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.