Impulsions

Discussions sur les soins de santé et la technologie

Tous les articles

L’Intelligence artificielle au service de la Supply Chain: le dimensionnement des stocks de sécurité avant la prévision de la demande

À l’occasion de la huitième édition du salon Supply Chain Event qui se déroulera les 3 et 4 décembre 2019 à Paris, InterSystems donne la parole à ses experts pour une trilogie d’articles consacrés à la supply chain. 1er volet axé sur l’apport de l’IA dans la gestion des stocks de sécurité. (1/3)

Supply Chain Stocks

 

L’application de l’IA dans le seul but d’automatiser et de fiabiliser la prévision de la demande expose à des déceptions, ce que certains ont déjà expérimenté à leurs dépens, car ils ont omis de se poser la question de l’usage de la prévision. Prévoir la demande à des fins budgétaires n’est pas le même exercice qu’une prévision destinée à produire ou approvisionner des articles. Il est possible d’anticiper le chiffre d’affaires annuel à quelques pourcent près. Il est beaucoup plus difficile de prévoir individuellement la vente par semaine de milliers d’articles.

 

Le pilotage des stocks s’exprime par 3 questions :

  • Quel est le niveau de stock optimal à un instant T pour un article sur un point de stockage afin de sécuriser mon service client tout en maximisant ma marge ?

  • Le moment est-il venu de passer une commande ou de transférer des produits ?

  • Si oui, dans quelle quantité ?

Une prévision étant toujours fausse, celle-ci est complétée par un stock de sécurité afin de pallier l’incertitude de la demande. Ce stock de sécurité est clé dans la performance de la chaîne logistique. Pourtant quels moyens sont mis sur son paramétrage par rapport à l’effort déployé autour de la prévision notamment ?

 

Le dimensionnement des stocks de sécurité par la mesure de l’incertitude de la demande en alternative au paramétrage en couverture

Au cours d’un projet récent chez un distributeur spécialisé nous avons eu l’occasion de présenter au directeur commercial le service de dimensionnement des stocks de sécurité que nous avions déployé dans son entreprise. Se sentant peu concerné au premier abord, car n’y voyant pas son intérêt immédiat celui-ci a progressivement perçu le gain pour ses clients et son activité commerciale. Quelques courbes d’historique de leur stock par rapport à la demande nous ont suffi pour lui démontrer l’effet pervers du paramétrage des stocks de sécurité en couverture. Les ruptures et les surstocks générés par les effets de saisonnalité ou le cycle de vie des articles lui apparaissaient clairement. 

La discussion lui a rappelé plusieurs cas de clients livrés hors délai à cause de ruptures. Il avait dû négocier auprès de ses clients pour éviter des pénalités et avait plaidé, au cours des réunions S & OP suivantes, pour une augmentation du stock. Cependant, le directeur financier lui avait rappelé que le groupe était dans une démarche de réduction de stock et que malheureusement sa demande ne serait pas entendue. En retour, il lui avait été demandé d’améliorer la qualité des prévisions commerciales. Il s’était alors défendu en mettant en avant la volatilité intrinsèque du marché.

 

La discussion a évolué sur l’absurdité de l’effort qui est parfois mis sur la prévision de la demande si les stocks de sécurité sont définis de façon arbitraire.

C’est alors que nous lui avons présenté la simulation de niveau de stock par rapport à la demande en fonction de différents paramétrages.

Ces graphiques lui ont permis de comprendre très précisément le fonctionnement optimal d’un stock de sécurité. Celui-ci étant destiné à couvrir l’incertitude de la demande sur le délai d’approvisionnement, il doit être dimensionné sur la mesure de cette incertitude. Il avait bien constaté que l’incertitude de la demande était très différente d’un produit ou d’un client à l’autre, ainsi il lui est apparu logique de la mesurer pour s’y adapter.

Il nous a alors interrogés sur les solutions que nous proposions pour réaliser cette mesure et les problématiques de maintenance des paramètres de l’ERP. Nous lui avons présenté comment nous utilisons les technologies de “data management” et d’intelligence artificielle pour aider l’utilisateur.

La machine collecte les données de flux et de stock sous leur forme brute et aide l’utilisateur à en valider la qualité et l’exploitabilité.

Cette donnée qualifiée est alors transformée en information, notamment sous forme graphique et déclenche des workflows de décision ciblés sur les évolutions détectées.

Appliqué au dimensionnement des stocks de sécurité, notre service garantit un paramétrage optimal, compréhensible par tous, facile à maintenir dans la durée.

 

La réaction la plus intéressante du directeur commercial s’est produite à la fin de notre conversation. Il nous a demandé l’impact de ce mode de gestion sur la charge des approvisionneurs et des pilotes de flux. Nous lui avons répondu qu’en effet, cette mécanique, pensée comme un outil d’aide à la décision, libérait du temps pour les gestionnaires de flux. L’après-midi même il emmenait l’un d’eux chez un client pour qu’il échange directement sur leurs contraintes Supply Chain respectives.

 

L’optimisation des stocks de sécurité par une démarche outillée de mesure de l’incertitude de la demande génère des gains sur 3 axes principaux

  • Réduction du niveau de stock et libération du cash : les stocks de sécurité sont dimensionnés au plus juste.

  • Disponibilité produits accrue : les stocks de sécurité sont dimensionnés pour absorber la variabilité de la demande là où elle se produit.

  • Gain de temps pour les gestionnaires de stock qui peut être mis à profit pour des actions à plus forte valeur ajoutée. En particulier, le rapprochement avec les équipes commerciales et marketing, voire directement avec les clients est un axe d’optimisation majeur.

Réduction des stocks et augmentation du niveau de service vont de pair

Ce paradoxe peut surprendre, mais il est en réalité parfaitement compréhensible. Par nature le stock, s’accumule là où il est le moins utile et manque là où il est le plus demandé.

3 exemples illustrent comment ce phénomène se produit concrètement dans les entreprises :

  • Il est courant de dimensionner les stocks de sécurité en durée de couverture, y compris sur les produits saisonniers. En début de saison haute, le stock de sécurité est sous-dimensionné, car calculé sur la base de faibles ventes. En fin de saison haute en revanche, ou après un pic de vente, le stock de sécurité constitué sur la base de fortes ventes peut représenter une couverture très élevée et être très long à résorber.

  • Les articles dont la demande se révèle imprévisible peuvent être gérés sur seuil. Lorsque le stock atteint une valeur limite, le système génère une commande de réapprovisionnement. La faiblesse dans la gestion sur seuil ne réside pas dans son principe même qui est efficace, mais dans la mise à jour des valeurs de seuil. En l’absence de process et d’outil approprié, les seuils ne sont pas mis à jour en fonction des évolutions de la demande et des événements du marché. 

  • Le cycle de vie produit est majeur dans la gestion des stocks. Pourtant, il est très fréquent qu’il ne soit absolument pas pris en compte dans le dimensionnement des stocks de sécurité. Les cas de dépréciation pour cause de mauvaise gestion de la fin de vie d’un article sont nombreux et parfois tabous.

L’application de l’intelligence artificielle à la Supply Chain exige de réunir trois compétences pour tenir ses promesses

  • La compétence métier est nécessaire pour diriger la démarche vers un cas d’usage et un bénéfice identifié. Ainsi la technique reste un moyen et non une fin.

  • La maîtrise des méthodes de gestion de la donnée et de l’intelligence artificielle fournit des moyens très puissants pour extraire l’information que recèle la donnée brute. En particulier l’IA complète les outils statistiques traditionnels et allège très efficacement les utilisateurs de tâches fastidieuses de contrôle manuel.

  • L’architecture système et la plateforme technologique sont capitales pour diminuer les coûts de développement et permettre une intégration fluide dans le SI existant.

snext a choisi la technologie IRIS d’InterSystems comme socle pour ses solutions de pilotage de la Supply Chain.

 

Richard Viot Coster
Co fondateur snext

 

Retrouvez le deuxième volet consacré à la catégorisation des produits le mercredi 6 novembre. 

 

THÈMES: Big Data, Supply Chain, Internet of Things

Adeline Icard
Adeline Icard
Adeline Icard est la Marketing Manager d'InterSystems France.

 


Laissez un commentaire

Vous aimerez peut-être:

L’Intelligence Artificielle au service de la Supply Chain: catégoriser les produits et adapter leur mode de gestion, un levier majeur de l’optimisation des stocks

À l’occasion de la huitième édition du salon Supply Chain Event qui se déroulera les 3 et 4 décembre 2019...
Adeline Icard 06/11/2019

L’Intelligence artificielle au service de la Supply Chain: le dimensionnement des stocks de sécurité avant la prévision de la demande

À l’occasion de la huitième édition du salon Supply Chain Event qui se déroulera les 3 et 4 décembre 2019...
Adeline Icard 14/10/2019

Comment implémenter la maintenance prédictive ? [Feuille de route]

Dans notre blog précédent sur la maintenance prédictive, nous parlions surtout du « Pourquoi ». Mais où c...
Adeline Icard 04/09/2019