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.