Mémoire de projet recherche - Roberto GISO - LGI

Transcription

Master Recherche Génie Industriel
Spécialité OSIL
Promotion 2007/2008
Mémoire de projet recherche
GPA et GPA Mutualisée
dans la grande distribution
Soutenu le 30 septembre 2008 par Roberto GISO
Jury:
Asma GHAFFARI
Vincent MOUSSEAU
Chengbin CHU
Evren SAHIN
Régis LEBOUCHER
Remerciements
Je remercie Xavier Derycke, Directeur Flux du Groupe Carrefour, de m’avoir accueilli
durant ma période de stage.
Je tiens à remercier plus particulièrement Règis Leboucher, responsable de la Relation
Fournisseurs, et l'ensemble de l'équipe de la Direction Supply Chain, pour leur accueil
bienveillant et leurs conseils avisés, et cela malgré leur emploi du temps chargé.
Je remercie également Evren Sahin, pour sa présence et son soutien, ainsi que Yves
Dallery et tout le personnel du laboratoire de Génie Industriel, pour leur aide tout au long
de mon expérience à l’Ecole Centrale.
Résumé
Ce mémoire a pour objectif l’évaluation des bénéfices de la Gestion Partagée des
Approvisionnements (« GPA ») et de la Gestion Mutualisée des Approvisionnements
(« GMA ») par rapport à la gestion traditionnelle de la supply chain. Un modèle de
simulation d’une supply chain à deux étages, avec trois fournisseurs et un distributeur, a
été construit en considérant les caractéristiques et les contraintes rencontrées dans le
secteur de la grande distribution. La GPA présente des avantages non négligeables, en
terme de niveau de stock, de service et d’utilisation de la capacité de transport, par
rapport à l’approvisionnement classique; la GMA, en mutualisant le transport et/ou le
centre de distribution entre plusieurs fournisseurs, donne un avantage supplémentaire à
ces performances.
Mots clés: GPA, GPA mutualisée, GMA, mutualisation, simulation, grande distribution
Abstract
This dissertation aims to evaluate the advantages of Vendor Managed Inventory
(« VMI ») and Pooled VMI in comparison to a traditional management of the supply
chain. A two-echelon supply chain, with three suppliers and one retailer, has been built
considering the features and the constraints founded in retailing sector. VMI shows
having non negligible advantages, in terms of stock level, service and transport capacity
utilization, compared to traditional replenishment ; pooled VMI, in sharing transport
and/or distribution centre between many suppliers, gives an additional advantage on this
performances.
Key words: VMI, CMI, pooled VMI, pooling, simulation, retailing
Table des matières
1.
1.1.
INTRODUCTION
1
Définition de GPA
1
1.2.
Le Groupe Carrefour
1.2.1. La fonction Supply Chain chez Carrefour
3
4
2.
7
ETAT DE L’ART SUR LA GPA ET SES PERSPECTIVES
2.1.
Etat de l’art industriel
2.1.1. Les conditions nécessaires pour obtenir des bons résultats
2.1.2. Secteurs d’application et business cases
2.1.3. Avantages et inconvénients
2.1.4. Evolutions : la GMA (Gestion Mutualisée des Approvisionnements) ou GPA mutualisée
7
8
8
10
11
2.2.
Etat de l’art scientifique
2.2.1. La GPA
2.2.2. La GMA dans la littérature scientifique
15
15
29
3.
LA GPA CHEZ CARREFOUR
35
3.1.
Etat des lieux
3.1.1. Pratiques de suivi du processus
3.1.2. Les pratiques chez les fournisseurs
3.1.3. Données quantitatives
3.1.4. Les perspectives : la GMA
35
38
39
42
44
4.
4.1.
LE MODELE DE SIMULATION
Introduction
45
45
4.2.
Le modèle
4.2.1. La supply chain avec GPA
4.2.2. La supply chain avec GMA
45
49
50
4.3.
54
Les scénarios
4.4.
Les résultats
4.4.2. Analyse avec la méthode ANOVA
56
59
4.5.
66
5.
Comparaison globale
CONCLUSIONS ET PERSPECTIVES
BIBLIOGRAPHIE
69
71
ANNEXES
1.1.
ANOVA pour la comparaison SCT-GPA
1.1.1. ANOVA pour la couverture de stock
1.1.2. ANOVA pour le fill rate « Vendor to retailer »
1.1.3. ANOVA pour le fill rate « Retailer to Store »
1.1.4. ANOVA pour le taux de remplissage camion
1.2.
ANOVA pour la comparaison GPA-GMA
1.2.1. ANOVA pour la couverture de stock
1.2.2. ANOVA pour le fill rate « Retailer to Store »
1.2.3. ANOVA pour le taux de remplissage camion
2
I
I
I
II
IV
V
VII
VII
VIII
X
Liste des illustrations
Figure 1: schéma simplifié d’approvisionnement traditionnel ....................................................................... 2
Figure 2 : schéma simplifié d’approvisionnement en GPA sur entrepôt........................................................ 3
Figure 3: présence du Groupe Carrefour dans le monde ................................................................................ 4
Figure 4: organisation de Direction Supply Chain de Carrefour.................................................................... 5
Figure 5: GPA Mutualisée ou GMA avec stock co-localisé (ECR France, 2002) ....................................... 12
Figure 6: GPA Mutualisée ou GMA avec multipick (ECR France, 2002)................................................... 13
Figure 7: nombre de publications sous les mots clés « collaboration supply chain »
(http://isiknowledge.com/).................................................................................................................. 15
Figure 8: résultats du modèle de simulation en [26] .................................................................................... 23
Figure 9: cartographie des processus collaboratifs (Carrefour).................................................................... 35
Figure 10: flux d’information et flux physique dans une collaboration CMI............................................... 36
Figure 11: flux d’information et flux physique dans une collaboration VMI .............................................. 37
Figure 12: exemple de fonctionnement de politique (T, Sk) multi-produits................................................. 40
Figure 13: évolution de stock et niveau de service pour trois groupes de fournisseurs en GPA.................. 42
Figure 14: évolution de stock et niveau de service en moyenne pour 22 fournisseurs en GPA................... 43
Figure 15 : modèle de supply chain traditionnelle ....................................................................................... 46
Figure 16: le modèle Arena de la supply chain traditionnelle...................................................................... 46
Figure 17: les indicateurs de performance ................................................................................................... 48
Figure 18 : modèle de supply chain avec GPA ............................................................................................ 49
Figure 19: le modèle Arena de la GPA ........................................................................................................ 49
Figure 20 : modélisation des flux physiques et d’information en GPA ....................................................... 50
Figure 21 : modèle de supply chain avec GMA........................................................................................... 51
Figure 22: distribution des valeurs de fill rate.............................................................................................. 53
Figure 23: distribution des valeurs de couverture de stock .......................................................................... 53
Figure 24: moyenne mobile des valeurs de fill rate ..................................................................................... 57
Figure 25: les effets principaux pour la couverture de stock (SCT vs GPA) ............................................... 60
Figure 26: les effets principaux pour le fill rate « vendor to retailer » (SCT vs GPA) ................................ 61
Figure 27: les effets principaux pour le fill rate « retailer to store » (SCT vs GPA).................................... 62
Figure 28: les effets principaux pour l’utilisation des camions (SCT vs GPA) ........................................... 63
Figure 29: les effets principaux pour la couverture de stock (GPA vs GMA) ............................................. 64
Figure 30: les effets principaux pour le fill rate « retailer to store » (GPA vs GMA).................................. 65
Figure 31: les effets principaux pour l’utilisation des camions (GPA vs GMA) ......................................... 65
Figure 32 : résultats globaux de la simulation.............................................................................................. 66
Liste des tableaux
Tableau 1: avantages et inconvénients de la GPA ....................................................................................... 10
Tableau 2: niveaux de demande moyenne pour les fournisseurs ................................................................. 54
Tableau 3: facteurs et niveaux utilisées pour les scénarios .......................................................................... 56
Ecole Centrale Paris 2007-2008
1.
GPA et GPA Mutualisée dans la grande distribution
Introduction
A la fin des années 80, le monde de la distribution est confronté à de brutales variations
de la demande entraînant des ruptures de stock et des dysfonctionnements industriels et
logistiques majeurs. Pour limiter ces conséquences, les entreprises se sont alors engagées
dans une stratégie de surstockage augmentant ainsi le nombre de points de stockage, leur
surface et les réserves en magasin. Ces stratégies semblent d’autant plus justifiées que la
guerre des prix régit encore le marché et que les comportements spéculatifs étaient
courants. Mais ces pratiques sont extrêmement coûteuses et des réflexions sur
l’amélioration de l’efficacité logistique voient progressivement le jour.
C’est dans ce contexte qu’apparaît la Gestion Partagée des Approvisionnements
(« GPA ») qui vise à améliorer la disponibilité en linéaire tout en réduisant les coûts et
les stocks de la chaîne d’approvisionnement ([13]).
1.1.
Définition de GPA
La Gestion Partagée des Approvisionnements est un processus collaboratif entre client
(distributeur) et fournisseur, faisant partie de l’ECR1. Cette pratique vise à
approvisionner des entrepôts (comme dans le cas étudié) et/ou des magasins suivant des
règles de gestion définies dans un contrat de coopération ([16]).
Dans le cadre d’une collaboration GPA entrepôt, le distributeur rend disponible les
informations sur l’état du stock dans ses centres de distribution au fournisseur, qui décide
des quantités à réapprovisionner. Dans une GPA magasin, le fournisseur a aussi les
données relatives aux ventes et au stock en magasin, et a donc la responsabilité du
réapprovisionnement des points des ventes. De plus, cette collaboration peut prévoir le
« stock de consignation » : le stock d’un fournisseur est défini « stock consigné » si, tout
en étant disponible chez le client, il n’est payé que lors de l’utilisation des produits.
1
« Efficient Consumer Response »: stratégie dont l’objectif est de bâtir un système réactif, partant du
consommateur final, dans lequel distributeurs et fournisseurs travaillent en étroite collaboration pour
maximiser la satisfaction du client et réduire les coûts.
1
Afin de préciser le contexte et le périmètre du projet de recherche, il est utile de préciser
que le terme GPA est utilisé en même temps comme traduction des termes anglais
« VMI » (« Vendor Managed Inventory ») et « CMI » (« Co-Managed Inventory ») : ces
deux processus collaboratifs diffèrent en type de mise en œuvre, respectivement sans ou
avec confirmation par le distributeur de la proposition de commande générée par le
fournisseur.
Les détails sur le fonctionnement du processus sont donnés dans la Section 3.1.1.
La GPA est donc un système réactif de calcul des approvisionnements piloté par le
fournisseur pour le compte du distributeur au niveau SKU1/entrepôt. Les flux sont tirés
par la demande des consommateurs (le sorties de l’entrepôt et/ou les sorties de caisse) et
non plus poussés par fournisseurs et distributeurs. Ce système est alimenté par des
données transmises de manière automatique entre les partenaires afin de garantir la
fiabilité et la rapidité des flux d’informations, l’EDI2 apparaissant, dans ce contexte,
comme l’outil d’échange le plus approprié. Des schémas simplifiés illustrant le schéma
d’approvisionnement traditionnel et en GPA sur entrepôt sont illustrés respectivement en
Figure 1 et Figure 2.
Vendor
Retailer
ORDER
Forecasts
Stock status
Products
Figure 1: schéma simplifié d’approvisionnement traditionnel
1
« Stock Keeping Unit »: la combinaison d’un article et de son emplacement logistique constituent l’unité
de stock.
2
« Electronic Data Interchange » ou « Échange de Données Informatisé »: Échange par télétransmission de
données structurées d'ordinateur à ordinateur selon des formats standards entre partenaires indépendants.
2
Retailer
Stock status
ORDER Proposal
ORDER Confirmation
Validation
Forecasts
Vendor
Products
Figure 2 : schéma simplifié d’approvisionnement en GPA sur entrepôt
1.2.
Le Groupe Carrefour
Le groupe Carrefour est le leader de la distribution en Europe et deuxième au monde,
avec 102,442 milliards d'euros de chiffre d'affaires (TTC) en 2007. Il développe
aujourd’hui quatre formats principaux de magasins alimentaires : les hypermarchés, les
supermarchés, les maxidiscompte et les magasins de proximité, qui différent entre eux
principalement pour l’extension de la surface de vente, et dans le cas des maxidiscompte
pour les prix réduits. Le groupe compte plus de 15 000 magasins exploités en propre ou
en franchise et plus de 490 000 collaborateurs.
Présent dans 30 pays, il réalise plus de 54% de son chiffre d’affaires hors de France. A
l’étranger, le Groupe dispose d’un fort potentiel de développement dans les prochaines
années. C’est le cas notamment sur de grands marchés comme la Chine, le Brésil,
l’Indonésie, la Pologne ou encore la Turquie.
3
Figure 3: présence du Groupe Carrefour dans le monde
1.2.1.
La fonction Supply Chain chez Carrefour
La Supply Chain est une fonction centrale pour la croissance du Groupe Carrefour; la
Direction Supply Chain est rattachée à la Direction Commerciale et Marketing Groupe,
et est organisé selon trois domaines principaux (flux, logistique et organisation
magasins), auxquels s’ajoutent de fonctions transversales et de support (Figure 4); de
plus, dans chaque domaine ils existe des experts pour chaque métier et des coordinateurs
pour les business units.
4
Direction Supply
Chain Groupe
Reporting
Direction
stratégie
B to B
Assistantes
Chef de
de projet
Chef
projet
Laurence THOMAS
Direction Flux
Direction Logistique
Direction Organisation
Organisation
Direction
Magasin
Magasin
Experts Métiers
Experts Métiers
Experts Métiers
Coordinateurs dédiés
pays
pays
pays
Direction Flux
Xavier DERYCKE
Direction Logistique
Pierre-Yves BLANCHARD
Figure 4: organisation de Direction Supply Chain de Carrefour
L’objectif principal pour la supply chain de Carrefour est de maximiser la présence des
produits en linéaire, au coût le plus bas : cet objectif dérive d’une vision globale de la
chaîne, qui va au delà de la logistique limitée aux entrepôts et inclut les magasins (la
supply chain doit être tirée par la demande) et les fournisseurs. La collaboration avec les
industriels est donc indispensable pour améliorer les performances de la totalité de la
chaîne, et parmi les différentes pratiques collaboratives nous retrouvons la GPA (le détail
sur le fonctionnement de ce processus sont donnés dans le Chapitre 3).
5
2.
Etat de l’art sur la GPA et ses perspectives
2.1.
Etat de l’art industriel
Dans cette section nous voulons illustrer les considérations des cas d’étude, les « white
papers » des fournisseurs de systèmes de logiciels, ainsi que les articles de revues de
secteurs, qui traitent de la GPA.
Il faut observer qu’il a été difficile de retrouver beaucoup d’informations par les
associations tel que l’ECR ou le GCI (Global Commerce Initiative) ou par les cabinets de
conseil sur la GPA, car même en étant une pratique tout à fait actuelle, elle ne semble pas
être un thème d’étude présent dans l’agenda de ces derniers; nous retrouvons néanmoins
l’intérêt pour des évolutions de la GPA, tel que par exemple la GPA mutualisée.
L’étude menée par KPMG Canada en 1996 ([15]) démontre que la GPA a été mise en
place dans la grande distribution depuis plus de vingt ans, avec ce qui est probablement
le cas d’application le plus connu, c'est-à-dire celui entre Procter & Gamble (P&G) et
Wal-Mart. Dans la même étude, nous retrouvons aussi la description des obstacles
majeurs à l’adoption de cette pratique collaborative :
le premier, de type stratégique, est la résistance du client vers l’ouverture et
l’échange d’information avec le fournisseur, qui pourrait donner à ce dernier un
avantage compétitif;
le deuxième, de type opérationnel, est lié aux nouveaux rôles et aux nouvelles
tâches des acheteurs et des vendeurs, aux nouveaux systèmes de mesure de la
performance, ainsi qu’à un changement dans la culture de l’entreprise.
La première motivation est faible, vue que l’avantage compétitif lié à un service amélioré
est partagé entre les acteurs de la chaîne; pour anticiper la confusion liée à la deuxième
raison de résistance, il faut comprendre que la supply chain est un instrument de
compétition, et que la collaboration entre partenaires commerciaux est essentielle.
Le VMI dans la grande distribution n’a pas toujours été un succès, par exemple dans le
cas du distributeur « Spartan Stores », le projet a été arrêté après douze mois, à cause des
mauvaises prévisions faites par le fournisseur, mais surtout à cause des problèmes liés à
la gestion des promotions.
7
Malgré les échecs, le VMI représente souvent une opportunité, car c’est non seulement
un moyen d’améliorer le service pour le client final en réduisant les coûts de la chaîne
logistique, mais aussi une façon de progresser dans la collaboration entre les acteurs de la
chaîne même.
Les auteurs soulignent aussi que, déjà en 1996, le VMI est vu par certains distributeurs
(c’est le cas de Oshawa Food, un distributeur Canadien qui a adopté avec succès le VMI)
une étape pour une collaboration plus sophistiquée.
2.1.1.
Les conditions nécessaires pour obtenir des bons
résultats
Selon Frahm ([48]), pour avoir des résultats satisfaisants du VMI il est nécessaire de
clarifier les objectifs des deux parties, autrement (surtout pour le fournisseur) il y un
risque de déception concernant les résultats à court terme. Il faut aussi s’accorder sur la
façon d’échanger les informations, car le fournisseur devrait connaître les plans de
production ou les prévisions de vente du client (respectivement pour un industriel ou un
distributeur). Aussi, il est essentiel de communiquer constamment sur les problèmes,
pour les rendre des opportunités d’apprentissage, et sur les objectifs; les motivations de
soudains changements de la demande (tels que les promotions) doivent être partagés
entre client et fournisseur; de la même manière, le fournisseur doit communiquer les
éventuels problèmes de production impactant le niveau de service sur une certain
période.
Pour garantir le succès du processus collaboratif, les informations échangées doivent être
précises et fiables ([33]), car il est clair que sans des données correctes il est impossible
de suivre la demande; il faut donc avoir un temps de test suffisamment long, et prévoir
des investissements adéquats. De plus, lorsqu’un des deux acteurs de la chaîne n’a pas de
systèmes techniques adaptés au VMI, le processus peut être géré par un 3PL (« thirdparty logistics providers », prestataire de services logistiques).
2.1.2.
Secteurs d’application et business cases
Au début, le VMI a été utilisé surtout dans les secteurs de la distribution et de
l’automobile, caractérisés par des gros volumes de produits, mais est désormais
appliquée aussi dans d’autres secteurs, tel que l’approvisionnement de pièces de
8
rechange, de matériel de bureau ou de packaging ([47]). Dans ce type d’applications,
l’avantage le plus évident est que l’on peut bénéficier du savoir faire en thème de
réapprovisionnement du fournisseur, qui gagne en visibilité sur la réelle demande de ces
produits.
Les cas d’application réussis du VMI dans le secteur des produits de grande
consommation sont nombreux. L’Oréal Allemagne a réussi à diminuer le stock de 50%
chez un distributeur majeur sans affecter la disponibilité ([23]), et la relation avec le
client s’est améliorée; L’Oréal a ainsi pris en charge le planning marchandise même pour
les produits saisonniers de son client, ce qui n’était pas prévu au début du projet et
témoigne du niveau de confiance attendu entre les deux partenaires. Heineken Italie
([20]) arrive à utiliser les données de vente pour ses prévisions (avec un niveau de détail
au produit et au client) qui sont utilisées par les usines de production : le résultat est une
couverture de stock de sept jours chez les clients avec un taux de service de 99%.
Dans le domaine de l’électronique, la mise en place du VMI entre STMicroelectronics et
Hewlett-Packard ([36]) a abouti à la réduction de stock des microprocesseurs de cinq à
deux semaines, et le lead time de réapprovisionnement de 50%. Sun Microsystems ([38])
a aussi implémenté le VMI avec la majorité de ses fournisseurs, et les résultats sont
satisfaisants pour l’ensemble de la chaîne.
D’autres exemples dans l’industrie existent. Pour North Coast Electric, le VMI avec ses
fournisseurs a signifié une augmentation de la rotation des stocks de 20% : dans une
période ou les vente ont augmenté de 40 %, le stock a augmenté que de 18%, et le taux
de service est passé de 95% à 98% ([24]). Chez Volvo Powertain, 50 fournisseurs
(représentant 80% de la valeur de stock) sont passés au VMI en 2002, avec une
diminution du stock de 8000 à 4000 pièces ([51]); les consultants qui ont contribué à la
mis en place du processus soulignent que pour son bon fonctionnement un outil
informatique performant est nécessaire mais pas suffisant, car il faut qu’il y ait une vrai
confiance réciproque entre les acteurs de la chaîne. Le benchmark ([50]) effectué en
Suède avec les entreprises Tetra Pak, Cepa Steeltech et Alfa Laval témoigne que le VMI
est applicable profitablement aussi avec des produits à faible rotation, même si il faut
garder le requise d’une collaboration à long terme avec le fournisseur. De plus, les
auteurs montrent que le concept de VMI est très différent d’une entreprise à l’autre (par
exemple, chez Tetra Pak dans le VMI comprend aussi le concept de stock consigné).
9
2.1.3.
Avantages et inconvénients
Parmi les cas d’application de la GPA, on a tendance à souligner les exemples de bon
fonctionnement et les bons résultats (par exemple [48] et [54]). Des inconvénients
existent tout de même et peuvent se présenter dans la réalité ([15]). Dans le tableau
suivant, nous essayons donc de donner une vision synthétique des avantages et
inconvénients de la GPA présentés dans la bibliographie analysée jusqu’à présent.
AVANTAGES
INCONVENIENTS
Encourage la coopération dans la supply
chain – forme des partnership et des lignes de
communication intra-fonctionnelles qui peuvent
aider à améliorer les relations et le
fonctionnement de la chaîne
Augmente les coûts administratifs pour le
fournisseur – la responsabilité du
fournisseur et sa charge de travail
augmentent
Est une façon rapide d’améliorer les
résultats – peut être implémenté dans un délai
relativement court et donner des bénéfices
considérables par rapport aux performances
existant auparavant grâce à l’échange
d’informations
Est difficile à utiliser avec des remises
sur quantités et tarifications spéciales –
des stratégies de tarification alternes doivent
être revues avec l’accord des deux parties,
car ces stratégies (achats spéculatifs)
entraînent des augmentations de stock non
liée à la demande réelle, et endommagent
les performance de la GPA
Complique le système dans le court terme
– les nouveaux outils peuvent démarrer
immédiatement mais le rôle des employées,
des fournisseurs et de clients peut être pas
clair au début; les performances, tout en
restant considérablement meilleures que
auparavant, prouvent être optimisées
davantage
Améliore le paramétrage du stock – peut
augmenter le niveau de service et réduire les
ruptures de stock à travers une meilleure
compréhension de la demande et des
politiques de gestion de stock plus
sophistiquées
Réduit les coûts globaux de la chaîne – une
vision plus étendue de la supply chain peut
identifier les défauts et un meilleur échange
d’informations aide à lisser la demande et
réduire le stock
Augment les ventes pour client et
producteur – le niveau de service amélioré
aboutira à une augmentation des ventes
Le client risque la perte du contrôle et/ou
de flexibilité – particulièrement lorsque les
procédures sont nouvelles, la
compréhension et l’habilité de les contrôler
est faible
Les coûts de transport peuvent
augmenter – la fréquence de livraison
augmentée entraîne une augmentation des
coûts de transport
Un vrai bénéfice pour le producteur
n’arrive que lorsqu’il y a une masse
critique - le producteur peut intégrer son
DRP dans le MPS ou MRP seulement
lorsqu’une partie majeure (par rapport au
chiffre d’affaire) de ses clients est en VMI
Tableau 1: avantages et inconvénients de la GPA
10
2.1.4.
Evolutions :
la
GMA
(Gestion
Mutualisée
des
Approvisionnements) ou GPA mutualisée
Le concept de GPA, dans le secteur de la grande distribution, a historiquement été adapté
entre un distributeur et des fournisseurs majeurs ([19]), à cause des investissements en
systèmes d’informations, mais aussi des volumes et des fréquences de livraison
nécessaires (jusqu’à une fois par jour) pour aboutir à des résultats positifs; les
fournisseurs avec des faibles volumes (qui livrent un centre de distribution par exemple
une fois toutes les deux/trois semaines) restaient exclus. Depuis quelques années, chez
Carrefour en particulier, on a commencé à appliquer la GPA même à ces derniers, grâce
à
la
mutualisation,
c'est-à-dire
avec
la
GMA
–
Gestion
Mutualisée
des
Approvisionnements ([27], [32]): dans ce modèle de processus collaboratif, plusieurs
industriels (en général deux ou trois) consolident leur stock dans un même centre de
distribution, ou collaborent en effectuant du multi-pick1. Dans le premier cas, l’entrepôt
qui contient les stocks des différents industriels est géré par un prestataire logistique, ce
qui assure en même temps la coordination des livraisons et la confidentialité de données;
c’est le prestataire logistique qui s’occupe donc de repartir l’espace du camion à chaque
livraison parmi les fournisseurs, en connaissant l’état du stock dans son entrepôt et dans
le centre de distribution.
1
« Tournée de ramasse » : collecte au moyen d'un même camion, chez différents fournisseurs, de
marchandises à destination d'une plate-forme logistique.
11
GPA mutualisée : le principe
Fournisseur 1
Fournisseur 2
Fournisseur 3
Fournisseur 4
Camion complet
Camion complet
Prestataire
Logistique
Camion complet
Distributeur
Camion complet
Camion complet
Magasin
Magasin
Magasin
Magasin
Magasin
Figure 5: GPA Mutualisée ou GMA avec stock co-localisé (ECR France, 2002)
Dans le cas du multi-pick, chaque fournisseur garde son propre entrepôt, mais le
transport amont est mutualisé, éventuellement avec la coordination d’un prestataire.
12
GPA mutualisée - multipick
Fournisseur 1
Fournisseur 2
Fournisseur 3
Fournisseur 4
Camion complet
(Prestataire Logistique)
Distributeur
Camion complet
Camion complet
Magasin
Magasin
Magasin
Magasin
Magasin
Figure 6: GPA Mutualisée ou GMA avec multipick (ECR France, 2002)
Les règles de répartition de l’espace du camion sont liées essentiellement au taux de
service et à la couverture de stock de chacun des fournisseurs, et font l’objet d’un accord
parmi ces derniers.
Les avantages sont évidents pour les industriels et pour le distributeur : une majeure
fréquence de livraison vers le centre de distribution sans pénaliser l’optimisation de la
capacité de transport amène à réduire les coûts logistiques, augmenter le taux de service,
ainsi qu’améliorer la qualité et la fraîcheur de produits (la GMA est, comme la GPA,
appliquée presque exclusivement aux produits de grande consommation).
13
Le centre de distribution « crée » dans le cas illustré dans la Figure 5 ne constitue pas un
nouveau coût de stockage pour les fournisseurs, car résulte en général de la « fusion » de
plusieurs centres de distribution (un par fournisseur) préexistants et géographiquement
proches. La proximité géographique des centres de distribution est en effet une condition
indispensable pour mettre en place la GMA (voir Section 3.1.4) : ceci est vrai aussi dans
le cas de multipick, où les surcoûts liés au transport ne doivent pas pénaliser le gain en
terme de couverture de stock et niveau de service.
Toutefois, même lorsque les conditions physiques des réseaux de distribution rendent ce
modèle applicable, on rencontre l’opposition des fournisseurs à l’installation de ce
processus, pour des raisons tels que :
la confidentialité des données sur les flux, liée aux ventes et donc, même si
indirectement, au chiffre d’affaire (les industriels ne veulent pas partager un
même site de stockage avec des concourants)
la résistance « culturelle » (les conditions générales de vente ne prévoient pas ce
type de modèle)
la non connaissance des outils informatiques existants pour gérer la GMA
la difficulté à trouver des partenaires
Il est donc utile de vérifier les bénéfices de ce type de collaboration, en les quantifiant
selon les différents paramètres qui peuvent rentrer en jeu dans le processus. La
modélisation de la GMA et l’étude des gains en terme de performance de la supply chain
seront l’objet de cette étude.
14
2.2.
Etat de l’art scientifique
2.2.1.
La GPA
Dans une vision traditionnelle de la supply chain, la demande est transmise du bas vers le
haut de la chaîne (de chaque client à son fournisseur), et les produits passent dans la
direction opposée. Les retards, la distorsion du signal de la demande, et la médiocre
visibilité des conditions exceptionnelles résultent en une discrètement d’information qui
est critique pour le management de la supply chain (pour une définition exhaustive de
« supply chain management » voir [9]); typiquement, quand les managers sont confrontés
à des prévisions pas fiables, ils répondent en augmentant les stocks pour faire face aux
incertitudes. La perturbation qui dérive du manque de visibilité est amplifiée en
remontant vers l’haut de la chaîne, et donne lieu à l’effet connu sous le nom de
« bullwhip effect » ([41]); les chercheurs concordent sur le fait que l’échange
d’informations critiques améliore significativement les performances de la chaîne. La
collaboration dans la supply chain a fait l’objet des nombreuses publications
scientifiques, et l’intérêt est croissant, comme prouvé par les statistiques en Figure 7.
"Collaboration supply chain"
90
Nombre de publications
80
70
60
50
40
30
20
10
0
1983
1991 1995
1996
1997
1999 2000
2001
2002 2003
2004
2005
2006 2007
2008
Année
Figure 7: nombre de publications sous les mots clés « collaboration supply chain »
(http://isiknowledge.com/)
15
La GPA, étant l’un des processus qui rendent possibles l’échange d’informations, et a été
aussi le sujet de plusieurs publications1, que nous avons classé sous trois catégories
principales, dont les deux premières présentent un sous classification ultérieure:
les articles qui présentent des modèles analytiques
o calcul des avantages du VMI et d’autres pratiques collaboratives
o optimisation des paramètres du VMI
les articles qui présentent des modèles de simulation
o comparaison entre VMI et autres pratiques collaboratives
o impact de différents paramètres sur les performances du VMI
les articles qui présentent les résultats d’enquêtes et cas d’étude
Le dernière catégorie a été illustré dans la suite et non pas dans la Section 2.1 dû au fait
que les articles y contenus sont issus des revues scientifiques et non pas de revues de
secteur ou « white papers ».
2.2.1.1.
2.2.1.1.a.
Modèles analytiques
Calcul des avantages du VMI et d’autres pratiques collaboratives
Une partie des articles appartenant à la catégorie des modèles analytiques se focalise sur
la quantification des avantages du VMI par rapport à l’approvisionnement classique et/ou
à des autres modes d’approvisionnement.
Yao et Dresner ([45]) analysent les impacts du simple échange d’informations (sur l’état
du stock chez le distributeur), du réapprovisionnement continu (« CRP - Continuous
replenishement program », ici conçu simplement comme incrément de la fréquence de
livraison), et du VMI. Le modèle est composé d’un producteur et un distributeur, avec un
seul produit, dont la demande suit une loi stochastique autorégressive (AR(1), utilisée
plusieurs fois dans la littérature pour modéliser un processus de demande2).
1
Dans la recherche sur les périodiques anglophones, le mot clé utilisé comme traduction de « GPA » est
« VMI »; du point de vue scientifique, le « CMI » n’apparaît pas avoir des différences importantes par
rapport au « VMI »
2
Pour plus de détail sur le processus stochastique AR(1) « Greene, W.H., 1997. Econometric Analysis.
Prentice Hall, Upper Saddle River, NJ ».
16
Le paramètre d’évaluation est le stock moyen chez le fournisseur et chez le distributeur,
calculé dans le cas de l’échange d’informations et du CRP selon deux modèles présents
en littérature1, avec l’hypothèse de gérer le stock avec un model (T,Sk), en admettant T
l’intervalle de révision du stock et Sk le niveau objectif calculé par chaque période. De
plus, dans le CRP et le VMI, la fréquence de livraison augmente d’un facteur entier g,
sans toutefois que la fréquence de révision du stock augmente : c'est-à-dire, la quantité
nécessaire à atteindre le niveau objectif Sk est livrée en g fois pendent la période de
révision; cette dernière hypothèse simplifie la recherche de l’expression du stock moyen,
mais apparaît difficilement retrouvable dans la réalité. La demande est donc définie selon
loi AR(1) comme suit :
Dt = d + ρ ⋅ Dt −1 + ε
avec demande moyenne d > 0 , autocorrection − 1 < ρ < 1 et erreur ε normalement
distribué avec moyenne 0 et variance σ 2 . L’expression du stock moyen dans les trois
cas, chez le fournisseurs et le distributeur, a la forme suivante :
I=
1
d
+ K ⋅σ ⋅ V
g 2 ⋅ (1 − ρ )
où K est le paramètre déterminant le stock de sécurité et donc le niveau de service, et V
est la variance : l’expression analytique de V
(fonction du lead time et de
l’autocorrelation) change pour chaque cas et est donc à l’origine des différences entre les
types de collaboration et entre les acteurs. Les chercheurs concluent que le simple
échange d’informations (sur demande et état du stock du distributeur) donne des
avantages seulement au producteur, qui peut réduire le stock de sécurité et donc le stock
moyen. Le CRP et le VMI amènent à une diminution du stock (proportionnelle à la
demande moyenne, à son autocorrélation, et à la fréquence de livraison) pour les deux
acteurs, mais de façons différentes : le VMI favorise le producteur et le CRP favorise le
distributeur lorsque la fréquence de livraison augmente.
1
Pour l’échange d’informations «Lee, H.L., So, K.C., Tang, C., 2000. The value of information sharing in
a two-level supply chain. Management Science 46 (5), 626–643; Raghunathan, S., Yeh, A.B., 2001.
Beyond EDI: impact of continuous replenishment program (CRP) between a manufacturer and its retailers.
Information Systems Research 12 (4), 406–419». Pour le CRP « Raghunathan, S., Yeh, A.B., 2001.
Beyond EDI: impact of continuous replenishment program (CRP) between a manufacturer and its retailers.
Information Systems Research 12 (4), 406–419 »
17
Un model de vendeur de journaux est à la base de la chaîne étudiée par Lee et Chu
([55]), et dans ce cas le VMI résulte toujours avantageux en termes globales par rapport à
l’approvisionnement traditionnel, même si dans certains cas (lorsque le stock souhaité
par le vendeur est beaucoup plus important que celui souhaité par le distributeur) il faut
avoir une règle de partage du risque entre les deux acteurs.
Dans [5] Dong et Xu analysent l’impact du VMI avec stock de consignation: dans ce
cas, le fournisseur gère et reste propriétaire des produits stockés chez le client jusqu’à
leur utilisation; clairement, ce type de relation apporte toujours des avantages au client
(qui n’a plus aucun coût lié au stock), mais, dans le court terme, ce n’est pas toujours
avantageux pour le fournisseur (même face à un prix d’achat plus élevé, les coûts
peuvent ne pas être suffisamment compensés). Sur une période plus longue, avec une
optimisation de la production et une augmentation des ventes liées à la meilleure
disponibilité, le producteur a des avantages et obtient des gains.
2.2.1.1.b.
Optimisation des paramètres du VMI
Les chercheurs se sont aussi penchés sur l’optimisation des paramètres opérationnels du
VMI, avec différentes hypothèses sur le schéma logistique et sur les paramètres
considérés.
Çetinkaya et Lee ([37]) ont déterminé la quantité et la fréquence optimale de livraison,
en minimisant le coût total (achats, stockage, transports, backlog) pour un modèle avec
un producteur et plusieurs distributeurs caractérisés par des demandes poissoniennes avec
distribution identique. Dans ce modèle, la politique adoptée par le fournisseur est
nommée (Q,T), Q étant le niveau objectif et T l’intervalle de révision du stock. Le
fournisseur peut ne pas livrer immédiatement les distributeurs, et attende donc un certain
temps afin de consolider les demandes et obtenir une quantité économique à envoyer.
L’objectif est d’optimiser en même temps Q et T en minimisant le coût total; l’expression
du coût moyen de la politique de stock obtenue est la suivante :
C (Q, T ) =
=
18
AR ⋅ λ
Q
+ cR ⋅ λ +
coût moyen par cycle
=
T
h ⋅ λ ⋅ T ⋅ (Q − 1)
Q
+
h ⋅ Q AD
w ⋅ λ ⋅T
+
+ cD ⋅ λ +
2
T
2
où
λ demande moyenne par période
AR : coût fixe de réapprovisionnement pour le fournisseur
c R : coût d’achat par unité de produit
h : coût de maintien à stock
AD : coût fixe de livraison
c D : coût de livraison par unité par unité de produit
w : coût d’attente par unité de produit par unité de temps
Q = Q +1
AD et c D sont des coûts qui n’apparaissent dans les modèles de gestion de stock
classiques, car la demande est satisfaite de son arrivée.
Le problème peut être donc formulé comme suit :
min C( Q,T)
s.c. Q ≥ 1
T ≥0
La solution exacte de ce problème est donnée en résolvant, avec une méthode itérative
(ce qui demande un temps de calcul onéreux) les égalités suivantes
2 ⋅ AR ⋅ λ
− 2 ⋅ λ ⋅T
h
Q=
T=
[
2 ⋅ AD ⋅ Q
(
)
λ ⋅ 2 ⋅ h ⋅ Q −1 + w ⋅ Q
]
Les auteurs proposent alors une solution approximée, qui a été démontrée comme étant
proche de la solution précédente :
Q=
2 ⋅ AR ⋅ λ
h
T=
2 ⋅ AD ⋅ Q
λ ⋅ (w + 2 ⋅ h )
19
Ces formules (dans lesquelles il faut noter que l’expression de Q est l’expression
standard du lot économique) donnent des résultats comparables aux résultats exactes, et
permettent ainsi de noter que Q augmente lorsque λ , AR augmentent et h diminue, et T
diminue lorsque λ , AD , h diminuent et w augmente. Cette politique de consolidation
des demandes est clairement avantageuse lorsque h et w sont bas et λ , AD sont élevés.
Par contre, si λ est réduite, une politique classique avec livraison immédiate est moins
coûteuse.
En considérant un modèle avec un fournisseur et plusieurs distributeurs, [3] détermine la
quantité à vendre, le prix de vente au consommateur et le prix de vente au distributeur
(toutes ces quantités sont clairement bornées inférieurement et supérieurement) pour un
produit géré en VMI; le lead time est égal à zéro et backlog et stock-out ne sont pas
considérés. La quantité optimale à vendre est proche à la limite inférieure, où le prix est
plus haut; les coûts de stockage et de setup baissent le profit total mais n'influent pas
fortement sur les paramètres à optimiser; de plus, avec un coût de stockage et de setup
réduits, le profit total augmente avec l'augmentation du nombre d’acheteurs.
[30] propose un schéma pour sélectionner les meilleurs algorithmes de prévision (parmi
plusieurs modèle "classiques" existants en littérature) pour chaque produit, et ensuite
estimer les paramètres de contrôle du VMI (stock de sécurité, quantité économique, point
de recommande, etc.) dans une chaîne à deux étages. L'algorithme utilisé pour estimer les
paramètres de contrôle est validé sur un cas industriel d'un entrepôt gérant 12 produits.
Dans ce cas, l'algorithme donne des avantages évidents en terme de ventes, niveau de
service, coûts de commande. Les résultats dépendent de toute façon de la relation prix de
vente/demande, qui n’est pas facilement estimable, surtout avec un grand nombre de
références et/ou des activités promotionnelles.
20
Chen et Chen ([29]) considèrent une chaîne à deux étages avec trois points de stockage,
respectivement pour les matériaux bruts et les produits finis producteur, et l’entrepôt du
distributeur. L’optimisation de la fréquence de livraison est déterminée dans quatre
scénarios différents : environnement mono-produit ou multi-produits (dans ce cas la
fréquence et la quantité optimales de production sont aussi donnés), et avec ou sans
collaboration entre fournisseur et distributeur; si une collaboration existe, on minimise
les coûts totaux de la chaîne, autrement les coûts totaux pour le distributeur. Les auteurs
donnent ainsi un schéma pour déterminer les remises sur quantité de façon à rendre la
collaboration avantageuse pour les deux acteurs.
2.2.1.1.c.
Conclusion
Les modèles présentés dans cette section sont basés sur des hypothèses qui sont parfois
difficiles à vérifier dans la réalité, tels que les distributions statistiques de la demande, le
lead time négligeable (comme en [37]), l’absence de backlog, une relation linéaire entre
prix de vente et demande (qui, même si présente, est sûrement difficile à estimer pour un
grand nombre de produits), etc. De plus, il est difficile de prendre en compte les
contraintes des problèmes de réapprovisionnement, comme par exemple la contrainte de
la capacité de transport. Par contre, l’avantage de ce type de modèle est de donner une
analyse des résultats (par exemple lorsqu’on veut comparer le VMI avec des autres
pratiques) immédiate par rapport à la simulation.
Toutefois, l’impossibilité de tenir compte de nombreuses contraintes existantes dans le
contexte étudié nous empêche d’utiliser ce type de modèle pour notre recherche.
2.2.1.2.
Modèles de simulation
En ce qui concerne les modèles de simulation, nous retrouvons des travaux qui visent à
comparer le VMI avec l’approche de gestion de stock traditionnelle ou avec d’autres
types de collaboration, et des articles qui se focalisent sur l’impact de différents
paramètres sur les performances du processus VMI. Clairement, même dans la première
catégorie les chercheurs essaient de déterminer l’impact de différents facteurs :
néanmoins, dans les articles décrits dans la Section 2.2.1.1.b les chercheurs se
concentrent exclusivement sur le VMI.
21
2.2.1.2.a.
Comparaison entre VMI et autres pratiques collaboratives
Sari ([26]) évalue les performances de VMI et CPFR (« Collaborative Planning,
Forecasting and Replenishement ») dans une supply chain ayant quatre étages (avec un
seul acteur pour chaque étage) : usine de production, centre de distribution du
fournisseur, centre de distribution du distributeur, magasin. Les scénarios changent selon
quatre facteurs :
type de collaboration entre distributeur et fournisseur (supply chain traditionnelle,
avec VMI, avec CPFR)
capacité de production de l’usine (10%, 30% ou 50 % supérieure à la demande
moyenne du marché)
incertitude sur la demande finale (pas de saisonnalité, niveau moyen de
saisonnalité, haut niveau de saisonnalité)
le lead time d’approvisionnement entre chaque membre de la supply chain (1 ou 4
jours).
La politique de stock adopté dans chaque étage est de type (T,SK), avec le niveau objectif
déterminé selon des prévisions effectuées avec le décrément exponentiel. Les résultats
sont analysés avec l’ANOVA pour observer les effets des facteurs et aussi de leurs
interactions doubles : les performances observés sont les coûts de maintien du stock et de
backlog totaux sur la chaîne et le niveau de service aux consommateurs finaux (c'est-àdire avals des magasins). Les auteurs ne considèrent donc pas le coût des commande ou
du transport, et signalent eux même que la structure de coûts utilisée, tout en étant
réaliste (les coûts de maintien du stock et de backlog à l’unité sont de plus en plus
importants en partant de l’usine jusqu’au magasin), représente uniquement un cas précis.
22
Figure 8: résultats du modèle de simulation en [26]
Les résultats (Figure 8) montrent que les bénéfices du CPFR sont toujours supérieurs à
ceux du VMI, surtout en cas de haute incertitude dans la demande finale; néanmoins,
dans certains cas le gap est réduit (par exemple avec capacité de production peu
supérieure à la demande moyenne et/ou courts lead times). En considérant le coût
supérieur de mis en place d’un processus de CPFR, l’avantage par rapport au VMI peut
donc devenir négligeable.
Disney et Towill ([42]) utilisent la dynamique des systèmes pour comparer l’impact en
terme de « bullwhip effect » dans le cas où le VMI est appliqué (dans ce cas, le
distributeur donne les donnés POS1, ainsi que l'état du stock) et le cas où il ne l’est pas.
Six scénarios différents (obtenus en variant cinq paramètres déterminant la "réactivité" à
la demande du système) sont analysés, et le VMI apporte toujours une substantielle
réduction du "bullwhip effect", qui est mesuré avec différentes méthodes présentes dans
l’industrie et dans la littérature scientifique (tels que par exemple la méthode ITAE2).
En modélisant la supply chain entre un fournisseur et un client avec la dynamique des
systèmes, [53] vise à quantifier l'impact sur les quatre causes majeures du « bullwhip
effect » dans une supply chain traditionnelle et en VMI; dans le deuxième cas on peut
1
« Point Of Sale »: données relatifs aux ventes au niveau des magasins
2
« Integral of Time multiplied by Absolute Error » (Fisher, M., Hammond, J., Obermeyer, W., Raman, A.,
1997. Configuring a supply chain to reduce the cost of demand uncertainty. Production and Operations
Management 6 (3), 211–225).
23
éliminer totalement l'effet « Houlihan »1 et l'effet « Burbidge »2, et aussi l’impact des
deux autres sources de « bullwhip effect » (fluctuations des prix, lead time de livraison)
est diminué avec le VMI.
Ovallea et Marquez ([43]) proposent une modélisation de supply chain à quatre étages,
basée sur la dynamique des systèmes, dans quatre scénarios différents: supply chain non
collaborative, avec VMI (échange d’informations sur l’état et les mouvements du stock),
avec prévisions collaboratives (les acteurs de la chaîne partagent les donnés sur la
demande final et utilisent les mêmes prévisions pour effectuer les commandes) et enfin
avec CPFR (qui est vu comme l’union de VMI et prévisions collaboratives). Les
expériences montrent qu’un changement soudain de la demande final produit le
« bullwhip effect » dans la chaîne non collaborative. Les prévisions collaboratives
donnent de meilleurs résultats (au niveau de la stabilité du stock et du coût global de la
chaîne) que le VMI; en ajoutant la planification collaborative, la chaîne bénéficie d’une
visibilité complète des flux des produits, ce qui donne une meilleure gestion des stocks et
une capacité de réaction plus rapide par rapport aux besoins des clients.
2.2.1.2.b.
Impact de différents paramètres sur les performances du VMI
Angulo et Nachtmann ([39]) présentent une simulation du comportement d’une supply
chain avec quatre étages (production, centre de distribution du fournisseur, centre de
distribution du distributeur, points de vente) avec implémentation du VMI : dans ce cas,
les données des points de vente et les données sur les livraisons entre centres de
distribution des distributeurs et magasins sont partagées. Les différents scénarios
incluent :
deux types de politique de gestion de stock : (T,S) ou (r,Q) avec Q égal à la
capacité d’un camion
deux types de demande finale (processus de Poisson stationnaire ou nonstationnaire)
1
Effet dû à la tendance par les clients à commander plus que le besoin lorsque des ruptures et/ou des
pénuries se vérifient, et créant donc une distorsion dans le signale de la demande (“International supply
chain management”, Houlihan, J.B., 1987, International Journal of Physical Distribution and Materials
Management, Vol. 17 No. 2, pp. 51-66)
2
Effet dû au fait de commander par lots tout au long de la supply chain (“Period batch control (PBC) with
GT – the way forward from MRP”, Burbidge, J.L., 1991, BPCIS Annual Conference, Birmingham)
24
deux délais de retard des informations (informations instantanées ou décalés de
deux jours),
présence ou non d’une imprécision de l’information (avec une erreur uniforme
± 5% sur les ventes réelles)
Les résultats analysés avec l’ANOVA révèlent que la précision de l’information affecte
les performances (coûts logistiques et service) du VMI en cas de demande non
stationnaire et surtout pour le fournisseur, même si la collaboration reste toujours une
pratique avantageuse. Le retard de l’information (qui peut avoir lieu dans les systèmes
d’information de un ou plusieurs des sujets de la chaîne) influence sur toutes les
performances et doit être bien prise en compte par les deux parties. Le partage des
prévisions apparaît très important pour les produits dont la demande est non-stationnaire,
comme par exemple les nouveaux produits ou ceux qui sont en promotion. Il résulte que
la politique (T,S) est meilleure quant au niveau de service au client final ; par contre, la
politique (r,Q) est meilleure pour le coût global, puisqu’elle utilise totalement la capacité
de transport.
Dans le modèle présenté en [49] il y a un producteur, plusieurs entrepôts de distributeurs
qui adoptent en partie le VMI, un entrepôt géré par le producteur même qui est chargé de
servir des clients de taille inférieure (n’adoptant pas le VMI) ainsi qu’un entrepôt d’un
prestataire logistique (qui sert lui même de petits distributeurs). Trois types de scénarios
sont étudiés avec respectivement différents coefficients de variation de la demande,
différents pourcentages de participation au VMI par les grands distributeurs, et capacité
de production limitée pour le producteur. Les résultats confirment généralement que
l’application du VMI apporte des bénéfices incontestables aux niveaux des stocks; le
résultat le plus surprenant est que les niveaux des stock baissent aussi pour les
distributeurs qui n’adoptent pas le VMI (grâce à la mineure variabilité de la demande
pour le producteur induite par les clients en VMI, les stock de sécurité diminuent). La
variabilité de la demande n’a pas une grande influence sur les bénéfices, qui dérivent
surtout de la majeure fréquence de contrôle du stock, des ordres, et des livraisons.
25
2.2.1.2.c.
Conclusion
Les modèles des simulations présentent des avantages et des inconvénients bien connus
par rapport aux modèles analytiques. La simulation à événements discrets est
particulièrement adaptée à l’analyse des processus collaboratif dans la supply chain,
permettant une modélisation proche de la réalité même dans des environnements
relativement complexes (comme par exemple une supply chain à quatre étages). La
simulation basée sur la dynamique de systèmes est plutôt utilisée pour estimer la réponse
de la chaîne à des changements soudains de la demande, et son inconvénient majeure est
que cela ne permet pas de prendre en compte des caractéristique tels que le lead time ou
des politique de gestion de stock à contrôle périodique.
Nous avons aussi observé que parfois les expériences de simulation et l’analyse de
résultats ne sont pas conduits suivant des méthodes statistiques (par exemple dans [49]
les auteurs analysent un facteur à la fois), ce qui peut rendre moins « robustes » les
conclusions.
26
2.2.1.3.
Enquête/Cas d’étude
Des nombreux auteurs présentent des enquêtes et des cas d’étude sur la collaboration
dans la supply chain et sur le VMI.
Smaros ([14]) examine les pratiques collaboratives de quatre fournisseurs européens dans
le secteur de la grande consommation, avec quatre conclusions principales :
l’investissement demandé pour les technologies informatiques de collaboration
n’est pas un obstacle fondamental à la collaboration sur les prévisions;
une capacité de prévision limitée du distributeur est un obstacle important pour
les prévisions collaboratives, mais non pas pour l’échange d’information ou la
prévision collaborative pilotée par le producteur;
les besoins de collaboration et prévision des fournisseurs et distributeurs sont
différents, à cause des différents horizons de planification et niveaux
d’agrégation;
des intervalles de production longs et un manque d’intégration interne rendent
difficile pour le producteur d’utiliser efficacement les informations sur la
demande obtenues grâce à la collaboration.
[17] est focalisé sur le CPFR, avec un cas d’étude sur trois groupes industriels (de
secteurs différents) qui mettent en place des types différents de prévisions collaboratives
avec leurs partenaires commerciaux; le CPFR est jugé comme étant un processus trop
détaillé et vaste, et les auteurs concluent que la collaboration sur les prévisions peut
apporter des bénéfices importants (augmentation de réactivité, disponibilité des produits,
optimisation des coûts de stockage). Cependant, ils recommandent aux entreprises de
développer des pratiques de collaboration demandant investissements en ressources
humaines et technologiques inférieurs au CPFR, sans pour autant en indiquer une
précisément.
Une chaîne logistique de produits périssables (viande) en Angleterre est considérée par
Bailey et Francis ([22]), avec l’objectif d’observer la distorsion de la demande, même si
un échange d'informations existe déjà entre les différents interlocuteurs. Les chercheurs
affirment que l'échange d'informations même ne garantie pas une distorsion inférieure de
la demande; il est aussi nécessaire de partager les mesures de performance, ainsi que les
27
processus collaboratifs, entre les acteurs de la chaîne de façon plus intégrée, afin
d’améliorer l’efficacité de la chaîne même.
Afin d’identifier les causes et les conséquences de la carence de collaboration dans une
supply chain, Simatupang et Sridharan ([40]) présentent une revue de littérature sur
plusieurs cas d’étude : l’inertie dans le management de la chaîne est l'une des causes plus
importantes. Pour mettre en place et maintenir une supply chain collaborative il faut donc
identifier les résistances au changement et les dépasser; de plus, l'acteur
commercialement plus fort de la chaîne est celui qui peut pousser le plus au changement
et à la collaboration.
En interrogeant six managers supply chain de l’industrie électronique Kuk ([11]) vise à
déterminer les conditions de base pour une mise en place profitable du VMI : les auteurs
vérifient que les petites entreprises ont eu, contrairement à ce qu’ils attendaient, une
perception meilleure des résultats par rapport aux grandes entreprises (ceci dû peut être
au fait que les grandes ont beaucoup des données à gérer avec le VMI). Ainsi, une haute
participation des employées et l'intégration logistique favorisent le succès du VMI.
Holmström, et Tanskanen ([52]) comparent trois chaînes cas de secteurs différents avant
et après la mise en place du « Just in Time » (c'est-à-dire des livraisons très fréquentes
mais avec une commande faite par le client) et/ou du VMI. En observant l’amplification
de la demande sur la chaîne, les auteurs montrent que la visibilité du stock donné par le
VMI au fournisseur rend cette pratique plus avantageuse par rapport au JIT et à
l'approvisionnement traditionnel (en terme des stocks et réduction du "bullwhip effect");
ce résultat est encore plus fort pour les produits à basse rotation.
Pour juger la pertinence de cinq conditions considérées comme déterminantes pour
l’adoption du VMI Donga et al. ([12]) évaluent les réponses à 137 questionnaires
envoyés aux managers des équipes achats de différentes entreprises; seulement trois des
cinq conditions sont statistiquement significatives :
un niveau de compétition élevé dans le marché du producteur favorise l’adoption
du VMI
un niveau élevé d’incertitude sur les opérations (techniques : adoptions EDI,
livraisons, etc.) pour le distributeur est associé avec un bas niveau d’adoption du
VMI
28
un niveau élevé de collaboration déjà existant entre fournisseur et distributeur
favorise l’adoption du VMI
Il faut tout de même remarquer que l’efficacité statistique d’explication du modèle n’est
pas élevée (le R-square vaut 51%).
2.2.1.3.a.
Conclusion
Ces études présentent des états de l’art de l’application du VMI et d’autres pratiques
collaboratives, en soulignant qualitativement les avantages ou les conditions nécessaires
pour les mettre en place; les conclusions tirées des ces études ont l’avantage d’être
facilement compréhensibles. Toutefois, la significativité des résultats est parfois faible,
pour l’extension des cas considérés ou par rapport à la cohérence des réponses aux
questionnaires.
2.2.2.
La GMA dans la littérature scientifique
Le problème de la Gestion Mutualisée des Approvisionnements n’apparaît pas être traitée
dans la littérature scientifique, ou du moins sous ce terme là (que nous pouvons traduire
en anglais avec « Pooled VMI »). Même en interrogeant les bases de données avec
d’autres mots-clés tels que «multiple supplier VMI », « consolidation VMI », « supplier
hub », « supplier pooling », « supplier collaboration » etc., il est difficile de retrouver des
résultats pertinents et similaires au contexte que nous souhaitons analyser. Une raison
possible pour cette apparente carence de travaux est le fait que, comme mentionné
précédemment, les fournisseurs qui collaborent pour servir un client sont vus par ce
dernier comme étant une seule entité : le distributeur a donc, dans sa perspective, un
nouveau fournisseur « équivalent » qui gère toutes les références des industriels qui
collaborent entre eux. Dans cette perspective, nous pouvons donc examiner problème
comme un cas de gestion de stock multi-produits : ce problème est connu en littérature
comme « Joint Replenishement Problem - JRP » (ce problème dans le contexte du VMI a
été analysé par Chen et Chen en [29] ).
Le JRP a été étudié en littérature depuis plus de cinquante ans, vue son application en
industrie. Dans la formulation de base, il s’agit de déterminer la politique de gestion de
stock qui minimise les coûts (de commande, de possession de stock et des ruptures) pour
29
plusieurs produits; il y a un coût de setup indépendant du type de produits commandé, et
un coût de setup (généralement inférieur au premier) pour chaque type de produit
Une des premières études a été effectuée par Balintfy ([25]), qui a décrit une politique à
suivi continu de l’état du stock, où on détermine pour chaque produit un point de
recommande ou « order point » et un « point de recommande possible » ou « can-order
point ». Il y a donc une zone de réapprovisionnement (« reorder range ») entre ces deux
points, et chaque fois qu’un produit descend sous le « order point », le niveau de stock
des autres références est contrôlé et la commande est déclenchée pour toutes celles qui
sont dans la zone de réapprovisionnement. Ce type de politique est défini (S,c,s), ou S est
le vecteur de stock nominal de chaque produit, c est le vecteur des « can-order points », s
le vecteur des points de recommande. Il reste difficile de trouver une expression
analytique des coûts pour cette politique.
La même politique a été étudiée par Silver ([34]), en supposant une demande
poissonienne, et en fixant c = S − 1 e s = 0 ; dans ce cas, la politique de commande
regroupée est meilleure que celle de commande individuelle si le coût fixe ne change pas
entre les deux, ou si le coût fixe pour la commande regroupée est au dessous d’un valeur
critique si les deux sont différents.
Federgruen et al. [8] utilisent un model de décision semi-markovien pour déterminer les
paramètres de control de la politique, avec demande poissoniennes; l’approche est de
décomposer le problème original en n sous-problèmes (où n est le numéro des produits
présents), et d’utiliser ensuite cette décomposition dans un algorithme heuristique afin
déterminer (S,c,s).
Une autre politique qui prévoit le suivi continu du stock (mais qui conceptuellement plus
simple que (S,c,s)) est la politique (Q,S) : dans ce cas, chaque fois que la demande totale
depuis la dernière livraison est égale à Q, une nouvelle commande est déclenchée, afin de
ramener les stocks de tous les produits aux niveaux nominales S.
Pantumsinchai ([2]) confronte les performances des politique (S,c,s) et (Q,S) : la dernière
se comporte mieux lorsque le coût fixe de commande est haut et le coût de stock-out est
réduit; la politique (S,c,s) est meilleure seulement lorsque le coût fixe est limité.
[44] analyse la politique (Q,S) dans le cas d’une chaîne avec un fournisseur et plusieurs
distributeurs qui ont leur centres de distributions dans la même zone géographique : dans
ce contexte, une commande est déclenchée chaque fois que la somme des demandes pour
30
tous les fournisseur est égale à Q. Ils proposent aussi un modèle où le fournisseur peut
transférer les produits d’un centre de distribution à l’autre (pendent les livraisons) pour
optimiser les coûts, et trouvent une borne inférieure et supérieure au coût de cette
politique.
Atkins et Iyogun ([31]) comparent la politique (S,c,s) avec deux politiques à
recomplètement périodique nommées (R,T), où R est le niveau de stock nominale de
chaque référence; la première politique prévoit des périodes de la même longueur T, dans
la deuxième les périodes (multiples d’une période base commune) peuvent être
différentes pour chaque produits. Les deux politiques proposées sont meilleures que la
politique (S,c,s) lorsque le coût fixe augment; de plus, surtout pour la première, ces
politiques sont beaucoup moins difficiles à implémenter.
Dans leur revue des publications sur le JRP de 1989 à 2005, Khoujaa et Goyalb ([4])
affirment que la majorité des articles traitent la recherche d’une solution optimale pour ce
problème, avec différents algorithmes. Cette piste de recherche est considérée comme
étant désormais saturée, et les auteurs souhaitent une recherche plus proche des
problèmes réels de gestion de stock multi-produits; dans cette direction on voit d'ailleurs
se développer les travaux de recherche plus récents, par exemple avec l’extension du
problème de base en prenant en compte des contraintes de capacité de stockage, de
transport, de budget, etc.
Cachon [21] considère la contrainte d’effectuer des livraison que lorsqu’une quantité
minimale est nécessaire, afin de réduire l’impact du coût de transport; il propose trois
politiques :
la première est une politique du type (Q,S), où Q est égale à la capacité de
transport d’un camion (ou à un pourcentage suffisamment haute de la même);
la deuxième est une politique à recomplètement périodique, où la livraison est
effectuée à chaque période sans considérer l’optimisation transport;
la troisième politique est aussi à recomplètement périodique, mais pour effectuer
une livraison il faut avoir tous les camions utilisés pour une livraison pleine, et
avec une quantité minimale.
31
La politique (Q,S) est moins coûteuse que les politiques à recomplètement périodique.
Cependant, l’avantage est moins important lorsque le lead time est grand; de plus, étant
une politique à suivi continu, son implémentation est plus coûteuse, et peut résulter
difficile aussi parce que ça demande la disponibilité à effectuer la livraison dans un
moment quelconque, et on ne retrouve pas souvent cette condition dans les supply chain
réels.
[18] considère aussi la contrainte de transport, en proposant une politique (s,Q), où
chaque fois qu’une référence descend sous son niveau minimum s, une livraison de
quantité Q est faite : la quantité Q (équivalent à la capacité de transport d’un camion) est
allouée à chaque produit afin de minimiser le coût de rupture dans le cycle successif à la
livraison. Cette politique a des performances similaires à celles existantes en littérature
dans le cas d’une capacité de transport réduite ou très élevé, mais améliore les résultats
dans les autres cas.
Moon et Cha ([46]) introduisent un algorithme heuristique et un algorithme génétique
pour trouver l’intervalle de réapprovisionnement optimal (dans ce cas, chaque produit est
réapprovisionné avec une période multiple de la période de base) sous une contrainte de
budget; l’algorithme génétique résulte avoir des temps de résolution supérieurs, mais les
auteurs observent que ce type d’approche est plus facilement adaptable à d’autres
catégories de contraintes.
Hoque ([7]) présente un algorithme heuristique et itératif pour le JRP sous contraintes de
capacité de stockage, budget, et utilisation de la capacité de transport. Les algorithmes
existants en littérature sont démontrés être inefficaces pour ce type de problème; à
l’opposé l’algorithme proposé donne les même résultats des meilleures heuristiques en
littérature si on relâche les contraintes, ce qui en démontre l’optimalité.
[6] analyse le JRP dans le cas de demande déterministe, avec la contrainte de livrer une
quantité minimale de chaque produit dans chaque livraison; l’algorithme décrit est plus
performante de ces qui existent en littérature, et toujours meilleur de la politique de
recommande indépendante (ce qui n’est pas toujours garanti pour le JRP).
32
2.2.2.1.a.
Conclusion
En observant les travaux existants en littérature, nous avons pu noter qu’un effort a été
effectué ces dernières années dans le but de se rapprocher des problèmes et des
contraintes liés à la supply chains. Néanmoins, à notre connaissance, il n’y a pas de
recherches focalisées sur les avantages envisageables avec une mutualisation des
approvisionnements, dans le contexte d’une collaboration VMI. Nous remarquons aussi
que les articles sur la gestion de stock multi-produits ont souvent recours à des
algorithmes : pour les comparer, les chercheurs utilisent des tests numériques (même si la
« logique » des heuristique dérive de considérations analytiques), car il est difficile de
trouver des expressions analytiques pour les coûts; cette difficulté est encore majeure
lorsqu’on prend en compte les contraintes.
Pour notre recherche, il est essentiel de considérer la contrainte du transport dans
l’évaluation des performances de la GMA : pour cette raison, la simulation apparaît
comme étant une bonne méthode.
33
3.
La GPA chez Carrefour
Dans ce chapitre nous illustrerons l’état des lieux de la GPA chez Carrefour, qui est
installée depuis plusieurs années. Nous parcourrons aussi les pratiques utilisées dans le
processus, ainsi que les performances dans les années plus récentes et les perspectives
d’évolutions de ce type de collaboration. L’étude est focalisée sur quatre Businees Units
européennes (France Hypermarchés, France Supermarchés, Italie, Belgique), où
l’ensemble des fournisseurs appliquant la GPA constitue 40% du chiffre d’affaire sur les
produits de grande consommation.
3.1.
Etat des lieux
La GPA est classifiée parmi les processus collaboratifs aptes à améliorer l’efficacité de
l’approvisionnement, et demandant un niveau de collaboration développé avec le
fournisseur (Figure 9). Dans la même classification nous retrouvons la GPA mutualisée.
AVANCES
DEVELOPPES
BASIQUES
Amélioration de la
Performance
Efficacité de
l’Approvisionnement
Efficacité des
Opérations
Logistiques
Efficacité de la
Planification
Leviers
Technologiques
…
…
…
…
…
…
…
…
…
…
GPA
GPA
…
…
…
…
…
…
GPA
GPA mutualisée
mutualisée
…
…
…
…
…
…
…
…
…
…
…
…
…
…
…
…
…
…
…
…
…
…
…
…
Figure 9: cartographie des processus collaboratifs (Carrefour)
Afin de donner une vision claire du mode de fonctionnement de la GPA, en modalité
CMI (la plus présente dans le Groupe Carrefour) ou VMI, nous avons identifié les flux
d’information et les flux physiques qui rentrent dans le processus, illustrés
respectivement en Figure 10 et Figure 11. L’outil qui permet l’échange d’informations
est, comme mentionné dans l’introduction, l’EDI.
35
36
Analyste GPA
Optimisation du remplissage camion
Calcul et validation de la proposition de commande
Envoi du message EDI
Gestion commerciale
Intégration de la confirmation de commande
Préparation de la commande
Livraison et envoi du message d’avis d’expédition
Finance
Préparation de la facture
Envoi de la facture
11.
12.
13.
17.
18.
Proposition de réapprovisionnement
System d’information
Intégration du message EDI dans le système
d’information GPA
Lancement du calcul des besoins (avec intégration
des prévisions)
5.
6.
7.
4.
3.
Fournisseur
Facture
Accusé de réception
de livraison
Flux
marchandises
Avis d’expédition
Confirmation de
commande
Proposition de commande
Etat du stock
CMI
16.
14.
15.
16.
9.
10.
8.
1.
2.
Flux d’information
Flux physique
Finance
Intégration de la facture et préparation du paiement
Réception
Préparation de la réception
Contrôle à la réception
Envoi de l’accusé de réception
Approvisionnement
Comparaison de la proposition de commande de
l’industriel avec la commande calculée par le système du
distributeur
Validation de la proposition de commande
Envoi de la confirmation de commande
Centre de distribution
Consolidation des données sorties et entrées en stock
Envoi du message avec l’état du stock
Carrefour
Figure 10: flux d’information et flux physique dans une collaboration CMI
Gestion commerciale
Intégration de la confirmation de commande
Préparation de la commande
Livraison et envoi du message d’avis d’expédition
Finance
Préparation de la facture
Envoi de la facture
14.
15.
ORDERS Copie
Analyste GPA
Optimisation du remplissage camion
Calcul et validation de la proposition de commande
Envoi du message EDI
Proposition de réapprovisionnement
System d’information
Intégration du message EDI dans le système
d’information GPA
Lancement du calcul des besoins (avec intégration
des prévisions)
8.
9.
10.
5.
6.
7.
4.
3.
Fournisseur
Facture
Accusé de réception
de livraison
Flux
marchandises
Avis d’expédition
Commande
Etat du stock
VMI
16.
11.
12.
13.
1.
2.
Flux d’information
Flux physique
Finance
Intégration de la facture et préparation du paiement
Réception
Préparation de la réception
Contrôle à la réception
Envoi de l’accusé de réception
Centre de distribution
Consolidation des données sorties et entrées en stock
Envoi du message avec l’état du stock
Carrefour
Figure 11: flux d’information et flux physique dans une collaboration VMI
37
En ce qui concerne le temps de déroulement du processus, toute la première partie de
l’échange d’information jusqu’à la commande ferme (étapes 1-10 pour le CMI et 1-7
pour le VMI) a lieu dans la matinée de chaque journée. Le lead time pour la livraison
dépend clairement de la structure du réseau logistique du fournisseur et des contrats
existants, et est en général compris entre un et trois jours. De la même façon la fréquence
de livraison (et par conséquence celle de révision du stock) vers chaque centre de
distribution Carrefour dépend évidemment du taux de rotation des produits (un centre de
distribution servant des hypermarchés a d’habitude des taux de rotation plus forts que
pour les supermarchés) ainsi que du nombre de références (et leurs ventes) de
l’industriel.
3.1.1.
Pratiques de suivi du processus
Afin de vérifier les performances du processus, les systèmes d’information présents
permettent l’extraction des données sur le stock en entrepôt, le niveau de service, le stock
en magasin et la disponibilité en linéaire: ces données sont synthétisés dans une
scorecard (sous forme de ficher Excel) qui est mise à jour chaque mois au niveau du
Groupe. Bien que la scorecard soit rédigée et partagée avec tous les fournisseurs (surtout
pour le niveau de service), dans le cas de d’une collaboration GPA existante elle est
encore plus importante puisqu’il existe des objectifs concordés (en terme de stock en
entrepôt et niveau de service) entre Carrefour et l’industriel. De plus, le niveau de service
indiqué est le « niveau de service aval », c'est-à-dire le ratio entre le nombre de colis
livrés aux magasins depuis les centres de distribution Carrefour et le nombre de colis
commandés par le centre même; nous utilisons cet indicateur étant donné que le « niveau
de service amont1 » est, dans le cas d’une collaboration GPA, égal à 100% (car c’est le
fournisseur même qui propose les produits et les quantités à livrer). La scorecard permet
donc d’identifier les dérives éventuelles du processus et de collaborer à l’identification
des causes.
1
Ratio entre le nombre de colis livrés aux centres de distribution Carrefour et le nombre de colis attendus
suite à la validation de la proposition de commande.
38
Au niveau de chaque pays, nous avons pu remarquer des éléments communs et des
différences dans le suivi journalier :
L’élément commun plus évident est que, même si il s’agit dans la plupart des cas
de CMI, la validation des propositions de commande ne comporte pas des
modifications sur les quantités proposées (les commandes sont modifiées
seulement suite à des erreurs relatives au système d’information), même si les
outils ERP de Carrefour permettraient d’évaluer la qualité de la commande. Il n’y
a donc pas un véritable échange journalier entre Carrefour et le fournisseur, et ce
dernier est tout de même obligé d’attendre la validation de la commande (qui est
automatique et presque instantanée dans le cas de VMI), ce qui comporte à la fois
un lead time de réapprovisionnement supérieur.
En Italie et en Belgique, dans le cas de niveau de service inférieur à 98.5%, les
produits non livrés sont détaillés et les causes de non livraison sont affectées à
Carrefour ou au fournisseur et partagées avec ce dernier, afin d’identifier
rapidement les problèmes existants. Cette pratique n’est pas utilisée en France à
cause d’un manque de ressources.
Nous remarquons aussi qu’il n’y a pas d’indicateur sur le pourcentage de propositions de
commande modifiées, ce qui pourrait indiquer la présence de problèmes dans les
propositions d’un fournisseur, ou au contraire la qualité de ses propositions : nous
pourrions donc avoir une indication importante sur les fournisseurs qui seraient éligibles
de passer au VMI.
3.1.2.
Les pratiques chez les fournisseurs
Dans le but d’avoir une vision la plus complète possible de la GPA, onze parmi les vingt
fournisseurs les plus importants (en terme de chiffre d’affaire dans les pays analysés) ont
été interrogés à travers un questionnaire; pour deux parmi ces fournisseurs (Procter &
Gamble en France, Reckitt Benckiser en Italie) il a été possible de visiter le siège et
d’échanger directement sur les aspects du processus collaboratif et ses améliorations
possibles, ainsi que d’en observer le déroulement opérationnel.
Les opérations des analystes GPA chez un fournisseur sont tout à fait similaires à celles
d’un approvisionneur chez Carrefour : il s’agit dans les deux cas de décider (à l’aide d’un
outil ERP) des quantités à réapprovisionner sur des entrepôts, afin de garantir le
39
meilleure équilibre entre quantité à stock et niveau de service, et sous différents
contraintes. La différence plus évidente est que le nombre de références à gérer par un
producteur est réduit par rapport au total chez le distributeur : cette simple observation
constitue, comme nous avons expliqué précédemment, l’un des avantages de la GPA.
Les livraisons dans chaque centre de distribution Carrefour sont exécutées selon une
fréquence convenue, qui peut éventuellement varier d’une saison à l’autre pour les
produits à très haute saisonnalité, mais reste fixe pendent une saison : cette condition
répond au besoin d’uniformiser la charge de travail dans les entrepôts pendent les jours
de la semaine. Le niveau de stock dans chaque entrepôt est donc analysé par le
fournisseur avec une cadence fixe, L jours avant la livraison prévue, L étant le lead time
de réapprovisionnement (fixé de la même façon et non variable en général). L’outil ERP
fourni les niveaux des stocks de chaque référence, classées par niveau de couverture
croissant :
ensuite,
il
fait
automatiquement
une
premier
proposition
de
réapprovisionnement pour reporter le produits qui risquent une rupture aux niveaux
nominaux (qui varient de semaine en semaine, selon les prévisions à court terme). Il
s’agit donc à la base d’un system de gestion périodique (T,Sk) multi-produits, dans lequel
les références à réapprovisionner à chaque révision peuvent être différents (c'est-à-dire,
on a d’habitude une partie des références qui ont un stock nécessaire à couvrir la
demande prévue jusqu’à la prochaine révision). Un exemple du fonctionnement de cette
politique est donné en Figure 12.
90
80
70
Stock
60
50
40
30
20
10
0
0
5
10
15
20
25
30
35
40
45
Jours
Ref. A
Ref. B
Ref. C
Ref. D
Ref. E
Figure 12: exemple de fonctionnement de politique (T, Sk) multi-produits
40
Les prévisions à très court terme sont faites avec des techniques plutôt simples (souvent
une moyenne des sorties des entrepôts dans les derniers n semaines, avec n variables
entre trois et six, ou bien avec lissage exponentiel), en dépurant l’historique des données
du aux promotions, et dans quelque cas seulement on a l’utilisation de coefficients de
saisonnalité. Le stock de sécurité est calculé en multipliant un facteur k pour la prévision
de la semaine à venir (la valeur de k dépende de l’intervalle entre deux livraisons, ainsi
que des autres facteurs qui impactent la variabilité de la demande).
Apres la première proposition de réapprovisionnement (exprimée en colis), l’outil ERP
arrondi selon les quantités minimales établies pour chaque référence (à la palette, à la
couche ou multiples de ces quantités); ensuite, l’analyste GPA intervient pour modifier la
proposition pour changer les quantités s’il a, par exemple, des informations que l’outil ne
peut pas prendre en compte, et qui modifient les prévisions des vente (et conséquemment
des sorties entrepôt). Enfin, l’outil et/ou l’analyste modifient encore une fois la
proposition afin d‘obtenir un remplissage du camion satisfaisant ; cette pratique de
« optimisation » du remplissage camion (due à différentes raisons, voir Section 3.1.4) est
mise en place par la quasi-totalité des fournisseurs ; les stratégies pour « compléter » le
camion sont différentes de fournisseur à fournisseur, et prévoient par exemple :
•
le lissage du stock (quelques soit le type d’articles à livrer, on met n jours en plus
de couverture uniformément, jusqu’au remplissage);
•
priorité aux fortes rotations sur les faibles rotations ;
•
d’abord les articles en promotions (les quantités liées aux promotions et la période
de possible livraison sont concordées à l’avance) et les nouveaux produits ;
Même si la stratégie du remplissage camion n’est pas démontrée comme étant
« optimisante » pour les stocks ni pour l’ensemble de la chaîne, la majorité des
fournisseurs la pratiquent, et pourtant il n’existe pas des règles concordées dans le cadre
de la convention GPA de Carrefour sur le sujet, ni une suivi de son impact sur la qualité
du stock. Si la pénalisation est probablement peu importante pour tous les cas de
livraison très fréquente (les grands producteurs, les grands centres de distributions, les
fortes rotations), elle est sûrement plus élevée dans le cas contraire. Cette contrainte
semble difficilement évitable, car le fournisseur est poussé à sa fois par la politique
tarifaire du prestataire logistique (qui pénalise le camion non saturé), et qui la considère
comme l’un des avantages de la GPA; de plus, elle a constitué une des raisons principales
41
pour l’exclusion de la GPA des fournisseurs qui n’ont pas des volumes suffisants : ce
thème est développé dans la Section 3.1.4.
3.1.3.
Données quantitatives
Les évaluation qui suivent sont basée sur deux parmi les performances plus importante
pour la gestion de stock : quantité à stock et niveau de service. Il faut préciser que chez
Carrefour la quantité en stock est exprimée en jours de couverture, c'est-à-dire, comme
ratio entre quantité en stock dans une période et quantité sortie en moyenne chaque jour
(s’il s’agit d’un entrepôt, ou vendue s’il s’agit d’un magasin) dans la même période. Le
niveau de service est calculé « aval » (voir la Section 3.1.1).
Nous avons évalué 22 fournisseurs (sur les 31 en GPA dans tous le pays analysés, soit
France, Italie et Belgique), pour lesquels il existe suffisamment de données sur le stock
logistique et le niveau de service; la moyenne des données a été pondérée sur le chiffre
d’affaire de chaque producteur dans chaque pays, pour prendre en compte les différences
existantes.
Stock vs Service Level 2004-2007
-0,03
Service level Increase [%]
-0,02
Worst
-0,01
-0,25
-0,15
-0,05
0,05
0,15
0,25
Stable
0
Best
0,01
0,02
0,03
Stock Increase [%]
Figure 13: évolution de stock et niveau de service pour trois groupes de fournisseurs en GPA
Les résultats d’évolution du stock en entrepôt permettent d’ordonner les fournisseurs
dans trois groupes : les meilleurs fournisseurs ont eu une évolution assez satisfaisante et
constante, par rapport aux objectifs stratégiques de la supply chain du groupe Carrefour
42
(qui mirent à diminuer le stock de 8 jours en 4 ans); par contre, il y a des fournisseurs
pour lesquels la GPA n’as apporté aucun avantage en terme de stock. De plus, le niveau
de service n’a pas progressé sur les dernières années, ce qui est contraire aux attentes du
processus collaboratif.
Evolution du taux de
service
Evolution du stock
N iveau de service
98,5%
18
17,5
17
98,0%
16,5
97,5%
16
97,0%
15,5
96,5%
Stock (# jours de couverture)
99,0%
15
2004
2005
2006
2007
mai-08
Figure 14: évolution de stock et niveau de service en moyenne pour 22 fournisseurs en GPA
La Figure 14 montre que globalement il y a une baisse de 1,6 jours de stock et 1,5 points
de niveau de service. Malgré le fait que ces résultats ne soient pas corrélés à la GPA pour
tous les fournisseurs, on ne peut pas dire que la GPA est toujours capable de donner les
améliorations qu’on envisage.
Nous aurions souhaité avoir la possibilité de comparer deux ou plusieurs fournisseurs
pratiquant ou pas la GPA, pour apprécier la différence par rapport l’approvisionnement
«classique » : cela n’as pas été possible, car la majorité des fournisseurs internationaux
est en GPA, et il est très difficile de comparer les performances de différents fournisseurs
(la seule différence des ventes change les rotations et rende une évaluation objective non
praticable).
On voit donc que, avec les pratiques et les contraintes existantes, la GPA n’est pas en
mesure de donner de la marge de progression sur une politique de stock dans le pays
« matures » et avec les flux à gros volumes; en effet, dans ces cas la stratégie va vers des
solutions différents, tels que le cross-docking. Malgré cela, la GPA conserve un intérêt
important dans le cas des flux à faible volume, comme nous montrons montre dans la
prochaine section.
43
3.1.4.
Les perspectives : la GMA
La contrainte d’avoir une haute utilisation du camion est commune à tous les
fournisseurs, comme reporté par ECR France ([35]), pour plusieurs raisons :
le problème du développement durable
la disponibilité limité de capacité de transport, accentue par le déséquilibre de
croissance entre transport routier (en croissance) et modes différentes (transport
ferroviaire et fluvial)
l’augment du coût du gazole et en générale de l’énergie
Dans ce cadre, l’intérêt de la GPA appliqué aux flux à faible volume a été montré par
l’ECR : les enjeux économiques sont de l’ordre de 1,2% du chiffre d’affaires des
industriels concernés ([27]). La collaboration entre fournisseurs dans le cadre de la GPA
peut apporter donc des avantages substantiels; la nécessité d’incrémenter ce type de
mutualisation est aussi décrite dans la vision de la supply chain présentée par [1].
Clairement, ces collaborations concernent à chaque fois un seul centre de distribution
Carrefour, et la possibilité d’étendre ces collaborations est strictement liée à la structure
géographique des réseaux logistiques; pour facilité la mutualisation, l’ECR France a
aussi mis en place une cartographie du transport1 des tous les entreprises partenaires.
Aujourd’hui, Carrefour a mise en place la GMA avec plusieurs fournisseurs en France
(quatre couples et quatre groupes de trois fournisseurs chacun) : les avantages du
processus sont évidentes ([28]), même s’il est difficile de prévoir à l’avance l’importance
du gain. D’ici le besoin de modéliser ce type de collaboration et d’identifier les facteurs
susceptibles de donner un avantage.
1
http://www.ecr-france.org/web/ecr_otdd.asp
44
4.
Le modèle de simulation
4.1.
Introduction
La simulation est, comme l’on peut voir dans la Section 2.2.1.2, l’une des techniques
utilisées pour estimer les avantages d’une collaboration entre les acteurs de la chaîne
logistique; ceci est dû au fait que ça se prête bien à comparer de changement de type
« what-if », comme dans le cas en analyse. Parmi les avantages, le principal est la
possibilité de prendre en compte des hypothèses beaucoup plus proches à la réalité (par
rapport aux modèles analytiques); par contre, les résultats sont valables que dans les
scénarios étudiés, et donc pas généralisables.
Vu la nécessité d’étudier un environnement avec des contraintes complexes à modéliser
analytiquement (tels que la contrainte de transport, voir Section 2.2.2), et l’objectif
d’examiner les bénéfices de la GPA avec mutualisation, la simulation apparaît être un
outil approprié pour cette recherche. L’objectif est en effet similaire à ce de [26]: on veut
dans ce cas comparer les performances d’une supply chain traditionnelle (d’ici en avant
nous utilisons l’abréviation « SCT »), avec GPA, et avec GMA.
La simulation à événements discrets permet de modéliser une supply chain avec
collaboration GPA de façon assez intuitive, une fois les flux physiques et les flux
d’informations identifiés. Le logiciel utilisé est Arena Simulation, un outil structuré pour
la simulation des flux.
4.2.
Le modèle
Le modèle a été construit par étapes successives, comme expliqué dans la Section
4.2.2.1. Nous présenterons ici les versions finales du modèle (on a trois modèles de base
pour les trois configurations de supply chain); les hypothèses sont décrites dans la
Section 4.3.La supply chain traditionnelle
Le modèle de SCT est composé par un fournisseur et un distributeur, chacun avec son
centre de distribution, avec un seul produit.
45
En Arena, le modèle est formé par quatre flux principaux (Figure 16) qui modélisent :
le flux de produits, de l’usine du fournisseur jusqu’au entre de distribution du
distributeur
le processus de réapprovisionnement du fournisseur (à partir de son usine)
le processus de commande du distributeur vers le fournisseur
le processus d’arrivée de la demande vers le centre de distribution du distributeur
Demande
Commande
Usine
Fournisseur
Commande
Entrepôt
Fournisseur
Entrepôt
Distributeur
Magasins
Flux physique
Flux d’informations
Figure 15 : modèle de supply chain traditionnelle
Figure 16: le modèle Arena de la supply chain traditionnelle
La demande arrive avec cadence quotidienne depuis tous les magasins rattachés à
l’entrepôt du distributeur (et en représente la demande cumulée, exprimée par multiple de
la quantité base de livraison) : elle est définie comme un variable, et peut être donc issue
46
d’une distribution stochastique dans le module « expression » de Arena. Nous n’avons
pas eu la possibilité d’utiliser les données sur la demande qui existent chez Carrefour,
pour la difficulté d’accès à l’historique d’une référence spécifique, la longueur limitée de
ce dernier (trois semaines) et surtout le fait que la demande liée aux promotions n’est pas
signalée : ceci peut ramener à de fausses conclusions sur la distribution de la demande.
Chez le distributeur et aussi chez le fournisseur, les prévisions sont faites avec le modèle
du lissage exponentiel, pour lequel vaut l’équation suivante :
Prévisions t = α ⋅ (Sorties t −1 + Backlog t −1 ) + β ⋅ Prévisions
t −1
où t est la période successive à la livraison, Sorties est la somme des sorties de l’entrepôt
distributeur dans la période précédente, et Backlog et la quantité de demande non
satisfaite dans la dernière période (le modèle prend donc en compte le backlog). Ce
modèle de prévision est en effet utilisés chez certains fournisseurs majeurs pour le
prévisions à court terme, et présent l’avantage de n’avoir pas besoin de garder un
historique (ce qui n’est pas négligeable lorsqu’on gère un grand nombre de références);
nous avons fixé les valeurs de α = 0.3 et β = 0.7 , et nous ne changerons pas ces valeurs
dans les expériences de simulation, car la technique de prévision n’est pas le centre de
cette étude.
La dynamique du modèle est la suivante : la demande, à travers un signal, fait diminuer
le stock chez le distributeur et, s’il n’y a plus de produits, augmente le backlog.
L’information sur l’état du stock, comprenant le backlog et les livraisons en cours, est
passé au distributeur chaque T jours (T étant l’intervalle de révision), qui décide de la
quantité éventuelle à livrer, le niveau objectif Sk est défini selon les prévisions : nous
utilisons donc un modèle (T,Sk), que nous avons retrouvé dans la réalité ainsi que dans la
littérature scientifique, par exemple en [26]. Après le lead time de livraison, la quantité
de demande en backlog dans le cycle précèdent est supposée être satisfaite le premier
jour du nouveau cycle. Nous supposons que la demande est exprimée dans la quantité
base de livraison (colis, couche, ou palette).
Le stock de sécurité est défini comme un pourcentage de la prévision pour la période
suivante (ce genre de pratique est très utilisé dans le secteur de la distribution). De plus,
l’intervalle de réapprovisionnement et le lead time de l’usine au centre de distribution du
fournisseur sont égaux à trois fois ceux vers le distributeur : même dans ce cas, on fixe
ces valeurs car ils ne constituent pas le point centrale de notre analyse.
47
Les stocks des produits sont modélisés comme files d’attente. Nous considérons que
l’usine est capable de satisfaire toujours le besoin de l’entrepôt du fournisseur; ce dernier
nous sert à estimer l’une des performances de la supply chain traditionnelle, c'est-à-dire
le niveau de service vers l’entrepôt du distributeur. Le stock chez le fournisseur ne sera
pas analysé dans son détail, à cause des hypothèses présentes dans le modèle avec GPA
et GMA.
Les indicateurs graphiques présents dans le modèle (Figure 17) permettent d’examiner
l’évolution des stocks dans les entrepôts, ainsi que des niveaux de service (définis
comme « fill rate », c'est-à-dire ratio entre demande satisfaite et demande totale) amont et
aval par rapport à l’entrepôt du distributeur, et de l’utilisation des camions (entre
fournisseur et distributeur): la capacité du camion a été définie aussi comme variable, et
exprimée par multiple de la quantité base de livraison.
Figure 17: les indicateurs de performance
48
4.2.1.
La supply chain avec GPA
Dans cette configuration on a trois sous-modèles (Figure 19), un par fournisseur, pour
lesquels la logique de fonctionnement est la même. Le fait d’avoir trois fournisseurs rend
possible la comparaison avec la GMA et n’influence pas négativement celle avec la SCT
(lorsque les fournisseurs ont exactement les même paramètres de fonctionnement on
obtiendra l’équivalent de trois réplications indépendantes).
Entrepôt
Fournisseur 1
Demande
Etat du
stock
Entrepôt
Fournisseur 2
Entrepôt
Distributeur
Magasins
Entrepôt
Fournisseur 3
Flux physique
Figure 18 : modèle de supply chain avec GPA
Figure 19: le modèle Arena de la GPA
49
Pour chaque fournisseur les modifications par rapport à la chaîne traditionnelle
concernent le flux de produit et l’élaboration des prévisions et des décisions de livraison
(Figure 20).
Figure 20 : modélisation des flux physiques et d’information en GPA
Dans ce modèle il n’y plus l’usine du fournisseur, car ici nous considérons le niveau de
service entre fournisseur et distributeur égal à 100% (le stock chez le fournisseur est
toujours suffisant à couvrir la demande) : ceci se vérifie dans la réalité, et est dû au fait
que le fournisseur décide lui même des quantités à livrer selon ses disponibilités. Le
stock chez le fournisseur est donc toujours suffisant pour couvrir la demande.
Ainsi, le fournisseur a les informations sur l’état du stock dans l’entrepôt du distributeur
et décide les quantités à réapprovisionner (les commandes ne sont pas modifiables par le
distributeur, la collaboration est donc de type VMI).
4.2.2.
La supply chain avec GMA
Dans ce scénario, les trois fournisseurs partagent leur centre de distribution, qui substitue
le trois centres présents dans la GMA. La logique de gestion de stock reste la même que
modèle GPA, mais la capacité de transport est partagée entre les trois fournisseurs, ce qui
amène à une fréquence de livraison plus importante (pour plus de détails voir la Section
4.3).
50
Etat du
stock
Entrepôt
Fournisseur
1+2+3
Demande
Entrepôt
Distributeur
Magasins
Flux physique
Figure 21 : modèle de supply chain avec GMA
4.2.2.1.
Vérification
La vérification d’un modèle de simulation consiste à s’assurer que le modèle fonctionne
correctement du point de vue formel, c'est-à-dire que le model logique et son
implémentation sur le logiciel correspondent. Cette étape est particulièrement importante
lorsqu’on utilise un logiciel qui n’est pas conçu spécifiquement pour la simulation (tels
que C, C++, Pascal, etc.) : Arena fournit en effet des alertes pour nombreux type
d’erreurs formels.
Toutefois, il est nécessaire de vérifier certains aspects; dans le cas du modèle utilisé, nous
avons par exemple identifié le problème dû à l’expression de la demande : si nous
l’exprimons comme variable dérivés d’une distribution stochastique, des valeurs négatifs
sont possibles, et dans ce cas le logiciel ne donne pas d’alertes; néanmoins, une demande
négative influence clairement l’évolution du stock et rend les résultats faux. Le problème
est facilement résoluble avec une condition sur la demande, qui la égalise à zéro dans le
cas où ça soit négative; nous rappelons qu’il est pourtant nécessaire de s’assurer que la
distribution de la demande ne contient pas de valeurs négatives, si on veut vérifier que le
modèle donne de résultats égaux à ceux qu’on connaît de la théorie de la gestion de
stock : le fait d’éliminer les valeurs inférieurs à zéro peut en effet « changer » la
distribution.
L’identification de ce problème à été possible grâce à la construction par étapes : en
partant d’un model simple, nous pouvons reconnaître plus facilement les anomalies dans
51
les résultats (par exemple en observant les évolutions après chaque événement) et en
rechercher les causes. L’anomalie sur la demande a été claire de que nous avons introduit
une expression stochastique de la même; par contre, dans le modèle final il aurait été plus
difficile d’observer l’anomalie des résultats et encore plus d’en détecter la cause.
4.2.2.2.
Validation
Une fois la correction formelle du modèle vérifiée, il est nécessaire à contrôler que le
modèle est bien construit, c'est-à-dire que la modélisation représente le système réel.
L’animation des entités qui représentent le processus de commande et le flux physique
des produits a été utilisée pour vérifier la cohérence (au niveau de la succession
temporelle et au niveau mathématique) des événements; les graphiques des niveaux de
stock et de la demande ont été comparés entre eux avec le même objectif.
Nous avons aussi vérifié que dans des situations simplifiées le modèle suit les résultats
attendus : avec demande constante et lead time nul le niveau de service est égal à 100%.
En autre, en fixant la demande de chaque jour comme issue d’une variable avec
distribution uniforme entre 1 et 3, avec 2 jours d’intervalle de livraison et lead time nul,
et la prévision égale à 2 unités par jour, le fill rate est égal à 8 , ce qui coïncide avec les
9
résultats théoriques.
De plus, nous avons contrôlé que la variabilité des statistiques est constante et distribué
normalement pour les réplications d’un même scénario, ce qui est confirmé par les
graphes en Figure 22 et Figure 23 et les valeurs du test de Anderson-Darling obtenus.
52
Probability Plot of Fill rate
Normal - 95% CI
99
Mean
StDev
N
AD
P-Value
95
90
0,9244
0,001356
15
0,383
0,351
Percent
80
70
60
50
40
30
20
10
5
1
0,920 0,921 0,922 0,923 0,924 0,925 0,926 0,927 0,928 0,929
Fill rate
Figure 22: distribution des valeurs de fill rate
Probability Plot of Stock coverage
Normal - 95% CI
99
Mean
StDev
N
AD
P-Value
95
90
8,127
0,09317
15
0,284
0,581
Percent
80
70
60
50
40
30
20
10
5
1
7,8
7,9
8,0
8,1
8,2
Stock coverage
8,3
8,4
8,5
Figure 23: distribution des valeurs de couverture de stock
53
4.3.
Les scénarios
Pour identifier les avantages de la collaboration entre les fournisseurs, nous avons crée
différents scénarios (à partir des trois principaux constitués par les niveaux de
collaboration dans la supply chain), afin d’évaluer l’impact des facteurs plus importants
dans le contexte.
L’utilisation de la capacité de transport entre les centres de distribution de fournisseur et
distributeur peut être une contrainte forte (dans le cas, assez fréquente dans la réalité, où
le fournisseur livre seulement avec des camions complets) ou pas. Pour les deux cas,
nous introduisons un seuil d’utilisation minimale, exprimée comme rapport entre la
prévision du besoin et la capacité du camion, au dessous de laquelle la livraison n’a pas
lieu (entraînant clairement un risque de rupture). Pour les scénarios avec GMA, la
logique est la même (on somme simplement la prévision de demande pour les trois
fournisseurs) et s’il existe la contrainte de camion complet, la capacité excèdent est
repartie de façon proportionnelle aux besoins des trois producteurs. Le modèle intègre
donc en même temps une politique de type (T,Sk) et une contrainte de transport
(différemment de [39] dont le modèle est décrit en Section 2.2.1.2.b).
Les contraintes sur la capacité de transport n’ont pas étés introduites entre usine et
entrepôts du fournisseur.
La demande vers l’entrepôt du distributeur suit une loi normale de moyenne égale à 15
dans la comparaison entre SCT et GPA; dans la comparaison entre GPA et GMA nous
introduisons une variabilité entre les demandes des trois fournisseurs, en gardant le
totale, selon les valeurs indiques en Tableau 2; ceci permettra d’évaluer l’éventuel impact
de la différence entre les producteurs.
Demande
fournisseur 1
Demande
fournisseur 2
Demande
fournisseur 3
None
15
15
15
Mean
15
12,5
17,5
High
15
10
20
Tableau 2: niveaux de demande moyenne pour les fournisseurs
54
La variance de la demande peut assumer des valeurs sur trois niveaux, calculées en
pourcentage sur la moyenne.
La capacité du camion utilisée entre les entrepôts du distributeur et du fournisseur est
variable entre 50, 100 et 150 unités; la prise en compte de la capacité comme variable
permet au fait de considérer un degré de liberté important du problème, qui est le ratio
entre la capacité de transport et la demande moyenne : par exemple, un scénario avec
demande moyenne 10 et capacité de transport 150 représente la situation d’un produit à
très faible rotation.
Le lead time de livraison au distributeur est variable entre 1, 2 et 3 jours. L’intervalle de
réapprovisionnement a été fixé en arrondissant le ratio
Intervalle de réapprovisionnement =
capacité de transport
demande moyenne + 0,3 ⋅ variance
à l’entier inférieur (ou à 1 si l’entier inférieur est 0) : cette valeur n’est clairement pas
issue d’une optimisation (d’ailleurs nous ne considérons pas directement les coûts dans le
modèle de simulation) mais permet d’avoir un bon équilibre entre l’utilisation de la
capacité de transport et le risque de rupture. Par ailleurs, l’intervalle de
réapprovisionnement n’est pas optimum dans les cas réels, du fait de l’environnement
multi-produits et aux autres contraintes, et ne constitue pas l’objet de cette étude. Pour les
mêmes raisons, le stock de sécurité a été fixé à 20% de la prévision pour la période à
venir dans les cas GPA-GMA et 40% dans le cas de supply chain traditionnelle. Nous
avons fixé des valeurs différentes car cela permet de faire varier le niveau de service de
façon significative dans les différents scénarios.
Le lead time et l’intervalle de réapprovisionnement par l’usine (dans le cas de SCT) sont,
comme mentionné précédemment, le triple de ceux pour le distributeur.
Les facteurs utilisés pour les expériences de simulation sont résumés en Tableau 3.
Comme dit précédemment, dans la SCT la différence entre les demandes moyennes
n’existe pas (puisqu’il y a un seul fournisseur) : cette différence nous a amené à effectuer
dans un premier temps deux analyses séparées pour la comparaison entre SCT et GPA et
entre GPA et GMA.
55
Facteur
Niveaux
Demand difference*
None
Mean
High
Demande variance
10%
20%
30%
Lead Time
1
2
3
Minimum truck utilization
0,25
0,5
0,75
Truck capacity
50
100
150
Full truck constraint
No
Yes
Collaboration
No
Yes
Tableau 3: facteurs et niveaux utilisées pour les scénarios
4.4.
Les résultats
4.4.1.1.
Analyse préliminaire
Afin d’analyser correctement les résultats, la période transitoire (warm up) doit être
éliminée des statistiques, l’objectif de l’analyse étant l’état stationnaire du système.
Nous définissons X1, X2, …, Xm les différentes observations en output du système (par
exemple les valeurs de fill rate); en faisant l’hypothèse que
lim E ( X (i )) = µ
i →∞
le nombre étant d’observations limitée à m nous obtenons
E ( X (m)) ≈ µ
Si nous ne considérons pas les observations dans la période transitoire, nous avons
E ( X (m − d )) =
1
m−d
m
∑X
i = d +1
i
L’égalité ci-dessus est un estimateur non biaisé de µ. Il est maintenant nécessaire
d’établir les valeurs appropriées de d et m pour avoir des résultats fiables : la méthode de
Welch nous permet de faire ce choix.
56
En supposant d’avoir un nombre de réplications n≥5, et étant Xij la jéme observation de la
iéme réplication, la moyenne des n réplications de chaque observation j est
Xj =
1 n
∑ X ij
n i =1
Nous pouvons donc tracer sur un graphe la moyenne mobile avec une fenêtre de
dimension w (avec w ≤
m
) selon les égalités suivantes :
4
X j ( w) =
w
1
∑X
2w + 1 m = − w
X j ( w) =
j+m
j −1
1
∑X
2 j − 1 m =− j −1
avec w+1 ≤ j ≤ n-m
j −m
avec 1 ≤ j ≤ w
d (le temps de warm up) est donc le point au delà duquel la moyenne mobile converge.
Si la convergence n’est pas obtenue pour la valeur fixée w, une valeur plus grande est à
sélectionner et la procédure à réitérer.
En Figure 24 un exemple de moyenne mobile est montré : dans ce cas, avec une
moyenne mobile de 100 jours sur 15 réplications, la valeurs du fill rate est stable après
environ 120 jours.
Fill rate
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0
50
100
150
200
250
Day
300
350
400
450
500
Figure 24: moyenne mobile des valeurs de fill rate
57
Apres avoir fixé le temps de warm up, il est nécessaire de s’assurer que le nombre de
réplications n0 établi initialement soit suffisant pour obtenir une bonne précision sur les
performances mesurées. La moyenne pour chaque réplication est X i =
moyenne globale est X =
1 m
∑ X i , j , et la
m j =1
1 n
∑ X i . Il faut vérifier que les X i sont distribués selon une
n j −1
normale (avec le logiciel Minitab, on peut utiliser un graphe du même type que celui en
Figure 22, qui report aussi le valeur du test de Anderson-Darling). Une fois la normalité
des résultats vérifiée, on fixe l’ampleur c de l’intervalle de confiance sur la performance
mesurée (généralement exprimé en pourcentage sur la moyenne) et le niveau de
confiance α , en prennent en compte le nombre de performances mesurées en même
temps et donc l’inégalité de Bonferroni ([10]).
s étant la déviation standard des valeurs obtenues dans les réplications, le nombre
minimum de réplications nécessaires à obtenir la précision souhaitée est
2
nmin
 t1−α / 2,( n −1)  2
 ⋅s
= 
c * 

Si n min > n0 , on fait encore n min − n0 réplications et la procédure est réitérée jusqu’à
satisfaire la condition nmin ≤ n0
Cette analyse a été conduite sur 16 scénarios pour la comparaison SCT/GPA et 32
scénarios pour la comparaison GPA/GMA, générés respectivement avec un plan factoriel
fractionné 26 − 2 et 2 7 − 2 en considérant les valeurs extrêmes (le plus bas et le plus haute)
pour les facteurs en Tableau 3. En effet, même si une partie de la procédure peut être
automatisée, par exemple avec Matlab, les valeurs de w et d restent à évaluer
« manuellement », ce qui rend impossible d’analyser la totalité des scénarios.
58
Nous avons choisi comme performance le fill rate et nous avons fixée les valeurs
suivantes :
temps de simulation : 2000 jours
nombre de réplications : 15
ampleur de l’intervalle de confiance : 5% de la moyenne
le niveau de confiance α = 0,01% (dû au fait que nous mesurons en même
temps plusieurs performances)
Dans les cas les moins favorables, nous avons un temps de warm up de 120 jours et un
nombre de simulations égal à 11.
Nous fixons donc le nombre de réplications à 15 pour tous les scénarios, et le temps de
warm up à 150 jours, afin de rester en sécurité par rapport aux scénarios non analysés
dans cette phase.
4.4.2.
Analyse avec la méthode ANOVA
Ayant un temps de simulation de chaque scénario relativement réduit (environ 15
seconds dans le module « Process Analyser » du logiciel Arena), nous avons eu la
possibilité d’effectuer des expériences sur l’ensemble des combinaisons obtenues avec
les niveaux des facteurs en Tableau 3, c'est-à-dire un plan factoriel complet (avec en total
1296 pour les deux comparaisons).
Ceci nous permet d’obtenir, un utilisant la méthode de l’ « ANOVA » (« ANalysis Of
Variance », [10]), comme fait par [26] et [39], la significativité et l’influence de
l’ensemble des facteurs et de leurs interactions sur les performances suivantes :
•
niveau de stock dans le centre de distribution du distributeur (moyenne des
niveaux des trois fournisseurs), exprimée en jours de couverture
•
fill rate de l’entrepôt du fournisseur à l’entrepôt du distributeur (moyenne des fill
rate des trois fournisseurs) d’ici en avant défini comme « vendor to retailer »
•
fill rate aval de l’entrepôt du distributeur (moyenne des fill rate des trois
fournisseurs) d’ici en avant défini comme « retailer to store »
•
taux de remplissage moyen du camion (la moyenne des taux de chaque
producteur dans le cas de non collaboration)
59
Nous n’analysons pas directement les coûts globaux sur la chaîne : même si ce type
d’analyse aurait permis d’exprimer de façon plus synthétique les résultats, les coûts
changent selon le type de produits, le configuration du réseau logistique, etc. Une telle
analyse manquerait donc de généralité; même dans les modèles de simulation existants
en littérature nous avons pu constater que les coûts prises en compte ne couvrent pas
toujours les différents aspects (comme mentionné précédemment, [26] considère par
exemple les seuls coûts de maintien à stock et de backlog).
Le logiciel utilisé pour ces analyses est Minitab. Nous montrons dans les sections qui
suivent seulement les graphes illustrant les effets principaux (c'est-à-dire du premier
ordre); les autres résultats sont reportés dans les Annexes 1.1.1 et suivants.
4.4.2.1.
Comparaison entre supply chain traditionnelle et en GPA
4.4.2.1.a.
La couverture de stock
La couverture de stock moyenne, exprimée en jours, a été mesuré facilement grâce aux
statistiques (calculé automatiquement par Arena) sur le temps moyen d’attente pour
chaque file existante dans le modèle : le fait de modéliser le stock dans le centre de
distribution comme file d’attente permet donc d’avoir directement la mesure de la
couverture de stock (moyenne dans le cas des trois fournisseur en GPA).
Main Effects Plot (data means) for Stock Coverage
Dem Variance
18
Lead Time
Min truck utilization
Mean of Stock Coverage
16
14
12
10
0,1
0,2
0,3
1
2
Truck capacity
18
3
0,25
Full truck
0,50
0,75
Collaboration
16
14
12
10
50
100
150
No
Yes
GPA
No
Figure 25: les effets principaux pour la couverture de stock (SCT vs GPA)
60
La Figure 29 montre que les facteurs qui influencent très peu la couverture de stock sont
la variance de la demande et le lead time; tous les autres facteurs sont significatifs, ce qui
est témoigné aussi pour les valeur des P-Value en Annexe 1.1.1.a. D’autre part, les
interactions doubles entre les facteurs apparaissent être non influentes.
La couverture de stock augmente à l’augmenter de la capacité du camion et du seuil
d’utilisation minimal, et est aussi très sensible à la contrainte de camion complet. Le
passage de SCT à une collaboration GPA amène à une diminution d’environ 8 jours de
couverture en moyenne.
Les résidus (Annexe 1.1.1.b) vérifient les hypothèses à la base de la méthode de
l’ANOVA.
4.4.2.1.b.
Le taux de service (fill rate) « vendor to retailer »
Le fill rate a été mesuré en créant dans le modèle deux compteurs (avec les modules de
type « Record ») pour enregistrer respectivement les valeurs cumulées de demande et
demande non satisfaite, et en calculant la valeur
FR = 1 −
demande non satisfaite
demande totale
Main Effects Plot (data means) for Fill rate - Vendor to Retailer
Mean of Fill rate - Vendor to Retailer
Dem Variance
Lead Time
0,95
0,90
0,85
0,1
0,2
Truck capacity
0,3
50
100
150
1
2
Full truck
3
0,25
0,50
C ollaboration
0,75
0,95
0,90
0,85
No
Yes
GPA
No
Figure 26: les effets principaux pour le fill rate « vendor to retailer » (SCT vs GPA)
61
La variance de la demande n’a pas un effet significatif (voir le P-Value en Annexe
1.1.2.a); le lead time présente un P-Value égal à 0.053, qui est en tout cas supérieur au
0,01 que nous avons fixé comme limite pour la significativité, vue la règle de Bonferroni.
Les autres facteurs sont tous significatifs, et le plus pénalisant est la contrainte de camion
complet, qui détermine une dégradation de plus de 10% du niveau de service entre
fournisseur et distributeur.
4.4.2.1.c.
Le taux de service (fill rate) « retailer to store »
Ce taux de service a été mesuré da la même façon que le précèdent.
Nous observons (Figure 26) que la moyenne du taux de service aval de l’entrepôt du
distributeur est inférieure à celle amont d’environ le 7%. Les considérations sur la
significativité des facteurs restent les mêmes (Annexe 1.1.3.a), et même dans ce cas le
lead time a un P-Value proche de la limite établie, sans toutefois être significatif. La
capacité de transport et le passage en GPA sont ici les facteurs avec la majeure influence.
Main Effects Plot (data means) for Fill rate - Retailer to Store
Dem Variance
Lead Time
Mean of Fill rate - Retailer to Store
0,88
0,86
0,84
0,82
0,80
0,1
0,2
Truck capacity
0,3
50
100
150
1
2
Full truck
3
0,25
0,50
Collaboration
0,75
0,88
0,86
0,84
0,82
0,80
No
Yes
GPA
No
Figure 27: les effets principaux pour le fill rate « retailer to store » (SCT vs GPA)
Les résidus vérifient les hypothèses de l’ANOVA (Annexe 1.1.3.b).
62
4.4.2.1.d.
L’utilisation de la capacité de transport
L’utilisation de la capacité de transport a été calculée aussi à travers des compteurs; ces
compteurs ne sont clairement pas nécessaires lorsqu’une forte contrainte sur l’utilisation
est présente.
Main Effects Plot (data means) for Truck utilization
Dem Variance
Lead Time
0,90
Mean of Truck utilization
0,88
0,86
0,84
0,82
0,1
0,2
Truck capacity
0,3
50
100
150
1
2
Full truck
3
0,25
0,50
C ollaboration
0,75
0,90
0,88
0,86
0,84
0,82
No
Yes
GPA
No
Figure 28: les effets principaux pour l’utilisation des camions (SCT vs GPA)
Le facteur plus important est clairement la contrainte de camion complet, et nous
constatons à nouveau que les deux premiers facteurs n’influencent pas la performance.
De plus, la valeur minimale dans le graphe en Figure 28 est de 0.82, ce qui confirme que
la règle utilisée pour la détermination du paramètre T (Section 4.3) représente un bon
compromis entre utilisation du transport et risque de rupture.
4.4.2.2.
Comparaison entre GPA et GMA
Comme mentionné précédemment, dans les expériences de simulation pour comparer
GPA et GMA nous étudions aussi un facteur lié à la différence de demande moyenne
entre les trois fournisseurs : nous pourrons en effet envisager d’affirmer qu’une
différence de demande entre les trois fournisseurs amène à des performances différentes
lorsqu’ils rentrent dans une collaboration de type GMA.
63
4.4.2.2.a.
La couverture de stock
La couverture de stock moyenne est sensiblement moins importante par rapport à celle de
la SCT. La différence de demande ne présente pas un impact significatif; les différents
types de collaborations, la contrainte de camion complet et la capacité du camion
représentent ici les facteurs plus influents (voir l’Annexe 1.2.1.a).
Main Effects Plot (data means) for Stock Coverage
Dem Difference
Dem V ariance
Lead Time
10,0
Mean of Stock Coverage
7,5
5,0
High
M ean
N one
0,1
M in truck utilization
0,2
0,3
1
2
Truck capacity
3
F ull truck
10,0
7,5
5,0
0,25
0,50
0,75
50
100
150
No
Yes
C ollaboration
10,0
7,5
5,0
GMA
GPA
Figure 29: les effets principaux pour la couverture de stock (GPA vs GMA)
4.4.2.2.b.
Le taux de service (fill rate) « retailer to store »
Le taux de service aval de l’entrepôt du distributeur est toujours assez haut, surtout en cas
de collaboration GMA.
Nous remarquons aussi que le choix de la quantité du stock de sécurité était correct, vu
que ça nous a permis d’atteindre un taux de service égal au 100% dans un nombre limité
de cas, et surtout en GMA. Un stock de sécurité plus élevé aurait peut être ramené à des
taux de service très hauts dans beaucoup de scénarios, et n’aurait donc pas montré les
avantages de la collaboration (même si la différence au niveau du stock aurait été
similaire).
En autre, le lead time semble n’avoir pas en effet comparable à des facteurs significatifs,
tout en restant inversement proportionnel au niveau de service.
64
Main Effects Plot (data means) for Fill rate - Retailer to Store
Dem Difference
Mean of Fill rate - Retailer to Store
1,00
Dem V ariance
Lead Time
0,95
0,90
High
M ean
N one
0,1
1,00
0,2
0,3
1
2
Truck capacity
3
F ull truck
0,95
0,90
0,25
0,50
0,75
50
100
150
No
Yes
C ollaboration
1,00
0,95
0,90
GMA
GPA
Figure 30: les effets principaux pour le fill rate « retailer to store » (GPA vs GMA)
4.4.2.2.c.
L’utilisation de la capacité de transport
L’intervalle de valeurs obtenues pour la capacité de transport est assez restreint et avec
une moyenne autour du 92.5%. Les contraintes liées à la capacité du camion sont
clairement significatives, et la collaboration détermine une amélioration assez nette.
Main Effects Plot (data means) for Truck utilization
Dem Difference
Dem V ariance
Lead Time
0,950
Mean of Truck utilization
0,925
0,900
High
M ean
N one
0,1
0,2
0,3
1
2
Truck capacity
3
F ull truck
0,950
0,925
0,900
0,25
0,50
0,75
50
100
150
No
Yes
C ollaboration
0,950
0,925
0,900
GMA
GPA
Figure 31: les effets principaux pour l’utilisation des camions (GPA vs GMA)
65
4.5.
Comparaison globale
Après avoir analyse les deux comparaison séparément, le facteur ajouté lors de la
comparaison entre GPA et GMA ne s’avère pas être significatif par rapport aux
performances étudiées. La variabilité de la demande entre les fournisseurs résulte
d’ailleurs être un facteur non significatif même dans les analyses de Waller et al. ([49]).
Nous pouvons donc comparer globalement les résultats obtenus, afin de donner une
20
100%
18
98%
16
96%
94%
14
92%
12
90%
10
88%
8
86%
6
84%
4
82%
2
80%
0
Niveau de service / Utilisation transport
Stock (jours de couverture)
vision globale de l’analyse effectuée.
78%
SCT
GPA
Couverture de stock
Niveau de service
GMA
Utilisation transport
Figure 32 : résultats globaux de la simulation
Le graphe en Figure 32 montre les niveaux moyens attendus pour chaque type de
collaboration.
Le passage à une collaboration GPA donne des avantages importantes en terme de
couverture de stock, avec une diminution d’environ 50% de jours de couverture. Le
même ratio est présent lorsque les fournisseurs passent à une collaboration GMA. De
plus, dans les scénarios étudiés, on est plutôt focalisé sur de produits à faible rotation
(comme mentionné dans la Section 2.1.4, c’est la situation plus favorable pour
l’application de la GMA), ce qui rend très forte l’impact de la collaboration.
66
Le niveau de service aval de l’entrepôt distributeur subit aussi des améliorations
remarquables, et passe de 80% à 88% avec une collaboration GPA, jusqu’au 99% avec la
GMA. Ce résultat est clairement dû à la fréquence de livraison qui augmente en cas de
GMA. L’intervalle des valeurs du niveau de service confirme le choix du stock de
sécurité (égal à 40% de la prévision pour la période successive pour la SCT et 20% pour
le cas de GPA et GMA).
L’augmentation de la fréquence de livraison en GMA n’endommage pas l’utilisation du
transport, qui au contraire augmente. La collaboration GPA est aussi meilleure que la
SCT: ce résultat est probablement causé par la majeure variabilité de la demande
observée par le fournisseur dans la SCT, qui provoque à la fois des quantités livrées très
différentes d’une période à l’autre. Plus globalement, nous remarquons que les
contraintes d’utilisation de la capacité de transport sont parfois très pénalisantes pour les
autres performances : leur application devrait être étudiée avec attention, car le gain
« locale » sur le transport peut induire des pertes importantes au niveau du stock et de la
qualité de service.
67
5.
Conclusions et perspectives
Dans ce mémoire, nous avons considéré deux pratiques collaboratives présentes dans le
secteur de la distribution : la GPA et la GMA. Nous nous sommes focalisés sur les
améliorations que ces processus apportent à la gestion traditionnelle de la supply chain,
et nous les avons évaluées à travers un modèle de simulation.
L’intérêt de la coordination dans la supply chain, qui peut apporter des bénéfices
substantiels, est prouvé par les nombreuses publications sur le sujet, dans les revues aussi
bien spécialisées que scientifiques. La GPA est l’un des sujets qui a le plus intéressé les
manageurs et les chercheurs : les enjeux économiques sont en effet considérables pour le
secteur industriel et celui des services. La recherche peut aider à quantifier ces enjeux et
à aller vers une optimisation globale de la chaîne.
Les chercheurs ont étudié différents aspects de la GPA, en se focalisant sur les
performances par rapport à d’autres pratiques collaboratives, sur l’optimisation des
paramètres de gestion, ou sur les facteurs qui caractérisent le succès de sa mise en place.
Les hypothèses formulées dans la modélisation du processus dépendent de
l’environnement considéré et de l’approche (analytique ou de simulation) choisie. Par
contre, nous n’avons pas retrouvé dans la littérature des publications qui s’adressent
directement à l’évaluation des avantages de la GMA : cette collaboration, qui associe les
avantages de la GPA à une mutualisation du transport et du stockage par plusieurs
fournisseur, a été appliquée plus récemment, ce qui pourrait être la raison d’un manque
d’articles qui lui sont dédiés. Toutefois, il existe une thématique proche, à savoir la
gestion de stock multi-produits : les recherches dans ce secteur se concentrent plutôt vers
l’optimisation de la gestion; il est difficile d’obtenir une expression analytique des coûts
globaux envisageables dans un tel environnement, qui nous aurait permis d’évaluer
analytiquement (bien que de façon approximée) les avantages de la GMA par rapport à la
GPA.
69
Les différentes contraintes existantes dans l’environnements étudié, ainsi que le fait que
plusieurs chercheurs ont comparé des processus collaboratifs à travers la simulation, nous
a fait sélectionner cette technique pour comparer une supply chain traditionnelle à une
supply chain avec collaboration GPA et avec GMA. Les résultats démontrent que la GPA
est avantageuse par rapport à une gestion « classique » des flux de produits, comme dans
les articles en littérature; de plus, le modèle prouve l’avantage ultérieur donné par la
mutualisation. Les performances mesurées permettent ainsi d’évaluer, de façon indirecte,
les coûts liés à la gestion de stock pour le distributeur.
Notre modèle a évidemment toutes le limites des modèles de simulation : les résultats ne
sont valables qu‘avec des hypothèses et le fonctionnement considérés. La supply chain
étudiée est limitée à trois fournisseurs, chacun avec un seul produit, un seul entrepôt du
distributeur, et la demande cumulée est supposée avoir une distribution normale. Nous
n’avons pas analysé le flux à partir de la fabrication des produits, ni les magasins ou les
client finaux. Ces limites peuvent faire l’objet d’extensions dans les recherches futures.
Les stratégies de gestion aptes à optimiser la GMA peuvent constituer aussi une piste de
recherche très intéressante: les problèmes de coordination des différents sujets
(fournisseurs, distributeurs, prestataires logistiques) demandent en effet des outils et des
algorithmes capables de gérer la forte complexité qui caractérise cette environnement.
70
Bibliographie
[1]. 2016 Future supply chain. Serving consumers in a sustainable way, 2008, GCI Cap Gemini, http://www.gci-net.org
[2]. A comparison of three joint ordering policies. Pantumsinchai, P., 1992, Decision
Sciences, 23, pp. 111- 127
[3]. A genetic algorithm for optimal operating parameters of VMI system in a twoechelon supply chain, Nachiappan, S.P., Jawahar, N., 2007, European Journal
of Operational Research, 182, pp. 1433-1452
[4]. A review of the joint replenishment problem literature: 1989–2005, Khoujaa, M.,
Goyalb, S., 2008, European Journal of Operational Research, 186, pp. 1-16
[5]. A supply chain model of the vendor managed inventory, Dong, Y., Xu, F., 2002,
Transportation Research Part E, 38, pp. 75-95
[6]. An efficient optimal solution method for the joint replenishment problem with
minimum order quantities, Porras, E., Dekker, R., 2006, European Journal of
Operational Research, 174, pp. 1595–1615
[7]. An optimal solution technique for the joint replenishment problem with storage and
transport capacities and budget constraints, Hoque, M.A., 2006, European
Journal of Operational Research, 175, pp. 1033–1042
[8]. Coordinated replenishments in a multi-item inventory system with compound
poisson demands and constant lead times, Federgruen, A., Greoenevelt, H.,
Tijms, H., 1984, Management Science, 30, pp. 344-357
[9]. Defining supply chain management, Mentzer, J. T., DeWitt, W., Keebler, J. S.,
Min, S., Nix, N. W., Smith, C. D., Zacharia, Z. G., 2001, Journal of Business
Logistics, 22, pp.1-25
[10]. Design and analysis of experiments, Douglas C. Montgomery, 2004, Wiley
[11]. Effectiveness
of vendor-managed
inventory in
the electronics
industry:
determinants and outcomes, Kuk, G., 2004, Information & Management, 41,
pp. 645-654
71
[12]. Environmental determinants of VMI adoption: An exploratory analysis, Donga, Y.,
Xub, K., Dresnerc, M., 2007, Transportation Research Part E, 43, pp. 355369
[13]. Etat de l'art de la GPA, 2007, GS1 France, http://www.gs1.fr
[14]. Forecasting collaboration in European grocery sector: Observation from a case
study, Smaros, J., 2007, Journal of Operations Management, 25, pp. 702-716
[15]. Global brief on vendor managed inventory, Saipe, A., Geiger, J., 1996, KPMG
Consulting Canada
[16]. GPA – Manuel de mise en œuvre des outils d’identification et de communication,
2001, GENCOD EAN France
[17]. Implementing collaborative forecasting to improve supply chain performance,
McCarthy, T. M., Golicic, S. L., 2002, International Journal of Physical
Distribution & Logistics Management, 32, pp. 431-454
[18]. Joint replenishment problem with truck cost structure, Tanrikulu, M.M., 2006,
MSc Thesis, Bilkent Universisty
[19]. La
GMA
(Gestion
Mutualisée
des
Approvisionnements),
2006,
http://www.physicalsupplychains.com/
[20]. Heineken Italia, A brewing giant rebuilds its model of the customer model with
mySap
customer
relationship
management,
2004,
Sap
AG,
http://www.sap.com
[21]. Managing a retailer's shelf space, inventory and transportation, Cachon, G., 2001,
Manufacturing and Service Operations Management, 3, pp. 211-229.
[22]. Managing information flows for improved value chain performance, Bailey, K.,
Francis, M., 2007, International Journal of Production Economics, 111, pp.
2-12
[23]. MySap Supply Chain Management at L’Oreal Germany, 2004, Sap AG,
http://www.sap.com
[24]. North
Coast
Electric
Improves
http://www.datalliance.net
72
Supply
Chain
Using
VMI,
2006,
[25]. On a basic class on inventory problems, Balintfy, J.L., 1964, Management Science,
10, pp.287-297
[26]. On the benefits of CPFR and VMI: A comparative simulation study, Sari, K, 2008,
International Journal of Production Economics, In Press
[27]. Optimisation
logistique
multifournisseurs,
multiclients
et
intégration
des
prestataires. Multipick, multidrop, GPA mutualisée, 2002, ECR France,
http://www.ecr-france.org
[28]. Optimisation du transport et développement durable : solutions multiacteurs pour le
transport routier, 2007, Olivier Labasse, ECR France, http://www.ecrfrance.org
[29]. Optimizing supply chain collaboration based on joint replenishment and channel
coordination, Chen, T. H., Chen, J. M., 2005, Transportation Research Part
E, 41, pp. 261-285
[30]. Performance analysis of forecast driven vendor managed inventory system,
Nachiappan, S.P, Jawahar, N., Parthibaraj, S.C., Brucelee, B., 2005, Journal
of Advanced Manufacturing Systems, 22, pp. 209-226
[31]. Periodic versus can-order policies for coordinated multi-item inventory systems.
Atkins, D. R., Iyogun, P. O., 1988, Management Science, 34, pp. 791-796
[32]. Piloter la Supply Chain par la demande client - Du concret en GPA mutualisée,
2007, Supply Chain Magazine, 15
[33]. Six steps to a successful VMI system, Wright, K., 2002, Supply Chain Resource
Cooperative, http://scm.ncsu.edu
[34]. Some characteristics of a special joint-order inventory model, Silver, E. A., 1965,
Operations Research, 13, pp. 319-322.
[35]. Solutions multiacteurs d’optimisation du transport routier pour un développement
durable, 2006, ECR France, http://www.ecr-france.org
[36]. ST, HP VMI program hitting its stride, Shah, J.B., 2002, Electronics - Supply and
Manufacturing, http://www.my-esm.com
73
[37]. Stock Replenishment and Shipment Scheduling for Vendor-Managed Inventory
Systems, Çetinkaya, S., Lee, C.Y., 2000, Management Science, 46, pp. 217232
[38]. Sun clears out inventory costs through new supplier program, Shah, J.B., 2002,
Electronics - Supply and Manufacturing, http://www.my-esm.com
[39]. Supply chain information sharing in a vendor managed inventory partnership,
Angulo, A., Nachtmann, H., Waller, M., 2004, Journal of Business Logistics,
25, pp. 101-120
[40]. The collaborative supply chain: a scheme for information sharing and incentive
alignment, Simatupang, T.M., Sridharan, R., 2002, The International Journal
of Logistics Management, 13, pp. 15-30
[41]. The bullwhip effect in supply chains, Lee, H.L., Padmanabhan, V., Whang, S.,
1997, Sloan Management Review, 387, pp. 93-102
[42]. The effect of vendor managed inventory (VMI) dynamics on the Bullwhip Effect in
supply chains, Disney, S. M., Towill, D. R,, 2003, International Journal of
Production Economics, 85, pp. 199-215
[43]. The effectiveness of using e-collaboration tools in the supply chain: an assessment
study with system dynamics, Ovallea, O.A., Marquez, A. C., 2003, Journal of
Purchasing & Supply Management, 9, pp. 151–163
[44]. The inventory benefit of shipment coordination and stock rebalancing in a supply
chain, Cheung, K.L., Lee, H.L., 2002, Management Science, 48, pp. 300-306
[45]. The inventory value of information sharing, continuous replenishment, and vendormanaged inventory, Yao, Y., Dresner, M., 2008, Transportation Research
Part E, 44, pp. 361-378
[46]. The joint replenishment problem with resource restriction, Moon, I.K., Cha, B.C.,
2006 European Journal of Operational Research, 173, pp. 190–198
[47]. Value-chain report - Vendor-Managed Inventory in low-volume environments,
O'Brien, K., 2003, Industry Week, http://www.iwvaluechain.com
[48]. Vendor managed inventory (VMI): Three Steps in Making It Work, Scott Frahm,
2003, Supply Chain Resource Cooperative, http://scm.ncsu.edu
74
[49]. Vendor managed inventory in the retail supply chain, Waller, M., Johnson, M.E.,
Davis, T., 1999, Journal of Business Logistics, 20, pp. 183-203
[50]. Vendor managed inventory models in Sweden -Industrial benchmarking
experiences from autumn 2006, Hemilä, J., Jansson, K., 2007, VTT Working
Papers
[51]. VMI gains elusive for some, but not for Volvo Powertrain, 2004, Manufacturing
Business Technology, http://www.mbtmag.com/
[52]. VMI: what are you loosing if you let your customers place orders, Kaipia, R.,
Holmström, J., Tanskanen, K., 2002, Production Planning and Control, 13,
pp. 17-25
[53]. Vendor-managed inventory and bullwhip reduction in a two-level supply chain,
Disney, S.M., Towill, D.R., 2003, International Journal of Operations &
Production Management, 23, pp. 625-651
[54]. What
is
VMI?,
Hall,
C.,
2003,
Enterprise
Data
Management,
http://www.datalliance.net
[55]. Who should control inventory in a supply chain?, Lee, C. C., Chu, W. H. J., 2005,
European Journal of Operational Research, 164, pp. 158-172
75
Annexes
1.1.
ANOVA pour la comparaison SCT-GPA
1.1.1.
ANOVA pour la couverture de stock
1.1.1.a.
Résultats numériques
Analysis of Variance for Stock Coverage, using Adjusted SS for Tests
Source
Dem Variance
Lead Time
Truck capacity
Full truck
Collaboration
Dem Variance*Lead Time
Dem Variance*Min truck utilization
Dem Variance*Truck capacity
Dem Variance*Full truck
Dem Variance*Collaboration
Lead Time*Min truck utilization
Lead Time*Truck capacity
Lead Time*Full truck
Lead Time*Collaboration
Min truck utilization*Truck capacity
Min truck utilization*Full truck
Min truck utilization*Collaboration
Truck capacity*Full truck
Truck capacity*Collaboration
Full truck*Collaboration
Error
Total
DF
2
2
2
2
1
1
4
4
4
2
2
4
4
2
2
4
2
2
2
2
1
272
323
Source
Dem Variance
Lead Time
Truck capacity
Full truck
Collaboration
P
0,650
0,269
0,000
0,000
0,000
0,000
0,744
0,210
0,979
0,221
0,245
0,597
0,039
0,602
0,645
0,659
0,519
0,617
0,142
0,157
Seq SS
18,28
55,89
1158,39
1008,11
2466,74
5656,26
41,44
125,02
9,38
64,35
59,87
58,81
217,58
21,58
18,61
51,34
27,89
20,52
83,32
109,57
42,63
5766,26
17081,86
Adj SS
18,28
55,89
1158,39
1008,11
2466,74
5656,26
41,44
125,02
9,38
64,35
59,87
58,81
217,58
21,58
18,61
51,34
27,89
20,52
83,32
109,57
42,63
5766,26
Adj MS
9,14
27,95
579,20
504,05
2466,74
5656,26
10,36
31,25
2,34
32,17
29,94
14,70
54,40
10,79
9,31
12,84
13,95
10,26
41,66
54,78
42,63
21,20
F
0,43
1,32
27,32
23,78
116,36
266,81
0,49
1,47
0,11
1,52
1,41
0,69
2,57
0,51
0,44
0,61
0,66
0,48
1,97
2,58
2,01
I
Error
Total
S = 4,60429
1.1.1.b.
R-Sq = 66,24%
R-Sq(adj) = 59,91%
Vérification des hypothèses sur les résidus
Residual Plots for Stock Coverage
Normal Probability Plot of the Residuals
Residuals Versus the Fitted Values
99
10
90
5
Residual
Percent
99,9
50
10
1
0
-5
-10
0,1
-10
-5
0
Residual
5
10
0
30
Residuals Versus the Order of the Data
40
10
30
5
Residual
Frequency
Histogram of the Residuals
10
20
Fitted Value
20
10
0
-5
-10
0
-9
-6
-3
0
3
Residual
6
9
12
1
50
100
150
200
250
Observation Order
1.1.2.
ANOVA pour le fill rate « Vendor to retailer »
1.1.2.a.
300
Analysis of Variance for Fill rate - Vendor to Retailer, using Adjusted SS for
Tests
Source
Dem Variance
Lead Time
Truck capacity
Full truck
Collaboration
II
DF
2
2
2
2
1
1
4
4
4
2
2
4
4
2
2
4
2
2
2
Seq SS
0,010176
0,019038
0,121656
0,348191
1,137041
0,571863
0,019206
0,016408
0,007943
0,002274
0,005328
0,015842
0,014312
0,007584
0,008106
0,034006
0,005961
0,006339
0,006714
Adj SS
0,010176
0,019038
0,121656
0,348191
1,137041
0,571863
0,019206
0,016408
0,007943
0,002274
0,005328
0,015842
0,014312
0,007584
0,008106
0,034006
0,005961
0,006339
0,006714
Adj MS
0,005088
0,009519
0,060828
0,174095
1,137041
0,571863
0,004801
0,004102
0,001986
0,001137
0,002664
0,003961
0,003578
0,003792
0,004053
0,008501
0,002981
0,003170
0,003357
F
1,49
2,79
17,82
51,00
333,09
167,53
1,41
1,20
0,58
0,33
0,78
1,16
1,05
1,11
1,19
2,49
0,87
0,93
0,98
Error
Total
2
1
272
323
Source
Dem Variance
Lead Time
Truck capacity
Full truck
Collaboration
Error
Total
P
0,227
0,063
0,000
0,000
0,000
0,000
0,232
0,310
0,676
0,717
0,459
0,329
0,383
0,331
0,307
0,044
0,419
0,396
0,375
0,886
0,877
S = 0,0584258
1.1.2.b.
R-Sq = 71,76%
0,000827
0,000082
0,928492
3,287390
0,000827
0,000082
0,928492
0,000414
0,000082
0,003414
0,12
0,02
R-Sq(adj) = 66,46%
Residual Plots for Fill rate - Vendor to Retailer
99
0,10
90
0,05
Residual
Percent
99,9
50
10
0,00
-0,05
-0,10
1
0,1
-0,2
-0,1
0,0
Residual
0,1
0,2
0,7
0,8
0,9
1,0
Fitted Value
1,1
30
Residual
Frequency
0,10
20
10
0,05
0,00
-0,05
-0,10
0
-0,12
-0,08
-0,04
0,00 0,04
Residual
0,08
0,12
1
50
100
150
200
250
Observation Order
300
III
1.1.3.
ANOVA pour le fill rate « Retailer to Store »
1.1.3.a.
Analysis of Variance for Fill rate - Retailer to Store, using Adjusted SS for
Tests
Source
Dem Variance
Lead Time
Truck capacity
Full truck
Collaboration
Error
Total
DF
2
2
2
2
1
1
4
4
4
2
2
4
4
2
2
4
2
2
2
2
1
272
323
Source
Dem Variance
Lead Time
Truck capacity
Full truck
Collaboration
Error
Total
P
0,341
0,036
0,000
0,000
0,000
0,000
0,770
0,838
0,159
0,239
0,630
0,936
0,501
0,835
0,256
0,003
0,373
0,685
0,604
0,201
0,494
S = 0,0595955
IV
R-Sq = 65,00%
Seq SS
0,007663
0,023884
0,232041
0,425470
0,419660
0,526187
0,006437
0,005094
0,023588
0,010230
0,003286
0,002893
0,011918
0,001283
0,009727
0,058308
0,007028
0,002690
0,003582
0,011467
0,001665
0,966041
2,760141
R-Sq(adj) = 58,44%
Adj SS
0,007663
0,023884
0,232041
0,425470
0,419660
0,526187
0,006437
0,005094
0,023588
0,010230
0,003286
0,002893
0,011918
0,001283
0,009727
0,058308
0,007028
0,002690
0,003582
0,011467
0,001665
0,966041
Adj MS
0,003831
0,011942
0,116020
0,212735
0,419660
0,526187
0,001609
0,001273
0,005897
0,005115
0,001643
0,000723
0,002979
0,000641
0,004864
0,014577
0,003514
0,001345
0,001791
0,005733
0,001665
0,003552
F
1,08
3,36
32,67
59,90
118,16
148,15
0,45
0,36
1,66
1,44
0,46
0,20
0,84
0,18
1,37
4,10
0,99
0,38
0,50
1,61
0,47
1.1.3.b.
Residual Plots for Fill rate - Retailer to Store
99,9
0,1
90
Residual
Percent
99
50
10
0,0
-0,1
1
-0,2
0,1
-0,2
-0,1
0,0
Residual
0,1
0,2
0,6
0,9
1,0
0,1
30
Residual
Frequency
0,8
Fitted Value
40
20
10
0
0,7
0,0
-0,1
-0,2
-0,180 -0,135 -0,090 -0,045
0,000
0,045
0,090
0,135
1
50
Residual
100
150
200
250
Observation Order
1.1.4.
ANOVA pour le taux de remplissage camion
1.1.4.a.
300
Analysis of Variance for Truck utilization, using Adjusted SS for Tests
Source
Dem Variance
Lead Time
Truck capacity
Full truck
Collaboration
Error
Total
DF
2
2
2
2
1
1
4
4
4
2
2
4
4
2
2
4
2
2
2
2
1
272
323
Source
Dem Variance
P
0,224
Seq SS
0,012358
0,024546
0,098118
0,215973
0,633242
0,148209
0,013602
0,019201
0,005507
0,000324
0,001140
0,004578
0,014038
0,000861
0,000859
0,003431
0,001252
0,011147
0,001452
0,000787
0,000106
0,760696
1,971425
Adj SS
0,012358
0,024546
0,098118
0,215973
0,633242
0,148209
0,013602
0,019201
0,005507
0,000324
0,001140
0,004578
0,014038
0,000861
0,000859
0,003431
0,001252
0,011147
0,001452
0,000787
0,000106
0,760696
Adj MS
0,006179
0,012273
0,049059
0,107986
0,633242
0,148209
0,003400
0,004800
0,001377
0,000162
0,000570
0,001144
0,003509
0,000431
0,000429
0,000858
0,000626
0,005573
0,000726
0,000394
0,000106
0,002797
F
1,21
2,39
17,54
38,61
226,43
52,99
1,22
1,72
0,49
0,06
0,20
0,41
1,25
0,15
0,15
0,31
0,22
1,99
0,26
0,14
0,04
V
Lead Time
Truck capacity
Full truck
Collaboration
Error
Total
S = 0,0528836
1.1.4.b.
R-Sq = 61,41%
0,026
0,000
0,000
0,000
0,000
0,304
0,147
0,741
0,944
0,816
0,802
0,288
0,857
0,858
0,873
0,800
0,138
0,772
0,869
0,846
R-Sq(adj) = 54,18%
Residual Plots for Truck utilization
0,2
99,9
0,1
90
Residual
Percent
99
50
10
0,0
-0,1
1
-0,2
0,1
-0,2
-0,1
0,0
Residual
0,1
0,2
0,7
0,2
45
0,1
30
1,0
0,0
-0,1
15
-0,2
0
-0,12
VI
0,9
Fitted Value
60
Residual
Frequency
0,8
-0,06
0,00
0,06
Residual
0,12
1
50
100
150
200
250
Observation Order
300
1.2.
ANOVA pour la comparaison GPA-GMA
1.2.1.
ANOVA pour la couverture de stock
1.2.1.a.
Analysis of Variance for Stock Coverage, using Adjusted SS for Tests
Source
Dem Difference
Dem Variance
Lead Time
Truck capacity
Full truck
Collaboration
Dem Difference*Dem Variance
Dem Difference*Lead Time
Dem Difference*Min truck utilization
Dem Difference*Truck capacity
Dem Difference*Full truck
Dem Difference*Collaboration
Error
Total
DF
2
2
2
2
2
1
1
4
4
4
4
2
2
4
4
4
2
2
4
4
2
2
4
2
2
2
2
1
898
971
Source
Dem Difference
Dem Variance
Lead Time
Truck capacity
Full truck
Collaboration
P
0,412
0,109
0,200
0,000
0,000
0,000
0,000
0,226
0,077
0,338
0,496
0,730
0,269
0,836
0,465
0,501
0,388
0,168
0,248
0,948
0,833
0,442
Seq SS
47,86
120,02
86,95
1331,77
4677,97
7774,85
5715,08
153,23
228,47
122,61
91,30
16,99
71,04
39,10
96,81
90,53
51,13
96,32
146,17
19,63
9,84
44,13
128,80
31,03
4,54
73,49
69,97
3,24
24235,38
45578,24
Adj SS
47,86
120,02
86,95
1331,77
4677,97
7774,85
5715,08
153,23
228,47
122,61
91,30
16,99
71,04
39,10
96,81
90,53
51,13
96,32
146,17
19,63
9,84
44,13
128,80
31,03
4,54
73,49
69,97
3,24
24235,38
Adj MS
23,93
60,01
43,48
665,88
2338,99
7774,85
5715,08
38,31
57,12
30,65
22,83
8,50
35,52
9,77
24,20
22,63
25,57
48,16
36,54
4,91
4,92
22,07
32,20
15,52
2,27
36,74
34,98
3,24
26,99
F
0,89
2,22
1,61
24,67
86,67
288,08
211,76
1,42
2,12
1,14
0,85
0,31
1,32
0,36
0,90
0,84
0,95
1,78
1,35
0,18
0,18
0,82
1,19
0,57
0,08
1,36
1,30
0,12
VII
Error
Total
S = 5,19501
1.2.1.b.
R-Sq = 46,83%
0,312
0,563
0,919
0,257
0,274
0,729
R-Sq(adj) = 42,50%
Residual Plots for Stock Coverage
99,99
10
99
Residual
Percent
90
50
10
0
-10
1
0,01
-20
-10
0
Residual
10
20
0
20
80
10
Residual
Frequency
10
Fitted Value
60
40
0
-10
20
0
-12
-8
-4
0
4
Residual
8
12
1
100 200 300 400 500 600 700 800 900
Observation Order
1.2.2.
ANOVA pour le fill rate « Retailer to Store »
1.2.2.a.
Analysis of Variance for Fill rate - Retailer to Store, using Adjusted SS for
Tests
Source
Dem Difference
Dem Variance
Lead Time
Truck capacity
Full truck
Collaboration
VIII
DF
2
2
2
2
2
1
1
4
4
4
4
2
Seq SS
0,011970
0,023391
0,011495
0,758398
0,873437
0,774880
2,814653
0,003869
0,009507
0,026077
0,019223
0,011058
Adj SS
0,011970
0,023391
0,011495
0,758398
0,873437
0,774880
2,814653
0,003869
0,009507
0,026077
0,019223
0,011058
Adj MS
0,005985
0,011695
0,005747
0,379199
0,436719
0,774880
2,814653
0,000967
0,002377
0,006519
0,004806
0,005529
F
1,84
3,59
1,77
116,46
134,13
237,99
864,47
0,30
0,73
2,00
1,48
1,70
Error
Total
2
4
4
4
2
2
4
4
2
2
4
2
2
2
2
1
898
971
Source
Dem Difference
Dem Variance
Lead Time
Truck capacity
Full truck
Collaboration
Error
Total
P
0,160
0,028
0,172
0,000
0,000
0,000
0,000
0,880
0,572
0,092
0,207
0,184
0,244
0,475
0,341
0,175
0,450
0,176
0,583
0,555
0,573
0,602
0,649
0,157
0,307
0,468
0,978
0,089
S = 0,0570606
R-Sq = 65,20%
0,009198
0,011472
0,014706
0,020681
0,005204
0,011327
0,009290
0,009820
0,003634
0,003302
0,008059
0,012077
0,007702
0,004952
0,000144
0,009450
2,923808
8,402782
0,009198
0,011472
0,014706
0,020681
0,005204
0,011327
0,009290
0,009820
0,003634
0,003302
0,008059
0,012077
0,007702
0,004952
0,000144
0,009450
2,923808
0,004599
0,002868
0,003677
0,005170
0,002602
0,005664
0,002322
0,002455
0,001817
0,001651
0,002015
0,006038
0,003851
0,002476
0,000072
0,009450
0,003256
1,41
0,88
1,13
1,59
0,80
1,74
0,71
0,75
0,56
0,51
0,62
1,85
1,18
0,76
0,02
2,90
R-Sq(adj) = 62,38%
IX
1.2.2.b.
Residual Plots for Fill rate - Retailer to Store
99,99
0,2
99
0,1
Residual
Percent
90
50
10
-0,1
1
-0,2
0,01
-0,2
-0,1
0,0
Residual
0,1
0,2
0,7
0,8
0,9
1,0
Fitted Value
1,1
80
0,2
60
0,1
Residual
Frequency
0,0
40
0,0
-0,1
20
-0,2
0
-0,15 -0,10 -0,05 0,00 0,05
Residual
0,10
0,15
1
100 200 300 400 500 600 700 800 900
Observation Order
1.2.3.
ANOVA pour le taux de remplissage camion
1.2.3.a.
Analysis of Variance for Truck utilization, using Adjusted SS for Tests
Source
Dem Difference
Dem Variance
Lead Time
Truck capacity
Full truck
Collaboration
X
DF
2
2
2
2
2
1
1
4
4
4
4
2
2
4
4
4
2
2
4
4
2
2
4
2
2
2
2
Seq SS
0,015606
0,009094
0,006074
0,515688
0,943455
1,672036
1,176738
0,010093
0,011401
0,004956
0,009850
0,005544
0,003497
0,005679
0,008290
0,008340
0,004261
0,004331
0,007289
0,001810
0,004880
0,003262
0,021054
0,001000
0,004868
0,000691
0,002984
Adj SS
0,015606
0,009094
0,006074
0,515688
0,943455
1,672036
1,176738
0,010093
0,011401
0,004956
0,009850
0,005544
0,003497
0,005679
0,008290
0,008340
0,004261
0,004331
0,007289
0,001810
0,004880
0,003262
0,021054
0,001000
0,004868
0,000691
0,002984
Adj MS
0,007803
0,004547
0,003037
0,257844
0,471727
1,672036
1,176738
0,002523
0,002850
0,001239
0,002463
0,002772
0,001748
0,001420
0,002073
0,002085
0,002131
0,002165
0,001822
0,000452
0,002440
0,001631
0,005264
0,000500
0,002434
0,000346
0,001492
F
2,93
1,71
1,14
96,98
177,42
628,87
442,58
0,95
1,07
0,47
0,93
1,04
0,66
0,53
0,78
0,78
0,80
0,81
0,69
0,17
0,92
0,61
1,98
0,19
0,92
0,13
0,56
Error
Total
1
898
971
Source
Dem Difference
Dem Variance
Lead Time
Truck capacity
Full truck
Collaboration
Error
Total
P
0,054
0,181
0,320
0,000
0,000
0,000
0,000
0,435
0,369
0,761
0,448
0,353
0,518
0,711
0,539
0,536
0,449
0,443
0,602
0,954
0,400
0,542
0,096
0,829
0,401
0,878
0,571
0,323
S = 0,0515636
R-Sq = 65,16%
0,002605
2,387604
6,852979
0,002605
2,387604
0,002605
0,002659
0,98
R-Sq(adj) = 62,33%
XI
1.2.3.b.
Residual Plots for Truck utilization
99,99
0,2
99
Residual
Percent
90
50
10
1
0,1
0,0
-0,1
0,01
-0,2
-0,1
0,0
Residual
0,1
0,2
0,8
0,9
Fitted Value
1,0
0,2
Residual
Frequency
80
60
40
20
0,1
0,0
-0,1
0
-0,12 -0,08 -0,04 0,00
0,04
Residual
XII
0,08
0,12
1,1
0,16
1
100 200 300 400 500 600 700 800 900
Observation Order

Mémoire de projet recherche - Roberto GISO - LGI

Transcription

Documents pareils

Lycée Emilie du Chatelet

Mise à jour du logiciel IDC4 TRUCK 34

PP • Polypropylène

Sortie à Agay Du vendredi 22 mai 2015 au soir Au lundi 25

Sept réunions régionales pour tout savoir - G

Vocabulaire Présentation (module 4) : production et qualité

Articles - Emblematic Films

MANUEL DE JEU Euro Truck Simulator

protruck v2 - Pro Truck Magazine