Conception d'outils d'aide à la décision visant à améliorer l'efficacité opérationnelle de la chaîne d'approvisionnement dans un contexte de modernisation technologique

Face aux défis contemporains tels que les perturbations des chaînes d’approvisionnement mondiales, la volatilité des marchés et la pression concurrentielle, les entreprises recherchent activement des solutions innovantes pour optimiser leurs opérations logistiques. L’émergence de technologies basées sur les données offre de nouvelles perspectives pour résoudre des problématiques logistiques traditionnellement abordées par des méthodes analytiques classiques. Cette thèse s’inscrit dans cette dynamique en proposant des méthodologies qui exploitent intelligemment les données pour créer des outils décisionnels adaptés aux réalités complexes des chaînes d’approvisionnement modernes. La performance logistique repose sur l’optimisation simultanée de multiples composantes interconnectées formant un système cohérent. Notre recherche aborde trois défis majeurs qui, ensemble, déterminent l’efficacité opérationnelle globale de la chaîne d’approvisionnement : la consolidation de marchandises, l’allocation des articles pour l’exécution des commandes (OFA), et le contrôle d’inventaire. Pour chacun de ces domaines, nous développons des approches novatrices qui tirent parti des avancées en fouille de données et en apprentissage automatique, en choisissant systématiquement l’outil méthodologique le mieux adapté à la nature spécifique de chaque problème. Notre première contribution présente une méthodologie novatrice de consolidation de marchandises basée sur la fouille de données. La consolidation (un processus consistant à regrouper plusieurs petits envois en unités plus importantes) représente un levier essentiel pour la réduction des coûts logistiques. Contrairement aux modèles traditionnels qui s’appuient généralement sur des données agrégées, notre approche exploite les règles d’association pour identifier des patterns cachés dans des données non agrégées et intermittentes. Cette méthode comprend l’extraction automatique de règles d’associations, qui sont ensuite sélectionnées selon des critères de proximité spatiale et de force d’association. Appliquée à un cas d’étude sur la consolidation de produits retournés, notre méthodologie surpasse les approches classiques d’optimisation, démontrant une réduction significative des coûts totaux tout en offrant une flexibilité accrue face aux fluctuations de la demande. Un avantage majeur de notre contribution réside dans sa capacité à traiter efficacement des volumes de données considérables sans compromettre la finesse de l’analyse, rendant la solution particulièrement pertinente pour les environnements logistiques actuels caractérisés par l’abondance informationnelle. Notre deuxième contribution élargit le cadre conceptuel en intégrant la consolidation spatiale à l’allocation des items pour l’exécution des commandes (OFA). Cette problématique, centrale dans les centres de distribution, consiste à déterminer quelles commandes prioriser et satisfaire lorsque les stocks sont limités. Nous développons une méthodologie multi-objectifs qui équilibre deux impératifs souvent contradictoires : la minimisation des coûts d’expédition et l’optimisation du taux de remplissage des commandes pondéré (WOFR), indicateur clé du respect des niveaux de service client. L’innovation centrale de cette contribution est un modèle de programmation linéaire en nombres entiers mixtes—WOFR-EC (Weighted Order Fill Rate Encouraging Consolidation)—qui intègre explicitement la consolidation spatiale dans son architecture décisionnelle. Ce modèle introduit un mécanisme de pénalisation proportionnel au nombre de points de collecte visités, encourageant ainsi le regroupement géographique des livraisons sans compromettre les niveaux de service client. La méthodologie intègre également une version améliorée de l’approche par règles d’association de notre première contribution, avec l’ajout d’un algorithme de sélection automatique des règles. Les expérimentations sur données réelles démontrent l’efficacité de notre approche : pour un niveau de service équivalent, notre méthodologie permet une réduction jusqu’à 21% du nombre d’arrêts dans les itinéraires de livraison comparativement aux méthodes conventionnelles. Cette contribution représente une avancée significative vers l’intégration des objectifs souvent contradictoires d’optimisation des coûts logistiques et de satisfaction client.Notre troisième contribution, d’une portée technique et méthodologique plus étendue, aborde la problématique fondamentale du contrôle d’inventaire dans des environnements complexes. Nous développons un système novateur qui intègre l’apprentissage par renforcement multi-agents (MARL) avec des prévisions par quantiles et de la programmation linéaire en nombres entiers mixtes. Cette approche hybride répond aux limitations des modèles traditionnels de gestion des stocks qui reposent souvent sur des hypothèses simplificatrices concernant la distribution de la demande et les structures de coûts. Notre système adresse directement les complexités des environnements de distribution réels : multiples unités de gestion des stocks (Stock Keeping Units, SKUs) avec des profils de demande interdépendants, accords de niveau de service (SLA) hiérarchisés avec différentes exigences de priorité, demandes non-stationnaires et intermittentes, et délais d’approvisionnement dynamiques. Cette architecture permet d’optimiser des fonctions objectifs personnalisées directement alignées sur les priorités opérationnelles : respect des SLAs, minimisation des coûts d’inventaire et réduction des retards de livraison.Pour établir une base comparative rigoureuse, nous avons d’abord développé et optimisé une heuristique sophistiquée incorporant des prévisions par quantiles et une gestion explicite des contraintes multi-SLA. Notre système basé sur l’apprentissage par renforcement démontre une amélioration normalisée de 9% par rapport à cette référence déjà optimisée, réalisée principalement grâce à une réduction de 16% des coûts de détention d’inventaire tout en maintenant les niveaux de service contractuels. Le système excelle particulièrement dans l’équilibrage des objectifs concurrents entre différents niveaux de SLA, les groupes de priorité inférieure bénéficiant d’améliorations dépassant 75% pour certaines métriques, tout en préservant la performance pour les catégories prioritaires. Cette approche représente une avancée significative par rapport aux méthodes traditionnelles car elle permet d’adapter dynamiquement les décisions d’inventaire en fonction des conditions changeantes du marché, sans nécessiter de récalibration manuelle des paramètres comme c’est souvent le cas pour les modèles statiques. Notre travail se distingue en proposant une combinaison judicieuse d’outils méthodologiques, chacun choisi pour ses forces spécifiques face au problème considéré. Pour les décisions d’OFA quotidiennes, nous privilégions la programmation mathématique car ces problèmes présentent des caractéristiques favorables : cadre bien délimité, absence de besoin de mémoire à long terme, et espace d’états relativement restreint (commandes actives et stocks disponibles). À l’inverse, pour le contrôle d’inventaire, l’apprentissage par renforcement s’avère supérieur grâce à sa capacité à incorporer la mémoire des événements passés, à s’adapter aux environnements changeants, et à gérer des espaces d’états volumineux tout en anticipant les conséquences à long terme des décisions actuelles. Cette approche reflète notre conviction qu’il n’existe pas de méthode universelle, mais plutôt un éventail d’outils dont l’efficacité dépend fondamentalement de la structure inhérente au problème traité. Les applications pratiques de nos contributions offrent des bénéfices tangibles aux entreprises confrontées aux défis logistiques contemporains. La méthodologie de consolidation basée sur les règles d’association permet d’optimiser les stratégies de transport et de réduire les coûts opérationnels liés à la livraison, particulièrement dans des contextes où la demande présente une forte variabilité et intermittence. Le modèle WOFR-EC fournit aux centres de distribution un outil permettant de réduire substantiellement les coûts logistiques tout en respectant rigoureusement les niveaux de service établis avec les clients, grâce à l’intégration intelligente de la consolidation spatiale dans les décisions quotidiennes d’allocation des stocks. Quant au système de contrôle d’inventaire basé sur l’apprentissage par renforcement, il constitue une solution complète qui permet d’optimiser simultanément les niveaux de stock, la synchronisation des réapprovisionnements avec la demande anticipée, et l’allocation équilibrée des ressources entre différentes catégories de clients selon leurs priorités contractuelles, le tout en s’adaptant dynamiquement aux fluctuations du marché sans intervention manuelle récurrente. Cette thèse démontre comment l’utilisation ciblée des technologies basées sur les données peut considérablement améliorer l’efficacité opérationnelle de la chaîne d’approvi-sionnement. Les méthodologies développées constituent des outils décisionnels qui répondent aux besoins concrets des entreprises modernes, leur permettant de naviguer avec agilité dans un environnement commercial exigeant. Au-delà des contributions méthodologiques, notre travail ouvre de nouvelles perspectives pour la recherche en logistique, notamment vers le développement de systèmes encore plus intégrés qui orchestrent les différentes composantes de la chaîne d’approvisionnement, et l’exploration de méthodes d’apprentissage hybrides combinant les forces des différentes approches algorithmiques pour résoudre des problèmes logistiques de complexité croissante.