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

Plus d’études de cas