C’est pleine de confiance que j’ai démarré un poste d’approvisionneur pour Yoplait/ General Mills début 2019. Après tout, j’avais plusieurs années d’expérience dans le monde de la Supply Chain. J’ai commencé ma carrière au sein du groupe Bel pendant 4 ans, en rejoignant le groupe en tant que planificateur de production, puis en mettant en place un APS et enfin en tant que “business owner” des processus de supply planning. J’ai ensuite rejoint l’APS QAD Dynasys en tant que consultante fonctionnelle et j’ai travaillé notamment sur le module d’approvisionnement. Revenir dans le monde de l’industrie en charge de l’approvisionnement des matières premières était censé être relativement simple.

La réalité s’est révélée très éloignée de mes suppositions. Mon plan d’approvisionnement était relativement facile à réaliser, mais il me prenait beaucoup trop de temps, car il était fait dans un document Excel très lourd qui prenait plusieurs minutes à s’ouvrir et encore plus à recalculer. Pour le mettre à jour, je devais compiler des informations extraites de l’ERP (comme les niveaux de stock, et un lourd fichier pour les nomenclatures) et récupérer le dernier plan de production envoyé par les planificateurs dans Excel. Seulement alors, je pouvais lancer mon Excel-MRP. Malheureusement, après avoir mené à bien ce travail, il était très fréquent qu’un plan de production modifié soit envoyé et que je doive tout recommencer. J’ai participé à de nombreuses réunions avec les planificateurs de production et les prévisionnistes dans l’espoir de stabiliser les plans, mais la conclusion était toujours la même : on ne peut pas espérer stabiliser la demande. Les clients ont toujours raison et notre travail était de tout mettre en œuvre pour essayer de les satisfaire.

Une nouvelle approche de la planification des achats semblait nécessaire. C’est pourquoi j’ai été si intriguée la première fois que j’ai entendu parler de Flowlity. Flowlity propose une toute nouvelle approche pour atténuer la volatilité et stabiliser les plans. L’entreprise s’appuie sur les dernières tendances du monde de la Supply Chain et de l’intelligence artificielle pour fournir à ses clients le meilleur plan de manière dynamique, tout en minimisant l’effort de mise en œuvre et de formation.

Essayons de comprendre les limites de l’approche la plus répandue, et ce qui peut être fait différemment.

 

Comment expliquer que les recommandations des calculs MRP sont souvent très peu utilisés par les planificateurs ?

L’approche MRP traditionnelle, qui consiste à calculer les besoins en composants sur la base des prévisions de vente et d’une nomenclature, est correcte en théorie mais s’est révélée inefficace :

  • Le paramétrage complexe des nomenclatures et du calcul MRP est une étape nécessaire pour espérer obtenir de bons résultats. Souvent, les recommandations obtenues sont satisfaisantes juste après la mise en place du MRP grâce à l’expertise d’un consultant ou d’un key user, et deviennent rapidement moins utilisables au fur et à mesure que le temps passe et que l’environnement évolue. Du coup, les planificateurs ont souvent recours à des fichiers Excel comme solution de contournement pour mieux calculer une simple explosion de nomenclature que ne le ferait leur outil mal paramétré, avec tous les risques d’erreurs et l’inertie que cela implique.
  • L’approche déterministe du MRP est erronée par nature : elle fixe dans le marbre des « paramètres » qui sont en fait des variables telles que le délai de fabrication, le temps de traitement ou le taux de rebut. Leur variabilité a un impact majeur sur la quantité et la période de consommation des composants, et ne peut être ignorée comme si la consommation des composants était le résultat d’une simple équation mathématique.
  • L’approche basée sur le MRP génère de la volatilité dans les prévisions. Les planificateurs peuvent témoigner que deux jeux de prévisions des ventes (sur les produits finis), même réalisés sur un court laps de temps, sont susceptibles d’être très différents l’un de l’autre et entraîneront deux plans radicalement différents sur les composants une fois le MRP exécuté. Avec cette approche, la volatilité des prévisions de vente est directement transmise aux composants, alors que les planificateurs ont avant tout besoin de stabilité pour prendre les bonnes décisions.

 

Quelle est l’approche Flux de Flowlity, et comment répond-elle à ces défis ?

À la lumière de ces observations, nous proposons une toute nouvelle approche basée sur les flux, inspirée des dernières tendances en matière de planification de la Supply Chain : nous utilisons des algorithmes avancés de machine learning pour générer une prévision de consommation qui vous assure fiabilité et stabilité avec peu d’efforts de mise en œuvre et de formation. Concrètement, qu’est-ce qui change ?

  • Une mise en œuvre et une maintenance faciles : oubliez les nomenclatures et les paramètres MRP – nous avons seulement besoin de votre historique de consommation (souvent facilement extrait de votre ERP), et nous pouvons commencer à générer des prévisions qui s’améliorent continuellement grâce à nos algorithmes de machine learning. Nul besoin de s’engager dans un vaste projet ou de réaliser de longues sessions de formation pour commencer à utiliser l’outil. De plus, les paramètres variables tels que le lead time sont considérés comme une donnée d’entrée pour nos calculs mais sont constamment réévalués par nos algorithmes pour refléter les écarts entre le paramètre et la réalité.
  • Un plan de composants stable : cette approche atténue la volatilité au lieu de la transmettre voire l’amplifier comme le fait un MRP classique. Plutôt que d’impacter immédiatement le plan des composants chaque fois qu’un changement a lieu dans les prévisions de vente, nous considérons l’historique à long terme (2 ans en moyenne) pour calculer une tendance et l’enrichir des événements récents. Les planificateurs passent moins de temps à traiter les urgences et à recommencer leur plan à chaque fois qu’une prévision de vente est mise à jour et peuvent se concentrer sur des tâches à plus forte valeur ajoutée.
  • Plutôt que de vous proposer un chiffre précis censé être “la” vérité, Flowlity vous recommande de maintenir votre niveau de stock entre un minimum et un maximum pour éviter les ruptures et les surstocks. Cette approche intuitive facilite le processus de décision pour les planificateurs et constitue également un facteur important d’adoption par les utilisateurs.

 

En quoi est-ce différent de l’approche DDMRP ?

L’approche DDMRP répond également à certaines critiques du MRP et en particulier sa complexité. Le DDMRP vise à ramener de la simplicité dans le processus de gestion des stocks :

  • Grâce à un système de stock tampon simple pour limiter les risques
  • Grâce à un système de recommandations de réapprovisionnement simple et visuel qui donne véritablement le contrôle aux planificateurs sur les niveaux de stocks

 

Le DDMRP a révolutionné la Supply Chain depuis sa création par Carol Ptak en 2011. Flowlity reconnaît pleinement la valeur de cette approche. En effet, notre philosophie s’inspire de ces principes (positionnement des stocks tampons, détection de la consommation, réapprovisionnement des commandes, …) mais veut aller encore plus loin en s’attaquant à deux limites du DDMRP :

  • Le DDMRP repose sur des paramètres statiques (comme les coefficients basés sur la volatilité et le lead time). Les paramètres doivent être mis à jour de façon empirique, sur la base de la connaissance de la situation sur le terrain. Dès lors, comment s’assurer que les paramètres sont corrects ? Et comment les mettre à jour assez rapidement lorsque le volume change rapidement ? Comment pouvons-nous réellement adapter ces paramètres à l’ensemble du portefeuille ?
  • Le DDMRP n’envisage pas l’optimisation de la Supply Chain étendue afin de contrecarrer le « bullwhip effect », ou effet coup de fouet. Il est réducteur d’essayer d’optimiser les niveaux de stock en se concentrant uniquement sur une entreprise individuelle et en oubliant qu’elle est un maillon d’une chaîne composée de multiples fournisseurs et clients.

 

En s’inspirant des principes du DDMRP mais en ajustant dynamiquement nos recommandations de stocks minimum et maximum et en améliorant continuellement nos prévisions, nous parvenons à obtenir une réduction supplémentaire des stocks par rapport au DDMRP pour un même niveau de service. Les bénéfices sont encore plus grands lorsque Flowlity est relié à d’autres maillons de la chaîne grâce à son positionnement de tiers de confiance entre les entreprises.

 

⎼ Écrit par Cécile Degouge, Customer Success Manager chez Flowlity.