Liste des articles
Vue 1771 fois
09 novembre 2020

Comment optimiser ses approvisionnements grâce à l’intelligence artificielle ?

Comment assurer la disponibilité de mes produits pour mes clients en utilisant un minimum de ressources : le problème est vieux comme le monde, simple à exprimer.
Pour répondre chaque jour aux questions quoi, quand, ou et combien commander, la solution est, en revanche, plus compliquée. En outre la volatilité, l’incertitude, la complexité et l’ambiguïté (VUCA) de notre monde, dont la Covid s’est d’ailleurs récemment fait le porte-parole, rajoute une complexité supplémentaire.


Optimiser ses approvisionnements, un problème d’apparence simple que l’on pensait résolu : 

Comment assurer la disponibilité de mes produits pour mes clients en utilisant un minimum de ressources : le problème est vieux comme le monde, simple à exprimer.

Pour répondre chaque jour aux questions quoi, quand, ou et combien commander, la solution est, en revanche, plus compliquée. En outre la volatilité, l’incertitude, la complexité et l’ambiguïté (VUCA) de notre monde, dont la Covid s’est d’ailleurs récemment fait le porte-parole, rajoute une complexité supplémentaire.

En effet, si cette crise a permis de remettre à l’honneur la supply chain comme un élément clé de nombreux business, et de donner à certains de nos héros du quotidien la reconnaissance qu’ils méritent, elle a aussi mis en exergue 2 aspects fondamentaux et en apparence opposés :

    • La nécessite d’être flexible et de s’adapter en permanence… avec le risque que la gestion de crise et l’improvisation deviennent le moteur de nos décisions.

    • La nécessite d’automatiser les milliers de décisions du quotidien pour aider nos collaborateurs qui ne peuvent les prendre à la fois vite et bien... avec le risque que le système soit si opaque et rigide qu’il en devienne contre-productif.

 

Comment concilier automatisation et flexibilité : les limites des systèmes traditionnels

Que vous utilisiez du DDMRP, une approche Lean pull system ou bien toute autre approche de gestion des stocks, il faut à un moment ou à un autre positionner et dimensionner vos stocks en définissant vos paramètres. Une fois bien dimensionné, le système devient automatique, n’est-ce pas ?

Oui, a une grande approximation près : la clé du système, le choix des paramètres de stock, doit se faire à la référence, fréquemment, et c’est là que se situe le vrai challenge qui détermine la performance finale du système.

En effet, le problème de la programmation traditionnelle en supply chain est que les règles et paramètres (stock de sécurité, fréquence d’appro, taille de lot) peuvent varier en permanence et leur définition est alors un challenge même pour un cerveau humain, car elles dépendent d’un nombre considérable de facteurs :

    • Les variations des fournisseurs et de la demande : lead time et demande qui varient différemment en fonction de la saison, des crises sanitaires, de la météo, des promotions...

    • Les variations des contraintes logistiques : coûts de magasinage, transport, handling, qui varient avec le temps et en fonction des références

    • Les variations de notre portefeuille produit : nouveaux produits ou produits avec peu d’historique, produits phares ou accessoires à traiter différemment....

    • Les aspects environnementaux /réglementaires : de plus en plus présents

Que faire alors face à ces variations constantes des règles et des paramètres ? Il faut en permanence reprogrammer ou changer les paramètres... c’est donc une fausse automatisation, voire pire, une illusion de contrôle : souvent les utilisateurs optent pour les paramètres maximums par faute de temps, laissant ainsi le système dériver, provoquant une explosion des besoins de stockage et ressources, et, au final une disponibilité également médiocre.

 

Le machine Learning, un paradigme qui a fait ses preuves et s’adapte parfaitement à la supply chain.

Le schéma ci-dessous explique à la fois l’apport du machine Learning et les difficultés auxquelles sont confrontées les programmes traditionnels de vos ERP ou APS pour prendre ces décisions.

Le changement de paradigme qu’apporte le machine Learning est le suivant : La règle est le résultat de l’analyse, non pas une donnée d’entrée.
On indique plutôt au système directement l’objectif voulu (ce qui est souhaitable et à éviter) :  dans le cas de l’approvisionnement, l’objectif est économique (coûts logistiques et disponibilité produit), les situations à éviter sont sur et sous-stock, faciles à vérifier.

Le système va apprendre, tel un enfant, par essais/erreurs, à faire des prévisions et sur cette base, à trouver les meilleures règles d’approvisionnement adaptées à chaque produit, famille, localisation, moment de l’année, incertitude de prévisions etc...

Cet apprentissage se fait d’abord offline sur des milliards de cas (plusieurs années d’historique), permettant d’avoir une réelle robustesse issue de cette riche expérience et en même temps une performance bien supérieure aux outils traditionnels.

Le deuxième aspect essentiel est que cet apprentissage est permanent : plus le temps passe, plus le système est riche d’expériences et s’améliore, quand d’autres systèmes voient leurs règles devenir petit à petit obsolètes.
Il y a néanmoins quelques clés pour garantir la réussite de cette stratégie :

    1. Il faut fournir au système les données nécessaires à la compréhension du problème : par exemple si vos ventes ou délais fournisseurs dépendent de la météo, des promotions, des fermetures administratives...

      2. Il faut envisager l’outil comme une “white box”, qui soit interprétable et collaborative.

Nous avons pu mettre en place cette stratégie dans notre plateforme Nadii, qui a permis sur l’ensemble des business case client d’augmenter la disponibilité produit de 2 à 13 points sur le périmètre total, tout en réduisant le niveau de stock de 15 à 35% par rapport à l’utilisation des plateformes classique d’automatisation des approvisionnements ou ERPs. La différence est encore plus flagrante lorsque la prévision devient difficile, comme pour les produits nouveaux ou soumis à de fortes variations, ainsi que sur les fournisseurs peu fiables ou lointains. 

 

Comment aller encore plus loin dans l’amélioration de vos approvisionnements ?

Comme vous l’aurez compris, le machine Learning est un outil puissant pour optimiser vos approvisionnements, en alliant automatisation et flexibilité. On peut donc alors se poser la question : comment améliorer le potentiel d’un logiciel capable de calculer des milliards de données à la seconde, de simuler son environnement selon plusieurs modèles et d’en déduire des décisions pertinentes automatiquement ?

Vous avez la réponse ? Optimiser et élargir son périmètre d’action !

En effet, le machine Learning permet d’optimiser les approvisionnements au maximum dans un périmètre supply chain défini et d’expérience, rarement contesté : besoin client supputé et unique, mono-sourcing à risque, capacités industrielles figées, stratégies de production et points de découplage non adaptés au besoin, sont autant de paramètres sur lesquels vous avez des leviers mais que l’outil basé sur le machine Learning subi.

Ainsi, nous ne pouvons malheureusement pas vous donner la recette miracle pour mettre en place une supply chain adaptée sans connaître votre contexte et sans en avoir discuté mais vous trouverez ci-dessous quelques pistes à explorer :


Réponses stratégiques : Orienter et dimensionner

Politique de service :

La question originelle à laquelle vous devez répondre doit être celle de votre politique de service. Tout découle d’une simple question : quel est le besoin de mon client ? Le délai est bien sûr l’élément le plus dimensionnant mais il ne faut pas négliger les autres éléments : tarifs, passation de la commande (EDI, cut-off), conditionnement, gestion des stocks, etc… la liste est longue.

Bien entendu, vous ne pourrez pas répondre à l’ensemble des besoins exprimés par vos clients. Segmenter votre offre autour de 3-4 offres différenciantes vous permet de répondre aux besoins spécifiques de vos clients tout en adaptant et optimisant vos ressources.

Réseau supply chain :

Une fois ces besoins définis et validés, se pose alors la question du réseau end-to end dans lequel vous évoluez. Une étude de schéma directeur logistique permet souvent de dévoiler des optimaux en termes de répartition et dimensionnement de vos usines et centres de distribution.

A titre d’exemple, le choix entre servir vos clients en 48h ou en une semaine a des impacts considérables : les stocks, le nombre d’entrepôts et les coûts logistiques peuvent ainsi être multipliés par 10 !


Réponses tactiques : Anticiper et synchroniser

Stratégie de production et de réapprovisionnement :

Choisir entre du MTS, du MTO, du ATO, du CTO ou du ETO peut sembler un exercice fastidieux. Pourtant ces simples questions vont vous aider à amorcer la réflexion pour positionner correctement vos points de découplage :

    • Quel est le délai attendu par le client par rapport à mon cycle de production/distribution ?
    • Suis-je sujet à des variabilités externes fortes ? (approvisionnements et/ou demande)
    • Quel est l’horizon de visibilité de mes commandes ?
    • Dois-je protéger les opérations critiques (souvent dans le sens capacitaire) de mon flux ?

Prise de décision et leviers capacitaires (S&OP) :

L’objectif est de mettre en place un processus pour répondre à l’adéquation de mes ressources par rapport à ma demande prévisionnelle. L’enjeu de ce processus n’est pas seulement de faire des prévisions pour donner de la visibilité sur un horizon lointain mais surtout de gérer des arbitrages par une approche transverse et globale, d’identifier les risques et opportunités et de valider un scénario activant un ou plusieurs leviers : Sous-traitance, leviers capacitaires, politique de sourcing, ….


Réflexions opérationnelles : Piloter et informer

Les outils de gestion des approvisionnements basés sur le machine learning sont aussi de puissants  outils de BI (Business Intelligence) et apportent de nombreux indicateurs pour optimiser vos opérations : taux de service, taille de lots économique, fiabilité fournisseurs, variabilité de production... Autant d’éléments qu’il est pertinent d’exploiter dans des rituels, qu’ils soient quotidiens (Top 5-10-15, qualité, QRQC,…) ou hebdomadaires/mensuels (revue d’indicateurs de performance, réunion de service, PDP, …).

Mesurer est la première étape (automatisée par l’outil), charge à vous d’exploiter judicieusement ces informations pour définir des plans d’actions concrets dans une démarche d’amélioration continue.


De la théorie à la pratique

Finalement, le machine learning est un excellent moyen pour optimiser vos approvisionnements en conciliant flexibilité et puissance de calcul. Sa mise en place est toujours une excellente opportunité pour revoir vos pratiques Supply Chain (politique de service, S&OP, …) afin d’optimiser votre terrain de jeu et obtenir des résultats pérennes.

Si le sujet vous intéresse, que vous voyez du potentiel dans votre entreprise, que vous souhaitez en discuter plus en détail, ou que vous ne savez pas par ou commencer pour lancer l’implémentation, nous serons ravis de recevoir un mot de votre part pour en discuter directement.

Contact mail : francois.jacquet@nadii.io et fabien.pucheu@macs.consulting et sites internet www.nadii.io et www.macs.consulting

Auteurs

A lire

Commentaires

Aucun commentaire

Vous devez être connecté pour laisser un commentaire. Connectez-vous.