Mémoire thématique : Impact du calcul des quantités de commande sur l’effet Bullwhip
description
Transcript of Mémoire thématique : Impact du calcul des quantités de commande sur l’effet Bullwhip
1
Mémoire thématique : Impact du calcul des quantités de commande sur l’effet Bullwhip
Présenté le 5 Mars 2009 par Dhia JOMAA
Membres du Jury :Vincent Mousseau
Asma GhaffariRym Kalai
Eric Wanscoor
2
Sommaire Cadre de l’étude
Le sujet
Base bibliographique
L’effet Bullwhip
Description du phénomène
Causes et actions d’atténuation
Démarches scientifiques d’analyse
Analyse des paramètres d’influence
Impact des techniques de prévision
Impact des politiques de commande
Conclusions et perspectives
3
Sujet
Impact du calcul des quantités de commandes sur
l’effet Bullwhip
Points à évoquer
Qu’est ce que l’effet Bullwhip ? Comment le
quantifier ?
Les paramètres qui ont un impact sur l’effet
Analyse des paramètres qui se rapportent aux calcul
des quantités de commande
4
Base Bibliographique Articles publiés dans des revues internationales
1. Production, Manufacturing and Logistics
2. International Journal of Production Economics
3. The International Journal of Management Science
4. European Journal of Operational Research
5. Management Science
6. Computers and Industrial Engineering
7. Computers and Operations Research
8. Production and Operations Management
9. Naval Research Logistics
5
Base Bibliographique
Principaux pays impliqués dans la recherche
6
Sommaire Cadre de l’étude
Le sujet
Base bibliographique
L’effet Bullwhip
Description du phénomène
Causes et actions d’atténuation
Démarches scientifiques d’analyse
Analyse des paramètres d’influence
Impact des techniques de prévision
Impact des politiques de commande
Conclusions et perspectives
7
L’effet Bullwhip
Premiers travaux sur l’effet Bullwhip : Forrester (1958) : Amplification
de la variabilité de la demande le long de la chaîne logistique
Phénomène illustré dans le jeu de la bière Stermann (1989)
8
Causes de l’effets / Actions d’atténuation
Lee et al (1997),
Katsuhiko Takahasi et al
(2003)
Analyse de la demande
Commande en lot
Fluctuation des prix
Capacité
Partage d’information
Coordination : VMI, etc…
Réduction des temps
d’approvisionnement
Causes Actions d’atténuation
9
Démarches scientifiques d’analyse
Démarche analytique
statistique : Chen et al
(2000.a , b), Chatfield et al
(2004), H T Luong (2007)
Indicateur de quantification
de l’effet Bullwhip : Ratio des
variances : DVA =
Var(Demande) / Var
(Demande client)
Théorie des systèmes :
Dejonckheere et al (2002, 2003,
2004), Disney et al (2003)
Utilisation des fonctions de
transfert : Graphe de la réponse
fréquentielle :
10
Sommaire Cadre de l’étude
Le sujet
Base bibliographique
L’effet Bullwhip
Description du phénomène
Causes et actions d’atténuation
Démarches scientifiques d’analyse
Analyse des paramètres d’influence
Impact des techniques de prévision
Impact des politiques de commande
Conclusions et perspectives
11
Techniques de prévision
Quelques travaux portent sur l’évaluation de l’impact de
techniques de prévision sur l’effet bullwhip
Techniques simples : moyenne mobile / lissage exponentiel : Cas
de demandes AR (1)
Techniques plus complexes : cas de demandes plus complexes AR
(p) ou encore AR MA
Politique adoptée pour l’évaluation de l’effet : politique base
stock
12
Techniques de prévision simples
Travaux qui portent sur les techniques simples :
Chen et al (2000.a); Xialong Zhang (2004); Jeon G Kim (2006) :
moyenne mobile
Chen et al (2000.b); Xialong Zhang (2004) : lissage exponentiel
simple
Chen et al (2000.b) ; Thomas Kelepouris et al (2008) : Lissage
exponentiel double
Erkan Bayraktar et al (2008) : modèle de Winters
13
Techniques de prévision simples
Auteurs DémarcheParamètres analysés
Hypothèses Résultats
Chen et al (2000.a)
Analytiquem.mobile / lead
time
Politique = N.R Demande auto
corrélée Chaîne k maillons
DVA = f (L,p)Croit avec L ,
Diminue avec p
Chen et al (2000.b)
Analytique
Lissage simple / lead
time
Politique = N.RD auto corrélée
/ D linéaire
DVA = f(L,alpha)
Croit avec L, Croit avec
alpham.mobile VS Lissage simple
Jeon G Kim (2005)
Analytique m.mobile / lead time
(stochastique)Politique = N.R
DVA = f (L,p)Lead
déterministe VS lead
stochastique
14
Techniques de prévision simples
Auteurs DémarcheParamètres analysés
Hypothèses Résultats
Thomas kelepouris
(2007)Simulation
Lissage double / lead time
Politique = N.R Données sur une chaîne logistique Grecque
DVA = f (L,coeff. Lissage)
Croit avec L , Diminue avec
p
Erkan Bayraktar
(2007)Simulation
Modèle Winters / lead
time
Politique = N.R DVA = f(L,coeff. Lissage)
15
Techniques de prévision non linéaires
Techniques utilisées pour le cas de processus de demandes
plus complexes : AR (p), ARMA (1,1), …
Technique MMSE, non linéaire
Travaux récents : Xiaolong Zhang (2004), H T Luong (2007). H
T Luong et N H Phien (2007), Duc et al (2008)
16
Techniques de prévision non linéaires Expressions indicateur ratio des variances plus complexes que pour
le cas des techniques simples : l’effet n’a pas systématiquement lieu ;
la réduction du lead time ne permet pas forcément d’atténuer l’effet
Cad d’une demande AR (2) : H T Luong et N H Phien (2007)
Cad d’une demande ARMA (1,1) : Duc et al (2008)
17
Politiques de commande
Politiques de commande traitées dans la littérature sur l’effet
Bullwhip
La politique base stock
Les politiques de commande génériques : APIOBCS, Modèle
de sterman, Modèle de Bowman
18
Politiques de commande : Politique base stock
Dejonckhere et al (2003, 2004), Janis Grabis (2005), K Hoberg et al (2007)
Dejonckheere et al (2003) : cas d’une chaîne simple à deux échelons
Dejonckheere et al (2004) : cas d’une chaîne quatre échelons
19
Politiques de commande : Politique base stock
K Hoberg et al (2007) : Extension de la politique base stock à une
politique basée sur un partage de l’information
Janis Grabis (2005) : Politique Bases stock VS MRP, la démarche MRP
est plus performante sur le critère de la variabilité de la demande
20
Politiques de commande : Politiques de commande génériques
Modèle de Stermann :
Modèle de Bowman
APIOBCS :
Le choix des paramètres agit sur la variabilité de la demande :
Réglage induisant l’effet
Réglage permettant d’atténuer l’effet / Dégradation d’autres
performances
21
Politiques de commande : Politiques de commande génériques
Réglages induisant l’effet Bullwhip : Résultats retrouvés
concernant la politique base stock
Modèle de Bowman (paramètres fixés à 1) : Marko Jaksic et Borut
Rusjan (2008)
Modèle de Sterman (paramètres fixés à 1) : David Wright et Xin
Yuan (2008).
APIOBCS ( Ti = Tw = 1) : Dejonckheere et al (2003, 2004)
22
Politiques de commande : Politiques de commande génériques
Réglages permettant d’atténuer l’effet Bullwhip : cas
de l’APIOBCS : Ti <> 1 , Tw <> 1
Dejonckheere et al (2003) : cas d’une chaîne simple à deux échelons
Dejonckheere et al (2004) : cas d’une chaîne quatre échelons
23
Politiques de commande : Politiques de commande génériques
Réglage permettant une optimisation globale : Variabilité
des commandes (Bullwhip) + Variabilité du niveau de stock (cas
de DE-APIOBCS (Ti = Tw) ) : Disney et Towill (2003, 2004), Zhou
et Disney (2006), Warburton et Disney(2007)
Disney et Towill (2003,
2004) : Cas discret de la
politique DE-APIOBCS
Zhou et Disney (2006),
Warburton et Disney (2007) :
Cas continu de la politique
DE-APIOBCS
Équivalence entre les deux domaines : nécessité de la recherche de compromis entre les
deux critères : optimisation globale : Variabilité des commandes + Variabilité du stock
24
Sommaire Cadre de l’étude
Le sujet
Base bibliographique
L’effet Bullwhip
Description du phénomène
Causes et actions d’atténuation
Démarches scientifiques d’analyse
Analyse des paramètres d’influence
Impact des techniques de prévision
Impact des politiques de commande
Conclusions et perspectives
25
Conclusions et perspectives
Politique base stock : évaluation de techniques de prévision
Occurrence de l’effet pour les techniques de prévision simples
Complexification de l’effet avec le processus de demande
Étendre les études aux processus de demande plus complexes
Généralisation du résultat par l’approche des fonctions de transfert :
la politique base stock est inductrice de l’effet Bullwhip
Adoption de politiques génériques pour l’atténuation de l’effet
(introduction d’une fraction entre les Gaps Stock / Encours)
26
Conclusions et perspectives
Les politiques génériques peuvent atténuer l’effet mais d’autres
critères peuvent être dégradés : variabilité du niveau de stock :
Nécessité de trouver des compromis
Fonction traitée : Somme des variances
Étendre les études aux cas de fonctions plus complexes
Politiques classiques peu analysées, politiques (s, S) Peter Kelle et
Alistair Milne (1999)
Impact des politiques de Lot sizing délaissé : I Nyoman Pujawan (2004)
: impact de deux politiques de lot sizing sur l’effet (LUC / SM)