Détermination des dates de livraison en VMI à partir de données transactionnelles avec une approche de prévision quantile

Dans un modèle de gestion des stocks par le fournisseur, ou « Vendor Managed Inventory » (VMI), les réserves de produits sont la responsabilité du fournisseur. Celui-ci gère les commandes de réapprovisionnement pour maintenir la disponibilité de l'inventaire et fait appel à des méthodes de prévision de la demande. Lorsque les données de demande ou d'inventaire du client ne sont pas disponibles, elles peuvent être substituées par les données transactionnelles. Les séries temporelles alors obtenues sont fortement bruitées et intermittentes. En conséquence, il est difficile pour le fournisseur de planifier les dates de réapprovisionnement en gardant un contrôle sur la probabilité de rupture de stock. Une planification optimale minimise les coûts de transport tout en respectant les contraintes de niveaux de service. Le niveau de service est défini comme étant la probabilité de ne pas avoir de rupture de stock avant un réapprovisionnement. Ce projet a pour but de développer une méthode de prévision pour calculer les dates de livraisons en respectant le niveau de service et en utilisant l'historique de transactions comme unique source de données. La revue de littérature présente des méthodes de prévision classiques ainsi que des méthodes de prévision probabilistes. Les méthodes de prévision de la littérature ne permettent pas d'exploiter directement les données transactionnelles; c'est pourquoi une nouvelle méthode doit être développée. Pour calculer le moment optimal de réapprovisionnement qui respecte un niveau de service visé, une approche stochastique (implicite ou explicite) est nécessaire. La solution traditionnelle est de calculer un stock de sécurité en modélisant les données avec une loi normale; cependant, il a été montré que cette méthode entraîne une sous-performance des niveaux de service, c'est-à-dire que les ruptures de stock surviennent plus souvent qu'attendu. La prévision quantile est un type de prévision probabiliste qui est parfaitement adapté à l'objectif. Le moment de réapprovisionnement optimal sera calculé en effectuant une prévision quantile de l'intervalle de temps menant à une rupture de stock, pour un quantile égal à 1 – le niveau de service visé. La méthodologie couvre tout le flux de données : préparation des données, choix de la méthode et évaluation de la meilleure méthode. Le cas d'étude met en application la méthodologie dans le contexte d'une logistique de collecte. Avec le modèle qui a été développé, on pourrait réduire les coûts en transport sans pénaliser le niveau de service. Si l'on vise un niveau de service de 90% (légèrement meilleur que l'état actuel de 89%), on pourrait réduire le nombre annuel de collectes de 21%.

Abstract

In vendor managed inventory (VMI) models, the supplier is responsible for inventory management and must use strategic forecasting in order to ensure the availability of products for customers. When product consumption data or inventory data are not available, transactional data can be used. Time series obtained using this substitution are noisy and intermittent. As a result, it is difficult for the supplier to plan delivery orders while respecting service level agreement (SLA). Optimal planning minimizes transportation costs while respecting service level constraints. The service level is defined as the probability of not hitting a stock-out before the next delivery. The goal of this project is to develop a forecasting method able to optimize delivery dates while respecting the service level and using only delivery records data. The literature review presents classical forecasting methods as well as probabilistic forecasting methods. Forecasting methods in the literature are not appropriate for transactional data; therefore, a new method must be developed. To optimize delivery dates while reaching target service levels, a stochastic approach is necessary. The traditional solution is to calculate a safety stock by fitting the data with a normal distribution; however, it has been shown that this method underachieves the target service levels (i.e., stock-outs occur more often than expected). Quantile forecast is a type of probabilistic forecast that is perfectly suited to our objective. The optimal delivery date is calculated by estimating a quantile of the time interval leading to a stock-out, for a quantile equal to 1 - the target service level. The methodology covers the entire data flow: data preparation, method selection and evaluation of the selected method. The case study applies the methodology in the context of reverse logistics. With the model that has been developed, we could reduce transportation costs without penalizing service level. If we target a service level of 90% (compared to the current state of 89%), we could reduce the annual number of collects by 21%.