Le secteur mondial du commerce électronique a connu une croissance de 320 % en cinq ans, et la demande augmente à la suite de la pandémie de COVID-19. Pour réduire les coûts et rester compétitif, DHL Supply Chain a mené un projet d’optimisation des opérations d’entrepôt. Le projet consistait à développer un outil de simulation d’entrepôt intelligent et robuste pour tester les stratégies de sélection par vagues.
Pour un entrepôt de 500 000 SKU (unités de gestion des stocks) et 249 employés, le projet d’optimisation de l’entrepôt a produit des stratégies qui ont réduit le temps nécessaire à l’exécution des commandes de 8,2% et le nombre de personnel requis de 66.
DHL Supply Chain est une division de Deutsche Post DHL Group dotée d’un réseau mondial et d’un vaste portefeuille logistique, comprenant des services d’entreposage, de transport et des services à valeur ajoutée.
Problème
DHL Supply Chain a déterminé que deux objectifs étaient essentiels pour rester compétitif dans le secteur en pleine croissance du commerce électronique : respecter les SLA (Accords sur le niveau de service) des clients et réduire les coûts opérationnels.
Pour atteindre les objectifs, l’organisation a choisi d’optimiser ses opérations de commerce électronique, y compris les activités entrantes de réception, de mise en attente, de tri et de rangement ; et les activités sortantes de sélection, de tri, d’emballage, de mise en attente et d’expédition.
Jigar Panot, spécialiste au Global Solutions Design Center de DHL Supply Chain, a travaillé sur une solution pour un entrepôt à grande échelle :
- Superficie : 111 000 mètres carrés
- Produits : ~500k
- Zones de sélection : 12
- Volume quotidien : ~ 171k
- Personnel : >3000
Les objectifs du projet étaient de développer un système robuste et intelligent pour tester différentes stratégies de sélection par vagues et déterminer le débit optimal de l’entrepôt et l’utilisation des ressources.
Opérations d’entrepôt et optimisation du chemin de collecte
Les grands entrepôts utilisent la préparation de lots lors de la collecte des commandes, car la préparation de commandes individuelles et la préparation de clusters peuvent impliquer qu’un préparateur d’articles passe du temps à parcourir plusieurs kilomètres pour exécuter une commande. L’objectif est de trouver un chemin de cueillette optimal.
Les grands entrepôts DHL utilisent le prélèvement par lots avec la distribution par vagues. Les lots regroupent les commandes et les vagues regroupent les lots pour une distribution périodique. En règle générale, un lot contient 14 commandes. Les vagues aident à coordonner les activités de l’atelier en fonction du temps, ce qui permet à d’autres opérations, telles que le stockage et le nettoyage, de se dérouler efficacement.
Lors de la distribution, les éléments de lot sont divisés pour la collecte par zone afin que la distance entre les articles pour un sélecteur soit réduite. Une fois que tous les éléments d’une zone sont sélectionnés, ils sont combinés en lots entiers dans un processus appelé staging. Les lots complets passent au tri où les commandes sont rassemblées dans des Putwall (étagères) avant d’être envoyées pour emballage et expédition.
Les opérations de collecte par lots et les activités de mise en place de murs sont regroupées en plusieurs processus clés :
- Distribution par vagues — les commandes sont regroupées en lots et envoyées pour préparation.
- Collecte — la collecte des articles du stockage dans les zones d’entrepôt. La collecte dans les zones évite les longues distances entre les articles. La collecte zonée peut s’effectuer pour des articles de différentes commandes et lots.
- Staging — tous les éléments d’un lot sont rassemblés. Les lots sont constitués de plusieurs commandes entières. Lorsqu’un lot est terminé, il est envoyé sur une étagère.
- Put Wall (Etagère) — les commandes sont assemblées à partir de lots et envoyées pour emballage et expédition.
Solution : Modélisation et test d’entrepôt
La première phase de la solution consistait à modéliser les processus d’entrepôt tels qu’ils étaient et à tester le modèle avec des données réelles pour l’étalonnage. Cela a permis d’assurer l’exactitude du modèle et de fournir une base de référence à comparer aux propositions de stratégie de préparation de commandes. La modélisation dans cette phase a été effectuée à l’aide de la bibliothèque de modélisation de processus intégrée d’AnyLogic. La bibliothèque est spécialement conçue pour simplifier et accélérer la capture précise des systèmes d’entreprise et des flux de travail.
Après avoir créé une représentation précise de l’entrepôt, le projet a commencé la deuxième phase pour tester différentes stratégies de distribution par vagues. Les stratégies étaient dynamiques, basées sur des mesures telles que la mise en attente et l’occupation des étagères, le nombre de lots dans le pipeline, etc.
La deuxième phase du projet comportait trois étapes :
- Dynamic waving — où différentes stratégies de distribution par vagues ont été créées et où des goulots d’étranglement ont été identifiés.
- Analyse de scénario — pour comprendre comment une stratégie de distribution par ondes affecte le temps d’achèvement et la taille moyenne de la file d’attente lors de la mise en œuvre.
- Comparative analysis — using KPI to compare the strategies, including the baseline.
Au cours de la deuxième phase, les ingénieurs ont étudié les compromis entre les scénarios. Ces enquêtes les ont aidés à comprendre les contraintes de ressources et à trouver un équilibre optimal entre ressources et rapidité. Le résultat a été un modèle d’ondulation dynamique qui a augmenté l’utilisation des ressources et réduit le temps de cycle par rapport au modèle « tel quel » de la configuration des opérations d’entrepôt alors en cours.
Résultats : Optimisation du débit de l’entrepôt et de l’utilisation des ressources
Dès la première phase, avec le modèle tel quel, il a été possible de voir une opportunité d’augmenter l’utilisation des ressources et de réduire le temps d’achèvement des tâches, car la mise en œuvre n’était pas utilisée à sa capacité maximale ou proche de celle-ci. Pour le staging, il y avait des cas d’inactivité à certains moments et de longues files d’attente à d’autres. Cela peut être vu dans le graphique des statistiques intermédiaires où le temps occupé tombe très bas à certains moments et s’élève à d’un plateau à d’autres.
La deuxième phase du projet d’optimisation de l’entrepôt a produit un modèle de distribution par ondes dynamiques qui a optimisé l’utilisation des ressources et minimisé les temps de cycle. Bien que les délais de traitement sur le système d’étagères restent à peu près les mêmes, l’utilisation des d’étagères a été augmentée en éliminant la demande de mise en attente. L’effet a été de réduire le temps global du cycle de commande.
Par rapport au modèle des opérations d’entrepôt d’origine, le modèle de distribution dynamique par vagues a réduit les temps de cycle des commandes et des lots, augmenté les taux d’utilisation des ressources de près de 10 % et permis de réaliser un gain de temps d’achèvement global de 8,2 %. Les économies réalisées signifiaient que 66 employés de moins étaient nécessaires ou que l’achèvement du processus pouvait être de deux heures plus rapides.
Le projet d’optimisation des processus d’entrepôt de commerce électronique a montré à DHL Supply Chain comment réaliser des économies significatives pour ses opérations d’entrepôt à grande échelle. Les ingénieurs de la chaîne d’approvisionnement ont utilisé la modélisation par simulation pour capturer avec précision les opérations d’entrepôt qui pourraient être vérifiées et vérifiées à l’aide de données réelles provenant des opérations. Confiants dans le comportement du modèle, les ingénieurs ont ensuite conçu et testé une stratégie de distribution par vagues dynamiques pour offrir les gains opérationnels nécessaires pour être compétitif dans le commerce électronique mondial moderne.
Cette étude de cas est tirée d’une présentation donnée par Jigar Panot, consultant au Global Solutions Design Center de DHL Global Supply Chain, lors de la conférence AnyLogic 2021 :
En savoir plus sur l’utilisation d’AnyLogic pour la modélisation et l’optimisation des opérations d’entrepôt.