Modélisation et analyse de la variabilité dans une chaîne logistique par Laurence Morlet Promoteur : Philippe Chevalier Lecteurs : Laurence.

Présentation au sujet: "Modélisation et analyse de la variabilité dans une chaîne logistique par Laurence Morlet Promoteur : Philippe Chevalier Lecteurs : Laurence."— Transcription de la présentation:

1 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

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 Introduction Chaîne logistique et bullwhip effect
Demande Commande Commande Dn On O(2)n Clients Détaillant Grossiste Usine var(Dn) < var(On) < var (O(2)n)

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

6 Introduction Inconvénients des mesures de variabilité existantes
Hypothèses fortes sur le processus de demande Estimation de paramètres complexes

7 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!

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

9 La mesure de variabilité peakedness 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 : 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 peakedness Application 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 Idem pour le grossiste…
La mesure de variabilité peakedness Application à une chaîne logistique Processus de demande Procesuss ponctuel texte Modèle de prévision Texte Stratégie de commande Idem pour le grossiste…

13 Des développements nous permettent de calculer :
La mesure de variabilité peakedness Application 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 peakedness 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)

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

16 La mesure de variabilité peakedness Etude des performances
Données de demande brutes

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

18 La mesure de variabilité peakedness Etude des performances
Données de demande dessaisonalisées Méthode de dessaisonalisation :

19 La mesure de variabilité peakedness Etude des performances
Données de demande dessaisonalisées Résultats:

20 La mesure de variabilité peakedness Etude 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 peakedness Etude des performances
Technique de prévision optimale Résultats :

22 La mesure de variabilité peakedness Etude des performances
Processus problématiques Profils de demande testés :

23 La mesure de variabilité peakedness Etude des performances
Processus problématiques Facteur de bullwhip effect au niveau du détaillant Gap [%] Max du processus de demande

24 La mesure de variabilité peakedness Etude 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 peakedness Etude des performances
Plusieurs détaillants dans la chaîne 1.1 2 1.2

26 Conclusion Peakedness : A utiliser en étant conscient des limites…!
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