MODÉLISATION ET ANALYSE DE LA VARIABILITÉ DANS UNE CHAÎNE LOGISTIQUE PAR LAURENCE MORLET PROMOTEUR : PHILIPPE CHEVALIER LECTEURS : LAURENCE WOLSEY JEAN-CHRISTOPHE

MODÉLISATION ET ANALYSE DE LA VARIABILITÉ DANS UNE CHAÎNE LOGISTIQUE

PAR LAURENCE MORLET

PROMOTEUR : PHILIPPE CHEVALIER

LECTEURS : LAURENCE WOLSEY JEAN-CHRISTOPHE VAN DEN

SCHRIECK

Le 28 juin 2010

Plan

Introduction

La mesure de variabilité peakedness• Définition• Application à une chaîne

logistique• Etude des performances

Conclusion

2

Introduction

• Chaîne logistique et bullwhip effect

• Inconvénients des mesures de variabilité existantes

• Solution : la mesure peakedness

3

Introduction

Chaîne logistique et bullwhip effect

On

Clients

Détaillant Grossiste

Usine

O(2)nDn

var(Dn) < var(On) < var (O(2)n)

Demande

Commande

Commande

4

Introduction

Bullwhip effect

Conséquence : coûts importants

Volonté de mieux comprendre sa propagation

Etude de mesures de variabilité des flux dans les chaînes logistiques

5

Introduction

Inconvénients des mesures de variabilité existantes

• Hypothèses fortes sur le processus de demande

• Estimation de paramètres complexes

6

Introduction

Solution : 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!

7

La mesure de variabilité peakedness

• Définition• Application à une chaîne

logistique• Etude des performances

8


Définition

Principe : supposer que les arrivées de X(t) se placent dans une file d’attente avec un nombre infini de serveurs.

Temps de service : GNombre de serveurs occupés : S(t).

La peakedness est donnée par :

9


Application à une chaîne logistique

Le détaillant fait face à la demande de manière périodique. La période est de longueur T.

10


Application à une chaîne logistiqueA chaque période, le détaillant exécute les

étapes suivantes, dans l’ordre donné :

1. Arrivée des commandes faites il y a H unités de temps

2. Observer la demande Dn pour cette période

3. Faire une prévision Fn de la demande à la période suivante

4. Commander une quantité On

5. Les demandes sont satisfaites par le stock. Les demandes non satisfaites sont reportées

11


Application à une chaîne logistique• Processus de demande

o Procesuss ponctuelo texte

• Modèle de prévisiono Texte

• Stratégie de commande

Idem pour le grossiste…

12


Application à une chaîne logistique

Des développements nous permettent de calculer : o zd(Xd,D(1/T))o zd(O,D(1/T))o zd(O(2),D(1/T))

En utilisant : o Dn

o o α, βo T, H, L

13


Etude 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)

14



SimulationVS

Peakedness

Quantification de l’écart entre les résultats : le gap

15



1. DONNÉES DE DEMANDE BRUTES

16



2. DONNÉES DE DEMANDE DESSAISONALISÉESMise en évidence de la saisonnalité : k=7

Demande

Jours de la semaine

17



2. DONNÉES DE DEMANDE DESSAISONALISÉESMéthode de dessaisonalisation :

18



2. DONNÉES DE DEMANDE DESSAISONALISÉESRésultats:

19



3. TECHNIQUE DE PRÉVISION OPTIMALEDescription de la technique :

• Prévisions et stratégie de commande adaptées à la saisonnalité

• Paramètres de lissage exponentiel optimaux

20



3. TECHNIQUE DE PRÉVISION OPTIMALERésultats :

21



4. PROCESSUS PROBLÉMATIQUESProfils de demande testés :

22



4. PROCESSUS PROBLÉMATIQUESFacteur de bullwhip effect au niveau du détaillant

23

Gap [%]

Max du processus de demande



5. PLUSIEURS DÉTAILLANTS DANS LA CHAÎNE

Clients

Dn1

Dn2

Détaillant 1

Détaillant 2

Grossiste Usine

On1

On2

On(2)

On1 + On

2 = On

24



5. PLUSIEURS DÉTAILLANTS DANS LA CHAÎNE

25

Conclusion

Peakedness : • Avantages

Pas d’hypothèses fortes sur le processus de demandeCalculs simplesBonnes performances dans beaucoup de situations

• LimitesInefficace avec la technique de prévision optimaleInefficace lorsque la demande a un profil particulier

Non significatif pour des processus trop courts

A utiliser en étant conscient des limites…!

26

Conclusion

Possibilités de prolongement :

• Tester sur d’autres jeux de données Renforcer la crédibilité

• Explorer d’autres situations particulièresAffiner le profil de performance

• Adapter la mesure à la méthode de prévision optimaleElargir l’horizon d’application

27

Documents

MODÉLISATION ET ANALYSE DE LA VARIABILITÉ DANS UNE CHAÎNE LOGISTIQUE PAR LAURENCE MORLET PROMOTEUR : PHILIPPE CHEVALIER LECTEURS : LAURENCE WOLSEY JEAN-CHRISTOPHE