Les délais d'approvisionnement

learn menu
Par Joannes Vermorel, octobre 2020

Un délai d’approvisionnement est le délai entre le lancement et l’achèvement d’un processus. Dans les supply chains, chaque fois que des marchandises sont achetées, transformées ou entretenues, des délais d’approvisionnement, généralement mesurés en jours, interviennent. Du point de vue de la planification, les délais d’approvisionnement sont importants car ils impliquent que la plupart des décisions de routine doivent être prises à l’avance afin d’obtenir l’effet escompté, comme le maintien de la qualité de service. Le besoin de prévision de la demande émerge également généralement de l’existence de délais d’approvisionnement, car l’adéquation d’une décision - telle qu’un réapprovisionnement de stocks - dépend d’événements futurs inconnus qui impacteront la supply chain pendant toute la durée du délai d’approvisionnement.

escargot avec un jetpack

Causes et conséquences des délais d’approvisionnement

Les délais d’approvisionnement influencent en grande partie le mode de fonctionnement de la supply chain, ainsi que la plupart de ses éléments financiers, tels que le fonds de roulement requis et le retour sur capital employé (ROCE). En effet, des délais d’approvisionnement plus longs impliquent qu’il faut plus de temps pour compléter un cycle de stocks où les matières ou produits sont achetés, éventuellement transformés, puis revendus.

Des délais d’approvisionnement plus longs entraînent mécaniquement des engagements de stocks plus élevés, même si les stocks disponibles semblent rester bas. Par exemple, si une entreprise en Europe commande des marchandises depuis l’Asie pour être livrées par conteneurs, dès que le bon de commande est passé, l’entreprise s’engage à vendre ou consommer les marchandises. Or, dans cette situation, il faudra généralement plus de 6 semaines pour que les niveaux de stocks en Europe reflètent cet engagement.

De plus, des délais d’approvisionnement plus longs accroissent la dépendance à la prévision. En reprenant l’exemple ci-dessus, l’entreprise ne peut se permettre de simplement lancer un bon de commande basé sur ses besoins actuels ; au moment où la commande est livrée, la situation aura évolué. Les niveaux de stocks actuels auront été encore réduits en raison d’une consommation continue, et la demande aura très probablement changé, ne serait-ce qu’en raison de la saisonnalité.

Les délais d’approvisionnement représentent une limite inférieure à l’agilité maximale qu’une entreprise peut atteindre. En règle générale, si les conditions du marché changent brutalement, l’entreprise reste engagée par rapport à ses décisions passées pendant environ la durée des délais d’approvisionnement. Il existe diverses manières d’atténuer ces effets, en commençant par les conditions contractuelles avec les fournisseurs. Cependant, les risques sous-jacents peuvent rarement être éliminés et sont simplement déplacés au sein de la supply chain.

Compte tenu de l’impact négatif de délais d’approvisionnement plus longs, on peut se demander pourquoi les entreprises optent fréquemment pour ce qui semble être, subjectivement, des délais d’approvisionnement longs. Il s’avère que plusieurs facteurs économiques font pencher la balance en faveur de délais d’approvisionnement plus longs.

La spécialisation conduit à des délais d’approvisionnement plus longs : certains pays disposent d’industries assez uniques1 qu’il est difficile ou coûteux de reproduire localement. De telles industries concentrées sont apparues historiquement principalement en raison de matériaux de grande valeur, qui étaient faciles à transporter. Cependant, même si des avions peuvent atteindre n’importe quel point du globe en moins de 24 heures, les douanes et les procédures tendent à augmenter substantiellement les délais d’approvisionnement réels lorsqu’on considère des fournisseurs étrangers.

Les économies d’échelle tendent également à favoriser des délais d’approvisionnement plus longs. En augmentant la taille des lots (souvent matérialisée par les MOQ), les fabricants ou transporteurs peuvent réduire leurs coûts. Cependant, à mesure que les quantités par lot augmentent, le nombre de lots diminue également et devient ainsi moins fréquent - toutes choses étant égales par ailleurs, notamment la demande. Néanmoins, les industries ne sont pas toutes également sensibles aux économies d’échelle, qui tendent à plafonner en fonction de la technologie applicable.

Réduire les quantiles élevés

Bien qu’un délai d’approvisionnement puisse être amélioré en réduisant sa durée moyenne, ce sont généralement les améliorations concernant les pires cas - c’est-à-dire les situations les plus longues - qui comptent le plus. Dans les supply chains, les plus gros problèmes - quand ils sont mesurés en termes d’impact financier - tendent à se concentrer dans la partie finale : ce sont les délais d’approvisionnement exceptionnellement longs qui provoquent des ruptures de stock ou des interruptions de production, et non les petites fluctuations.

L’une des manières les plus simples d’évaluer ces scénarios de cas extrêmes consiste à utiliser des mesures de quantile. Par exemple, si un fournisseur est réputé avoir un délai d’approvisionnement de 7 jours pour le quantile à 95%, cela signifie que 95% des commandes passées à ce fournisseur sont livrées en moins de 7 jours. Ces quantiles « élevés », c’est-à-dire proches de 100%, peuvent diverger substantiellement de la durée moyenne du délai d’approvisionnement. Le même fournisseur pourrait livrer en 2 jours en moyenne, ce qui représente moins d’un tiers de son estimation de quantile élevé pour ce même délai d’approvisionnement.

Pour éviter ces problèmes de qualité de service, tous les tampons de stocks au sein de la supply chain - quelle que soit la méthodologie utilisée - tendent à croître de manière linéaire, non pas avec la moyenne des délais d’approvisionnement, mais avec un certain quantile élevé du délai d’approvisionnement. En effet, les tampons de stocks existent précisément pour absorber les variations des conditions de la supply chain. Les deux facteurs dominants derrière les variations inattendues impactant la supply chain ont tendance à être : la demande variable et la variabilité des délais d’approvisionnement.

Diversité des délais d’approvisionnement

Le délai total d’approvisionnement, allant des bons de commande initiaux des fournisseurs aux livraisons aux clients, peut généralement être décomposé en de nombreuses étapes intermédiaires, voire des dizaines. Afin de réduire soit la valeur du délai d’approvisionnement, soit sa variabilité, il est généralement efficace de décomposer ce délai total en ses sous-composants notables, qui sont plus simples à analyser et à améliorer.

Par exemple, un grossiste distribuant des marchandises provenant de fournisseurs étrangers peut être confronté à :

  • Un délai de commande, causé par le processus d’achat hebdomadaire du grossiste lui-même.
  • Un délai d’opportunité, causé par les MOQ imposés par les fournisseurs.
  • Un délai de fabrication, requis par les fournisseurs pour exécuter le bon de commande.
  • Un délai de transport, requis par la société de fret.
  • Un délai administratif, pour passer par les douanes.
  • Un délai de réception, pour la gestion des stocks et le contrôle qualité par le grossiste.
  • Un délai d’expédition, requis par le centre de distribution pour exécuter les commandes clients.
  • Un délai de livraison du dernier kilomètre, requis par un transporteur pour effectuer la livraison au client.

Pour chaque opération, il est généralement intéressant de réduire à la fois le délai moyen et la variance du délai.

Suivre toutes ces opérations implique beaucoup de tâches administratives, qui peuvent être considérablement allégées grâce aux systèmes informatiques modernes, que ce soit via des codes-barres et/ou des RFID. Les dossiers électroniques sont généralement stockés dans les systèmes IT des entreprises concernées. Les avantages vont bien au-delà de l’optimisation des délais d’approvisionnement, car ces systèmes assurent la traçabilité des marchandises et, dans une certaine mesure, préviennent la réduction des stocks.

Jusqu’à la fin des années 1990, stocker et traiter tous ces dossiers nécessitait des ressources informatiques coûteuses, ce qui rendait souvent économiquement non viable l’acquisition, et encore moins la conservation, de tous les enregistrements détaillés générés par le flux de marchandises physiques au sein d’une supply chain. Cependant, depuis le début des années 2010, les coûts de stockage des données et de calcul ont chuté bien en dessous du seuil où les ressources informatiques brutes importent lorsqu’il s’agit de flux physiques. Néanmoins, les coûts IT, notamment ceux liés aux intégrations de systèmes, peuvent empêcher l’acquisition de ces dossiers électroniques.

Pour améliorer les délais d’approvisionnement, et donc généralement réduire leurs quantiles élevés comme évoqué ci-dessus, il est nécessaire de réaliser des mesures. Des mesures précises des délais d’approvisionnement sont très utiles pour l’analyse des causes profondes. En effet, comme les opérations varient considérablement d’une étape à l’autre, la nature des améliorations apportées tend également à varier fortement.

Délai de commande

Le délai de commande se réfère généralement au temps qui s’écoule entre la commande du client et la livraison des marchandises. Cette durée est notable car c’est le type de délai d’approvisionnement auquel le grand public - par opposition aux supply chain specialists - est le plus habitué. Dans de nombreuses industries au-delà du e-commerce B2C, le délai de commande est étroitement lié à la qualité de service. En particulier, les ruptures de stock tendent à être le facteur dominant provoquant des délais de commande anormalement longs.

Une partie du défi pour améliorer les délais de commande ne consiste pas à raccourcir les délais eux-mêmes, mais à fixer les bonnes attentes auprès des clients concernant la date de livraison. En particulier, plusieurs grandes entreprises de e-commerce semblent avoir adopté, depuis plus d’une décennie, l’approche consistant à partager une estimation prévisionnelle de quantile du délai de commande, qui sert de borne supérieure probable au délai. Le biais dans l’estimation du délai est intentionnellement introduit afin de minimiser la fréquence des situations où les marchandises ne sont pas livrées à temps.

Prévision des délais d’approvisionnement

L’anticipation adéquate des futurs délais d’approvisionnement est un ingrédient essentiel pour l’optimisation d’une supply chain. Tout comme la demande, les délais d’approvisionnement peuvent et doivent être prévus, en s’appuyant généralement sur les données historiques existantes lorsque c’est pertinent.

Bien que la prévision des délais d’approvisionnement ne soit pas (encore) une pratique répandue parmi les équipes de planification de la « demande », il faut noter que la plupart des cyclicités qui s’appliquent à la demande concernent aussi les délais d’approvisionnement. Par exemple, les délais d’approvisionnement tendent à présenter une saisonnalité, ainsi que des effets liés au jour du mois et au jour de la semaine. Les délais d’approvisionnement évoluent dans le temps. Par exemple, un fournisseur peut revoir ses propres processus pour réduire les délais d’approvisionnement, ou les augmenter pour diminuer ses coûts. La quasi-saisonnalité est également importante, avec des événements comme le Nouvel An chinois, qui gonfle périodiquement les délais d’approvisionnement car de nombreuses usines ferment en Asie durant cette période.

Les prévisions probabilistes devraient être privilégiées pour les délais d’approvisionnement, car, comme indiqué ci-dessus, ce sont les quantiles élevés qui déterminent les implications économiques des délais d’approvisionnement. Les coûts et les problèmes se concentrent à l’extrémité de la distribution. Cependant, il convient de signaler immédiatement que les distributions normales (gaussiennes) ne devraient pas être utilisées pour les délais d’approvisionnement. En règle générale, les délais d’approvisionnement ne sont jamais distribués normalement, et l’utilisation d’un tel modèle conduit à une sous-estimation considérable des quantiles élevés, ce qui, à son tour, est la recette pour générer un flot continu de problèmes de service.

Les délais d’approvisionnement peuvent être modélisés de manière plus appropriée comme des distributions multi-modales reflétant le système physique sous-jacent. Par exemple, lors du lancement d’une chaîne de production, les délais de fabrication tendent à être très prévisibles, sauf si l’une des matières premières se trouve manquer, auquel cas le délai de fabrication peut être considérablement plus long. Ainsi, la modélisation pratique de la distribution de probabilité implique généralement un mélange de distributions discrètes et paramétriques.

La prévision probabiliste du délai d’approvisionnement est censée produire une variable aléatoire discrète pour chaque phase interne. Il est souvent raisonnable de supposer que ces phases internes sont statistiquement indépendantes (par exemple, le délai imposé par les douanes est strictement indépendant du délai de fabrication). Dans ces cas, les variables aléatoires peuvent être sommées de manière canonique, ce qui implique techniquement une opération de convolution effectuée sur les distributions sous-jacentes.

Modalités contrôlées

Bien que le modèle approprié de prévision probabiliste des délais d’approvisionnement soit généralement multi-modal, il existe certaines modalités qui nécessitent un traitement spécifique si un degré de contrôle est présent, par opposition à de simples observations passives. Par exemple, s’il est possible de demander un envoi par avion ou par mer à un fournisseur, les deux modes de transport ne devraient pas être combinés d’un point de vue prévisionnel. Il y a un certain degré de contrôle impliqué. Chaque mode de transport a sa propre variabilité, et ainsi, deux prévisions distinctes sont nécessaires.

Couplage avec la demande

Comme les capacités de production sont limitées lorsque la demande explose, le délai de fabrication tend également à augmenter. Ce couplage entre la demande et les délais d’approvisionnement impacte négativement la qualité de service, car il réduit la capacité de l’entreprise à atténuer un pic de demande par le biais d’achats supplémentaires ou de commandes de fabrication, précisément en raison du délai d’approvisionnement supplémentaire impliqué. Ainsi, il peut être pertinent d’avoir un modèle prédictif conjoint à la fois de la demande et des délais d’approvisionnement, puisque les tampons de stocks requis dépendent de deux facteurs.

Cependant, lorsqu’on considère des unités de fabrication ayant suffisamment de flexibilité pour (re)organiser leur file d’attente, les délais d’approvisionnement observés dépendent fortement de la priorisation attribuée à chaque tâche spécifique. Ainsi, la modélisation prédictive appropriée des délais d’approvisionnement devrait prendre en compte l’aspect de la gestion des files d’attente, car les délais peuvent varier considérablement en fonction de choix de priorisation arbitraires. Ce degré supplémentaire de contrôle peut être exploité pour atténuer l’impact d’un pic de demande.

Demande pendant le délai

La demande pendant le délai représente la quantité d’articles à traiter pendant la durée du délai d’approvisionnement. Cette valeur revêt un intérêt particulier car, pour éviter les ruptures de stock, le stock total (la somme des stocks disponibles et des stocks commandés) doit toujours rester supérieur à la demande pendant le délai. Lorsque le stock total tombe en dessous de la demande pendant le délai, une rupture de stock est garantie.

En supposant que des prévisions probabilistes puissent être établies à la fois pour la demande future et pour les futurs délais d’approvisionnement, il devient possible de calculer des estimations (à quantile élevé) de la demande pendant le délai, telles que définies par :

$$Q{\text{LeadDemand}}(\tau,y,L)=Q_\tau\left[\sum\limits_{{t=1}}^{{L_ \omega}} y_ \omega(t)\right]_{\omega \in \Omega}$$

Où :

  • $${0≤τ≤1}$$ est l’objectif de l’estimation du quantile
  • $${y}$$ est la demande, variant dans le temps
  • $${L}$$ est les délais d’approvisionnement
  • $${Qτ[..]}$$ est le quantile de la fonction interne à valeurs réelles
  • $${Ω}$$ est l’ensemble des résultats possibles
  • $${t}$$ est le temps, 1 étant la première période future
  • $${y_ω}$$ est la demande associée au résultat $${ω}$$
  • $${L_ω}$$ est les délais d’approvisionnement associés au résultat $${ω}$$

Cette estimation par quantile de la demande pendant les délais d’approvisionnement est intéressante lorsqu’on cherche à maintenir un taux de service cible. En supposant un modèle de stocks simple à article unique et fournisseur unique sans MOQ, la quantité à réapprovisionner à tout moment peut être définie par la formule:

$${ReorderQty(τ)=max(0,QLeadDemand(τ)−OnHand−OnOrder)}$$

Où:

  • $${OnHand}$$ représente les stocks disponibles
  • $${OnOrder}$$ représente les stocks en commande

Cette formule suppose implicitement qu’aucune demande n’est perdue en cas de rupture de stock. Cette hypothèse n’est pas raisonnable dans de nombreuses situations, par exemple dans le commerce de détail, où les consommateurs renoncent, se tournent vers un substitut ou choisissent un concurrent plutôt que de simplement reporter leur consommation. Afin de lever cette hypothèse, l’impact de la demande perdue doit être modélisé explicitement. Ceci est particulièrement important lorsque la demande est fortement saisonnière, car les produits disponibles après le pic saisonnier peuvent rester invendus ou inutilisés pendant une longue période.

Boucles de rétroaction pilotées par les délais d’approvisionnement

Les délais d’approvisionnement peuvent être considérés comme un facteur d’entrée pour déterminer le réapprovisionnement, comme détaillé dans la section précédente. Cependant, ces délais dépendent du calendrier de commandes (ou de production). De plus, ce calendrier est généralement conçu pour atteindre les économies d’échelle escomptées en réalisant la EOQ (quantité économique de commande), le MOQ (quantité minimale de commande) ou la taille nominale des lots de production.

Ainsi, les professionnels de la supply chain se trouvent fréquemment face à une boucle de rétroaction entre la décision à prendre aujourd’hui (réapprovisionnement et commande) et le moment où cette décision est censée se répéter dans le futur. En d’autres termes, la quantité à commander aujourd’hui dépend de la date du prochain réapprovisionnement : un réapprovisionnement plus tardif implique qu’une quantité plus grande soit requise. Toutefois, la date du prochain réapprovisionnement est également influencée par le réapprovisionnement actuel : une commande immédiate plus importante entraîne une date ultérieure pour le prochain réapprovisionnement.

Comme la modélisation explicite et l’optimisation numérique de cette boucle de rétroaction sont non triviales, les professionnels de la supply chain établissent fréquemment un calendrier approximatif (c’est-à-dire une commande par semaine, par mois), en accord avec les quantités cibles pour atteindre la taille de commande souhaitée (c’est-à-dire l’EOQ, le MOQ ou la taille de lot). Ce calendrier est ensuite supposé rigide, laissant les quantités de réapprovisionnement varier au besoin. Cependant, l’approche à horaires fixes introduit par conception des inefficiences, car la supply chain ne tire pas parti de l’ensemble de ses degrés de liberté.

De meilleures solutions numériques peuvent être envisagées pour aborder directement cet aspect de la boucle de rétroaction. Les algorithmes impliqués dans ces solutions relèvent généralement du domaine du reinforcement learning. Leur description détaillée dépasse toutefois le cadre du présent document.

Problèmes spécifiques aux secteurs

Les délais d’approvisionnement sont variés et la perspective adéquate varie généralement en fonction du secteur considéré. Dans la section suivante, nous passons en revue quelques secteurs présentant des défis spécifiques notables en lien avec les délais d’approvisionnement.

Durée de conservation des produits frais

Les produits frais sont hautement périssables, et par conséquent, ils présentent des durées de conservation courtes. La réduction des délais d’approvisionnement est généralement cruciale pour préserver autant que possible la valeur marchande des produits qui seront exposés. Ainsi, lorsqu’il s’agit d’équilibrer des options (emballage, transport) ayant un impact sur les délais d’approvisionnement, ces options influencent non seulement la qualité du service, mais aussi souvent le chiffre d’affaires attendu et les déchets escomptés à l’échelle de la supply chain.

De plus, les marques ou distributeurs font face à plusieurs options d’approvisionnement avec des compromis distincts entre délais d’approvisionnement et durée de conservation. Par exemple, une marque peut acheter directement auprès du producteur, ce qui implique un long délai d’approvisionnement mais, à la réception, une longue durée de conservation ; ou bien la marque peut acheter auprès d’un grossiste, ce qui implique un délai d’approvisionnement court, mais la réception de produits ayant une courte durée de conservation. Dans ces situations, une optimisation de la supply chain appropriée permet de trouver un équilibre entre les deux options, ce qui nécessite à son tour une analyse prédictive des délais d’approvisionnement et des durées de conservation respectifs.

Délai de rotation (TAT) pour les MROs

Les MROs (Maintenance Repair & Overhaul) gèrent des composants réparables. Pour qu’un changement de composant puisse avoir lieu, un composant en état de marche doit être immédiatement disponible tandis que le composant démonté reste inutilisable jusqu’à sa réparation. Le délai total entre la demande de changement de composant et la nouvelle disponibilité de l’unité opérationnelle est appelé délai de rotation.

Le stock de composants conservé par le MRO dépend directement du TAT. En effet, si le MRO disposait de la capacité (théorique) de réparer instantanément un composant défectueux, il n’y aurait pas besoin de stock. Par conséquent, la prévision et l’optimisation des délais d’approvisionnement tendent à être encore plus critiques que la prévision de la demande, du point de vue des MROs.

L’accent mis sur l’analyse du TAT (par opposition à l’analyse de la demande) est généralement renforcé par la nature des réparations non planifiées, qui résultent précisément de pannes impliquant un degré d’incertitude irréductible pour réaliser les processus physiques sous-jacents - c’est-à-dire que, s’il existait un moyen de traiter le problème de manière proactive, le diagnostic transformerait ces opérations en réparations planifiées.

Logistique inverse pour le e-commerce

La plupart des e-commerces grand public dans la plupart des pays offrent aujourd’hui la possibilité de retourner les marchandises si le consommateur n’aime pas ce qu’il a reçu. Toutefois, le taux de retours consommateurs varie considérablement d’un pays à l’autre, principalement pour des raisons culturelles. Par exemple, dans le e-commerce de mode rapide, les consommateurs allemands affichent généralement des taux de retour supérieurs à 50 %. Ces taux élevés sont en partie dus à l’habitude de commander plusieurs tailles et de retourner toutes les tailles sauf une.

Lorsque les taux de retour sont élevés, le détaillant en ligne doit anticiper qu’une part importante des stocks sera effectivement reversée ; sinon, le détaillant risque de se retrouver systématiquement avec des surstocks à mesure que les articles reviennent, après le passage des commandes de réapprovisionnement. Toutefois, trois incertitudes subsistent quant aux retours futurs : premièrement, si les articles seront retournés ou non, deuxièmement, si les articles passeront le contrôle qualité après leur réception, et troisièmement, combien de temps s’écoulera avant que les articles ne puissent être revendus.

Ces problèmes de prévision se prêtent assez bien à une analyse structurée très spécifique. En effet, le nombre maximal d’articles pouvant être retournés à un moment donné est limité par le volume des envois récents. Limiter les événements de queue est d’un intérêt primordial du point de vue de la supply chain. De plus, lorsqu’on est confronté à la situation « 3 tailles commandées, 2 tailles retournées », il est possible d’anticiper avec une grande certitude la fraction des commandes consommateurs qui sera retournée.

Entreprises de leasing

Les entreprises de leasing, telles que les sociétés de location de voitures ou de mobilier de bureau, font face à des situations qui ressemblent en partie aux situations des MROs, mais pas tout à fait. En effet, le niveau approprié de stocks dépend de la demande future, mais aussi des taux de rétention futurs, puisque les stocks reviennent à l’entreprise de leasing à la fin du contrat de location. Comme la société de leasing ne contrôle pas entièrement la durée du contrat, ces durées doivent être prédites afin d’optimiser les stocks. La durée de ces périodes de rétention et leur effet sur les stocks peuvent être analysés et prévus à travers le prisme des délais d’approvisionnement habituels.

Cependant, la plupart des entreprises de leasing disposent d’un certain contrôle sur la période de rétention via leur tarification et les offres spéciales qu’elles peuvent accorder à leurs clients. De même, un détaillant peut stimuler la demande pour un produit en le mettant en promotion, une entreprise de leasing peut allonger sa période de rétention en offrant des conditions plus favorables. Ainsi, dans les situations de leasing, l’analyse des tarifs est largement imbriquée avec l’analyse des délais d’approvisionnement.

Antipatterns des délais d’approvisionnement

Le terme “antipatterns” fait référence à des pratiques, des processus ou des outils censés être des solutions mais qui ne parviennent pas à fournir les résultats escomptés. Dans la supply chain, les délais d’approvisionnement sont sujets à une série d’antipatterns que nous passons en revue dans cette section.

Méconnaissance

Les délais d’approvisionnement sont l’une des raisons fondamentales pour lesquelles la planification et la prévision sont importantes dans la gestion de la supply chain. Pourtant, les délais – en tant que phénomène à modéliser et à façonner – reçoivent généralement qu’une infime fraction de l’attention accordée à d’autres phénomènes concurrents, tels que la demande. Il existe de nombreux instituts dédiés à la prévision de la demande, mais aucun n’est consacré à la prévision des délais d’approvisionnement. Ce déséquilibre considérable dans l’allocation des efforts conduit fréquemment à des situations où les analyses quantitatives sont effectuées avec une précision extrême – du côté de la demande – pour être ensuite arrondies à la tonne la plus proche – du côté des délais d’approvisionnement. La plupart des secteurs requièrent que les délais d’approvisionnement soient considérés comme des éléments de première classe dans l’optimisation de la supply chain – au même titre que la demande – tant en termes de processus que d’outils.

Sur-utilisation

Dans la plupart des supply chains, la majeure partie des stocks – y compris les matières premières et les produits semi-finis – passe la majorité de son temps immobile en attendant la prochaine opération. Des files d’attente de traitement ont tendance à se former à chaque étape de la supply chain, et chaque file d’attente engendre son propre temps d’attente. Cependant, à mesure que l’utilisation de tout actif se rapproche de 100 %, le temps d’attente dans la file tend vers l’infini. Ainsi, le taux d’utilisation de l’actif représente un compromis entre l’amortissement de l’actif lui-même et les délais d’approvisionnement impliqués. Ce compromis consiste à équilibrer les rendements décroissants des taux d’utilisation plus élevés avec les temps d’attente croissants de manière exponentielle.

À l’aveugle

L’amélioration des délais d’approvisionnement commence généralement par l’attribution correcte des responsabilités à la partie spécifique du processus qui cause le plus grand retard évitable. Cependant, les mesures des délais d’approvisionnement peuvent elles-mêmes être trompeuses. Par exemple, lors de la mesure du délai d’approvisionnement d’un fournisseur, si les palettes livrées restent fréquemment non traitées en attente de leur réception électronique sur un quai, cette mesure peut considérablement gonfler le délai d’approvisionnement du fournisseur, alors que le processus défaillant est la réception elle-même. Ces problèmes ne peuvent généralement pas être résolus par l’analyse de données, mais nécessitent des observations sur site pour déterminer si le processus d’acquisition des données est fiable ou non. De plus, l’acquisition même des “tops” électroniques, en tant que charge de travail supplémentaire pour le personnel, peut augmenter le délai d’approvisionnement global – ce qui va à l’encontre de l’intention initiale.

Emergent LIFO

Traiter les ordres ou les tâches avec une logique FIFO (premier entré, premier sorti) est presque toujours une exigence afin de garantir une qualité de service raisonnable. En effet, les violations du principe FIFO génèrent de manière erratique des délais d’approvisionnement excessivement longs. Cependant, au niveau physique, la logique LIFO (dernier entré, premier sorti) tend à émerger naturellement dans de nombreuses situations, et il faut des efforts spécifiques pour prévenir ces situations LIFO émergentes. Par exemple:

  • Chaque bon de commande entrant (préparation de commande, production, réparation, etc.) est automatiquement imprimé sous forme de “fiche de travail”. Toutes les fiches de travail entrantes sont imprimées et déposées dans une boîte. Cependant, en raison de la nature du processus d’impression, les dernières commandes à être reçues se retrouvent sur le dessus de la pile, incitant ainsi les opérateurs à adopter une logique LIFO.
  • Si un convoyeur est trop court, les marchandises ont tendance à déborder du convoyeur et peuvent être déposées au sol au début du convoyeur. Rapidement, un tas de marchandises se forme, et les articles présents le plus longtemps se retrouvent au bas du tas. Le déchargement des marchandises suit alors l’ordre LIFO.
  • Lorsque des caisses ou des palettes sont déchargées sur un quai par le biais d’un flux de transporteurs, à moins que le quai ne soit vidé après chaque opération de déchargement, les marchandises fraîchement arrivées ont tendance à être placées devant ou au-dessus des précédentes, ce qui entraîne par la suite une logique LIFO lors du traitement des marchandises.

Notes


  1. En 2020, seuls trois pays produisaient de la RAM (Random Access Memory), un composant matériel fondamental des ordinateurs modernes. Il existe également trois pays qui représentent près de 90 % des réserves et de la production mondiales de lithium, un élément essentiel des batteries modernes. ↩︎