L’ESTIMATION DES COUTS DANS LA FILIERE TEXTILE HABILLEMENT

Mauricio CAMARGOMauricio.camargo@ensait.fr

Tel 33 (0) 320 25 64 91Laboratoire GEMTEX-ENSAIT (EA 2461)

École Nationale Supérieure des Arts et Industries Textiles9 rue de l’Ermitage, Roubaix, France

Journées du GDR MACS. GdR. (M.A.C.S.)

GT IS3C Ingénierie des systèmes de conception et conduite du cycle de vie produit

Thème : Valeurs, indicateurs, évaluation et décision Nantes Mars 25-26 2004

Axes de recherche en LogistiqueOutils pour la réactivité de la filière textileSupports de la stratégie industrielle

Dir: Prof. B. RABENASOLO

Prévision de la demande Optimisation de la chaîne d’approvisionnement basée sur des informations prévisionnelles

planification et ordonnancement dynamique

Indicateurs de performance, benchmarkingTableau de bord avec les indicateurs de performance adéquats pour le pilotage et l’amélioration de la filière

Intégration des méthodes de conception et de productionEstimation de coûts d'articles textiles dès la phase de conceptionMéthodologie de capitalisation de connaissance

L’ESTIMATION DES COUTS DANS LA FILIERE TEXTILE HABILLEMENT

1. Introduction, contexte2. Fonctions d’estimation des coûts (FECs)3. Exemple4. Conclusions

Contexte de la filière Textile-Habillement

Évolution des métiers en Europe : conception, développement, pilotage de la chaîne logistique

Réactivité à la demande, diversités de produitsAugmentation de la complexité de la chaîne d’approvisionnement

Augmentation des composantesde coûts indirects (40% -> 60 %)

Augmentation de la complexité de l’activité « Estimation de coûts »

Contexte de la filière Textile-Habillement

• Diminution des prix de produits finis

• Rapidité de conception

• Personnalisation du produit

• Diversification de l’application des matériaux textiles

Concepts de Base

Possibilité d’influencer le coût

Definition duproduit

Evolution relative des dépenses

Coût engagéCoût total

Cycle de vie

100 %

80 %

60 %

40 %

20 %

Conception Cycle de

vie

Coût d’une modification

Conception Fabrication Fabrication

Figure 1 : Evolution des dépenses et d’engagement des coûts d’un produit

Figure 2 : Efficacité des modifications

Blanchard, B. S. Design and manage to Life Cycle Cost. Portland OR.M/A Press. 1978

Domaines d’application de l’estimation de coûts dans le textile et textile/habillement

Conceptionde produits

1

Conceptiondu processus

2

NégociationClient-Fournisseur3

Marketing Remise plan de collection

Prévision

Développement Sélection de matières Affectation mat. Première, calcul besoins Création fiches de produits

PrototypageValidation patronage Prototype Détermination de tempsValidations de PRIEnvoi des dossiers techniques.

Processus à l ’interne

Achats Commande Matières ModificationsRéajustements

Définition Stratégie de production Processus

externesChoix des fournisseurs

LogistiqueVérification, contrôle Réception des accessoires Collection

Livraison et Distribution,Vente

Données:Prix du marché

(Design to Cost)

Coût Transformation Coût

Global

Quelle méthode ?

Phase Conceptuelle Préliminaire Détaillé

Utilisateur Designer Planificateur processus Gestion production

Activité Design conceptuel

Design de détail

Macro planification

Micro planification

Planification d’atelier

Résultat Concepts Géométrie Processus Ressources Ressources

Modèles de coûts

conceptuels de détails Macro Modèle Micro modèle Micro modèle

Méthode d’estimation

Paramétrique

Paramétrique/ Analytique

Analytique Analytique Analytique

Précision Précision conceptuelle

Assigné à un produit

Précision macro budget prévisionnel

Précision micro planification

Précision micro Gamme opératoire

Inducteurs Concepts, caractéristiques et fonctionnalités

Dimension, tolérances

Caractéristiques du processus

Temps de production, temps, taux de coût indirect

Temps de production, temps, taux de coût indirect

Objectifs du projet

Étudier et comprendre les possibilités d’application de l’estimation des coûts dans le contexte de la filière textile.

Étudier les méthodes de calcul et l’allocation des coûts directs et indirects

Récupérer, stocker et reproduire le savoir faire au niveau de laproduction et de la conception

Analyser les techniques d’estimation afin de trouver des modèlesspécifiques de l’environnement de la filière textile.

Développer un outil pour des problématiques et produits représentatif.

Objectifs…

Établissement de corrélation entre paramètres de

conception et coût final

1

Conception produit

Calcul du PRI

assignation de charges indirectes

2

Le Coût de Développer un produit • étapes pour développer un produit• Origine de la conception • consommation de ressources

(quantification)• profil du concepteur • pratiques d’évaluation économique

d ’un produit (estimation)

fonctionnelsutilisation finale Capacité de filtrationrésistance chimique...

EsthétiquestoucherGammenombre couleurs ...

Définition des inducteurs de Coûts

Simplification de variables Classification ACP

Objectifs…

Définition des Inducteurs de Coûts Méthodes pour identifier et simplifier FEC

HNFLS RBCRL RNL RN HNF

Recherche du meilleur modèle permettant de valider, stocker et reproduire du savoir faire

Validation du Modèle Pour le développeur:Précision, adaptabilité, facilité mise à jour type de base de données, capacité d’apprentissage et représentation du savoir fairePour l’utilisateur : Précision, fiabilité, flexibilité, facilité d’interprétation et utilisation

choix du modèle le plus adaptéTechnique Robustesse Convenable

face à bases de données limitées

Flexibilité d’ajustement

Visibilité du processus de raisonnement

Capacité de traiter

des modèles

complexes

Capacité d’intégration

du savoir-faire.

Régression Moindres Carrés. Non Non Non Oui Non Partiale

Régression Robuste (Median Last Squares) Oui Partiale Non Oui Non Partiale

Réseaux Neuronaux Non Non Partiale Non Oui Partiale

Logique Floue ( Fuzzy ) Partiale Oui Partiale Oui Oui Oui

Systèmes Hybrides (Neuro-Fuzzy) Partiale Partiale Partiale Partiale Oui Oui

Raisonnement à base de cas (CBR) Partiale Partiale Oui Partiale Oui Non

Arbres de décision. Oui Partiale Oui Partiale Oui Partiale

Processus de développement d’une FEC Sélection des Inducteurs de

coûts

entrées du modèle

Normalisation et classification des

données

Pertinence Technique et statistique du

modèle

Modèle d’estimation

Point de vue des experts relations

logiques

-Enregistrements comptables

Bases de données descriptives et

techniques

Récolte d’information

Développement du modèle

Modèles candidats

FEC’s (linéaire ou non linéaire)

softcomputing logique floue, Réseau de

Neurones, CBR

Modèle « correct »

Méthodes de sélection

Techniques de mise à jour

Validation et application du

modèle

Modèles proposés…

5

4

3

2

1

No

Early Stopping (HNF) Modèle Hybride- Neuro-Flous

Algorithme à deux étapes(HLFS) Modèle Hybride floue simplifié

Régularisation Bayésienne

(RNA) Réseau de Neurones

Itération Gauss- Newton (RNL) Régression non linéaire

Régression Stepwise(RL) Régression linéaire multiple

Technique de Généralisation

Modèle

(RL) Régression linéaire multiple

Le principe de base est la supposition que les n observations satisfassent

ipipii bxxy εββ ++++= ....11

0,0

0,2

0,4

0,6

0,8

1,0

Nombre de parameters descripteurs

Erre

ur d

'est

imat

ion

de c

oût acceptable

Error depending on applicationminimal Error

due a estimation uncertainties (forecasting errors : sales, production, etc.)

Où yi est le i-éme coût observé (la variable expliquée), nij est la valeur du j-éme inducteur de coûts, j=1 jusqu’à p (les variables explicatives) et εi le vecteur centre de dimension n des erreurs.

2. Régression non linéaire (RNL)

Y est le vecteur n-dimensionnel des réponses, est le vecteur, de dimension p, des paramètres inconnus du modèle et est le vecteur IRn de composantes f (xi,), i =1,…n. appelé aussi fonction vectorielle ou fonction de régression. .

εβη += )(Y

β)(βη

)1(211 .... += p

ippii xxY ββ ββ [Bellut, 1990]

3 (RNA) Réseau de Neurones

Tecnique de généralisation: Regularisation Bayésiénne”[MACKAY, 1992], [FORESEE & al,1997] [BAILER-JONES & al, 1998] basée sur la modification et optimisation de la fonction de performance dans notre cas MSE

2

1

2

1)ˆ(1)(1 ∑∑

==

−===N

iii

N

ii yy

Ne

NmseF

mswmsemsereg )1( λλ −+=Ajustement du modèle : ajoutant un terme égal à la somme des carrés des poids (W) et des biais (b), pour obtenir une fonction mse « régulée »

Où λ est l’indice de performance et MSW,

Régularisation Bayesiènne, minimise la combinaison linéaire de msereg pour obtenir une valeur optimale de λ.

∑=

=n

jjw

nmsw

1

21

La régularisation est résolue avec un algorithme de Levenberg-Marquardt. Cette modification, provoque une diminution des poids et biais et « force » le réseau à’avoir une meilleure réponse, en évitant le sur-entraînement

3 (RNA) Réseau de Neurones Architecture

Cost / Time

Inputs Hidden Layer ‘tansig'

weight

Output layer, 'purelin'

x1

x2

x3

x4

ijW

ei

Cost / Time

Inputs Hidden Layer ‘tansig'

weight

Output layer, 'purelin'

x1

x2

x3

x4

ijW

ei

1 2 3 4 5 6 7 8 9 1 00 .1

0 .2

0 .3

0 .4

0 .5

0 .6

0 .7

0 .8

0 .9

Neurons in the hidden layer

Rm

se

Rmset

Rmsev

1 2 3 4 5 6 7 8 9 1 00 .1

0 .2

0 .3

0 .4

0 .5

0 .6

0 .7

0 .8

0 .9

1 2 3 4 5 6 7 8 9 1 00 .1

0 .2

0 .3

0 .4

0 .5

0 .6

0 .7

0 .8

0 .9

Neurons in the hidden layer

Rm

se

Rmset

Rmsev

[Wang , 2000]

4. (HNF) Modèle Hybride- Neuro-Flous

1. Méthode de classification « Subclustering » [Chiu, 1994].

2. Fuzzyfication des entrées

3. Identification des règles et entraînement. Adaptative Network Based Fuzzy Interference System, (ANFIS) (Jang, 1993)

0 2 0 4 0 6 0 8 0 1 0 0 1 2 0 1 4 0 1 6 0 1 8 0 2 0 00 . 3 0 5

0 . 3 1

0 . 3 1 5

0 . 3 2

0 . 3 2 5

0 . 3 3

0 . 3 3 5

0 . 3 4

0 . 3 4 5

0 . 3 5

Stop Learning point

epochs

0 2 0 4 0 6 0 8 0 1 0 0 1 2 0 1 4 0 1 6 0 1 8 0 2 0 00 . 3 0 5

0 . 3 1

0 . 3 1 5

0 . 3 2

0 . 3 2 5

0 . 3 3

0 . 3 3 5

0 . 3 4

0 . 3 4 5

0 . 3 5

Stop Learning point

0 2 0 4 0 6 0 8 0 1 0 0 1 2 0 1 4 0 1 6 0 1 8 0 2 0 00 . 3 0 5

0 . 3 1

0 . 3 1 5

0 . 3 2

0 . 3 2 5

0 . 3 3

0 . 3 3 5

0 . 3 4

0 . 3 4 5

0 . 3 5

Stop Learning point

epochs

DéfuzzificationFuzzification Inférence

Entrées réelles Sorties réelles

DéfuzzificationFuzzification Inférence

Entrées réelles Sorties réelles

5. (HNF) Modèle Hybride- Neuro-Flous Simplifié

Modèle initial

Réduction des MFsAlgorithme 1

Calcul d’un critère de performance

Réduction des règlesAlgorithme 2

Modèle finalModèle final

4. (HNF) Modèle Hybride- Neuro-Flous

algorithme 1 Simplification des Fonctions d’appartenance

Le principe est de fixer une distance de groupement entre deux fonctions d’appartenance (i,j) définie par :

Le couple (i,j) est choisi en faisant un test de précision pour le nouveau groupe des fonctions d’appartenance. La distance est définie comme:

( ) ( ) ( ) dxxjxijik µµ −=∆ ∫+∞

∞−

,

( )jik ,∆

algorithme 2 : recherche d’un ensemble de règles, qui satisfasse un critère de performance de précision choisi préalablement, le RMSE dans notre cas

Estimation des coûts

Estimationde coût

Application au secteur textileÉvaluation rapide d’un produit ou de la collection

Conception à coût objectifMaîtrise de la sous-traitance

Processus de conception

Gamme Opératoire Stock écrus Stock écrus

Enroulage Enroulage

Blanchiment Blanchiment

SéchageSéchage

Impression CPImpression CP

Polymérisation Polymérisation

Impression RotoImpression Roto

FinitionFinition

CalandrageCalandrage

conditionnement conditionnement

Préparation

Impression

Finition

Nom Produit Fantasy RedSupport LVO

Quantité à lancer (mètres) 1000Nombres de couleurs 7

gamme operatoire Classe Vitesse Vitesse UO CUUO NUO CTUO

m/min €/min min €Preparation Ecrus 34 min 2,5 29,41 73,53

Flambage/Désencollage 100 min 3 10,00 30,00

Lavage Préparation B 45 min 4 22,22 88,89

Séche Préparation C 70 min 3 14,29 42,86

Impresssion Roto A 25 min 5,5 40,00 220,00

Appret Rame C 25 min 4,5 40,00 180,00

Calandrage E 110 min 3 9,09 27,27

Conditionnement 30 min 2 33,33 66,67

729,21

€/m 0,73

Une situation particulière...Développement d ’un dessin

En général :

une gamme produit = normalement a1 designs originaux avec un "focus" sur un style ou thème en particulier

chaque design au minimum a2 options de couleurs

Chaque design avec a3 possibilités de couleurs

Production prévue a4

Une situation particulière...Développement d ’un dessin

En particulier :l ’intensité de la couleur du dessin (claire, moyenne, foncé, métallique...) et le nombre de couleursla couleur de base écru, blanche, pré-teinté (claire, moyenne, foncé) variété de finissage ( fluorocarbon, anti-feu, antibactérien, adoucissant ...)

Résultats

RMSE CV MBE RMSE90%RCV MBE90%

MLR 7.5393 0.3681 5.8462 7.1206 0.3406 5.5674NLR 0.9569 0.0218 0.7559 0.8112 0.0359 0.6433NN 1.6025 0.0653 0.9196 1.2047 0.0532 0.7700HNF 1.9052 0.0712 1.1333 1.3308 0.0514 0.8669

SHNF 2.8873 0.1044 1.6571 2.3190 0.0866 1.4160

Model Validation Robustness

RMSE, racine carré de la moyenne des erreurs carrées , CV coefficient de variation MBE erreur moyen des erreurs

Robustesse : RMSE, CV et MBE du 90% des écarts le plus petits.

Multiple linear regressionMLR

Non linear regression NLR

Simplified Hybrid Neuro-Fuzzy SHNF

Neural Network NN

Simplified Hybrid Neuro-Fuzzy Model

Inputs MF’s ( µa) Rules RMSE SNER

HNFCEM 1234

11111111

11 1.9052 0.0712

SHNFCEM 1234

4435

7 2.8873 0.1044

Conclusions

Adaptation de la FEC pour des situations particulières et àdivers moments dans le cycle de vie d’un produit.

Amélioration de la visibilité du concepteur en prenant en compte les paramètres de conception ( fonctionnels, esthétiques et structuraux)

Amélioration de la communication et de la coordination entre le concepteur et l’ingénieur (client fournisseur).

Réduction du temps et gains d’efficacité dans le processus de conception.

Intégrer au plutôt l’analyse économique dans les processus d’externalisation.

L’ESTIMATION DES COUTS DANS LA FILIERE TEXTILE HABILLEMENT

Mauricio CAMARGOLaboratoire GEMTEX-ENSAIT (EA 2461)

École Nationale Supérieure des Arts et Industries Textiles9 rue de l’Ermitage, Roubaix, France