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

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.

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

Eléments de la chaîne d’approvisionnement simulés dans le modèle

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.

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:

Études de cas similaires

Plus d’études de cas