Le slotting est une économie appliquée, pas du folklore d'entrepôt
Le slotting en entrepôt est généralement présenté comme un exercice de bon sens. Placez les produits à rotation rapide près du chemin, gardez les marchandises fragiles à l’abri des dangers, et ne compliquez pas davantage le réapprovisionnement. Tout cela est sensé. Rien de tout cela n’est suffisant. Une face de prélèvement en avant est un actif rare, et chaque affectation de cet actif exclut une autre utilisation du même travail, espace et stocks. Une fois cela bien compris, le slotting apparaît pour ce qu’il est : une série de choix économiques effectués à l’intérieur de l’entrepôt. La préparation des commandes est également l’une des activités les plus gourmandes en ressources dans l’entreposage, raison pour laquelle de petites erreurs de placement se répercutent fortement sur le coût de la main-d’œuvre.
J’ai exposé une version plus étendue de cet argument dans Introduction to Supply Chain, en particulier aux chapitres 1, 5, 6 et 8. Le logiciel de Supply chain devrait consommer des enregistrements, raisonner sous incertitude, et produire des décisions pouvant être évaluées en fonction du profit et de la perte plutôt qu’en fonction d’une rigueur procédurale. Le slotting mérite le même traitement. L’objectif est de classer les placements candidats selon le rendement économique attendu, après que le temps de déplacement, la congestion, la fragilité et le travail de réapprovisionnement aient tous été évalués en pièces.
Le temps de déplacement est le terme évident de l’équation. La préparation des commandes absorbe la main-d’œuvre, et l’affectation de stockage interagit étroitement avec le routage. Un emplacement qui raccourcit la distance pour un SKU populaire peut allonger l’itinéraire de l’ensemble de la vague ou forcer davantage de trafic croisé dans le mauvais rayon. Le déplacement est intégré dans le score, mais le score global est plus large. Les travaux universitaires sur l’affectation de stockage et le routage des préparateurs ont traité ces deux problèmes comme intimement liés pour cause fondée.
La congestion y trouve également sa place. Il en va de même pour la fragilité. Un plan de slotting peut sembler impeccable sous une demande moyenne et se défaire dès que quelques articles en forte demande montent brusquement, qu’un réapprovisionnement arrive en retard, ou que deux allées se saturent simultanément. Ces pertes se manifestent par des heures supplémentaires, des interventions manuelles, des réapprovisionnements précipités et des départs manqués. Ce sont des pertes routinières, et non spectaculaires, ce qui explique précisément pourquoi la planification déterministe aime les dissimuler. Tout système traitant la congestion comme une réflexion après coup ou la fragilité comme de la malchance laisse simplement de l’argent sur la table.
Le coût de réapprovisionnement boucle la boucle. Chaque slot en avant est également une promesse de travail interne futur. Un emplacement qui permet d’économiser des secondes à la face de prélèvement et double les interventions de réapprovisionnement peut être une mauvaise affaire. Oracle rend ce lien suffisamment évident : son Reslotting Workbench réaligne les emplacements à partir des classements de vélocité des articles et génère des tâches de réapprovisionnement à partir des écarts. Microsoft décrit une chaîne similaire à travers des paliers d’unités de mesure, des modèles, des directives et du travail de réapprovisionnement une fois le plan de slotting établi. Les deux gammes de produits reconnaissent ce couplage. Aucune des descriptions publiques ne montre un moteur économique qui classe ces effets couplés sous incertitude.
L’incertitude est le problème lui-même. Les commandes de demain ne sont pas connues. Il en va de même pour les co-prélèvements, les conflits dans les allées, les interruptions de réapprovisionnement, la durée des tâches ou les incidents de dommages de demain. Si un système de slotting se fonde sur des prévisions ponctuelles ou sur des classes ABC comme si cela suffisait, il lisse les pics mêmes qui créent le coût. La moyenne est une fiction courtoise. Les entrepôts finissent par payer la facture dans les extrêmes. La même faille apparaît partout dans la Supply chain : une prévision ponctuelle produit une arithmétique soignée et de mauvais engagements parce qu’elle efface la forme du futur.
Un moteur de slotting approprié a donc besoin de prévisions probabilistes, non seulement du volume de demande, mais aussi de la composition des commandes, des co-prélèvements, du calendrier de réapprovisionnement et des frictions de main-d’œuvre. Il nécessite ensuite une routine de décision qui consomme réellement ces distributions et classe les mouvements par rendement attendu, ajusté au risque. Je manque de patience pour la terminologie ici. “Optimisation stochastique” est une étiquette convenable. La substance est plus simple que l’expression : les distributions entrent, et des mouvements classés économiquement en sortent. Une fois l’incertitude retirée de l’énoncé du problème, le mot “optimisation” devient ornemental.
Ce que le logiciel fait réellement
Une fois ce minimum requis adopté, une grande partie du langage du marché devient plus facile à comprendre. SAP EWM décrit le slotting comme la détermination des paramètres de stockage réécrits dans le produit master, avec des enregistrements de condition guidant le résultat. La variante de machine-learning de SAP est décrite comme un moyen de dériver automatiquement des règles de slotting à partir de la configuration de l’entrepôt et des données du master produit. Cela peut réduire l’effort de configuration. Cela ressemble toujours à une génération de règles pour un système de données de référence, et non à un optimiseur probabiliste décidant du meilleur usage suivant d’une face de prélèvement rare.
Oracle est tout aussi explicite. Son matériel actuel se concentre sur les classements de vélocité des articles, les écarts de classement, l’affichage des KPI, le filtrage, le tri et la génération de tâches de réapprovisionnement. Microsoft s’articule autour de la consolidation de la demande, des lignes de modèles, des codes directifs et des stratégies de réapprovisionnement telles que la quantité de demande par vague et la capacité maximale d’emplacement. Ce sont des outils pour maintenir un régime de slotting. Ils ne révèlent pas des compromis stochastiques détaillés entre des placements concurrents.
Les fournisseurs d’entrepôt plus avancés méritent une lecture plus juste. Manhattan évoque une valeur relative pour chaque placement potentiel et la comparaison de millions de combinaisons de mouvements selon des stratégies configurées par l’utilisateur. Blue Yonder parle de signaux de demande, de chemins de déplacement, d’optimisation continue, de mouvements à la plus haute valeur et d’intégration avec le réapprovisionnement et la planification de la main-d’œuvre. Lucas évoque des recommandations de machine-learning basées sur la vélocité des SKU, l’affinité, les chemins de prélèvement, les durées de tâches prédites et des mouvements orientés vers le retour sur investissement. C’est plus proche du but. Au moins, le langage reconnaît un classement plutôt que de simples saisies de données.
Pourtant, les descriptions publiques s’arrêtent là où la partie difficile commence. Sur les pages que j’ai examinées, aucun de ces fournisseurs n’explique les distributions de probabilité qui orientent la décision de slotting, l’objectif économique utilisé pour arbitrer le déplacement contre la congestion et le réapprovisionnement, ou la manière dont la fragilité est pénalisée. Blue Yonder fait la promotion de prévisions probabilistes ailleurs dans sa suite de planification, ce qui est un signal utile de conscience technique, mais sa page de slotting ne divulgue pas si ces distributions sont intégrées dans le moteur de slotting lui-même. La preuve publique est ce qu’un acheteur peut inspecter avant que le cycle de vente ne se dissolve en promesses, ainsi la preuve publique est la norme que j’utilise.
Les discussions sur “millions” ou “milliards” méritent très peu de révérence. Le nombre de mouvements candidats nous indique presque rien sur la qualité de la décision. La difficulté ne réside pas dans l’énumération des possibilités, mais dans l’attribution à chaque possibilité d’une valeur économique solide sous incertitude. Un espace de recherche est bon marché. Un classement correct est précieux. Lorsque le marketing met en avant la taille de l’espace de recherche, ou avec des slogans sur “milliards de décisions”, cela signifie généralement que l’évaluation est bien plus difficile à expliquer.
Le signe révélateur en ingénierie
Il existe un autre indice, plus ancien que la mode actuelle de l’IA. Lorsqu’un produit est organisé autour de formulaires, de master data, de workflows, de lignes de modèles et de confirmations quotidiennes, il annonce sa lignée. C’est d’abord un registre. C’est la bonne conception pour enregistrer les mouvements de stocks. C’est le mauvais centre de gravité pour une recherche numérique poussée. J’ai soutenu pendant des années que l’optimisation lourde appartient en dehors du registre, car les systèmes d’enregistrement et les systèmes d’intelligence tirent l’architecture dans des directions opposées. Le signe est visible dans les matériaux publics eux-mêmes : mises à jour du master produit, enregistrements de condition, ateliers consultables, vues KPI, modèles, directives et objets de configuration administrative partout.
Un fournisseur pourrait-il ajouter un optimiseur sérieux à un noyau relationnel, lourd en CRUD ? En théorie, oui. En pratique, presque jamais. La base de données l’emporte, les formulaires se multiplient, et l’optimiseur devient une annexe décorative. SAP HANA est une base de données relationnelle conçue pour exécuter des transactions et des analyses ensemble. Manhattan Active fonctionne sur Cloud SQL for MySQL. Ces deux technologies sont respectables en tant que substrats transactionnels. Leur présence m’indique qu’une grande partie de l’effort d’ingénierie est d’abord ancrée dans la fiabilité transactionnelle. Cela limite fortement ce que je suis prêt à croire lorsque la même famille de produits revendique par la suite une optimisation autonome sans montrer la logique décisionnelle.
Les documents publics se lisent en conséquence. SAP écrit les résultats du slotting dans le produit master. Oracle met en avant une interface de workbench avec des champs consultables et des vues KPI. Microsoft s’articule autour des modèles, des directives et des stratégies de réapprovisionnement. L’histoire WMS publique de Manhattan met l’accent sur une plateforme de microservices native cloud, tandis qu’un cas Google Cloud décrit la même famille Active fonctionnant sur Cloud SQL for MySQL. Rien de tout cela ne rend le logiciel inutile. Cela explique pourquoi tant de produits d’entreprise excellent dans la saisie de données et l’application des processus tout en disant peu de choses sur la logique fine qui alloue réellement la ressource rare.
Les suites de planification plus larges contournent généralement complètement la question de la face de prélèvement. RELEX met publiquement l’accent sur les prévisions par machine-learning, la planification probabiliste du réapprovisionnement et des planogrammes pilotés par l’IA. Kinaxis met l’accent sur l’orchestration, l’analyse de scénarios, les insights sur les stocks et les tableaux de bord. o9 met en avant les prévisions AI/ML et une plateforme de planification de bout en bout avec des slogans sur des décisions synchronisées et optimisées. Ces capacités peuvent être précieuses dans leurs domaines respectifs. Elles ne constituent pas, selon le dossier public que j’ai examiné, un moteur de slotting d’entrepôt classant les placements individuels par rendement économique stochastique.
Qu’est-ce qui pourrait me convaincre ? Très peu de mise en scène, pour commencer. Je chercherais des distributions plutôt que des valeurs ponctuelles, des pénalités économiques explicites plutôt que des proxys KPI, un journal de décision montrant pourquoi un mouvement a surpassé un autre, et un moteur qui émet des actions nécessitant peu de corrections administratives. Le logiciel devrait indiquer clairement quelles incertitudes sont modélisées, lesquelles sont tarifées, et lesquelles restent hors du champ. À défaut, “AI-powered slotting” est généralement un écran de recommandations avec un meilleur branding.
Le slotting mérite la même rigueur que la tarification, les achats et l’allocation des stocks. Une face de prélèvement représente un capital sous forme physique. La question est de savoir qui obtient ce capital aujourd’hui, et quelle optionalité est perdue lorsqu’il est engagé. Cette question relève de l’économie sous incertitude. Tout le reste sert uniquement d’habillage administratif.
