L’approche Flux

Flowlity > Solution > L’approche Flux

Si vous avez travaillé directement ou indirectement sur le processus de réapprovisionnement, vous savez à quel point il est difficile d’obtenir un plan de réapprovisionnement fiable et stable. Dès que le travail semble terminé, un événement survient et le plan doit être entièrement reconstruit… Cela se traduit en un incroyable gaspillage de temps et d’argent, et génère des tensions entre les différents départements de la Supply Chain : prévision des ventes, planification de production et, en fin de chaîne, fortement impactés par les changements des deux premières fonctions, réapprovisionnement.

Chez Flowlity, nous proposons une toute nouvelle approche pour atténuer la volatilité et stabiliser les plans. Nous nous appuyons sur les dernières tendances du monde de la Supply Chain et de l’intelligence artificielle pour mettre à votre disposition le meilleur plan de manière dynamique, tout en minimisant l’effort de mise en œuvre et de formation.

img

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.