Si vous vivez dans un environnement industriel ou de distribution il y a de grandes chances pour que vos portefeuilles de produits se soient démultiplié ces dix ou vingt dernières années. Différentiation marketing, personnalisation, articles configurés, profondeur des réseaux de distribution : ce sont possiblement des dizaines ou des centaines de milliers de références à gérer.
Autrement dit, des dizaines ou centaines de milliers de références dont il faut dimensionner les stocks, qu’il faut réapprovisionner au bon moment, dont il faut orchestrer les flux pour assurer la disponibilité pour vos clients en accord avec vos engagements.
La complexité peut inciter les entreprises à développer des solutions complexes. Pour gérer de tels portefeuilles, il n’y a pas de doute, il faut automatiser les processus.
Si vous écoutez le chant des sirènes de la technologie peut-être serez-vous incités à mettre en œuvre des moteurs d’intelligence artificielle pour développer des jeux de prévisions sur vos myriades d’articles, pour prédire l’incertitude de ces prévisions et en déduire des stocks de sécurité, modulés de la racine carrée de la variabilité des délais, bien entendu…
Est-il possible de gérer une telle complexité tout en restant simple ?
J’ai eu à plusieurs reprises des questions d’interlocuteurs qui s’étaient penchés sur la méthodologie DDMRP, qui avaient suivi une formation ou lit un des livres de référence, et qui doutaient de la possibilité d’utiliser cette approche à grande échelle.
Une des objections tient à l’approche « à peu près » du dimensionnement des stocks. Vous prenez un facteur de délai, à peu près X% pour un « délai moyen », vous le combinez avec un facteur de variabilité d’à peu près Y% pour une « variabilité faible », ça vous donne des profils de buffer, vous les appliquez, vous voyez ce que ça donne, et vous corrigez au fil de l’eau.
J’en convient : pour des esprits scientifiques ça peut étonner voire inquiéter. Si vous avez des années de pratique opérationnelle de supply chain management ça vous choquera déjà moins, car vous savez qu’on est au carrefour de la science, des sciences humaines, des dynamiques de systèmes complexes – et que tout cela est difficile à mettre en équation.
L’approche « à peu près » signifie de se concentrer sur la conception d’un modèle pertinent et adapté à l’entreprise, mais ça ne signifie pas de jouer aux dés.
En fait, Demand Driven rime avec Data Driven. Pour dimensionner les stocks et attribuer des profils de buffers pertinents nous analysons les historiques de demande à la journée, nous calculons des écart-types et des coefficients de variabilité, nous évaluons les saisonnalités et tendances, nous évaluons les risques sur les flux d’approvisionnement, nous simulons rétroactivement l’efficacité des buffers, et même, mais oui, nous nous aidons éventuellement d’intelligence artificielle
Au fil des projets mis en œuvre sur des centaines de sites et des millions d’articles, ceci nous a conduit à développer des jeux de réglage de base, qui sont appliqués au travers d’un assistant logiciel « Smart Buffer Profiler ». En quelques clics celui-ci permet d’attribuer des profils de buffer adaptés à des milliers d’articles, de comparer le réglage proposé et les stocks existants, et de valider par échantillonnage la pertinence du dimensionnement. Il est fréquent désormais avec cette approche combinée à la connaissance des planificateurs de disposer d’un modèle de stocks DDMRP bien calibré en 2-3 jours.
La simplicité est au cœur de la méthodologie DDMRP, mais ça ne signifie pas sur-simplification.
Les éléments qui permettent de simplifier sont :
- Le groupement des articles par profil de buffers, c’est-à-dire la définition de règles communes pour des ensembles d’articles qui devraient de comporter de manière analogue du fait de leurs caractéristiques. Un datascientist appellerait ça définir des clusters.
- L’établissement de processus réguliers (lors du DDS&OP) pour ajuster l’assignation des profils de buffer en fonction de l’évolution des caractéristiques des articles et des comportements historiques, guidés par des assistants logiciels.
- La prise en compte facile, en masse, de la variabilité d’approvisionnement au travers des facteurs d’ajustement de zone.
- Le recalcul dynamique des buffers au fil du temps, au travers de la formule de calcul intégrée lors de la conception du modèle. Finies les campagnes de recalculs de stocks de sécurité sur base de formules absconses.
- Le suivi au quotidien orchestré par exception, pour les priorités de planification et les alertes d’exécution.
- L’utilisation de la simulation pour anticiper, par exception, les situations à risque.
Et surtout… la compréhension facile du modèle par les équipes qui le gèrent et le font évoluer.
Donc si vous avez des portefeuilles larges d’articles achetés, fabriqués ou distribués vous pouvez y aller en confiance : l’approche DDMRP est désormais industrialisée et continue à progresser, pour permettre de gérer avec simplicité des environnements toujours plus complexes
