classification selon les contraintes de stockage (Volumes, Poids, coût unitaire)
• D’autres caractéristiques d’approvisionnement : importance et régularité de la demande, fréquence d’approvisionnement, délais d’approvisionnement…

La politique de stockage se traduit généralement par une différenciation des objectifs :

• Un objectif de disponibilité d’autant plus important que les articles sont importants pour l’objectif poursuivi (par exemple, marges ou chiffre d’affaires les plus importants possibles),
• Un objectif de disponibilité d’autant moins important que les articles présentent davantage de contraintes (par exemple : variabilité de la demande, volume ou poids, voire coût unitaire…)

2. Modélisation des aléas

2.1 Autre formule généralisée pour le stock de sécurité 

On trouve dans la littérature^b quelques autres formules et en particulier

correspond à l’écart-type du délai (Sigma Demande),  à l’écart-type de la demande et  Délai Moyen correspond au délai moyen d’approvisionnement et non le délai théorique.

Cette formule présente un avantage : elle intègre les aléas relatifs au délai de livraison.

Elle présente en revanche deux natures d’inconvénients :

• En premier lieu, les inconvénients liés à la formule simplifiée qui ne concerne que les aléas de la demande, à savoir la difficulté à établir le lien entre le taux de service et le coefficient de sécurité
• En second lieu, elle ne définit pas comment calculer l’écart-type du délai ! Elle est donc théorique et je doute des résultats de l’application d’une telle formule !

Et enfin, la distribution statistique du délai de livraison n’est pas symétrique :

• Les fournisseurs livrent rarement en moins de temps que le délai théorique
• En revanche, différents aléas peuvent conduire à des retards plus ou moins longs

A titre d’illustration, vous trouverez ci-dessous une répartition des délais de livraison :

Dans le cas de l’illustration ci-dessus, l’écart-type du délai n’est que de 0,10 x Délai _Théorique et l’impact de cette donnée est faible sur la formule précédente.

Ainsi, l’application de la formule précédente en considérant ID=20% et Délai_Moyen = 1,025 Délai_Théorique conduirait à une majoration de 20% du stock de sécurité seulement. Cet ajustement du stock de sécurité permet de maintenir à peu près le même taux de service que dans le cas où le délai de livraison était strictement respecté.

Cependant, comme dans le cas plus simple des délais strictement respectés, elle ne donne aucune indication quant au taux de service effectivement atteint :

• Un coefficient de sécurité de 1,3, associé à une probabilité de 9,7% peut conduire à taux de rupture de 1%,
• Un coefficient de sécurité de 2, associé à une probabilité de 2,3% peut conduire à taux de rupture de 0,3%.

2.2 Variabilité du délai de livraison

2.2.1. Comment mesurer la variabilité du délai de livraison

Doit-on établir la variabilité du délai de livraison sur la base des données d’approvisionnement de chaque référence ?

Cela revient à considérer que la variation du délai constatée sur une référence au cours des derniers mois ou dernières années. Ceci consiste à estimer que la qualité de sa prestation passée du fournisseur sur une référence donnée est extrapolable sur les semaines à venir.

Ceci est contestable, surtout si le nombre d’approvisionnements a été limité : dans l’exemple précédent, seuls 5% des approvisionnements présentent un retard significatif, pourtant ce dernier est très structurant.

L’avantage de cette approche est d’identifier les retards fréquents de livraison, signe d’une problématique propre à cette référence (difficulté d’approvisionnement ou mauvais paramètrage du délai d’approvisionnement)

Doit-on établir cette variabilité du délai de livraison au niveau fournisseur (ou site fournisseur), sur la base des données d’approvisionnement de l’ensemble de ses références ?

Cette approche semble a priori plus pertinente, notamment parce que les processus de fabrication et de planification conditionnent globalement la performance de production, notamment en termes de respect des dates de production (On Time Delivery). Il en est de même pour les opérations de transport qui sont généralement un processus commun pour l’ensemble des livraisons d’un site fournisseur.

La réalité est cependant un peu plus complexe, et la performance peut dépendre de plusieurs facteurs :

• La performance intrinsèque du fournisseur,
• Les caractéristiques de l’article, en particularité la régularité des approvisionnements et la variabilité de la demande,
• Plus rarement, des spécificités liées au processus industriel propre à un ou quelques articles qui les rendent plus difficiles à produire que les autres

En dehors du dernier facteur, l’ensemble des données sont disponibles chez le client pour mener à bien une analyse de la performance du fournisseur, notamment en tenant compte des caractéristiques des articles.

Ces différents facteurs sont décrits dans le tableau suivant :

Influence de différents facteurs sur le respect des délais de livraison

L’analyse des retards peut conduire à des modélisations différentes selon les environnements :

• L’amplitude des retards est souvent différenciée selon les classes homogènes de gestion,
• L’amplitude du retard est proportionnellement plus réduite sur des délais longs,
• La plupart des fournisseurs ont des performances comparables, permettant de dimensionner stock de sécurité tenant compte de cette performance moyenne. Le stock de sécurité peut en revanche être diminué sur les fournisseurs excellents ;

2.2.2. Doit-on positionner un stock de sécurité pour compenser la variabilité du délai ?

Deux réponses a priori contradictoires fusent généralement :

• On ne peut pas accepter les retards,
• Il faut prendre en compte la réalité pour dimensionner le stock de sécurité et garantir à nos clients la qualité qu’ils attendent.

L’attitude consistant à nier l’existence des retards n’est pas constructive, car elle consiste à nier une réalité effective (dont le client demandeur du stock n’est peut-être pas exempt de toute responsabilité) et surtout à exiger unilatéralement une amélioration de la performance du fournisseur.

L’attitude pertinente consiste à :

• Mesurer l’amplitude de la variabilité des délais fournisseurs et intégrer dans dimensionnement des stocks de sécurité cette variabilité, tout en mesurant le stock qu’il représente,
• En parallèle, de mener des actions pour réduire cette variabilité.

Diverses actions sont susceptibles de permettre d’améliorer la performance du fournisseur, en particulier au travers  d’une intensité de la relation client-fournisseur plus forte^c :

• La première étape consiste à connaître de façon plus précise les processus, les modes de fonctionnement et les contraintes opérationnelles de part et d’autre. Des paramètrages plus fin et de premières pistes d’amélioration peuvent ainsi être établis,
• Le niveau d’exigence et de pression mis sur le fournisseur, accompagné d’une supervision systématique et fréquente doit aussi permettre de le conduire à s’améliorer,
• Enfin, la mise en œuvre de modes de fonctionnement collaboratifs plus efficients permettra également d’améliorer globalement la performance et de réduite la variabilité fournisseur. Nous y reviendrons dans le troisième billet consacré au dimensionnement des stocks de sécurité.

2.3 Modélisation des aléas et du taux de service

Nous développons ci-dessous les principes qui nous permettent d’établir le taux de service en fonction d’un niveau de stock de sécurité donné.

Pour ce faire, nous nous appuyons sur trois éléments :

• La formule usuelle

• Une modélisation des retards de livraison,

• Une méthodologie pour évaluer le taux de service effectif en fonction d’un niveau de stock de sécurité donné, déjà évoquée dans le premier billet.

La mise en œuvre de cette méthode pour déterminer le taux de service est illustrée par les deux exemples ci-après.

Sur une référence avec une demande régulière

un coefficient de sécurité k de 1,6 permettrait d’atteindre un taux de service de 99,3% en l’absence de tout retard et conduit à un taux de service de 96,5% en tenant compte des retards potentiels. La prise en compte d’un coefficient de 2,8 permet dans ce cas d’atteindre le taux de service effectif de 99,3%. Il faut de ce fait majorer le coefficient k initial d’un facteur multiplicateur de 1,75 pour tenir compte des retards potentiels.

Sur une référence avec une demande plus irrégulière (ID = 40%), un coefficient de sécurité k de 1,3 devrait permettre d’atteindre une qualité de service jugée satisfaisant de 97,5%, en l’absence de tout retard de livraison. Ce coefficient conduit cependant à une qualité de service de 95,5% du fait des retards de livraison. Il faut dans ce cas passer à un coefficient de 1,63 pour atteindre le taux de service effectif de 97,5%. Il faut de ce fait majorer le coefficient k d’un facteur multiplicateur de 1,25 pour tenir compte des retards potentiels.

En synthèse, il est possible d’appliquer des coefficients correctifs pour atteindre une qualité de service donnée en tenant compte de la réalité des retards possibles. Ce coefficient de correction est cependant variable, il dépend en particulier :

• De la régularité de la demande (ID) : le coefficient de correction sera d’autant plus élevé que la demande est régulière,
• Du taux de service visé (le coefficient appliqué sera d’autant plus faible que la valeur initiale de k est élevée).

3. Applicabilité de la formule du stock de sécurité

Ainsi donc, nous avons démontré que l’utilisation de la formule classique de dimensionnement des stocks de sécurité continue de faire sens, malgré ses nombreuses limites… mais à condition de procéder à des modélisations complémentaires.

Plutôt que d’évaluer les valeurs du coefficient de sécurité k de façon empirique, je recommande une détermination plus précise de cette valeur en tenant compte :

• D’une évaluation des retards de livraison,
• D’une modélisation des cycles d’approvisionnement pour évaluer le taux de service (et non des probabilités de rupture)
• Des différentes classes homogènes de gestion sur lesquelles les modélisations précédentes seront réalisées.

Ce type de modélisation, que j’ai mise en œuvre dans différents environnement de distribution, a permis d’optimiser à la fois les stocks et la qualité de service, en mettant en œuvre une politique de stock plus pertinente et souvent plus tranchée. Au-delà de la mise en œuvre de l’approche précédente, d’autres optimisations peuvent être mise en œuvre de façon complémentaire, par exemple en termes d’approfondissement des relations avec les fournisseurs mais aussi au travers de l’optimisation des quantités d’approvisionnement.

Bien sûr, la condition majeure de la mise en œuvre de travaux de cette nature est la connaissance de la demande et de sa variabilité effective, ainsi que la mesure de la variabilité du délai de livraison.

4. Autres façons de formuler le stock de sécurité

Dans d’autres environnements, le stock de sécurité est exprimé en nombre de jours ou de semaines de stock, ce qui est particulièrement pertinent lorsque les aléas de livraison sont supérieurs aux aléas de demande.

Le même type d’approche d’optimisation du dimensionnement du stock de sécurité que celle décrite précédemment peut être mis en œuvre dans ce cas.

Enfin, dans des contextes de demande très faible, par exemple avec des pièces de rechange, des modélisations sont là aussi possibles et permettent de dimensionner précisément le stock sur les diverses références : il s’agit dans ce cas d’une simulation référence par référence pour déterminer le taux de service permis par la mise en stock d’une pièce (98,7% par exemple), de deux pièces (99,9%) ou plus puis de décider de la quantité à stocker compte tenu de la politique de stock définie.

Des modélisations plus fines encore sont possibles, qui permettent :

• L’évaluation du lien entre le taux de disponibilité des pièces de rechange et le taux de disponibilité de l’équipement associé
• De positionner des stocks, par exemple à budget fixe, en favorisant la mise en stock d’une pièce en plus selon le critère de la rentabilité en terme d’amélioration de la disponibilité en fonction du coût unitaire de la pièce.

 5. Data Science et stocks de sécurité

A l’heure où tout le monde parle de big data dans la supply chain, nous avons au travers des préconisations précédentes une illustration concrète d’un cas d’emploi de la data science au service de l’aide à la décision.

Cette approche de « data science » appliquée aux stocks impliquera :

• Une collecte des données de stocks, de demande et d’approvisionnement selon une fréquence élevée (constitution d’historiques journaliers voire horaires) et avec une grande finesse (distinction des différents compteurs de stock, des types de demande…)
• Des outils d’analyse capables d’identifier et de modéliser des phénomènes tels que des retards fournisseurs, en identifiant les populations sur lesquelles les phénomènes ont un comportement homogènes,
• Des hommes capables d’analyser les données précédentes et de les interpréter de façon pertinente, puis de mettre en œuvre les actions adéquates :

- Actions correctives immédiates : par exemple des changements de paramètres inadéquats,
- Actions d’améliorations : par exemple des plans d’amélioration de la performance fournisseur,
- Actions de neutralisation des aléas : dimensionnement des stocks de sécurité selon la politique de stock poursuivie et selon les aléas identifiés.

Cette approche est-elle révolutionnaire ?

Les modélisations décrites dans le cadre de ce billet existent depuis plusieurs décennies et n’ont donc rien de révolutionnaire du point de vue théorique. Cependant la mise en œuvre de cette approche est aujourd’hui peu répandue du fait :

• De l’absence de connaissance de ce type d’approches et quelquefois d’une confiance limitée dans les approches de modélisation statistique,
• Du niveau d’expertise requis pour l’analyse des données et la modélisation, qui est assez peu répandue,
• Dans certains cas, de l’absence de données suffisamment fines pour mener ces analyses,
• De la lourdeur de l’analyse de ces données avec des outils actuels de BI

Aussi, des démarches de type data science pourront-elles faciliter la mise en œuvre de ce type d’optimisation des stocks, en facilitant la collecte des données, les analyses et leur exploitation pour mener à bien les travaux.

Si révolution il y a, elle résidera dans l’ampleur du déploiement de ce type d’approche.

De plus, l’application de la data science ira bien au-delà de l’optimisation du dimensionnement des stocks de sécurité. Nous aurons l’occasion d’y revenir dans le cadre d’un nouveau billet qui sera dédié à la data science dans la gestion de la chaîne logistique.

6. Conclusion

La formule classique de dimensionnement des stocks de sécurité est simple mais difficile à connecter avec le taux de service effectif des références auxquelles elle s’applique. En effectuant un contresens, certains considèrent que le coefficient de sécurité k donne en lecture directe la qualité de service associée aux articles, alors qu’il ne s’agit que d’une probabilité de tomber en rupture sur un cycle de réapprovisionnement, et encore, en supposant que le fournisseur respecte toujours le délai de livraison théorique.

Dans le cadre de ce billet, nous avons démontré ici la possibilité, au travers de modélisations complémentaires, de dimensionner le stock de sécurité de façon plus pertinente, en pouvant faire le lien entre le niveau de stock de sécurité et le taux de service effectif. Combiné avec une définition claire de la politique de stock, ce type d’approche permet d’accroître la rentabilité du stock du point de vue économique ou du point de vue de la qualité de service.

Les nouveaux outils de la data science devront permettre de systématiser ces approches de dimensionnement des stocks en les rendant plus accessibles. Nous y reviendrons dans le cadre d’un billet dédié à ce sujet.

Nous évoquerons, dans le troisième billet consacré au stock de sécurité, d’autres leviers complémentaires pour l’optimisation des stocks.

Auteur : Thierry Bur

Notes :

^a La data science ou science des données s’occupe de collecter les données, d’en faire des statistiques, de vérifier leur valeur, de les structurer, de les organiser et d’en élaborer la visualisation.
Le défi de la science des données est de jouer avec des données qui sont à la fois gigantesques, hétérogènes, peu fiables, et souvent lacunaires.  http://gdt.oqlf.gouv.qc.ca/ficheOqlf.aspx?Id_Fiche=26527074

Ce terme est plus approprié que « big data » qui est plus vague (définition : Ensemble des données produites en temps réel et en continu, structurées ou non, et dont la croissance est exponentielle).

^b https://fr.wikipedia.org/wiki/Stock_de_s%C3%A9curit%C3%A9

^c Pour aller plus loin, Jeffrey K Liker et Thomas Y Choi ont décrypté les bonnes pratiques de Toyota et Honda dans leurs relations avec les fournisseurs dans Building Deep Supplier Relationships, synthétisées dans le billet  http://blog.cereza.fr/logistique-scm/les-billets-de-thierry-bur-n4-lean-et-supply-chain-management-6eme-partie-les-implications-du-lean-dans-la-suppply-chain-1032

Aussi, un positionnement de stocks, et notamment de stocks de sécurité, est-il toujours nécessaire dans certains cas, pour être en mesure de répondre sous un délai court à des demandes clients. Le stock de sécurité est destiné à couvrir la variabilité des demandes. Je propose que nous nous attachions à la façon de les déterminer.

Cet article en 3 parties sur les « stocks de sécurité » dans la supply chain traitera successivement :

• 1^ère partie : Analyse critique de la formule
• 2^ème partie : Quel dimensionnement ?
• 3^ème partie : Quelques points d’approfondissement

1^ère partie : Analyse critique de la formule

Introduction : Importance du stock de sécurité

Deux composantes du stock sont habituellement calculées : le stock de sécurité d’une part et le stock tournant d’autre part.

Le stock est cependant constitué de plusieurs autres composantes dont :

• Un stock d’anticipation, pour couvrir une période pendant laquelle aucun approvisionnement ne sera possible, ou pour constituer progressivement un stock avant une période de forte demande,
• Un stock d’opportunité consistant à constituer du stock lorsque les prix sont bas. Ceci concerne des produits dont les prix fluctuent significativement ou peut concerner des produits aux prix stables juste avant une augmentation de tarif,
• Un stock « Last Time Buy » destiné à couvrir la fin de vie d’un produit lorsque le fournisseur décide de l’arrêt d’une production. Ce stock n’est acquis que s’il y a une justification économique ou en termes de service de l’acquisition de ce stock,
• Des surstocks éventuels, si aucune des raisons précédentes n’explique la constitution de ce stock,
• Des en-cours correspondant à des quantités en cours de service ou en cours de mise en stock suite à une réception fournisseur,
• Des retards ou des avances de livraison du fournisseur.

Le stock de sécurité représente cependant une part prépondérante de ce stock, dans un environnement de distribution :

• Sur les références de classe A, les stocks de sécurité auront une part prédominante, généralement supérieure à 70%, car la rotation importante des stocks, les fréquences d’approvisionnement élevées et les tailles de lot réduites permettent de limiter le stock tournant,
• Sur les références de classe C, le stock de sécurité représente moins de 25% du stock,

Au global, le stock de sécurité représente souvent 50% du stock total, voire nettement davantage dans des activités avec des flux très réduits, telles que des activités de pièces de rechange.

L’étude des stocks de sécurité se justifie donc d’une part pour une raison économique, le stock de sécurité représentant une part très significative du stock et d’autre part parce qu’il conditionne la qualité de service aux clients.

Partie 1 : Analyse critique de la formule incontournable

1. La formule de base et son explication 

La formule classique du Stock de Sécurité :

C’est à la fois une formule ancienne, datant des années 1930 où Wilson préconisait l’approvisionnement de quantité économique (selon la formule qui porte son nom) combiné avec un point de commande qui intègre un stock de sécurité selon une formule très proche de celle mentionnée ci-dessus^a.

Comment interpréter cette formule ?

Le stock de sécurité est dimensionné pour faire face aux aléas de la demande sur un cycle de réapprovisionnement:

- Sigma correspond à l’écart-type de la prévision, c’est-à-dire la précision de la prévision. Dans la plupart des logiciels, c’est l’écart moyen absolu (EMA) ou Mean Absolute Deviation (MAD) qui est déterminée. Lorsque la demande suit une loi normale  sigma = 1,25xMAD, ce qui permet d’ajuster la formule précédente

- Délai + Périodicité correspond à un cycle de réapprovisionnement composé du délai de livraison à partir de la passation de commande et de la périodicité de commande :

• Dans le cas d’une gestion par point de commande, seul le délai de livraison est pris en compte, car la commande pouvant être passée n’importe quand sans avoir à attendre d’échéance (même si en réalité, la détection ou le traitement des références ayant atteint le point de commande n’est généralement traité qu’une fois par jour, ce qui impliquerait une périodicité d’une journée),

• Dans le cas d’une gestion selon une périodicité de commande, le stock de sécurité doit couvrir le délai de livraison mais aussi une période d’approvisionnement.

- k correspond au coefficient de sécurité, le risque d’être en rupture pendant un cycle d’approvisionnement étant d’autant plus faible que la valeur de k est élevée.

Propriété remarquable de cette formule : dans l’hypothèse où la demande peut être modélisée selon une loi normale, et quelles que soient les valeurs du Délai, de la Période et de sigma , la valeur de k détermine la probabilité qu’une rupture se produise pendant un cycle de réapprovisionnement.

L’approvisionnement n’étant pas lancé en T₀ car, en projection, le stock de sécurité ne serait pas entamé en T₀+D. L’approvisionnement est lancé en T₀+P car le stock prévu à réception de la commande (T₀+P+D) entame le stock de sécurité. Le stock de sécurité doit de ce fait permettre de couvrir les aléas de demande pendant le délai d’approvisionnement D mais également pendant la période de commande P : en ne commandant pas T₀, mais à la période suivante,  le stock de sécurité doit couvrir les aléas de la demande entre T₀ et T₀+P+D.

Illustration de la loi normale qu’est supposée suivre la demande, ainsi que la probabilité de rupture en fonction de quelques valeurs de k, c’est-à-dire en fonction de l’importance du stock de sécurité

Cela paraît finalement élémentaire, mais cela n’empêche pas de nombreux contresens et des approximations.

En premier lieu, dans certains cas, la formule appliquée omet le paramètre Périodicité^a, ce qui conduira à minorer le stock de sécurité si la Périodicité est significative.

D’autres approximations sont rencontrées telles que « le stock de sécurité dépend du taux de service que vous avez spécifié […] ainsi que la précision de la prévision ». Il s’agit en fait d’un contresens, en cofondant taux de service et probabilité de rupture, ce qui, en termes statistiques, correspond à confondre une probabilité et une espérance mathématique.

Mais la probabilité de rupture est une information peu parlante, décalée avec le niveau de service qui correspond à un réel indicateur de performance. Aussi, la vraie question est de déterminer quel est le lien entre taux de service et le niveau du stock de sécurité…

2. Lien entre le taux de service et la probabilité de rupture

2.1  Détermination du taux de service sur un cycle de réapprovisionnement

Nous prenons toujours l’hypothèse dans cette étude que seule la demande présente de la variabilité.

Toujours en supposant l’application de la loi normale, on peut établir le nombre de ruptures potentielles sur un cycle d’approvisionnement : il s’exprime en pourcentage de 

Le taux de rupture, c’est-à-dire le nombre de ruptures sur un cycle d’approvisionnement est un pourcentage des pièces non servies divisé par la demande moyenne sur ce cycle. Pour le déterminer, il suffit de multiplier la probabilité précédente par l’indice de dispersion^b qui se calcule comme

En considérant la référence R₁, dont la prévision est très précise (ID = 0,10) et un coefficient de sécurité de 0, la probabilité de rupture est de 50% mais le taux de rupture n’est que de 4% (c’est-à-dire un taux de service de 96%). A l’inverse, la référence R₄, avec une forte dispersion de la demande (ID = 0,50), a un taux de rupture de 20% (c’est-à-dire un taux de service de 80%) avec un coefficient de sécurité k=0.

De façon générale, pour une même valeur de k, le taux de rupture sera d’autant plus élevé que l’indice de dispersion est élevé, c’est-à-dire que la demande présente une forte variabilité.

Illustration des probabilités et rupture et taux de rupture pour plusieurs valeurs de k et de ID

2.2 Détermination du taux de service annuel

Le taux de service moyen annuel d’une référence dépend en particulier du taux de service pendant un cycle d’approvisionnement mais aussi du nombre d’approvisionnements réalisés par an. Par exemple, une référence A₁ ayant un taux de service pendant un cycle d’approvisionnement de 98,3%, un Délai + Périodicité de 3 semaines, et commandée une fois par an aura un taux de service de 100% -(1,8%*3/52) = 99,9%

Une référence A₂ approvisionnée douze fois par an aura un taux de service moyen de 100%-(1,8%*3/52*12) = 98,8% sur l’année

Enfin, une référence approvisionnée généralement toutes les semaines (48 approvisionnements par an), aura un taux de service moyen de 100%-(1,8%*3/52*48) = 95,0%

En synthèse, le taux de service annuel dépendra très fortement de la fréquence à laquelle des commandes sont effectivement passées

2.3  Les limites de la formule du stock de sécurité

La formule, nous l’avons vu, est facile à mettre en œuvre.

En revanche, le taux de service moyen de la référence dépendra très fortement des paramètres suivants :

• Le coefficient de sécurité k, bien sûr,
• L’importance de la variabilité de la demande sur un cycle d’approvisionnement (Indice de dispersion)
• La fréquence effective des approvisionnements (espacement moyen des commandes effectivement passées)
• Le délai de livraison + la périodicité de commande (espacement des dates auxquelles on est autorisé à passer commande)

Or il est difficile voire impossible de positionner et d’ajuster régulièrement sur chaque référence une valeur k adaptée aux objectifs de taux de service en fonction des deux derniers paramètres.

De plus, dans les calculs précédents, plusieurs facteurs influants ont été omis :

• Le délai de livraison est considéré comme fixe, ce qui revient à considérer un taux de service fournisseurs de 100%, ce qui correspond rarement à la réalité. La fréquence et de l’amplitude des retards de livraison (délai réel > délai théorique) est un  facteur qu’il faudrait aussi intégrer dans les modélisations précédentes.
• Plus rarement, d’autres aléas internes peuvent être à considérer, par exemple la qualité de la tenue des stocks (écarts entre les stocks physiques et informatiques) ou des aléas sur les processus de réception et de mise en stock.
• Enfin, le modèle précédent suppose l’application d’une loi normale. Or ce n’est pas la loi universelle : en cas de demande faible, d’autres lois de probabilité peuvent s’appliquer comme la loi de Poisson ou la loi binomiale négative. La prise en compte d’une hypothèse de loi normale risque de conduire à sous-dimensionner le stock de sécurité requis pour garantir un niveau de service donnée.

Bref, la formule précédente est-elle à rejeter, ne fait-elle plus sens aujourd’hui ?

La 2^ème partie du Billet de Thierry Bur N°10 « Stocks de sécurité dans la supply chain : quel dimensionnement ? » sera mise en ligne le 18 novembre 2015

Notes :

Le secret du DDMRP ? Répartir des stocks tampons ou « buffers » aux postes adéquats au sein de la Supply Chain, et ce, bien avant de déterminer le volume de stock dont vous aurez besoin et de décider quand il faut réapprovisionner. Et ce, sans passer par la case des prévisions qui, elles, se révèlent naturellement toujours fausses : la méthode se fonde sur la demande ferme des clients pour quitter une situation où l’on a trop de ce dont on n’a pas vraiment besoin, mais pas assez de ce dont on a carrément besoin.

Bref, une méthode efficace et facile à mettre en œuvre pour gérer la variabilité, qui ne requiert qu’une trentaine de jours de consulting pour lancer un pilote.

Qu’on en juge ! Oregon Freeze Dry (Albany, États-Unis), spécialiste de la lyophilisation, a mis en place DDMRP pour extraire davantage de son outil industriel sans investir, et accroître les ventes de 20 %. Le taux de service est ainsi passé de 79 % à 99,6 %, et les stocks ont été réduits de 60 %. Autre exemple, celui d’un géant des produits de grande consommation : dans une de ses usines au Canada où DDMRP a été implanté, on a commencé par stocker 300 composants qui ne l’étaient pas auparavant pour améliorer la structure des stocks et découpler les Supply Chains. Les délais ont ensuite été ramenés de 50 jours à 9 jours. Les stocks ont été réduits de 45 %, tandis que le taux de service a été amélioré de 2 points et porté à 99,7 %.

DDMRP pour quoi faire ?

DDMRP est adapté partout où les délais d’approvisionnement sont longs, lorsque la variabilité de la demande est forte, la complexité du portefeuille élevée, les nomenclatures de produits complexes, la Supply Chain trop contrainte pour pouvoir optimiser simplement l’utilisation des ressources.

C’est une méthode complète de planification et d’exécution en 5 étapes séquentielles (Cf. schéma ci-dessous : les 5 composants du DDMRP) : positionnement correct des stocks tampons au sein de la Supply Chain, dimensionnement du stock pour absorber la variabilité de la demande des clients et des processus, ajustement dynamique des stock tampons pour tenir compte de l’évolution des profils de la demande, planification au quotidien des besoins de réapprovisionnement pilotée par la demande, exécution visible et collaborative des opérations une fois les commandes fermes des clients entrant dans le système. Bref, si le DDMRP s’inscrit dans le Demand-Driven Supply Chain Management (DDSCM), il excelle dans le positionnement, le dimensionnement des stocks tampons et l’exécution mais ne couvre pas la captation et l’interprétation de signaux de la demande dans la supply chain étendue. Or, s’il n’est plus question de produire sur la base de prévisions (puisque DDMRP est basé sur une logique de flux tirés), des prévisions « minimalistes » (moyenne mobile sur un horizon à définir et prise en compte de profils de saisonnalité ou d’évolution) s’avèrent tout de même nécessaires pour dimensionner les stocks tampons, s’assurer de la faisabilité du plan industriel et commercial en tenant compte des contraintes capacitaires, gérer le cycle de vie des produits.

Source : Demand Driven Institute

Retrouvez cet article dans le numéro de Supply Chain Magazine d’avril et les autres billets de Thierry Bur sur le sujet de la DDRMP sur le blog Cereza.

1.    La pierre angulaire du DDMRP : la réduction de la variabilité

Dans mon billet précédent consacré au MRP et à ses limites, j’ai volontairement omis un constat, celui de l’accroissement significatif de la variabilité dans la supply chain mis en avant par Carol Ptak et Chad Smith :

• La variabilité de la demande au travers d’un accroissement de l’offre, de la réduction des cycles de vie, d’une concurrence exacerbée, de la variabilité des prix, de la vitesse de circulation des informations, de la volatilité des clients. Tout ceci résulte en une variabilité plus importante pour des volumes par produit plus faibles…Bref, prévoir ne sert plus à grand-chose dans ce cas car la demande est trop volatile…
• Un autre type de variabilité de la demande concerne la distorsion des messages de demande au fur et à mesure que l’on remonte dans la chaîne d’approvisionnement : effet « Bullwhip », nervosité du MRP…
• La variabilité dans la chaîne d’approvisionnement qui est de plus en plus mondiale, avec des délais plus importants, une complexité d’approvisionnement  plus importante liée à une complexité croissante des produits,
• La variabilité dans le management : toute la variabilité liée à des objectifs courts termes de réduction des stocks (fin de mois ou fin d’année), d’atteindre les objectifs trimestriels de ventes…
• La variation des opérations (variabilité de l’exécution des processus), qui reste somme toute assez restreinte

Or la loi de la variabilité (APICS) précise qu’un processus sera d’autant moins productif qu’il sera soumis à de la variabilité.

Un apport fondamental du Demand-Driven MRP consiste à positionner des stocks de découplage à des endroits stratégiques afin de contenir la variabilité comme l’illustre le schéma ci-dessous :

2. Les innovations du DDMR

Les réels apports du DDMRP concernent :

- Des règles précises permettant de définir les composants et/ou produits finis à stocker permettant d’assurer un découplage en tenant compte :

• Des attentes des clients en termes de délais de livraison,
• De la dimension économique en considérant les stocks comme des actifs et en évaluant la valeur des stocks immobilisés,
• De la saisonnalité et des contraintes capacitaires.

- Les règles précédentes permettent de définir (Cf. schéma ci-dessous), pour chaque article stocké, les niveaux de stocks :

• La zone rouge correspondant au stock de sécurité,
• La zone jaune correspondant au besoin pendant un cycle de réapprovisionnement,
• La zone verte correspondant au stock tournant (volume généralement approvisionné),
• Le lancement de la production ou de l’approvisionnement ne sera fait que si le stock disponible passe dans la zone jaune,
• Les codes couleurs et les positions relatives du stock dans chaque couleur permettent de déterminer le niveau de priorité relative d’un article par rapport à un autre, facilitant ainsi la planification de production.

-       En plus de ces « buffers de stock » qu’il est possible de positionner, il sera également possible d’intégrer des « buffers de délais » sur les articles non stockés (avec la même logique vert/jaune/rouge), permettant ainsi de générer des alertes à chaque changement de couleur,

-       Le fonctionnement a lieu en « flux tirés » :

• Seuls les ordres fermes sont pris en compte, les prévisions sur l’horizon plus lointain ne sont pas réalisées. C’est donc les seuls nouveaux ordres clients qui consomment le stock et déclenchent la production,
• Ce mode de fonctionnement permet d’éviter la surproduction, le stock ne passera jamais au-dessus de la zone verte (TOG – Top Of Green),
• Le programme directeur de production ne comportant que les ordres fermes ne permettra plus de faire de contrôle capacitaire au travers du rough-cut capacity planning. Le contrôle capacitaire sera de ce fait réalisé en amont, dans le cadre du « Sales & Operations Planning », qui lui, intégrera une prévision d’activité.

Enfin, comme dans le cas de la « Théorie des Contraintes », il est possible de sélectionner des points de contrôle où la planification est réalisée de façon détaillée.

Illustration des différentes zones de stocks dans le cadre du DDMRP

3. Le débat des prévisions dans le cadre du DDMRP  

La question de l’absence de prévisions dans le cadre du DDMRP tout comme dans le cadre des « flux tirés » peut faire débat au travers de divers questionnements :

• On utilise bien une forme de prévision dans le cadre du DDMRP pour établir le dimensionnement des buffers de stocks ?
• Comment communiquer des prévisions aux fournisseurs ?

Nous allons y répondre point par point :

1.     Prévision et « flux tirés »

Etre en « flux tirés » signifie que la production, le transport ou la mise en stock sont uniquement réalisés en réponse à une demande client ou pour remplacer le stock consommé par une demande client.

En ne tenant pas compte des prévisions sur l’horizon futur, le DDMRP est donc un système à « flux tiré », car seule une commande client peut déclencher une mise en production ou une consommation de stock de produit fini qui elle-même déclenchera la production.

C’est grâce à ce principe de fabrication sur commande client seulement que l’on garantit que le stock d’un article restera toujours inférieur au TOG, évitant ainsi la surproduction, ce que le MRP classique ne garantissait pas : la production pouvait être déclenchée en fonction de besoins dépendant ou de prévisions surestimés conduisant à une fabrication trop importante.

En revanche, dans un système à « flux tiré », il est nécessaire de dimensionner des buffers de stocks. Ces buffers seront forcément fonction du niveau de consommation de l’article. Ainsi, y compris dans un système kanban, la boucle kanban est dimensionnée en fonction du délai de production et la consommation moyenne. Dans le DDMRP, on est exactement dans le même cas de figure.

On peut cependant considérer que la détermination de la consommation moyenne est un acte de prévision.

 2.     Comment prévoir : quelle méthode de prévision utiliser  et comment la paramétrer

Il existe de très multiples méthodes de prévision parmi lesquelles la moyenne mobile, la plus simple des méthodes, le lissage exponentiel (qui s’approche de la moyenne mobile) et le lissage exponentiel double prenant en compte la tendance.

Ces méthodes de prévision comportent différents paramétrages :

• La longueur d’historique prise en compte pour la moyenne mobile
• Un coefficient de lissage dans le cadre du lissage exponentiel simple
• Deux coefficients de lissage pour le lissage exponentiel double

Un dessin valant mieux d’un long discours, expérimentons quelques valeurs de paramètre de la moyenne mobile et du double lissage exponentiel sur des données de demande définies arbitrairement. Nous supposons que la demande ne présente pas de saisonnalité.

On constate dans le schéma précédent que la demande présente une certaine variabilité (l’écart-type sur la série de données est de 13,5 pour une moyenne de 60,1) tout en intégrant une certaine tendance à la hausse de 20% sur la période (passage d’une moyenne de 55 à 65 sur la période).

L’analyse des prévisions précédentes peut également être objectivée via deux indicateurs :

• L’erreur absolue de prévision, qui correspond à la moyenne des erreurs de prévision (demande – prévision) en valeur absolue,
• La variation absolue de prévision d’une période à la suivante (la variation se calculant comme =  Prévision (P+1) / Prévision (P- 1) qui permet de mesurer la variabilité générée par la prévision elle-même.

Les constats que nous pouvons faire à l’analyse des données précédentes sont claires : c’est la moyenne mobile sur 8 périodes qui est incontestablement la plus stable et de loin, et qui donne une erreur de prévision la plus réduite.

A l’inverse, le double lissage qui devrait permettre d’intégrer la tendance, sur-réagit aux variations aléatoires de demande expliquant une variabilité de prévision plus importante, alors que nous sommes dans un cas de demande relativement stable.

En synthèse, la moyenne mobile est une méthode de prévision la plus simple et la plus robuste qui présente l’avantage de limiter la variation de la valeur des buffers de stocks d’une période à la suivante.

Son inconvénient sera de ne pas pouvoir anticiper l’évolution de la tendance qui risquerait de sous-dimensionner les buffers et sera compenséepar une plus forte réactivité du DDMRP à déclencher des approvisionnements et à les prioriser dès lors qu’on atteint plus rapidement la zone rouge.

Enfin, il est un point de vigilance, à savoir le dimensionnement de l’horizon sur lequel la moyenne mobile est calculée et présente également un enjeu :

• Un horizon trop court risque de générer de la variabilité,
• Un horizon trop long augmentera le décalage par rapport à l’évolution de la demande

C’est ici qu’intervient un acte de prévision.

Le DDMRP s’appuie donc à juste titre sur une moyenne mobile qui permet d’établir l’ADU (Average Daily Usage), selon un horizon paramétrable. De plus, le DDMRP permet aussi de prendre en compte la saisonnalité éventuelle voire la tendance (en particulier selon le cycle de vie : phase in ou phase out).

En synthèse, le DDMRP conduit à simplifier les actes de prévisions : on n’est plus dans un acte fin de choix de méthode, d’affinement de prévision, mais un certain nombre de données fondamentales restent à définir (horizon de la moyenne, saisonnalité, tendances fortes).

 3. Comment communiquer des prévisions aux fournisseurs ?

Comme nous l’avons vu, le DDMRP ne fait plus de calcul prévisionnel, seuls les ordres fermes étant pris en compte. Comment le fournisseur peut-il alors anticiper le dimensionnement de son organisation, ses approvisionnements de matière ?

Le MRP distingue d’autre part les besoins bruts (somme des demandes à couvrir) des besoins nets (produit / approvisionnement à réaliser) transformés en ordres planifiés en fonction des arrondis de commandes. Le MRP permettait donc de calculer un programme des approvisionnements. A priori génial, mais très largement affecté par la nervosité du MRP.

La solution recommandée par le DDMRP, chaque référence produite ou approvisionnée ayant un ADU, est de communiquer l’ADU ainsi que les ajustements dynamiques (saisonnalité, tendance, anticipation capacitaire) aux fournisseurs. Ils disposeront ainsi d’une visibilité de la production moyenne anticipée par leur client.

Cette information sera finalement plus pertinente que le programme d’approvisionnement issu du MRP, surtout dans le cas d’un nombre significatif de niveaux de nomenclatures.

4. Les apports du Demand-Driven MRP  

La combinaison des innovations et améliorations précédentes permet différents apports majeurs :

-  Une réduction de la variabilité qui induit une réduction des urgences et une meilleure capacité à tenir les engagements clients grâce :

• Au découplage mis en œuvre grâce à des stocks ou à des délais,
• A la suppression de la nervosité du MRP qui ne génère plus de prévisions (nous verrons un peu après, dans le cadre de la partie consacrée aux prévisions, comment informer le fournisseur d’un volume de production prévisionnel).

-       Une meilleure maîtrise des stocks (et généralement leur décroissance) :

• Les niveaux cibles de stocks sont établis selon des règles précises, et évoluent modérément dans le temps,
• Le mode de déclenchement et de production évite la surproduction, le stock ne pouvant jamais passer au-delà du Top Of Green, contrairement à ce qui serait possible avec un MRP présentant une certaine nervosité,
• Avec un fonctionnement plus stable, le DDMRP peut conduire à une réduction des délais (rappelons que 90% d’un délai est constitué de temps d’attente) qui elle-même permet une réduction des stocks,
• De même, une réduction de la variabilité permise par le DDMRP doit permettre de réduire les stocks de sécurité.

- Une meilleure maîtrise du pilotage de la production par les planificateurs : avec des alertes plus ciblées, moins nombreuses et une possibilité de comprendre la situation dans son ensemble, le DDMRP permet une meilleure prise de décision et une meilleure priorisation des actions.

-  Un échange plus direct avec les fournisseurs, permettant de cibler les priorités opérationnelles du client et de passer en mode collaboratif : par le partage de la situation des stocks avec le fournisseur, ce dernier a une meilleure visibilité sur les priorités du client et peut adapter sa priorité de production en fonction.

-  Une priorisation de l’exécution des opérations logistiques en tenant compte des priorités de planification : la planification des approvisionnements se fait généralement sans être en mesure de prendre en compte les contraintes capacitaires de l’entrepôt et du transport. Le DRP (MRP appliqué en distribution) conduit à générer un ensemble de listes de références avec des besoins d’approvisionnement (quantité, date), puis ces besoins sont transmis, mais aucun niveau de priorité n’est communiqué. C’est désormais possible avec le DDMRP : on peut sélectionner les quantités les plus urgentes à réapprovisionner jusqu’à remplir un moyen de transport.

-       Une capacité à prendre en compte les entreprises avec leur niveau de maturité instantané puis de les accompagner dans l’amélioration :

• D’une part le DDMRP simplifie le travail du planificateur, le lui rend plus compréhensible,
• D’autre part, le DDMRP peut s’adapter à la réalité de l’entreprise (tailles de lot significatives, délais longs), puis le DDMRP peut contribuer à la réduction des délais, et la mise en œuvre de démarches Lean (dont le SMED) peut permettre de réduire les tailles de lots dont les nouvelles valeurs seront intégrées au paramétrage.
• Bref, inutile, d’avoir une excellence Lean pour pouvoir commencer à mettre en œuvre le DDMRP.

5. Demand-Driven MRP et Demand-Driven Supply Chain

Nous l’avons vu, le DDMRP est une méthode de planification et d’exécution de la production qui permet de combiner les avantages du MRP traditionnel et du Lean, en fonctionnant pleinement en « flux tirés ».

Elle permet également de mieux prioriser des opérations logistiques et de transport en tenant compte des priorités d’approvisionnement (priorité client et priorité de réapprovisionnement du stock), ce que les logiques traditionnelles ne permettaient pas de faire.

En revanche, il est un point sur lequel la Demand-Driven Supply Chain et le DDMRP entrent en contradiction : la captation des signaux de demande du marché et de leur interprétation. En effet, c’est hors du périmètre du DDMRP qui lui se préoccupe essentiellement de l’exécution des opérations une fois les commandes fermes de clients entrant dans le système.

A titre d’illustration, lorsqu’un e-commerçant identifie de multiples demandes d’information pour un produit donné dans une zone géographique, il peut anticiper que ce produit fera l’objet d’achats au cours des prochaines journées. Ces signaux de demande peuvent déclencher des décisions de mise en stock dans le site logistique de la zone géographique concernée, permet également des actions marketing idoines.

Cette problématique n’est pas traitée par le DDMRP qui concerne plus particulièrement les environnements de distribution, le problème posé étant de capter la demande qui sinon se détournerait vers d’autres sites ou distributeurs… sur la base de stocks de produits qui ont peut-être été fabriqués selon une planification DDMRP.

Auteur : Thierry Bur

1.    Emergence et généralisation du MRP

Si l’organisation industrielle a pu émerger, dans la douleur, sous l’impulsion de Frederick Taylor à la fin du 19^ème siècle, qui a développé des méthodes de production industrielles, qui est le père de la standardisation des tâches des moyens de production, il a fallu attendre le 20^ème siècle pour standardiser des processus de support à la production, en particulier l’approvisionnement.

C’est d’une part Harris qui conçut en 1914 les quantités économiques (la fameuse formule attribuée à tort à Wilson), et d’autre part Wilson qui, dans les années 1930 a œuvré pour l’utilisation conjointe d’un point de commande et de la quantité économique. Cette solution, simple, permet l’approvisionnement de quantités fermes en prenant l’hypothèse que la demande est stable et constante. Or, cette méthode présente des limites certaines dans un environnement de production, en particulier parce que la demande n’est pas stable, mais présentait l’avantage d’être facilement mise en œuvre dans un monde qui ne connaissait pas encore l’ordinateur.

IBM a commencé à produire des logiciels et des matériels permettant de gérer les nomenclatures (BOM – Bill Of Material) et notamment une solution BOMP sur laquelle Joseph Orlicky¹, chef de projet chez JI Case, un fabricant de machines agricoles, a mis en œuvre en 1961 les fonctions permettant à partir du programme directeur de production et du planning d’assemblage final d’exploser les besoins sur les nomenclatures de plus bas niveau.

Ce n’était certes pas la première implémentation d’un calcul de besoin selon les principes de ce qui allait devenir le MRP (Material Requirements Planning), une autre réalisation prototype ayant déjà eu lieu en 1959, mais Joseph Orlicky rejoignit ensuite IBM dès 1962 pour poursuivre le développement du MRP² et évangéliser les professionnels³.

Le MRP n’a connu une diffusion qu’à partir des années 1970 grâce à l’évangélisation menée par 3 pionniers dans le cadre des APICS MRP Crusade : Joseph Orlicky (1922-1984) déjà mentionné, Oliver Wight (1930-1983) et George Plossl (1918-2004). On peut estimer à 700 le nombre de systèmes MRP déployés en 1975, 8 000 en 1981 et 60 000 en 1990^{3 et 4}.

Enrichissement progressif des méthodes de gestion de production⁵

Le MRP répond aux questions : Quel article produire ? Quelle quantité produire ? Quand le produire ?

La réponse est apportée par un calcul de besoin sur un article composé séquencé dans le temps (time-phased replenishment planning), puis en décalant et en explosant les besoins de production de l’article composé sur ses composants grâce aux nomenclatures, puis en reproduisant le même calcul jusqu’au plus bas niveau de nomenclature.

Le système s’est enrichi progressivement en intégrant :

• D’une part : la prise en compte de la dimension capacitaire (Capacity Scheduling) en s’appuyant sur des gammes de production permettant d’estimer la charge pour réaliser une production et de la comparer avec la capacité disponible pour les ressources concernées. Cette première évolution a pris le nom de closed-loop MRP pour exprimer l’idée d’une boucle de rétroaction consistant : si les composants ou la capacité ne sont pas disponibles pour assurer la production des composants demandés, à remettre en question le plan de production amont pour le corriger jusqu’à obtenir un plan totalement réalisable.
• D’autre part de multiples améliorations au travers du MRP II qui est rebaptisé pour l’occasion Manufacturing Resource Planning⁶ et qui apporte :

• L’introduction de 5 niveaux de planification au-delà des deux niveaux du MRP initial (Programme directeur de production et planification des besoins en composants ou Material Requirement Planning). Il s’agit là d’une approche top-down avec toujours la boucle de rétroaction consistant à planifier depuis le niveau le plus global jusqu’au niveau le plus fin, en s’assurant de la disponibilité de la capacité requise à chaque niveau avant de passer au niveau de planification plus fin.
• Une dimension financière permettant notamment d’établir un plan financier, d’estimer le coût de revient de la production, etc.
• Des fonctions de simulation.

Illustration des 5 niveaux de planification du MRP II et des dimensions temporelle, produit et organisationnelle

Si les principes structurants du MRP 2 ont été posés dès 1980, la diffusion de solutions MRP 2 fut freinée par la capacité encore limitée des ordinateurs.

Deux autres évolutions eurent encore lieu quelques temps plus tard :

• L’émergence des Enterprise Resource Planning ou ERP, permettant de réaliser toute la gestion de l’entreprise au travers d’un seul outil intégré. Comme la proximité du nom le sous-entend, les ERP intègrent les fonctions de planification MRP (a minima le Material Requirement Planning et des fonctions élémentaires de prévision)
• Enfin, sont apparus par la suite les APS, Advanced Planning System à la fin des années 1990 qui apportèrent les avancées suivantes :
  • De disposer, dans un même outil de planification, à la fois du calcul des prévisions et de la planification des opérations, alors que précédemment, les éditeurs étaient souvent spécialisés dans l’une ou l’autre de ces fonctions,
  • La connaissance des données de planification multisites : la connaissance précise des stocks et la demande par site permet de réaliser une planification sur une supply chain globale (souvent limitée aux contours de l’entreprise) pour optimiser les opérations,
  • Des fonctions plus fines de prévisions⁷, permettant notamment de réaliser des prévisions pyramidales (en s’appuyant sur un cube de données), et d’intégrer un processus collaboratif de prévision.
  • Des fonctions avancées de planifications, intégrant notamment des moteurs de recherche opérationnelle et permettant d’optimiser plus ou moins globalement la production, les opérations logistiques et le transport, voire de collaborer avec les partenaires externes.

 2.    Limites du MRP

Nous ne pouvons que constater que cette amélioration et cet enrichissement continu des principes et des outils MRP. C’est formidable pourrions-nous dire… Or, les inventeurs du DDMRP, en particulier Chad Smith⁵, un expert et un praticien de la théorie des contraintes, avaient le recul pour pointer du doigt les réelles problématiques au cœur du MRP original.

Nous allons en pointer 4 :

1. Planification d’une quantité fixe pour une date fixe

Le MRP consiste à déterminer d’une quantité à produire pour une date donnée, en s’appuyant sur les besoins à couvrir, le stock initial, les commandes déjà lancées et le stock de sécurité.

Prenons l’exemple de 2 références A et B, caractérisées par exactement la même situation initiale : délai de 2 semaines, quantité fixe 100 unités, stock de sécurité de 30, stock initial de 69 pièces et une demande de 40 pièces sur le cumul des 2 prochaines semaines. Le calcul MRP sur le produit A détermine le lundi de la semaine S un besoin de 100 pièces pour le lundi de S+2 qui est ensuite affermi et lancé (ce lancement consiste à autoriser la production dans l’atelier si le produit est fabriqué en interne ou à passer une commande ferme dans le cas d’un produit approvisionné). De même le produit B est aussi lancé pour le lundi de S+2 avec une quantité de 100 unités.

La référence A connaît une demande bien moins importante que prévue avec une demande de 20 unités sur 2 semaines, le stock du lundi S+2 est de 49 unités avant intégration de l’ordre de 100 unités. A l’inverse, la référence B connaît une demande de 60 unités en 2 semaines, le stock du lundi S+2 est de 9 unités avant livraison.

On voit dans ce cas que la situation est très différente entre ces 2 références : il est devenu absolument prioritaire de reconstituer le stock de la référence B alors qu’on n’a davantage de latitude pour réapprovisionner la référence A.

Or, la logique MRP s’en tient à la logique quantité, date : une fois l’ordre affermi, le MRP les références A et B sont attendues toutes deux pour lundi de S+2, ce qui correspond au contrat passé avec le fournisseur (externe ou interne) sans qu’aucune priorité ne soit partagée entre le planificateur et son fournisseur.

C’est donc une réelle limite du MRP : il ne se préoccupe plus du tout de la priorité à accorder à chacun des ordres, alors qu’en réalité les priorités opérationnelles ont évolué, l’alimentation du stock de B étant devenu très prioritaire ! Et ce changement de priorité est simplement lié aux écarts entre la demande réelle et la prévision.

Le MRP en raisonnant en quantité et date fixes masque la vraie priorité : que le fournisseur ou l’atelier livre la bonne quantité au bon moment quand l’usine en a besoin.

A l’inverse du MRP, il existe des techniques collaboratives et en particulier la GPA (gestion partagée des approvisionnements) qui est une solution bien plus pertinente pour piloter l’approvisionnement : le fournisseur ayant la vision des stocks et une connaissance de prévisions de son client, charge à lui de maintenir son stock entre un seuil minimal et un seuil maximal. La vision des priorités est immédiate, c’est plus direct, plus efficient.

2. Illisibilité des alertes

Simple dans son principe, le MRP génère de multiples alertes qu’il est nécessaire de comprendre et d’interpréter. Or, les alertes sont extrêmement nombreuses, ne donnent pas une vision d’ensemble permettant de cibler les priorités de production immédiate pour assurer la satisfaction des ordres clients les plus prioritaires.

Pour pallier à ces limites, les planificateurs extraient des informations du MRP et exploitent les informations sous Excel, avec malgré tout une difficulté à identifier les réelles priorités.

3.  Nervosité du MRP

Un autre défaut reconnu du MRP est sa nervosité : lorsque le stock prévisionnel est proche du stock de sécurité, il suffit d’une variation minime de la demande pour qu’une commande prévisionnelle soit générée ou annulée. Cette variation va se propager et s’amplifier sur les niveaux de nomenclatures plus basses. D’autres effets tels que les écarts d’inventaires, les changements de configuration, les retards de livraison, la non qualité génèrent également de la nervosité. A tel point qu’il peut y avoir d’importants écarts entre la fluctuation des besoins issus du MRP et une certaine régularité des besoins sur les produits finis.

4. Stocks bimodaux

Enfin, si les stocks des articles devraient suivre une loi normale, or les stocks suivent généralement une loi bimodale :

• Une partie des références se situent en zone de stock insuffisant, la production n’ayant pas encore pu être lancée,
• Une autre partie des références se situant plutôt en situation de surstock.

Cet état de fait peut s’expliquer notamment par les erreurs de prévision, par l’effet de la nervosité du MRP, et par l’effet des contraintes capacitaires.

3. Evolutions de l’environnement   

Enfin, comme je l’ai évoqué dans mon billet consacré à la Demand-Driven Supply Chain⁸, la complexification des supply chain, des produits, la réduction de leur cycle de vie, la réduction des délais exigés par les clients rendent le système consistant à prévoir puis à planifier inadapté.

Il s’agit de s’orienter vers un schéma de fonctionnement plus « agile », qui puisse s’appuyer sur des flux tirés.

Or, le schéma suivant l’illustre bien, il y a un vrai besoin de faire une synthèse entre le MRP et le Lean car :

• Le Lean fonctionne en flux tiré mais n’est pas cohérent avec un MRP qui lui s’appuie sur des prévisions, et fonctionne donc en flux poussés,
•  Le MRP permet d’avoir une visibilité sur l’ensemble des besoins et des opérations, même dans des environnements de production complexes et non répétitifs, contrairement aux méthodes lean.

Cette synthèse entre le Lean et le MRP s’appelle le Demand-Driven MRP que je vous propose d’aborder dans mon prochain billet.

Auteur : Thierry Bur

Sources :

¹ http://mrp-to-lean.blogspot.fr/

² Joseph Orlicky se serait inspiré de la Planification de Production de Toyota pour établir son MRP, le principe d’un programme directeur de production étant en effet une des composantes du Toyota Production System (TPS). Ironie de l’histoire, le MRP est conçu pour une production en flux poussés alors que le TPS préconise les flux tirés, mais nous en reparlerons plus loin…

³ http://www.researchgate.net/publication/222685410_The_early_road_to_material_requirements_planning The early road to material requirements planning, Vincent A. Mabert, 2006

⁴ http://en.wikipedia.org/wiki/Material_requirements_planning

⁵ Source : l’ouvrage de référence du DDMRP Orlicky’s Material Requirements Planning, Third Edition par Carol Ptak et Chad Smith (2011)

⁶ Il est intéressant de noter que, quasiment au moment de la mise au point du MRP II (1983, par Oliver Wight), Eliyahu Goldratt mettait au point la géniale Théorie des Contraintes (TOC : Theory Of Constraints). Eliyahu Goldratt travaillait initialement dans une société qui vendait une solution de planification à capacité finie, mais, face au constat que ces solutions n’adressaient pas les réels problèmes, il a mis au point sa théorie des contraintes, popularisée en 1984 au travers de son roman The goal (Le But). Cette méthode de gestion de la capacité s’appuie sur l’identification du goulet (ou goulot) d’étranglement et de son traitement, et vient à l’encontre de certaines pratiques des managers de la production de l’époque. La théorie des contraintes est très focalisée sur les flux, alors que le MRP se focalise sur la charge par ressource sans avoir cette vision du flux.

⁷ Pour finir la revue des acteurs qui ont développé des techniques calculatoires encore utilisées aujourd’hui, il est indispensable de mentionner G. Brown, l’inventeur du lissage exponentiel, qui est à la base de la plupart des méthodes de prévision utilisées aujourd’hui  encore.

⁸ http://blog.cereza.fr/logistique-scm/les-billet-de-thierry-bur-quest-ce-quune-demand-driven-supply-chain-1214

1.    Constat d’échec du modèle opérationnel traditionnel et pistes de solution

L’émergence du concept de Demand-Driven Supply Chain (DDSC) s’appuie sur le constat d’échec des standards de fonctionnement qui avaient été précédemment établis : une première étape consistant à ciseler des prévisions fines, puis la consommation de ces prévisions par les commandes clients, la transformation de ces prévisions en besoins dépendants de production et d’approvisionnement, puis l’exécution de la production et des opérations logistiques.

Ce mode de fonctionnement, pérennisé au travers du MRP2 et des systèmes d’information (ERP, APS) présente cependant de nombreuses limites parmi lesquelles :

• Les prévisions ne sont jamais exactes, et ce mode de fonctionnement sera d’autant plus inadapté que la demande est volatile,

• Le MRP induit une nervosité en fonction des évolutions de la demande et des opérations: une évolution mineure de la demande client peut déclencher en chaîne des besoins  de production et de réapprovisionnement (à la hausse ou à la baisse) qui se traduisent par un impact d’autant plus ample que les nomenclatures sont plus profondes. En conséquence, les fournisseurs ne peuvent s’appuyer sur les prévisions d’approvisionnement MRP communiqués par leurs clients, les écarts entre les prévisions et les demandes effectives pouvant être très significatives.

Cet échec de l’approche traditionnelle est d’autant plus patente que la demande est plus volatile et que les délais sont plus courts, comme le montre le schéma suivant :

Compte tenu de la tendance à une augmentation de la volatibilité de la demande et à une réduction des délais malgré une complexité croissante, il s’agit de trouver un nouveau mode de fonctionnement : l’effort principal n’est plus à mettre sur la détermination des prévisions, trop statique. C’est vers une solution plus dynamique qu’il faut s’orienter : la supply chain agile, caractérisée selon l’APICS¹ par la capacité à fabriquer et à mettre rapidement sur le marché une large gamme de produits et services en quantités variables, à coût faible et de qualité optimale. L’agilité requiert 4 compétences distinctes : flexibilité, fiabilité, coût et qualité.  Si les trois dernières compétences peuvent se résumer par une efficience des processus, la flexibilité mérite d’être définie :

• La flexibilité est de façon générale la capacité à répondre rapidement, en volume et en temps², à des changements internes et externes.
• La flexibilité d’une supply chain est sa capacité à limiter ou à neutraliser les différents risques auxquels elle est soumise dans les cas de croissance ou de réduction des volumes : variabilité des prévisions, de la continuité d’approvisionnement, du temps de cycle, du délai et les incertitudes de délai de livraison et de dédouanement.
• Enfin, flexibility responsiveness correspond à la réactivité, c’est-à-dire la capacité des entreprises à s’adapter rapidement à des évolutions qui prennent place sur le marché

Notons que le lean (dès lors qu’il n’est pas mis en œuvre dans une optique pure de réduction des coûts, un excès d’efficience coût finissant par rigidifier le système³) intègre dans ses gènes l’agilité : le Toyota Production System a été lancé au début des années 1950 afin d’être en mesure de répondre de façon productive et efficiente à un marché réduit (en 1950, le marché automobile japonais n’était que de 1900 véhicules⁴) exigeant une forte diversité de produits (Cf. Article http://blog.cereza.fr/wp-content/uploads/2015/01/CEREZA_Tribune_Lean-et-Supply-Chain-Management.pdf), c’est-à-dire pour mettre en œuvre des processus efficients et flexibles.

Il est notamment évident qu’une supply chain agile implique que les opérations de production et logistique production soit faites en flux tiré, c’est-à-dire uniquement déclenchées en réponse à une demande client ou pour remplacer le stock consommé par une demande client. A défaut, on sera dans une situation de surproduction, le pire des gaspillages selon Taichi Ohno, car elle induit d’autres gaspillages (augmentation des stocks, des attentes, des déplacements…) réduisant ainsi la flexibilité et l’efficience coûts, et augmentant les délais.

2. Caractéristiques de la Demand-Driven Supply Chain 

La notion de Demand-Driven Supply Chain correspond aux modes de fonctionnement et aux principes à mettre en  œuvre pour disposer d’une supply chain adaptée aux défis actuels présentés ci-avant. Cette notion est apparue il y a une dizaine d’année, mais sa définition n’est pas unique et a évolué dans le temps⁵.

Tout comme le passage du mode de production traditionnel au lean manufacturing a constitué une révolution dans les modes de fonctionnement, de même le passage à la DDSC est aussi une révolution des modes de raisonnement, de fonctionnement, au niveau des métriques de performance, etc. Il y a cependant une idée sous-jacente majeure, toute simple : tout est piloté par la demande des clients finaux.

Une des questions qui se pose est comment faire fonctionner de façon efficiente cette chaîne logistique, où stocker des articles, comment les réapprovisionner, comment maîtriser les coûts tout en répondant aux exigences des clients (délai, qualité, services…) comme l’illustre le schéma suivant :

La réponse n’est pas unique, en revanche, la Demand-Driven Supply Chain s’appuie sur les principes suivants :

1. Collaboration, car l’optimisation de la chaîne logistique implique une coopération des différents acteurs de la chaîne,
2. Visibilité, qui est le facteur clef pour capter la demande au plus près des clients finaux et connaître les stocks à tous les maillons de la chaîne logistique pour être en mesure de l’optimiser globalement,
3. Efficience, c’est-à-dire maîtrise de la qualité et des coûts.
4. Agilité, afin de savoir répondre rapidement et de façon efficiente à une demande non prévue, à une évolution du niveau de demande.

Voici quelques exemples de transformation d’une supply chain traditionnelle vers une Demand-Driven Supply Chain :

 3. Transformation de l’entreprise pour devenir Demand Driven 

Comment devenir Demand-Driven ? Différents stades de maturité des entreprises ont été définis, le stade 4 de l’entreprise étendue correspondant à la mise en œuvre pleine et entière de la Demand-Driven Supply Chain. Le stade maturité de la majorité des entreprises (souvent de 2, quelquefois de 3) précise la distance à parcourir pour déployer une Demand-Driven Supply Chain.

Cette transformation ne peut, au demeurant, être réalisée que si la direction générale est persuadée du bienfondé de cette transformation et la déclare comme prioritaire.

4. Exemples de mise en œuvre de la Demand-Driven Supply Chain

4.1.  Industrie automobile

La vente de véhicules se fait auprès de différents segments de clients : les clients particuliers qui génèrent les plus fortes marges, les entreprises, la vente à des concessionnaires (véhicules de démonstration, immatriculations tactiques pour réaliser les objectifs trimestriels et déclencher les primes constructeurs), et d’autres segments bien moins rémunérateurs tels que les loueurs de courte durée.

Traditionnellement, la production automobile était réalisée selon un programme directeur de production (PDP) fixe,  la production étant consommée en partie par des commandes de clients particuliers, entreprises, par les immatriculations des concessionnaires, restaient ensuite des véhicules sans destination précise et qui pouvaient être vendus à des loueurs. Cependant, ces dernières ventes constituent une difficulté : l’injection de ces véhicules dans le marché ne permet pas de générer de marge et induit une augmentation de l’offre des occasions récentes contribuant à baisser la valeur de ces véhicules.

Le passage à une planification de production basée exclusivement sur les demandes fermes des clients (clients particuliers, professionnels, distributeurs, loueurs de courte durée …) permet de produire uniquement des véhicules dont la destination est maîtrisée :

• Meilleur pilotage de la marge en favorisant les segments de clients et les marchés les plus rémunérateurs.
• Réduire des stocks de produits finis,
• Amélioration de la valeur de revente des véhicules en occasion, sujet particulièrement sensible pour les gestionnaires de flottes.

Cependant, en produisant selon les principes de la Demand-Driven Supply Chain, les volumes de production fluctuent et ne garantissent pas l’atteinte du niveau pour lequel l’usine a été dimensionnée : il n’y a plus de PDP fixe !

Ceci implique un outil industriel très flexible : si le portefeuille est significativement supérieur aux attentes, certains constructeurs étendent l’amplitude de travail journalier de leurs équipes, et ce avec un préavis réduit. A l’inverse, la réduction du portefeuille de commande conduit à réduite l’amplitude horaire de travail ou de fermer l’usine une journée de temps à autre.

Pour limiter les à-coup de production, liés à la réussite plus ou moins heureuse des véhicules, les constructeurs ont développés des lignes permettant de monter divers modèles, permettant ainsi de lisser le volume d’activité et donc d’assurer un taux élevé d’utilisation des usines. Cependant, l’implication en termes d’organisation industrielle est de développer le « kitting » qui présente différents avantages :

• Évitement de la saturation des bords de lignes
• Élimination des déplacements et des choix de pièces aux opérateurs de production,
• Concentration des étapes de préparation de kits dans des zones logistiques, avec des opportunités d’automatisation dans le cas de la production dans des pays à coûts élevés.

La mise en œuvre de ces principes de Demand-Driven Supply Chain est cependant plus simple dans l’industrie automobile que dans d’autres industries, les transformations étant ciblées sur le Programme Directeur de Production et sur la flexibilité de l’outil industriel.

4.2.  Kimberly-Clark : une transformation qui s’inscrit dans le temps

L’ampleur de la transformation peut être très significative, et adresser une multitude de problématiques :

• Mise en œuvre généralisée du lean, notamment dans une optique de réduction drastique des temps de cycle de production,
• Refonte du schéma industriel et logistique pour répondre aux nouveaux enjeux,
• Refonte des processus de planification,
• Évolution des systèmes d’information pour faire face aux enjeux de collecte des données sur l’ensemble de la chaîne logistique et pour s’aligner sur les nouveaux processus,
• Conduite du changement de chacune des évolutions précédentes.

En conséquence la transformation vers une Supply Chain Demand Driven peut s’avérer un long voyage, le schéma suivant décrit l’étendue des projets mis en œuvre et leur ordonnancement pour contribuer à cette transformation.

¹ APICS Dictionnary, twelfth edition

²  On peut de plus distinguer divers types de flexibilité industrielle qui pour la plupart peuvent s’appliquer de façon plus générale à la supply chain :

• Mix flexibility corespondant à la flexibilité en termes de changements de production pour produire un large assortiment,
• Capacité à intégrer rapidement des changements de conception,
• Flexibilité en volume,
• Flexibilité opératoire c’est-à-dire la capacité à répondre rapidement à l’indisponibilité d’une ressource en la remplaçant par une autre,
• Flexibilité matière soit la capacité de s’adapter à diverses matières premières différant en termes de caractéristiques.

Notons cependant que la flexibilité de la supply chain s’appuie encore sur des solutions complémentaires à celles mentionnées ci-avant.

³  Cf. The Triple-A Supply Chain, Hau L. Lee, Harvard Business Review on Supply Chain Management, 2006

⁴ Cf. http://blog.cereza.fr/logistique-scm/les-billets-de-thierry-bur-n4-lean-et-supply-chain-management-partie-n9-suite-de-la-comparaison-du-lean-et-du-supply-chain-management-et-conclusion-1070

⁵ Cf. article de Lora Cecere (Supply Chain Insights) : https://www.linkedin.com/pulse/what-i-have-learned-demand-driven-journey-lora-cecere

Auteur : Thierry Bur

 Le Juste à Temps

Étonnamment, alors que les principes du Lean et du SCM sont tout deux orientés flux et visent les mêmes objectifs : un haut niveau de qualité de service, des délais réduits, des stocks faibles. Ils sont également sensibles à la variabilité que l’on peut considérer comme un gaspillage à éliminer.

Et pourtant, ils abordent la gestion des flux sous des angles très différents.

Le Lean repose sur une production en flux tirés par la demande des clients finaux, en regroupant sur un même flux continu (ligne ou îlot de production) la production de produits voisins, ou à défaut en mettant en place des kanban pour tirer la production de composants. Il s’appuie aussi sur un plan de production lissé et un mix de production identique tous les jours (heijunka, Cf. Partie n°5), permettant de garantir la stabilité de l’activité quotidienne.

Facile à décrire ainsi, la mise en œuvre du Juste-à-Temps nécessite une grande flexibilité de la production nécessitant de drastiquement réduire les temps de changement de production, mais aussi de pouvoir s’appuyer sur des processus de production stables présentant très peu d’aléas en termes de qualité et de durée.

Le SCM s’appuie historiquement sur la méthode de planification MRP II, et plus récemment vise à s’appuyer sur une visibilité étendue de la demande, des stocks et des événements dans la chaîne logistique pour piloter au mieux les opérations.

Par construction, le MRP est adapté à une production en flux poussé, ce qui constitue une première contradiction entre le SCM et le Lean…

Passons à présent en revue les principaux apports du Lean au SCM :

1) Le VSM (Value Stream Mapping) ou MIFA (Material and Information Flow Analysis) est un outil du Lean très utile pour l’analyse de processus en modélisant les flux d’information et de matière. L’analyse des muda ou gaspillages permet ensuite d’identifier les axes d’amélioration et de concevoir un processus cible plus efficient.

2) La vocation initiale du TPS était de fabriquer de façon rentable des véhicules dans un très petit marché automobile japonais (1900 véhicules en 1950). C’est ainsi que Toyota a développé un outil de production flexible et tiré par la demande des clients, grâce à la mise en œuvre du Juste-à-Temps, permettant une réduction des temps de cycle (temps entre l’entrée de la matière première et la sortie du produit fini), des stocks et des en-cours, sans augmentation des coûts… Bref, le Lean, le Juste-à-Temps et le fonctionnement en flux tirés sont les conditions indispensables à une Supply Chain efficiente et agile.

3) Le JAT (Juste-À-Temps) en atelier présente d’autres avantages :

• L’organisation Juste-à-Temps permet une simplification de la planification, les équipes du terrain sont responsabilisées en termes de planification et la mise en œuvre du Lean permet une réduction des délais et plus grande flexibilité, tout en réduisant les stocks et les en-cours.
• L’efficience d’un pilotage d’atelier selon des principes du Lean est reconnue lorsqu’elle est possible, ce qui nécessite un minimum de répétitivité des productions. Dans ce cas, le processus SCM de planification MRP2 ne se préoccupe plus de la planification de bas niveau (MRP et pilotage d’activité) sauf éventuellement pour donner une visibilité prévisionnelle aux fournisseurs.
• En revanche, le MRP 2 garde toute son utilité pour la planification  à moyen terme et à long terme (Plan Industriel et Commercial ou Sales and Operations Planning, Programme Directeur de Production).

4) Au-delà du JAT (Juste-À-Temps), l’excellence dans l’exécution apportée par le Lean (durée maîtrisée des opérations de production, qualité prévisible) sont des atouts essentiels pour faciliter la planification de la production (y compris en MRP 2) en réduisant les aléas qui se traduisent par des surcoûts pour garantir la qualité de service attendue.

De multiples exemples de délocalisation de la production dans des pays à bas coût mais peu matures en termes de méthodes de production sont disponibles pour étayer ce point.

2.    Synthèse entre le Lean et le SCM : la Demand Driven Supply Chain

Une Supply Chain en flux tirés est souhaitable car elle permettrait de stabiliser l’écoulement des flux et de synchroniser entre la demande et la production, avec pour effets de réduire les stocks, les délais et la variabilité des opérations et d’accroître la qualité de service : c’est le principe de la Demand-Driven Supply Chain (DDSC).

La mise en œuvre d’une telle Demand Driven Supply Chain nécessite cependant :

• La visibilité étendue des stocks, de la demande des clients finaux et des opérations,
• Une relation de confiance prérequis à la mise en place de la collaboration permettant de partager les informations précédentes,
• Une connexion des systèmes d’information,
• Une agilité des systèmes de productions et des systèmes logistiques qui exige la mise en place d’une production en Juste-à-Temps : la fabrication en mode MTO sur la base des signaux de consommation par le marché implique de fabriquer en tailles de lot très réduites,
• Une prise en compte des contraintes capacitaires.

La Demand-Driven Supply Chain est intégralement pilotée par la demande client tout en intégrant les contraintes capacitaires industrielles et logistiques

 Encore théoriques, plusieurs modèles de DDSC ont été développés, les uns s’appuyant sur des prévisions, les autres sur la demande effective.

Nous aurons l’occasion d’y revenir prochainement, dans le cadre d’un autre billet consacré à ce sujet.

3. Les particularités Supply Chain Management

Périmètre du Supply Chain Management : la fonction Supply Chain

La mise en œuvre du Supply Chain Management s’est traduite par la création de la fonction Supply Chain. Pour la démarche Supply Chain soit efficiente, le directeur Supply Chain doit être rattaché à la Direction Générale afin que cette dernière supporte la démarche.

Selon les types d’entreprises, la fonction Supply Chain peut être confiée à une direction éponyme, une direction Supply Chain et Achats, une direction des opérations dans des sociétés de distribution. La fonction peut avoir un rôle opérationnel, un rôle plus restreint à l’équilibrage entre la demande et la production, ou être en charge des projets de transformation de la Supply Chain.

Le périmètre de la direction Supply Chain couvre potentiellement :

• La définition de la stratégie Supply Chain afin de faire face aux défis et de concrétiser les ambitions de l’entreprise dans la chaîne logistique globale,
• L’équilibrage entre la demande et la production, la planification de la production depuis le S&OP jusqu’au MRP voire à l’ordonnement atelier,
• L’approvisionnement auprès des fournisseurs, voire l’achat, et l’animation de la performance logistique des fournisseurs,
• La logistique de distribution (entrepôts et transport),
• La relation client depuis la prise de commande jusqu’à la livraison voire la mise en service et la facturation,
• La logistique au sein des usines et de la planification de la production,
• L’animation de l’amélioration continue et des projets Supply Chain.

Périmètre adressé par la fonction Supply Chain

La fonction Supply Chain est en interface étroite avec diverses autres directions parmi lesquelles :

• La Direction Industrielle à la fois pour la planification (S&OP et Programme directeur de production)  mais aussi parce que la logistique usine et le pilotage de la Supply Chain amont et aval sont étroitement liées aux méthodes de production,
• La Direction des Achats qui partage avec la Direction Supply Chain le soucis de la performance de fournisseurs, la mise en œuvre de partenariats…
• La Direction Financière car la performance de la Supply Chain se traduit directement par la performance financière,
• La Direction Commerciale en particulier dans le cadre du processus S&OP d’équilibrage de la demande et de la production et dans le cadre de l’anticipation de la mise sur le marché de nouveaux produits.

Un levier majeur de performance du Supply Chain Management : substituer le stock par de l’information

Un levier de performance majeur pour les opérations Supply Chain est de substituer le stock par de l’information. Une meilleure qualité et gestion de l’information permet de réduire les stocks, par exemple :

• Tenir les stocks de façon fiable, la qualité des données de base étant un prérequis à toute planification fiable,
• Améliorer les échanges d’information, notamment avec les fournisseurs, les distributeurs, magasins et partenaires afin d’accroître la visibilité :

- Sur la demande des clients finaux et les stocks pour permettre une planification plus efficiente,

- Sur l’avancement des opérations dans la chaîne logistique, dans une optique de la mesure de la performance effective mais éventuellement aussi pour la mise en œuvre d’actions correctrices si un retard critique était constaté,

• Créer des centres de différenciation retardée, afin de traiter des produits et composants standards le plus longtemps possible,
• Développer le cross-docking, afin là-aussi de massifier les flux le plus longtemps possible, puis de pouvoir réaffecter tardivement les produits aux différents sites demandeurs selon la demande effectivement constatée,
• Dédouaner en ligne afin de ne pas bloquer les marchandises au passage de la douane.

4. Conclusion 

Certains parlent de Lean Supply Chain management, ce qui signifierait qu’il y aurait une façon Lean et une façon traditionnelle de faire du supply chain management ?!

Comme nous venons de le voir, ce n’est pas le cas, le Lean et le Supply Chain management sont deux approches complémentaires qui s’appuient sur de nombreux fondements communs, sur des objectifs communs et qui s’enrichissent l’un l’autre, comme deux arbres qui ont poussé côte à côte, sur le même terreau, leur racines et leurs branches s’entremélant.

Le système d’information est donc un moyen essentiel pour permettre d’accroître la performance du management de la Supply Chain.

Thierry Bur sera présent sur Supply Chain Event les 26 & 27 novembre prochains au CNIT Paris – La Défense

Auteur : Thierry Bur

Lire la saga complète sur le Lean et le Supply Chain Management :

• Lean et Supply Chain Management 1ère partie – Origine et définition du Lean
• Lean et Supply Chain Management 2ème partie – Mon expérience du Lean
• Lean et Supply Chain Management 3ème partie – La pratique du Lean
• Lean et Supply Chain Management 4ème partie – Que retenir de la mise en œuvre du Lean management
• Lean et Supply Chain Management 5ème partie - Les fondements du Lean – une orientation flux
• Lean et Supply Chain Management 6ème partie – Les implications du Lean dans la Suppply Chain
• Lean et Supply Chain Management 7ème partie – Pourquoi le Lean est moins efficient que le Toyota Production System
• Lean et Supply Chain Management 8ème partie - Définition du Supply Chain Management et comparaison des fondements du Lean et du Supply Chain Management