Laboratoire Commun de Recherche AGIRE

DDAE qu’est-ce que c’est ?

1 programme, 3 travaux de recherche complémentaires

Thèse de
Romain Miclo
(2013 – 2016)

Thèse de
Guillaume Martin
(2017 – 2020)

Thèse de
Jean-Baptiste Vidal
(2019 – 2021)

Les principaux enjeux des supply chain d’aujourd’hui concernent l’adaptation à des environnements instables. Demand Driven Material Requirements Planning (DDMRP) est une méthode récente et prometteuse de gestion des flux qui a été conçue pour faire face aux problématiques actuelles.

Le travail de recherche réalisé détaille et positionne DDMRP par rapport aux autres méthodes connues de pilotage de flux. Le but de ce travail était de challenger les principales promesses de DDMRP.
Pour cela, un plan d’expériences a été réalisé sur un cas d’étude pour évaluer le comportement de MRP II, Kanban et DDMRP face à différentes sources de variabilité. Le dimensionnement des buffers DDMRP est un sujet majeur pour la méthode. Il a été traité sur un cas d’étude avec un travail d’optimisation.

Toutes les contributions ont été expérimentées avec l’implémentation de DDMRP sur un cas réel. La thèse permet ainsi de valider certains atouts de DDMRP, tels que l’adaptation du système à différentes formes de variabilités, mais elle permet également de souligner des perspectives majeures de recherche sur ce sujet.

Pour télécharger la thèse de Romain Miclo, cliquez ici.

Références :

Figure 1: Réalisée à partir de l’article de l’International Journal of Production Research

Miclo Romain, Matthieu Lauras, Franck Fontanili, Jacques Lamothe, and Steven A.Melnyk. ‘DemandDriven MRP: Assessment of a New Approach to Materials Management’. InternationalJournal of Production Research, (April 2018): 1–16. https://doi.org/10.1080/00207543.2018.1464230

Miclo Romain. ‘Challenging the “Demand Driven MRP” Promises : A Discrete Event Simulation Approach’. Phdthesis, Ecole des Mines d’Albi-Carmaux, 2016. https://tel.archives-ouvertes.fr/tel-01673811/document

Miclo, R., F. Fontanili, M. Lauras, J. Lamothe, and B. Milian. ‘An Empirical Comparison of MRPII and Demand-Driven MRP’. 8th IFAC Conference on Manufacturing Modelling, Management and Control MIM 2016, 49, no. 12 (January 2016): 1725–30. https://doi.org/10.1016/j.ifacol.2016.07.831

Miclo, R., F. Fontanili, M. Lauras, J. Lamothe, and B. Milian. ‘MRP vs. Demand-Driven MRP: Towards an Objective Comparison’. In 2015 International Conference on Industrial Engineering and Systems Management (IESM), 1072–80, 2015. https://doi.org/10.1109/IESM.2015.7380288

Le Demand Driven Sales and Operations Planning (DDS&OP) est une étape qui appartient au modèle Demand Driven Adaptive Enterprise (DDAE) (Ptak and Smith, 2018). Ce modèle est décomposé en trois étages, chacun correspondant à un horizon de gestion spécifique.

Le Demand Driven Operating Model (DDOM) intègre trois modules (Demand Driven MRP, Planification et Exécution) qui agissent ensemble pour optimiser le flux opérationnel. Le DDS&OP intervient en parallèle pour les décisions à l’horizon tactique. L’Adaptive Sales and Operations Planning (AS&OP) vient ajouter une couche de gestion stratégique au modèle DDAE.

Les activités du DDS&OP incluent trois étapes majeures :
(i) l’analyse des données issues du terrain, souvent nommée analyse de variance ;
(ii) la configuration du modèle de configuration qui sera transmis au DDOM et à l’AS&OP en fonction de l’analyse précédente et des objectifs fixés ;
(iii) enfin, la projection de scénarios de performance pour évaluer l’impact des décisions les plus complexes.

Pour être réellement efficace, le processus DDS&OP doit cependant effectuer ces activités pour l’ensemble des références gérées en Demand Driven. Il s’écarte donc d’un Sales and Operations Planning traditionnel où le niveau de granularité serait celui de la famille de produits. La difficulté réside donc dans la prise de décisions efficaces à partir d’informations pertinentes et ce, pour de nombreuses références, ainsi que de nombreux profils de buffers.

Pour faciliter en même temps la correction des problèmes survenus, ainsi que la détection d’opportunités, nous proposons d’outiller le processus DDS&OP avec une application métier. L’outil permettra, en se basant sur un ensemble de règles métiers, d’analyser automatiquement les alertes et d’informer l’utilisateur sur les récurrences d’évènements spécifiques, puis de proposer un ensemble de décisions. Nous proposons également de valider ou non l’efficacité des décisions métiers actuellement contestées.

Articles :

Adaptive Sales & Operations Planning (AS&OP) est une composante du nouveau modèle de gestion des chaînes logistiques dit Demand Driven Adaptive Enterprise.

AS&OP promet d’offrir aux managers une visibilité pour contrôler la variabilité et améliorer le retour sur investissement, et s’adapter rapidement aux mutations devenues fréquentes des marchés. Ce sont des promesses ambitieuses, déjà tenues par d’autres et qui sont malheureusement souvent restées lettres mortes.
AS&OP a donc par ces aspects gagné l’intérêt des praticiens mais aucune étude scientifique n’a encore démontré sa pertinence et surtout aucun outil concret de mise en oeuvre n’a encore été développé.

De façon concrète, quatre grands axes ont été identifiés pour guider le travail de cette thèse :
Axe 1 : Il s’agit d’étudier la pertinence et l’exhaustivité du processus AS&OP. Pour cela, il s’agit d’identifier les limites des approches existantes dans la littérature, mais surtout les points de vue à développer (risque, flux, finance, capacité, marché, etc.), les variables de décisions, les leviers et modalités de coordination entre les acteurs, les modèles d’organisation entre services, les indicateurs et les objectifs. Le travail héritera ici de travaux de modélisation d’entreprise et de business process management.
Axe 2 : il s’agit de réaliser les modèles au cœur de l’aide à la décision et les méthodologies et algorithmes de résolution. Le travail portera ici sur des approches couplant simulation de flux et recherche opérationnelle pour répondre à des enjeux d’analyse de sensibilité, robustesse et agilité. Il intègrera aussi des démarches de data sciences pour automatiser la création d’instances du modèle à partir des données du terrain.
Axe 3 : Il s’agit d’intégrer les modèles dans des outils orientés « aide à la décision ». Il s’agit donc ici de formaliser les interfaces utilisateurs ainsi que les processus de décision monopolisés pour proposer et valider les décisions.
Axe 4 : Eprouver les développements scientifiques sur le terrain.

L’ensemble de ces recherches sera confronté à chaque étape avec le terrain via des entreprises et leurs praticiens en cours d’application de l’approche DDAE. Le programme est donc centré sur deux temps forts qui se superposent : une approche théorique et une approche pratique.