Cardinal Health, une société de distribution et de logistique pharmaceutique d’un milliard de dollars, gère plusieurs produits pharmaceutiques de marque et génériques, ainsi que des produits sans ordonnance, des articles de santé et de beauté et sa propre marque privée. La société doit faire face à une multitude de défis typiques des entrepôts de distribution qui sont rendus complexes par la nature des produits pharmaceutiques. Ceux-ci en effet sont plus petits en taille, consommables, onéreux et ils peuvent être parfois sauver des vies. Brian Heath, Directeur des Analyses avancées chez Cardinal Health, également utilisateur expérimenté des logiciels AnyLogic, a eu recours à la modélisation basée sur des agents pour résoudre divers problèmes de l’entreprise, économisant ainsi plus de 3 millions de $ chaque année.
PROBLÈME:
Cardinal Health constitue un maillon essentiel dans la chaîne d’approvisionnement des soins de santé, assurant une livraison en 24 h à plus de 30 000 points d’utilisation comprenant des hôpitaux, des pharmacies, des cabinets de médecins et des ventes directes au consommateur. Les autres services à valeur ajoutée, notamment la gestion de l’efficacité et de la demande, la gestion du fonds de roulement et la gestion du crédit contractuel s’ajoutent aux difficultés d’une fiabilité médiocre de la fabrication et des ruptures d’approvisionnement du marché provoquées par les réglementations de la FDA et de la DDA. En résumé, Cardinal Health doit s’ajuster aux variations de la gestion de la distribution pharmaceutique.
Cardinal Health examine la disposition des installations, le flux des produits, les collectes de commande, la planification du travail, les exigences et l’encombrement des commandes clients pour effectuer des analyses et savoir gérer les opérations au jour le jour. Les outils d’analyse traditionnels tels que la progression empirique par essais et erreurs, sont risqués, onéreux et les changements sont difficiles. Les chercheurs en opérations d’ingénierie industrielle suggéraient des modèles mathématiques peu coûteux, mais ces modèles ne pouvaient prendre en compte des dynamiques imprévisibles. Si un facteur quelconque est ouvert ou inclut des comportements émergents tels que les congestions, le modèle mathématique standard ne pouvait pas résoudre la situation. Troisièmement, la modélisation à base de processus ou d’événements discrets n’est pas fructueuse de par son incapacité à représenter une installation de manière naturelle. Ceci a conduit Brian Heath et Cardinal Health à explorer diverses options d’analyse alternatives.
Solution:
La modélisation basée sur des agents (ABM) à l’aide du logiciel Simulation and Modeling d’AnyLogic a fourni à Cardinal Health l’outil requis pour s’attaquer à de nombreux problèmes d’entrepôts de distribution sans être restreint par les outils traditionnels. ABM représente les abstractions d’entités autonomes distribuées pouvant interagir entre elles et avec leur environnement dans le temps et dans l’espace, permettant ainsi à Cardinal Health de représenter les affectations du temps de travail, les temps d’attente lors de congestions, la durée des cycles, les distances parcourues, la variabilité des employés et d’autres indicateurs numériques importants.
Enfin, le modèle construit était centré sur les activités des employés et l’interaction entre ceux-ci pendant la journée, ce qui nécessite d’importer des données telles que l‘heure de collecte et les normes de performance dans le modèle. Maintenant, Cardinal Health peut rassembler des données sur les durées d’attente en cas de congestion et voir l’importance du problème causé dans l’entrepôt car les « agents » sont modélisés en tant qu’individus ayant des relations spéciales entre eux. Le modèle inclut des paramètres supplémentaires tels que les vitesses de travail des employés, le comportement de l’employé, les courbes d’apprentissage, la durée des cycles, la rotation des produits et les distances parcourues à pied ou en véhicule.
La possibilité d’importer des fichiers Excel était impérative car Cardinal Health possède de nombreux entrepôts et il fallait impérativement tester plusieurs dispositions. Dans Anylogic, si l’on doit apporter une modification, c’est très simple : on met le fichier Excel à jour, on l’importe dans le modèle et on relance le calcul du modèle.
RÉSULTATS:
Le modèle basé sur des agents construit à l’aide d’AnyLogic permet à Cardinal Health de comparer les dispositions, les technologies de collecte et de rangement des produits. De plus, la société peut évaluer différentes méthodes de collecte pour mettre à jour les modèles de répartition du personnel et se servir du modèle comme support sur site si les charges de travail changent, car les commandes varient au jour le jour. Le système compile également des statistiques telles que le temps de traitement d’une comande, combien de lots sont traités en un jour, le temps de déchargement des camions, et les séquences d’événements.
Outre l’analyse améliorée offerte par les indicateurs ci-dessus, le modèle a révélé un problème dû à la distribution aléatoire du travail. La charge de travail de chaque employé n’était pas uniforme, si bien que l’un était plus lent et l’autre plus rapide. En équilibrant la charge de travail, les employés ont commencé à travailler à un rythme similaire et la congestion a considérablement diminué.
Quelques-uns des résultats du projet
En diminuant la congestion à l’aide du logiciel AnyLogic, Cardinal Health a pu diminuer la durée moyenne d’une équipe de 10,5 heures à 7,25 heures et augmenter la capacité de chaque employé. Cardinal Health économise plus de 3 millions de $ chaque année grâce à la modélisation à base d’agents fournie par les technologies de simulation d’AnyLogic.
“Les bibliothèques d’agents d’AnyLogic, son architecture flexible et l’animation intégrée constituent les facteurs majeurs du succès continu de ce projet » a déclaré Brian Heath, Directeur des analyses avancées chez Cardinal Health. Vous pouvez visualiser sa présentation et en savoir davantage sur l’utilisation de la modélisation à base d’agents dans des applications du monde réel:
