00:00:07 Demand-Driven Material Requirements Planning (DDMRP)
00:00:39 L’idée principale derrière le DDMRP et le MRP traditionnel
00:02:21 Le temps de découplage dans le DDMRP et son impact sur la supply chain
00:05:42 L’équation de flux net dans le DDMRP et son efficacité
00:07:48 L’importance de distinguer la demande connue et inconnue dans le DDMRP
00:09:00 L’explosion découplée et ses conséquences.
00:10:25 La sélection manuelle des points de découplage et les préoccupations concernant l’implication humaine.
00:12:02 L’importance de l’optimisation numérique pilotée par machine.
00:14:00 La priorité relative du DDMRP et les problèmes liés au maintien des hypothèses de base.
00:16:01 Critique de l’optimisation des pourcentages au lieu de se concentrer sur les moteurs économiques.
00:17:18 Comparaison de l’efficacité du DDMRP et du Flow Casting.
00:18:37 Le manque d’informations restantes du DDMRP lorsque les recettes numériques dysfonctionnelles sont supprimées.
00:19:48 L’utilité de la moyenne mobile dans le domaine de la fréquence en tant qu’information provenant du DDMRP.
00:22:12 Réflexions finales.
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 tampons de stock. Bien que le DDMRP présente des innovations telles que le découplage stratégique, l’équation de flux net, l’explosion découplée et la priorité relative, Vermorel soulève des préoccupations quant à sa dépendance à l’intervention manuelle et à la focalisation sur l’optimisation. Il souligne la nécessité d’automatisation et de donner la priorité aux moteurs économiques plutôt qu’aux pourcentages. Vermorel suggère que les algorithmes modernes d’optimisation numérique rendraient le DDMRP obsolète, mais reconnaît son apport précieux en utilisant des moyennes mobiles dans le domaine de la fréquence pour les modèles de demande erratiques. Dans l’ensemble, il estime que les techniques modernes sont meilleures pour l’optimisation de la supply chain.
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 spécialisée dans l’optimisation de la supply chain. Ils explorent l’idée principale derrière le DDMRP, ses applications pratiques et les quatre grandes innovations qu’il prétend offrir.
DDMRP est une méthode de planification et d’exécution multi-échelons qui vise à améliorer l’efficacité de la supply chain en plaçant stratégiquement des points de découplage ou des tampons de stock. Ces points de découplage sont conçus pour aider les organisations à surmonter les limites des logiciels classiques de planification des besoins en matériel (MRP), qui peuvent avoir du mal à effectuer des calculs précis pour des supply chains complexes.
Vermorel explique que les logiciels MRP fonctionnent en représentant les relations entre les différents composants et sous-composants d’un produit, comme une voiture, sous forme de graphe. Ce graphe représente les dépendances entre les différentes parties et aide à calculer les besoins pour produire le produit fini. Cependant, les logiciels MRP manquent souvent de précision et peuvent produire de mauvais résultats.
Le DDMRP tente de pallier ces limitations en introduisant des points de découplage dans le graphe. Ces points représentent des composants ou des pièces qui ont un stock, ce qui signifie qu’ils peuvent être considérés comme toujours disponibles. Cela permet de calculer des délais d’approvisionnement numériquement beaucoup plus bas que ce que les logiciels MRP classiques produiraient. Vermorel note que, bien que cette approche puisse améliorer la base fournie par le MRP traditionnel, elle est encore loin de ce qui pourrait être réalisé avec des méthodes numériques modernes.
Une des critiques soulevées par Vermorel à propos du DDMRP est que, bien que les points de découplage puissent réduire les délais d’approvisionnement calculés, la supply chain conserve néanmoins une quantité significative d’inertie. Cela signifie que malgré l’apparence d’améliorations, les performances réelles de la supply chain peuvent ne pas être aussi optimisées qu’il n’y paraît.
Le découplage stratégique consiste à introduire des points dans la supply chain où les délais d’approvisionnement peuvent être réduits, raccourcissant ainsi le délai global. Vermorel soutient que, bien que cette approche puisse réduire numériquement les délais d’approvisionnement, elle ne réduit pas significativement l’inertie dans 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, le deuxième point de discussion, est une méthode simpliste pour maintenir des points tampons 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 pour répondre à la demande incertaine. Vermorel estime que le DDMRP (Demand Driven Material Requirements Planning) a raison de distinguer entre la demande connue et la demande inconnue. De nombreuses premières mises en œuvre des ERP (Enterprise Resource Planning) prévoyaient naïvement toute la demande, y compris la partie déjà garantie. Vermorel soutient que cette approche est fondamentalement erronée, car elle tente de prédire un futur déjà connu, ce qui entraîne des difficultés de prévision.
La troisième innovation clé discutée 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 délais d’approvisionnement est interrompue dans le calcul (mais pas dans la réalité), et un certain degré de stock est maintenu. L’explosion découplée consiste à simplifier la nomenclature BOM (Bill of Material) en sautant les nœuds secondaires et en se connectant directement aux points de découplage. Cette simplification du graphe vise à rationaliser le processus de la supply chain.
Vermorel exprime des préoccupations concernant la dépendance à l’intervention manuelle dans la gestion de la supply chain, en particulier en ce qui concerne l’introduction d’un “Yokai” dans le graphe pour atténuer les conséquences non sensées de recettes numériques simplistes. Il explique que les praticiens 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 constamment changeante de l’environnement de la supply chain, ainsi qu’à la possibilité pour les fournisseurs de modifier leurs stratégies ou leurs emplacements.
La discussion met l’accent sur la nécessité d’automatiser ce processus, car s’appuyer sur l’intervention humaine peut entraîner des inefficacités et des inexactitudes. Vermorel souligne qu’il n’est pas judicieux pour les praticiens de passer du temps à sélectionner manuellement les points de découplage pour des produits complexes avec des milliers de pièces. Cela est particulièrement vrai étant donné que les conditions du marché changent constamment, ce qui rend difficile pour les praticiens de prédire ou de prendre en compte chaque variable avec précision.
Passons maintenant au concept de priorité relative dans la gestion de la supply chain, Vermorel explique que cela consiste à classer les articles en fonction de la quantité de stock ciblée. Bien que cette méthode ait du mérite, 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 style DDMRP (demand-driven material requirements planning), ou points de découplage, dans le graphe de la supply chain repose sur l’hypothèse que le stock est toujours disponible. Lorsque cette hypothèse est violée, tout le système peut flancher.
Les priorités relatives visent à résoudre ce problème en donnant la priorité aux articles qui s’écartent le plus de l’hypothèse centrale de disponibilité continue. Bien que Vermorel reconnaisse que cela fait partie sensée de la méthodologie globale, il souligne également que cela implique toujours un certain niveau d’intervention humaine et de priorisation, qui peut ne pas être l’approche la plus efficace ou la plus précise.
Ils discutent de l’efficacité de la planification des besoins en matériel axée sur la demande (DDMRP) dans l’optimisation de la supply chain. Vermorel critique le DDMRP, affirmant qu’il se concentre sur l’optimisation des pourcentages plutôt que sur l’optimisation des aspects financiers tels que le coût du stock, le gaspillage et le non-service. Il soutient que les décisions de la supply chain devraient être prioritaires en fonction des objectifs commerciaux globaux exprimés en tant que moteurs économiques.
Vermorel compare le DDMRP au flowcasting, affirmant que bien que le flowcasting présente des mathématiques fondamentalement incorrectes, il offre des informations précieuses qui resteraient pertinentes même après avoir corrigé les mathématiques. En revanche, le DDMRP est considéré comme une amélioration incrémentale sur une base défectueuse. Vermorel suggère que l’utilisation d’algorithmes d’optimisation numérique modernes rendrait le DDMRP redondant.
Malgré les critiques, Vermorel reconnaît un aspect positif du DDMRP : l’utilisation de moyennes mobiles dans le domaine de la fréquence, par opposition au domaine du temps. Il explique que la moyenne de la demande sur une période fixe (domaine du temps) est moins efficace que la moyenne de la demande sur les 100 dernières unités servies (domaine de la fréquence). Cette approche est plus numériquement bien comportée lorsqu’il s’agit de modèles de demande erratiques et instables. En conclusion, Vermorel voit de la valeur dans l’analyse du domaine de la fréquence dans le DDMRP, mais il estime que les techniques d’optimisation numérique modernes conviennent mieux à l’optimisation de la supply chain.
Transcription complète
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 l’idée principale derrière le DDMRP ?
Joannes Vermorel : L’idée principale est que l’on part d’une perspective MRP très classique, où tout se résume à l’analyse d’un graphe de dépendances. Pour clarifier pour les personnes qui écoutent, disons que vous voulez construire un produit fini, comme une voiture. Vous avez besoin de pièces, mais les pièces dont vous avez besoin pour une voiture sont elles-mêmes des assemblages qui ont également besoin de leurs propres pièces. Vous avez donc une hiérarchie de composants, comme une voiture ayant besoin d’une unité de climatisation, et l’unité de climatisation ayant besoin d’une pompe, d’une valve, et ainsi de suite. Lorsque vous pensez à un produit et à toutes les pièces dont il a besoin, c’est essentiellement un graphe mathématique, similaire à un plan de métro avec des arêtes.
Ce graphe commence par le produit fini en haut et se décompose en sous-composants, puis chaque composant a des sous-sous-composants, et ainsi de suite, de manière récursive. Si vous avez un produit très complexe, vous pouvez avoir un graphe très complexe représentant toutes les pièces jusqu’aux matériaux de base. Le MRP, le logiciel de planification des ressources de fabrication, représente d’abord ces informations, de sorte que vous puissiez avoir ce graphe de dépendances représenté. Ensuite, il effectue une série de calculs pour vous aider à produire et à exécuter toutes ces exigences afin d’obtenir les produits finis. En général, il ne fait pas un très bon travail pour effectuer bon nombre de ces calculs, et le DDMRP propose une série de recettes pour améliorer son fonctionnement.
Kieran Chandler : Alors comment cela fonctionne-t-il réellement en pratique, et diriez-vous que c’est quelque peu simplifié ?
Joannes Vermorel : La première innovation qu’ils revendiquent est le découplage des délais de livraison. Nous devons réaliser que leur référence pour l’amélioration est des recettes numériques absurdes, incroyablement naïves d’un point de vue d’optimisation numérique. Si vous choisissez les points de découplage correctement, vous améliorerez par rapport à une référence très médiocre. Vous deviendrez moins dysfonctionnel, mais cela ne signifie pas que vous vous rapprochez de ce que vous pourriez obtenir avec de véritables méthodes numériques modernes.
L’idée clé des points de découplage est qu’au lieu d’avoir chaque nœud comme n’importe quel autre nœud, nous décidons d’avoir des citoyens de première classe, les points de découplage, et des citoyens de deuxième classe où nous ne découplons pas. À chaque point qui est découplé, cette pièce ou ce composant va avoir un stock, et vous pouvez donc supposer que cette chose est toujours disponible. Au lieu de prendre le chemin le plus long pour la fabrication, vous prenez le chemin le plus long jusqu’à la fabrication jusqu’à ce que vous atteigniez l’un de ces points de découplage.
Mais ma première critique concernant le découplage des délais de livraison est que, oui, lorsque vous introduisez ces points de découplage, vous obtenez un délai de livraison numériquement beaucoup plus court. Cependant, votre supply chain a toujours beaucoup plus d’inertie. Vous avez manipulé la manière dont vous calculez le délai de livraison en introduisant ces points de découplage.
Kieran Chandler: Mais l’inertie existe toujours, nous sommes au-delà de ce que vous dites. C’est ainsi qu’ils finissent par dire que nous avons introduit des points de découplage stratégiques et que nous pouvons réduire le délai de livraison de 80%. Numériquement parlant, vous obtenez un délai de livraison beaucoup plus court, mais la réalité est que vous n’avez pas réduit l’inertie que vous avez dans l’ensemble de votre réseau d’un facteur aussi important que celui que vous avez avec ces points de découplage. Il y a un problème sémantique ici, et j’y reviendrai peut-être dans les concepts. Passons au deuxième point d’itération dans le DDMRP, l’équation de flux net. C’est essentiellement une façon de maintenir ces points tampons et d’utiliser des choses comme des précommandes, des choses que nous savons déjà qui vont se produire. Est-ce que cela fonctionne réellement bien en pratique?
Joannes Vermorel: L’équation de flux net a un peu de sens en réalité. C’est une équation incroyablement simpliste : stock disponible moins la demande déjà garantie, ce qu’ils appellent les unités qualifiées. Donc, la demande qui est une certitude. Ce que vous avez avec cela, c’est le stock qui reste disponible pour répondre à la demande incertaine. L’équation de flux net vous donne la quantité de stock que vous devez avoir pour couvrir les choses qui ne relèvent pas déjà d’une simple exécution car vous savez déjà que cela arrive avec presque aucune incertitude.
Je pense que le DDMRP a raison de distinguer les choses très distinctes qui sont déjà connues de l’inconnu. 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 à partir de maintenant : “Je veux mille unités à livrer à cette date”, et que vous avez le temps de le faire, vous devez à ce moment-là exécuter cette livraison. Il n’y a pas de prévision impliquée. Si vos délais de livraison sont inférieurs à deux mois au total, alors c’est essentiellement une simple question d’exécution sans aucune incertitude.
Bien sûr, les gens peuvent toujours annuler leurs commandes et tout ça, mais disons que c’est assez sûr. C’est très différent peut-être que dans deux mois, il y aura un client qui se présentera et qui demandera réellement mille unités. Je crois que le DDMRP a tout à fait raison de dire que vous ne devriez pas essayer d’avoir ce genre d’approche super naïve, qui consiste à tout prévoir, y compris ce que vous savez déjà.
La question est, pourquoi le disent-ils même ? Eh bien, c’est parce que la plupart des systèmes ERP, de nombreuses premières implémentations, faisaient des choses incroyablement naïves. Ils disaient : “Nous allons simplement prendre le chemin facile, qui est un peu le chemin stupide”, et ils prévoyaient la demande, tout, y compris la partie qui est déjà garantie. Mais c’est très stupide parce que vous essayez alors de deviner un futur que vous connaissez déjà, et devinez quoi ? C’est très difficile à prévoir. Donc, si vous savez quelque chose sur le 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 “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 de besoins. Rappelez-vous, nous avons introduit des nœuds maîtres dans le graphe qui sont ces points de découplage, qui arrêtent la propagation du temps de cycle dans le calcul, pas dans la réalité, mais dans le calcul, et qui sont les points où vous voudrez assurer un certain degré de stocks. Ce qu’ils disent, c’est qu’au lieu de faire propager la nomenclature de nœud en nœud en disant : “Je prends la nomenclature et elle se propage à mes nœuds parents, les sous-composants dont j’ai besoin pour construire le produit fini”, je dis qu’en gros, quand ils découplent le présent, ils disent que la nomenclature, nous allons simplement sauter complètement tous les nœuds de seconde classe pour passer directement aux points de découplage. Donc, d’une certaine manière, 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 les nœuds de première classe et les nœuds de seconde classe. Et qui choisit réellement ces nœuds de première classe, si vous regardez quelque chose comme un avion, il a des millions de niveaux différents. Je veux dire, qui fait réellement ces choix ?
Kieran Chandler: Les praticiens de la supply chain, ce qui est aussi pour moi une grande préoccupation. Parce que fondamentalement, oui, vous pouvez introduire manuellement une hiérarchie dans un graphe pour atténuer les conséquences non sensiques de recettes numériques très simplistes. Donc oui, cela fonctionnera plus ou moins. 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 vraiment stable. Ce qui est un bon choix pour ces points de découplage n’est pas un environnement. Pourquoi ? Parce que si vous décidez d’externaliser une pièce, vous savez, de l’acheter à un fournisseur ou de l’acheter à un fournisseur qui est plus proche ou au contraire, beaucoup plus éloigné, vous pouvez changer assez profondément ce qui se passe autour de tout ce qui dépend de cette pièce dans votre réseau de supply chain.
Joannes Vermorel: Les praticiens de la supply chain, ce qui est aussi pour moi une grande préoccupation. Parce que fondamentalement, oui, vous pouvez introduire manuellement une hiérarchie dans un graphe pour atténuer les conséquences non sensiques de recettes numériques très simplistes. Donc oui, cela fonctionnera plus ou moins. 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 vraiment stable. Ce qui est un bon choix pour ces points de découplage n’est pas un environnement. Pourquoi ? Parce que si vous décidez d’externaliser une pièce, vous savez, de l’acheter à un fournisseur ou de l’acheter à un fournisseur qui est plus proche ou au contraire, beaucoup plus éloigné, vous pouvez changer assez profondément ce qui se passe autour de tout ce qui dépend de cette pièce dans votre réseau de supply chain.
Donc, vos points de découplage devraient techniquement, même si cela fonctionne plus ou moins pour introduire cette hiérarchie dans le graphe, il n’y a aucune raison de penser que cela est stationnaire et que vous pouvez les choisir une fois pour toutes et que cela sera bon pour toujours. Donc, selon moi, cela devrait être quelque chose fait complètement automatiquement. Vous savez, ici, nous parlons de recettes numériques, et nous disons que nous avons une recette numérique dysfonctionnelle, et nous disons avec beaucoup d’intuitions et d’ajustements humains, nous pouvons avoir une recette numérique qui est un peu meilleure.
Kieran Chandler: D’accord, donc fondamentalement, quand les humains s’impliquent, nous finissons toujours par tout gâcher d’une manière ou d’une autre.
Joannes Vermorel: Oui, mais aussi, cela ne fait pas un si bon usage du temps de ces praticiens. Je veux dire, comme vous le décriviez, si vous avez un produit complexe avec des milliers de pièces, pourquoi voulez-vous investir potentiellement des centaines, voire des milliers, d’heures de travail de vos experts en supply chain pour sélectionner manuellement ces points de découplage ? Vous pourriez dire, oh, ils ont des intuitions incroyables, n’est-ce pas ? Mais la réalité est que c’est très bruyant. Des milliers de pièces, les conditions du marché changent tout le temps, pas nécessairement radicalement, mais au moins un peu tout le temps. Donc, nous devons rafraîchir cela. C’est profondément quelque chose qui devrait être fait par la machine. Vous savez, il n’y a aucune valeur ajoutée. C’est un cas pur 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 termes de quantité de stock ciblée, et je suppose qu’il y a de grandes critiques ici. Nous préférerions classer par forces économiques, êtes-vous d’accord avec cela ?
Joannes Vermorel: Oui, mais encore plusieurs choses. Tout d’abord, pourquoi introduit-on ces priorités relatives ? Je veux dire, d’abord, ils partent de l’idée que le MRP classique a une perspective binaire sur des choses comme “Est-ce que ça va ou pas ?” Et ils disent, “Pourquoi ? C’est, vous savez, rudimentaire, super rudimentaire.” Et la réponse est, oui, c’est rudimentaire au point que
Kieran Chandler: C’est complètement absurde et, encore une fois, dans les années 50, les gens qui faisaient de l’optimisation numérique faisaient déjà des choses plus intelligentes que ça. Donc, une très mauvaise référence. Bon, maintenant, tout le style DDMRP introduit des nœuds de premier ordre appelés points de découplage dans votre graphe, et vous avez une hypothèse qui va avec cela, qui est que le stock est toujours disponible. Donc, lorsque cette hypothèse est violée, évidemment, tout s’effondre car votre explosion découplée est construite sur cette hypothèse, vos horizons temporels décomposés sont basés sur cette hypothèse. Donc, vous devez essentiellement remettre votre système de supply chain sur la bonne voie avec votre hypothèse de base, et fondamentalement, les priorités relatives au prix disent que vous devez agir rapidement pour les choses qui s’écartent le plus de votre hypothèse de base, qui est la disponibilité continue pour ces points de découplage.
Joannes Vermorel: C’est bien en effet, c’est quelque chose qui a du sens, une partie de la recette. Mais aussi, devinez quoi, vous vous retrouvez avec une priorisation qui est en partie incorrecte. Je remets en question la motivation même, la motivation même est de remettre le système sur la bonne voie par rapport à l’hypothèse selon laquelle vous avez besoin de DDMRP pour que cela fonctionne en premier lieu. C’est comme le serpent qui se mord la queue. Vous introduisez une méthodologie, cette méthodologie s’accompagne d’hypothèses, et vos calculs numériques ne garantissent pas que ces hypothèses seront maintenues tout au long du système. Donc, vous devez introduire des ajustements pour avoir une sorte de boucle de rétroaction afin de pouvoir revenir sur la bonne voie par rapport à vos propres hypothèses. Mais cela ne signifie pas que nous sommes de retour sur la bonne voie avec quelque chose qui est aligné avec l’objectif final de l’entreprise, et c’est là que se situe ma critique. Vous optimisez par rapport à des pourcentages, comme le pourcentage de précision, le pourcentage de réalisation, le pourcentage de taux de service, ce qui est, encore une fois, une optimisation en pourcentage est un peu mauvaise. Vous voulez avoir des pourcentages en euros, et cela se connecte à la perspective finale, qui est le coût du stock, le coût du gaspillage, le coût du non-service. Et de l’autre côté, vous avez tous les coûts et les récompenses de la satisfaction des clients à temps.
Donc, je suis tout à fait d’accord avec l’idée de prioriser les décisions, mais je suis tout à fait en désaccord avec l’idée de prioriser les décisions afin que vous puissiez revenir en arrière avec votre méthodologie. Vous devez prioriser les décisions afin de revenir en arrière avec les objectifs globaux de l’entreprise exprimés en tant que moteurs économiques pour l’entreprise dans son ensemble. Donc, ce que votre supply chain offre dans son ensemble.
Kieran Chandler: D’accord, maintenant, résumons tout cela. Nous avons décrit beaucoup de défauts de DDMRP. Devrions-nous le rejeter complètement en tant que technique ?
Joannes Vermorel: C’est intéressant parce que la semaine dernière, nous discutions de la prévision de flux. La chose avec la prévision de flux avait des mathématiques dramatiquement incorrectes, et donc elles dégradaient même la situation par rapport à la situation de référence, ce qui était vraiment mauvais. Mais certaines des idées qu’elle avait étaient profondément vraies et survivraient en fait si nous corrigions les mathématiques pour que cela fonctionne. C’est très drôle parce que DDMRP est un peu l’inverse. C’est essentiellement quelque chose qui fonctionne de manière incrémentale sur une base très, très mauvaise. Si vous prenez du recul et dites, au lieu d’essayer de bricoler quelque chose de très mauvais, commençons directement avec de bonnes bases, c’est-à-dire faire de l’optimisation numérique de la bonne manière avec des algorithmes appropriés comme des algorithmes graphiques probabilistes appropriés. Ensuite, je ne suis pas sûr que, une fois que vous êtes passé à un cadre numérique moderne approprié pour faire réellement une optimisation, parce que c’est ça le truc, les systèmes MRP classiques n’optimisent pas vraiment quoi que ce soit dans un sens moderne où vous optimisez réellement quelque chose.
Kieran Chandler: Faire tout cela pour essentiellement bricoler des recettes numériques profondément dysfonctionnelles, maintenant si nous supprimons les recettes numériques dysfonctionnelles, qu’est-ce qui reste ?
Joannes Vermorel: La réponse est très, très peu. C’est là que, par exemple, la prévision de flux était très différente parce que si vous supprimez les parties numériques dysfonctionnelles de la prévision de flux, les autres façons de faire qui restent sont profondément intéressantes, et je pense profondément correctes. DDMRP, beaucoup moins.
Kieran Chandler: Si nous devions finir sur une note plus positive, y a-t-il des idées que DDMRP nous donne qui sont en fait très bonnes ?
Joannes Vermorel: Oui, je crois que l’une d’entre elles est que la moyenne mobile fonctionne, et elle fonctionne même souvent mieux dans le domaine de la fréquence plutôt que dans le domaine du temps. Revenons là-dessus. Pour ceux d’entre vous qui ont peut-être appris à l’école d’ingénieurs sur la transformée de Fourier, vous savez que vous pouvez étudier les séries temporelles dans le domaine du temps ou dans le domaine de la fréquence. C’est quelque chose qui est fait très fréquemment en acoustique.
Lorsque les gens pensent à prévoir la demande fréquemment, la moyenne mobile peut fonctionner lorsque vous avez une demande stationnaire. En général, lorsque les gens pensent aux prévisions de moyenne mobile, ils pensent à faire une analyse dans le domaine du temps. Alors, qu’est-ce que cela signifie ? Faire la moyenne de la demande sur les dernières semaines est une période fixe ; c’est mon domaine du temps.
Le domaine de la fréquence consiste à penser plutôt à faire la moyenne sur les dernières semaines, et trois semaines sont fixes, je dis que je vais faire la moyenne de ma demande sur les 100 dernières unités servies. La bonne nouvelle, c’est que cette notion des 100 dernières unités se comportera beaucoup plus numériquement par rapport à une demande qui est un peu super erratique et en dents de scie.
La moyenne mobile dans le domaine de la fréquence est en fait intéressante. D’ailleurs, DDMRP avec ces buffers, ce sont en fait des prévisions, des prévisions de moyenne mobile faites dans le domaine de la fréquence au lieu d’être faites dans le domaine du temps. Ils l’ont un peu redécouvert, mais c’est une très bonne idée. Il est très précieux d’analyser les choses dans le domaine de la fréquence et cela a des implications profondes pour la supply chain. C’est un angle très intéressant à optimiser.
Je pense que c’est l’angle. Je ne suis pas sûr si les gens de DDMRP le voient comme ça, mais je crois que c’est une idée très cool et très bonne qui vient de DDMRP.
Kieran Chandler: J’espère que vous avez fait un pas vers la réparation de certaines de ces relations. Quoi qu’il en soit, c’est tout pour cette semaine. Merci beaucoup de nous avoir suivi. Si vous êtes d’accord ou en désaccord, n’hésitez pas à nous laisser un commentaire, et nous vous reverrons la prochaine fois. Au revoir pour le moment.
