Valorisation des données de maintenance extraites d'un ERP : développement d'un modèle utilisant l'intelligence artificielle pour la prédiction des consommations

La gestion efficace des stocks de pièces de rechange demeure un défi majeur pour de nombreuses entreprises, même avec l'utilisation répandue des systèmes ERP (Enterprise Resource Planning), des SCM (Supply Chain Management) et des technologies de pointe de l'industrie 4.0. Cela s'explique notamment par la nature très irrégulière de la demande en pièces de rechange pour la maintenance. Contrairement aux produits finis dont la demande peut être plus prévisible, les pièces de rechange sont souvent sujettes à des variations importantes et à des intervalles irréguliers entre les consommations successives. Les classifications traditionnelles basées sur la littérature ont souvent du mal à capturer efficacement ces fluctuations et à fournir une gestion précise des stocks de pièces de rechange. En effet, les périodes prolongées entre les consommations et les variations significatives de quantités rendent difficile l'établissement de profils de demande fiables ainsi que des prévisions efficaces. Dans cette optique, ce mémoire de maîtrise propose une approche basée sur les données pour la gestion des stocks de pièces de rechange. Cette méthodologie met en lumière l'ensemble du processus de gestion, depuis la collecte et l'analyse des données jusqu'à la gestion des exceptions, le regroupement des articles du catalogue en profils de demande, la prévision de la demande par profil et l'évaluation des performances. Notre attention s’est aussi portée sur l’optimisation des paramètres des méthodes de prévision par profil de demande avec des capacités de calcul limitées grâce à une utilisation intelligente des ressources informatiques à notre disposition. Comme la méthode de prévision miracle ne semble pas être identifiée dans la littérature, notre approche cherche à utiliser les spécificités de chacune d’entre elles en les affectant à des profils de demande différents. Pour cela, nous avons comparé les performances de 16 méthodes de prévision rencontrées dans la littérature scientifique. Ce qui distingue cette approche, c'est son mariage judicieux entre l'intelligence artificielle et l'intelligence humaine. En combinant algorithmes et l’expérience des experts à la STM, nous avons pu développer une méthodologie robuste et adaptable, capable de fournir des prévisions de demande plus précises et une gestion simplifiée des stocks de pièces de rechange pour la maintenance. Nous avons exploré la piste de la gestion par profil de demande définis par un clustering Kmeans dans le plan ADI/CV² pour réduire le nombre de paramètres de gestion dans les opérations. Aussi, un indicateur de risque de rupture est proposé pour permettre aux planificateurs d’être informé de prévisions potentiellement insuffisantes. De cette façon, ils ne doivent plus gérer des dizaines de paramètres pour des milliers de pièces mais pour quelques dizaines de groupes tout en gagnant de la visibilité sur les problèmes à venir. Nos résultats montrent que l'application de cette méthodologie avec les données de consommation d’un partenaire industriel peut entraîner une réduction significative de l'erreur absolue moyenne des modèles de prévision, allant jusqu'à 69 % par rapport aux pratiques actuelles basées sur la littérature. La méthode Autoregressive Integrated Moving Average (ARIMA) s’est illustrée comme étant la plus performante sur de nombreux profils de gestion. Cette amélioration notable de la précision de la prévision peut se traduire par des économies substantielles pour les entreprises, en réduisant les coûts liés aux surplus de stocks et aux pénuries de pièces de rechange tout en simplifiant la gestion de leurs inventaires.

Abstract

Effective spare parts inventory management remains a major challenge for many companies, even with the widespread use of ERP (Enterprise Resource Planning) systems, SCM (Supply Chain Management) and the cutting-edge technologies of Industry 4.0. One reason for this is the highly irregular nature of demand for maintenance spare parts. Unlike finished products, whose demand can be more predictable, spare parts are often subject to wide variations and irregular intervals between successive consumption. Traditional literature-based classifications often struggle to effectively capture these fluctuations and provide accurate spare parts inventory management. Indeed, long periods between consumption and significant variations in quantities make it difficult to establish reliable demand profiles and effective forecasts. This master’s thesis proposes an innovative and comprehensive data-driven approach to spare parts inventory management. This methodology encompasses the entire management process, from data collection and analysis to exception handling, grouping of catalog items into demand profiles, demand forecasting by profile and performance evaluation. We also focused on optimizing the parameters of demand profile forecasting methods with limited computing capacity, by making intelligent use of the computing resources at our disposal. As the miracle forecasting method does not seem to be identified in the literature, our approach seeks to use the specificities of each of them by assigning them to different demand profiles. To this end, we have compared the performance of 16 forecasting methods found in the scientific literature. What sets this approach apart is its judicious marriage of artificial and human intelligence. By combining algorithms and the experience of experts at STM, we have been able to develop a robust and adaptable methodology capable of providing more accurate demand forecasts and simplified management of spare parts inventories for maintenance. We explored the possibility of managing demand profiles defined by Kmeans clustering in the ADI/CV² plan, to reduce the number of management parameters in operations. In addition, a rupture risk indicator is proposed to enable planners to be informed of potentially insufficient forecasts. In this way, they no longer have to manage dozens of parameters for thousands of parts, but for a few dozen groups, while gaining visibility on future problems.