00:00:07 Demand-Driven Material Requirements Planning (DDMRP)
00:00:39 La grande idée derrière DDMRP et le MRP traditionnel
00:02:21 Le délai de découplage dans DDMRP et son impact sur la supply chain
00:05:42 L’équation du flux net dans DDMRP et son efficacité
00:07:48 L’importance de distinguer la demande connue de la demande inconnue dans DDMRP
00:09:00 L’explosion découplée et ses conséquences.
00:10:25 La sélection manuelle des points de découplage et les inquiétudes concernant l’intervention humaine.
00:12:02 L’importance de l’optimisation numérique pilotée par machine.
00:14:00 La priorité relative de DDMRP et les problèmes pour maintenir ses hypothèses de base.
00:16:01 Critique de l’optimisation des pourcentages au lieu de se concentrer sur les leviers économiques.
00:17:18 Comparer l’efficacité de DDMRP et du Flow Casting.
00:18:37 L’absence d’insights restants de DDMRP lorsque les recettes numériques dysfonctionnelles sont supprimées.
00:19:48 L’utilité de la moyenne mobile dans le domaine fréquentiel comme insight de DDMRP.
00:22:12 Conclusion.

Résumé

Dans une interview, Kieran Chandler et Joannes Vermorel discutent du Demand Driven Material Requirements Planning (DDMRP), une méthode visant à améliorer l’efficacité de la supply chain en utilisant des points de découplage ou des buffers de stocks. Bien que DDMRP présente des innovations telles que le découplage stratégique, l’équation du flux net, l’explosion découplée et la priorité relative, Vermorel soulève des inquiétudes quant à sa dépendance à l’intervention manuelle et à l’optimisation basée sur des pourcentages. Il souligne la nécessité de l’automatisation et la priorité donnée aux economic drivers plutôt qu’aux pourcentages. Vermorel suggère que des algorithmes modernes d’optimisation numérique rendraient DDMRP obsolète, tout en reconnaissant la valeur de l’usage des moyennes mobiles dans le domaine fréquentiel pour des modèles de demande erratiques. Dans l’ensemble, il estime que les techniques modernes sont meilleures pour supply chain optimization.

Résumé étendu

Dans cette interview, Kieran Chandler, l’animateur, discute du Demand Driven Material Requirements Planning (DDMRP) avec Joannes Vermorel, le fondateur de Lokad, une entreprise de logiciels spécialisée dans l’optimisation de la supply chain. Ils explorent la grande idée derrière DDMRP, ses applications pratiques et les quatre innovations majeures qu’il prétend offrir.

DDMRP est une méthode de planification et d’exécution multi-niveaux qui vise à améliorer l’efficacité de la supply chain en plaçant stratégiquement des points de découplage ou des buffers de stocks. Ces points de découplage sont conçus pour aider les organisations à surmonter les limitations des logiciels classiques de Material Requirements Planning (MRP), qui peinent à effectuer des calculs précis pour des supply chains complexes.

Vermorel explique que les logiciels MRP fonctionnent en représentant les relations entre divers composants et sous-composants d’un produit, comme une voiture, sous forme de graphe. Ce graphe représente les dépendances entre les différentes pièces et aide à calculer les exigences pour produire le produit fini. Cependant, les logiciels MRP manquent souvent de accuracy et peuvent donner de mauvais résultats.

DDMRP tente de pallier ces limitations en introduisant des points de découplage dans le graphe. Ces points représentent des composants ou pièces qui disposent de stocks, ce qui signifie qu’on peut supposer qu’ils sont toujours disponibles. Cela permet de calculer des lead times numériquement bien inférieurs à ce que produirait un logiciel MRP classique. Vermorel note que, bien que cette approche puisse améliorer le point de départ offert par le MRP traditionnel, elle est encore loin de ce qui pourrait être réalisé avec des méthodes numériques modernes.

L’une des critiques que Vermorel formule à l’encontre de DDMRP est que, bien que les points de découplage puissent réduire les lead times calculés, la supply chain conserve une quantité significative d’inertie. Cela signifie que, malgré l’apparence d’améliorations, la performance réelle de la supply chain peut ne pas être aussi optimisée qu’il n’y paraît.

Le découplage stratégique consiste à introduire des points dans la supply chain où les lead times peuvent être réduits, raccourcissant ainsi le délai global. Vermorel soutient que, bien que cette approche puisse réduire numériquement les lead times, elle ne diminue pas significativement l’inertie de l’ensemble du réseau. Le défi réside dans le problème sémantique de comprendre comment les points de découplage stratégiques affectent la supply chain dans son ensemble.

L’équation du flux net, deuxième point de discussion, est une méthode simpliste pour maintenir les points tampon dans la supply chain. Elle prend en compte les stocks disponibles, en soustrayant la demande garantie ou les unités qualifiées, pour déterminer le stock restant destiné à couvrir la demande incertaine. Vermorel estime que DDMRP (Demand Driven Material Requirements Planning) a raison de distinguer entre la demande connue et inconnue. De nombreuses premières implémentations d’ERP (Enterprise Resource Planning) auraient naïvement prévisionné toute la demande, y compris la partie déjà garantie. Vermorel soutient que cette approche est fondamentalement défectueuse, car elle tente de prédire un futur déjà connu, ce qui conduit à des difficultés de prévision.

La troisième innovation clé abordée est l’explosion découplée, qui traite des conséquences de l’introduction de deux types de nœuds dans le graphe de la supply chain : les nœuds maîtres et les points de découplage. Les points de découplage sont des emplacements dans la supply chain où la propagation des lead times est arrêtée dans le calcul (mais pas dans la réalité), et un certain degré de stocks est maintenu. L’explosion découplée consiste à simplifier le Bill of Material (BOM) en sautant les nœuds secondaires pour se connecter directement aux points de découplage. Cette simplification du graphe vise à rationaliser le processus de la supply chain.

Vermorel exprime son inquiétude concernant la dépendance à l’intervention manuelle dans la gestion de la supply chain, notamment en ce qui concerne l’introduction d’un “Yokai” dans le graphe pour atténuer les conséquences insensées de recettes numériques simplistes numerical recipes. Il explique que les professionnels de la supply chain sont souvent responsables du choix des points de découplage, qui peuvent ne pas être stables ou cohérents dans le temps. Cela est dû à la nature en constante évolution de l’environnement de la supply chain, ainsi qu’à la possibilité pour les fournisseurs de changer leurs stratégies ou leurs emplacements.

La discussion souligne la nécessité de l’automatisation dans ce processus, car s’appuyer sur l’intervention humaine peut entraîner des inefficacités et des imprécisions. Vermorel souligne qu’il n’est pas judicieux de faire perdre du temps aux professionnels en sélectionnant manuellement les points de découplage pour des produits complexes comportant des milliers de pièces. Cela est d’autant plus vrai que les conditions du marché évoluent constamment, rendant difficile pour les professionnels de prédire ou de prendre en compte chaque variable avec précision.

Passons au concept de priorité relative dans la gestion de la supply chain. Vermorel explique qu’il s’agit de classer les articles en fonction de la quantité de stocks ciblée. Bien que cette méthode ait ses mérites, il estime qu’il serait plus efficace de classer les articles en fonction de leurs forces économiques. L’introduction de nœuds de premier ordre de type DDMRP (demand-driven material requirements planning), ou points de découplage, dans le graphe de la supply chain repose sur l’hypothèse que les stocks sont toujours disponibles. Lorsque cette hypothèse est violée, l’ensemble du système peut vaciller.

Les priorités relatives visent à pallier ce problème en donnant la priorité aux articles qui s’écartent le plus de l’hypothèse fondamentale de disponibilité continue. Bien que Vermorel reconnaisse que cela fait sens dans le cadre de la méthodologie globale, il souligne également que cela implique toujours un certain niveau d’intervention et de priorisation humaine, ce qui n’est peut-être pas l’approche la plus efficace ou précise.

Ils discutent de l’efficacité du Demand Driven Material Requirements Planning (DDMRP) dans l’optimisation de la supply chain. Vermorel critique DDMRP, affirmant qu’il se concentre sur l’optimisation des pourcentages plutôt que sur l’optimisation des aspects financiers tels que le coût des stocks, le gaspillage et le non-service. Il soutient que les décisions supply chain devraient être priorisées en fonction des objectifs globaux de l’entreprise exprimés en tant qu’economic drivers.

Vermorel compare DDMRP au flowcasting, en affirmant que, bien que le flowcasting présente des mathématiques fondamentalement incorrectes, il offre des insights précieux qui resteraient pertinents même après correction des mathématiques. En revanche, DDMRP est perçu comme une amélioration incrémentale d’une base défectueuse. Vermorel suggère que l’utilisation d’algorithmes modernes d’optimisation numérique rendrait DDMRP superflu.

Malgré les critiques, Vermorel reconnaît un point positif de DDMRP : l’utilisation des moyennes mobiles dans le domaine fréquentiel, par opposition au domaine des séries temporelles. Il explique que faire la moyenne de la demande sur une période fixe (domaine des séries temporelles) est moins efficace que de calculer la moyenne de la demande sur les 100 dernières unités servies (domaine fréquentiel). Cette approche présente un comportement numérique plus stable face à des modèles de demande erratiques et ponctuels. En conclusion, Vermorel voit de la valeur dans l’analyse en domaine fréquentiel dans DDMRP, mais il estime que les techniques modernes d’optimisation numérique sont mieux adaptées à l’optimisation de la supply chain.

Transcription intégrale

Kieran Chandler: Aujourd’hui sur Lokad TV, nous allons comprendre si cette méthode fonctionne réellement en pratique en examinant les quatre grandes innovations. Alors Joannes, nous en avons un peu parlé dans l’introduction, mais quelle est la grande idée derrière DDMRP ?

Joannes Vermorel: La grande idée, c’est que l’on part d’une perspective MRP très classique, où tout se réduit à l’analyse d’un graphe de dépendances. Pour clarifier pour ceux qui écoutent, supposons que vous vouliez construire un produit fini, comme une voiture. Vous avez besoin de pièces, mais les pièces nécessaires à une voiture sont elles-mêmes des assemblages nécessitant d’autres pièces. Vous avez donc une hiérarchie de composants, par exemple une voiture a besoin d’un climatiseur, et le climatiseur a besoin d’une pompe, d’une valve, etc. Lorsqu’on pense à un produit et à toutes les pièces dont il a besoin, c’est essentiellement un graphe mathématique, similaire à une carte de métro avec des lignes.

Ce graphe commence par le produit fini en haut et se déploie vers les sous-composants, puis chaque composant a lui-même des sous-sous-composants, et ainsi de suite, de manière récursive. Le MRP, le logiciel de planification des ressources de production, représente d’abord ces informations, de sorte que ce graphe de dépendances soit établi. Ensuite, il effectue une série de calculs pour vous aider à produire et à exécuter toutes ces exigences afin d’obtenir le produit fini. En général, il ne fait pas un si bon travail sur bon nombre de ces calculs, et DDMRP propose une série de recettes pour améliorer le processus.

Kieran Chandler: Alors, comment cela fonctionne-t-il réellement en pratique, et diriez-vous que c’est en quelque sorte une simplification excessive ?

Joannes Vermorel: La première innovation qu’ils revendiquent est le découplage des lead times. Il faut réaliser que leur référence d’amélioration repose sur des recettes numériques insensées, incroyablement naïves du point de vue de l’optimisation numérique. Si vous choisissez correctement les points de découplage, vous améliorerez la situation par rapport à une base de référence très médiocre. Vous devenez moins dysfonctionnel, mais cela ne signifie pas que vous êtes proche de ce que vous pourriez obtenir avec de véritables méthodes numériques modernes.

L’idée clé des points de découplage est qu’au lieu que chaque nœud soit identique, nous décidons que certains nœuds, les points de découplage, sont des citoyens de première classe, tandis que les autres ne le sont pas. À chaque point de découplage, cette pièce ou ce composant bénéficiera de stocks, ce qui permet de supposer qu’il est toujours disponible. Au lieu de prendre le chemin le plus long pour la production, vous empruntez le chemin le plus long jusqu’à atteindre l’un de ces points de découplage.

Mais ma première critique concernant le découplage des lead times est que, oui, lorsque vous introduisez ces points de découplage, vous obtenez effectivement un lead time numériquement bien inférieur. Cependant, votre supply chain conserve encore beaucoup plus d’inertie. Vous avez truqué la manière de calculer le lead time en introduisant ces points de découplage.

Kieran Chandler: Mais l’inertie persiste, nous dépassons ce que vous avancez. C’est ainsi qu’ils en arrivent à dire que nous avons introduit des points stratégiques de découplage et que nous pouvons réduire le lead time de 80 %. Numériquement parlant, vous obtenez un lead time beaucoup plus court, mais en réalité, vous n’avez pas réduit l’inertie de l’ensemble de votre réseau d’un facteur aussi important que ce que proposent ces points de découplage. Il y a ici un problème sémantique, et j’y reviendrai peut-être dans les concepts. Passons au second point d’itération dans DDMRP, l’équation du flux net. C’est essentiellement une méthode pour maintenir ces points tampon en utilisant, par exemple, les pré-commandes, c’est-à-dire ce que nous savons déjà qui va se produire. Dans quelle mesure cela fonctionne-t-il réellement en pratique ?

Joannes Vermorel: L’équation du flux net a un certain sens, en réalité. C’est une équation incroyablement simpliste : les stocks disponibles moins la demande déjà garantie, ce qu’ils appellent les unités qualifiées. Ainsi, la demande est quelque chose de quasiment certain. Ce que cela vous offre, c’est le stock restant disponible pour couvrir la demande incertaine. L’équation du flux net vous donne la quantité de stock qu’il vous faut pour couvrir ce qui n’est pas déjà une simple question d’exécution, car vous savez déjà que cela va arriver avec presque aucune incertitude.

Je pense que DDMRP est correct pour distinguer les choses très distinctes qui sont déjà connues de l’inconnues. Par exemple, si vous avez un processus de fabrication complexe et que vous servez peut-être d’autres clients industriels et que le client peut vous dire dans deux mois, “Je veux qu’on me livre mille unités à cette date,” et que vous avez le temps de le faire, alors vous devez à ce moment exécuter cette livraison. Aucune prévision n’est impliquée. Si vos délais sont inférieurs à deux mois au total, alors fondamentalement, il s’agit uniquement d’une question d’exécution sans aucune incertitude.

Bien sûr, les gens peuvent toujours annuler leurs commandes et ce genre de choses, mais disons que c’est assez sûr. C’est très différent de penser que dans deux mois, un client se présentera et demandera effectivement mille unités. Je pense que DDMRP a entièrement raison en affirmant que vous ne devriez pas essayer d’adopter ce genre d’approche super naïve, qui consiste à prévoir tout, y compris ce que vous savez déjà.

La question est, pourquoi affirment-ils même cela ? Eh bien, c’est parce que la plupart des systèmes ERP, lors de nombreuses premières implémentations, réalisaient des choses incroyablement naïves. Ils disaient, “Nous allons simplement prendre le chemin facile, qui est en quelque sorte le chemin bête,” et ils prévoyaient la demande dans son intégralité, y compris la portion qui est déjà garantie. Mais c’est très bête, car alors vous essayez de deviner un futur que vous connaissez déjà, et devinez quoi ? Il est très difficile de prévoir. Donc, si vous savez quelque chose du futur, vous ne devriez même pas essayer d’utiliser des statistiques pour le découvrir, vous le savez déjà.

Kieran Chandler: Si nous passons à la troisième innovation clé, cette soi-disant “explosion découplée” semble vraiment dramatique. Que se passe-t-il ici ?

Joannes Vermorel: C’est une autre conséquence de l’introduction de deux types de nœuds dans votre graphe des exigences. Rappelez-vous, nous avons introduit des nœuds maîtres dans le graphe qui sont ces points de découplage, c’est-à-dire les points qui stoppent la propagation des délais dans le calcul, pas en réalité, mais dans le calcul, et qui sont les points où vous voudrez garantir un certain niveau de stocks. Ce qu’ils disent, c’est qu’au lieu de faire propager la nomenclature de nœud en nœud directement en disant, “Je prends la nomenclature et elle se propage vers mes nœuds parents, les sous-composants qui

Kieran Chandler: Mes parents, les sous-composants dont j’ai besoin pour fabriquer le produit fini, je dis qu’en fait, lorsqu’ils se découplent, ils déclarent que la nomenclature, nous allons tout simplement complètement sauter tous les nœuds de second rang pour aller directement aux points de découplage. Donc, en un sens, c’est encore une technique de simplification du graphe. Je veux dire, cela repose sur cette hiérarchie dans le graphe qui a été introduite avec des nœuds de premier rang et des nœuds de second rang. Et qui choisit réellement ces nœuds de premier rang ? Si vous pensez à quelque chose comme un avion, il y a des millions de niveaux différents. Je veux dire, qui fait réellement ces choix ?

Joannes Vermorel: Les praticiens de la supply chain, ce qui est aussi pour moi une grande source d’inquiétude. Parce qu’en gros, oui, vous pouvez introduire manuellement une hiérarchie dans un graphe pour atténuer un peu les conséquences insensées de recettes numériques très simplistes. Donc oui, cela fonctionne d’une certaine manière. Mais en effet, vous vous retrouvez avec des praticiens de la supply chain qui doivent introduire manuellement de tels points de découplage. Et devinez quoi ? Ce n’est pas réellement stable. Ce qui constitue un bon choix pour ces points de découplage n’est pas environnemental. Pourquoi ? Parce que s’il y a une pièce que vous décidez d’externaliser, vous savez, pour l’acheter chez un fournisseur ou auprès d’un fournisseur qui est plus proche ou, au contraire, beaucoup plus éloigné, vous pouvez profondément changer ce qui se passe autour de tout ce qui dépend de cette pièce dans votre réseau supply chain.

Donc, vos points de découplage devraient techniquement, même si l’introduction de cette hiérarchie dans le graphe fonctionne d’une certaine manière, ne pas être considérés comme stationnaires, et vous ne pouvez pas les choisir une fois pour toutes en supposant qu’ils resteront bons pour toujours. De mon point de vue, cela devrait être réalisé de manière complètement automatique. Vous savez, ici nous parlons de recettes numériques, et nous disons que nous avons une recette numérique dysfonctionnelle, et qu’avec beaucoup d’intuition humaine et d’ajustements, nous pouvons obtenir une recette numérique un peu meilleure.

Kieran Chandler: D’accord, donc en gros, lorsqu’on fait intervenir les humains, nous réussissons toujours à tout gâcher d’une manière ou d’une autre.

Joannes Vermorel: Oui, mais aussi, cela ne permet pas d’utiliser judicieusement le temps de ces praticiens. Je veux dire, comme vous l’avez décrit, si vous avez un produit complexe avec des milliers de pièces, pourquoi voudriez-vous investir potentiellement des centaines, voire des milliers, d’heures-homme de vos experts supply chain pour sélectionner manuellement ces points de découplage ? On pourrait dire, oh, ils ont des intuitions incroyables, non ? Mais la réalité est que c’est très bruité. Des milliers de pièces, des conditions de marché qui changent constamment, pas nécessairement de manière radicale, mais tout de même, ça change un peu tout le temps. Donc, nous devons actualiser cela. C’est fondamentalement quelque chose qui devrait être fait par la machine. Vous savez, il n’y a aucune valeur ajoutée. C’est un pur cas d’optimisation numérique.

Kieran Chandler: D’accord, passons à la dernière innovation ici, qui est la priorité relative. Il s’agit essentiellement de classer en fonction de la quantité de stock ciblée, et je suppose qu’il y a de vives critiques à ce sujet. Nous préférerions classer selon des forces économiques, seriez-vous d’accord ?

Joannes Vermorel: Oui, mais encore, plusieurs choses. Tout d’abord, ces priorités relatives, pourquoi les introduit-on ? Je veux dire, dans un premier temps, elles partent de l’idée que le MRP classique a une perspective binaire sur des choses telles que “Suis-je en ordre ou pas ?” Et ils disent, “Pourquoi ? C’est, vous savez, cru, super cru.” Et la réponse est, oui, c’est cru au point que

Kieran Chandler: C’est complètement absurde et, en outre, dès les années 50, les spécialistes de l’optimisation numérique faisaient déjà des choses bien plus intelligentes que cela. Donc, une base de référence très, très faible. D’accord, maintenant, tout le style DDMRP introduit des nœuds de premier rang, appelés ces points de découplage dans votre graphe, et vous partez de l’hypothèse que le stock est toujours disponible. Ainsi, lorsque cette hypothèse est violée, évidemment, tout s’effondre, car votre explosion découplée repose sur cette hypothèse, vos horizons temporels décomposés reposent sur cette hypothèse. Vous devez donc essentiellement remettre votre système supply chain sur les rails en rapport avec votre hypothèse de base, et fondamentalement, les priorités relatives au prix indiquent que vous devez agir rapidement pour les éléments qui s’écartent le plus de votre hypothèse de base, qui est la disponibilité continue pour ces points de découplage.

Joannes Vermorel: C’est effectivement bien, c’est quelque chose qui a du sens, une partie de la recette. Mais encore, devinez quoi, vous vous retrouvez avec une priorisation qui est en partie incorrecte. Je remets en question la motivation même, qui est de remettre le système sur les rails par rapport à l’hypothèse selon laquelle vous devez disposer de DDMRP pour fonctionner en premier lieu. C’est comme le serpent qui se mord la queue. Vous introduisez une méthodologie, cette méthodologie vient avec ses hypothèses, et vos calculs numériques ne garantissent pas que ces hypothèses seront maintenues au fil du temps dans le système. Vous devez donc introduire des ajustements afin d’avoir une sorte de boucle de rétroaction pour pouvoir revenir sur la bonne voie par rapport à vos propres hypothèses. Mais cela ne signifie pas que nous retrouvions une cohérence avec l’objectif final de l’entreprise, et c’est là que réside ma critique. Vous optimisez en fonction de pourcentages, comme le pourcentage de précision, le pourcentage de satisfaction, le pourcentage de taux de service, ce qui est, encore une fois, une optimisation en pourcentage qui est quelque peu problématique. Vous voudriez avoir des pourcentages exprimés en euros, ce qui se rattache à la perspective finale, à savoir le coût des stocks, le coût du gaspillage, le coût du non-service. Et, d’autre part, vous avez tous les coûts et récompenses liés au fait de servir les clients à temps.

Donc, je suis tout à fait d’accord avec l’idée de prioriser les décisions, mais je ne suis absolument pas d’accord avec l’idée de prioriser ces décisions uniquement pour boucler sur votre méthodologie. Vous devez prioriser les décisions de façon à ce qu’elles se raccordent aux objectifs globaux de l’entreprise, exprimés en tant que leviers économiques pour l’ensemble de l’entreprise. En d’autres termes, ce que votre supply chain offre dans son ensemble.

Kieran Chandler: D’accord, maintenant rassemblons un peu tout cela. Nous avons décrit beaucoup des défauts de DDMRP. Devons-nous rejeter complètement cette technique ?

Joannes Vermorel: C’est intéressant parce que, la semaine dernière, nous parlions du flow casting. Le problème avec le flow casting était que certaines formules mathématiques étaient dramatiquement incorrectes, et donc ils dégradaient même la situation par rapport à la base de référence, qui était déjà vraiment mauvaise. Mais certaines des idées qu’il comportait étaient profondément vraies et survivraient en fait si l’on corrigeait les mathématiques pour que cela fonctionne. C’est très amusant, car DDMRP est en quelque sorte l’opposé. C’est fondamentalement quelque chose qui fonctionne de manière incrémentale en s’appuyant sur une base de référence très, très médiocre. Si vous prenez du recul et dites, au lieu d’essayer de bricoler quelque chose de très mauvais, commençons directement avec de bonnes fondations, c’est-à-dire en réalisant une optimisation numérique correctement avec des algorithmes appropriés comme de véritables algorithmes probabilistes basés sur des graphes. Alors, je ne suis pas sûr qu’une fois passé à un cadre numérique moderne pour effectuer une optimisation, parce que c’est là le problème, les systèmes MRP classiques n’optimisent pas réellement quoi que ce soit dans un sens moderne où, en réalité,

Kieran Chandler: Vous faites tout cela pour essentiellement bricoler des recettes numériques profondément dysfonctionnelles. Maintenant, si nous retirons ces recettes numériques dysfonctionnelles, que reste-t-il ?

Joannes Vermorel: La réponse est très, très peu. C’est là, par exemple, que le flow casting était très différent, car si vous retirez les parties numériques dysfonctionnelles du flow casting, les autres mécanismes qui restent sont profondément intéressants, et je pense qu’ils sont fondamentalement corrects. DDMRP, beaucoup moins.

Kieran Chandler: Si nous devions terminer sur une note plus positive, y a-t-il des idées que DDMRP nous apporte et qui soient réellement bonnes ?

Joannes Vermorel: Oui, je pense qu’une d’entre elles est que la moyenne mobile fonctionne, et qu’elle fonctionne même fréquemment mieux dans le domaine de la fréquence qu’au domaine temporel. Revenons-en là-dessus. Pour ceux d’entre vous qui ont peut-être appris à l’école d’ingénieurs la transformation de Fourier, vous savez que vous pouvez étudier séries temporelles dans le domaine temporel ou dans le domaine de la fréquence. C’est quelque chose qui se fait très fréquemment en acoustique.

Lorsque les gens pensent à prévoir la demande, ils utilisent souvent la moyenne mobile, qui peut fonctionner quand la demande est stationnaire. Typiquement, quand on envisage des prévisions par moyenne mobile, on pense à réaliser une analyse dans le domaine temporel. Alors, qu’est-ce que cela signifie ? Faire la moyenne de la demande sur les dernières semaines représente une période fixe ; c’est mon domaine temporel.

Le domaine de la fréquence consiste, au lieu de faire la moyenne des dernières semaines – où trois semaines représentent une période fixe – à dire “Je vais faire la moyenne de ma demande sur les 100 dernières unités servies.” La bonne nouvelle est que cette méthode des 100 dernières unités se comporte de manière beaucoup plus stable vis-à-vis d’une demande qui est très erratique et en pics.

La moyenne mobile dans le domaine de la fréquence est en réalité intéressante. D’ailleurs, DDMRP avec ces buffers, ce sont en fait des prévisions par moyenne mobile effectuées dans le domaine de la fréquence au lieu d’être réalisées dans le domaine temporel. Ils l’ont en quelque sorte redécouvert, mais c’est une très bonne idée. Il est très précieux de constater que l’analyse dans le domaine de la fréquence fonctionne et a des implications profondes pour la supply chain. C’est un angle très intéressant pour optimiser.

Je pense que c’est cet angle. Je ne suis pas certain que les partisans de DDMRP le voient ainsi, mais je crois que c’est une idée vraiment cool et très bonne qui est venue de DDMRP.

Kieran Chandler: J’espère que vous avez contribué à réparer certaines de ces relations. Quoi qu’il en soit, c’est tout pour cette semaine. Merci beaucoup de nous avoir suivis. Que vous soyez d’accord ou non, n’oubliez pas de nous laisser un commentaire, et nous nous retrouverons la prochaine fois. Au revoir pour le moment.