Prédiction des retards des ordres de réapprovisionnement dans un système de production géré par DDMRP

La méthode DDMRP (Demand-Driven Material Requirements Planning) est reconnue pour sa capacité à optimiser la gestion des stocks, l'organisation de la production et la satisfaction des clients dans des conditions normales. Cependant, en période de pics de demande, il est parfois impossible d'éviter des retards de commandes. Dans ces situations, il devient crucial de fournir aux clients une estimation fiable des retards des ordres de réapprovisionnement pour maintenir leur satisfaction et éviter des pertes de ventes. Cette étude propose une solution d'apprentissage automatique permettant de prédire ces délais dans une ligne de production gérée par DDMRP. L'objectif est d'identifier les informations essentielles pour obtenir des prévisions précises. Pour ce faire, une simulation a été utilisée pour générer les données d'entraînement et de test nécessaires aux modèles d'apprentissage automatique, en particulier pour des scénarios de forte demande.

Abstract

The DDMRP (Demand-Driven Material Requirements Planning) method is recognised for its ability to optimise stock management, production organisation and customer satisfaction under normal conditions. However, during periods of peak demand, it is sometimes impossible to avoid customer order delays. In these situations, it becomes crucial to provide customers with a reliable estimate of backorder times to maintain their satisfaction and avoid lost sales. This study proposes a machine learning solution for predicting backorder times in a DDMRP production line. The aim is to identify the essential information needed to obtain accurate predictions. To do this, a simulation was used to create the training and test data required for the machine learning models, particularly for high-demand scenarios.