Gestion de la demande en pièces de rechange : Approche dans un contexte de démarrage à froid

Les entreprises de transport font face à des défis dans la gestion des pièces de rechange lors de l’intégration de nouvelles flottes d’autobus, notamment la transition vers les technologies électriques qui confère un mode de transport plus durable. Cette transition vers des véhicules électriques génère des complexités techniques, en particulier avec des moteurs et des composants spécifiques, ce qui rend la gestion des stocks de nouvelles pièces difficile. L’un des enjeux réside dans la prévision de la consommation des pièces de rechange dans un contexte dit de « démarrage à froid », c’est-à-dire en l’absence de données historiques de consommation. Cette situation rend la planification des stocks particulièrement complexe en raison du nombre important de pièces à gérer. Ce projet applique la méthodologie DRM en suivant quatre phases. La clarification des recherches identifie la difficulté de gérer les pièces de rechange lors de l’intégration de nouvelles flottes de bus en démarrage à froid. L’étude descriptive initiale analyse les limites des pratiques actuelles, notamment le modèle réactif du partenaire industriel et la complexité des nouveaux composants. L’étude prescriptive propose un modèle en trois volets : un prétraitement, une estimation initiale des pièces à risque basée sur un critère de risque, puis un modèle de prévision adaptatif pour ajuster les stocks au fil du temps. Enfin, l’étude descriptive finale démontre un gain potentiel d’environ 37000 $\$$ et une réduction du taux d’immobilisation de 0.4%, tout en mettant en évidence les limites liées aux composants entièrement nouveaux. L’objectif principal de ce mémoire est d’améliorer la gestion des nouvelles pièces lors de la mise en service d’une nouvelle flotte d’autobus sans ou avec peu de données historiques. Ce mémoire de maîtrise propose une approche en trois temps. Le premier temps consiste en un prétraitement des données disponibles, visant à réorganiser et filtrer les articles nécessaires à l’analyse. Le deuxième temps porte sur l’estimation d’un stock initial de pièces. À partir des données prétraitées, un modèle est proposé pour identifier les pièces les plus susceptibles de provoquer une immobilisation des véhicules durant les premiers mois d’exploitation. Enfin, le troisième temps introduit une méthode de prévision adaptative, permettant d’ajuster les prévisions de consommation de ces pièces au fur et à mesure de l’intégration progressive de la flotte. Cette méthode favorise une gestion dynamique des stocks. L’enjeu est de maximiser la disponibilité des véhicules tout en limitant les coûts de stockage. La création d’un critère de risque pour l’estimation d’un stock initial prenant en compte la probabilité qu’une éventuelle panne se produise et de sa criticité a permis de montrer qu’environ 40% des 10 sous-systèmes les plus à risque pour les bus électriques ont pu être prévu d’avance grâce aux informations des sous-systèmes à risque des bus thermiques déjà présents dans la flotte. Cela a été comparé à la stratégie réalisée notre partenaire, qui consiste à ne prévoir aucun stock initial et à ne commander les pièces uniquement lorsqu’un bus tombe en panne. Notre partenaire souhaite intégrer environ 140 bus électriques par an, en ajoutant un stock initial, un gain d’environ 37000 $\$$ serait réalisé en passant d’un taux d’immobilisation de 4% par manque de pièces de rechange à 3.6%. Toutefois, le modèle proposé possède certaines limitations concernant la prise en compte uniquement des sous-systèmes similaires aux anciennes flottes de bus. Elle ne permet pas encore d’anticiper les défaillances liées aux composants entièrement nouveaux ou exclusifs aux bus électriques récents avant la mise en service d’une nouvelle flotte, ce qui représente une limite importante. Le projet conclut sur le fait que des erreurs de prévision sont inévitables au début, et qu’un ajustement réactif permet d’atténuer les effets du démarrage à froid. Une stratégie itérative d’intégration annuelle des flottes de bus permet d’affiner progressivement les informations sur les sous-systèmes à risque ainsi que les prévisions des consommations. À terme, l’accumulation progressive des données issues des premières années permet de construire une base de connaissances plus solide et d’améliorer la fiabilité des prévisions. Le mémoire met en lumière la possibilité de coupler les données techniques des pièces lorsqu’elles sont disponibles avec des données de consommations, mais cela nécessite une gestion plus complexe des informations étant donné la grande quantité de données à traiter. Ce travail ouvre la voie à une gestion plus intelligente et plus agile des stocks, qui s’appuie non seulement sur les données historiques, mais aussi sur les données descriptives des composants. Il invite également à renforcer les outils numériques de la maintenance pour faciliter l’exploitation des données critiques.