Le 28 juin 2010

1. Modélisation et analyse de la variabilité dans une chaîne logistiquepar Laurence MorletPromoteur : Philippe ChevalierLecteurs : Laurence Wolsey Jean-Christophe van den Schrieck Le 28 juin 2010

2. Plan Introduction La mesure de variabilité peakedness • Définition • Application à une chaîne logistique • Etude des performances Conclusion

3. Introduction • Chaîne logistique et bullwhip effect • Inconvénients des mesures de variabilité existantes • Solution : la mesure peakedness

4. IntroductionChaîne logistique et bullwhipeffect Demande Commande Commande Dn On O(2)n Clients Détaillant Grossiste Usine var(Dn) < var(On) < var (O(2)n)

5. IntroductionBullwhip effect Conséquence : coûts importants Volonté de mieux comprendre sa propagation Etude de mesures de variabilité des flux dans les chaînes logistiques

6. IntroductionInconvénients des mesures de variabilité existantes • Hypothèses fortes sur le processus de demande • Estimation de paramètres complexes

7. IntroductionSolution : la mesure peakedness Hypothèse de travail : Le processus de demande est un processus ponctuel : où {Ti} constitue la séquence des temps d’arrivée. Ti : variables aléatoires Hypothèse peu contraignante!

8. La mesure de variabilité peakedness • Définition • Application à une chaîne logistique • Etude des performances

9. La mesure de variabilité peakednessDéfinition Principe : supposer que les arrivées de X(t) se placent dans une file d’attente avec un nombre infini de serveurs. Temps de service : G Nombre de serveurs occupés : S(t). La peakedness est donnée par :

10. La mesure de variabilité peakedness Application à une chaîne logistique Le détaillant fait face à la demande de manière périodique. La période est de longueur T.

11. La mesure de variabilité peakednessApplication à une chaîne logistique A chaque période, le détaillant exécute les étapes suivantes, dans l’ordre donné : • Arrivée des commandes faites il y a H unités de temps • Observer la demande Dn pour cette période • Faire une prévision Fn de la demande à la période suivante • Commander une quantité On • Les demandes sont satisfaites par le stock. Les demandes non satisfaites sont reportées

12. La mesure de variabilité peakednessApplication à une chaîne logistique • Processus de demande • Procesuss ponctuel • texte • Modèle de prévision • Texte • Stratégie de commande Idem pour le grossiste…

13. La mesure de variabilité peakednessApplication à une chaîne logistique Des développements nous permettent de calculer : • zd(Xd,D(1/T)) • zd(O,D(1/T)) • zd(O(2),D(1/T)) En utilisant : • Dn • α, β • T, H, L

14. La mesure de variabilité peakednessEtude des performances Simulation VS peakedness Facteurs de bullwhip effect : Au niveau du détaillant : Au niveau du grossiste : = var(On)/var(Dn) = var(O(2)n)/var(On)

15. La mesure de variabilité peakednessEtude des performances Simulation VS Peakedness Quantification de l’écart entre les résultats : le gap

16. La mesure de variabilité peakednessEtude des performances • Données de demande brutes

17. La mesure de variabilité peakednessEtude des performances • Données de demande dessaisonalisées Mise en évidence de la saisonnalité : k=7 Demande Jours de la semaine

18. La mesure de variabilité peakednessEtude des performances • Données de demande dessaisonalisées Méthode de dessaisonalisation :

19. La mesure de variabilité peakednessEtude des performances • Données de demande dessaisonalisées Résultats:

20. La mesure de variabilité peakednessEtude des performances • Technique de prévision optimale Description de la technique : • Prévisions et stratégie de commande adaptées à la saisonnalité • Paramètres de lissage exponentiel optimaux

21. La mesure de variabilité peakednessEtude des performances • Technique de prévision optimale Résultats :

22. La mesure de variabilité peakednessEtude des performances • Processus problématiques Profils de demande testés :

23. La mesure de variabilité peakednessEtude des performances • Processus problématiques Facteur de bullwhipeffectau niveau du détaillant Gap [%] Max du processus de demande

24. La mesure de variabilité peakednessEtude des performances • Plusieurs détaillants dans la chaîne Dn1 Détaillant 1 On1 On(2) On2 Grossiste Usine Dn2 Clients Détaillant 2 On1 + On2 = On

25. La mesure de variabilité peakednessEtude des performances • Plusieurs détaillants dans la chaîne 1.1 2 1.2

26. Conclusion Peakedness : • Avantages Pas d’hypothèses fortes sur le processus de demande Calculs simples Bonnes performances dans beaucoup de situations • Limites Inefficace avec la technique de prévision optimale Inefficace lorsque la demande a un profil particulier Non significatif pour des processus trop courts A utiliser en étant conscient des limites…!

27. Conclusion Possibilités de prolongement : • Tester sur d’autres jeux de données Renforcer la crédibilité • Explorer d’autres situations particulières Affiner le profil de performance • Adapter la mesure à la méthode de prévision optimale Elargir l’horizon d’application