Problème :
Fruit of the Loom (FOTL) est l’un des plus importants fabricants et vendeurs américains dans le secteur du textile. L’entreprise était en pleine croissance et ses dirigeants souhaitaient savoir s’il serait avantageux, en termes de coûts d’expédition, d’ajouter un autre centre de distribution (CD) aux États-Unis ou bien de redistribuer les produits vers un CD préexistant. Les prestataires ont décidé de simuler l’ensemble de la chaîne d’approvisionnement, afin de visualiser les emplacements des CD sur une carte GIS, ainsi que les réseaux d’approvisionnement entre eux. Privilégiant les grossistes, l’entreprise a considéré les distributeurs comme des clients. Aucune expédition de petite taille ni aucun utilisateur final n’étaient impliqués dans ce cas.
Solution :
Le logiciel de simulation AnyLogic a été choisi en raison de ses capacités de modélisation multi-agents. L’équipe a intégré la description de la chaîne d’approvisionnement dans le modèle et a défini les éléments suivants comme des agents interagissant entre eux, avec leurs propres objectifs, règles, comportements individuels et politiques d’interaction :
- Centres de distribution (emplacement, nombre d’unités, frais généraux, coût de mise en service)
- Clients, ou grossistes (emplacement, taux de demande, expéditions totales, distance, type d’expédition, etc.)
- Camions et trains (emplacement, unités, propriétaires, destinations)
- Producteurs (producteurs de coton)
- Transformateurs (filatures)
Grâce à AnyLogic, tester plusieurs scénarios et leurs variations était un jeu d’enfant. Les données saisies (nombre de DC, fournisseurs, etc.) étaient différentes pour chaque variation.
L’équipe a trouvé avantageux d’appliquer la simulation à différentes étapes. Cela a permis d’apporter de l’abstraction et de simplifier un système complexe, en se concentrant sur les détails importants et en les évaluant.
Lors de la construction du modèle, l’équipe s’est d’abord penchée sur les données d’expédition, en se concentrant sur les emplacements des clients très demandeurs, car ces derniers représentaient 85 % du total des expéditions de l’entreprise. Ces distributeurs faisaient appel au fret ferroviaire et routier. L’équipe a également pris en compte les expéditions reçues par le client par année et la demande par expédition en unités par client. Les indicateurs relatifs à la demande de l’année dernière ont été utilisés comme données pour alimenter le modèle.
Afin d’évaluer et de visualiser les itinéraires de transport existants, l’équipe a utilisé les capacités GIS d’AnyLogic, qui associaient les agents dans le modèle à leurs emplacements. Le CD principal de l’entreprise se trouvait dans le sud-est des États-Unis. Partant de là, les cargaisons étaient ensuite distribuées aux grossistes directement, ou via des CD de transit. Cela pouvait entraîner des frais de transport supplémentaires, c’est pourquoi l’équipe a évalué l’emplacement optimal du nouveau CD, en fonction de la répartition géographique des grossistes. À cette fin, les développeurs ont mené une analyse Greenfield de la chaîne d’approvisionnement. Cette expérience est disponible dans anyLogistix, le logiciel multi-méthodes destiné à l’optimisation, la conception et l’analyse des réseaux d’approvisionnement.
Le Scénario #1 incluait le CD d’origine des et des clients aberrants. Il ne présentait pas la réduction des coûts d’expédition en ce qui concerne les produits distribués à partir du CD.
Dans le Scénario #2, le CD d’origine était utilisé pour réacheminer les expéditions vers les autres CD existants, situés sur les côtes est et ouest des États-Unis. Ce scénario a entraîné une réduction des coûts de 42 %.
Dans le Scénario #3, le réseau avec le CD d’origine a été incrémenté avec un nouveau CD, situé à un emplacement GIS optimal. La réduction des coûts s’établissait à 32 %.
Le Scénario #4 incluait le CD d’origine, le réacheminement des produits via d’autres CD déjà existants et situés sur la côte ouest, ainsi qu’un nouveau CD à un emplacement GIS optimal. Les résultats du scénario ont montré une réduction des coûts de 45 % dans la chaîne d’approvisionnement.
Les rapports des exécutions du modèle pour chaque CD pouvaient être exportés dans un fichier Excel.
Après ces expériences, le modèle s’est vu ajouter les agents suivants, afin de tenir compte d’une chaîne d’approvisionnement internationale :
- Fabricants
- Centres de distribution supplémentaires
- Ports de chargement
- Ports de déchargement
- Navires
- Camions supplémentaires
L’équipe a ensuite pu concevoir la chaîne d’approvisionnement internationale dans son intégralité et déterminer l’emplacement optimal du CD, en prenant en compte tous les agents.
Conclusions :
Si les décisions s’appuyant sur l’expertise des personnes concernées, sans examen des données, peuvent être considérées comme biaisées, les perspectives obtenues grâce au GIS et à AnyLogic s’appuyant sur les données, combinées à des connaissances du secteur, ont permis d’élaborer des recommandations pour la chaîne d’approvisionnement.
Dans ce cas, la modélisation de simulation a servi d’outil de recherche exploratoire afin d’évaluer les suggestions de localisation des CD dans le pays et de prouver leur efficacité économique, en ce qui concerne les chaîne d’approvisionnement des clients et de la production.
Les développeurs ont grandement apprécié l’intuitivité d’AnyLogic, qui leur a permis de glisser-déposer des éléments et d’adapter, ou développer, le modèle en fonction de toutes les conditions, ce qui profiterait aux activités internationales de Fruit of the Loom.
Présentation du projet par Elizabeth Tyrie, Data Science Manager
