La planification agrégée des capacités

À long terme, l’objectif est de savoir si la capacité de production disponible est suffisante pour produire les volumes requis. Les méthodes disponibles se regroupent sous le terme de « rough cut capacity check ». Le but est de connaître la charge de travail (par exemple en termes de nombre d’heures par semaine) de chaque machine. Il existe quatre méthodes différentes (Wortman et al. 1996) :

- Méthode basée sur les volumes de production.

Il s’agit de la production maximale réalisable par le poste goulot d’étranglement

- Méthode utilisant l’ensemble des facteurs (CPOF).

On utilise des standards ou des données historiques pour connaître les différentes données : temps de production de chaque produit, nombre de produits par période, répartition de la charge de travail entre les postes.

- Méthode basée sur un couplage macro-gammes nomenclatures agrégées (méthode appelée capacity bills par Vollman et al. 2005).

On décompose les produits par rapport aux sous-ensembles qui les composent et on regarde par poste de travail le temps de production des différents sous- ensembles.

- Méthode utilisant les profils des ressources.

Idem que la méthode précédente mais en tenant compte des décalages (des délais de fabrication)

Wu et al. (2005) précise que le problème de la planification tactique est traité de trois manières différentes :

- Par des modélisations mathématiques.

Par exemple, Bermon & Hood (1999) développent un programme linéaire de planification tactique des capacités pour trouver quel est le mix de produits le plus profitable à fabriquer pour un profil de demande donné (il s’agit donc d’un problème déterministe) et un ensemble donné d’installations.

Une hypothèse simplificatrice de leur modèle est qu’il n’y a pas de stocks ni de report de la demande. Cette hypothèse est levée par la suite dans le modèle de Catay et al. (2003). Le but de leur modélisation est de minimiser le coût du stock, le coût de production et le coût d’acquisition des machines de telle sorte que la demande soit satisfaite.

Pour tenir compte de l’incertitude sur la demande, des approches stochastiques sont également entreprises où l’incertitude sur la demande est prise en compte à travers différents scénarios discrets de demandes. Par exemple, Swaminathan (2000) étudie de cette façon le problème de l’approvisionnement des outils sous des hypothèses simplificatrices. L’hypothèse d’une seule période prise en compte est levée ultérieurement dans Swaminathan (2002). Leur article initial illustre les bénéfices de la prise en compte de différents scénarios de demande en optimisation. Barahona et al. (2003) étendent ce premier modèle pour trouver la quantité et la cadence des acquisitions d’outils nécessaires en prenant en compte un horizon de planification discret et des contraintes budgétaires. L’objectif est de minimiser l’espérance de la demande insatisfaite. Hood et al. (2003) reprennent leur modèle pour en montrer les enjeux managériaux. Zhang (2002) prend en compte un nombre important de scénarios de demandes pour rendre compte de l’incertitude qui pèse sur la demande. Son modèle est développé en tenant compte d’hypothèses simplificatrices : pas de stock, pas de report de demande d’une période à une autre, l’allocation des produits aux machines suit des règles très simples et n’est pas optimisée.

- Par la théorie des files d’attente.

Chen et al. (1988) sont les premiers à employer la théorie des files d’attente pour étudier la performance des usines. Un des avantages de cette méthode est qu’elle permet de mettre en relation les politiques utilisées et la configuration de l’usine avec la performance du système (en-cours de production, temps de cycle…). Ces modèles analytiques permettent d’explorer les conséquences en termes de performance des différentes configurations productives et de politiques opérationnelles. Leur étude est complétée en comparant les résultats obtenus avec les observations réelles et une simulation détaillée.

Connors et al. (1996) étendent leur analyse en incorporant les retouches et les caractéristiques des machines. Ils se servent de leur modèle pour planifier la capacité nécessaire des outils.

Bard et al. (1999) utilisent les modèles de files d’attente dans le but de minimiser le temps de cycle en respectant un profil donné de demandes et un budget disponible pour l’achat d’outils. Ils développent plusieurs heuristiques et les valident à l’aide de données industrielles. Kao & Chou (2000) développent une méthodologie pour déterminer la planification d’un portefeuille d’outils (choix de la quantité et du type d’outils), en considérant le temps de cycle, le coût des investissements et la production réalisée. Chou et al. (2001) étendent le travail précédant en utilisant des simulations. Le but est de déterminer le coût minimum du portefeuille nécessaire sous des contraintes de temps de cycle et de production réalisée. Hopp et al. (2002) utilisent les modèles de files d’attente et des simulations pour minimiser le coût des installations nécessaires en maintenant le temps de cycle dans des limites acceptables et le niveau de la production tel que désiré.

- Par des heuristiques ou la simulation.

De nombreux praticiens développent des heuristiques pour trouver des solutions pratiques et facilement compréhensibles à la planification des capacités. Quelques-unes sont basées sur la simulation. Chou & Everton (1996) appliquent la simulation à la planification des capacités en regardant l’impact des en-cours de production, du temps de cycle et des goulots d’étranglement sur la performance du système. Leur étude a servi à Fujitsu à déterminer le personnel nécessaire et les équipements à acquérir pour atteindre le niveau de production projeté. Witte (1996) décrit le fonctionnement d’un outil de planification des capacités employé chez Harris Semiconductor pour déterminer les exigences de capacité. Kotcher & Chance (1999) décrivent une méthodologie qui, en lien avec une approche par des simulations, permet d’identifier les groupes d’outils qui sont des goulots d’étranglement et de prendre des décisions d’acquisition d’outils. Cakanyildirim & Roundy (2002) évaluent les méthodes de planification et d’augmentation des capacités des outils et de l’espace habituellement pratiquées dans les entreprises. Ils comparent leurs performances relatives sous différentes conditions.

Si on descend dans la hiérarchie, après la planification agrégée on a la planification détaillée. Le CRP (Capacity Requirements Planning) est alors lié à la MRP (Materials Requirements Planning) car cela vérifie si le plan proposé est faisable avec les capacités en place, c’est-à-dire si l’allocation des ressources est réalisable.