mémoire thématique : impact du calcul des quantités de commande sur l’effet bullwhip

1

Mémoire thématique : Impact du calcul des quantités de commande sur l’effet Bullwhip

Présenté le 5 Mars 2009 par Dhia JOMAA

Membres du Jury :Vincent Mousseau

Asma GhaffariRym Kalai

Eric Wanscoor

2

Sommaire Cadre de l’étude

Le sujet

Base bibliographique

L’effet Bullwhip

Description du phénomène

Causes et actions d’atténuation

Démarches scientifiques d’analyse

Analyse des paramètres d’influence

Impact des techniques de prévision

Impact des politiques de commande

Conclusions et perspectives

3

Sujet

Impact du calcul des quantités de commandes sur

l’effet Bullwhip

Points à évoquer

Qu’est ce que l’effet Bullwhip ? Comment le

quantifier ?

Les paramètres qui ont un impact sur l’effet

Analyse des paramètres qui se rapportent aux calcul

des quantités de commande

4

Base Bibliographique Articles publiés dans des revues internationales

1. Production, Manufacturing and Logistics

2. International Journal of Production Economics

3. The International Journal of Management Science

4. European Journal of Operational Research

5. Management Science

6. Computers and Industrial Engineering

7. Computers and Operations Research

8. Production and Operations Management

9. Naval Research Logistics

5

Base Bibliographique

Principaux pays impliqués dans la recherche

6


Le sujet


L’effet Bullwhip








7

L’effet Bullwhip

Premiers travaux sur l’effet Bullwhip : Forrester (1958) : Amplification

de la variabilité de la demande le long de la chaîne logistique

Phénomène illustré dans le jeu de la bière Stermann (1989)

8

Causes de l’effets / Actions d’atténuation

Lee et al (1997),

Katsuhiko Takahasi et al

(2003)

Analyse de la demande

Commande en lot

Fluctuation des prix

Capacité

Partage d’information

Coordination : VMI, etc…

Réduction des temps

d’approvisionnement

Causes Actions d’atténuation

9


Démarche analytique

statistique : Chen et al

(2000.a , b), Chatfield et al

(2004), H T Luong (2007)

Indicateur de quantification

de l’effet Bullwhip : Ratio des

variances : DVA =

Var(Demande) / Var

(Demande client)

Théorie des systèmes :

Dejonckheere et al (2002, 2003,

2004), Disney et al (2003)

Utilisation des fonctions de

transfert : Graphe de la réponse

fréquentielle :

10


Le sujet


L’effet Bullwhip








11

Techniques de prévision

Quelques travaux portent sur l’évaluation de l’impact de

techniques de prévision sur l’effet bullwhip

Techniques simples : moyenne mobile / lissage exponentiel : Cas

de demandes AR (1)

Techniques plus complexes : cas de demandes plus complexes AR

(p) ou encore AR MA

Politique adoptée pour l’évaluation de l’effet : politique base

stock

12

Techniques de prévision simples

Travaux qui portent sur les techniques simples :

Chen et al (2000.a); Xialong Zhang (2004); Jeon G Kim (2006) :

moyenne mobile

Chen et al (2000.b); Xialong Zhang (2004) : lissage exponentiel

simple

Chen et al (2000.b) ; Thomas Kelepouris et al (2008) : Lissage

exponentiel double

Erkan Bayraktar et al (2008) : modèle de Winters

13


Auteurs DémarcheParamètres analysés

Hypothèses Résultats

Chen et al (2000.a)

Analytiquem.mobile / lead

time

Politique = N.R Demande auto

corrélée Chaîne k maillons

DVA = f (L,p)Croit avec L ,

Diminue avec p

Chen et al (2000.b)

Analytique

Lissage simple / lead

time

Politique = N.RD auto corrélée

/ D linéaire

DVA = f(L,alpha)

Croit avec L, Croit avec

alpham.mobile VS Lissage simple

Jeon G Kim (2005)

Analytique m.mobile / lead time

(stochastique)Politique = N.R

DVA = f (L,p)Lead

déterministe VS lead

stochastique

14


Auteurs DémarcheParamètres analysés

Hypothèses Résultats

Thomas kelepouris

(2007)Simulation

Lissage double / lead time

Politique = N.R Données sur une chaîne logistique Grecque

DVA = f (L,coeff. Lissage)

Croit avec L , Diminue avec

p

Erkan Bayraktar

(2007)Simulation

Modèle Winters / lead

time

Politique = N.R DVA = f(L,coeff. Lissage)

15

Techniques de prévision non linéaires

Techniques utilisées pour le cas de processus de demandes

plus complexes : AR (p), ARMA (1,1), …

Technique MMSE, non linéaire

Travaux récents : Xiaolong Zhang (2004), H T Luong (2007). H

T Luong et N H Phien (2007), Duc et al (2008)

16

Techniques de prévision non linéaires Expressions indicateur ratio des variances plus complexes que pour

le cas des techniques simples : l’effet n’a pas systématiquement lieu ;

la réduction du lead time ne permet pas forcément d’atténuer l’effet

Cad d’une demande AR (2) : H T Luong et N H Phien (2007)

Cad d’une demande ARMA (1,1) : Duc et al (2008)

17

Politiques de commande

Politiques de commande traitées dans la littérature sur l’effet

Bullwhip

La politique base stock

Les politiques de commande génériques : APIOBCS, Modèle

de sterman, Modèle de Bowman

18

Politiques de commande : Politique base stock

Dejonckhere et al (2003, 2004), Janis Grabis (2005), K Hoberg et al (2007)

Dejonckheere et al (2003) : cas d’une chaîne simple à deux échelons

Dejonckheere et al (2004) : cas d’une chaîne quatre échelons

19

Politiques de commande : Politique base stock

K Hoberg et al (2007) : Extension de la politique base stock à une

politique basée sur un partage de l’information

Janis Grabis (2005) : Politique Bases stock VS MRP, la démarche MRP

est plus performante sur le critère de la variabilité de la demande

20

Politiques de commande : Politiques de commande génériques

Modèle de Stermann :

Modèle de Bowman

APIOBCS :

Le choix des paramètres agit sur la variabilité de la demande :

Réglage induisant l’effet

Réglage permettant d’atténuer l’effet / Dégradation d’autres

performances

21


Réglages induisant l’effet Bullwhip : Résultats retrouvés

concernant la politique base stock

Modèle de Bowman (paramètres fixés à 1) : Marko Jaksic et Borut

Rusjan (2008)

Modèle de Sterman (paramètres fixés à 1) : David Wright et Xin

Yuan (2008).

APIOBCS ( Ti = Tw = 1) : Dejonckheere et al (2003, 2004)

22


Réglages permettant d’atténuer l’effet Bullwhip : cas

de l’APIOBCS : Ti <> 1 , Tw <> 1

Dejonckheere et al (2003) : cas d’une chaîne simple à deux échelons

Dejonckheere et al (2004) : cas d’une chaîne quatre échelons

23


Réglage permettant une optimisation globale : Variabilité

des commandes (Bullwhip) + Variabilité du niveau de stock (cas

de DE-APIOBCS (Ti = Tw) ) : Disney et Towill (2003, 2004), Zhou

et Disney (2006), Warburton et Disney(2007)

Disney et Towill (2003,

2004) : Cas discret de la

politique DE-APIOBCS

Zhou et Disney (2006),

Warburton et Disney (2007) :

Cas continu de la politique

DE-APIOBCS

Équivalence entre les deux domaines : nécessité de la recherche de compromis entre les

deux critères : optimisation globale : Variabilité des commandes + Variabilité du stock

24


Le sujet


L’effet Bullwhip








25


Politique base stock : évaluation de techniques de prévision

Occurrence de l’effet pour les techniques de prévision simples

Complexification de l’effet avec le processus de demande

Étendre les études aux processus de demande plus complexes

Généralisation du résultat par l’approche des fonctions de transfert :

la politique base stock est inductrice de l’effet Bullwhip

Adoption de politiques génériques pour l’atténuation de l’effet

(introduction d’une fraction entre les Gaps Stock / Encours)

26


Les politiques génériques peuvent atténuer l’effet mais d’autres

critères peuvent être dégradés : variabilité du niveau de stock :

Nécessité de trouver des compromis

Fonction traitée : Somme des variances

Étendre les études aux cas de fonctions plus complexes

Politiques classiques peu analysées, politiques (s, S) Peter Kelle et

Alistair Milne (1999)

Impact des politiques de Lot sizing délaissé : I Nyoman Pujawan (2004)

: impact de deux politiques de lot sizing sur l’effet (LUC / SM)

mémoire thématique : impact du calcul des quantités de commande sur l’effet bullwhip

Documents