PROBLÈME:
Conaprole, la plus grosse société de production de produits laitiers d’Uruguay, produit plus de 150 SKU dans leur usine de fabrication de glaces, à l’aide de cinq lignes de production, chacune de ces lignes comportant jusqu’à cinq configuration d’emballage différentes.
La société planifie la production de glaces au moyen d’un planning sur 12 mois glissants dans le cadre d’un processus de planification des ventes et opérations, et le plan de demande varie beaucoup en fonction des saisons. Au cours de la saison creuse, la direction de l’usine doit préparer les lignes de production en prévision de la saison pleine, en tenant compte de la durée de vie du produit sur les rayons, ainsi que de la capacité et des coûts des chambres réfrigérées de l’entrepôt. L’usine se trouvait souvent dans l’incapacité de faire face à la demande en saison pleine, ce qui générait des ruptures de stocks, et la direction avait les plus grandes difficultés à replanifier ses plans détaillés du fait des défis qu’elle devait résoudre.
Les analyses du planning étaient rendues encore plus difficiles par d’autres facteurs, notamment les goulots d’étranglement et les contraintes dans les processus des lignes de production, ainsi que les variations aléatoires de la disponibilité des ressources humaines.
La direction devait impérativement reformuler ses plans afin d’équilibrer l’offre et la demande, et d’éviter les ruptures de stock pour les produits clés. Elle cherchait également à optimiser ses capacités de production. La société Ite Consult a conclu que la modélisation par simulation était le meilleur outil pour résoudre les problèmes présentés par Conaprole.
Les objectifs du modèle de simulation consistaient à:
- Analyser divers scénarios de production pour les douze mois à venir avec une demande fluctuante.
- Optimiser les plans de production afin d’éviter les ruptures de stocks pour tous les SKU.
- Optimiser l’utilisation de la capacité des lignes de production avec le plan de production optimisé.
Solution:
L’utilisation des fonctions de modélisation à l’aide d’événements discrets d’AnyLogic a permis aux consultants de concevoir et de développer une solution qui s’intégrait avec la plateforme de planification S&OP de la société, la gestion des articles SAP et la planification de la production. La solution créée incluait trois expérimentations avec le modèle du système de production. Chacune d’entre elles répondait à l’un des objectifs ci-dessus et aidait à résoudre les problèmes métier posés.
Dans la première expérimentation, le modèle examinait le plan de production initial, en détectant les ruptures de stock et les commandes en retard prévisibles si la production suivait ce plan. Il permettait à la direction d’explorer les besoins en production en fonction de la demande et du stock initial. Cette expérimentation a également permis aux utilisateurs de découvrir, en modifiant les paramètres manuellement, comment différentes situations pouvaient affecter la performance, par exemple : le besoin de fermer les lignes pendant certaines périodes, la nécessité de modifier le rendement des équipements, d’étendre la disponibilité des ressources ou de modifier les horaires des ressources humaines. Les utilisateurs pouvaient modifier manuellement les priorités des SKU et analyser l’impact attendu de telles actions sur le revenu (coût associé avec les reports de ruptures de stock par SKU). De plus, ils pouvaient définir une utilisation minimale de la capacité de production et d’autres politiques.
L’expérimentation, qui consistait à faire varier les paramètres, a relancé et calculé le modèle du système 100 fois, en recherchant la solution qui pourrait répondre à la demande et maintenir la durée de vie des produits en rayon aussi longtemps que possible tout en minimisant les coûts de stockage.
La dernière expérimentation optimisait l’utilisation de lignes en libérant la capacité de production pendant les périodes de pic. La production a été planifiée aussi proche que possible du début des périodes de planification afin de ménager des capacités de production disponibles dans toutes les lignes de production, et se réserver ainsi des marges de manœuvre.
Statistiques du modèle
Les données entrées incluaient:
- La demande par SKU
- Des niveaux de stock par SKU
- La taille des lots, les priorités, la durée de vie en rayon, l’occupation de l’espace de l’entrepôt
- Le rendement global et le pourcentage moyen absolu d’erreurs (MAPE), si nécessaire
- Les coûts
Le système tenait compte des éléments suivants:
- L’affectation des SKU par lignes et sous-lignes
- Les capacités des lignes et sous-lignes
- Les restrictions dues aux lignes et à l’emballage
- Les limitations de l’entrepôt
- Les temps de production
- Les horaires de production
RÉSULTATS:
Tous les résultats de la simulation segmentés par mois et SKU étaient exportés vers Excel. De plus, le modèle présentait les modifications de la demande et les niveaux de stock par mois sous forme d’histogrammes. Il fournissait également des informations sur les ruptures de stock, le cas échéant.
En utilisant le modèle, la direction de Conaprole a été en mesure de:
- Découvrir les processus de chaque ligne de production par SKU.
- Optimiser les plans pour mieux répondre à la demande tout en maximisant la durée de vie en rayon et en minimisant les coûts d’entrepôt.
- Améliorer l’utilisation de la ligne de production afin de préserver une capacité de production supplémentaire en cas de demande accrue.
Le modèle de simulation procurait l’analyse nécessaire pour que la direction puisse choisir la solution qui augmenterait le revenu et minimiserait le risque de rupture de stock.