Formule des gains de précision (faible rotation)
Plus précises prévisions de demande génèrent des économies en ce qui concerne les stocks. Cet article quantifie les économies pour des stocks avec des rotations inférieures à 15. Nous adoptons le point de vue selon lequel l’extra précision est entièrement investie dans la réduction des niveaux de stocks tout en maintenant les taux de rupture de stock inchangés.
La formule
Le détail de la démonstration est présenté ci-dessous, mais commençons par le résultat final. Introduisons les variables suivantes :
la valeur totale des stocks. le coût de possession annuel (en pourcentage), qui représente la somme de toutes les frictions associées aux stocks. l’erreur de prévision du système en place exprimée en unit MAE (erreur absolue moyenne). La définition de cette mesure est donnée ci-dessous. l’erreur de prévision du nouveau système testé (espérons qu’elle soit inférieure à ).
Le bénéfice annuel
MAE unitaire
La formule introduite ici fonctionne tant que les erreurs sont mesurées sur le délai d’approvisionnement et exprimées en pourcentage par rapport aux ventes totales pendant ce délai.
Bien que le MAPE (Erreur Absolue Moyenne en Pourcentage) mesuré sur le délai d’approvisionnement convienne à cette définition, nous conseillons vivement de ne pas utiliser le MAPE ici. En effet, le MAPE fournit des mesures erratiques en présence de produits à faible rotation dans les stocks. Puisque cet article se concentre sur des stocks avec une faible rotation, la présence de produits à faible rotation est quasiment assurée.
Afin de calculer le MAE unitaire (c’est-à-dire homogène sous forme de pourcentage), introduisons :
la demande réelle pour l’article , sur la durée du délai d’approvisionnement. la prévision de demande pour l’article , sur la durée du délai d’approvisionnement.
Pour assurer la cohérence de la mesure, nous supposons que la même date de départ
Cette valeur est homogène en pourcentage et se comporte essentiellement comme le MAE. Contrairement au MAPE, elle n’est pas affectée négativement par les produits à faible rotation, c’est-à-dire les articles pour lesquels
Exemple pratique
Considérons un grand réseau de distribution B2B d’équipements professionnels qui peut obtenir une réduction de 20% de l’erreur relative de prévision grâce à un nouveau système de prévision.
€ (100 millions d’euros) (20% de coût de friction annuel sur les stocks) (l’ancien système a une erreur de 20%) (le nouveau système a une erreur de 16%)
D’après la formule ci-dessus, nous obtenons un gain de
Démonstration de la formule
Pour démontrer le résultat indiqué ci-dessus, introduisons un biais de réduction systématique de
- augmentons l’erreur de toutes les sous-prévisions de
pour cent. - réduisons l’erreur moyenne des sur-prévisions (la quantification reste toutefois floue).
En négligeant l’amélioration apportée par le biais sur les sur-prévisions, nous constatons que, dans le pire des cas, la précision du nouveau système de prévision - désormais biaisé - est dégradée de
Ensuite, nous notons que la quantité totale de stocks
En abaissant les prévisions de
Enfin, nous avons démontré que, grâce à une prévision plus précise, il est possible d’établir un niveau de stocks inférieur de
Ainsi, la réduction des stocks est de
Idées reçues sur les coûts de possession
La variable
Prendre en compte uniquement le coût strictement financier sous-estime largement le coût réel des stocks :
- Le stockage lui-même ajoute généralement une surcharge de 2% à 5% par an.
- Les coûts d’obsolescence représentent de 10% à 20% par an pour presque tous les types de produits manufacturés.
Ainsi, une surcharge annuelle de 20% est généralement un pourcentage de friction tout à fait raisonnable pour la majorité des stocks de produits finis.
Les pièges de Lokad
Pour les stocks à faible rotation, les prévisions quantiles natives quantile forecasts offrent généralement de meilleurs résultats en termes de précision. En effet, les prévisions moyennes classiques se comportent mal en cas de demande intermittente.