La Planification des Besoins en Matières pilotée par la Demande (DDMRP)
La Planification des Besoins en Matières pilotée par la Demande (DDMRP) est une méthode quantitative destinée à optimiser la performance de la supply chain des entreprises manufacturières multi-échelons. La méthode s’articule autour des notions de ‘points de découplage’ et de ‘tampons de stocks’, qui ont pour but d’atténuer les défauts des méthodes antérieures mises en œuvre par la plupart des systèmes MRP (Material Requirement Planning). La méthode fournit les quantités à acheter ou à fabriquer pour tout SKU (Stock-Keeping Unit) d’un BOM (Bill Of Materials) à plusieurs niveaux.

Mise à jour de novembre 2024 : Joannes Vermorel et Carol Ptak ont évoqué le DDMRP lors d’un récent débat sur la supply chain.
Le problème d’optimisation des flux du BOM à plusieurs niveaux
Un BOM (Bill of Materials) représente les assemblages, composants et pièces, ainsi que la quantité de chacun, nécessaires à la fabrication d’un produit final. Un BOM à plusieurs niveaux est une perspective hiérarchique récursive du BOM original, dans lequel certaines pièces sont également décomposées en leurs propres BOMs. D’un point de vue formel, un BOM à plusieurs niveaux est un graphe orienté acyclique pondéré1 où les sommets sont des SKU, où les arêtes indiquent l’inclusion (c’est-à-dire fait partie de) et où les poids représentent la quantité requise pour l’assemblage - soit pour le(s) produit(s) final(aux), soit pour le(s) produit(s) intermédiaire(s).
Le problème auquel répond le DDMRP est l’optimisation des flux au sein d’un BOM à plusieurs niveaux et consiste à déterminer, à tout moment, (a) si davantage de matières premières doivent être approvisionnées et en quelle quantité, (b) si davantage d’unités de chaque SKU doivent être produites et combien.
Intuitivement, ce problème est difficile car il n’existe aucune corrélation directe entre la qualité de service de tout SKU intermédiaire - généralement mesurée par le taux de service - et la qualité de service du produit final. Ajouter plus de stocks à un SKU donné n’améliore la qualité de service du produit final que si ce SKU était, d’une certaine manière, un goulot d’étranglement dans le flux de fabrication.
En pratique, la résolution de ce problème d’optimisation des flux nécessite une série d’entrées supplémentaires, le plus souvent :
- Historique des commandes des clients
- Délais fournisseurs
- Niveaux de stocks, disponibles, en transit ou en commande
- Délais d’approvisionnement de fabrication et/ou débits de production
- etc.
Ensuite, les supply chains du monde réel tendent à présenter d’autres complications telles que les tailles de lots (toute sorte de multiplicateurs souhaitables imposés soit par le fournisseur, soit par le processus de fabrication lui-même), les dates de péremption (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 coûteuse peut être utilisée en remplacement si celle moins onéreuse est indisponible). Ces complications nécessitent que le modèle intègre des données supplémentaires.
Les limites du MRP classique
L’émergence du DDMRP a été motivée par les limites associées à ce que l’on pourrait appeler la perspective du MRP classique (simplement désignée comme la perspective MRP par la suite), qui a été principalement développée dans les années 80. La perspective MRP s’articule autour de l’analyse des délais et identifie le chemin le plus long (en termes de temps) dans le graphe du BOM 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 statique à chaque arête du graphe du BOM, à savoir :
- Délais d’approvisionnement de fabrication qui est le plus optimiste et suppose que les stocks sont toujours disponibles partout (c’est-à-dire pour chaque SKU), donc que les délais ne dépendent que du débit des processus de fabrication.
- Délais cumulés qui est le plus pessimiste et suppose que les stocks sont toujours indisponibles, et donc que les délais ne dépendent que du temps nécessaire pour produire la première unité en partant d’un état vierge, c’est-à-dire sans matières premières ni 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 constituait le cœur architectural de presque tous les MRP conçus des années 80 aux années 2010.
Cependant, ces deux méthodes sont également excessivement simplistes et produisent généralement des délais dénués de sens. Les auteurs du DDMRP soulignent que calculer des ordres d’achat ou de production basés sur des estimations de délais profondément erronées finit par générer un mélange de surstocks et de ruptures de stock, selon que les délais se révèlent être grossièrement surestimés ou sous-estimés.
La recette numérique du DDMRP
La recette numérique du DDMRP est un mélange d’heuristiques numériques couplées à des décisions de jugement humain - c’est-à-dire des experts de la supply chain. Cette recette vise à surmonter les défauts associés au MRP classique sans recourir à des algorithmes numériques « avancés ». La recette se compose de quatre ingrédients principaux, à savoir :
- découpler les délais
- 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 BOM à plusieurs niveaux. Les auteurs du DDMRP soutiennent que cette méthode offre une performance de supply chain supérieure - mesurée en rotation de stocks ou en taux de service - par rapport aux performances réalisées par les MRP.
Découpler les délais
Afin de remédier à l’optimisme / pessimisme naïvement extrême de la perspective MRP sur les délais, le DDMRP introduit une méthode de coloration binaire du graphe2 dans laquelle certains sommets (c’est-à-dire des SKU) du graphe (c’est-à-dire des BOMs) sont désignés comme un point de découplage. On suppose alors que ces sommets disposent toujours de stocks opérationnels, et la méthodologie du DDMRP veille à ce que cela soit effectivement le cas.
Le choix des points de découplage est essentiellement délégué aux praticiens de la supply chain. Puisque les points de découplage doivent être des SKU stockés, les praticiens devraient privilégier les SKU qui font sens au niveau stratégique - par exemple, parce qu’ils sont consommés par plusieurs produits finaux et bénéficient de schémas de consommation plus réguliers que la plupart des produits finaux.
Une fois les points de découplage choisis, les délais DDMRP associés à tout sommet peuvent être calculés comme le chemin le plus long (en termes de temps), à partir du sommet et en descendant, tout en tronquant le chemin dès qu’un point de découplage est rencontré.
Avec une sélection minutieuse des points de découplage, les auteurs du DDMRP soutiennent que la méthodologie DDMRP offre des délais plus courts. Cette proposition n’est pas tout à fait exacte, non pas parce que les délais sont plus longs, mais parce que le DDMRP propose une nouvelle définition de ce que l’on entend par délai dès le départ.
L’équation du flux net
Afin de calculer les quantités associées aux commandes d’achat ou aux ordres de fabrication d’autres produits, les auteurs du DDMRP introduisent un concept appelé le flux net défini comme suit :
Disponible + En commande - Demande de commandes de vente qualifiées = Position du flux net
Cette équation est définie au niveau du SKU. La quantité de flux net est interprétée comme la quantité de stocks disponible pour répondre à la part incertaine de la demande.
La position du flux net est ensuite comparée à une taille de tampon ; et lorsqu’elle devient sensiblement inférieure à son tampon cible, une commande est passée. Nous reviendrons sur ce mécanisme dans la section sur la priorisation des commandes ci-dessous.
La méthodologie DDMRP offre quelques indications de haut niveau sur la manière de dimensionner les tampons, les exprimant typiquement en jours de demande, et en imposant des marges de sécurité tout en respectant les délais DDMRP - tels que définis ci-dessus. En pratique, le dimensionnement des tampons dépend du meilleur jugement des praticiens de la supply chain.
Grâce aux flux nets, les auteurs du DDMRP soulignent que seule la partie incertaine de la demande nécessite réellement une quelconque analyse statistique. Traiter la demande future qui est déjà connue relève purement du respect d’un plan d’exécution déterministe.
L’explosion découplée
La méthodologie DDMRP repose sur l’hypothèse, qu’elle impose également, que les stocks sont toujours opérationnels depuis 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 désigné sous le nom d’explosion découplée.
D’un point de vue DDMRP, lorsqu’une commande client est passée pour un produit final, la demande résultante n’est pas désagrégée de manière récursive jusqu’à ses composants les plus intimes, mais seulement jusqu’aux 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, le DDMRP peut être implémenté sur des systèmes de bases de données relationnelles, tout comme les MRP, même si ces systèmes ne sont pas vraiment adaptés à l’analyse de graphes.
Priorisation des commandes
La dernière étape numérique de la recette DDMRP consiste à calculer les commandes elles-mêmes, que ce soit des commandes d’achat ou des ordres de fabrication. La méthodologie DDMRP priorise tous les SKU en fonction de leurs différences respectives Tampon - Flux Net, les valeurs les plus élevées étant traitées en premier. Les commandes sont ensuite générées en traitant la liste dans l’ordre spécifié, en sélectionnant toutes les valeurs positives et, fréquemment, au moins aussi grandes que la quantité minimale de commande (MOQ) (le cas échéant).
La priorisation du DDMRP est unidimensionnelle (en termes de score) et est guidée par l’adhésion interne à sa propre méthodologie, c’est-à-dire le maintien de stocks opérationnels pour tous les points de découplage. Les sections précédentes ont illustré comment cette propriété clé des points de découplage a été exploitée. La priorisation des commandes clarifie comment cette propriété est appliquée.
La priorisation des commandes telle que proposée par les auteurs du DDMRP est plus granulaire que les recettes habituellement trouvées dans les MRP telles que l’analyse ABC. Elle offre un mécanisme pour orienter l’attention des praticiens de la supply chain vers les SKU qui nécessitent le plus d’attention - du moins selon le critère d’urgence du DDMRP.
Critiques du DDMRP
Les auteurs du DDMRP font la promotion4 des avantages5 de cette méthodologie en tant que pratique de pointe pour maximiser la performance de la supply chain. Bien que le DDMRP présente quelques « perles cachées » détaillées ci-dessous, de nombreuses critiques peuvent toutefois être formulées à l’encontre de cette méthodologie : les plus notables étant, premièrement, une base de référence incorrecte pour évaluer à la fois la nouveauté et la performance, et deuxièmement, un formalisme qui ne capture pas la complexité du monde réel.
Perles cachées
Bien qu’il puisse sembler paradoxal, les arguments les plus forts en faveur du 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 non intentionnelle du formalisme limité du DDMRP - détaillé ci-dessous.
En ce qui concerne les supply chains manufacturières, les moyennes mobiles fréquentielles sont généralement supérieures aux moyennes mobiles temporelles. En effet, il est incorrect d’affirmer que le DDMRP fonctionne sans prévisions de demande. Les tampons sont des prévisions, sauf qu’il s’agit de prévisions fréquentielles (c’est-à-dire des jours de demande), et non temporelles (c’est-à-dire la demande par jour). En règle générale, les prévisions fréquentielles sont plus robustes lorsque la demande est erratique et/ou intermittente. Cette découverte remonte 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, le DDMRP a popularisé cette perspective dans le monde de la supply chain.
La priorisation approximative est un mécanisme de prise de décision robuste dans la supply chain qui prévient des classes entières de problèmes, notamment les biais systémiques. 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 assez souple de la supply chain permet de diriger d’abord les ressources vers les goulots d’étranglement évidents. Bien que les auteurs du DDMRP soient clairement conscients que la priorisation est bénéfique en tant que mécanisme d’attention, l’idée n’est pas menée à son terme logique : la priorisation devrait être économique, c’est-à-dire mesurée en dollars et non en pourcentages.
Base de référence incorrecte
La principale critique à formuler à l’encontre du DDMRP est sa base de référence incorrecte. Les MRP, tels qu’ils ont été implémentés et vendus durant les quatre décennies allant du début des années 80 à la fin des années 2010, n’ont jamais vraiment été conçus6 pour planifier, pour prévoir ou pour optimiser quoi que ce soit. Le nom lui-même, MRP (Material Requirements Planning), est un malnomer. Un meilleur nom aurait été MRM (Material Requirement Management). Ces logiciels sont construits avec une base de données relationnelle en leur cœur (c’est-à-dire une base 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 en décrémentant un niveau de stocks lorsqu’une unité est prélevée.
Comme le noyau relationnel est largement en décalage avec tout traitement intensif sur le plan numérique, tel que la plupart des types d’algorithmes de graphes, il n’est pas surprenant que les recettes numériques proposées par ces produits finissent par être simplistes et dysfonctionnelles, comme le montrent les deux variantes d’estimation des délais évoquées 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 elle est poursuivie depuis sous différents noms, tels que les méthodes quantitatives en supply chain management ou simplement l’optimization de la supply chain.
Les affirmations de nouveauté et de supériorité du DDMRP sont tirées de manière incorrecte de la fausse prémisse selon laquelle les MRP constituent une référence pertinente pour l’optimization de la supply chain ; c’est-à-dire qu’améliorer le MRP représenterait une amélioration de l’optimization de la supply chain. Cependant, les MRP, comme tous les systèmes logiciels centrés autour de bases de données relationnelles, sont tout simplement inadaptés aux défis d’optimisation numérique.
Les fabricants confrontés aux limitations de leur MRP ne devraient pas chercher à apporter des améliorations incrémentielles au MRP lui-même, car l’optimisation numérique est fondamentalement en contradiction avec la conception du MRP, mais plutôt tirer parti de tous les outils logiciels et technologies qui ont été réellement conçus pour la performance numérique dès le départ.
Formalisme limité
La perspective DDMRP est un mélange étrange de formules simples et d’interventions subjectives. Bien que le DDMRP opère clairement dans un cadre mathématique spécifique – c’est-à-dire un graphe orienté acyclique pondéré – et que ses mécanismes portent des noms bien connus, à savoir coloriage de graphes et partitionnement de graphes, ces termes sont absents des documents DDMRP. On peut soutenir que la théorie des graphes est trop complexe pour le praticien moyen de la supply chain, mais le manque de formalisme oblige les auteurs à des explications longues pour des comportements numériques qui pourraient être décrits de manière bien plus précise et concise.
Ensuite, de manière plus préoccupante, le manque de formalisme isole le DDMRP de l’immense corpus de littérature en informatique, qui fournit de nombreux éclairages sur ce que l’on peut réaliser avec des algorithmes connus issus de plusieurs domaines de l’informatique, étudiés au-delà des exigences de la supply chain, à savoir : la théorie des graphes, l’optimisation stochastique et l’apprentissage statistique. En conséquence, le DDMRP adopte fréquemment des approches simplistes – nous reviendrons sur ce point ci-dessous – qui ne sont pas justifiées compte tenu des algorithmes connus et des capacités actuelles des ordinateurs.
Ensuite, le formalisme limité du DDMRP conduit à des affirmations erronées telles que la réduction des délais. En effet, numériquement, les délais calculés par le DDMRP sont certes plus courts que la plupart des alternatives, car, par construction, les trajectoires de délai sont tronquées dès qu’un point de découplage est rencontré. Pourtant, une erreur méthodologique est faite en affirmant qu’avec le DDMRP, les délais sont plus courts. La proposition correcte est qu’avec le DDMRP, les délais sont mesurés différemment. Une évaluation quantitative appropriée des mérites du DDMRP, en termes de délais, nécessite une notion formelle de l’inertie à l’échelle du système pour évaluer la rapidité avec laquelle une supply chain régie par une politique formelle rattraperait son retard face aux changements des conditions du marché.
De plus, le DDMRP recourt largement à des interventions subjectives – c’est-à-dire à déléguer à des experts humains des décisions numériques clés, telles que le choix des points de découplage. Par conséquent, il est peu pratique, voire impossible, d’étalonner une pratique DDMRP par rapport à une méthodologie concurrente correctement formalisée, car réaliser cet étalonnage nécessiterait une quantité de main-d’œuvre impraticable pour une supply chain de grande envergure (c’est-à-dire des milliers de SKU ou plus).
Enfin, compter sur des apports humains pour régler un processus d’optimisation numérique n’est pas une proposition raisonnable compte tenu du coût des ressources informatiques modernes. Le réglage des méta-paramètres peut être acceptable, mais pas une intervention fine à chaque sommet du graphe. En particulier, une observation superficielle des supply chains actuelles indique que le besoin d’interventions humaines est l’un des facteurs majeurs de l’inertie à l’échelle du système. Ajouter une couche supplémentaire de réglage manuel – le choix des points de découplage – n’est pas une amélioration en ce sens.
Dénigrant la complexité du monde réel
Modéliser une supply chain est, par nécessité, une approximation du monde réel. Ainsi, tous les modèles représentent un compromis entre précision, pertinence et faisabilité computationnelle. Néanmoins, le DDMRP se révèle abusivement simpliste quant à de nombreux facteurs qui ne peuvent plus être raisonnablement écartés lorsqu’on considère le matériel informatique. La supply chain existe pour servir les intérêts économiques de l’entreprise. Pour le dire plus franchement, l’entreprise maximise les dollars de retours générés par son interaction avec l’économie en général ; pourtant, le DDMRP optimise les pourcentages d’erreur par rapport à des cibles sans doute arbitraires – ses buffers. La priorisation, telle que définie par le DDMRP, se tourne vers l’intérieur : elle oriente le système de supply chain vers un état conforme aux hypothèses sous-jacentes du modèle DDMRP lui-même – c’est-à-dire la disponibilité des stocks aux points de découplage. Cependant, il n’est pas garanti que cet état soit aligné avec les intérêts financiers de l’entreprise. Cet état peut 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 taux de service élevés pour un SKU donné pourrait ne pas être une option rentable si des SKU concurrents (quasi-substituts) disposent déjà d’un excès de stocks.
De plus, le schéma de priorisation proposé par le DDMRP est fondamentalement unidimensionnel : l’adhésion à ses propres cibles de stocks (les buffers). Cependant, les décisions réelles en matière de supply chain sont presque toujours des problèmes multidimensionnels. Par exemple, après avoir produit un lot de 1000 unités, un fabricant met habituellement ces 1000 unités dans un containeur pour le fret maritime ; toutefois, si une rupture de stock est imminente dans la supply chain, il pourrait être rentable de faire expédier 100 unités (sur les 1000) par avion afin d’atténuer la rupture de stock imminente. Ici, le choix du mode de transport représente une dimension supplémentaire au défi de la priorisation supply chain. Pour 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 à prendre en compte dans la priorisation peuvent inclure :
- ajustements de tarification, pour augmenter ou réduire la demande (possiblement via des canaux de vente secondaires)
- fabriquer ou acheter, lorsque des substituts peuvent être trouvés sur le marché (typiquement à un supplément)
- dates d’expiration des stocks (nécessitant une analyse approfondie de la composition des stocks)
- risques de retours (lorsque les partenaires de distribution ont la possibilité de retourner les marchandises invendues).
Ainsi, bien que le DDMRP ait raison d’affirmer que la priorisation est une approche plus flexible comparée aux approches binaires tout ou rien mises en œuvre par les MRP, le schéma de priorisation proposé par le DDMRP lui-même est plutôt incomplet.
La vision de Lokad
La devise du DDMRP est « Conçu pour les personnes, pas pour la perfection ». Chez Lokad, nous favorisons la vision classique d’IBM les machines doivent fonctionner ; les gens doivent réfléchir à travers la perspective du Quantitative Supply Chain Management (QSCM).
Le QSCM part de l’hypothèse que chaque décision banale de la supply chain doit être automatisée. Cette perspective met en avant que les praticiens compétents de la supply chain sont jugés trop rares et trop coûteux pour passer leur temps à générer des décisions routinières d’approvisionnement, d’achat ou de tarification. Toutes ces décisions peuvent et doivent être automatisées, afin que les praticiens puissent se concentrer sur l’amélioration de la recette numérique elle-même. D’un point de vue financier, le QSCM transforme ces salaires d’OPEX, où les journées-homme sont consommées pour maintenir le système en marche, en CAPEX, où les journées-homme sont investies dans l’amélioration continue du système.
L’approche 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, mais aussi le facteur truck associé au départ de tout employé. Le DDMRP établit un processus pour générer des décisions banales de la supply chain, mais atteindre une automatisation complète n’est en grande partie pas un objectif, bien que le DDMRP ne soit pas opposé à l’automatisation chaque fois que l’occasion se présente.
Il est intéressant de noter que la tendance de l’industrie vers la perspective QSCM ou le DDMRP devrait être observable dans une certaine mesure. Si la perspective QSCM est adoptée plus largement, alors les équipes de gestion de la supply chain évolueront pour ressembler davantage à d’autres industries « de talents », par exemple la finance avec leurs traders quantitatifs où quelques individus exceptionnellement talentueux stimulent la performance de grandes entreprises. Inversement, si la perspective DDMRP est adoptée plus largement, alors les équipes de gestion de la supply chain évolueront pour ressembler davantage à des franchises à succès – par exemple, les responsables de magasins 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, 3ème édition, par Carol A. Ptak et Chad J. Smith, 2011
Notes
-
En mathématiques discrètes, un graphe est un ensemble de sommets (également appelés nœuds ou points) et d’arêtes (également appelées liens ou lignes). On dit qu’un graphe est orienté si les arêtes possèdent une orientation. On dit qu’un graphe est pondéré si les arêtes se voient attribuer un nombre – le poids –. On dit qu’un graphe est acyclique s’il n’existe aucun cycle lorsque l’on suit les arêtes selon leurs orientations respectives. ↩︎
-
Un schéma de coloriage consiste à attribuer une propriété catégorielle à chaque sommet du graphe. Dans le cas du DDMRP, il n’y a que deux options : point de découplage ou non point de découplage ; c’est-à-dire seulement deux couleurs. ↩︎
-
En informatique, le divide and conquer est un algorithme qui fonctionne en décomposant récursivement un problème en deux ou plusieurs sous-problèmes liés, jusqu’à ce qu’ils deviennent suffisamment simples pour être résolus directement. Cette approche a été pionnière par John von Neumann en 1945. ↩︎
-
À partir du 24 février 2020, le Demand Driven Institute™ est une organisation à but lucratif qui se définit (sic) comme l’Autorité Mondiale de l’Éducation, de la Formation, de la Certification et de la Conformité axées sur le Demand Driven. Son modèle économique repose sur la vente de sessions de formation et de supports conçus autour du DDMRP. ↩︎
-
À partir du 24 février 2020, la page d’accueil du Demand Driving Institute™ (demanddriveninstitute.com) présente les chiffres suivants comme améliorations typiques : les utilisateurs atteignent systématiquement des performances de taux de service ponctuel de 97-100 %, des réductions de délais supérieures à 80 % ont été réalisées dans plusieurs segments industriels, et des réductions de stocks typiques de 30-45 % sont obtenues tout en améliorant le service client. ↩︎
-
Les fournisseurs de MRP ont certainement formulé des affirmations audacieuses sur les capacités de planification, de prévision et d’optimisation de leur produit. Néanmoins, tout comme le Guide Michelin ne se donne pas la peine d’évaluer si les marques de céréales pour petit-déjeuner pourraient être éligibles à une cote culinaire malgré leurs slogans magiquement délicieux, notre évaluation devrait s’adresser aux parties qui se concentraient principalement sur la fourniture d’une performance supply chain de pointe. ↩︎