Conception d'un système de gestion de l'inventaire pour un portefeuille de produits à profil de demande mixte

Une des activités centrales de la chaîne logistique est la gestion de l'inventaire puisqu'elle implique de larges sommes d'argent investies dans du matériel, ce qui a un impact important sur la profitabilité d'une entreprise. La gestion de l'inventaire vise en particulier à déterminer quand et en quelle quantité il faut commander du matériel. La démocratisation de l'accessibilité à des outils de prévision performants, automatisés et en amélioration continue modifie les problèmes importants que les chercheurs et développeurs de systèmes de gestion de l'inventaire doivent surmonter. De plus en plus, ces problèmes se focalisent autour de l'évaluation, du suivi des performances, de la sélection des modèles de prévision et de la prise de décision. Ces sujets sont abordés dans cette thèse qui propose une approche pour la conception et le développement d'un système de gestion de l'inventaire pour un portefeuille de produits à profil de demande mixte. Les profils de demande sont une caractéristique des séries temporelle et il s'avère que les traitements et méthodes de prévisions à utiliser varient selon le profil de demande des séries. Plusieurs défis et questions demeurent sans réponse en présence de séries à profil mixtes. Notre état de l'art a soulevé quelques-uns des principaux défis. Les métriques de précision sont souvent à la base des décisions de sélection de modèles de prévision pour la gestion de l'inventaire. Or, comment faire la sélection de modèles lorsque les métriques de performance n'atteignent pas un consensus ? Une méthode pour quantifier la précision et la fiabilité des métriques de performance des modèles de prévision est développée afin de répondre à cette question. Nos résultats ont permis de mesurer la sensibilité et la fiabilité de plusieurs métriques de performance populaires et donne quelques recommandations sur quelles métriques utiliser selon diérentes circonstances. Avec cette méthode, la sélection de modèles de prévision devient plus aisée. Cependant, il n'existe toujours pas de consensus sur le lien qui existe entre la précision des modèles de prévision et les performances associées en gestion d'inventaire. La littérature ne présente pas non plus de consensus sur l'impact de la sélection multiple et les études menées jusqu'à maintenant sont basées sur la précision des résultats plutôt que sur leur utilité en mesurant les performances en gestion d'inventaire. Des connaissances additionnelles sont requises et sont fournies par nos travaux de recherche. Nos résultats ont montré que la sélection multiple donne de meilleurs résultats que la sélection globale. Les résultats ont également montré que la sélection individuelle basée sur des métriques de précision permet d'obtenir des résultats en inventaire performants comparables à une sélection basée sur les coûts. Toutefois, le lien entre la précision et la sélection globale demeure à éclaircir. Finalement, la prise de décision de réapprovisionnement demeure un aspect clé dont l'optimisation peut avoir un impact significatif sur la profitabilité d'une entreprise. Or, l'impact des politiques de réapprovisionnement dynamique demeure peu étudié. On propose donc d'étudier ce facteur tout en proposant une méthodologie pour optimiser une politique dynamique basée sur le cadre conceptuel de l'apprentissage par imitation. Ce cadre conceptuel permet de tirer parti de l'apprentissage automatique, une méthode ayant connu un important succès dans divers domaines d'application, pour la résolution de problème de décision. Les résultats ont montré une amélioration importante des performances en gestion d'inventaire en utilisant une politique d'approvisionnement basée sur l'apprentissage par imitation versus une politique dynamique (st, Q) ou statique (s, Q) classique. Les résultats ont également montré que la méthode proposée permet de générer des politiques plus robustes aux changements de performance qu'un modèle de prévision de la demande. La thèse dans son ensemble fournit plusieurs recommandations et méthodologies pour faire la conception d'un système de gestion de l'inventaire. Une méthodologie pour mener un tel système vers l'autonomie est également présentée. Les résultats cumulés des trois contributions ont ainsi permis d'accumuler de nouvelles connaissances sur le domaine et de proposer de nouvelles méthodes pour la résolution de problèmes d'inventaire. L'accumulation des résultats sur la relation complexe entre les performances en inventaire et la précision des prévisions de la demande a mené à l'explication de la nature de la complexité observée. Ces résultats pourront ainsi conduire au développement de nouvelles métriques de performance basées sur l'erreur et fortement corrélées avec les performances d'inventaire. Ceci permettra de faire la sélection et l'optimisation des paramètres de modèles de prévision de la demande pour la gestion d'inventaire sans avoir recours à la simulation. Les méthodologies proposées ont été validées à l'aide de données réelles provenant de notre partenaire industriel. Les conclusions, outils et méthodes développées dans cette recherche sont en cours d'implantation chez le partenaire industriel à des fins d'utilisation en production.

Abstract

One of the central activities of the logistics chain is inventory management since it involves large sums of money invested in stock, which has a significant impact on a company's profitability. Inventory management is concerned with determining when and in what quantity to order material. The democratization of the accessibility to high-performance automated and continuously improving forecasting tools is changing the important problems that researchers and developers of inventory management systems must overcome. Increasingly, these issues focus around evaluation, performance monitoring, selection of forecasting models, and decision-making. These topics are addressed in this thesis which proposes an approach for the design and development of an inventory management system for a portfolio of products with a mixed demand profile. Demand profiles are a characteristic of time series and it turns out that the treatments and forecasting methods to be used vary depending on the demand profile of the series. Several challenges and questions remain unanswered in the presence of series with mixed profiles. Our state of the art has raised some of the main challenges. Precision metrics are often the basis for decisions on the selection of forecasting models for inventory management. However, how do you select models when performance metrics do not reach consensus? A method to quantify the precision and reliability of performance metrics of forecasting models is developed to answer this question. Our results have measured the sensitivity and reliability of several popular performance metrics and make some recommendations on which metrics to use under dierent circumstances. With this method, the selection of forecast models becomes easier. However, there is still no consensus on the relation between the accuracy of forecasting models and the associated performance in inventory management. There is also no consensus in the literature on the impact of multiple selection and the studies conducted to date are based on the accuracy of the results rather than their usefulness in measuring inventory management performance. Additional knowledge is required and is provided by our research. Our results showed that multiple selection gives better results than overall selection. The results also showed that individual selection based on precision metrics achieves ecient inventory results comparable to selection based on cost. However, the relation between precision and overall selection remains to be clarified. Finally, the decision-making of replenishment remains a key aspect whose optimization can have a significant impact on the profitability of a company. However, the impact of dynamic replenishment policies remains little studied. We therefore propose to study this factor while proposing a methodology to optimize a dynamic policy based on the conceptual framework Of learning by imitation. This conceptual framework makes it possible to take advantage of machine learning, a method that has been very successful in various application areas, for decision problems. The results showed a significant improvement in inventory management performance using an inventory policy based on imitation learning versus a dynamic (st, Q) or static (s, Q) policy. The results also showed that the proposed method makes it possible to generate policies that are more robust to changes in performance of a demand forecasting model. The thesis provides several recommendations and methodologies for making the design of an inventory management system. A methodology for leading such a system towards autonomy is also presented. The cumulative results of the three contributions have thus made it possible to accumulate new knowledge in the field and to propose new methods for solving inventory problems. The accumulation of results on the complex relationship between inventory performance and the accuracy of demand forecasts has led to the explanation of the nature of the observed complexity. These results may thus lead to the development of new performance metrics based on error and strongly correlated with inventory performance. This will allow selection and optimization of demand forecasting model parameters for inventory management without resorting to simulations. The proposed methodologies have been validated using real data from our industrial partner. The conclusions, tools and methods developed in this research are being implemented by the industrial partner for use in production.