Prévision de la demande intermittente avec ou sans données de télémesure

La demande d'un client peut être mesurée à plusieurs endroits le long de la chaîne logistique. Lorsque les mesures sont prises au point de vente d'un client, un arrangement collaboratif de type Vendor Managed Inventory (VMI) est possible. Dans ce type d'arrangement, le fournisseur est uniquement responsable de la gestion du stock de ses client. Cependant, ceci nécessite la confiance entre les partenaires de la chaîne logistique, la volonté de partager l'information, ou la mise en application d'un système de télémesure des données qui peuvent tous être une source de risque ou prohibitive en matière de coût. Ainsi en pratique, un fournisseur exploitant un arrangement VMI peut ne pas être en possession des données du point de vente pour certains clients. Ce sujet a généré quelques travaux dans la littérature et plusieurs améliorations sont possibles pour la gestion d'une chaîne logistique sous ces conditions. L'objectif général de notre recherche est d'améliorer la gestion de la chaîne logistique pour un fournisseur dans un arrangement collaboratif où il collecte des données par télémesure de la demande au point de vente de ses clients, dans un contexte de demande intermittente. Nous proposons trois contributions sur la prévision, la mesure d'erreur et l'évaluation de la chaîne logistique, tous pour une demande intermittente et en exploitant les données de télémesure. En premier lieu, lorsque les données de demande du point de vente sont absentes, un fournisseur doit se servir d'autres moyens pour déterminer la demande de ses clients. Pour cela, l'historique des livraisons effectuées chez un client peut être agrégé et transformé en série temporelle de la demande, mais ces séries peuvent être bruitées et avoir un comportement intermittent. Des modèles ont été proposés, pour ces données de la demande prises en amont dans la chaîne logistique, qui déduisent la demande d'un client à son point de vente et ainsi améliorent les prévisions de la demande. Cependant, ces modèles n'ont pas pu être évalués à cause d'un manque de vraies données du point de vente. De plus, aucun modèle de prévision de la demande existant ne considère le contexte d'une demande connue partiellement lorsque les données du point de vente manquent pour un petit groupe de clients. Dans cette situation, nous proposons comme première contribution un modèle d'apprentissage supervisé pour la prévision de la demande. Ce modèle détermine une relation entre les données de demande du point de vente et les données de demande des livraisons. Cette relation permet d'améliorer les prévisions de la demande pour des clients pour lesquelles les données de point de vente sont inconnues. Nos résultats montrent une amélioration de 10 % en précision comparée aux modèles traditionnels de prévision de la demande. En deuxième lieu, une mesure d'erreur précise est requise pour la validation du choix d'un modèle de prévision. Plusieurs mesures d'erreurs ont été proposées dans la littérature où l'erreur est calculée sur la partie hors échantillon de la série temporelle. Cependant, ces mesures d'erreurs ne sont pas intuitives ou robustes lorsque les données sont intermittentes. De nouvelles mesures d'erreurs ont été proposées pour rectifier certains de ces problèmes en inférant le mouvement des stocks sous-jacents à la prévision de la demande. Dans un arrangement collaboratif dans lequel les données de la demande du point de vente des clients sont connues, ces données peuvent être utilisées pour améliorer ces mesures d'erreurs en permettant de véritablement calculer les mouvements du stock chez les clients. Au lieu de comparer les prévisions de la demande unitaires au vrai stock, nous proposons comme deuxième contribution une mesure d'erreur basée sur la capacité à prédire le temps avant d'atteindre une situation de rupture de stock chez les clients. Cette nouvelle mesure d'erreur est intuitive et robuste et est très utile dans un arrangement de type VMI. Nous comparons la mesure d'erreur proposée à celles retrouvées dans la littérature pour pouvoir la remplacer lorsque les données du point de vente sont absentes, mais l'efficacité est réduite. En troisième lieu, quoique l'amélioration du modèle de prévision et de la mesure d'erreur va bien sûr permettre l'amélioration de la prévision de la demande d'un client, les données utilisées pour la prévision demeurent l'aspect le plus crucial. La littérature promeut le partage des données ou leur collection par des moyens technologiques comme la télémesure, mais les analyses de type coût-avantage sont rares. Ces analyses permettent de guider un individu lorsqu'il doit décider de mettre en œuvre ou non ces types d'arrangement collaboratif. Nous proposons comme troisième contribution une simulation qui minimise le niveau de stock de sécurité et le nombre de livraisons à effectuer pour maintenir un niveau de service ciblé. L'accès à deux sources de données de la demande (point de vente des clients et l'historique de livraison du fournisseur) permet de comparer ces deux stratégies informationnelles dans la gestion de la chaîne logistique. Nos résultats montrent que les données du point de vente permettent de diminuer le nombre de livraisons à effectuer de 16 % et la quantité de stock à maintenir chez le client de 43 % tout en garantissant un niveau de service de 100 %. Les trois contributions présentées ci-dessus sont des avancées scientifiques importantes tout en étant des solutions pratiques pour l'industrie. Pour évaluer nos contributions, nous utilisons des données réelles provenant d'un vrai partenaire industriel. Nous prenons soin de bien décrire le partenaire industriel selon les caractéristiques retrouvées dans la littérature sur la chaîne logistique. Au cœur de notre travail est l'accès fourni par le partenaire à ses données de télémesure de la demande mesurées au point de vente de ses clients. Ces données de télémesure permettent de valider nos contributions. La méthodologie employée est comparative. Nous cherchons à isoler l'effet des données de la demande dans la prévision, la validation des modèles et l'analyse des avantages dans la gestion de la chaîne logistique. Finalement, comme perspective de recherche, nous proposons de poursuivre la méthode de caractérisation de série temporelle de la demande intermittente pour permettre la recommandation de décisions logistiques selon les caractéristiques intrinsèques de la demande. Nous proposons l'étude de modèles de prévision de la demande qui intègrent les différentes agrégations temporelles disponibles dans les données recueillies et les différentes agrégations temporelles nécessaires pour les besoins industriels. Nous proposons, comme dernière perspective, l'étude de l'interdépendance de la prévision, sa mesure d'erreur et les avantages logistiques, soit nos trois contributions, dans l'analyse complète de la chaîne logistique.

Abstract

A customer's demand can be measured at multiple locations along a supply chain. When observations are collected at a customer's point-of-sale, collaborative Vendor Managed Inventory (VMI) arrangements are possible. However, this requires either trust between supply chain partners, the willingness to share the information, or the implementation of telemetry, all of which are unreliable and prohibitive. This means that in practice, suppliers operating a VMI arrangement may have missing point-of-sale demand data for some customers. This topic has generated only few works in the literature and numerous improvements can be made for managing a supply chain under these conditions. The main objective of our research is improving supply chain management for a supplier in a collaborative arrangement in which he collects demand data from a customer's point of sale using telemetry in an intermittent demand context. We propose trois contributions on forecasting, error measurement and supply chain evaluation, all for an intermittent demand while utilizing telemetry data. Firstly, when point-of-sale demand information is missing, suppliers turn to other methods of determining their customer's demand. Historical delivery data can be aggregated to produce demand time series, but these can contain noise and display intermittent behavior. Models have been proposed for use on this upstream demand data which infer a customer's point-of-sale demand data to improve the subsequent demand forecast. However, these models are poorly evaluated in the literature due to a lack of access to real point-of-sale data. Furthermore, no current demand forecasting model considers the practical situation where data is partially known—i.e., point-ofsale data is missing for a small subset of customers. In this situation, we propose as our first contribution a supervised learning model to produce a mapping between known point-of-sale demand data and historical delivery demand data, that is then leveraged to improve future demand forecasts for customers with missing point-of-sale data. Our results show up to a 10% accuracy improvement over traditional demand forecasting methods. Secondly, accurate error measurements are required to validate the choice of forecasting models. Numerous error measurements have been proposed in the literature which calculate the error on out-of-sample time series observations. However, these error measurements are unintuitive and not very robust to intermittent behavior. Newer error measurements have remedied some of these issues by intuiting the underlying stock behavior of forecasted demand. In a collaborative arrangement for which customers' point-of-sale demand data is known, point-of-sale data can be used to improve upon these error measurements by calculating the error directly on a customer's real stock behavior. Instead of comparing the point forecasts results to the real stock, we propose as our second contribution an error measurement for forecasting models based on their accuracy at forecasting stock-out situations. This is both a robust and useful error measurement over the other alternatives and of preeminent use in VMI arrangements. We further compare our proposed error measurement to those found in the literature which allows them to be used as a replacement to our proposed error measurement when the point-of-sale data is unavailable but with reduced efficacy. Thirdly, although improving the forecasting model and error measurement are both critical for improving a customer's demand forecast, the underlying data used for demand forecasting is the foremost constraint—garbage in, garbage out. This is made even more important under a VMI arrangement where suppliers assume the entire responsibility of its customers' stock. The literature encourages data sharing and collection using technological means such as telemetry, but costbenefit analyses are rare. These analyses can guide practitioners when making decision to implement these types of arrangements. We propose a simulation-based framework which minimizes the inventory's safety stock and the number of deliveries required to maintain a specified service level. Access to both point-of-sale demand data and the supplier's historical delivery demand data allows for comparison between information strategies in supply chain management. Our results show that collecting a customer's point-of-sale demand data offers more savings in terms of customer inventory stock (16%) than in terms of the number of deliveries (43%) for a targeted service level of 100%. These three proposals presented above both fill a gap in the literature and represent real practical applications. To evaluate our contributions, we rely on real data provided by a real industrial partner. Care is taken to adequately describe this industrial partner in relation to current supply chain literature. Core to our work is the access the industrial partner provides to telemetric pointof-sale demand data which it collects for its customers. This telemetric point-of-sale data is used to validate our proposals. The methodology employed to identify the improvements brought by this telemetric demand data is comparative in its nature whereby we isolate the impact of the data in the forecasting, model validation, and supply chain cost benefit analyses. Finally, in terms of perspectives to the work found herein, we propose continuing research in intermittent demand time series characterization methods for logistic recommendations as a function of demand characteristics. We further suggest the study of forecasting models which integrate the multiple temporalities available in the collected data and the multiple temporalities required for the industry. Lastly, we propose the study of the interdependence between forecasts, error measurements, and logistic advantages—i.e., our three contributions—in the holistic analysis of supply chains.