La présentation est en train de télécharger. S'il vous plaît, attendez

La présentation est en train de télécharger. S'il vous plaît, attendez

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

Présentations similaires


Présentation au sujet: "MODÉLISATION ET ANALYSE DE LA VARIABILITÉ DANS UNE CHAÎNE LOGISTIQUE PAR LAURENCE MORLET PROMOTEUR : PHILIPPE CHEVALIER LECTEURS : LAURENCE WOLSEY JEAN-CHRISTOPHE."— 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 2

3 Introduction Chaîne logistique et bullwhip effect Inconvénients des mesures de variabilité existantes Solution : la mesure peakedness 3

4 Introduction Chaîne logistique et bullwhip effect OnOn ClientsDétaillantGrossisteUsine O (2) n DnDn var(D n ) < var(O n ) < var (O (2) n ) DemandeCommande 4

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

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

7 Introduction Solution : la mesure peakedness Hypothèse de travail : Le processus de demande est un processus ponctuel : où {T i } constitue la séquence des temps darrivée. T i : variables aléatoires Hypothèse peu contraignante! 7

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

9 La mesure de variabilité peakedness Définition Principe : supposer que les arrivées de X(t) se placent dans une file dattente avec un nombre infini de serveurs. Temps de service : G Nombre de serveurs occupés : S(t). La peakedness est donnée par : 9

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. 10

11 La mesure de variabilité peakedness Application à une chaîne logistique A chaque période, le détaillant exécute les étapes suivantes, dans lordre donné : 1. Arrivée des commandes faites il y a H unités de temps 2. Observer la demande D n pour cette période 3. Faire une prévision F n de la demande à la période suivante 4. Commander une quantité O n 5. Les demandes sont satisfaites par le stock. Les demandes non satisfaites sont reportées 11

12 La mesure de variabilité peakedness Application à une chaîne logistique Processus de demande o Procesuss ponctuel o texte Modèle de prévision o Texte Stratégie de commande Idem pour le grossiste… 12

13 La mesure de variabilité peakedness Application à une chaîne logistique Des développements nous permettent de calculer : o z d (X d,D(1/T)) o z d (O,D(1/T)) o z d (O (2),D(1/T)) En utilisant : o D n o o α, β o T, H, L 13

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(O n )/var(D n ) = var(O (2) n )/var(O n ) 14

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

16 La mesure de variabilité peakedness Etude des performances 1. D ONNÉES DE DEMANDE BRUTES 16

17 La mesure de variabilité peakedness Etude des performances 2. D ONNÉES DE DEMANDE DESSAISONALISÉES Mise en évidence de la saisonnalité : k=7 Demande Jours de la semaine 17

18 La mesure de variabilité peakedness Etude des performances 2. D ONNÉES DE DEMANDE DESSAISONALISÉES Méthode de dessaisonalisation : 18

19 La mesure de variabilité peakedness Etude des performances 2. D ONNÉES DE DEMANDE DESSAISONALISÉES Résultats: 19

20 La mesure de variabilité peakedness Etude des performances 3. T ECHNIQUE DE PRÉVISION OPTIMALE Description de la technique : Prévisions et stratégie de commande adaptées à la saisonnalité Paramètres de lissage exponentiel optimaux 20

21 La mesure de variabilité peakedness Etude des performances 3. T ECHNIQUE DE PRÉVISION OPTIMALE Résultats : 21

22 La mesure de variabilité peakedness Etude des performances 4. P ROCESSUS PROBLÉMATIQUES Profils de demande testés : 22

23 La mesure de variabilité peakedness Etude des performances 4. P ROCESSUS PROBLÉMATIQUES Facteur de bullwhip effect au niveau du détaillant 23 Gap [%] Max du processus de demande

24 La mesure de variabilité peakedness Etude des performances 5. P LUSIEURS DÉTAILLANTS DANS LA CHAÎNE Clients D n 1 D n 2 Détaillant 1 Détaillant 2 GrossisteUsine O n 1 O n 2 O n (2) O n 1 + O n 2 = O n 24

25 La mesure de variabilité peakedness Etude des performances 5. P LUSIEURS DÉTAILLANTS DANS LA CHAÎNE 25

26 Conclusion Peakedness : Avantages Pas dhypothèses 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…! 26

27 Conclusion Possibilités de prolongement : Tester sur dautres jeux de données Renforcer la crédibilité Explorer dautres situations particulières Affiner le profil de performance Adapter la mesure à la méthode de prévision optimale Elargir lhorizon dapplication 27


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

Présentations similaires


Annonces Google