SCM - Gestion des stocks

Comme on le voit sous les principaux objectifs de la chaîne d'approvisionnement, l'un des objectifs fondamentaux de SCM est de s'assurer que toutes les activités et fonctions au sein de l'entreprise ainsi qu'à l'échelle de l'entreprise sont gérées efficacement.

Il existe des cas où l'efficacité de la chaîne d'approvisionnement peut être assurée par des gains d'efficacité dans les stocks, pour être plus précis, en maintenant l'efficacité des réductions de stocks. Bien que l'inventaire soit considéré comme un obstacle à une gestion efficace de la chaîne d'approvisionnement, les responsables de la chaîne d'approvisionnement reconnaissent la nécessité d'un inventaire. Cependant, la règle non écrite est de maintenir l'inventaire au strict minimum.

De nombreuses stratégies sont développées dans le but de rationaliser les stocks au-delà de la chaîne d'approvisionnement et de maintenir l'investissement dans les stocks aussi bas que possible. Les responsables de la chaîne d'approvisionnement ont tendance à maintenir les stocks aussi bas que possible en raison de l'investissement dans les stocks. Le coût ou l'investissement lié à la possession de stocks peut être élevé. Ces coûts comprennent les décaissements nécessaires à l'achat de l'inventaire, les coûts d'acquisition des stocks (le coût d'avoir investi dans les stocks plutôt que d'investir dans autre chose) et les coûts liés à la gestion de l'inventaire.

Rôle de l'inventaire

Avant de comprendre le rôle de l'inventaire dans la chaîne d'approvisionnement, nous devons comprendre la relation cordiale entre le fabricant et le client. Traiter les clients, faire face à leurs demandes et créer des relations avec le fabricant est une partie essentielle de la gestion des chaînes d'approvisionnement.

Il existe de nombreux cas où nous considérons que le concept de relation de collaboration est considéré comme l'essence même de la gestion de la chaîne d'approvisionnement. Cependant, une analyse plus approfondie des relations de la chaîne d'approvisionnement, en particulier celles qui incluent les flux de produits, montre qu'au cœur de ces relations se trouvent le mouvement des stocks et le stockage.

Plus de la moitié dépend de l'achat, du transfert ou de la gestion des stocks. Comme nous le savons, les stocks jouent un rôle très important dans les chaînes d'approvisionnement, étant une caractéristique saillante.

Les fonctions les plus fondamentales de l'inventaire dans les chaînes d'approvisionnement sont les suivantes:

• Fournir et soutenir l'équilibre de l'offre et de la demande.
• Pour faire face efficacement aux flux aller et retour dans la chaîne d'approvisionnement.

Les entreprises doivent gérer les échanges de fournisseurs en amont et les demandes des clients en aval. Dans cette situation, l'entreprise entre dans un état où elle doit maintenir un équilibre entre la satisfaction des demandes des clients, ce qui est généralement très difficile à prévoir avec précision ou exactitude, et le maintien d'un approvisionnement adéquat en matériaux et biens. Ce solde peut être obtenu par inventaire.

Modèles d'optimisation

Les modèles d'optimisation de la chaîne d'approvisionnement sont ces modèles qui codifient les problèmes pratiques ou réels dans un modèle mathématique. L'objectif principal de la construction de ce modèle mathématique est de maximiser ou de minimiser une fonction objective. En plus de cela, certaines contraintes s'ajoutent à ces questions pour définir la région réalisable. Nous essayons de générer un algorithme efficace qui examinera toutes les solutions possibles et retournera la meilleure solution à la fin. Les différents modèles d'optimisation de la chaîne d'approvisionnement sont les suivants -

Programmation linéaire en nombres entiers mixtes

La programmation linéaire en nombres entiers mixtes (MILP) est une approche de modélisation mathématique utilisée pour obtenir le meilleur résultat d'un système avec certaines restrictions. Ce modèle est largement utilisé dans de nombreux domaines d'optimisation tels que la planification de la production, le transport, la conception de réseaux, etc.

MILP comprend une fonction objectif linéaire avec quelques contraintes de limitation construites par des variables continues et entières. L'objectif principal de ce modèle est d'obtenir une solution optimale de la fonction objectif. Il peut s'agir de la valeur maximale ou minimale, mais elle doit être atteinte sans violer aucune des contraintes imposées.

On peut dire que MILP est un cas particulier de programmation linéaire qui utilise des variables binaires. Par rapport aux modèles de programmation linéaire normaux, ils sont légèrement difficiles à résoudre. Fondamentalement, les modèles MILP sont résolus par des solveurs commerciaux et non commerciaux, par exemple: Fico Xpress ou SCIP.

Modélisation stochastique

La modélisation stochastique est une approche mathématique de la représentation des données ou de la prévision des résultats dans des situations où il y a dans une certaine mesure un caractère aléatoire ou imprévisible.

Par exemple, dans une unité de production, le processus de fabrication a généralement des paramètres inconnus comme la qualité des matériaux d'entrée, la fiabilité des machines et la compétence des employés. Ces paramètres ont un impact sur le résultat du processus de fabrication mais il est impossible de les mesurer avec des valeurs absolues.

Dans ces types de cas, où nous devons trouver une valeur absolue pour des paramètres inconnus, qui ne peuvent pas être mesurés exactement, nous utilisons l'approche de modélisation stochastique. Cette stratégie de modélisation aide à prédire le résultat de ce processus avec un certain taux d'erreur défini en tenant compte de l'imprévisibilité de ces facteurs.

Modélisation d'incertitude

Tout en utilisant une approche de modélisation réaliste, le système doit prendre en compte les incertitudes. L'incertitude est évaluée à un niveau où les caractéristiques incertaines du système sont modélisées avec un caractère probabiliste.

Nous utilisons la modélisation de l'incertitude pour caractériser les paramètres incertains avec des distributions de probabilité. Il prend facilement en compte les dépendances en entrée tout comme la chaîne de Markov ou peut utiliser la théorie des files d'attente pour modéliser les systèmes où l'attente a un rôle essentiel. Ce sont des méthodes courantes de modélisation de l'incertitude.

Optimisation à deux niveaux

Un problème à deux niveaux se pose dans des situations réelles chaque fois qu'une décision décentralisée ou hiérarchique doit être prise. Dans ces types de situations, plusieurs parties prennent des décisions les unes après les autres, ce qui influence leur profit respectif.

Jusqu'à présent, la seule solution pour résoudre les problèmes à deux niveaux consiste à utiliser des méthodes heuristiques pour des tailles réalistes. Cependant, des tentatives sont faites pour améliorer ces méthodes optimales afin de calculer une solution optimale pour des problèmes réels également.