DD
Analysis
Simulation et optimisation de stocks MRP et DDMRP
à remplacer
Aujourd’hui les supply chains sont complexes et l’enjeu de maîtriser les stocks sans s’exposer aux risques devient critique — mais nous continuons à penser localement.
DD Analysis permet d’avoir une approche transversale, au-delà des silos de l’entreprise : simuler le réseau entier avant de modifier les paramètres réels, puis comparer plusieurs politiques de stock afin d’identifier les meilleurs compromis entre disponibilité, stocks et risques (amont, aval et interne).
Le problème est un problème de réseau
Schéma conceptuel — aucune donnéeFournisseur
Un délai ou une quantité reçue s’écarte du plan.
Usine
Nomenclatures et niveaux du réseau absorbent ou transmettent l’écart.
Entrepôt
Baisser le stock ici peut simplement déplacer le problème.
Magasin
La demande varie, les pics remontent la chaîne en sens inverse.
de décision
Un laboratoire de décision pour la supply chain
J’ai développé en C# un simulateur capable de reproduire, jour après jour, le fonctionnement d’une supply chain à plusieurs niveaux.
Quatre capacités du simulateur
Mise à disposition
Une interface web permettait aux utilisateurs de déposer leurs données, de lancer les calculs et de récupérer les résultats.
Le simulateur n’était donc pas un script d’analyse : il était livré comme un outil utilisable dans le cadre d’une mission.
Examiner DD Analysis reliait les leviers de paramétrage aux règles de calcul du buffer, puis aux objectifs suivis : niveau de service, stock moyen et charge.
Schéma d’origine — à redessiner. Emplacement remplaçable, contenu conservé.
de décision
Comparer avant de modifier le système réel
Sur un réseau réel, un paramètre se règle rarement une seule fois. La simulation permettait de voir l’effet d’un réglage avant de l’appliquer.
Examiner Deux paramètres apparemment proches peuvent produire des trajectoires de stock et des ruptures très différentes. Le simulateur permettait de comparer ces effets avant de modifier le système réel.
Archive du projet — capture à réexporter. Données et courbes conservées telles quelles.
Le balayage à l’entrée ne modifie pas l’image : il désigne la lecture, d’un paramétrage à l’autre.
commercialisé
Un produit réellement commercialisé
Pendant dix-huit mois, j’ai défini la proposition de valeur, développé le produit et ses algorithmes, recherché des prospects, vendu la solution et réalisé les missions auprès de clients payants.
Tarif facturé par optimisation
Un prix accessible, mais trop faible au regard du travail nécessaire et de la valeur potentielle pour les clients.
Objectif moyen de réduction de stock
Un objectif moyen visé, accompagné d’une diminution des retards. Pas une garantie universelle ni un résultat certifié pour tous les clients.
Ce tarif rendait la solution facilement accessible. Avec le recul, j’avais sous-évalué l’offre : je voulais qu’elle reste accessible au plus grand nombre, mais ce positionnement très idéaliste ne permettait pas de construire une activité durable.
Une solution utile doit aussi être tarifée et commercialisée en cohérence avec la valeur qu’elle produit.
d’analyse
Résultats et cas d’analyse
Un support d’analyse complet existe dans les archives du projet. Ses chiffres sont conservés ici comme cas d’analyse, distincts de l’objectif moyen d’environ 20 %.
Cas d’analyse à confirmer avant publication — contexte réel ou simulé à documenter.
Source : dd-analysis-performance-case.pdf · droit de publication à vérifier
Trois statuts à ne pas mélanger
- Objectif
- ≈ 20 % de réduction de stock visé en moyenne.
- Scénario
- Les chiffres d’un cas analysé, dans son contexte propre.
- À documenter
- Ce qui reste à confirmer avant publication.
de gestion
Regrouper les produits selon leur comportement réel
Dans certains processus de planification, le simple fait de réorganiser les familles de gestion — sans modifier le reste du système — peut permettre de réduire les stocks de 5 à 10 % à niveau de service constant.
J’ai donc complété DD Analysis par un outil de clustering allant au-delà des classifications ABC/XYZ : il analyse les caractéristiques des produits et leurs historiques de consommation pour identifier ceux qui devraient être gérés de manière similaire.
Le vrai arbitrage
Une optimisation produit par produit peut donner le meilleur résultat théorique, mais créer des centaines de règles impossibles à maintenir au quotidien.
L’objectif n’est pas seulement de trouver l’optimum mathématique, mais une recommandation applicable sur le terrain.
Quatre termes du compromis
Trois preuves d’archive
Infographies d’origine — 2020-2022, à réexporter
Examiner Dans ce scénario, une nouvelle segmentation des familles réduit le stock de 8 %, améliore le service d’un point et diminue la sensibilité du système de 15 %.
Scénario analysé — pas une moyenne garantie
Examiner Le nombre de familles améliore progressivement la performance, mais augmente aussi la charge de maintenance pour les équipes.
Examiner Les produits sont regroupés à partir de plusieurs dimensions de comportement, au-delà de leur seule classe ABC/XYZ.
Le clustering tenait compte des caractéristiques des produits et de leurs historiques, puis proposait plusieurs nombres de familles à comparer.
à l’offre
De l’expertise métier à une offre vendue
DD Analysis n’était ni un exercice académique, ni une simple étude de cas, ni uniquement du développement. Le projet réunissait six dimensions.