Prévenir les stocks morts grâce à des prévisions quantiles doubles
Le stock associé à chaque SKU est une anticipation de l’avenir. D’un point de vue plus technique, le reorder de la SKU peut être considéré comme une prévision quantile. Le quantile indique la quantité minimale de stocks qui doit être conservée pour éviter les ruptures de stock avec une probabilité égale au taux de service.
Bien que ce point de vue soit très puissant, il ne dit en réalité rien sur le risque de surstockage, c’est-à-dire le risque de créer des stocks morts, puisque seul le côté rupture de stock du problème est directement abordé statistiquement. Pourtant, le risque de surstockage est important si les marchandises sont périssables ou si la demande pour le produit peut disparaître brutalement – comme c’est le cas dans l’électronique grand public lorsque le remplacement de nouvelle génération entre sur le marché.
Ex: Considérons le cas d’un détaillant occidental vendant, entre autres, des chaînes à neige. Le lead time pour importer les chaînes est de 3 mois. La région où se situe le détaillant n’est pas très froide, et seulement un hiver sur cinq justifie l’utilisation de chaînes à neige. Pour chaque hiver froid, la demande locale en chaînes à neige est de 1 000 kits. Dans ce contexte, toute prévision quantile avec un taux de service supérieur à 80% suggère d’avoir plus de 1 000 kits en stock afin de maintenir la probabilité de rupture de stock en dessous de 20%. Cependant, si l’hiver n’est pas froid, alors le détaillant se retrouvera avec tout son stock invendu de chaînes à neige, soit 1 000 kits ou plus, possiblement pendant des années. Le point de réapprovisionnement calculé de la manière habituelle par le biais des quantiles se concentre sur les situations de demande en forte augmentation, mais ne dit rien des situations de baisse où la demande s’évapore.
Cependant, le risque de surstock peut également être géré par le biais des quantiles, mais cela requiert d’effectuer un second calcul quantile en s’appuyant sur un ensemble distinct de valeurs pour tau (τ, qui n’est pas le taux de service) et lambda (λ, qui n’est pas le lead time).
Dans la situation habituelle, nous avons :
R = Q(τ, λ)
Avec
- R est le point de réapprovisionnement (un nombre d’unités)
- Q est le modèle de prévision quantile
- τ est le taux de service (un pourcentage)
- λ est le lead time (un nombre de jours)
Comme l’illustre l’exemple ci-dessus, un tel calcul du point de réapprovisionnement peut conduire à des valeurs élevées qui ne prennent pas en compte le risque financier associé à une baisse de la demande, dans laquelle l’entreprise se retrouve coincée avec des stocks morts.
Pour gérer le risque de surstockage, la formule peut être révisée avec :
R = MIN(Q(τ, λ), Q(τx, λx))
Avec
- τx est le risque maximal acceptable de surstockage
- λx est la durée applicable pour se débarrasser des stocks
Dans ce cas, le point de réapprovisionnement habituel est plafonné par un calcul quantile alternatif.
Le paramètre τx est utilisé pour refléter le risque acceptable de surstock ; ainsi, au lieu de regarder des valeurs de 90% comme c’est le cas pour les taux de service habituels, il s’agit généralement d’un faible pourcentage, par exemple 10% et moins, qui doit être considéré.
Le paramètre λx sert à représenter la durée pendant laquelle la valeur des stocks est exposée au risque, parce que les marchandises sont périssables ou obsolètes.
Ex: Considérons le cas d’une épicerie vendant des tomates avec un lead time de 2 jours. Le détaillant estime qu’en 5 jours sur l’étalage, les tomates auront perdu 20% de leur valeur marchande. Ainsi, le détaillant décide que le stock de tomates doit rester suffisamment faible pour que la probabilité de ne pas vendre l’intégralité du stock de tomates en 5 jours reste inférieure à 10%. Par conséquent, le détaillant adopte la seconde formule du point de réapprovisionnement R avec τ=90% et λ=2 jours afin de maintenir une haute disponibilité, combinée avec τx=10% et λx=5 jours, pour maîtriser le risque des stocks morts.
À l’heure actuelle, Salescast ne supporte pas nativement un calcul double de quantiles, toutefois, il est possible d’obtenir le même effet en effectuant deux exécutions avec des paramètres distincts de lead time et de taux de service.