Effet bullwhip

Integrated Business Planning : Plus jamais d'ennuis avec le traitement des programmes de livraison

Grâce au traitement dans SAP IBP, Integrated Business Planning, et à l'utilisation du Machine Learning, les entreprises tirent le meilleur parti de leurs programmes de livraison. Un programme de livraison indique quels articles seront commandés, à quelles conditions et à des dates précises au cours d'une période donnée. Mais le plan ne fonctionne pas toujours. En septembre, 65 % des entreprises interrogées par l'institut ifo ont été empêchées de produire en raison d'une pénurie de matières premières et de sous-produits. Par conséquent, toutes les commandes n'ont pas pu être traitées. La pénurie de matériaux a actuellement beaucoup à voir avec les répercussions de la crise de la Corona et de la guerre en Ukraine sur les chaînes d'approvisionnement. Toutes les productions ne peuvent pas être adaptées assez rapidement aux fluctuations de l'offre et de la demande. Mais la pénurie de matériaux est aussi fondamentalement un phénomène récurrent - parce que les plans de livraison ne sont souvent pas fiables et qu'ils entraînent également des modifications du plan de livraison en raison de changements de dernière minute. Au lieu de la sécurité, le plan de livraison recèle une incertitude croissante.

Besoins et programmes de livraison

L'idée des plans de livraison est pourtant bonne : les clients et les fournisseurs partagent des informations sur les besoins futurs et s'aident ainsi mutuellement à lutter contre les incertitudes à un stade précoce. Si cela fonctionne correctement, cela crée une grande fiabilité de livraison pour le client et permet une efficacité pour le fournisseur - un gagnant-gagnant.

Les fluctuations dans l'échange d'informations sont source de maux de tête. Un programme de livraison contient essentiellement des informations pertinentes sur les besoins et le moment des besoins, qui sont collectées puis transmises par le client. On obtient ainsi une image de l'évolution future des besoins. Les informations mises à jour remplacent continuellement les données obsolètes. Cela se produit une fois par semaine ou plusieurs fois par jour, en fonction des processus individuels. A chaque fois, les informations sur les besoins et donc l'input pour la satisfaction des besoins sont modifiés - parfois plus, parfois moins. A court terme, les fluctuations sont empêchées par des horizons de fixation. Mais à moyen et long terme, elles provoquent des maux de tête massifs - et génèrent des inefficacités coûteuses.

Le problème réside dans le sujet lui-même. Les programmes de livraison relient deux chaînes d'approvisionnement. De nombreux facteurs influencent la réussite de cette opération : les propres processus, les priorités et les restrictions, mais aussi les fournisseurs et les clients. Une fois les informations disponibles, les entreprises doivent d'abord évaluer les informations relatives aux programmes de livraison de leurs clients. Concrètement, il s'agit de savoir quelle information est valable à partir de quel appel sur programme de livraison et à quel moment, et comment l'utiliser. C'est là que commence la recherche de l'aiguille dans la botte de foin. La "bonne" information peut être contenue dans le programme de livraison d'hier ou de la semaine dernière. Une concertation personnelle avec le client serait trop compliquée et n'aurait aucun sens sur le plan économique. 

Mais avec SAP IBP et des extensions comme le Machine Learning, cette recherche devient réalisable : Le type de données de base est d'abord configuré dans IBP. Il contient des attributs clés tels que les informations client, les informations produit, les informations sur le programme de livraison, la date et la quantité. Ces informations sont représentées dans IBP à l'aide de données de base et de ratios. Les différents états du programme de livraison sont alors enregistrés et stockés pour une utilisation ultérieure. Dans l'étape suivante, les états des programmes de livraison, qui étaient auparavant représentés par des ratios, sont intégrés dans les prévisions - ils offrent ainsi non seulement une valeur ajoutée informative dans SAP IBP, mais aussi une utilisation réelle : les modifications des programmes de livraison et de leurs positions peuvent désormais être représentées dans le temps.

Il s'agit ensuite de déterminer le moment où le plan de livraison était le plus stable, c'est-à-dire le plus proche de la réalité. Pour ce calcul, l'IBP dispose des algorithmes classiques. Le moindre écart dans le système sert de base à l'établissement d'un prévisionnel statistique. Les planificateurs peuvent alors comparer ce prévisionnel avec la période la plus fiable du programme de livraison - et continuer à travailler avec les meilleurs indicateurs dans le processus de vente et d'exploitation.

Apprentissage automatique

Voilà pour l'utilisation utile, mais aussi limitée, dans l'IBP. Car il est possible de faire bien plus encore. Par exemple en utilisant le Machine Learning. Les planificateurs peuvent utiliser les erreurs calculées dans le programme de livraison comme variable indépendante pour enrichir des algorithmes externes. Ceux-ci peuvent ensuite être utilisés comme données d'entrée pour générer de meilleures prévisions. Si suffisamment de données sont disponibles, l'erreur de prévision elle-même peut également être utilisée. Il est également possible d'extraire les données de l'IBP via les services O-Data ou d'autres interfaces d'intégration. Les données y sont enrichies avec d'autres méthodes statistiques disponibles dans la bibliothèque Python, puis réintégrées dans SAP IBP. L'avantage est que de tels environnements ML permettent des analyses nettement plus étendues que le standard issu d'IBP.