Modélisation de la gestion de la chaîne logistique

Chapitre 1 : Contexte, problématique et positionnement du travail de recherche

0 10 20 30 40 50 60 70 Déc 2000 Déc 2006 s e m a in e Traitement des commandes Supply chain Assemblage, tests, peinture, livraisons

GPAO Ordonnancement Administration des ventes Gestion des

achats _{des stocks}^Gestion

Gestion des transports

GPAO Ordonnancement Administration des ventes Gestion des

achats _{des stocks}^Gestion

Gestion des transports

Optimisation du réseau logistique

Planification

production ^{Planification}_distribution ^{Planification}_transports

Prévisions ATP/CTP

Optimisation du réseau logistique

Planification

production ^{Planification}_distribution ^{Planification}_transports

Prévisions ATP/CTP

WMS _TMS AOM

WMS _TMS AOM

Modélisation de la gestion de la chaîne logistique

Chapitre 1 : Contexte, problématique et positionnement du travail de recherche

1.4 Gestion de la chaîne logistique (Supply Chain Management - SCM)

1.4.5 Modélisation de la gestion de la chaîne logistique

8

Figure 1.11 : L’objectif de réduction des délais chez Caterpillar, d’après Dany (2003)

1.4.5 Modélisation de la gestion de la chaîne logistique

Pour aider les décideurs du SCM, des outils ont été développés par la recherche et transférés

par l’offre logicielle. Il s’agit, d’une part, de la modélisation d’entreprise pour comprendre le

positionnement des activités dans les processus d’entreprise et, d’autre part, des modèles

mathématiques et de résolution optimale, supports en particulier à la planification.

1.4.5.1 Modélisation d’entreprise

L’essor de la modélisation d’entreprise remonte aux années 1990 (Botta-Genoulaz, 2005).

L‘objectif de la modélisation d’entreprise est de représenter une partie donnée de l’entreprise

pour en comprendre son fonctionnement, pour en analyser son comportement et ses

performances, pour détecter des dysfonctionnements, en vue naturellement d’en améliorer la

performance, ou de valider une organisation nouvelle.

Selon Ganeshan et al. (1999), la modélisation d’entreprise regroupe la part « concepts et

modèles non quantitatifs » de la littérature scientifique. Croom et al. (2000) classe la

modélisation d’entreprise dans les modèles descriptifs et non normatifs, Min et Zhou (2002)

dans les modèles qualitatifs.

La modélisation d’entreprise utilise des formalismes de modélisation générique, tels que la

grille et les réseaux GRAI (Doumeingts, 1998), CIM-OSA, PERA, ARIS, GERAM, SCOR

(SCC, 1996) …

La multitude de ces modèles est parfois problématique pour définir d’une manière unifiée le

fonctionnement d’une entreprise. Dans sa thèse, Roque (2005) propose un méta-modèle qui

permet d’intégrer différentes modélisations par décomposition puis recomposition de

composants élémentaires présents dans ces modélisations. Ce méta-modèle permet d’échanger

plus facilement des informations entre les modèles : c’est une forme d’interopérabilité entre

les différentes modélisations d’entreprises.

En général, ces modèles sont centrés ou focalisés sur une entreprise, plutôt que les chaînes

logistiques.

1.4.5.2 Les modèles analytiques

Les modèles analytiques permettent de décrire un système par un ensemble d’équations

régissant son fonctionnement. Ils peuvent être déterministes (tous les paramètres du modèle

sont réputés connus) ou stochastiques (certains paramètres sont incertains et suivent une loi de

probabilité) (Maria, 1997). Ces modèles sont généralement associés à un problème

d’optimisation à un ou plusieurs critères. Ils peuvent être résolus par différents logiciels

spécifiques ou génériques.

Ces modèles correspondent à ce que Ganeshan et al. (1999) appellent les modèles quantitatifs.

D’après Thomas et Griffin (1996) qui ont fait un classement des modèles mathématiques

utilisés pour le SCM, les grandes familles de modèles sont les modèles stochastiques

(modélisation par files d’attente, par exemple), les modèles analytiques (programmation

linéaire, par exemple), et les simulations. En réalité, les modèles analytiques peuvent être

stochastiques ou non, c’est pourquoi nous préférons ne conserver, dans cette classification des

modèles, que les modèles analytiques et les modèles de simulation (présentés dans le

paragraphe suivant).

Huang et al. (2003) précisent que le choix du modèle, compte tenu de ses hypothèses de

validité, détermine directement le type de problème et de structure que l’on peut étudier. Il

rappelle aussi que, pour qu’un modèle analytique (déterministe ou stochastique) soit viable, il

doit être relativement simple, c’est-à-dire qu’il faut faire un certain nombre d’hypothèses et de

simplifications. Ainsi les modèles analytiques se contentent-ils généralement d’aspects basés

sur le processus de distribution dans une structure dyadique (une seule relation

client-fournisseur). Mais cette configuration est trop simple vis-à-vis des véritables chaînes

logistiques.

Thomas et Griffin (1996) classent les modèles analytiques suivant deux niveaux

hiérarchiques : opérationnel et stratégique. Les problèmes soulevés dans ces modèles au

niveau opérationnel sont la gestion d’une ressource avec file d’attente, la gestion du transport,

l’utilisation ou non de la sous-traitance, la gestion de la production locale ou au contraire

globale, la détermination de la taille des lots pour la production et la distribution, le choix du

type de transport, … Au niveau stratégique, les décisions à prendre sont l’ouverture ou la

délocalisation d’une entreprise ou d’un centre de distribution, l’allocation d’équipements pour

les entreprises, le choix de sites pour l’implantation de nouvelles entreprises pour un nouveau

produit ou pour le changement du flux physique d’un produit à travers la chaîne, le choix de

fournisseurs... Thomas et Griffin (1996) concluent que la plupart des recherches récentes se

focalisent sur les modèles stochastiques.

Remarque : L’approche retenue pour ce travail de thèse est le développement d’un modèle

analytique déterministe de SCM, afin d’offrir un outil d’aide à la décision. Une

étude bibliographique plus avancée sur ce type de modèle est présentée au début du

chapitre 3.

1.4.5.3 Les modèles de simulation

Un modèle de simulation est généralement utilisé lorsqu’il est difficile de trouver une relation

(une équation) entre différentes variables et ne pouvant donc généralement pas se mettre sous

la forme d’un modèle analytique.

Maria (1997) distingue aussi un autre critère pour le classement des modèles : la prise en

compte du temps. Il y aurait donc deux types de modèles : les modèles statiques dans lesquels

le temps n’est pas pris en compte, et les modèles dynamiques. Les modèles de simulation sont

en définitive des modèles à la fois stochastiques et dynamiques.

Chapitre 1 : Contexte, problématique et positionnement du travail de recherche 43

Enfin, Kleijnen (2005) identifie quatre types de simulations : Simulation de type Tableur,