Planification et contrôle de la production et des stocks - Séance-3 PDF

Preview

Summary

Séance 3 : La gestion de la demande ; les prévisions Décomposition classique Évolution de la demande au fil du temps :Formule :( )E E r r e u rC C y c l eS S a i s o n n a l it éT T e n d a n c eu n e f o n c t i o n m a t h é m a t i qu eo ùD e m a n d e( t ) T ,S ,C ,E====ò==òPrésence de tendance ...

Description

Séance 3 : La gestion de la demande ; les prévisions 1) Décomposition classique

Évolution de la demande au fil du temps :

Formule :

D e m a n d e ( t ) = ò( T , S , C , E

)

où ò = u n e f o n c tio n m a th ém a tiq u e T = T en d an ce S = S a iso n n a lit é C = C y c le E = E r r eu r

Présence de tendance linéaire et des effets saisonniers : une illustration, - Additif : fluctuations saisonnières constantes selon le niveau. Enveloppe constante - Multiplicatif : fluctuations saisonnières varient selon le niveau. Enveloppe variable.

Démarche : 1. Évaluation visuelle de la demande (graphiques) Validation de la présence de tendance linéaire et d’effets saisonniers 2. Extraction de la saisonnalité 3. Détermination des paramètres de la droite de régression linéaire 4. Prévisions rétrospectives 5. Validation du modèle 6. Prévisions Application : 1- Évaluation visuelle de la demande

2- Synthèse de l’analyse graphique de l’évolution de la demande Observations : - Tendance linéaire positive

- Saisonnalité multiplicative avec périodicité (ou cycle) de 4 périodes (trimestres) Méthode de prévisions appropriée : - Méthode de décomposition classique 3- Extraction de la saisonnalité : démarche Pour calculer les indices de saisonnalité, il faut éliminer l’effet de la tendance en utilisant des moyennes centrées. a. Les moyennes doivent être centrées sur la longueur de la périodicité de la saisonnalité. Calcul des indices de saisonnalité : exemple ;

Demande désaisonnalisée

4- Détermination des paramètres de la droite de régression linéaire À partir des données désaisonnalisées, on détermine les paramètres ( m et b) de la droite de régression linéaire. L’équation de la droite est : Dx = mX + b Où Dx est la demande désaisonnalisée pour la période x X est le numéro de la période m est la pente de la droite, soit le facteur de tendance b est l’ordonnée à l’origine, soit la demande au temps 0. o À l’aide de deux fonctions d’Excel, nous pouvons en effet déterminer la constante (ordonnée à l’origine), et le coefficient de tendance (pente de la droite de régression). Plus spécifiquement, ces deux fonctions sont: ü =DROITEREG(..) qui permet de déterminer la pente de la droite de régression à partir de la demande désaisonnalisée et des périodes couvertes par l’historique de la demande; ü =ORDONNEE.ORIGINE(..) qui permet de déterminer l’ordonnée à l’origine à partir de la demande désaisonnalisée et des périodes couvertes par l’historique de la demande.

5- Prévis

6- Prévisions saisonnalisées

P t = ( m X + b ) x I n d i c e d e s a i s o n n a l i t é (t) où P t = P r é v is io n a u te m p s t m = p e n te d e la d ro ite d e te n d a n c e X = n u m é ro d e la p é rio d e t b = d e m a n d e a u te m p s t = 0

 Prévisions rétrospectives saisonnalisées :

2) Lissage exponentiel multiple de Holt-Winters

Présence de tendance non linéaire et des effets saisonniers: une illustration : 1- Additif: fluctuations saisonnières constantes selon le niveau. Enveloppe constante 2- Multiplicatif: fluctuations saisonnières varient selon le niveau. Enveloppe variable

Formule de lissage : Dt Lt = α + ( 1−α ) ( Lt−1 +bt −1 ) S t−c bt St

Formule de prévisions : Pt +m = ( Lt +b t m ) S t−c+m

= β ( Lt −Lt−1 ) + ( 1−β ) bt −1 Dt

=γ L t

+ ( 1−γ ) S t−c

Lt = estimé du niveau de la série désaisonnalisée à la période t bt = estimé de la tendance à la période t St = indice de saisonnalité à la période t Dt = demande à la période t C = longueur du cycle de saisonnalité

a) Initialisation Plusieurs approches d’initialisation sont généralement suggérées. o Une des approches consiste à considérer les valeurs suivantes pour les périodes du premier cycle de saisonnalité : Lt = moyenne des Dt; (avec t = 1, 2, 3, ……c) bc = 0; St = Dt / Lt ; (avec t = 1, 2, 3, ……c) Travail préalable à faire : - Déterminer les périodes couvertes par les données disponibles; - Analyser graphiquement l’évolution de la demande (tendance et saisonnalité); - Déterminer la longueur du cycle de saisonnalité de la demande; La longueur du cycle est notée c.  Séries mensuelles: c = 12.  Séries trimestrielles: c = 4.  Etc…

- Initialiser la série. Application : 1- Analyse graphique de l’évolution de la demande du produit

3) Suivi de performance et validation de la pertinence des méthodes de prévision a) Indice de déviation soutenue ou signal de dérive L'indice de déviation soutenue est le ratio de l'erreur cumulative des prévisions sur l'écart absolu moyen. Il sert à avertir lorsque les prévisions sont biaisées, et les périodes pour lesquelles le gestionnaire devrait réviser les prévisions. n

ID S t =

å (Y

t

- P

t

)

t =1

É .A . M .

o ù Y P

t t

= D e m a n d e à la p é rio d e t = P r é v is i o n à la p é rio d e t

Note: 1 É.A.M. ≈ 0,8  Les limites de contrôle sont souvent fixées à  3, soit 3,75 É.A.M. Mais aussi, ces limites se situent généralement entre 2 et 5 É.A.M.

SYNTHÈSE : Ø Comprendre l'objet de la prévision, son utilisation et ses impacts afin d'éviter: § Prévision uniquement "financière" § Objectifs conflictuels Ø Comment mieux vivre avec les erreurs de prévision : § Mesure de performance § Éviter les prévisions (PBM/MRP, DRP) § Techniques/individus § Réduire les délais § Réserver de la capacité § Stocks de sécurité § Gestion des changements au PDP Les meilleurs pratiques en gestion prévisionnelle de la demande :

Les tendance : l’analyse prédictive Les applications de l’intelligence artificielle (IA) sont vastes et s’adaptent à tous les secteurs d’activités. L’IA est de plus en plus en plus mise en œuvre par certaines entreprises, notamment pour l’anticipation des ventes. Certains géants du e-commerce tels qu’Amazon utilisent d’ores et déjà l’IA pour mieux anticiper et optimiser leurs ventes. L’enseigne Kiabi est ainsi passé du tableau Excel au « machine learning »: L’enseigne de prêtà-porter française Kiabi a amélioré son taux de disponibilité produit en ayant recours à un logiciel de prévision fondé sur l’analyse prédictive et le « machine learning ». Nespresso a récemment automatisé la prévision de ses ventes : Avec son projet de planification collaborative de la demande initié il y a deux ans, Nespresso compte améliorer la précision des prévisions de ses ventes de café, machines à café et accessoires. Déjà déployé dans 39 pays, l’outil génère un reporting sur les ventes de café avec à la clé, des prévisions statistiques automatisées et une réduction du biais....