Planification du réseau de distribution et optimisation du stock à l’aide de simulations

PROBLÈME:




Diageo est une entreprise multinationale britannique de boissons alcoolisées. Diageo Russie est l’un des cinq distributeurs majeurs de Russie de boissons alcoolisées en gros, une activité qui génère traditionnellement peu de marges, et dans laquelle le bénéfice est tributaire du niveau de service client et de coûts logistiques élevés. Diageo a cherché assistance auprès d’une société de conseil Amalgama, LLC, lorsqu’ils ont dû faire face à une augmentation de leur volume de ventes, sans pour autant réaliser de meilleurs profits du fait des coûts logistiques par unité. D’autres préoccupations croissantes pour Diageo étaient le service clients et le coût des marchandises vendues, sans compter un stock en augmentation et les futurs plans de développement, notamment un nouvel entrepôt en Russie et l’expansion vers l’Oural et la Sibérie. Les consultants ont également reçu la mission de gérer les entrepôts de données de Diageo en s’appuyant sur un outil d’aide décisionnelle afin de montrer et de prouver les manières de diminuer les coûts logistiques et de choisir une configuration logistique pour le nouveau réseau clients étendu.


SOLUTION RETENUE:




Le modèle de la chaîne d’approvisionnement inclut trois usines existantes plus un projet de nouvelle usine, trois points de franchissement de frontière, trois entrepôts existants et cinq en projet, deux bureaux d’affaires douanières et jusqu’à 300 points de demandes groupés en 45 groupes de service. De plus, le modèle de chaîne d’approvisionnement contenait un algorithme de réapprovisionnement, un algorithme d’agrégation de commandes, les algorithmes de seuils minimums et les délais de franchissement de frontières. Le modèle intégrait également des prévisions précises de demande et de ventes pour chacun des 280 produits dans 6 types d’entrepôts.


La logique intégrée au modèle incluait un algorithme de réapprovisionnement concernant un segment de la chaîne d’approvisionnement qui commence avec l’entrepôt consolidé, en tenant compte d’un délai de livraison de cinq jours vers l’entrepôt central et d’un délai de livraison de cinq jours jusqu’à l’entrepôt émetteur de la commande du fait de la grande taille de la Russie et des moyens de transports relativement lents. L’algorithme de développement s’appuie sur un diagramme des besoins (diagramme des ventes planifiées), le stock en cours, les délais de livraison et la taille minimale des commandes, puis il génère les besoins en réapprovisionnement, identifie les écarts de couverture (périodes pendant lesquelles le stock sera inférieur au seuil minimal), et il détermine les actions nécessaires pour prévenir les périodes de couverture insuffisante des besoins.

Structure de la chaîne d’approvisionnement dans un modèle de simulation


Eléments de la chaîne d’approvisionnement simulés dans le modèle


Il était impératif de valider le modèle et les experts ont commencé en comparant les chiffres des données du système ERP de l’année précédente, ce qui a donné moins de 5 % de différentiel avec les résultats de l’évaluation.

Résultats du modèle de simulation de la chaîne d’approvisionnement

Niveau de stock cible pour différents niveaux de prévision

RÉSULTATS:




La valeur initiale du modèle pour Diageo incluait une augmentation de la précision des ventes de 60%-80%, avec une période de rentabilisation sur moins de 2 ans. Cette augmentation permettra à Diageo de réduire son niveau de stock cible de 40 %, ce qui va réduire les coûts logistiques de 7 %, même en tenant compte des prévisions d’augmentation des ventes. D’après ces études, il n’y avait pas besoin d’espace de stockage supplémentaire, car le stock requis pour maintenir le niveau de service cible était démesurément élevé.


Après avoir lancé la simulation, le modèle a fourni les prévisions des niveaux de stock pour chaque produit (15 jours à l’avance), un coût complet pour chaque unité de produit livré, et il a montré au client ce que devait être l’état cible de la chaîne d’approvisionnement.


Voyez la présentation entière d’Andrey A. Malykhanov lors de la Conférence AnyLogic de 2013:


More Case Studies

  • Simulation de la logistique du rail interne du Port du Havre
    Le port du Havre avait besoin d’aide pour construire un nouveau terminal multimodal. Il s’agissait de simuler le transfert des conteneurs entre les trains / péniches fluviales et les autres terminaux existants, qui transféraient eux-mêmes ces conteneurs en direction ou en provenance du transport maritime.
  • Optimisation du réseau ferroviaire français
    Le gestionnaire du réseau ferroviaire national voulait savoir si le transport de fret par rail pouvait être compétitif face au transport par camions. Il voulait rendre le transport par la voie camion-rail-camion plus efficace.
  • Simulation de la construction d’un tunnel à l’aide d’un tunnelier
    Le coût d’une heure d’arrêt d’un tunnelier (machine de forage de tunnel) est habituellement élevé et les gestionnaires de projet doivent s’efforcer d’éviter les retards dans la construction. Le but du projet de simulation, qui a été mené à l’université Bochum de la Ruhr en Allemagne, consistait à créer un modèle de simulation capable de déterminer les goulots d’étranglement dans les processus de construction du tunnel, afin de minimiser les pertes financières potentielles.
  • Modélisation de la capacité d’une gare de triage
    Aurizon est le premier opérateur de fret ferroviaire d’Australie, à la tête de plus de 700 locomotives et 16 000 wagons. Aurizon prend en charge le transport du charbon, du minerai de fer et des minéraux à grand échelle. Afin d’augmenter l’efficacité opérationnelle, l’entreprise a décidé de déplacer l’une de ses gares de triage dans une autre ville. Cette gare de triage gérait essentiellement l’entretien des wagons et des locomotives, ainsi que la préparation des locomotives.
  • Effet “coup de fouet” dans la chaîne d’approvisionnement des semi-conducteurs
    La direction de la chaîne d’approvisionnement d’Infineon, un gros fabricant de semi-conducteurs, voulait étudier l’effet coup de fouet affectant son marché afin de diminuer les dépenses et de mieux prévoir le comportement du marché. A l’aide du logiciel AnyLogic, elle a construit un modèle de chaîne d’approvisionnement, depuis les matières premières jusqu’au marché.
  • Sélection de la meilleure politique de gestion des stocks à l’aide de Gojii
    Les outils existants de gestion de la chaîne d’approvisionnement et les S&OP (Ventes et planning opérationnel) sont performants lorsqu’il s’agit de gérer l’approvisionnement afin de répondre à une «prévision» sélectionnée. Cependant, il n’y a pas de «prévision correcte» de la demande future, et les outils existants ne sont pas conçus pour sélectionner le meilleur niveau de demande pour l’entreprise. Il existe une «insuffisance d’outil» entre les données entrées sur les prévisions et la sélection du meilleur signal de demande (la "Prévision") pour gérer votre système S&OP. Gojii est l’outil créé par DecisioTech pour combler cette lacune.
  • Maximisation du revenu net par voyage d’une flotte de Bateau-pousseurs
    InterBarge, un opérateur nautique de première, affilié à SCF Marine, une partie du Groupe Seacor Holding, gère le fret le long de la voie fluviale HPP (Hidrovia Parana Paraguay, située en Argentine, au Paraguay, au Brésil et en Uruguay) au titre d’un contrat de transport dédié. Le défi de l’entreprise consistait à utiliser la capacité des bateaux non dédiée aux engagements contractuels comme une flotte, maximisant ainsi le revenu net par voyage.
  • Modélisation d’un réseau de transport centré sur le client
    La sphère des services de transports publics en Australie fait l’objet d’une transformation, afin de répondre à des changements démographiques. Afin de mieux répondre à ces nouveaux défis, les compagnies de transport publiques doivent comprendre le comportement de leurs réseaux du point de vue du consommateur.
  • CSX Solves Railroad Operation Challenges with and without AnyLogic Rail Library
    CSX is a US railroad company that operates about 21,000 route miles (34,000 km). AnyLogic allows the railroad industry users to simulate line-of-road, terminal, and yard problems. The following three projects, completed by CSX in 2014, covered a variety of tasks that were solved using AnyLogic software.
  • Simulation Modeling of Offshore Offloading System for Arctic Oil and Gas Condensate Field
    The Novoportovskoye oil and gas condensate field is located in the Yamal peninsula and owned by Gazprom Neft, the fourth largest oil producer in Russia. Oil from the field is transferred via 100km pipeline to the sea terminal at Cape Kamenny, where it is loaded into arctic cargo tanks for further transportation. The main issues in planning tanker transportation in an arctic region are the harsh ice environment and difficult sea conditions.