Planification de l’offre et de la demande pour une grande chaîne de restauration rapide

Planification de l’offre et de la demande pour une grande chaîne de restauration rapide

Problème :

HAVI est une société internationale réalisant un chiffre d’affaires annuel de 5 milliards de dollars et est un partenaire de longue date de McDonald’s dans la chaîne d’approvisionnement et l’emballage. Elle fournit des services de gestion de chaîne d’approvisionnement, d’emballage, de logistique, de recyclage et de traitement des déchets. Lorsque McDonald’s a souhaité capitaliser sur le succès du lancement du All-Day Breakfast (Petit déjeuner pouvant être commandé toute la journée) en étendant cette disponibilité à un plus grand nombre de plats du menu dans 14000 restaurants, l’entreprise a rencontré un certain nombre de problèmes (complexité du menu, besoins en équipements neufs, contraintes de place).

All Day Breakfast Expansion

L’objectif de McDonald’s était d’équiper et de pourvoir en personnel ses cuisines, de façon à obtenir le meilleur rendement financier possible pour l’extension du menu. En collaboration avec HAVI, un modèle de simulation a été créé, qui reflétait l’incroyable complexité de la chaîne d’approvisionnement et des opérations dans les 140000 restaurants. L’objectif de ce modèle était de permettre des prises de décision plus informées, en ce qui concerne les achats d’équipement et le personnel.

Solution :

HAVI utilise un processus itératif fondé sur les hypothèses dans le cadre de ses simulations et analyses, qui contrebalance les données grâce à l’expérience humaine.

Processus fondé sur les hypothèses

Pour répondre aux exigences de McDonald’s, le modèle a pris en compte :

Grâce à AnyLogic, ces exigences ont pu être respectées et simulées, en plus des contraintes d’espace et du grand nombre de configurations de main d'œuvre et d’équipement. Les variables de décision du modèle de simulation incluaient les éléments suivants :

Configuration d'une cuisine modélisée

En ce qui concerne l’aval de la simulation, il était primordial de mesurer l’expérience client. C’est pourquoi des facteurs tels que le délai de service, la fraîcheur des produits et les pertes ont également été inclus dans le modèle, parmi d’autres indicateurs relatifs au service.

Enfin, conformément à la rigueur du processus d’analyse d’HAVI, le modèle a fait l'objet de validations et de calibrage, notamment des tests dans les cuisines d’essai de McDonald’s. Le modèle qui en a résulté a permis de capturer les indicateurs nécessaires et a fourni une simulation comparable au monde réel. Pour faire court, la simulation AnyLogic a appuyé le processus de prise de décision, fournissant ainsi à McDonald’s le meilleur rendement financier pour l’extension du menu souhaitée.

La puissance de la modélisation multi-agents dans AnyLogic a permis de capturer la nature du système, tel qu’il est dans le monde réel. Les caractéristiques et paramètres de l’équipement, de la main d'œuvre et de l’environnement dans lequel ces derniers opèrent, peuvent être modélisés comme il se doit et des objets personnalisés peuvent être développés et réutilisés.

HAVI a choisi de faire appel à la simulation AnyLogic en raison de sa compatibilité avec plusieurs méthodes de modélisation, qui fait que les approches multi-agents, par évènements discrets et par dynamique de système collaborent au sein d'un système unique, pour offrir les résultats les plus performants et holistiques possibles.

Conclusions :

Le modèle AnyLogic a donné des résultats pour de nombreux profils de demande et configurations de restaurant. Cela a permis à HAVI de donner des recommandations taillées sur mesure.

Celles-ci couvraient les besoins en équipement et les estimations des coûts pour atteindre les seuils de niveau de service à la clientèle dans divers scénarios. Elles ont permis d’élaborer des propositions pour éviter les coûts d’équipement et optimiser les compromis en matière de coût entre la main d'œuvre et les équipements.

Sans la modélisation de simulation AnyLogic, les contraintes de temps et de coût imposées par des tests physiques exhaustifs n’auraient pas permis d'obtenir ces recommandations taillées sur mesure.

Présentation du projet par Nate De Jong, d’HAVI

Nate De Jong, d’HAVI

Études de cas similaires

  • Un modèle de simulation de construction pour surmonter les contraintes imposées dans le cadre d’un projet de terrassement complexe

    Consolidated Contractors Company (CCC) est la plus grande entreprise de construction au Moyen-Orient et se classe à la 18e place au rang mondial. CCC dispose de bureaux et de projets dans plus de 40 pays et emploie plus de 130 000 personnes. CCT International (CCT) est le principal prestataire technologique de CCC depuis 1998. CCT développe et commercialise également des solutions pour le secteur de la construction et dispose de clients dans le monde entier.
    Plus
  • Optimisation des processus d’entreprise à l’aide de la science des données et de la modélisation de simulation

    Les plus grandes entreprises du monde se servent de l’analyse de données pour suivre les évolutions du monde des affaires. Mais quel est le rapport entre la modélisation de simulation et la science des données et quels sont les arguments en faveur de cette interaction, notamment en ce qui concerne la valeur créée pour les entreprises ? L’United Services Automobile Association (USAA), un groupement de sociétés faisant partie du Fortune 500, a répondu à ces questions avec des solutions concrètes.
    Plus
  • Modélisation du système de Back Office de la Banca d'Italia

    La Banca d'Italia traite une certaine quantité de transferts de crédits manuels chaque année. Ces transferts ne peuvent être traités automatiquement et requièrent deux divisions d’employés dans le back office de la banque. La banque voulait déterminer si la fusion de ces deux divisions serait profitable.
    Plus
  • Analyse des stratégies de management pour la montée en puissance de la production d’avions

    Le Groupe Airbus Group s’est joint au projet de l’Union Européenne ARUM (Adaptive Production Management – gestion de la production adaptative), qui a pour but de créer une solution IT pour la réduction des risques, la prise de décision et la planification pendant les montée en puissance du nouveau produit.
    Plus
  • Amélioration du processus de maintenance d’avions grâce à la modélisation multi-agents AnyLogic

    Des ingénieurs de Lockheed Martin, une des plus grandes sociétés dans les secteurs de l’aérospatiale, de la défense, de la sécurité et des nouvelles technologies, se sont servis de la modélisation par simulation AnyLogic pour essayer d’améliorer la prise de décisions dans l’ensemble du processus de rotation des avions militaires et évaluer l’impact des modifications apportées au processus sur le délai de rotation.
    Plus
  • Improving Patient Flow at an Outpatient Clinic Using Discrete Event Simulation Modeling

    Indiana University Health Arnett Hospital, consisting of a full-service acute care hospital and a multispecialty clinic, faced poor statistics because the number of no-show patients (those who don’t show up for their scheduled appointments) rose dramatically to 30%. This was primarily connected to the fact that clinic schedules were driven by individual preferences of the medical staff, which led to increased variations in scheduling rules. To eliminate the problem, the client wanted to develop a scheduling methodology that would benefit the clinic, doctors, and patients.
    Plus
  • ATOM: Digital Twin of Siemens Gas Turbine Fleet Operations

    The Agent-based Turbine Operations & Maintenance (ATOM) model is a digital twin simulation model developed by decisionLab Ltd and Siemens. The digital twin emulates the global maintenance repair and overhaul (MRO) operations of Siemens’ aero-derivative gas turbine division. Driven by live data already available within the supply chain, the model provides the capability to use sophisticated simulation and data-analytics methodologies to optimize the fleet operations of Siemens, enabling better data-driven decision-making to improve productivity and efficiency in customer operations and asset management.
    Plus
Plus d’études de cas