Demand Driven Material Requirements Planning (DDMRP)

Le Demand Driven Material Requirements Planning (DDMRP) est une méthode quantitative destinée à optimiser les performances de la supply chain des entreprises de fabrication multi-échelons. La méthode repose sur les notions de « points de découplage » et de « tampons de stock », qui visent à atténuer les défauts des méthodes précédentes mises en œuvre par la plupart des systèmes MRP (Material Requirement Planning). La méthode fournit les quantités à acheter ou à fabriquer pour chaque SKU (Stock-Keeping Unit) d’une nomenclature multi-niveaux (Bill Of Materials).

Le problème d’optimisation du flux de la nomenclature multi-niveaux

Une nomenclature (Bill of Materials) représente les assemblages, les composants et les pièces, ainsi que la quantité de chacun, nécessaires pour fabriquer un produit final. Une nomenclature multi-niveaux est une perspective hiérarchique récursive de la nomenclature d’origine, où certaines pièces sont décomposées avec des nomenclatures propres. D’un point de vue formel, une nomenclature multi-niveaux est un graphe acyclique pondéré dirigé¹ où les sommets sont des SKUs, où les arêtes indiquent l’inclusion (c’est-à-dire font partie de), et où les poids représentent la quantité requise pour l’assemblage - soit le(s) produit(s) final(aux), soit le(s) produit(s) intermédiaire(s).

Le problème abordé par le DDMRP est l’optimisation du flux au sein d’une nomenclature multi-niveaux et consiste à déterminer, à tout moment, (a) s’il faut sourcer plus de matières premières et combien, (b) s’il faut produire plus d’unités de chaque SKU et combien.

Intuitivement, ce problème est difficile car il n’y a pas de corrélation directe entre la qualité de service de chaque SKU intermédiaire - généralement mesurée par le biais des taux de service - et la qualité de service du produit final. Ajouter plus de stock à un SKU donné n’améliore la qualité de service du produit final que si ce SKU était, d’une manière ou d’une autre, un goulot d’étranglement dans le flux de fabrication.

En pratique, la résolution de ce problème d’optimisation du flux nécessite une série d’inputs supplémentaires, les plus courants étant :

• Historique des commandes des clients
• Délais de livraison des fournisseurs
• Niveaux de stock, en stock, en transit ou en commande
• Délais de fabrication et/ou débits de production
• etc.

Ensuite, les chaînes d’approvisionnement réelles ont tendance à présenter d’autres complications telles que les tailles de lot (tous types de multiplicateurs souhaitables imposés soit par le fournisseur, soit par le processus de fabrication lui-même), les durées de conservation (non seulement pour les produits périssables, mais aussi pour les produits chimiques et les équipements sensibles), les substituts imparfaits (par exemple, lorsqu’une pièce plus chère peut être utilisée en remplacement si la moins chère n’est pas disponible). Ces complications nécessitent que d’autres données soient prises en compte par le modèle.

Limites du MRP classique

La création de DDMRP a été motivée par les limites associées à ce qui pourrait être appelé la perspective du MRP classique (simplement appelée perspective MRP par la suite), qui a été principalement développée dans les années 80. La perspective MRP est axée sur l’analyse des délais de livraison et identifie le chemin le plus long (en termes de temps) dans le graphe de la nomenclature comme le goulot d’étranglement associé au processus de fabrication du produit final.

Afin d’identifier ce goulot d’étranglement, le MRP propose deux méthodes numériques distinctes pour attribuer un délai de livraison statique à chaque arête du graphe de la nomenclature, soit :

• délais de fabrication qui sont maximalement optimistes et supposent que l’inventaire est toujours disponible partout (c’est-à-dire pour chaque SKU), donc que les délais de livraison dépendent uniquement du débit des processus de fabrication.
• délais cumulatifs qui sont maximalement pessimistes et supposent que l’inventaire est toujours indisponible, et donc que les délais de livraison dépendent uniquement du temps nécessaire pour produire la première unité à partir de l’état vierge, c’est-à-dire zéro matières premières et zéro produits intermédiaires.

Ces deux méthodes ont un avantage clé en commun : elles sont relativement simples à mettre en œuvre dans la base de données relationnelle, qui était le cœur architectural de presque tous les MRP conçus des années 80 aux années 2010.

Cependant, ces deux méthodes sont également trop simplistes et fournissent généralement des délais de livraison absurdes. Les auteurs de DDMRP soulignent que le calcul des commandes d’achat ou de production basé sur des estimations de délai de livraison profondément erronées entraîne un mélange de surstocks et de ruptures de stock, selon que les délais de livraison se révèlent être grossièrement surestimés ou sous-estimés.

La recette numérique de DDMRP

La recette numérique de DDMRP est un mélange d’heuristiques numériques associées à des décisions basées sur le jugement humain - c’est-à-dire des experts en supply chain. Cette recette vise à surmonter les défauts associés au MRP classique sans recourir à des algorithmes numériques “avancés”. La recette comprend quatre ingrédients principaux, à savoir :

• le découplage des délais de livraison
• l’équation du flux net
• l’explosion découplée
• la priorité relative

En combinant ces quatre ingrédients, un praticien de la supply chain peut calculer la quantité à acheter et à fabriquer lorsqu’il est confronté à une situation de nomenclature multi-niveaux. Les auteurs de DDMRP soutiennent que cette méthode permet d’obtenir de meilleures performances en matière de supply chain - mesurées en termes de rotation des stocks ou de taux de service - par rapport aux performances obtenues par les MRPs.

Le découplage des délais de livraison

Afin de remédier à l’optimisme / pessimisme naïvement extrême de la perspective MRP sur les délais de livraison, DDMRP introduit un schéma de coloration binaire des graphes² où certains sommets (c’est-à-dire les SKUs) du graphe (c’est-à-dire les nomenclatures) sont promus en tant que points de découplage. Ces sommets sont ensuite supposés toujours détenir un inventaire utilisable, et la méthodologie de DDMRP garantit que c’est effectivement le cas.

Le choix des points de découplage est essentiellement délégué aux praticiens de la supply chain. Comme les points de découplage sont censés être des SKUs stockés, les praticiens devraient privilégier les SKUs qui ont du sens à un niveau stratégique - par exemple parce qu’ils sont consommés par plusieurs produits finaux et bénéficient de modèles de consommation plus réguliers que la plupart des produits finaux.

Une fois les points de découplage choisis, les délais de livraison DDMRP associés à n’importe quel sommet peuvent être calculés comme le plus long chemin (en termes de temps), en partant du sommet et en descendant, mais en tronquant le chemin chaque fois qu’un point de découplage est rencontré.

Avec une sélection soigneuse des points de découplage, les auteurs de DDMRP soutiennent que la méthodologie DDMRP permet d’obtenir des délais de livraison plus courts. Cette proposition n’est pas tout à fait correcte, non pas parce que les délais de livraison sont plus longs, mais parce que DDMRP propose une nouvelle définition de ce à quoi on fait référence en parlant de délai de livraison en premier lieu.

L’équation du flux net

Afin de calculer les quantités associées aux commandes d’achat ou à la fabrication d’autres produits, les auteurs de DDMRP introduisent un concept appelé le flux net défini comme suit :

Stock disponible + Commandes en cours - Demande de commandes qualifiées = Position du flux net

Cette équation est définie au niveau du SKU. La quantité de flux net est interprétée comme la quantité de stock disponible pour répondre à la partie incertaine de la demande.

La position du flux net est ensuite comparée à une taille de tampon ; et lorsqu’elle devient notablement inférieure à sa taille de tampon cible, une commande est passée. Nous reviendrons sur ce mécanisme dans la section de priorisation des commandes ci-dessous.

La méthodologie DDMRP offre des indications générales sur la manière de dimensionner les tampons, les exprimant généralement en jours de demande, et en imposant des marges de sécurité tout en respectant les délais de livraison DDMRP - tels que définis ci-dessus. En pratique, la dimension des tampons dépend du jugement des praticiens de la supply chain.

À travers les flux nets, les auteurs de DDMRP soulignent que seule la partie incertaine de la demande nécessite réellement une analyse statistique. Traiter la demande future qui est déjà connue relève uniquement de l’adhésion à un plan d’exécution déterministe.

L’explosion découplée

La méthodologie DDMRP repose à la fois sur l’hypothèse et l’exigence selon laquelle le stock est toujours utilisable à partir de n’importe quel point de découplage. Cette hypothèse offre la possibilité de partitionner les arêtes en utilisant les points de découplage (c’est-à-dire un sous-ensemble de sommets) comme frontières entre les sous-ensembles de partition. Ce schéma de partitionnement est appelé l’explosion découplée.

Du point de vue de DDMRP, lorsqu’une commande client est passée pour un produit final, la demande résultante n’est pas récursivement désagrégée en ses composants les plus internes, mais seulement désagrégée jusqu’à ses premiers points de découplage rencontrés.

Le schéma de partitionnement du graphe de l’explosion découplée est exploité par la méthodologie DDMRP comme une stratégie de diviser pour régner³. En particulier, comme la taille du sous-graphe peut être maintenue petite, DDMRP peut être mis en œuvre sur des systèmes de bases de données relationnelles, tout comme les MRPs, même si ces systèmes ne sont pas vraiment adaptés à l’analyse de graphes.

Priorisation des commandes

La dernière étape numérique de la recette numérique DDMRP consiste à calculer les commandes elles-mêmes, qu’il s’agisse de commandes d’achat ou de commandes de fabrication. La méthodologie DDMRP donne la priorité à tous les SKUs en fonction de leurs différences respectives Tampon - Flux Net, en commençant par les valeurs les plus élevées. Les commandes sont ensuite générées en traitant la liste dans l’ordre spécifié, en sélectionnant toutes les valeurs qui sont positives et, fréquemment, au moins aussi grandes que la MOQ (lorsque cela est applicable).

La priorisation de DDMRP est unidimensionnelle (en termes de score) et est guidée par l’adhésion interne à sa propre méthodologie, c’est-à-dire maintenir des stocks exploitables pour tous les points de découplage. Les sections précédentes ont illustré comment cette propriété clé des points de découplage était exploitée. La priorisation des commandes clarifie comment cette propriété est appliquée.

La priorisation des commandes proposée par les auteurs de DDMRP est plus granulaire que les recettes généralement utilisées dans les MRP tels que l’analyse ABC. Elle fournit un mécanisme pour orienter l’attention des praticiens de la supply chain vers les SKUs qui nécessitent le plus d’attention - du moins selon le critère d’urgence de DDMRP.

Critiques de DDMRP

Les auteurs de DDMRP font la promotion⁴ des avantages⁵ de cette méthodologie en tant que pratique de pointe pour maximiser les performances de la supply chain. Cependant, bien que DDMRP présente quelques “perles cachées”, détaillées ci-dessous, plusieurs critiques peuvent être formulées à l’égard de cette méthodologie : les plus notables étant, premièrement, une ligne de base incorrecte pour évaluer à la fois la nouveauté et les performances, et deuxièmement, un formalisme qui ne capture pas la complexité du monde réel.

Perles cachées

Bien que cela puisse sembler paradoxal, les arguments les plus solides en faveur de DDMRP n’ont peut-être pas été correctement identifiés par ses propres auteurs, du moins pas dans leur publication de 2019. Ce paradoxe apparemment apparent est probablement une conséquence involontaire du formalisme limité de DDMRP - détaillé ci-dessous.

En ce qui concerne les chaînes d’approvisionnement de fabrication, les moyennes mobiles fréquentielles sont généralement supérieures aux moyennes mobiles temporelles. En effet, il est incorrect de dire que DDMRP fonctionne sans prévisions de la demande. Les tampons sont des prévisions, sauf qu’il s’agit de prévisions fréquentielles (c’est-à-dire des jours de demande), plutôt que de prévisions temporelles (c’est-à-dire de la demande par jour). En règle générale, les prévisions fréquentielles sont plus robustes lorsque la demande est erratique et/ou intermittente. Cette découverte peut être attribuée à J.D. Croston, qui a publié “Forecasting and Stock Control for Intermittent Demands” en 1972. Cependant, bien que les méthodes de Croston restent quelque peu obscures, DDMRP a popularisé cette perspective dans le monde de la supply chain en général.

L’approximation de la priorisation est un mécanisme robuste de prise de décision dans la supply chain qui évite des classes entières de problèmes, notamment les biais systématiques. En effet, contrairement aux approches par SKU telles que les stocks de sécurité, qui peuvent facilement être faussées numériquement par des artefacts locaux de la supply chain (par exemple, une rupture de stock), même une priorisation globale de la supply chain garantit que les ressources sont dirigées en premier lieu vers les goulots d’étranglement évidents. Bien que les auteurs de DDMRP soient clairement conscients que la priorisation est bénéfique en tant que mécanisme d’attention, cette idée n’est pas poussée à sa conclusion logique : la priorisation devrait être économique, c’est-à-dire mesurée en dollars et non en pourcentages.

Baseline incorrecte

La principale critique à formuler à l’encontre de DDMRP concerne sa baseline incorrecte. Les MRPs, tels qu’ils ont été mis en œuvre et vendus au cours des quatre dernières décennies, des années 80 à la fin des années 2010, n’ont jamais vraiment été conçus⁶ pour planifier, prévoir ou optimiser quoi que ce soit. Le nom lui-même, MRP (Material Requirements Planning), est un abus de langage. Un meilleur nom aurait été MRM (Material Requirement Management). Ces produits logiciels sont construits autour d’une base de données relationnelle (c’est-à-dire une base de données SQL) et sont principalement destinés à suivre les actifs de l’entreprise et à effectuer toutes les tâches administratives associées aux opérations les plus banales, par exemple la diminution d’un niveau de stock lorsqu’une unité est prélevée.

Comme le cœur relationnel est en grande partie incompatible avec tout traitement numériquement intensif, tel que la plupart des types d’algorithmes de graphes, il n’est pas surprenant que les recettes numériques fournies par de tels produits se révèlent simplistes et dysfonctionnelles, comme le montrent les deux types d’estimations des délais de livraison discutés ci-dessus. Néanmoins, un vaste catalogue de littérature existe en informatique sur l’optimisation numérique prédictive des supply chains. Cette littérature a été pionnière dans les années 50 sous le nom de recherche opérationnelle, et a été poursuivie depuis lors sous différents noms, tels que les méthodes quantitatives en gestion de la supply chain ou simplement l’optimisation de la supply chain.

Les revendications de nouveauté et de supériorité de DDMRP sont incorrectement tirées du faux postulat selon lequel les MRPs constituent une référence pertinente à des fins d’optimisation de la supply chain ; c’est-à-dire que l’amélioration de MRP est une amélioration de l’optimisation de la supply chain. Cependant, les MRPs, comme tous les systèmes logiciels conçus autour de bases de données relationnelles, ne conviennent tout simplement pas aux défis de l’optimisation numérique.

Les fabricants confrontés aux limites de leur MRP ne devraient pas chercher des améliorations incrémentielles du MRP lui-même, car l’optimisation numérique est fondamentalement incompatible avec la conception du MRP, mais plutôt profiter de tous les outils et technologies logiciels qui ont réellement été conçus pour des performances numériques dès le départ.

Formalisme limité

La perspective de DDMRP est un mélange étrange de formules simples et de jugements. Bien que DDMRP fonctionne clairement dans un cadre mathématique spécifique - c’est-à-dire un graphe acyclique dirigé pondéré - et que ses mécanismes aient des noms bien connus, c’est-à-dire coloration de graphe, partitionnement de graphe - ces termes sont absents des documents de DDMRP. Bien qu’on puisse soutenir que la théorie des graphes est trop complexe pour le praticien moyen de la supply chain, le manque de formalisme oblige les auteurs à de longues explications sur les comportements numériques qui pourraient être décrits de manière beaucoup plus précise et concise.

Ensuite, plus préoccupant, le manque de formalisme isole DDMRP du vaste corpus de littérature en informatique, qui offre de nombreuses perspectives sur ce qui peut être fait avec des algorithmes connus provenant de plusieurs domaines de l’informatique qui ont été largement étudiés au-delà des exigences de la gestion de la supply chain, à savoir : la théorie des graphes, l’optimisation stochastique et l’apprentissage statistique. En conséquence, DDMRP adopte fréquemment des perspectives simplistes - nous reviendrons sur ce point ci-dessous - qui ne sont pas justifiées compte tenu à la fois des algorithmes connus et des capacités informatiques actuelles.

Ensuite, le formalisme limité de DDMRP conduit à des affirmations erronées telles que la réduction des délais. En effet, numériquement, les délais, tels que calculés par DDMRP, sont certainement plus courts que la plupart des alternatives, car, par construction, les chemins de délai sont tronqués chaque fois qu’un point de découplage est rencontré. Pourtant, une erreur méthodologique est commise en affirmant qu’avec DDMRP, les délais sont plus courts. La proposition correcte est qu’avec DDMRP, les délais sont mesurés différemment. Une évaluation quantitative appropriée des mérites, en termes de délais, de DDMRP nécessite une notion formelle d’inertie à l’échelle du système pour évaluer à quelle vitesse une supply chain gouvernée par une politique formelle rattraperait son retard face aux changements des conditions du marché.

De plus, les jugements sont largement utilisés par DDMRP - c’est-à-dire déléguer aux experts humains des décisions numériques clés, telles que le choix des points de découplage. En conséquence, il est impraticable, voire impossible, de comparer une pratique DDMRP à une méthodologie concurrente correctement formalisée, car réaliser la comparaison nécessiterait une quantité de main-d’œuvre impraticable pour toute supply chain de taille importante (c’est-à-dire des milliers de SKUs ou plus).

Enfin, s’appuyer sur des contributions humaines pour ajuster un processus d’optimisation numérique n’est pas une proposition raisonnable compte tenu du coût des ressources informatiques modernes. L’ajustement des méta-paramètres peut être acceptable, mais pas une intervention fine à chaque sommet du graphe. En particulier, une observation occasionnelle des supply chains actuelles indique que le besoin de contributions humaines est l’un des plus grands facteurs de l’inertie à l’échelle du système. Ajouter une autre couche d’ajustement manuel - le choix des points de découplage - n’est pas une amélioration à cet égard.

Mépris de la complexité du monde réel

Modéliser une supply chain est, par nécessité, une approximation du monde réel. Ainsi, tous les modèles sont un compromis entre précision, pertinence et faisabilité computationnelle. Néanmoins, DDMRP est abusivement simpliste par rapport à de nombreux facteurs qui ne peuvent plus raisonnablement être négligés lorsqu’on considère les ressources informatiques actuelles.

La supply chain existe pour servir les intérêts économiques de l’entreprise. Pour le dire plus crûment, l’entreprise maximise les dollars de rendement générés par son interaction avec l’économie en général ; pourtant, DDMRP optimise les pourcentages d’erreur par rapport à des objectifs discutables - ses buffers. La priorisation telle que définie par DDMRP est tournée vers l’intérieur : elle oriente le système de la supply chain vers un état qui est cohérent avec les hypothèses sous-jacentes au modèle DDMRP lui-même - c’est-à-dire la disponibilité des stocks aux points de découplage. Cependant, il n’y a aucune garantie que cet état soit aligné sur les intérêts financiers de l’entreprise. Cet état pourrait même aller à l’encontre des intérêts financiers de l’entreprise. Par exemple, lorsqu’on considère une marque produisant de nombreux produits à faible marge qui sont des substituts proches les uns des autres, maintenir des niveaux de service élevés pour un SKU donné pourrait ne pas être une option rentable si les SKU concurrents (quasi-substituts) ont déjà un excès de stock.

De plus, le schéma de priorisation proposé par DDMRP est fondamentalement unidimensionnel : l’adhésion à ses propres objectifs de stock (les buffers). Cependant, les décisions réelles de la supply chain sont presque toujours des problèmes multidimensionnels. Par exemple, après avoir produit un lot de 1000 unités, un fabricant met généralement ces 1000 unités dans un conteneur pour le transport maritime ; cependant, si une rupture de stock est imminente dans la supply chain, il peut être rentable d’expédier 100 unités (sur les 1000) par avion pour atténuer la rupture de stock imminente. Ici, le choix du mode de transport est une dimension supplémentaire au défi de priorisation de la supply chain. Afin de relever ce défi, la méthode de priorisation nécessite la capacité d’intégrer les facteurs économiques associés aux différentes options disponibles pour l’entreprise.

D’autres dimensions qui doivent être prises en compte dans le cadre de la priorisation peuvent inclure :

• ajustements des prix, pour augmenter ou réduire la demande (éventuellement par le biais de canaux de vente secondaires)
• construire ou acheter, lorsque des substituts peuvent être trouvés sur le marché (généralement à un prix plus élevé)
• dates d’expiration des stocks (nécessitant une connaissance approfondie de la composition des stocks)
• risques de retour (lorsque les partenaires de distribution ont la possibilité de retourner les marchandises invendues).

Ainsi, bien que DDMRP ait raison de dire que la priorisation est une approche plus flexible par rapport aux approches binaires tout-ou-rien mises en œuvre par les MRPs, le schéma de priorisation proposé par DDMRP lui-même est plutôt incomplet.

L’avis de Lokad

La devise de DDMRP est “construire pour les gens, pas pour la perfection”. Chez Lokad, nous privilégions la vision classique d’IBM les machines devraient travailler ; les gens devraient réfléchir à travers la perspective de la Supply Chain Quantitative (QSCM).

La QSCM part de l’hypothèse que chaque décision banale de la supply chain devrait être automatisée. Cette perspective souligne que les praticiens compétents de la supply chain sont considérés comme trop rares et trop chers pour consacrer leur temps à la génération de décisions de routine en matière de stockage, d’achat ou de tarification. Toutes ces décisions peuvent et doivent être automatisées, de sorte que les praticiens puissent se concentrer sur l’amélioration de la recette numérique elle-même. D’un point de vue financier, la QSCM transforme ces salaires d’OPEX, où les journées-hommes sont consommées pour maintenir le système en marche, en CAPEX, où les journées-hommes sont investies dans l’amélioration continue du système.

L’angle DDMRP part de l’hypothèse que les praticiens compétents de la supply chain peuvent être formés en masse, réduisant ainsi à la fois le coût pour l’employeur et le facteur de camion associé au départ de tout employé. DDMRP établit un processus pour générer des décisions banales de la supply chain, mais l’automatisation complète n’est généralement pas un objectif, bien que DDMRP ne soit pas opposé à l’automatisation lorsque l’occasion se présente.

Fait intéressant, il devrait être possible d’observer dans une certaine mesure si l’industrie se dirige vers la perspective de la QSCM ou du DDMRP. Si la perspective de la QSCM est adoptée plus largement, alors les équipes de gestion de la supply chain évolueront pour devenir plus semblables à d’autres industries “talentueuses”, comme la finance avec ses traders quantitatifs, où quelques individus exceptionnellement talentueux stimulent la performance de grandes entreprises. À l’inverse, si la perspective du DDMRP est adoptée plus largement, alors les équipes de gestion de la supply chain évolueront pour devenir plus semblables à des franchises réussies - par exemple, les directeurs de magasin Starbucks - où les équipes sont pléthoriques et bien formées, avec des individus exceptionnels ayant peu d’effet sur le système - mais où une culture supérieure fait toute la différence entre les entreprises.

Ressources

• Demand Driven Material Requirements Planning (DDMRP), Version 3, par Ptak et Smith, 2019
• Orlicky’s Material Requirements Planning, 3rd edition, par Carol A. Ptak et Chad J. Smith, 2011

Notes