Prévision de la demande et gestion des stocks de pièces de rechange : un défi pour les entreprises

Supply Chain

publication du 4 / 04 / 2018

Désormais omniprésentes dans les sociétés modernes, les pièces de rechange constituent un élément-clé de compétitivité pour les entreprises de divers secteurs tels que l’aéronautique, l’automobile, l’électronique ou la défense. Ces pièces dominent les services après-vente et de maintenance des entreprises et impliquent souvent une supply chain complexe.

La demande de pièces de rechange est différente de celle des produits standard en raison de son caractère souvent sporadique, voire intermittent. Une demande intermittente se manifeste de manière irrégulière, espacée de diverses périodes où elle est nulle. 

Il est évident que ce type de demande constitue un défi tant pour les prévisionnistes que pour les gestionnaires de stocks. En effet, les coûts de détention d’un haut niveau de stocks sont élevés et le risque d’obsolescence des produits est également important. En revanche, un niveau faible de stocks peut engendrer des ruptures, et donc des surcoûts très élevés lorsque les pièces qui font défaut sont particulièrement critiques pour les systèmes. Ainsi, une meilleure prévision de la demande et une meilleure gestion des stocks et des approvisionnements permettent des économies importantes et une amélioration du niveau de service offert au client.

La plupart des solutions existantes de prévision de la demande ont été développées pour des produits à forte rotation. Elles se basent sur des méthodes classiques telles que les moyennes mobiles et les lissages exponentiels. Dans le cas des demandes intermittentes, il a été démontré que ces méthodes de lissage ne sont pas adaptées. Ceci est lié à la présence de demandes nulles dans l’historique, ce qui biaise fortement l’estimation de la demande future. La solution de référence pour la prévision de la demande des pièces de rechange est la méthode de Croston, développée depuis les années 1970. Il s’agit de l’une des rares méthodes implémentées dans SAP APO pour la prévision de la demande de ce type de produits. Cette méthode lisse séparément, et uniquement sur les périodes où il y a de la demande, les intervalles temporels de la demande et les quantités demandées.

Nous avons mené une étude en collaboration avec des chercheurs des universités de Groningen aux Pays-Bas et de Cardiff au Royaume-Uni pour proposer des solutions quant à la prévision de la demande et la gestion des stocks de pièces de rechange. Notre étude montre d’abord que la méthode de Croston est elle aussi relativement biaisée. Pour pallier ce problème, nous avons développé une nouvelle méthode, appelée TSB. La particularité de cette méthode réside dans l’utilisation de deux fréquences de lissage, à savoir : un lissage de la probabilité d’occurrence de la demande qui porte sur toutes les périodes temporelles et un lissage des demandes non-nulles qui n’intervient que lorsque celles-ci se manifestent. Son avantage est double : la réduction du biais d’estimation de la demande, mais également la détection d’une éventuelle obsolescence du produit. Une étude empirique menée sur la base des données de 8.000 références de pièces de rechange dans les secteurs automobile et aéronautique met en lumière la réduction du biais de la méthode de Croston, réalisée grâce à cette solution (jusqu’à 50%). Les implications sur la gestion des stocks sont également considérables puisque cette première solution permet de réduire les coûts de gestion : jusqu’à 2%, voire davantage dans le cas d’une obsolescence qui survient brusquement.

Retour en haut