THÈSE

En vue de l’obtention du

DOCTORAT DE L’UNIVERSITÉ DE TOULOUSE

délivré par
IMT – École Nationale Supérieure des Mines d’Albi-Carmaux

présentée et soutenue par

Sanaa TISS
le 2 février 2022

Titre :

Évaluation des risques et de la robustesse de la

planification tactique des acteurs d’une chaîne
logistique basée sur une plateforme cloud

École doctorale et discipline ou spécialité :

EDSYS : Génie Industriel

Unités de recherche :
Centre Génie Industriel, IMT Mines Albi
Institut de Recherche en Informatique de Toulouse

Directeur et Directrice de thèse :

Jacques LAMOTHE, Professeur, IMT Mines Albi
Caroline THIERRY, Professeure, Université Jean Jaurès, IRIT

Autres membres du jury :

Khaled HADJ-HAMOU, Professeur, INSA Lyon, Rapporteur
Gülgün ALPAN, Professeure, INP Grenoble, Rapporteure
Laurent GENESTE, Professeur, ENIT de Tarbes, Président
Séverine DURIEUX, Maître de conférences, Sigma Clermont, Examinatrice
Christophe ROUSSE, Directeur Opérations Data & Analytics, Pierre Fabre Dermo-Cosmétique, Invité
RESUME

La gestion d'une chaîne logistique multi-acteurs repose sur un pilier de coordination, essentiel pour
synchroniser les activités de tous les acteurs et assurer un bon niveau de taux de service du client final et
des performances attendues.
La planification tactique de la chaîne logistique est un niveau de décision particulièrement important qui
vise à assurer la synchronisation des flux physiques et d'informations dans la chaîne. Les différents
acteurs s'appuient sur des systèmes d'information de planification pour améliorer leurs performances de
planification interne. Ils s’appuient sur la planification à horizon glissant et les outils de partage
d'informations pour réviser et aligner périodiquement leurs plans afin de s'adapter face aux incertitudes.
Cependant, sur l'horizon glissant, l'instabilité due aux révisions périodiques des plans et les effets des
incertitudes sont amplifiés le long de la chaîne (effet bullwhip) et accroissent la nervosité du système.
Les systèmes d'aide à la décision déterministes restent toutefois restreints pour la gestion de ces
incertitudes. Ainsi, le décideur est souvent confronté à un dilemme stabilité-réactivité dans sa prise de
décision face aux incertitudes.
Dans la littérature, différentes approches sont proposées pour la gestion des incertitudes dans la
planification tactique. Cependant, l'écart entre la recherche et la pratique industrielle dans ce domaine
reste très important en absence d'analyse de l'applicabilité des modèles théoriques proposés, que ce soit
au niveau de la prise en compte de la complexité de l'environnement industriel ou du nombre de sources
d'incertitude considérées ou encore de l'implication du décideur dans le processus de prise de décision.
En vue de surmonter ces limitations et tout en considérant que les décideurs échangent toujours des
plans déterministes générés avec les outils de planification existants, cette thèse décrit une proposition
de système d'aide à la replanification pour un planificateur au niveau de la distribution centrale d'une
chaine logistique.
Ainsi, cette thèse traite des trois aspects suivants : 1/ Intégrer la connaissance d'un expert sur la variabilité
des plans cumulés des autres acteurs. 2/ Intégrer cette connaissance pour la modélisation de l'incertitude
et l'évaluation des risques et de la robustesse des plans déterministes d'un décideur. 3/ Étudier
l'applicabilité de l’approche proposée dans un environnement industriel dynamique réel en considérant
l'indépendance du décideur dans la prise de décision.
Un apport méthodologique de cette thèse réside dans l'adaptation d'une méthodologie de gestion des
risques depuis leur identification et la modélisation des incertitudes jusqu'à l'évaluation de leur criticité
et la mitigation de leur impact. Un apport théorique repose sur la proposition d'une approche
quantitative, basée sur les ensembles flous et la théorie des possibilités, pour l'évaluation de la robustesse
des plans d'un décideur, au regard des risques liés au respect des contraintes induites par les décisions de
son fournisseur en amont (approvisionnements) et de ses clients en aval (demande). Un apport pratique
concerne la mise en œuvre d'une plateforme cloud interactive d'aide à la décision intégrant les principales
fonctionnalités du système d'aide à la décision basé sur l'approche proposée : base de données
dynamique, interfaces interactives, différents niveaux d'agrégation des évaluations, collaboration et
configuration.
Enfin, un 'Serious Game' est élaboré à partir de l'analyse des processus d’un cas industriel PFDC (Pierre
Fabre Dermo-Cosmétique) et utilisé comme preuve de concept dans un contexte dynamique.

Mots clés : Chaîne Logistique, Incertitude, Planification Tactique, Gestion de Risque, Robustesse, Ensembles
Flous, Théorie de Possibilité, Système d’Aide à la Décision.

ii
ABSTRACT

The management of a multi-actor supply chain relies on a coordination pillar, which is essential to
synchronize the activities of all actors and ensure a good level of end customer service rate and expected
performance.
Tactical planning of the supply chain is a particularly important decision-making level that aims to ensure
the synchronization of physical and information flows in the supply chain.
The different actors rely on planning information systems to improve their internal planning performance.
They rely on rolling planning and information sharing tools to periodically revise and align their plans to
adapt to uncertainties. However, over the rolling horizon, the instability due to periodic plan revisions and
the effects of uncertainties are amplified along the supply chain (bullwhip effect) and increase the
nervousness of the system. However, deterministic decision support systems remain limited in their ability
to manage these uncertainties. Thus, the decision-maker is often exposed to a stability-reactivity dilemma in
his decision making regarding the uncertainties.
In the literature, different approaches are proposed for the management of uncertainties in tactical planning.
However, the gap between research and industrial practices in this field remains very important in the
absence of analysis of the applicability of the proposed theoretical models, whether in terms of considering
the complexity of the industrial environment or the number of sources of uncertainty considered or the
involvement of the decision-maker in the decision-making process. In order to overcome these limitations
while considering that decision makers always exchange deterministic plans generated with existing planning
tools, this thesis describes a proposal for a replanning support system for a planner at the central distribution
level of a supply chain.
Thus, this thesis deals with the following three aspects : 1/ Integrate the knowledge of an expert on the
variability of the cumulative plans of other actors. 2/ Integrate this knowledge for uncertainty modeling and
risk assessment and robustness of a decision maker's deterministic plans. 3/ Study the applicability of the
proposed approach in a real dynamic industrial environment by considering the independence of the
decision maker in the decision making.
A methodological contribution of this thesis lies in the adaptation of a risk management methodology from
their identification and modeling of uncertainties to the evaluation of their criticality and the mitigation of
their impact. A theoretical contribution is based on the proposal of a quantitative approach, based on fuzzy
sets and possibility theory, for the evaluation of the robustness of a decision-maker's plans, regarding the
risks linked to the respect of the constraints induced by the decisions of his upstream supplier (supplies)
and his downstream customers (demand). A practical contribution concerns the implementation of an
interactive cloud platform for decision support integrating the main functionalities of the decision support
system based on the proposed approach: dynamic database, interactive interfaces, different levels of
evaluation aggregation, collaboration and configuration.
Finally, a 'Serious Game' is elaborated from the analysis of the processes of an industrial case PFDC (Pierre
Fabre Dermo-Cosmetics) and used as proof of concept in a dynamic context.

Keywords: Supply Chain, Uncertainty, Tactical Planning, Risk Management, Robustness, Fuzzy Sets,
Possibility Theory, Decision Support System.

iv
REMERCIEMENTS

Cette thèse s'inscrit dans le cadre du projet CAASC (Cloud Adaptation for Agile SC) financé par
l'ANR, projet-ANR-18-CE10-0012. Dans ce projet, j'ai fait partie d'une équipe pluridisciplinaire de
différentes entités (IRIT/ADRIA, Linagora, Pierre Fabre Dermo-Cosmétique, CGI, ARMINES)
que je remercie un par un de m'avoir accueilli dans l'équipe et de leur collaboration.
Cette aventure de thèse de 3 ans a été menée dans des conditions très particulières (COVID19,
confinement, télétravail, conférences à distance, événements de l'année 2020...). Je me permets
donc de dire que je fais partie d'une promo de résistants et je tiens donc à féliciter tous les lauréats
de cette promo. Si j'ai pu traverser cette période et mener à bien cette aventure avec sérénité, c'est
grâce aux différentes personnes qui m'ont soutenu et que je tiens à remercier ici.
Tout d'abord, je tiens à remercier mes directeurs de thèse pour la confiance qu'ils m'ont accordée
en me permettant de vivre cette aventure au sein du Centre Génie Industriel à l'IMT Mines et de
l'équipe projet.
Je tiens à remercier mon directeur de thèse, Monsieur Jacques LAMOTHE, Professeur à IMT
Mines d'Albi, pour m'avoir fait partager ses brillantes intuitions et m'avoir apporté soutien, idées et
liberté tout au long de ces années. Mes remerciements vont également à toute sa famille pour leur
accueil chaleureux qui m'a permis de démarrer ma thèse dans de bonnes conditions.
Mes sincères remerciements vont également à ma codirectrice, Madame Caroline THIERRY,
Professeur à l'Université Jean Jaurès de Toulouse pour son soutien crucial, sa confiance et ses
conseils judicieux qui m'ont permis de développer mes compétences en matière de recherche
scientifique. J'ai été extrêmement sensible à ses qualités humaines d'écoute et d'accompagnement
et à sa disponibilité tout au long de ma thèse.
J'adresse également mes chaleureux remerciements au Professeur Khalid HADJ-HAMOU de
l'INSA Lyon, ainsi qu'à la Professeure Gülgün ALPAN de l'INP Grenoble qui m'ont fait l'honneur
d'accepter d'être les rapporteurs de cette thèse.
J'exprime ma gratitude à tous les autres membres du jury, dont M. Laurent GENESTE, professeur
à ENIT de Tarbes et Mme. Séverine DURIEUX, Maitre de conférences à Sigma Clermont qui
m'ont fait l'honneur d'examiner et de juger les travaux de cette thèse, également pour leurs
encouragements et leurs commentaires avisés.
Je tiens à remercier chaleureusement Monsieur Christophe ROUSSE, Directeur des Opérations
Data & Analytics de Pierre Fabre Dermo-Cosmétique pour sa disponibilité, son soutien et sa
collaboration au sein de l'équipe du projet CAASC et également pour avoir fait partie de mon jury
de thèse.
Je tiens à remercier Prof. Daouda KAMISSOKO, pour son soutien et ses précieux conseils. Grâce
à lui, j'ai pu découvrir et m'ouvrir au domaine de la recherche et cela a fait de mon hésitation une
passion.

vi
 Remerciements

Je remercie toute l'équipe du projet CAASC, en particulier Monsieur Julien LESBEGURIES,

ingénieur de recherche à IMT Mines Albi pour sa collaboration et sa contribution significative à la
concrétisation et au prototypage des apports de ce travail. J'ai particulièrement apprécié la qualité
de sa collaboration où il a su faire preuve d'une grande capacité d'adaptation et d'un esprit d'équipe
et de partage.
Je tiens également à remercier [Link] Guillaume, maître de conférences à l'IRIT de Toulouse
pour sa disponibilité et les échanges constructifs que nous avons pu avoir, également pour sa
collaboration et son partage d'expertise au sein du projet.
Mes remerciements vont également à mes amis, en particulier Khalid pour son aide, sa bonne
humeur et son soutien durant les périodes les plus critiques de cette aventure, ainsi qu'à Nafe,
Mustapha et Ibrahim pour leur soutien et leur bonne humeur qui ont rendu ces années pleines de
souvenirs. Je remercie également tous mes collègues au CGI, professeurs, doctorants et personnel
administratif pour leur sens du partage, de l'écoute et leur sympathie qui m'ont permis de bien
mener cette expérience.
Je remercie Madame Marie-Christine PLANTIÉ, chargée de la formation générale et de
l'accompagnement professionnel des doctorants à IMT Mines Albi, pour son soutien pendant et
après la thèse, mais aussi pour son écoute et sa disponibilité qui m'ont permis de mieux cerner mon
orientation professionnelle.

Mes plus profonds remerciements vont à mes chers parents. Abdellah TISS, mon père, mon
supporter et mon grand fan. Saida BACHAR, ma mère, ma lionne et mon idole. C'est grâce à eux
et à leur soutien, leur appui, que j'ai pu atteindre ce nouvel accomplissement dans des conditions
aussi particulières. Ce petit paragraphe ne saurait suffire à exprimer ma gratitude pour tout ce qu'ils
ont fait et font et pour tous leurs sacrifices. Je leur dédie donc ce travail ainsi qu'à mes sœurs et à
toute ma famille.

vii
LISTE DES ABREVIATIONS

APS Advanced Planning System

APICS American Production and Inventory Control Society
CDC Centre de Distribution Central
CDL Centre de Distribution Local
DRP Distribution Resource Planning
ERP Enterprise Resource Planning
GSC Global Supply Chain
MP Master Planning
MTS Make To Stock
MRP Material Requirement Planning
PFDC Pierre Fabre Dermo-Cosmétique
SC Supply Chain
SCM Supply Chain Management
SCRM Supply Chain Risk Management
SG Serious Game
SI Système d’Information

x
TABLE DES MATIERES

Résumé ................................................................................................................................. ii

Abstract ............................................................................................................................... iv

Remerciements ................................................................................................................... vi

Liste des abréviations .......................................................................................................... x

Table des matières ............................................................................................................. xii

Introduction générale .......................................................................................................... 2

Chapitre I. Positionnement du contexte de recherche ..................................................... 8

1. Introduction : Contexte industriel ........................................................................... 9
2. Supply Chain Management (SCM) ...................................................................... 10
2.1. Le concept de la Supply Chain (SC) et ses structures ................................ 10
2.2. Du Management au Supply Chain Management au Global Suply Chain
Management ................................................................................................................ 12
2.2.1. ….. L’évolution de l'industrie et des technologies de l'information a
marqué la phase de transition vers un Supply Chain Management ...................... 12
2.2.2. ….. Aujourd’hui le Supply Chain Management est une fonction
critique de l’entreprise .......................................................................................... 13
2.2.3. ….. Mondialisation, Opportunités, expansion à l’international,
Global Supply Chain management ....................................................................... 15
3. Planification de la chaîne logistique ..................................................................... 16
3.1. Niveaux de planification ............................................................................. 16
3.2. Stratégies de gestion des flux et problèmes de planification ...................... 18
3.3. Processus de planification tactique Make-To-Stock................................... 20
3.3.1. Planification et contrôle de production (PCP) dans APICS .......... 20
3.3.2. Master Planning (MP) ................................................................... 22
4. Collaboration et coordination au sein d’une chaîne logistique............................. 23
4.1. Approches de prise de décision dans une chaîne logistique ....................... 23
4.1.1. Approche centralisée versus approche décentralisée .................... 23
4.1.2. Approche réactive versus approche proactive ............................... 24
4.2. Type de collaborations ................................................................................ 25

xii
Table des matières

4.3. Planification collaborative basé sur un échange de plans et de la négociation

au sein d’une chaîne logistique décentralisée multi acteurs ........................................ 27
4.4. Approche dynamique de coordination basée sur une planification en
horizon glissant ............................................................................................................ 30
5. Gestion des incertitudes et des risques en supply chain ....................................... 32
5.1. Concepts connexes ...................................................................................... 32
5.2. Effets d’incertitudes et de la dynamique de la planification dans la SC ..... 34
5.2.1. Effet bullwhip dans une SC ........................................................... 34
5.2.2. Nervosité en planification dynamique à horizon glissant .............. 35
5.2.3. Problématique industrielle : dilemme (Réactivité VS stabilité) en
planification collaborative à horizon glissant, sous incertitudes dans les plans
transmis 37
5.3. Gestion des risques dans la SC (SCRM)..................................................... 38
5.4. Systèmes d’information de planification et d’aide à la décision au sein
d’une SC 39
5.4.1. Aperçu des systèmes d'information et des technologies existants
pour la planification tactique de la SC .................................................................. 39
5.4.2. L’humain est au centre du processus de décision ... limites des
systèmes d’aide à la planification actuels face aux incertitudes ........................... 42
6. Conclusion : positionnement du contexte et de la problématique industrielle ..... 45

Chapitre II. Aide à la planification tactique de la SC sous incertitude ........................ 48

1. Introduction ........................................................................................................... 49
2. Classification des travaux de planification tactique de la SC sous incertitude ..... 49
2.1. Sources d’incertitude dans la planification de la SC .................................. 50
2.1.1. Analyse des revues de la littérature ............................................... 50
2.1.2. Positionnement .............................................................................. 51
2.2. Approches de modélisation des incertitudes ............................................... 52
2.2.1. Représentations des connaissances imparfaites ............................. 52
2.2.2. Choix d’utilisation des ensemble flous et de la théorie de possibilité
54
2.2.3. Positionnement : première question de recherche ......................... 55
2.3. Approches de gestion de l’incertitude ......................................................... 56
2.3.1. Application de la démarche de gestion des risques ....................... 56
2.3.2. Réduction d'occurrence des risques à la source ............................. 57

xiii
 2.3.3. Stratégies de maîtrise des impacts des risques .............................. 57
2.3.4. Approches quantitatives pour supporter la maitrise des risques ... 58
2.3.5. Positionnement : Deuxième et troisième questions de recherche . 62
2.4. Caractéristiques du problème étudié ........................................................... 62
2.4.1. Analyses des revues de littérature ................................................. 62
2.4.2. Positionnement : quatrième question de recherche ....................... 63
3. Aide à la planification tactique sous incertitude ................................................... 64
3.1. Outils d’aide à la planification .................................................................... 64
3.2. Aide à la planification en horizon glissant ................................................. 66
3.3. Conclusion .................................................................................................. 68
4. Conclusion ............................................................................................................ 68

Chapitre III. Cadre théorique et méthodologie de recherche ....................................... 72

1. Introduction .......................................................................................................... 73
2. Questions de recherche et contributions ............................................................... 73
3. Concepts fondamentaux ....................................................................................... 77
3.1. Hypothèses de performances des plans de livraison /approvisionnements :
faisabilité, satisfaction, fiabilité, stabilité .................................................................... 77
3.2. Hypothèses de planification sous incertitudes : Incertitude, Risque,
robustesse .................................................................................................................... 78
4. Notre approche de gestion des risques pour l’aide à la replanification ................ 79
4.1. Processus de gestion des risques................................................................. 79
4.2. Périmètre d’application, contexte et critères .............................................. 80
4.3. Identification des risques ............................................................................ 81
4.4. Analyse des risques..................................................................................... 82
4.5. Évaluation des risques ................................................................................ 84
4.6. Traitement des risques ................................................................................ 86
5. Aide à la planification........................................................................................... 87
5.1. Processus d’aide à la décision..................................................................... 88
5.2. Processus de négociation ............................................................................ 89
6. Conclusion ............................................................................................................ 91

Chapitre IV : Analyse des risques pour l’aide à la replanification .............................. 94

1. Introduction .......................................................................................................... 95

xiv
Table des matières

2. Background : ensembles flous et mesures de la théorie de possibilité ................. 96

3. Modélisation des incertitudes dans les plans cumulés transmis à un décideur ..... 96
3.1. Modélisation basée sur un dire expert......................................................... 96
3.2. Illustration I.1 ............................................................................................ 102
4. Approche possibiliste d’analyse des risques : Théorie de possibilité ................. 104
4.1. Mesure des risques .................................................................................... 104
4.2. Illustration I.2 ............................................................................................ 104
4.3. Agrégation des indicateurs d’évaluation de criticité des plans par produit
107
4.4. Illustration I.3 ............................................................................................ 108
5. Approche d’analyse des risques basée sur des intervalles comme cas particulier
des ensembles flous ....................................................................................................... 111
5.1. Qualification des risques ........................................................................... 111
5.2. Extension des indicateurs basés sur des distances aux bornes des intervalles
114
5.3. Illustration I.4 ............................................................................................ 116
6. Conclusion .......................................................................................................... 119

Chapitre V. Cas d’application ........................................................................................ 122

1. Introduction : démarche expérimentale .............................................................. 123
2. Cas industriel : Pierre Fabre Dermo-Cosmétique (PFDC) ................................. 124
2.1. Chaine logistique PFDC ........................................................................... 124
2.2. Processus de planification tactique étudié ................................................ 125
2.3. Données de planification PFDC................................................................ 129
3. Plateforme d’aide à la replanification sous incertitudes ..................................... 130
3.1. Cadre conceptuel du système d’aide à la décision .................................... 130
3.2. Services de la plateforme d’aide à la décision .......................................... 131
3.3. Structure des données ............................................................................... 133
3.4. Interface d’aide à la décision : expérience utilisateur ............................... 134
3.5. Plateforme de négociation......................................................................... 139
4. Un Serious Game comme preuve de concept (PoC) ........................................... 139
4.1. Utilisations des ‘Serious Game’ ................................................................ 139
4.2. Dimensionnement ..................................................................................... 140
4.3. Conception du ‘Serious Game’ ................................................................. 141

xv
 4.3.1. Déroulement du ‘Serious Game’ en horizon glissant .................. 141
4.3.2. Émulateur ERP : Modèle de planification ................................... 143
4.4. Expérimentation d’un point de vue de planificateur au niveau du Centre de
Distribution Central ................................................................................................... 145
4.4.1. Scénario ....................................................................................... 145
4.4.2. Simulateur de stratégie de réduction de gravité du risque de
replanification sous incertitudes ......................................................................... 148
4.4.3. Analyse des résultats ................................................................... 151
5. Conclusion .......................................................................................................... 156

Conclusion générale et perspectives .............................................................................. 160

Références ........................................................................................................................ 166

Liste des figures ............................................................................................................... 182

Liste des tables ................................................................................................................. 186

Évaluation des risques et de la robustesse de la planification tactique des acteurs

d’une chaîne logistique basée sur une plateforme cloud ............................................. 188

xvi
INTRODUCTION GENERALE

“C’est l’incertitude qui nous charme. Tout devient merveilleux dans la brume”
Oscar Wilde
… Une entité dans l’ensemble …
En ingénierie industrielle et productique, j'ai découvert quatre axiomes fondamentaux pour la
gestion des opérations de production et l'amélioration continue :
• Gérer le flux, c'est le modéliser, l'analyser, le synchroniser et l'optimiser.
• Éliminer les 3M (MUDA, MURI, MURA). Autrement dit, toute activité sans valeur ajoutée
du point de vue du client final est une source de gaspillage à éliminer ou à réduire au
maximum.
• Résoudre un problème, c'est l'analyser afin d'en trouver la cause racine et de l'éliminer.
• Assurer l'implication des personnes et de bonnes conditions de travail est essentiel pour
une meilleure productivité.
Ces différentes actions visent à rendre les ressources et les processus aussi efficaces et flexibles que
possible, dans le but d'atteindre les performances souhaitées en termes de productivité et de respect
des plans de production prévisionnels. Dans le cadre de cette thèse, j'ai eu l'occasion de découvrir
et de réaliser l'ampleur et la portée de l'effet de ces actions qui dépasse le périmètre de l'atelier ou
même de l'usine dans laquelle elles sont appliquées.
L'usine est une entité « au sein d’un réseau d’installations qui assure les fonctions
d’approvisionnements en matières premières ou en articles semi-finis, le transport et la
transformation de ces matières en composants, en articles semi-finis puis en articles finis, et enfin
le stockage et la distribution des articles finis vers les client » (Lee et Billington 1993), de manière à
satisfaire un ensemble des clients finaux au bon moment, au bon endroit, avec le bon produit et à
un bon prix. Cet ensemble constitue la chaîne logistique. Cette chaîne s'étend du fournisseur du
fournisseur aux clients finaux via un réseau d’approvisionnement et de distribution local ou
international, selon le type de la chaîne. Chaque entité du réseau cherche à optimiser ses opérations
internes, à se synchroniser avec le reste de la chaîne et à développer des leviers de flexibilité vis-à-
vis de ses clients dans la chaîne aval et de ses fournisseurs dans la chaîne amont.
Cependant, dans les marchés très dynamiques (voire volatiles) et compétitifs d'aujourd'hui, cette
chaîne logistique doit faire face à différentes sources d'incertitude. Ces incertitudes peuvent se
propager et s'amplifier le long de la chaîne.
… Les entités réagissent face aux incertitudes, mais parfois au détriment des performances
globales…
La planification à horizon glissant est une pratique largement utilisée pour assurer la
synchronisation des activités dans la chaîne logistique et faire face aux incertitudes. Au sein d’une
chaîne logistique, un processus de partage des plans tactiques entre les acteurs de la chaîne est
instauré pour leurs révisions périodiques. Ces décisions de replanification sont de plus en plus

2
Introduction générale

difficiles à prendre au niveau d’une entité car elles risquent d'avoir un impact sur les autres entités
de la chaîne. Par ailleurs, elles augmentent la nervosité du système de planification en raison de la
configuration répétitive des quantités planifiées pour une même période. De plus, l'instabilité des
variables de décision de chaque entité croît le long de la chaîne, rendant les décisions de
replanification des autres acteurs de plus en plus complexes et donnant lieu à des phénomènes tels
que l'effet Bullwhip qui affectent la performance globale de la chaîne.
… Complexité de replanification des chaînes logistiques dermo-cosmétiques…
Cette thèse aborde ce problème dans une chaîne logistique globale de distribution et plus
particulièrement sur celle de l'entreprise Pierre Fabre Dermo-Cosmétiques, ayant servi de cas
d’application. Dans cette chaîne logistique, les décideurs révisent leurs plans selon un processus de
planification collaboratif basé sur un échange périodique de plans via une plateforme cloud. Les
chaînes logistiques dermo-cosmétiques sont caractérisées par une très grande complexité. Cette
complexité est due au grand nombre de variants d'un même produit (Crème, Baume, Gel...) et à
leurs différents modes de gestion et à la volatilité des marchés sur lesquels ils aboutissent. Ainsi, la
complexité des activités de replanification croit rapidement dans un contexte de multi-acteurs
indépendants déportés au niveau international notamment au niveau de la distribution centrale de
cette chaîne.
… Complexité du processus de replanification dans un centre de distribution centrale…
Au niveau du centre de distribution central, les besoins de la chaîne en aval sont agrégés et les
décisions relatives aux plans de distribution/livraison deviennent très lentes et nécessitent un grand
nombre de planificateurs rien que pour gérer les replanifications et s'adapter aux fluctuations des
besoins des clients et des approvisionnements des fournisseurs. Ainsi, le cadre d'étude choisi
concerne le point de vue d'un décideur de la distribution pour aborder le problème de la
planification à horizon glissant sous incertitudes.
… Imaginons être un planificateur de la distribution centrale…
Imaginez que vous êtes le planificateur, vous avez 30 clients à gérer. Ces clients sont aussi des
partenaires qui distribuent sur différents marchés locaux, situés dans différents pays du monde.
Chacun de ces clients s'approvisionne auprès de votre centre de distribution de manière différente
(délai de livraison, qualité des prévisions, caractère de son marché local, technologies...). Vos clients
se partagent les stocks de 4500 références de produits. Ces produits ont des modes de gestion
différents en fonction de leurs modes de gestion de stock, de leur approvisionnement en usine et
de leur protocole de contrôle qualité avant d'être disponibles dans votre stock, etc.
Au cours d'une semaine donnée, vous recevez des nouvelles demandes et des demandes révisées
de tous vos clients pour la plupart des produits. Il apparaît que votre client au Chili a sous-estimé
ses prévisions de ventes pour un produit donné et risque la rupture de stock. Il a donc doublé ses
besoins d'approvisionnement. En même temps, d'autres clients modifient également leurs plans et
votre fournisseur passe également à un plan plus contraignant. Comment procédez-vous ? ...
Attendez !!! en tant que planificateur ayant une expérience significative avec ces clients, vous
estimez que ce client au Chili va très possiblement modifier ses besoins pour cette semaine et dans
les semaines suivantes également car il ne commence à maîtriser ses prévisions qu'à l'approche de

3
la date d'exécution. Et la plupart du temps, il finit par ajuster sa demande à la baisse. Alors qu'au
même moment, votre client en Australie exprime une demande plus grande mais vous savez que
ce client modifie rarement ses besoins par la suite. Avec les systèmes d'information actuels, vous
n'êtes pas en mesure d'intégrer ces informations, ni d'évaluer votre plan face à ces incertitudes. Ce
qui est sûr à cette date, c'est que si vous priorisez la stabilité de votre plan cette semaine pour le
client au Chili, vous aurez un faible niveau de performance de votre promesse, en l'absence de prise
en compte des risques. Sur les 4500 références de produits, vous aurez jusqu'à 30 clients partageant
le stock d'un autre produit. Comment pouvez-vous procéder à ce moment-là ? Vous avez
certainement besoin de temps pour réfléchir s'il faut modifier votre plan pour tenir votre promesse
de livraison provisoire de la semaine ou augmenter la nervosité de votre système et de la chaîne.
Imaginez maintenant que vous ayez à votre disposition un tableau de bord qui vous permette de
détecter quel(s) produit(s) est/sont le(s) plus critique(s) parmi les 4500 références. Quel est le plan
que vous devez sûrement prioriser lors de la révision et le plan que vous laissez inchangé compte
tenu de l’incertitudes dans les plans de vos acteurs en amont et en aval et selon leurs comportements
typiques sur l’horizon glissant ? Pour ce plan, quelle(s) période(s) de l'horizon la plus risquée(s) qui
mérite(nt) votre attention pour la replanification ? Lors de l'allocation des quantités de votre plan
de livraison, quel client doit être satisfait en premier compte tenu de ses écarts potentiels à l'horizon
glissant ?
… Comment peut-on diminuer l’impact des incertitudes sans les prendre en compte dans
la décision !!!...
Il est donc essentiel d'intégrer les incertitudes et de gérer les risques dans les processus de
planification de la chaîne d'approvisionnement afin d'augmenter l'agilité et la robustesse de la chaîne
et de diminuer sa vulnérabilité.
Cependant, le domaine de la gestion des risques dans les processus de planification n'est pas encore
parvenu à sa maturité. De plus, malgré la tendance dans la recherche scientifique dans ce domaine
de la planification sous incertitude, l'écart entre la littérature scientifique et la pratique industrielle
reste important.
…Motivations et contributions…
Les travaux de cette thèse sont principalement motivés par la complexité des décisions de
planification à horizon glissant, dans le contexte des chaînes de distribution globales, multi-acteurs
et décentralisées. Nous visons à intégrer les incertitudes dans les plans transmis par les autres
acteurs de la chaîne logistique en capitalisant sur les connaissances des experts en planification.
Nous proposons ensuite une approche détaillée pour la prise en compte de ces incertitudes dans le
cadre d'un processus de gestion des risques associés aux décisions de planification sous incertitude
dans la demande et des approvisionnements. Nous fournissons ensuite un modèle d'analyse et
d'évaluation des risques basé sur les mesures de la théorie des possibilités. Nous mettons en place
une plateforme d'aide à la décision afin de fournir une expérience utilisateur pour la replanification.
Enfin, nous mettons notre approche d'aide à la replanification en situation dans un contexte
dynamique à travers une approche " Serious Game " afin d'analyser ces apports mais aussi d'étudier
les interactions de l'outil avec les systèmes d'information existants.

4
Introduction générale

Notre hypothèse est que les acteurs de la chaîne échangeront toujours des plans déterministes issus
des systèmes d'information et que l'outil est un module externe interagissant avec les données
dynamiques des systèmes d'information pour aider un décideur à évaluer les risques et la robustesse
de ses plans.
…Cette thèse s’inscrit dans un projet ANR, dans le cadre d’un partenariat académique-
industriel …
Les travaux de cette thèse sont inscrits dans le cadre du projet ANR CAASC (Cloud Adaptation
for Agile Supply Chain) et plus précisément à son deuxième axe scientifique qui porte sur
l’évaluation des risques et de la robustesse des plans sous incertitudes. Ce projet intègre un
partenariat avec plusieurs acteurs multidisciplinaires (Institut de Recherche en Informatique de
Toulouse, le centre de recherche en Génie Industriel à IMT Mines Albi, Linagora de Toulouse,
ARMINES). Pierre Fabre Dermo-Cosmétique (PFDC) est le partenaire industriel fournisseur de la
problématique industrielle et des données de planification collectées dans le cadre du projet.
…Plan du manuscrit …
Ce manuscrit est composé de cinq chapitres, dont deux chapitres de positionnement du contexte
et d’état de l’art, et trois chapitres de contributions : méthodologique, théorique et applicatif.
Le chapitre 1, détaille le domaine général du Supply Chain Management dans lequel s'inscrit le
travail de cette thèse. Nous y décrivons également les différents éléments contextuels et théoriques
qui seront utilisés tout au long de cette thèse dans les chapitres suivants. Dans un troisième temps,
nous abordons plus spécifiquement la problématique de la planification de la chaîne logistique et
l'analyse des limites des systèmes d'information de la planification déterministe. Ce chapitre se
termine par le positionnement de notre contexte d'étude de cette thèse et de la problématique
industrielle abordée.
Le chapitre 2, traite de l'état de l'art de notre problématique de recherche introduite à partir de la
problématique industrielle évoquée dans le chapitre précédent. Dans ce chapitre, nous détaillons la
question de comment la planification sous incertitude a été abordée dans la littérature et nous nous
focalisons plus particulièrement l’aide à la planification sous incertitudes. De cette analyse
ressortent quatre questions de recherche que nous abordons dans cette thèse (voir figure 1).
Le chapitre 3, détaille la méthodologie de gestion des risques que nous proposons pour évaluer les
risques liés aux promesses de livraison en cas d'incertitude sur la demande et les
approvisionnements. Dans ce chapitre, nous détaillons également les hypothèses de cette thèse, le
cadre théorique et les différentes méthodes et approches proposées pour répondre aux différentes
questions de recherche abordées.
Le chapitre 4, comprend nos modèles théoriques pour la modélisation des incertitudes dans les
plans tactiques cumulés basés sur la connaissance d’expert. Nous intégrons ensuite ces
connaissances pour une aide à la replanification basée sur l'analyse et l'évaluation des risques des
plans reposant sur la théorie des possibilités. Une approche basée sur des intervalles est présentée
comme un cas particulier des ensembles flous.
Le chapitre 5 détaille l’application pratique qui nous permet de tester l'outil dans un environnement
dynamique sous incertitude avec des données de planification à horizon glissant. Une preuve de

5
concept pour décrire une expérience utilisateur avec l'outil proposé est réalisée sous la forme d’un
Serious Game.
Pour conclure, un bilan est présenté, ainsi qu’un ensemble de perspectives de recherches allant du
court terme, dans le cadre de la poursuite du projet CAASC, à des questions plus générales sur la
planification sous incertitude au sein des chaînes logistiques.
…La ‘BIG PICTURE’ de cette thèse…
La figure 1 est un aperçu global du travail et structuration de cette thèse qui vise à faciliter la lecture
du manuscrit.

Chaine logistique PFDC Questions de recherche

Une SC de distribution décentralisée ; Make To Stock ; Multi-acteurs-produits ; SC globale Comment intégrer les incertitudes dans le processus de
décision déterministe d’un planificateur pour l’aider à
replanifier ?

Comment intégrer la
QR1 connaissance d'un expert
sur les incertitudes sur la
demande et les appros?
Comment aider le décideur à
évaluer les risques et la
robustesse de ses plans sous QR2
4 500 produits finis incertitudes dans les plans
50 000 couples produit-filiales transmis par les autres
acteurs ?
Quelles seraient les
Problématique : caractéristiques et les
QR3 fonctionnalités du système
Comment aider un décideur à contrôler/ limiter l’instabilité de
d’aide à la replanification ?
sa planification en horizon glissant face aux incertitudes ?
Comment le système
proposé peut-il interagir
avec les données
Proposition : dynamiques de QR4
planification des systèmes
Intégrer les incertitudes dans le processus de décision d’information existants ?
déterministe d’un planificateur pour l’aider à replanifier.

CONTRIBUTIONS TYPE CHAPITRES ETAT DE L'ART

Adaptation et application d’une démarche de gestion Master planning

de risque (Contextualiser, définir, analyser, évaluer, Méthodologique Chapitre 3 Planification à horizon glissant
traiter/réduire) Systèmes information ERP/APS

(QR1)
Modélisation des incertitudes sur la demande et les
approvionnements cumulées avec les ensembles Planification sous incertitudes
flous, à partir des données d’expert Théorique- Sources d’incertitudes
Chapitre 4 Approches de modélisation des
(QR2) Métier
incertitudes
Modèle d’analyse et d’évaluation des risques basé Approches de gestion des
sur les mesures de la théorie de possibilité et incertitudes
d’évaluation de la criticité des plans.

(QR3)
Structure conceptuelle du système d’aide à la
replanifcation
Pratique Chapitre 5 Aide à la planification sous
(QR4) incertitudes
Mise en place d’une plateforme d’aide à la décision
dans un contexte dynamique

Figure 1. Vue d'ensemble de la thèse

6
Introduction générale

7
CHAPITRE I. POSITIONNEMENT DU CONTEXTE DE RECHERCHE

1. Introduction : Contexte industriel ........................................................................... 9

2. Supply Chain Management (SCM) ...................................................................... 10
2.1. Le concept de la Supply Chain (SC) et ses structures ..................................... 10
2.2. Du Management au Supply Chain Management au Global Suply Chain
Management ..................................................................................................................... 12
3. Planification de la chaîne logistique ..................................................................... 16
3.1. Niveaux de planification .................................................................................. 16
3.2. Stratégies de gestion des flux et problèmes de planification ........................... 18
3.3. Processus de planification tactique Make-To-Stock........................................ 20
4. Collaboration et coordination au sein d’une chaîne logistique............................. 23
4.1. Approches de prise de décision dans une chaîne logistique ............................ 23
4.2. Type de collaborations ..................................................................................... 25
4.3. Planification collaborative basé sur un échange de plans et de la négociation au
sein d’une chaîne logistique décentralisée multi acteurs ................................................. 27
4.4. Approche dynamique de coordination basée sur une planification en horizon
glissant 30
5. Gestion des incertitudes et des risques en supply chain ....................................... 32
5.1. Concepts connexes ........................................................................................... 32
5.2. Effets d’incertitudes et de la dynamique de la planification dans la SC ......... 34
5.3. Gestion des risques dans la SC (SCRM) ......................................................... 38
5.4. Systèmes d’information de planification et d’aide à la décision au sein d’une
SC 39
6. Conclusion : positionnement du contexte et de la problématique industrielle ..... 45

8
Chapitre I. Positionnement du contexte de recherche

1. Introduction : Contexte industriel

Les travaux de cette thèse s’inscrivent dans le cadre d’un projet ANR intitulé CAASC (Cloud
Adaptation for Agile Supply Chain). Pierre Fabre Dermo-Cosmétique (PFDC), une multinationale
française fondée en 1962, est le partenaire industriel du projet et le fournisseur du cas industriel.
Le cas d’application considère la Supply Chain (SC) internationale de l’entreprise PFDC. Dans cette
SC, la fabrication s’effectue en France et la distribution se fait via un réseau de distribution
internationale, composé des Centres de Distribution Locaux (CDL) situés à l’international qui
s’approvisionnent auprès d’un Centre de Distribution Central (CDC) en France.
Les acteurs de cette SC interne sont indépendants et effectuent leur planification via leurs systèmes
d’information locaux (ERP -Entreprise Resource Planning- pour la fabrication, DRP -Distribution
Resource Planning- centrale pour CDC et DRP local pour les CDL). Au niveau tactique, les acteurs
de cette SC collaborent dans le cadre d’un processus de planification collaborative via une
plateforme cloud pour :
• Améliorer les performances de PFDC en termes de service ;
• Synchroniser leurs activités ;
• Aligner leurs plans ;
• Déployer leur stock de façon agile afin d’éviter les ruptures au bout de la SC ;
• Optimiser la répartition des stocks entre les filiales.
Ce processus collaboratif se déroule dans un contexte très dynamique avec une approche de
planification à horizon glissant afin d'intégrer l'évolution des activités dans le temps et d’absorber
l'effet des incertitudes dans la SC. Bien que la révision périodique des plans augmente l'agilité de la
SC face aux perturbations, la décision de modifier un plan est prise dans l'incertitude et toute
modification du plan peut affecter la stabilité de l'ensemble de la SC et augmenter la nervosité du
système. Ainsi, le projet CAASC vise à fournir un outil d'aide à la décision pour aider un décideur
à replanifier plus efficacement en limitant les changements, tout en respectant son indépendance
dans la prise de décision.
Dans ce chapitre, nous visons à positionner le contexte de notre travail ainsi que la problématique
industrielle considérée dans ce contexte, par rapport aux différentes dimensions du domaine du
Supply Chain Management (SCM) et des problèmes de planification de la SC. Pour ce faire, nous
présentons d'abord les fondements du SCM et son évolution jusqu'à aujourd'hui. Ensuite, nous
nous concentrons sur les activités et les processus de la planification en général et de la planification
tactique en particulier. Puis nous nous présentons les piliers de la collaboration et de la
coordination, les approches décisionnelles et collaboratives au sein d'une SC et le processus de
planification collaborative ainsi que sa dynamique en horizon glissant. En outre, afin de positionner
notre problème, nous commençons par examiner brièvement les différents problèmes et
phénomènes dans les SCs dus aux incertitudes et à la dynamique de la planification à horizon
glissant. Nous exposons ensuite les différents systèmes d'information et d'aide à la décision
actuellement utilisés par les industriels pour la planification et nous identifions leurs limites dans la
littérature face aux incertitudes. Sur la base de ces éléments, nous pourrons positionner notre
contexte ainsi que la problématique industrielle et identifier notre direction de recherche.

9
 2. Supply Chain Management (SCM)

2.1. Le concept de la Supply Chain (SC) et ses structures

La Supply Chain (SC) peut être définie comme « un réseau d’organisations qui participent, par des
liens en amont et en aval, aux différents processus et activités qui produisent de la valeur sous
forme de produits et de services destinés aux clients finaux » (Christopher 2005). (Genin 2003)
ajoute dans sa définition de la SC que ces organisations sont géographiquement dispersées et se
coordonnent pour assurer le bon fonctionnement de la chaîne, dans le cadre des relations client/
fournisseur qui les relient. Le terme Supply chain est souvent traduit en français par chaîne
logistique et parfois chaîne d’approvisionnement.

Une chaîne logistique est généralement constituée de quatre systèmes (Lee et Billington 1993)
contribuant à ajouter la valeur à un produit :
• Système d’approvisionnement (fournisseurs).
• Système de fabrication (Manufacturiers).
• Système de distribution (centre de distribution et entrepôts).
• Clients.
Ces différents systèmes sont reliés par trois types de flux principaux (Stadtler et Kilger 2008) :
• Flux physique de matière
• Flux d’information
• Flux financier des différentes transactions qui circulent entre les acteurs de la SC.
De plus, dans le cadre de l’évolution de la prise en compte des facteurs environnementaux, la
considération des flux de récupération et de réutilisation des matériaux recyclables dans la SC est
devenue également importante (Birge et Louveaux 2011).
Le flux physique de matière représente l'ensemble des étapes et des processus par lesquels passe
un produit jusqu'à ce qu'il soit livré au client final. Malgré les différences entre les types et les
secteurs d'activité des entreprises dans une SC, leur flux physique peut être divisé en trois phases
principales :
• Flux physique de matières première (MP) depuis le système d’approvisionnement vers les
unités de fabrication.
• Flux physique de fabrication dans le processus de transformation des matières premières
aux produits finis.
• Flux physique de distribution des produits finis aux clients finaux.
Le flux d’information peut être représenté généralement par le flux de la demande qui orchestre le
flux physique dans la chaîne de valeur. Dans ce cas le flux d’information sur la demande vient des
clients vers les fournisseurs (voir figure 2).
Ce flux peut aussi être représenté dans les deux sens en considérant plus globalement les différentes
informations échangées entre les systèmes d’une SC pour se coordonner.

10
Chapitre I. Positionnement du contexte de recherche

Flux de MP Flux de fabrication Flux de distribution

Flux d’information sur la demande

Figure 2. Représentation d’une chaîne logistique

…… « en réalité, les chaînes logistiques n’ont de chaîne que leur nom. Elles sont
constituées d’un réseau complexe d’organisations » (Le Moigne 2017)
La structure de la SC représente la manière dont les entreprises sont disposées pour former une
chaîne logistique. Elle indique également une relation acheteur-fournisseur entre les différentes
entités. La structure la chaîne logistique est un élément impactant directement les différents flux
ainsi que les modes de gestion des interactions et de partage d’information entre les différents
maillons. Les structures des chaînes logistiques sont variées. Les auteurs (Huang, Lau, et Mak 2003),
dans leurs revue de la littérature précisent que la complexité de la gestion d’une chaîne dépend de
sa topologie et ont classifié les structures de la SC en quatre types principaux (voir figure 3):
• Série : se compose généralement d'un détaillant, d'un distributeur, d'un producteur et d'un
fournisseur. Cette représentation est la base des autres structures possibles d’une SC.
• Divergente : est une représentation plus réaliste des réseaux de distribution alimentés par
une seule entité dans la SC.
• Dyadique : consiste en deux entités. Elle peut être considérée comme une SC en série
limitée à deux étages. Elle peut servir à étudier des relations client/ fournisseur d’un produit
ou d’un service (sous-traitant).
• Convergente : représente une autre modification de la représentation en série où les
composants sont fournis par les fournisseurs et assemblés par un assembleur. Ainsi, cette
structure représente un processus d'assemblage et dépend principalement de la
nomenclature (BOM).
• Réseau : est une représentation plus complète et complexe de la SC. Elle provient d'une
combinaison de structures convergentes et divergentes.

11
 Figure 3. Différents structures de la chaîne logistique (Mahmoudi et al. 2006)

2.2. Du Management au Supply Chain Management au Global Suply Chain

Management

2.2.1. ….. L’évolution de l'industrie et des technologies de l'information a marqué

la phase de transition vers un Supply Chain Management
Dans le passé, chaque entreprise gérait ses propres activités en interne. En revanche, les
fournisseurs et les clients ont été considérés comme des entités commerciales externes. Les
relations avec ces derniers étaient gérées par des intermédiaires appelés " boundary spanners " via
des contrats juridiques figés, révisés régulièrement. Ces intermédiaires sont des spécialistes des
achats, des ventes et de la logistique. Leur objectif est d'établir des liens avec d'autres organisations
afin de maximiser les profits de l'entreprise à travers la négociation (Lorenz 2001). Le nom utilisé
pour décrire ce type de fonction signifie déjà qu'il existait des frontières rigides pour séparer les
activités de l'entreprise des entités externes. (Scott 1992) définit le concept de frontière comme une
« zone d’action par laquelle une organisation interagit avec son environnement dans le but de
survivre ». Il fait également référence aux clauses restrictives qui ont pour vocation de mettre des
limites entre l'activité de l'entreprise et le reste du monde.

Ce fonctionnement est devenu contraignant et a suscité l'inquiétude des gestionnaires face à

l'évolution des nouveaux concepts et méthodes dans l'industrie. Principalement, le concept de juste
à temps (JIT) développé par Toyota dans les années 1970s (Chapman et Clive 2007), qui permet
de tirer le flux de la SC et de répondre plus efficacement aux attentes des clients. De plus, dans un
contexte de compétitivité accrue et d'évolution rapide dans le monde dans différents domaines,
notamment en termes de technologie et de capacités informatiques, disposer de la bonne
information au bon moment est devenu un véritable critère de différenciation sur le marché.

12
Chapitre I. Positionnement du contexte de recherche

Ainsi, les entreprises ont perçu la nécessité de développer des partenariats et des collaborations
avec les parties externes pour réussir à adopter ces concepts et se démarquer sur le marché. Le
développement de relations de confiance et de partage des risques avec les clients et les fournisseurs
sont les clés du succès de cette transition. Ce nouveau concept de collaboration et de partenariat a
entraîné de nouveaux changements dans le mode de fonctionnement traditionnel des différentes
parties impliquées. Plusieurs activités ont commencé à être réalisées de manière collective via le
partage d'informations (analyse des coûts, conception des produits, gestion des stocks...).

2.2.2. ….. Aujourd’hui le Supply Chain Management est une fonction critique de
l’entreprise
Les entreprises ne considèrent plus les frontières entre les organisations mais plutôt une chaîne de
valeur entièrement liée depuis les fournisseurs jusqu'aux clients des clients. L'objectif principal de
cette fonction est de relever le défi de livrer le bon produit au bon moment, au bon endroit et au
meilleur prix. Cela consiste à optimiser et à agir collectivement au sein d'une chaîne logistique sur
trois axes principaux et essentiels du point de vue du client :
• Qualité : Mettre en place des systèmes de détection de défauts, normes et certifications,
service après-vente ….
• Coût : maîtriser les coûts de production, de stockage et de transport des produits, sélection
des fournisseurs et développement des partenariats….
• Délais : établir les délais, gestion de transport de marchandises, établir les prévisions,
programmer les approvisionnements…

Le Council of Supply Chain Management Professionals offre la définition suivante du SCM : « le

supply chain management comprend la planification et la gestion de toutes les activités impliquées
dans le sourcing et l’approvisionnement, la transformation et toutes les activités logistiques. Il inclut
également la coordination et la collaboration avec des partenaires qui peuvent être des fournisseurs,
des intermédiaires, des prestataires et des clients. Le SCM est une fonction d’intégration dont le
rôle principal est d’intégrer les différents métiers et les différents processus dans et entre les
entreprises au sein d’un modèle cohérent et performant. Il inclut toutes les activités de gestion de
la logistique citées ci-dessus ainsi que les opérations de production, et il pilote la coordination des
processus et des activités entre le marketing, les ventes, le développement produit, la finance et les
technologies de l’information ».

De façon plus structurelle, (Stadtler 2005) rassemble les différents axes de SCM pour former ce
qu’il appelle la « Maison de SCM » présentée dans la figure 4.

13
 SCM

Compétitivité
Service client
Intégration Coordination :

Choix des Utilisation des

partenaires technologies de
l’information et de
Organisation du
réseau et communication
collaboration inter Orientation
organisationnelle processus

Leadership Planification
avancée
Fondations

Logistiques, marketing, opérations, théorie des organisations, achat et

approvisionnement ….

Figure 4. « Maison de SCM » (Stadtler 2005)

Le toit de cette maison représente l'objectif principal qui a donné naissance au concept de SCM,
qui est l'amélioration de la compétitivité de SC dans son ensemble. La satisfaction du client est un
moyen essentiel pour y parvenir. Comme le SCM vient éliminer les frontières entre les acteurs de
la chaîne logistique et renforcer les liens entre eux, le toit de la " maison SCM " repose sur deux
piliers, l'intégration des organisations et la coordination des flux qui les traversent. Chaque pilier
est constitué de trois éléments principaux.

Le pilier intégration a pour objectif de développer des partenariats durables, de type gagnant-
gagnant, qui répondent aux besoins des clients.
Pour ce faire, le choix des partenaires et le développement de critères (compétences, culture,
stratégie, confiance...) pour faire ces choix est essentiel. De plus, les organisations qui intégrées
dans le cadre de ces partenariats ont à développer des objectifs communs. Cependant, cela n'est
pas facile à accomplir car les expériences acquises par les différentes organisations peuvent favoriser
la transmission d'informations incomplètes ou même fausses entre les organisations, ce qui a un
impact sur la performance de la chaîne dans son ensemble. Pour éviter ce risque, la confiance et le
contrôle des relations inter-organisationnelles sont importants, en se basant principalement sur des
stratégies issues des sciences sociales.
Enfin, le troisième bloc d'intégration est le leadership au sein de la SC. Ce bloc concerne la prise
de décision pour l'ensemble de la chaîne. Deux situations extrêmes de leadership peuvent être
relevées. Un premier cas où " naturellement " un partenaire est considéré comme le leader de la

14
Chapitre I. Positionnement du contexte de recherche

chaîne sur la base de sa puissance financière au sein de la chaîne ou compte tenu des compétences
exceptionnelles qu'il apporte. Dans ce cas, ce partenaire se chargera de l'animation et de
l'alignement des décisions entre les différents partenaires de la chaîne. Dans un autre cas, tous les
partenaires étant considérés comme égaux, un comité de pilotage peut être constitué pour animer
et aligner les décisions au sein de la chaîne.

Concernant le pilier de la coordination, son objectif principal est d'assurer la synchronisation des
différents flux de matière, d’information et financier dans la chaîne. Ce pilier repose également sur
trois blocs principaux.
Premièrement, l'utilisation des nouvelles technologies pour la transmission et le traitement de
l'information. Ainsi, les différents partenaires peuvent s'échanger différents messages et
informations immédiatement et à moindre coût. Il en résulte une réduction des temps de cycle et
une augmentation de l'agilité de la SC. De plus, l'accessibilité à une grande masse de données
historiques permet une prise de décision de qualité.
Les technologies de l'information et de la communication permettent également d'automatiser des
processus qui étaient auparavant réalisés manuellement. Elles servent à optimiser les processus en
éliminant les activités redondantes, notamment à l'interface de deux entités. L'orientation des
processus implique souvent une reconception de nouveaux processus, suivie d'une standardisation
de ceux-ci (Stadtler et Kilger 2008).
Finalement, la coordination des plans des différents acteurs d'une SC reste un des plus grands défis
de la SCM. La satisfaction de la demande des clients est conditionnée par la planification et le
contrôle de la disponibilité des ressources de la chaîne logistique (Advanced Planning).

2.2.3. ….. Mondialisation, Opportunités, expansion à l’international, Global Supply

Chain management
Dans le contexte de la mondialisation et du développement des réseaux de transport, la gestion de
la chaîne logistique n’a pas cessé d’évoluer pour étendre aussi les limites géographiques. Sous la
pression de la concurrence sur le marché mondial, les entreprises se développent à l’international à
la recherche de nouvelles opportunités et d’installations. Par exemple, les entreprises peuvent
installer des usines à l'étranger pour bénéficier de concessions tarifaires et commerciales, de coûts
de main-d'œuvre inférieurs, de subventions d'investissement et de coûts logistiques réduits sur les
marchés étrangers (Zanjirani Farahani, Asgari, et Davarzani 2009). Par conséquent, la complexité
de la chaîne logistique augmente. Cette évolution a donné naissance au nouveau concept de Global
Supply Chain Management. « Global Supply Chain » fait référence à des systèmes à très grande
échelle qui peuvent comprendre jusqu'à des centaines, voire des milliers, d'installations de
production, de centres de distribution et de clients (You, Wassick, et Grossmann 2009). Les SCs
globales sont généralement plus avancées et plus complexes que les SCs locales et elles impliquent
les fournisseurs et les intérêts de l'entreprise à l'échelle mondiale plutôt qu'une direction locale ou
nationale. Les grandes distances géographiques rendent l’optimisation des coûts, la coordination et
la visibilité des éléments encore plus critiques pour le GSCM. De plus, s'approvisionner à l'étranger

15
peut être moins coûteux, mais les risques peuvent dépasser les avantages à long terme (Zanjirani
Farahani, Asgari, et Davarzani 2009). Ainsi, la gestion des risques est aussi nécessaire pour maîtriser
le rapport coûts-bénéfices.

3. Planification de la chaîne logistique

3.1. Niveaux de planification

Une chaîne logistique est complexe. Différentes décisions sur différents niveaux sont prises par
plusieurs acteurs dans différents maillons d’une SC. Ces décisions peuvent être classifiées en trois
catégories selon leurs étendues ainsi que leurs impacts. Trois niveaux de décision peuvent être
distingués :
• Décisions à long terme : ce sont des décisions qui ont un impact à long terme (plus de deux
ans) sur l’activité de l’entreprise. Elles touchent généralement à la conception et la structure
de la SC.
• Décisions à moyen terme : ce sont des décisions liées aux opérations régulières visant
principalement à gérer les flux et les ressources de la SC.
• Décisions à court terme : ce sont des décisions limitées par les décisions prises aux niveaux
supérieurs. Néanmoins, elles constituent un facteur important pour la performance réelle
de la SC et la bonne exécution des décisions du plus haut niveau : délais, retards, service
client…. Ainsi, ce type de décisions se caractérise par une précision et un niveau de détails
importants.
Généralement, l’ensemble de ces décisions, quel que soit leur niveau et leur objet, impactent les
performances de la SC et doivent être coordonnées et préparées. La préparation de ces décisions
est le rôle de la planification (Stadtler et Kilger 2008).

Dans la littérature, la planification de la SC (SCP) est définie comme un processus, un cadre, un

système ou une méthode de synchronisation et de gestion des activités de demande et
d’approvisionnement, qui nécessite un effort transversal de collaboration entre les acteurs de la SC
(Oliva et Watson 2011). (Jonsson et Holmström 2016) précisent que, pratiquement, ce cadre,
système, processus ou méthode de planification et de contrôle des opérations doit être implémenté,
géré et activement développé pour aider les planificateurs à atteindre les objectifs souhaités, en
tenant en compte du contexte particulier dans lequel est utilisé.
L’objectif principal de la planification est d’atteindre un haut niveau de performance de la SC selon
différents critères. Garantir en permanence l'équilibre entre la charge générée par la demande et les
capacités de la SC est un des aspects majeurs de la planification. Cet équilibre est obtenu par un
ensemble de processus de planification spécifiques en fonction de l'horizon de planification et du
niveau de détail considéré.

La matrice de la planification de la SC (figure 5) propose un classement des tâches de planification

selon deux dimensions, le niveau de planification (long terme, moyen terme, court terme) et le

16
Chapitre I. Positionnement du contexte de recherche

processus de la SC basé sur les quatre activités principales de la SC (approvisionnement,

production, distribution, ventes) (J. Rohde, Meyr, et Wagner 2000).

• Programme matière • Localisation des • Structure physique • Programme produit

Long-terme

première sites de production de distribution • Planification

• Choix des • Système de stratégique des
fournisseurs production ventes
• Coopérations
Moyen-terme

• Planification du
personnel • Plan Directeur de
• Planification des Production (MPS) • Planification de la • Planification moyen
ressources de • Planification de distribution terme des ventes
production (MRP) capacité
• Contrats
Court-terme

• Planification du • Dimensionnement • Réapprovisionnement

personnel des lots des entrepôts • Planification court
• Commande des • Ordonnancement • Planification du terme des ventes
matières premières • Contrôle de l’atelier transport

Flux physique Flux d’information

Figure 5. La matrice de la planification de la chaîne logistique (J. Rohde, Meyr, et Wagner 2000)et
positionnement du périmètre de la thèse

Les travaux de cette thèse portent sur la planification moyen terme des activités d’une SC divergente
où l’unité de production alimente un réseau de distribution via un centre de distribution central
gérant cet approvisionnement.
Les différentes tâches de planification des activités de la SC , quel que soit leur niveau, sont
confrontées à trois challenges principaux (Stadtler et Kilger 2008):
• Satisfaire des objectifs contradictoires dans un contexte multicritère (exemple : maximiser
le taux de service et minimiser les coûts de stockage).
• Choisir parmi un nombre d’alternatives importants ce qui rend la mission de trouver une
planification optimale très difficile.
• Gérer les incertitudes, particulièrement celles liées à l’accumulation des erreurs des modèles
de prévision, pour éviter une dégradation de taux de service et des performances.

17
L'entreprise adopte différentes stratégies pour affronter ces enjeux en fonction des caractéristiques
de ses ressources. Dans la section suivante, nous détaillons ces différentes stratégies ainsi que les
problèmes de planification les plus courants associés à chaque type de stratégie.

3.2. Stratégies de gestion des flux et problèmes de planification

Une chaîne logistique est constituée de toutes les parties contribuant à la satisfaction de la demande
du client final. Chacune de ces parties a souvent sa propre stratégie et peut intervenir au sein de
plusieurs chaînes logistiques (Chapdaniel 2010).
Afin de satisfaire les besoins des clients, une entreprise utilise une stratégie de production adaptée
aux caractéristiques de la demande et aux ressources disponibles (caractéristiques du produit,
marché, moyens de production, délais de production, délais de livraison...).
Les clients souhaitent des délais de livraison les plus courts possibles (délai entre la passation de la
commande et sa réception). En fonction du cycle de production et du cycle commercial, l'entreprise
conçoit sa propre stratégie parmi les quatre stratégies de production de base pour y parvenir :
Engineer To Order (définition 1), Make To Order (définition 2), Assemble To Order (définition
3), Make To Stock (définition 4) (Chapman et Clive 2007). La figure 6 montre l’impact de la
stratégie adoptée par l’entreprise l’ordre des opérations et le délai de livraison des clients.

Définition 1 :
" « Engineer To Order » signifie que les spécifications du client exigent une conception technique
unique ou une personnalisation importante. En général, le client est fortement impliqué dans la
conception du produit." (Chapman et Clive 2007)

Définition 2 :
" « Make To Order » ou la fabrication à la commande signifie que le fabricant ne commence pas à
fabriquer le produit avant la réception de la commande du client. Le produit final est
généralement fabriqué à partir d'articles standard, mais peut également inclure des composants
conçus sur mesure. " (Chapman et Clive 2007)

Définition 3 :
" « Assemble To Order » signifie que le produit est fabriqué à partir de composants standards que
le fabricant peut stocker et assembler selon la commande du client. " (Chapman et Clive 2007)

Définition 4 :
" « Make To Stock » signifie que le fournisseur fabrique les produits et les vend à partir des stocks
de produits finis. " (Chapman et Clive 2007)

18
Chapitre I. Positionnement du contexte de recherche

Délai de livraison
Engineer-
To-Order
(ETO)
Délai de livraison
Make- To-
Order
(MTO)
Délai de livraison
Assemble-
To- Order
(ATO)
Délai de livraison
Make- To-
Stock
(MTS)

Figure 6. Stratégie de production et délai de livraison (Chapman et Clive 2007)

Les produits ETO sont des produits qui ne nécessitent pas d'effort d'anticipation mais plutôt des
compétences de gestion de projet agile, en coordination avec le client. Les entreprises qui gèrent
ce type de produits auront plus d'exigences en termes de personnalisation, de conception ou
d'innovation. Le délai de livraison de cette stratégie est le plus long mais en général le client est prêt
à attendre pour que son produit unique soit conforme à ses attentes.
Les produits MTO sont aussi des produits fabriqués à la demande du client mais à partir d'un stock
de composants/matières premières standards. La planification de la production pour ce type de
produits est plus précise en termes de quantités prévues pour la production, car elles correspondent
à une agrégation des commandes des clients. En revanche, le défi de ce type de gestion de flux,
appelé flux tiré par la demande, est la planification des dates de lancement de la production pour
une livraison à temps. Ce mode de gestion nécessite une flexibilité importante des moyens de
production et des fournisseurs suffisamment réactifs pour réapprovisionner les stocks des matières
premières.
Les produits ATO sont principalement des produits adaptés à une stratégie de différenciation
retardée. Ce principe permet aux entreprises d’intégrer les spécifications des clients en lui
permettant d’apporter des combinaisons personnalisées sur leurs articles, dans la phase
d’assemblage des sous-ensembles issus de la production. Un exemple de l’entreprise DELL qui
permet à ces clients de personnaliser les configurations de leurs ordinateurs et donc personnaliser
l’assemblage des composants électroniques. Dans le secteur automobile, les clients définissent les
spécifications des fonctions et des options pour l’assemblage de leurs voitures. Ce mode de gestion
correspond également à des produits qui nécessitent un délai important de fabrication des sous-
ensembles. Il demande donc une anticipation et une planification des activités de fabrication de ces
sous-ensembles. Il demande aussi un effort particulier au niveau de l’approvisionnement des
composants nécessaires pour l’assemblage auprès des fournisseurs. La conception des produits et
des processus de fabrication des sous-ensembles est également importante pour optimiser les
opérations d’assemblage et donc réduire le temps de livraison et livrer plus rapidement le client.

19
En MTO ou ATO, la planification correspond à une planification à la commande à partir de la date
de livraison jusqu’au lancement en production ou en assemblage. Ce problème est similaire au
problème appelé Resource-Constrained Multi Project Scheduling Problem (RCMPSP) de planification multi-
projets en gestion de projet (Guillaume 2011).
Les produits MTS sont des produits standards généralement fabriqués en grande série et ayant une
durée de vie importante. Ils peuvent être aussi des produits qui nécessitent un temps important
pour leurs productions par rapport aux délais de livraison souhaités par les clients. La gestion de
ces produits demande une anticipation et une élaboration des prévisions de ventes pour avoir des
stocks suffisants pour répondre aux demandes clients. La demande de ce type de produits est
généralement prédictible. Leur délai de livraison est moins important par rapport aux autres
stratégies car le client est directement servi des stocks des produits finis hors cas de rupture de
stock. Le problème le plus connu dans ce mode de gestion est le dimensionnement des lots de
production (lot sizing problem) qui vise à maximiser les profits en répondants aux prévisions de ventes
et en minimisant les coûts de production et de stockage (dans la figure 7 nous résumons les
différents modèles du ‘lot sizing’ identifiés dans la littérature).

Modèles de "Lot sizing

problem"

Nomenclature à un
Multi-niveaux+ Capacité
niveau unique + capacité
finie
finie + demande variable

"Multi Level Capacited

"Capacited Lot-sizing "Continuous Set-up Lot Lot-Sizing Problem
problem (CLSP)" Sizing Problem ( CSLP)" (MLCLP)"
"Discret Lot-Sizing and
Scheduling Problem
(DSLP)"

Figure 7. Modèles du problème de dimensionnement des tailles de lots dans une stratégie Make-To-Stock
(Rota 1998; Drexl et Kimms 1997; Johnson et Montgomery 1999; Jans et Degraeve 2008; Guillaume 2011;
Mula et al. 2021)

3.3. Processus de planification tactique Make-To-Stock

3.3.1. Planification et contrôle de production (PCP) dans APICS

MPC (Manufacturing Planning and Control), qui se traduit par Planification et Contrôle de la
Production (PCP), est une méthode conventionnelle regroupant un ensemble de fonctions et
processus de planification de production. Elle vise globalement à assurer un équilibre entre la
demande et les approvisionnements tout en respectant les règles de gestion des stocks et

20
Chapitre I. Positionnement du contexte de recherche

d’approvisionnement (« APICS Dictionary, 16th Edition » 2021). Le contrôle permet de s’assurer

que les plans élaborés soient exécutés correctement.

PCP inclut deux types principaux de processus (« APICS Dictionary, 16th Edition » 2021):
• Planification des priorités : répond aux questions de quoi, comment, quelle quantité et quand
commander ou produire afin de satisfaire la demande le plus efficacement possible ? Elle est
réalisée en basant sur :
o Plan Industriel et Commercial (Sales & Operations Planning (S&OP)) : Il s’agit d’un
processus mensuel qui permet de consolider les informations provenant de différents
départements, tels que les ventes, le marketing, les finances et la production, afin de
générer des plans réalistes de la demande, de la production et des stocks, sur lesquels
repose le reste des processus de planification. Le résultat de ce processus est un plan
de production qui représente des quantités fixées et validées par les différentes parties
prenantes qui s’engagent à les intégrer comme objectif pour exécution (côté
approvisionnement) ou de ventes (côté demande).
o Programme Directeur (Master scheduling) : Une planification de production sur un
horizon plus court basée sur des informations plus détaillées sur la demande (par
produit dans un environnement Make-To-Stock). Il s'agit d'un processus hebdomadaire
dont le résultat est un Programme Directeur de Production (Master Production Plan).
o Planification des besoins en composants (Material Requirement Planning (MRP)) :
L’objectif de ce processus est de planifier les besoins dépendants en composants et
matières premières en se basant sur la nomenclature des produits finis. Cette
planification consiste notamment à s'assurer que les composants sont disponibles à
temps pour l'exécution des plans de production prévus des produits finis et à contrôler
leur qualité.
• Planification des capacités : vise à répondre à la question de combien faudra-t-il pour produire
les produits demandés en tenant compte de la capacité déjà disponible et de celle qui doit être
acquise ? Elle est réalisée en basant sur :
o Planification des ressources (Resource Planning (RP)) par atelier pour une vue globale
des capacités.
o Planification des ressources clés (Rough-Cut Capacity Planning (RCCP)) permet de
vérifier que la capacité est suffisante dans les ressources clés et les postes de travail
goulots.
o Planification des besoins en capacité (Capacity Requirement Planning (CRP)) permet
de vérifier les capacités de toutes les ressources et pas que les goulots.

21
 Planification et contrôle de production
Master Planning

Figure 8. Processus de planification et contrôle de production (PCP) dans (« APICS Dictionary, 16th
Edition » 2021)

Dans le graphique de la figure 8, les plans de production sont soumis à des contraintes venant de
deux directions, d’un côté lié à la demande et de d’un autre côté lié aux approvisionnements. Les
résultats de ces processus sont destinés principalement aux services d’achat et approvisionnement
au cas où les ressources disponibles sont insuffisantes. Le plan résultant du processus MRP est
destiné aux services d’exécution et de contrôle des activités de production (PAC) pour la gestion
des flux dans les ateliers de production.
Les entrées du PCP sont des quantités requises provenant principalement des processus de
planification de la demande (prévisions ou directement des plans d’approvisionnements des
partenaires en aval dans la SC comme les centres de distribution via la planification des besoins de
distribution (DRP)).
Dans le cadre de cette thèse nous considérons le niveau tactique de planification (Master Planning)
(Voir son périmètre sur le graphe de la figure 8) ayant comme entrées les demandes des centres de
distribution (CD) élaborées via les processus de DRP. Nous détaillons les aspects principaux de ce
processus de planification tactique dans la section qui suit.
3.3.2. Master Planning (MP)
Les travaux de cette thèse concernent une chaîne logistique composée des entités de production et
de distribution gérées en MTS. Le challenge principal de la planification tactique de ce type de SC

22
Chapitre I. Positionnement du contexte de recherche

est de bien anticiper les besoins des clients pour avoir un stock de produits fini suffisants pour les
satisfaire. La planification tactique est critique dans ce type d’organisations pour bien dimensionner
les stocks dans la SC et les tailles de lots de production.
Ainsi, le Master Planning (MP) représente un niveau de décision important de la SC car, pour être
efficace, il nécessite des apports de toute la chaîne logistique et ses résultats ont un grand impact
sur cette chaîne (Chopra 2019).
Le MP est défini dans la 16ème édition du dictionnaire APICS (« APICS Dictionary, 16th Edition »
2021), comme : « un groupe de processus métier comprenant les activités suivantes : gestion de la
demande (qui comprend la prévision et le traitement des commandes) ; la planification de la
production et des ressources ; et la planification principale (qui comprend le plan directeur et la
planification des ressources clés) ». Ces différents processus impliqués (de gestion de la demande,
de production et gestion des capacité) ont été détaillés dans la section précédente.

Le MP représente un niveau de planification tactique qui vise à coordonner les flux au sein d’une
SC et à maintenir les plans à un niveau satisfaisant, en assurant un bon équilibre entre la charge
induite par la demande et la capacité disponible des ressources de la SC. Les modèles de MP
incluent ainsi les contraintes capacitaires des ressources critiques mais aussi les contraintes
spécifiques au domaine (technologique, politique commerciale, …). L'un des principaux défis de
cette planification est de répondre aux fluctuations saisonnières de la demande. Par conséquent,
l'horizon de planification tactique va de 6 à 24 mois pour tenir compte de ces évolutions
saisonnières.
Le MP recherche la manière la plus efficace de répondre aux prévisions de la demande et/ou aux
commandes des clients sur un intervalle de planification à moyen terme, qui couvre souvent un
cycle saisonnier complet. Il permet non seulement d'équilibrer les prévisions de la demande avec
les capacités disponibles, mais aussi d'affecter les demandes (quantités de production et de
distribution) aux sites afin d'éviter les goulots d'étranglement (Jens Rohde 2005; Mönch, Uzsoy, et
Fowler 2018).

4. Collaboration et coordination au sein d’une chaîne logistique

4.1. Approches de prise de décision dans une chaîne logistique

4.1.1. Approche centralisée versus approche décentralisée

La prise de décision dans une SC peut être divisée en deux catégories selon la distribution de la
décision entre les acteurs de la SC : centralisée ou décentralisée.
Une décision est centralisée quand un seul ou quelques acteurs décident pour toute la SC (Aiken et
Hage 1968; Auh et Menguc 2007; Giannoccaro et Pontrandolfo 2004; Govindan 2013; Yan et al.
2019; Anand et al. 2021).
Le degré de centralisation d'une SC dépend du degré de concentration des décisions des
organisations de la SC dans une seule entité. Ainsi, une SC a un degré élevé de centralisation
lorsqu'un seul acteur décide pour toutes les organisations de la SC (Ogier et al. 2015).

23
Le choix du niveau de centralisation des décisions de la SC est un choix stratégique qui a un impact
significatif sur la performance de la SC. La pertinence et les avantages de la centralisation des
décisions de la SC ont été démontrés plusieurs fois dans la littérature. D'un point de vue théorique,
c’est une approche prometteuse qui a un impact positif sur l'efficacité de la SC et la réduction des
effets de l'incertitude dans celle-ci (ex. réduction de l’effet Bullwhip (Fu et al. 2014; Ernawati et al.
2021)). (Giannoccaro 2018) intègre également le facteur humain dans l’évaluation et démontre
qu’une forte centralisation dans les SCs complexes devrait être préférable. Plus les décisions sont
interdépendantes dans la chaîne plus la centralisation devient intéressante.
La centralisation suppose que les décideurs sont capables de collecter toutes les informations
nécessaires et de les analyser pour prendre de meilleures décisions pour l'ensemble de la SC.
Cependant, les capacités cognitives des décideurs sont inégales et limitées face à une masse
importante de données SC et un nombre illimité d'alternatives. D'un point de vue pratique, la
centralisation exige un effort particulier de traitement et de gestion des données pour aider le
décideur central à trouver les informations pertinentes et à choisir les bonnes alternatives qui
maximisent les performances de l'ensemble de la chaîne. En outre, la centralisation exige que les
gestionnaires de la SC acceptent les décisions proposées par une autorité centrale, de sorte qu'un
niveau élevé de confiance est nécessaire pour éviter les comportements opportunistes
(Giannoccaro 2018).

À contrario, une approche décentralisée de prise de décision caractérise une chaîne logistique où
chaque entité décide et gère indépendamment les activités de son entité (Lee et Billington 1993;
Stock, Greis, et Kasarda 2000; Giannoccaro 2011). Un décideur gère les décisions locales de chaque
maillon de la chaîne pour améliorer les performances de son entité mais aussi de la chaîne. Cette
approche est conforme aux bonnes pratiques actuelles et nécessite des mécanismes de coordination
entre les acteurs pour assurer une performance globale de la SC (Sahin et Robinson 2002; Khalili-
Damghani et Ghasemi 2016; Shan et al. 2021). Ainsi, le côté positif connu de la décentralisation
c’est l’amélioration de la flexibilité, la communication et l’innovation au sein d’une SC (Giannoccaro
2018). Nous détaillons les mécanismes pour la coordination de la planification au sein d’une SC
décentralisée dans les sections suivantes.
Une SC centralisée et une SC décentralisée sont également qualifiées respectivement de SC intra-
organisationnelle et de SC inter-organisationnelle, par certains auteurs (i.e.(Desport 2017)).
4.1.2. Approche réactive versus approche proactive
En fonction du niveau d'anticipation du processus décisionnel, un décideur dans une SC peut
adopter une approche proactive ou réactive dans la résolution ou le contrôle des perturbations dans
son activité.
Une approche réactive est une approche orientée effet. Le décideur ne s’engage dans un processus
de prise décision que si c’est nécessaire pour réagir suite à une perturbation. Ainsi, l’impact de la
prise de décision n’est visible qu’après l’occurrence de cette dernière.
Une approche proactive est une approche orientée prévention. Le décideur s’engage dans la prise
de décision et la collecte des données nécessaires de façon continue dans un cadre d’anticipation.

24
Chapitre I. Positionnement du contexte de recherche

Une approche proactive permet à l’organisation de répondre plus rapidement aux problèmes
contrairement à une approche réactive qui demande plus de temps car le décideur est mieux
préparé, plus opérationnel, actif, et donc plus performant (Lin et Carley 1993). En revanche, quand
le temps n’est pas un élément critique dans la prise de décision une approche réactive peut être plus
avantageuse pour économiser les coûts de traitement de données.
De plus, l’approche proactive permet plus d’agilité parce qu’elle est basée sur des anticipations et
des créations d’alternatives pour s’adapter aux éventuelles perturbations lorsqu’elles surviennent
contrairement à une approche réactive où le décideur ne commence à agir qu’en cas de survenance
de problème.

Une approche proactive ou réactive peut aussi caractériser la méthode de gestion des stocks dans
une SC (Desport 2017). Une politique proactive est basée sur l'anticipation de la demande pour la
prise d'un ensemble de décisions (achat, approvisionnement...). Une gestion réactive des stocks est
actionnée plutôt suite à la demande du consommateur ou tout autre élément d'alerte comme les
niveaux de stocks. Une stratégie proactive permet un meilleur taux de service mais dans la forme
où l'information sur la demande future n'existe pas, une stratégie réactive est préférée.

Ces deux approches sont aussi fréquemment utilisées pour distinguer les stratégies de gestion du
risque et de l'incertitude en SC (Elluru et al. 2019 ; Tarei, Thakkar, et Nag 2021).
La gestion réactive des risques dépend de l'évaluation des accidents et des conclusions des audits
d'activités, alors que la gestion proactive des risques est une stratégie de contrôle en boucle fermée
basée sur l'observation des activités et le niveau de sécurité actuel.

4.2. Type de collaborations

Dans une SC décentralisée, les différents acteurs possèdent des informations asymétriques. La
coordination est un ensemble d’approches ou stratégies qui permettent à ces acteurs d’agir pour le
bien et la performance de la chaîne dans sa totalité.
Dans ce cadre, la collaboration permet aux décideurs d’échanger des informations, d’aligner leurs
objectifs individuels et de synchroniser leurs activités.
La collaboration peut porter sur un horizon de temps spécifique et être liée à un certain niveau de
prise de décision. Elle peut être limitée à deux niveaux pour lier un fournisseur et un client dans la
chaîne. Ainsi, le nombre de collaborations possibles correspondra bien au nombre de lien entre les
nœuds de la chaîne (voir figure 9).
La collaboration peut aussi être multi-niveaux reliant tous les partenaires de la SC (voir figure 10)
(Stadtler et Kilger 2008). L’objectif de cette dernière est d’accélérer la transmission de l’information
à travers toute la SC. Les informations sont partagées en même temps avec tous les acteurs de la
chaîne, ce qui donne dynamiquement de la visibilité aux contraintes au fur et à mesure que des
changements se produisent dans la SC.

25
 Organisation Organisation Organisation Organisation
1 2 3 4
Collaboration Collaboration Collaboration

Figure 9. Une chaîne de collaboration à deux niveaux

Organisation Organisation 3 Organisation

Organisation 1 4
2

Collaboration
et partage
d'information

Figure 10. Collaboration multi-niveau

Dans ces travaux, nous nous intéressons au premier type de collaboration. Le décideur peut être
engagé dans plusieurs processus de collaboration en même temps en tant que fournisseur avec le
partenaire en aval ou en tant que client avec son partenaire en amont. Pour que cette collaboration
soit efficace, le leadership appartient généralement à un des acteurs, au client dans le cadre d’une
collaboration dirigée par le client (Customer-driven collaboration) ou au fournisseur dans le cadre
d’une collaboration dirigée par le fournisseur (Supplier-driven collaboration) (Ertek et Griffin
2002).
Par ailleurs, selon une perspective contractuelle, les acteurs de la SC peuvent recourir à des contrats
pour aligner leurs objectifs individuels selon des spécifications définies (Ogier et al. 2015). Par
exemple, dans le cas de la fabrication sur stock (MTS), les contrats peuvent être utilisés pour
protéger les fournisseurs et leur éviter de se retrouver avec des produits obsolètes ou en surstock.
Par exemple, le client s’engage à d’approvisionner soit périodiquement une quantité fixe (contrat à
horizon glissant), soit une quantités totale cumulée fixe sur un horizon de temps (contrat à
engagement sur horizon). Un autre type de contrat est basé sur la « flexibilité de quantité » qui
couple l'engagement du client d'acheter au moins un certain pourcentage en dessous de la prévision
avec la garantie du fournisseur de livrer jusqu'à un certain pourcentage au-dessus de la prévision
(Sahin et Robinson 2002; Walsh, Williams, et Heavey 2008).
L’objectif principal des contrats (voir revue de (Sahin et Robinson 2002)), est de limiter la variabilité
de la demande et des approvisionnements et ainsi d'assurer une bonne performance locale de
chacun des partenaires ainsi que la performance globale de la SC.
Une autre perspective est la perspective d’équipe qui partagent les mêmes objectifs (Ogier et al.
2015). Cette perspective est plus cohérente avec les SC internes (SC composée d'entités appartenant
et représentant la même organisation et réalisant des activités complémentaires pour au final livrer
à temps les clients finaux de la même entreprise). Toutefois, cela n'empêche pas chaque acteur de
décider indépendamment de ses activités et de se coordonner avec les autres acteurs pour atteindre
l'objectif commun de la chaîne à laquelle ils appartiennent tout en atteignant leur objectif local.

26
Chapitre I. Positionnement du contexte de recherche

Ce défi est assez élevé dans le cas d'entreprises ayant une SC complexe délocalisée à l'échelle
internationale. Dans ce type de SC, en plus des contraintes de coordination de décisions
décentralisées s'ajoute l'inégalité du niveau des technologies informatiques à disposition dans les
différentes entités. Cette contrainte ralentit le processus de partage d'information et augmente par
conséquent le cycle d'asymétrie d'information (le temps entre la prise de décision et la réception de
nouvelles données mises à jour par d'autres acteurs). En outre, cet environnement peut favoriser
la concurrence dans l'allocation des stocks et le partage d'informations incomplètes. Le degré de
collaboration diffère selon le type et la taille des informations partagées entre les acteurs ou les
activités planifiées collectivement.

Dans cette thèse, nous considérons une SC internationale multi-acteurs où les différents partenaires
partagent les mêmes objectifs et collaborent pour la planification de différentes activités de la
chaîne. Cette collaboration est basée sur un partage d'informations minimal selon un processus de
planification collaborative.
Le terme « domaine de planification » est un terme utilisé pour faire référence au processus de
planification local géré par une organisation dans des SC décentralisée (Stadtler et Kilger 2008).
Chaque acteur dispose de son propre processus de décision qui lui permet de gérer les activités
locales de son organisation et d'en assurer l'exécution de manière indépendante. Cependant, les
différentes activités de la SC sont liées et traversées par le même flux de produits. Ainsi, la
synchronisation de ces activités est essentielle pour la performance de la SC mais aussi la qualité de
la planification locale de chaque acteur. En effet chaque décideur a besoin d’intégrer des
informations dont la source est hors son domaine de planification.
Le rôle de la planification collaborative dans ce contexte est de lier les processus de planification
locale des acteurs dans une SC via des processus de collaboration et de partage d’information.
Chaque lien de la SC reliant deux organisations (fournisseur-client) dans la SC est considéré comme
une opportunité de collaboration tout en respectant l’indépendance de chacun.
Nous détaillons dans la section suivante le principe de la planification collaborative et son processus
générique basé sur un échange de plans.

4.3. Planification collaborative basé sur un échange de plans et de la négociation au

sein d’une chaîne logistique décentralisée multi acteurs

Le CPFR « Collaborative Planning, Forecasting and Replenishment» est le processus le plus connu
de planification collaborative (voir revue de (Hollmann, Scavarda, et Thomé 2015)). Les acteurs
élaborent collectivement leurs plans à travers trois cycles (planification, prévision,
réapprovisionnement). Le CPFR est constamment identifié dans la littérature comme la forme la
plus efficace pour accroître la collaboration et améliorer la performance et les revenus dans une SC
(délais de réponse aux commandes plus courts, développement de meilleurs produits, processus de
production amélioré, réduction des erreurs de prévision et meilleure disponibilité des produits…)
(Saidy et al. 2018; Hill, Zhang, et Miller 2018). Cette démarche concerne spécifiquement des
collaborations entre un fabricant et un détaillant et demande un échange avancé d’information sur

27
différents horizons de décision pour assurer sa réussite (prévision de ventes, élaboration de plan
commercial commun, gestion des promotions, …).

Dans cette thèse, nous nous intéressons à des SC décentralisées basées sur un échange
d’information minimal principalement un échange de plans de demande / approvisionnement dans
le cadre d’une collaboration à deux niveaux de type fournisseur/ client au sein de la même SC. Les
acteurs sont généralement réticents à partager des informations confidentielles telles que les coûts
ou les capacités. Cet échange de plans est un point de départ d’un processus de négociation. En
effet, les décideurs possèdent des informations relativement incomplètes basées principalement sur
la demande du client. Les décideurs peuvent enrichir ces informations via la négociation afin de
trouver des bons compromis pour assurer une performance globale de la SC. Du fait du partage
minimal d’information, l’allocation des quantités entre les clients dans la SC est supportée par les
informations collectées pendant le processus de négociation (Ogier et al. 2015). Ainsi, parmi les
informations supplémentaires qui peuvent être apportées suite à la négociation, il y a l’état des
stocks.

(Stadtler et Kilger 2008) représente un processus générique de prise de décision basé sur un échange
de plan entre des partenaires quelconques d’une SC, comme suit :

28
Chapitre I. Positionnement du contexte de recherche

Fournisseur Détaillant Client

Recevoir les demandes
client

Recevoir les demandes

de TOUS les détaillants Mettre TOUS
fournisseur connus sur
"pas ok" Mettre à jour les
demandes

Allouer les demandes

d'approvisionnement
Calcule une planification
optimale

Envoyer des demandes Envoyer les demandes

d'approvisionnement à tous les
fournisseurs connus " pas ok "
Toutes les demandes
sont satisfaites ?

Recevoir les réponses du

Non Oui fournisseur

Envoyer « OK » pour
TOUS les détaillants
La réponse Recevoir le flux de
est-elle « ok » ? produits
Répartir les Non Oui
indisponibilités entre
TOUS les détaillants Mettre le fournisseur sur
"ok"

Envoyer les
propositions à TOUS les Recevoir les réponses de
Nouvelle période
détaillants TOUS les fournisseurs

TOUS les fournisseurs

connus sont-ils "ok" ?

Envoyer le flux de
produits

Figure 11. Processus de planification collaborative basée sur un échange de plan (Stadtler et Kilger 2008)

Chaque décideur mène son processus de planification locale, partage les plans qui en résultent, puis
peut recourir à la négociation pour traiter les exceptions et partager des informations
supplémentaires pour améliorer les plans locaux. Enfin, chacun exécute son plan et évalue ses
performances.
Le processus de négociation commence par la planification en amont. Si le plan de demande
transmis par le client entraîne des améliorations (principalement des améliorations de coûts) pour
le fournisseur, la procédure itérative se poursuit (voir processus de négociation proposé par (Dudek
et Stadtler 2006)).

29
Le processus de planification collaborative est représenté comme une boucle fermée car la nature
dynamique de la SC exige une mise à jour continue des décisions de coordination dans le temps.
Cette mise à jour peut être déclenchée par des événements spécifiques ou effectuée périodiquement
(Gregorio Rius-Sorolla et al. 2021).
La fréquence de révision des plans et des informations partagées est un enjeu important dans la
dynamique de la planification. La plupart du temps, les processus de planification collaborative
sont exécutés en utilisant une approche de planification à horizon glissant. Cette méthode est au
cœur de la problématique de cette thèse. Nous détaillons son principe dans la section suivante.

4.4. Approche dynamique de coordination basée sur une planification en horizon

glissant

Contrairement à une approche réactive de replanification déclenchée par des événements. La

planification à horizon glissant est une approche de replanification proactive basée sur un processus
de révision de planification et de partage d’information périodique.
La planification à horizon glissant est la pratique industrielle la plus répandue, typiquement utilisée
dans les systèmes ERP (Entreprise Requirement Planning) des entreprises, (Bredström, Flisberg,
et Rönnqvist 2013), pour exécuter le processus dynamique de planification. Elle permet aux
décideurs de la SC d'intégrer les contingences de la demande et du flux physique (Amrani 2009).
Ainsi, elle permet d’actualiser les plans de production, d’approvisionnement et de livraison élaborés
à une date donnée afin d’intégrer de nouvelle information mais aussi corriger des éventuels écarts
mesurés entre les plans antérieurs et les exécutions.

Les différentes variables temporelles associées à cette méthode de planification dynamique sont les
suivantes :
• La période de planification : unité de temps par laquelle sont exprimées les quantités
prévues dans un plan (Qt de la figure 12), en fonction de la granularité de planification
considérée.
• Le cycle de replanification : Les quantités planifiées à une date donnée sont révisées selon
une fréquence définie au sein de la chaîne. Le cycle de replanification représente le nombre
de périodes au bout desquelles ces quantités sont révisées. Il peut aussi être appelé le pas
de replanification.
• La date de planification : les différentes quantités projetées sont élaborées à une date
donnée appelée ‘date de planification’. Le plan est élaboré en se basant sur des informations
disponibles à cette date.
• L’horizon de planification : correspond au nombre de périodes de planification sur
lesquelles les quantités sont projetées à chaque cycle de planification à partir de la date de
planification. Sa taille varie en fonction de la portée du niveau de décision considéré.
À une date de planification donnée, des quantités sont projetées pour différentes périodes de planification
d’un horizon de planification défini. Ces quantités sont exécutées à la fin de la première période de

30
Chapitre I. Positionnement du contexte de recherche

l’horizon et le reste des quantités est mis à jour selon le cycle de replanification (voir l’illustration de la
figure 12).

Taille d’horizon de planification = n

Date de planification

Figure 12. Planification à horizon glissant

Généralement, pour une planification tactique, les quantités prévisionnelles sont des quantités
projetées par semaine. La taille d’horizon de planification est d’un an (52 semaines) pour couvrir
au moins une saisonnalité. Le cycle de replanification peut varier selon le type d’information
concerné par la mise à jour et la fréquence de coordination entre les acteurs de la SC. Il est d’au
moins une semaine.

Cette méthode est très connue pour améliorer la réactivité de la SC face aux incertitudes. Toutefois
les décideurs adoptent des stratégies différentes de coordination tout au long de l’horizon de
planification. Sur un horizon de planification, trois zones peuvent être distinguées selon la stratégie
de coordination utilisées (Chapman et Clive 2007):
• Horizon figé : les changements de planification ne sont pas autorisés, sauf avec
l'approbation exceptionnelle du décideur.
• Horizon flexible : une zone de compromis et de négociation entre les décideurs.
• Horizon libre : les changements proposés par les autres décideurs sont automatiquement
acceptés dans des limites définies.
L'objectif de l'horizon figé est d'augmenter la fiabilité des exécutions par rapport au planifié et
d'assurer le respect d’un délai minimal d'approvisionnement et de réaction face à un changement
des quantités prévues.

31
En revanche, au niveau de l'horizon flexible, les acteurs se considèrent plus aptes à s'adapter aux
modifications et aux changements de la demande et des approvisionnements. Ainsi, cet horizon
est le plus concerné par les révisions effectuées sur l'horizon glissant et la négociation.
Enfin, l'horizon libre est l’horizon avec le plus de flexibilité, qui va jusqu'à accommoder
automatiquement les modifications proposées par les autres acteurs. Généralement, les décisions
dans cet horizon sont entièrement automatisées dans les systèmes de planification selon des règles
prédéfinies.
Ainsi, la planification à horizon glissant est considérée comme une approche pratique de la
coordination au sein d’une SC. (Taghipour et Frayret 2013) propose un processus de négociation
basé sur cette approche pour permettre aux acteurs d'une SC de rechercher un ajustement mutuel
dans un environnement dynamique.

5. Gestion des incertitudes et des risques en supply chain

5.1. Concepts connexes

Les incertitudes représentent l’ensemble des perturbations qui peuvent impacter la performance
de la SC. Les risques intègrent l’effet de ces incertitudes sur la performance de la SC. « Le risque
dans une chaîne logistique est la variation potentielle des résultats qui influencent la diminution de
la valeur ajoutée à toute cellule d'activité dans une chaîne » (Bogataj et Bogataj 2007). Le risque est
souvent vu comme une menace qui impacte négativement la performance de la SC (Colicchia et
Strozzi 2012). Dans ce sens, (Ellis, Henry, et Shockley 2010), définissent le risque comme « une
perception individuelle de la perte potentielle totale associée à la perturbation de la chaîne logistique
d'un article particulier provenant d'un fournisseur particulier ».
Généralement les incertitudes et les risque sont associés à différentes notions caractérisant la
performance de la SC sous incertitudes et risques, nous citons principalement les notions (voir
figure 13) de :
• Vulnérabilité : « l'état ou le degré de fragilité du réseau lorsqu'il est exposé à une
perturbation résultant de risques internes ou externes » (Zarghami et Dumrak 2021). Elle
exprime « la possibilité ou le potentiel de perte » (Hashim et al. 2021). Ainsi, elle représente
« un indicateur négatif au cours du processus d'évaluation des performances du système »
(Jiang et al. 2021).
• Résilience : est « la capacité de résister à une perturbation ; et la capacité à s'en remettre
rapidement. » (Ekanayake et al. 2021), ou « la capacité d'un système à revenir rapidement à
son état initial ou à un état nouveau et plus souhaitable après avoir été perturbé »
(Taghizadeh, Venkatachalam, et Chinnam 2021) , ou encore « la capacité à faire face aux
risques et phénomènes complexes et imprévisibles qui les affectent en permanence » (Miceli
et al. 2021). Elle est liée plutôt à la réactivité de la SC face aux incertitudes à fort impact et sa
capacité d’adaptation.
• Agilité : est « une dimension stratégique de la résilience, c'est-à-dire la capacité d'une
organisation à gérer le changement de manière proactive, plus efficace et efficiente, en vue
d'une transformation et de renouvellement. Elle inclut la notion de vitesse de réponse de

32
Chapitre I. Positionnement du contexte de recherche

l'organisation au changement. » (Miceli et al. 2021). Elle permet ainsi la SC de « réagir

rapidement aux changements à court terme de la demande ou de l'offre et gérer les
perturbations externes de manière fluide » (Patrucco et Kähkönen 2021). Elle est basée sur
la combinaison de plusieurs aptitudes (Charles et al 2010) : (i) capacité à détecter vite, puis
décider vite et enfin déployer vite la solution choisie et (ii) la capacité à répondre
complètement et faiblement au problème rencontré. Ainsi, la flexibilité et la réactivité (capacité
de réponse) sont des dimensions importantes de la performance de la SC qui lui permet
d’atteindre un bon niveau d’agilité
• Robustesse : représente « la mesure dans laquelle la chaîne logistique est capable d'assurer
ses fonctions pour une variété de scénarios futurs possibles » (Colicchia et Strozzi 2012).
Ainsi « Une chaîne logistique est considérée comme robuste lorsqu'elle peut maintenir ses
opérations et sa connectivité malgré les perturbations » (Shi et al. 2021). Elle se définit aussi
comme « la capacité de la chaîne logistique à résister ou à absorber des événements
dangereux ou des perturbations. C'est la qualité de la force, de la santé et de l'endurance »
(Jiang et al. 2021) et la conservation.
D’après les définitions des différentes notions, nous soulignons le caractère proactif des concepts
d’agilité et de robustesse de la SC qui se basent principalement sur la prédiction des scénarios de
perturbation pour caractériser la SC. Alors, « les chaînes logistiques doivent allier agilité et
robustesse, afin d'obtenir en temps réel d'excellentes performances dans un large éventail de
scénarios de risques » (Cohen et Kouvelis 2021). Cela permet par conséquent de diminuer la
vulnérabilité de la SC face aux incertitudes et augmenter sa résilience.

Robustesse

Incertitudes
Agilité - Vulnérabilité

Risques

Résilience

Figure 13. Notions connexes des incertitudes et risques dans une SC

33
5.2. Effets d’incertitudes et de la dynamique de la planification dans la SC

Les problèmes de nervosité et d’effet Bullwhip sont deux principaux phénomènes qui découlent de
l'effet de propagation des incertitudes en SC. De plus, « Il est inquiétant de constater que de
nombreuses entreprises connaissent simultanément la nervosité et le phénomène du bullwhip » (Li
et Disney 2017). Dans cette section, nous détaillons les causes de chaque phénomène, sa
formulation, et leur relation dans le contexte de la planification à horizon glissant.
5.2.1. Effet bullwhip dans une SC
L’effet bullwhip (Forrester 1953), ou effet de coup de fouet en français, est un phénomène très
répandu dans les SCs. Il est souvent associé à la propagation des incertitudes le long de la SC,
principalement l'amplification de la variabilité de la demande des sites en aval vers les sites en amont
(Cachon, Randall, et Schmidt 2007) (voir illustration dans la figure 14). Ainsi, il peut être mesuré
au niveau d’une entité de la SC comme le quotient, du coefficient, C𝑜𝑢𝑡 , de variance des demandes
générées par ce niveau (D𝑜𝑢𝑡 (𝑡, 𝑡 + 𝑇)) durant l’intervalle de temps [t, t+T] et du coefficient sur
un horizon de temps de taille T, et du coefficient C𝑖𝑛 , de variance de la demande reçue (D𝑖𝑛 (𝑡, 𝑡 +
𝑇)) par l’entité en aval (Fransoo et Wouters 2000), tels que :

𝜎 (D𝑜𝑢𝑡 (𝑡,𝑡+𝑇))
Cout = (1)
𝜇 (D𝑜𝑢𝑡 (𝑡,𝑡+𝑇))

𝜎 (D𝑖𝑛 (𝑡,𝑡+𝑇))
Cin = (2)
𝜇 (D𝑖𝑛 (𝑡,𝑡+𝑇))

Cout
Effet Bullwhip = (3)
Cin

Quatre causes principales du phénomène Bullwhip peuvent être citées (Lee, Padmanabhan, et
Whang 1997; Ernawati et al. 2021) :
• L’actualisation des prévisions de la demande.
• Le regroupement des commandes. Le distributeur est confronté à une demande plus
volatile que les détaillants à leur petite échelle.
• Les fluctuations des prix. Les promotions par exemple affectent la fluctuation de la
demande auprès des distributeurs.
• La gestion d’allocation et des ruptures (Rationing and Shortage Gaming). Dans le cas où la
demande dépasse le stock disponible, le distributeur ne satisfait qu’un pourcentage de cette
demande. Ainsi, les clients tendent vers une augmentation de leurs commandes afin
d’assurer un pourcentage suffisant de leur demande.
Ce phénomène implique ainsi une augmentation des stocks dans la SC et une perte de capacité (Li
et Disney 2017; Campuzano-Bolarín et al. 2020). C’est pourquoi d’autres mesures comme
l’instabilité des stocks est également rattachée à l’évaluation de ces effets (Nguyen, Adulyasak, et
Landry 2021; Ernawati et al. 2021).

34
Chapitre I. Positionnement du contexte de recherche

L’effet Bullwhip est également utilisé pour décrire la distorsion et la désynchronisation de

l’information entre les entités de la SC qui sont dues respectivement à l’inadéquation entre les
modèles de consommation et les modèles de demande et au manque de coordination entre deux
entités quelconque dans la SC (Cannella et al. 2013). Face à des perturbations importantes d’autres
phénomènes de propagation ont été constatés comme le Ripple Effect (Dolgui, Ivanov, et Sokolov
2017) mais les méthodes de résolution restent similaires.
Ainsi, favoriser le partage d’information entre les entités de la SC, raccourcir ou modifier la
structure de la SC, réduire les coûts fixes de production et de distribution pour pouvoir réduire les
tailles de lots, stabiliser les prix sont des approches qui visent à réduire l’effet Bullwhip dans la SC
(Campuzano-Bolarín et al. 2020; Ernawati et al. 2021). Particulièrement, le partage des plans de
ventes et du calendrier des commandes a montré une réduction notable de l’effet bullwhip dans la
SC dans l’étude proposée par (Nguyen, Adulyasak, et Landry 2021).

Degré de
variabilité de
l'information

Transmission d'informations sur la demande

Figure 14. Illustration de l’effet ‘Bullwhip’ dans une chaine logistique

5.2.2. Nervosité en planification dynamique à horizon glissant

En horizon glissant, les décisions de planification sont prises sous incertitude car les décideurs au
début de chaque cycle de replanification révisent leurs plans en se basant sur les plans transmis en
fin de cycle de replanification précédent. Ainsi, au moment de la prise de décision, à une date de
planification donnée, toutes les informations ne sont pas connues avec certitude (Gregorio Rius-
Sorolla et al. 2021).
La nervosité de la planification de la SC est une conséquence des incertitudes de ces données
d'entrée et des paramètres de planification incontrôlables. (Blackburn, Kropp, et Millen 1986)
définissent la nervosité comme "l'instabilité des ordres planifiés causée par l'incertitude ".

La nervosité reflète l'instabilité des variables de décision dans un plan et est généralement quantifiée
par le nombre de changements de ces variables (Ho 1989). (Van Donselaar, Van Den Nieuwenhof,
et Visschers 2000) ont également utilisé une deuxième dimension de mesure qui tient compte de la
perturbation des quantités. Ils les appellent respectivement "instabilité de la planification orientée

35
modification" et "instabilité de la planification orientée quantité". Par ailleurs, (Herrera et al. 2016a)
incluent dans leur étude différentes mesures d'instabilité de la planification en horizon glissant.
Tout d'abord, une mesure d'instabilité globale (GI) qui concerne les différences entre les quantités
cumulées de toutes les périodes de l'horizon de planification. 𝐺𝐼 représente l'écart absolu moyen
de la quantité Qct à la période t entre deux cycles de replanification successifs (eq (1)). L'instabilité
locale (𝐿𝐼 𝑐 ) se concentre sur la mesure des différences entre la quantité exécutée et les précédentes.
𝐿𝐼 𝑐 représente l'écart moyen entre la quantité programmée Q(c-t)c au cycle (c-t) et la quantité
exécutée Qcc . Enfin, l'instabilité due aux opérations de lissage ( SIc ). Cette dernière mesure se
réfère à la pire déviation des quantités programmées entre deux périodes successives appartenant
au même cycle de planification |𝑄𝑐𝑡 − 𝑄𝑐(𝑡−1) |.

∑2𝑛−1 𝑛
𝑡=𝑛 ∑𝑐=2|𝑄𝑐𝑡 −𝑄(𝑐−1)𝑡 |
𝐺𝐼 = (4)
𝑛∗(𝑛−1)

∑𝑐+𝑛−1
𝑡=𝑐 |𝑄𝑐𝑐 −𝑄(𝑐−𝑡)𝑐 |
𝐿𝐼 𝑐 = ; ∀𝑐 ≥ 𝑛 (5)
(𝑛−1)

𝑆𝐼 𝑐 = max 𝑡∈[𝑐; 𝑐+𝑛−1] (|𝑄𝑐(𝑡+1) − 𝑄𝑐𝑡 |) (6)

La figure 15 montre sur le même graphe les données de l’historique des plans sur quatre cycles de
replanification et un horizon de quatre périodes, et les illustrations du périmètre du calcul de chaque
type d’instabilité (GI, LI, SI) associés au 4ème cycle de planification.

𝑄11 𝑄12 𝑄13 𝑄14 LI4 𝐺𝐼

𝑄22 𝑄23 𝑄24 𝑄25

𝑄33 𝑄34 𝑄35 𝑄36 SI4

𝑄44 𝑄45 𝑄46 𝑄47

𝑄45 𝑄46 𝑄47 𝑄48

𝑄46 𝑄47 𝑄48 𝑄49

𝑄47 𝑄48 𝑄49 𝑄50

𝐿𝐼4 : instabilité locale au cycle 4 ; 𝑆𝐼4 : instabilité due au lissage ; 𝐺𝐼 : instabilité globale pour un horizon de 4 périodes
Figure 15. Illustration des types de nervosité dans l’historique de planification à horizon glissant de taille
n=4

36
Chapitre I. Positionnement du contexte de recherche

L'instabilité est un problème qui concerne toutes les activités de la SCM et touche les différents
niveaux de décision, du stratégique à l'opérationnel. (Touzout, Ladier, et Hadj-Hamou 2021)
proposent un panel de métriques d'instabilité de planification, de transport et de gestion des stocks
pour une application dans des algorithmes de ré-optimisation des problèmes de type IRP
(Inventory Routing Problem) face aux incertitudes de la demande.
Par ailleurs, pour la planification tactique de la SC en horizon glissant, les horizons figés, le stock
de sécurité, les règles de dimensionnement des lots, le délai de sécurité sont autant de stratégies
pour réduire la nervosité dans le système de planification. (Atadeniz et Sridharan 2020) ont étudié
l'efficacité des différentes stratégies existantes qui traitent de la nervosité dans le Master Production
Schedule sous une demande incertaine dans des systèmes plus complexes (multi-niveaux avec des
contraintes de capacité). Leurs résultats expérimentaux ont montré que l’horizon figé réduit
l'instabilité, mais il qu’il a un impact négatif sur le taux de remplissage. Cet impact négatif peut être
atténué en combinant la stratégie d’horizon gelé avec celle du stock de sécurité.
Cependant, ces stratégies sont déjà intégrées dans les processus de planification des praticiens et
ne semblent pas suffisantes, car la fréquence de replanification des MP reste un problème complexe
des approches de planification en horizon glissant.

De plus, dans le contexte de la planification à horizon glissant, nous pouvons constater une
corrélation significative entre le phénomène d'effet bullwhip dans le SC et la nervosité de la
planification. Ainsi, en analysant les calculs des deux phénomènes, nous concluons que l'effet
bullwhip peut être considéré comme une amplification de la nervosité de la demande le long de la
SC sur l'horizon glissant. Les SC d'aujourd'hui souffrent toujours de ces deux phénomènes qui
affectent leur agilité, leur robustesse et leur résilience en augmentant leur vulnérabilité aux
incertitudes.
5.2.3. Problématique industrielle : dilemme (Réactivité VS stabilité) en
planification collaborative à horizon glissant, sous incertitudes dans les plans
transmis
Face aux incertitudes des plans transmis par les autres acteurs, dans le cadre de planification
collaborative, un décideur se trouve face à un dilemme qui consiste à choisir entre réagir en
appliquant une stratégie d’adaptation ou privilégier la stabilité de ses variables de décision.
En horizon glissant, la décision de replanifier ou pas face à ce dilemme, est complexe puisqu'elle
risque d'affecter la stabilité de l'ensemble de la SC (nervosité versus masquer les changements) et
de se propager pour s'amplifier aux niveaux amonts (effet bullwhip). Ainsi, cette complexité ralentit
les activités de replanification et mobilise un effectif important dans les entreprises.
Dans ce contexte, à l'échelle de la SC dans son ensemble, le dilemme sera entre l'agilité de la SC en
déployant des stratégies adaptatives ou la robustesse face aux incertitudes en résistant tout en
menant des stratégies de flexibilité (stocks de sécurité, délai de sécurité...) pour maintenir la
performance de la SC au niveau souhaité.
Au niveau d’un décideur d’une entité de la SC, nous formalisons notre problématique comme suit :

37
 Comment aider un décideur à limiter la nervosité de sa planification en
horizon glissant face aux incertitudes ?

5.3. Gestion des risques dans la SC (SCRM)

L'intensification de la concurrence et la complexité de la chaîne logistique dans un environnement

extrêmement incertain, volatile et dynamique ont pour effet de rendre la SC vulnérable et donc
plus sensible aux risques. Ainsi, la gestion des incertitudes et des risques dans la SC est aussi
importante.
Dans une SC, la gestion des incertitudes et des risques sont unifiés dans le concept de Supply Chain
Risk Management (SCRM) (Guillaume 2011). Ce concept représente le domaine global de recherche des
travaux de cette thèse. Donc, il semble important de le définir avec ses principaux objectifs et sa
démarche générale.

(Gurtu et Johny 2021) définissent la gestion des risques comme « la mise en œuvre de stratégies et
de plans visant à gérer les réseaux de la chaîne logistique par une évaluation constante des risques
et à réduire les vulnérabilités afin de garantir la résilience des chaînes logistique ».
(Baryannis et al. 2019) proposent une définition synthétique basée sur les définitions fournies dans
la littérature et incluant les différentes notions et concepts attachés au SCRM dans celle-ci. Ils
considèrent que « Le SCRM englobe les efforts collaboratifs et coordonnés de toutes les parties
impliquées dans une chaîne logistique afin d'identifier, d'évaluer, d'atténuer et de surveiller les
risques dans le but de réduire la vulnérabilité et d'augmenter la robustesse et la résilience de la chaîne
logistique, garantissant ainsi la rentabilité et la continuité ».
Ainsi, le processus générale du SCRM porte sur l'identification, l'évaluation, la mitigation et le
contrôle des éventuelles perturbations de la chaîne d'approvisionnement et de leurs impacts
négatifs (Carvalho Fagundes et al. 2020).
La gestion des risques dans la SC a aussi comme objectif de stabiliser la valeur ajoutée à chaque
centre d’activité au long de l’ensemble de la SC (Bogataj et Bogataj 2007). Ainsi, pour y parvenir le
SCRM intègre tous les acteurs de la SC dans cette gestion via la collaboration et la coordination
(Thun et Hoenig 2011; Carvalho Fagundes et al. 2020; Chaudhuri et al. 2020).

Une implémentation pratique de la gestion des risques de la chaîne logistique améliore non
seulement la performance financière de l'entreprise mais aussi l'efficacité de la fabrication et la
performance globale de la SC (Thun et Hoenig 2011; Carvalho Fagundes et al. 2020).

38
Chapitre I. Positionnement du contexte de recherche

5.4. Systèmes d’information de planification et d’aide à la décision au sein d’une SC

5.4.1. Aperçu des systèmes d'information et des technologies existants pour la

planification tactique de la SC
Quel que soit le niveau de planification, les plans élaborés doivent satisfaire des objectifs souvent
contradictoires dans un environnement très dynamique, d’où la complexité de la prise de décision
dans la planification des activités de SC.
De plus, pour pouvoir choisir parmi les options et les alternatives illimitées, le décideur a besoin
d’améliorer sa capacité de traitement des données en utilisant des systèmes de gestion des
connaissances qui peuvent l’aider à stocker puis à retrouver les informations pertinentes pour
évaluer et comparer les performances associées à diverses alternatives (Giannoccaro 2018).
Ainsi, les entreprises s’appuient sur des systèmes d’information pour l’exécution des processus du
Master Planning et la synchronisation des activités de la SC. Le rôle de ces systèmes est de permettre
aux décideurs de faciliter et améliorer leurs décisions. La prise de décision est toujours effectuée
par les planificateurs, qui ont une vision de la chaîne logistique particulière, connaissent les
contraintes du système et ont également un sentiment de faisabilité dans les plans qui sont créés.
Les planificateurs se chargent également de la modélisation et des décisions concernant l'utilisation
des données d'entrée du modèle.
Bien que ces différents systèmes puissent fonctionner seuls, ils donneront de meilleurs résultats
s’ils sont combinés.

[Link]. ERP (Entreprise Requirement Planning)

ERP (Entreprise Resource Planning) peut être traduit en français par Progiciel de Gestion Intégré.
Comme son nom l’indique, c’est un progiciel qui permet la gestion de l’ensemble des opérations
d’une organisation en s’appuyant sur des modules fonctionnels différentes connectés à une base
commune. Ce système est également un résultat d’évolution des techniques MRP (Material
Requirement Planning) et souvent appelé MRPII pour faire la différence avec ce dernier.
L’ERP est définit dans le dictionnaire APICS, 16ème édition comme un « Cadre permettant
d'organiser, de définir et de normaliser les processus opérationnels nécessaires pour planifier et
contrôler efficacement une organisation afin que celle-ci puisse utiliser ses connaissances internes
pour rechercher un avantage externe. Un système ERP fournit de vastes banques de données
d'informations, notamment des dossiers de fichiers maîtres, des référentiels de coûts et de ventes,
des détails financiers, des analyses de hiérarchies de produits et de clients, ainsi que des données
transactionnelles historiques et actuelles ».
Ainsi, le système ERP supporte un calcul automatique basé sur les données stockées dans sa base
(Stadtler et Kilger 2008).
Cependant, ce système ne permet pas de traiter les alternatives en planification et se limite à la
planification statique d’une seule usine.

39
 [Link]. DRP (Distribution Resource Planning)
DRP (Distribution Requirement Planning) (Martin 1992) est une approche qui dérive de la logique
du MRP mais dans un contexte de distribution jusqu’au point de vente qui est en contact avec le
client. Il met ainsi le focus sur cet acteur entant qu’acteur principal (Nguyen, Adulyasak, et Landry
2021).
Généralement cette approche est adoptée par les entreprises ayant une stratégie MTS afin d’assurer
d’avoir les bonnes quantités en stock au bon endroit dans tout leur réseau de distribution.
Toujours pour atteindre l’objectif global de MP qui est d’équilibrer l’offre et la demande, le DRP
est un processus de planification tactique de gestion échelonné dans le temps qui consiste à
identifier la demande de stock à chaque emplacement de stockage (entrepôts, centres de
distribution...) (Martin 1992).
Taille de lot, délai de livraison et stock de sécurité sont des paramètres principaux des modèles
DRP pour le calcul des plans d’approvisionnement selon les stratégies de réapprovisionnements
internes (voir revue de (Ben Ammar 2014)sur les stratégies de réapprovisionnement). Ainsi, garder
les stocks à un niveau souhaité est l’objectif principal de ces modèles.

[Link]. APS (Advanced Planning Systems)

Un APS (Advanced Planning System), qui se traduit en système de planification avancée, est défini
dans le dictionnaire APICS, 15ème édition, comme : « Techniques d’analyse et de planification de la
logistique et de la fabrication à court, moyen et long terme. L’APS décrit tout programme
informatique utilisant des algorithmes ou une logique mathématiques avancés pour effectuer
l’optimisation ou la simulation de l’ordonnancement à capacité finie, de l’approvisionnement, de la
planification du capital, de la planification des ressources, des prévisions, de la gestion de la
demande et autres ».
(Wang, Zhao, et Zhu 2021) définit aussi l’APS comme « un outil avancé de planification et
d'ordonnancement basé sur la théorie des contraintes de la gestion de la chaîne logistique, et
implique un bon nombre de modèles mathématiques, d'algorithmes d'optimisation et de
technologies de simulation. »
Les APS (Advanced Planning Systems) sont généralement vus comme une extension d’un ERP
(Wiers 2002). Ils fonctionnent comme des modules complémentaires mais ils ne le remplacent pas.
Ils automatisent la planification de la SC en utilisant les données de l’ERP (Jens Rohde 2005). Dans
l’ordre, ils extraient les données de la base de l’ERP, exécute les algorithmes d’optimisation et
renvoient les plans résultants en exécution (Rudberg et Thulin 2009).
Les APS compensent certains défauts des méthodes de planification de la production intégrées
dans les ERP pour répondre aux besoins des entreprises en matière de planification et
d'ordonnancement de la production (Wang, Zhao, et Zhu 2021).
Contrairement aux approches MRP dans les ERP traditionnels, les APS ont la capacité de
considérer différentes alternatives et ainsi essaient de trouver des plans réalisables et quasi optimaux
en considérant une capacité finie. Aussi, les APS ne partent pas du principe que tous les clients,

40
Chapitre I. Positionnement du contexte de recherche

produits et matériaux ont la même importance et que certains paramètres (tels que les délais de
livraison) peuvent être fixés (David, Pierreval, et Caux 2006).

De plus, les APS ne se limitent pas à la planification et à l'ordonnancement d'une seule usine ; ils
s'adressent plutôt aux chaînes logistiques comportant de multiples sites et liaisons de transport. Les
systèmes de planification avancés (APS) ont comme objectifs de relever le défi de la coordination
globale au sein d’une SC en se basant sur une approche centralisée d’optimisation. Ainsi,
l’emplacement de stockage centralisé (Stock Keeping Unit en anglais) est un aspect clé des systèmes
ERP pour alimenter l’APS et faciliter la gestion des données et veiller à leur fiabilité.

Le MP (Master Planning) est un module déterministe d’aide à la planification tactique de l’APS. Il

est considéré comme un module important pour l’optimisation des activités de la SC (Wang, Zhao,
et Zhu 2021). Il permet d’optimiser la SC dans sa globalité en optimisant l’affectation des demandes
au sites de tel façon à éviter les goulots (Stadtler et Kilger 2008).
La coordination des plans tactiques générés par ce module est aussi importante pour diminuer dans
les quantités de la production et de distribution et donc réduire les stocks.

[Link]. Plateforme collaborative basée sur le Cloud

(Garcia-Neveu 2020) résume l’évolution des systèmes d’information de la SC en trois phases. Une
première génération dans les années 80 des gros systèmes utilise des réseaux privés d’entreprises.
Une deuxième génération, entre les années 80 et 90, est apparue dans le cadre d’évolution de la
technologie des EDI (Échange de Données Informatisées), principalement au niveau des achats et
approvisionnements, permettant la transmission des informations via un réseau privé ou public
(internet) et selon une structure standardisée. Une troisième génération, dès la fin des années 1990,
utilise des plateformes collaborative ou hubs et des ERPs résultant de l’apparition des web-EDI.
Ces plateformes permettent de collaborer et partager des informations pertinentes. Depuis 2010,
elles évoluent de plus en plus et passent sur le cloud développées et gérées par des sociétés de
services externes ("Software as a Service" (SaaS)). Cette évolution continue aujourd’hui vers
l’intégration de la technologie de décentralisation du partage de données (block chain par exemple).
Ces différents systèmes et technologies sont généralement caractérisés par un usage parallèle et
souvent complété par les outils traditionnels de coordination et d’échange d’information (mail,
spreedsheets, téléphone, fax …).

Les entreprises recourent, de plus en plus, à des technologies basées sur le cloud pour la
collaboration et le partage des informations au sein d’une SC, surtout pour des SCs globales et
complexes (Mei et al. 2021; Andres, Poler, et Sanchis 2021). Dans une SC globale regroupant des
organisations possédant des systèmes d’information différents selon le type de leurs activités locales
(Exemple : DRP, MRP, SAP…), les plateformes collaboratives permettent de faire le lien entre ces
différents systèmes. Cette technologie est caractérisée principalement par sa scalabilité (« est la

41
capacité d'étendre la capacité de distribution des services de traitement en augmentant la quantité
d'informations fournie » (Belgaum et al. 2021)).
De plus, les entreprises adoptent des plateformes Cloud afin d’automatiser les processus de
planification collaborative et le partage d’information au lieu des méthodes traditionnelles basées
sur l’échange de fichiers et des tableurs (spread Sheets).

Parmi les exemples de cette évolution, il y a la plateforme ERP (Enterprise Resource Planning)
basée sur le cloud (Cloud-based ERP) est une tendance qui vise à faciliter la collaboration entre les
petites et moyennes entreprises (PME) dans la SC industrielle (Chen et al. 2017 ; Paksoy, Kochan,
et Ali 2020).
« La recherche en planification industrielle est encouragée par la résolution de problèmes
concernant l'échange, le partage et le stockage d'informations dans des environnements
collaboratifs cloud » (Andres, Poler, et Sanchis 2021).
Ainsi, les travaux de cette de thèse portent sur l’aide à la décision au sein d’une SC basée sur une
plateforme cloud pour la planification collaborative. Ce contexte est flexible et facilite également
l’implémentation et les interactions de nouvelles solutions avec les systèmes de l’entreprises via le
partage de données dans le cloud. (Serrano, Delorme, et Dolgui 2021) ont par exemple effectué
des tests numériques ‘offline’ des modèles d’optimisation dans le cadre de la SC de ‘Renault’ basé
sur une plateforme cloud qui relie les usines d'assemblage éloignées aux fournisseurs de premier
rang.
Ainsi, le contexte industriel que nous considérons dans cette thèse est un environnement bénéfique
et favorable pour une future implémentation effective des solutions proposées.

5.4.2. L’humain est au centre du processus de décision ... limites des systèmes
d’aide à la planification actuels face aux incertitudes
… « La décision avant tout une affaire d’Homme » (Marquès 2010)… le comportement
humain est donc un facteur majeur qui conditionne la qualité de cette décision.
La décision consiste en un choix parmi plusieurs d’alternatives. Ainsi, les systèmes d’aide à la
décision supportent ce décideur dans le choix entre ces alternatives qui peuvent être nombreuses.
(Teniwut et Hasyim 2020) définit un système d’aide à la décision comme un guide permettant au
décideur de sélectionner les meilleures options afin d’augmenter l’efficacité, le profit et taux de
service de la SC. Toutefois, la décision finale est réservée au décideur. Ce qui est sûr et primordial
pour la réussite de cette collaboration entre l’humain et la machine c’est la compréhension par le
décideur du mécanisme et des indicateurs fournis par le système. Ainsi, il peut faire une bonne
interprétation de ces indicateurs et par conséquent prendre des décisions et mettre en place des
actions convenables.
Certes, l’implication de l’humain est très importante dans le processus de prise de décision, mais il
peut aussi être une source de plus d’incertitude et par conséquent de risques. D’ailleurs, le risque et

42
Chapitre I. Positionnement du contexte de recherche

la décision sont indissociables dès que les données d'entrée sont basées sur des prévisions dans un
environnement dynamique.
D’autre part, parfois, le décideur peut « surréagir » face à une situation, suite à une surestimation
de la continuité de son impact, ou le contraire dans le cas d’une « sous-estimation » (Stadtler et
Kilger 2008). Aussi, contrairement aux machines programmées impliquant les mêmes résultats face
aux mêmes entrées, le comportement humain est imprévisible ainsi que ses décisions même face à
des situations semblables. Le facteur d’accumulation d’expérience peut aussi impacter l’objectivité
de la décision. L’expérience d’un décideur peut jouer un rôle favorable sur la qualité de la décision
ou encore un rôle défavorable en cas de perte de confiance dans les données des autres partenaires
dans la SC (Lorentz et Hilmola 2012).
… Ainsi, la pertinence de la démarche d’aide à la décision est un vrai challenge.
Le processus de prise de décision doit converger vers le choix d’une solution déterminée.
Cependant, le principe des systèmes d’aide à la décision basé sur la proposition de « la meilleure »
solution est un sujet de débat sans fin sur la qualité des critères considérés. Fournir aux décideurs
beaucoup d’informations peut être aussi un frein au moment de la décision. (Marquès 2010) résume
que la démarche de prise de décision est pertinente en cas de bon compromis entre deux éléments :
✓ L’enrichissement de la connaissance du décideur sur sa situation. Le décideur doit être
informé de l’action dominante et des hypothèses qui explicitent sa dominance selon
plusieurs critères.
✓ La capacité limitée du décideur à intégrer un grand nombre d’informations pour la prise de
décision.

Dans le cadre de cette thèse, nous incitons sur le fait que le décideur est le moteur et le centre du
processus de décision. Nous considérons donc un système d’aide à la décision comme un système
d’information, supportant un décideur à effectuer un processus de décision pour atteindre un objectif
déterminé (Oger 2019).

… Les systèmes d’information actuels sont dédiés à la planification déterministe et la

gestion de l'incertitude est une limitation majeure de ces systèmes (Stadtler et Kilger 2008)
Les systèmes de planification avancés (APS) sont bien cohérents avec le contexte de la planification
déterministe. Ils sont de plus en plus avancés et intègrent plus de critères pour générer des décisions
plus pertinentes. Ils respectent bien, ainsi, la contrainte de capacité limitée du décideur à intégrer
beaucoup d’informations. Cependant, l’environnement réel de planification de la SC est incohérent
avec cette hypothèse déterministe. Les incertitudes viennent des deux côtés de la SC, du côté des
fournisseurs (des approvisionnements peu fiable, risques opérationnels en production…), du côté
des clients (demande inconnue basée sur des prévisions, fluctuations du marché…), du côté des
processus internes (non-qualité, pannes, etc) et du coté managérial (changement d’orientation ou
de stratégie).

43
Ainsi, l’enrichissement de la connaissance du décideur sur son environnement incertain et
dynamique et l’intégration de cette connaissance dans son processus de décision reste une vraie
limitation dans l’aide à la planification proposée actuellement. La planification déterministe à
horizon glissant est un moyen courant utilisé dans les systèmes d’information d’aide à la
planification pour faire face aux incertitudes. Cependant, cela reste une approche réactive qui
amplifie aussi certains événements, comme la nervosité du système de planification, qui menacent
la stabilité de la SC. Ainsi, les systèmes APS sont connus pour avoir tendance à produire de la
nervosité en raison de leur approche réactive face aux perturbations (Atadeniz et Sridharan 2020).
Par ailleurs, les techniques mises en avant dans les systèmes APS consistent en une optimisation
centralisée de tous les éléments de la SC. Malheureusement, les modèles de décision actuels ne sont
pas toujours compatibles avec l'approche de prise de décision centralisée ; (Ogier et al. 2015; Sahin
et Robinson 2002) ; et n'utilisent pas efficacement toute la capacité de partage d'informations de la
base de données ERP (Sahin et Robinson 2002).
Par conséquent, l'alignement global dans les systèmes APS affecte l'indépendance des différentes
entités dans le réseau de la SC (F. Galasso, Mercé, et Grabot 2009).

En plus, (Oger 2019) résume quatre limites principales, identifiées dans la littérature , qui touchent
plus à la consommation du temps et la flexibilité des modèles des systèmes d’information utilisés
actuellement dans les entreprises :
• Nombre de scénarios d’alternatives considérés pour dérouler les processus de planification
est faible.
• Difficulté de mise à jour des modèles d’analyse de planification de la SC surtout quand il
s’agit des changements structurels.
• Absence de prise en compte d’options de décisions liée aux structures de la SC. Les
solutions existant dans ces systèmes concernent des SC prédéfinies sans prendre en compte
d’autres structures alternatives potentielles de la SC.
• Difficulté d’acceptation de la part des décideurs des solutions apportées par les méthodes
des APS basées sur l’optimisation centralisée.

… Utiliser les fonctionnalités fournies par les systèmes d’information actuels pour enrichir
les informations sur les incertitudes est une direction potentielle de recherche
Les systèmes de planification en entreprise fournissent des fonctionnalités très importantes
(collecte, traitement, stockage et distribution de l’information) qui peuvent être utilisées pour
enrichir les informations d’un décideur sur son environnement incertain ou encore sur les types
des comportements adoptés par ces collaborateurs dans la SC. Ces informations (i.e. historique de
planification à horizon glissant) peuvent être capitalisées afin de modéliser les différents types
d’incertitudes dans la SC et de les utiliser pour aider le décideur à adopter une approche proactive
qui intègre les incertitudes dans son processus de décision.

44
Chapitre I. Positionnement du contexte de recherche

6. Conclusion : positionnement du contexte et de la problématique

industrielle
Dans ce chapitre nous avons présenté deux éléments principaux. D’abord, tous les éléments du
contexte de gestion et planification de la SC qui nous permettent de positionner notre
problématique et le contexte industriel (cas de ‘Pierre Fabre Dermo-Cosmétique’). Nous avons
ensuite détaillé les problèmes et effet des incertitudes dans un contexte de planification à horizon
glissant et ainsi positionné le problème industriel que nous adressons dans cette thèse. Ensuite,
nous avons proposé une synthèse sur des systèmes d’information et les technologies de partages
d’information utilisées dans les entreprises et leurs limites face aux incertitudes.
Le tableau 1 résument le résultat du positionnement du contexte industriel par rapport à l’ensemble
des éléments de contexte que nous avons détaillés dans ce chapitre.

Une SC internationale (GSC) / GSCM (Global Supply Chain Management)

Structures de la SC
Divergente
Série Convergente Dyadique Réseau
SC interne
Stratégie de gestion des flux

ETO MTO ATO MTS

Niveau de planification
Stratégique Tactique
Opérationnel
Master Planning
Approche de prise de décision dans la SC
Décentralisée Réactive Proactive
Centralisée
Contexte industriel ‘As-Is’ ‘To-Be’
Collaboration dans la SC

À deux Multi- Contrats Échange de plans

CPFR Processus de planification collaborative et Négociation
niveaux niveaux … coordination dynamique en horizon glissant

Tableau 1. Positionnement du contexte industriel

Nous considérons une SC divergente pour analyser les processus et problèmes de planification de
distribution (DRP) et d’approvisionnement dans une SC internationale (Global SC). Cette SC
multi-acteurs est décentralisée (chacun prend ses décisions de façon indépendante) gérée en Make-
To-Stock et basée sur une plateforme collaborative Cloud connectant les systèmes d’information
locales des différents acteurs de la SC (usine, CDC (Centre Distribution Centrale), CDL (Centre
Distribution locale)). Nous nous intéressons au niveau tactique de planification qui vise à

45
synchroniser le flux au long de toute la SC. Les acteurs de la SC sont directement impliqués dans
une relation client-fournisseur (collaboration à deux niveaux) de la SC. Ils collaborent selon un
processus de planification collaborative basé sur un échange de plans de demande/
approvisionnement en horizon glissant.

Suite à l’analyse des effets des incertitudes sur la SC, nous focalisons sur le dilemme stabilité-
réactivité comme un problème principal de la planification en horizon glissant face aux incertitudes
ce qui rend la décision de replanification difficile au décideur. Ainsi, nous formalisons la
problématique industrielle de cette thèse comme suit :

Comment aider un décideur à limiter la nervosité de sa planification en

horizon glissant face aux incertitudes ?

L’analyse des systèmes d’informations utilisés dans les entreprises nous permis d’identifier les
principales limites de ces systèmes face à ce problème : en termes de (i) gestion des incertitudes et
(ii) leur approche réactive favorisant le problème de nervosité de planification en horizon glissant.
Ainsi, nous avons pu formuler et introduire notre problématique de recherche comme suit :

Comment intégrer les incertitudes dans le processus de prise de décision

déterministe d’un planificateur pour l’aider à replanifier ?

L’intégration des incertitudes permet au décideur de passer d’une approche réactive (nervosité
importante) vers une approche proactive (aidera le décideur à chercher le bon compromis stabilité-
performance (robustesse)).

46
Chapitre I. Positionnement du contexte de recherche

47
CHAPITRE II. AIDE A LA PLANIFICATION TACTIQUE DE LA SC SOUS
INCERTITUDE

1. Introduction........................................................................................................... 49
2. Classification des travaux de planification tactique de la SC sous incertitude..... 49
2.1. Sources d’incertitude dans la planification de la SC ....................................... 50
2.1.1. Analyse des revues de la littérature ............................................... 50
2.1.2. Positionnement .............................................................................. 51
2.2. Approches de modélisation des incertitudes .................................................... 52
2.2.1. Représentations des connaissances imparfaites ............................. 52
2.2.2. Choix d’utilisation des ensemble flous et de la théorie de possibilité54
2.2.3. Positionnement : première question de recherche ......................... 55
2.3. Approches de gestion de l’incertitude ............................................................. 56
2.3.1. Application de la démarche de gestion des risques ....................... 56
2.3.2. Réduction d'occurrence des risques à la source ............................. 57
2.3.3. Stratégies de maîtrise des impacts des risques .............................. 57
2.3.4. Approches quantitatives pour supporter la maitrise des risques ... 58
2.3.5. Positionnement : Deuxième et troisième questions de recherche . 62
2.4. Caractéristiques du problème étudié ................................................................ 62
2.4.1. Analyses des revues de littérature ................................................. 62
2.4.2. Positionnement : quatrième question de recherche ....................... 63
3. Aide à la planification tactique sous incertitude ................................................... 64
3.1. Outils d’aide à la planification ......................................................................... 64
3.1. Aide à la planification en horizon glissant ...................................................... 66
3.2. Conclusion ....................................................................................................... 68
4. Conclusion ............................................................................................................ 68

48
Chapitre II. Aide à la planification tactique de la SC sous incertitude

1. Introduction
Dans le chapitre précédent, nous avons pu positionner la problématique industrielle de cette thèse
liée à la complexité de la replanification à horizon glissant face aux incertitudes. De plus, nous
avons introduit la problématique de recherche : l'intégration des incertitudes dans le processus de
décision des planificateurs de SC pour à la fois enrichir leurs informations incomplètes, et
capitaliser ces informations pour les aider à augmenter leur proactivité dans le cadre de la
planification à horizon glissant.

Dans ce chapitre, nous examinons la littérature de la planification sous incertitude afin d'identifier
les principales limites et directions de recherche, de positionner notre travail et d'identifier les
questions de recherche que nous adresserons par la suite.

Dans ce sens, nous présentons une analyse des travaux de planification avec incertitude. Nous
détaillons les différents critères de classification dans le domaine, les limites associées à chaque
critère ainsi que notre positionnement et nos motivations suite à ces analyses. Dans une seconde
partie, nous nous intéressons principalement à l'état de l'art des travaux sur l'aide à la planification
tactique. Les travaux traitant particulièrement de l'aide à la décision en horizon glissant et les
systèmes interactifs d'aide à la décision sont considérés. Enfin, la dernière partie récapitule notre
positionnement par rapport aux travaux dans le domaine de la planification sous incertitude.

2. Classification des travaux de planification tactique de la SC sous

incertitude
Plusieurs revues de la littérature existent dans le domaine et ont utilisé des critères différents pour
classer les travaux relatifs à la planification de la SC sous incertitude. Sur la base d'une sélection de
10 revues réalisées sur la période 2006-2020, nous proposons une fusion des critères utilisés pour
intégrer les différentes dimensions permettant de classifier les travaux de littérature et donc de nous
positionner. Nous proposons ainsi cinq critères principaux (tableau 2).

Critères Types Revues

• Stratégique (Peidro et al. 2009; Kumar et al. 2020)

(C1) Niveau de décision • Tactique
• Opérationnel

• Demande (Dolgui et Prodhon 2007a; Peidro et al.

(C2) Source d'incertitude • Processus 2009; Simangunsong, Hendry, et
• Approvisionnement Stevenson 2012; Dolgui et al. 2013;
Sahin, Narayanan, et Robinson 2013;
Baryannis et al. 2019)

49
 • Déterministe (Sahin, Narayanan, et Robinson 2013;
(C3) Approche de • Aléatoire Cheraghalikhani, Khoshalhan, et
modélisation des o Approche par scénarios (discret) Mokhtari 2019; Kumar et al. 2020)
incertitudes o Approche par intervalles (Continu)
o Approche stochastique
(continu/discret)
• Floue

• Réduction des incertitudes (Mula, Poler, Garcia-Sabater, et al. 2006;

(C4) Approche de gestion • Flexibilité/ agilité Peidro et al. 2009; Simangunsong,
des incertitudes • Modèles quantitatifs : Hendry, et Stevenson 2012; Baryannis et
o Flou al. 2019; Cheraghalikhani, Khoshalhan, et
o Stochastique Mokhtari 2019; Jamalnia et al. 2019;
o Simulation Kumar et al. 2020)
o Métaheuristique
o Raisonnement approché
• Mitigation des risques

• Nombre d'objectifs (Dolgui et Prodhon 2007a; Dolgui et al.

(C5) Caractéristiques du • Nombre d'articles 2013; Sahin, Narayanan, et Robinson
problème étudié • Nombre de périodes 2013; Cheraghalikhani, Khoshalhan, et
• Stages SC … Mokhtari 2019; Kumar et al. 2020)

Tableau 2. Critères de classification des travaux sur la planification sous incertitude de la SC

Le premier critère de classification des travaux de planification sous incertitude est le niveau de
planification concerné (stratégique, tactique ou opérationnel), que nous avons détaillé au premier
chapitre. Dans les sous-sections suivantes, nous détaillons chacun des autres critères du tableau.1
dans l'ordre (C2, C3, C4, C5), en nous concentrant sur le niveau tactique de la planification.

2.1. Sources d’incertitude dans la planification de la SC

2.1.1. Analyse des revues de la littérature

Les sources d'incertitude sont nombreuses dans la planification de la SC. Ainsi, les travaux de la
littérature sur les problèmes de planification sous incertitude peuvent être classés en fonction des
paramètres ou des données d’entrée de planification adressés comme sources incertitude dans ces
problèmes ((C2) du tableau 1).
La demande et les approvisionnements planifiés sont deux entrées principales du processus de
planification d’une entité de la SC. Les paramètres liés au processus interne de cette entité sont
aussi importants à contrôler afin d’assurer la fiabilité des plans générés de la planification.
Ainsi, les sources d’incertitude sont généralement classées en trois catégories dans la littérature
(demande, processus, approvisionnements). (Baryannis et al. 2019) précise que les incertitudes sur
la demande et les incertitudes sur les approvisionnements sont des sources d’incertitudes internes
de la supply chain mais externes par rapport l’entité elle-même. En revanche les incertitudes liées
au process (incertitudes sur la performance des opérations, incertitudes sur la qualité, défaillance
du système et changements dans la structure du produit ...) sont internes à l’entité.

50
Chapitre II. Aide à la planification tactique de la SC sous incertitude

(Dolgui et Prodhon 2007a) ajoutent que ces incertitudes peuvent être liées aux quantités planifiées
ou aux délais ou aux deux. Ainsi, quatre catégories de sources d'incertitude sont listées plus en
détails :
1/ Les incertitude du client qui modifie la date de la commande (Dates de commande incertaines).
2/ La variabilité de la demande du client (quantité demandée incertaine).
3/ Les incertitudes sur les délais de production (processus) et d'approvisionnement.
4/ Les incertitudes sur la quantité de livraison/approvisionnement.
Dans ce sens, (Ben Ammar 2014) propose une revue, plutôt au niveau du MRP (Material
Requirement Planning), dans laquelle il classe les travaux existants en trois catégories : 1/ les travaux
considérant une demande incertaine, 2/ les travaux considérant une demande et délai
approvisionnement incertains, 3/ les travaux considérant que le délai d’approvisionnement comme
incertain. Dans cette classification, l'incertitude sur la quantité de d’approvisionnement n'est pas
prise en compte, car les travaux qui considèrent cette dimension sont rares.

Les résultats de l'analyse détaillée de la littérature, que ce soit celle de (Peidro et al. 2009), (Guillaume
2011), (Sahin, Narayanan, et Robinson 2013) ou (Ben Ammar 2014) ou encore celle plus récente
de (Baryannis et al. 2019) ou (Jamalnia et al. 2019), parviennent à la même conclusion qu'il y a une
concentration de travaux sur les incertitudes sur la demande et que peu de travaux prennent en
compte différentes sources d'incertitudes en même temps.

Pour les incertitudes sur les approvisionnements, il existe des travaux qui se concentrent sur
l'incertitude sur les délais, mais il est rare de trouver des travaux considérant les incertitudes sur la
quantité d'approvisionnement (Sahin, Narayanan, et Robinson 2013; Tinani et Kandpal 2017;
Jabbarzadeh, Fahimnia, et Sheu 2017). Parmi ces travaux, nous trouverons (Guillaume, Grabot, et
Thierry 2013) qui considèrent une capacité imprécise ou des travaux très récents comme (Lima,
Relvas, et Barbosa-Póvoa 2021) qui se concentrent sur les problèmes de planification tactique
(Master Planning) et considèrent à la fois les incertitudes sur les quantités de demande et
d’approvisionnement. (Ghasemy Yaghin et Darvishi 2021) considèrent trois sources d'incertitudes
à la fois (demande, temps des opérations et capacité).
Parmi les travaux récents, (Attia 2021; Pudasaini 2021; Almeida et al. 2021; Touzout, Ladier, et
Hadj-Hamou 2021) ne considère qu’une seule source d'incertitude qui est la demande. (Fathi et al.
2021) considèrent plutôt le délai de livraison et la demande. (Suryawanshi et Dutta 2021)
considèrent également les incertitudes sur la demande mais aussi les incertitudes du processus en
termes de quantité (détérioration/qualité du produit).

2.1.2. Positionnement
Motivés par les différentes analyses de la littérature présentées dans cette partie, mais aussi par
l'importance de la gestion des incertitudes au niveau tactique bien soulignée dans (Dolgui et

51
Prodhon 2007a; Herrera et Thomas 2009; Ben Ammar 2014; Herrera et al. 2016b), nous focalisons
travail sur la planification tactique en considérant à la fois les incertitudes sur la demande (plan
partagé par le client) et sur les approvisionnements (plan partagé par le fournisseur).
Cette prise en compte est effectuée dans un contexte d’une SC interne décentralisée basée sur un
partage des plans de demande/approvisionnement. Dans ce contexte nous considérons le
problème industriel de replanification en horizon glissant et la propagation de la nervosité des plans
dans le cadre de ce partage. Nous focalisons donc sur la zone de compromis (horizon flexible), la
plus concernée par le problème de nervosité des décisions des acteurs de la SC, afin d’augmenter
la proactivité d’un décideur. Ainsi, nous négligeons les incertitudes liées à l'opérationnel (processus)
impactant plutôt les exécutions des plans en interne de chaque entité au début de chaque horizon
de planification

2.2. Approches de modélisation des incertitudes

2.2.1. Représentations des connaissances imparfaites

La connaissance que nous avons de tout système interférant avec son environnement est
généralement imparfaite (El-Shayeb, Verdel, et Didier 1999).
L'imperfection englobe l'incertitude (doute sur la validité d'une connaissance), l'imprécision
(impossibilité de dénoncer une connaissance sûre et précise), et l'incomplétude (absence de connaissance,
ou connaissance partielle de certaines caractéristiques) (Bouchon-Meunier, Yager, et Zadeh
1995; Dubois et al. 2005; Guillaume 2011).

Cette imperfection est intrinsèque dans les processus de planification. En effet, la planification de
la SC porte sur la prise de décision anticipée sur un horizon de temps futur. Au moment de sa prise
de décision, un décideur possède des informations incomplètes sur des bouts d’horizon. Ainsi, à
une date donnée, il se base sur des données incertaines et des paramètre imprécis pour l’élaboration
de ses plans (Liang 2006; Liang 2011).
La modélisation des incertitudes est une étape importante pour les prendre en compte et les intégrer
dans le processus de planification afin de les gérer (François Galasso 2007).
Le choix de l’approche de modélisation ou la représentation adéquate des incertitudes est très
corrélé à l’environnement considéré, aux données à disposition mais aussi au choix de l’approche
adoptée pour le traitement de ces modèles. Dans la littérature, différentes approches peuvent être
identifiées :
• La première approche suppose que les paramètres incontrôlables de planification sont
connus ou fixés au préalable de la planification (Cheraghalikhani, Khoshalhan, et Mokhtari
2019; Kumar et al. 2020).
• Ces paramètres incontrôlables peuvent être représenté par des intervalles. Il s’agit de la
représentation la plus simple de l’incertitude (Guillaume, Thierry, et Zieliński 2017). Dans
cette représentation, un intervalle fermé est attribué à chaque variable, ce qui signifie que

52
Chapitre II. Aide à la planification tactique de la SC sous incertitude

sa valeur possible prend une valeur dans l'intervalle, mais qu'il n'est pas possible de prédire
laquelle. Ici, une approche discrète à base de scénarios peut exister. Dans ce cas, la
représentation par intervalle revient à exprimer que ces scénarios sont tous aussi
vraisemblables.
• Si les paramètres incontrôlables sont continus ou discrets et que leurs probabilité est
connue il s’agit d’une approche stochastique pour la représentation des incertitudes (Birge
et Louveaux 2011). Ces variables sont représentées avec une distribution de probabilité
continue ou discrète selon la nature des variables. Par ailleurs, on trouve aussi dans cette
catégorie des représentations à base de scénario, chaque scénario ayant une probabilité.
Cela peut correspondre à des approches de type Monte-Carlo où les scénarios sont issus
de combinaison de valeurs de différentes variables, valeurs tirées d’après la distribution de
probabilité des variables aléatoires(Baležentis et Streimikiene 2017).
• Enfin, les ensembles flous peuvent être utilisés pour représenter différentes formes
d'incertitude (Grabot et al. 2005). Ils peuvent représenter une flexibilité (contraintes
élastiques) (voir (Dubois, Fargier, et Fortemps 2003; Mula, Poler, et Garcia 2006)), une
préférence (voir (Dubois, Prade, et Touazi 2013)) ou une incertitude. La différence entre
flexibilité et incertitude est détaillée dans (Dubois, Fargier, et Fortemps 2003) pour des
problèmes de coordination en production. La fonction d’appartenance d’un ensemble flou
est interprété comme une distribution de possibilité (L. A Zadeh 1978). « une distribution
de possibilités représente le niveau d'information d'une personne par rapport à certaines
circonstances possibles, soit les circonstances présentes, soit les circonstances typiques »
(Lima, Relvas, et Barbosa-Póvoa 2021).

Une distribution de possibilité est une fonction 𝜋: 𝑆 → [0,1] de l’espace S dans l’intervalle [0,1]. Avec
π(v) = 1 est un des éléments de S minimum.

(Hawer, Schönmann, et Reinhart 2018) proposent un guide utile pour modéliser l'incertitude en
fonction du contexte et des données disponibles. Ce guide est un organigramme sous la forme d’un
questionnaire avec des questions à réponse "oui" ou "non". Il agrège les différentes techniques de
modélisation et attribue le domaine théorique pertinent aux résultats. Trois domaines sont
différenciés dans leurs proposition : La théorie des ensembles flous, les intervalles et la théorie des
probabilités.

Dans le domaine de SCRM (Supply Chain Risk Management), l’approche stochastique basée sur
des scénarios est la plus populaire (Baryannis et al. 2019). La définition du risque était initialement
rattachée aux probabilités. Toutefois cette définition est devenue beaucoup plus générique
aujourd’hui pour englober toute les représentations possibles des incertitudes (Guillaume 2011)
selon la nature des données à disposition.
Dans notre travail nous optons pour une représentation basée sur les ensembles flous et la théorie
de possibilité dont le choix est justifié ci-après.

53
2.2.2. Choix d’utilisation des ensemble flous et de la théorie de possibilité
Il est possible de se demander : pourquoi utiliser les ensembles flous et la théorie des
possibilités ?
La réponse peut être formulée comme suit : " Il vaut mieux être pertinent que précis " (Lotfi
A. Zadeh 1965). Plus l'information est imprécise, plus elle est certaine : si nous donnons l'ensemble
des valeurs possibles, il sera certain que la variable prendra l'une de ces valeurs. De plus, " La
logique floue et la théorie des possibilités ont montré leur intérêt dans un large éventail de
problèmes où l'incertitude peut être évaluée subjectivement " (Grabot et al. 2005).

La théorie des possibilités est introduite par Zadeh en 1978. Elle permet de traiter l'imprécision et
de considérer, en même temps, le caractère incertain de l'information. Les incertitudes considérées
par cette théorie sont non probabilistes : l’hypothèse est la probabilité de leur occurrence ne peut
être évaluée. L'avantage de ce formalisme par rapport aux probabilités est sa capacité à représenter
l'ignorance et les informations incomplètes.
La théorie des possibilités et la théorie des probabilités ont été étendues dans une théorie commune
qui est la théorie de l'évidence (Yager et Liu 2008).
La théorie de la possibilité peut être envisagée à travers la notion d'ensembles flous. Les ensembles
flous sont introduits par L.A. Zadeh en 1965. (Bouchon-Meunier 2007) affirme que les ensembles
flous présentent, au moins, deux intérêts principaux. Le premier intérêt est de modéliser une
connaissance imprécise (approximation : il mesure environ 75,5 m) ou vague (il est grand). Le
second est que les ensembles flous permettent de traiter les connaissances numériques (issues d'un
instrument) et les connaissances exprimées symboliquement par un observateur (compétences en
langage naturel).
La théorie des possibilité et les ensembles flous permettent donc de modéliser des incertitudes en
cas d’insuffisance de données pour déterminer une distribution de probabilité (Guillaume, Thierry,
et Grabot 2011). Un ensemble flou permet ainsi de représenter un ensemble de distributions de
probabilités comprises dans ses bornes. Il peut ainsi représenter une incertitude sur une distribution
de probabilités (Garg et Kaur 2020).

Pourquoi utiliser les ensembles flous/ la théorie des possibilités dans la planification de la
SC et plus précisément en planification à horizon glissant ?
Généralement, dans la planification de la SC, certains types de paramètres (saisonnalité, tendance
de demande, capacité, temps de traitement …) sont imprécis et ne peuvent pas être connus avec
certitude. Si ces paramètres sont stables sur des historiques suffisants, des statistiques de fréquence
permettent d’en estimer une distribution de probabilité. Si l’historique est faible, « Il n'est pas
approprié de décrire ces types d'incertitudes par une distribution de probabilité basée sur la
fréquence » (Cheraghalikhani, Khoshalhan, et Mokhtari 2019).

54
Chapitre II. Aide à la planification tactique de la SC sous incertitude

Particulièrement, dans notre contexte de planification à horizon glissant les décideurs replanifient
leurs activités dans l’incertitude en attendant les informations actualisées des autres acteurs dans les
prochains cycles. Ainsi, ils se basent sur des informations incomplètes ou imprécises qui seront
peut-être précisées dans les cycles de planification futurs (Liang 2006; F. Galasso et Thierry 2009).
Dans les modèles de planification déterministes basés sur une révision périodique en horizon
glissant, les plans des autres acteurs sont supposés être connus avec certitude au préalable de la
planification au début d’un cycle de planification. Cependant, ces hypothèses ne sont pas
cohérentes avec les caractéristiques réelles des plans transmis et le comportement des autres acteurs
dans l’horizon glissant. (Khellaf, Lamothe, et Guillaume 2020) analysent le glissement de plans issu
d’un acteur pour identifier des horizons où les variabilités des plans transmis sont différentes. Pour
chacun de ces horizons des encadrements de l’incertitude sont produits et permettent d’en définir
une représentation par intervalle ou floue.
Autre part, pour obtenir une distribution de probabilité, un historique très important est nécessaire
pour que les différentes situations se soient suffisamment posées. Aussi, l’application des modèles
stochastiques reste problématique à cause de : « lack of computational efficiency and inflexible probabilistic
doctrines which might not be able to model the real imprecise meaning of decision maker » (Cheraghalikhani,
Khoshalhan, et Mokhtari 2019). Contrairement aux approches basées sur les ensembles flous qui
sont en mesure de prendre en compte les dire d’expert (Ghasemy Yaghin et Darvishi 2021).

2.2.3. Positionnement : première question de recherche

Dans notre contexte, la théorie des ensembles flous est appropriée pour modéliser l'imprécision et
l'incomplétude des plans partagés par les autres acteurs de la SC du fait de l'insuffisance de données
pour générer des distributions de probabilité. Aussi, l’utilisation de la théorie des ensembles flous
va permettre d’intégrer à la fois les incertitudes sur les données ayant servi à produire le plan
transmis par un acteur dans la SC (volatilité des marchés) mais, aussi sur le comportement
décisionnel du partenaire (lissage, priorités, politique de sécurité, aversion ou pas au risque, etc.).
Surtout, parce que l’utilisation de ces approches est particulièrement fréquente dans le domaine où
le jugement humain, son évaluation et ses décisions sont importantes (Bellman et Zadeh 1970;
Cheraghalikhani, Khoshalhan, et Mokhtari 2019).
Cependant, « il est difficile d'expliquer intuitivement le flou à des chefs d'entreprise qui n'ont que
peu ou pas de connaissances en mathématiques » (Jamalnia et al. 2019). Ainsi, nous formalisons notre
première question de recherche pour répondre à ce problème :

Première question de recherche (QR1)

Comment intégrer la connaissance d'un expert sur les incertitudes dans les
plans transmis par les autres acteurs du SC (demande & approvisionnement) y
compris les comportements de ces acteurs, avec une modélisation basée sur
des ensembles flous ?

55
 2.3. Approches de gestion de l’incertitude

(Simangunsong, Hendry, et Stevenson 2012) identifient dans la littérature deux types d’approches
de gestion de l'incertitude. Soit réduire l'incertitude en agissant directement sur sa source, soit y
faire face en réduisant son effet sur les activités de la chaîne logistique sans influencer sa source.
Dans le cadre d’une démarche de gestion des risques pour la planification de la SC, réduire les
incertitudes à la source revient à réduire la probabilité/l’occurrence du risque. Par ailleurs, réduire
l’effet des incertitudes revient à réduire l’impact du risque en appliquant des stratégies de mitigation
des risques ou des stratégies permettant de maîtriser leur impact en s'appuyant sur des modèles
quantitatifs pour soutenir la décision sous incertitude.

2.3.1. Application de la démarche de gestion des risques

Le cadre méthodologique pour faire face aux incertitudes est celui des démarches de gestion de
risques. Une démarche de gestion des risques comporte généralement 4 étapes : sur l’identification,
l’analyse, l’évaluation et le traitement des risques (ISO31000 : 2018).
Différents outils peuvent être utilisés pour mener chaque étape de la démarche (Marquès 2010).
Pour la définition des risques à gérer dans une SC, il est possible de se référer à une opinion
d’expert, à l’analyse d’événements passés ou à l’analyse des opérations (audit, VSM, SCOR…) selon
le type de problèmes adressé.
Selon les critères et l'environnement incertain considérés, l'analyse des risques peut être basée sur
une approche qualitative (nature des risques, dépendance entre les risques...) et/ou quantitative
basée sur l'analyse de scénarios et la mesure des risques (probabilité x impact).
De même, l'évaluation des risques peut se baser sur différentes approches (analyse AMDEC,
classification ABC (Pareto) ou matrice de risques...) pour évaluer la criticité des risques et leur
priorité de traitement.
Enfin, le traitement ou la mitigation des risques dans la SC implique le développement et
l'évaluation de différentes stratégies de mitigation en termes de valeur potentielle et
d'investissements requis. (Tarei, Thakkar, et Nag 2021) résument six stratégies principales :
• Ignorer : une stratégie rare utilisée quand le risque ne peut pas être étudié ou que son impact
est trop minime.
• Accepter : adaptée quand le coût d’action de gestion de risque est plus important que son
impact ou pas assez de temps pour élaborer l’action.
• Contrôler : plus adaptée aux problèmes opérationnels quotidiens comme augmenter le
nombre de contrôles qualités ou mieux former les opérateurs …
• Diminuer : mise en œuvre de plans plus sophistiqués élaborés pour diminuer l’impact du
risque ou leur vraisemblance.
• Transférer : adaptée quand le risque est partagé entre les entités de la SC ou encore
concerne des perturbations à forte impact comme des catastrophes naturelles avec des
assurances, ou des contrats de de partage de risques...

56
Chapitre II. Aide à la planification tactique de la SC sous incertitude

• Éviter : Cette stratégie nécessite une identification de la cause racine du risque pour l’éviter.

Toutefois, ces démarches présentent encore des limitations dans leur application pour la
planification et la gestion de la SC sous incertitude. Au niveau de l’analyse des risques et leur
évaluation, (Ramesh et Sarmah 2021) et (K.T, Sarmah, et Tarei 2020) insistent sur le besoin de
quantifier les risques dans la SC en utilisant des techniques d'aide à la décision. En outre, ils
considèrent que les bonnes pratiques de gestion des risques sont celles qui aideront les décideurs à
atténuer les occurrences de risques et leur impact négatif. Par ailleurs, (Tarei, Thakkar, et Nag 2021)
soulignent dans leur revue de littérature que l'utilisation de systèmes d'aide à la décision (DSS) dans
la gestion des risques dans la SC est relativement rare (i.e. (Tuncel et Alpan 2010)).
Une autre limite est identifiée concernant l'évaluation des risques liés aux approvisionnements et à
leurs impacts sur la performance de la SC (K.T, Sarmah, et Tarei 2020). Presque les mêmes
conclusions sont fournies par (Baryannis et al. 2019) suite à une revue quantitative des travaux dans
la littérature considérant les différentes étapes de la gestion des risques (identification, évaluation
et réponse aux risques). Ils soulignent que l'évaluation des risques est rarement traitée de manière
quantitative et indépendante et que la plupart des travaux utilisant la gestion des risques comme
moyen de faire face à l'incertitude se concentrent sur la réponse aux risques sans fournir aucune
forme de systèmes d'aide à la décision pour gérer ces risques.

2.3.2. Réduction d'occurrence des risques à la source

Généralement, réduire l'incertitude consiste principalement à réduire les temps de cycle (en
intégrant des principes du Lean et du Juste-À-Temps (JAT) par exemple), à utiliser des logiciels de
gestion de la relation client et à améliorer la qualité des données en implémentant de nouvelles
technologies de traçabilité comme IoT (Internet of Things) (Manavalan et Jayakrishna 2019;
Garcia-Neveu 2020) . Sur un niveau plus stratégique, il y a aussi la réduction des incertitudes via la
reconception de la SC ou des produits et la définition de nouvelles politiques et procédures
décisionnelles (Simangunsong, Hendry, et Stevenson 2012; Vlachos et Malindretos 2021).

2.3.3. Stratégies de maîtrise des impacts des risques

Plus l’agilité de la SC est importante, moins il est nécessaire de bien estimer l’incertitude et plus les
impacts des risques sont maitrisés. La flexibilité est un levier essentiel pour l’agilité de la SC qui lui
permet de s’adapter efficacement face aux incertitudes (Tang et Tomlin 2008; Lelievre 2011; Huo,
Gu, et Wang 2018).

En interne, chaque entité de la SC peut adopter un ensemble de stratégies visant à améliorer sa

réactivité et son agilité. Ces stratégies ont besoin en amont de sources de flexibilité sur :
o des entrées : diversification des fournisseurs (Snyder et Shen 2019) pour disposer d’une
flexibilité des sources d’approvisionnement.

57
 o des sorties : développement des relations flexibles avec les client (clients moins sensibles
aux délais de livraison) (i.e.(Huo, Gu, et Wang 2018; Ströhle, Flath, et Gärttner 2019;
Ghomi et al. 2021))
o des processus notamment :
▪ La flexibilité des ressources (machines adaptables, effectifs polyvalents …) (i.e.
(Kaminsky et Wang 2019)).
▪ L’incorporation des concepts de retardement permettant le report des opérations
sensibles à l'incertitude (Rau, Daniel Budiman, et Monteiro 2021; Kristianto 2010;
Krajewski, Wei, et Tang 2005).
▪ Et l’utilisation de stocks stratégiques de découplage (Sánchez-Vega et al. 2018).
Par ailleurs, une approche collaborative de la SC peut être adoptée pour agir rapidement et disposer
d'une structure de plan concertée à l'avance pour éviter tout risque majeur entraînant une baisse
des performances de la chaîne (Ramesh et Sarmah 2021). Le partage d’information reste un levier
important pour améliorer la visibilité dans une chaîne logistique et ainsi accélérer la détection des
problèmes, accélérer les prises de décision, augmenter la confiance et réduire l’effet bullwhip (G.
Rius-Sorolla et al. 2021). Par ailleurs, les acteurs de la chaîne peuvent convenir des modalités de
flexibilité dans le cadre des relations fournisseur/client au sein de la SC (voir chapitre 1).

2.3.4. Approches quantitatives pour supporter la maitrise des risques

Cette catégorie fait appel à l’ensemble des travaux basés sur l’utilisation de la recherche
opérationnelle afin de réduire l’effet des incertitudes et supporter la maitrise des risques. (Jamalnia
et al. 2019) classifient ces techniques en cinq catégories :
o Approches floues : qui se basent sur optimisation robuste floue, l’optimisation floue
multi-objectifs, la programmation floue linéaire et non linéaire, contrôle par logique floue,
raisonnement approximatif, programmation possibiliste linéaire, optimisation possibiliste
linéaire multi-objectifs ou la programmation possibiliste linéaire interactive … Elles
s’appuient sur une modélisation linéaire ou non linéaire du problème de planification posé
et sur des distributions de possibilité de certains paramètres de ce modèle.
o Approches stochastiques : ces approches font appel l’optimisation robuste, à la
programmation stochastique linéaire ou non linéaire, l’optimisation stochastique mono ou
multi-objectifs, …Elles s’appuient sur une modélisation linéaire ou non linéaire du
problème de planification posé et d’un ensemble de scénario probabilisés représentatifs
des situations possibles. Les scénarios pouvant être générés selon une approche Monte
Carlo. Le but de l’optimisation est alors d’optimiser une combinaison de la moyenne, de
l’écart type, de l’étendue ou des pires cas rencontrés.
o Simulation : la simulation à événements discrets et la dynamique des systèmes sont deux
approches qui permettent de modéliser le comportement de décideurs face à des situations
rencontrées à partir d’une hypothèse d’évolution discrète ou continue de l’état du système
étudié.
o Métaheuristiques : algorithmes génétique, Recuit simulé, HS (harmony search) ; par essaims
particulaires… sont utilisés pour produire des solutions proches de l’optimum (mais non

58
Chapitre II. Aide à la planification tactique de la SC sous incertitude

garanties) à des problèmes de planification. À l’image des approches stochastiques, de

multiples scénarios peut être évalués pour produire une quasi-optimisation en moyenne,
étendue ou pire cas.
o Raisonnements approchés (Evedential Reasoning): BRB (Belief-Rule-Based inference method)
… Ces méthodes sont basées sur des modélisations de l’incertitude par des fonctions de
croyance et sont susceptibles de traiter des informations et des connaissances qui
comportent des niveaux variables d'incertitude, provenant principalement de l'ignorance
et de l'inexactitude (Shafer 1987).
Des combinaisons entre ces différents modèles sont largement étudiées dans la littérature (i.e.
programmation linéaire et simulation, algorithmes génétiques et simulation...). Ce type de modèles
est appelé hybride dans la classification proposée par (Peidro et al. 2009).

L’utilisation de la théorie de possibilité et de l’optimisation floue en planification de la SC est

souvent appelée “Fuzzy MRP” ou “fuzzy planning” (i.e. (Grabot et Geneste 1998; Grabot et al. 2005;
Sun, Liu, et Lan 2011; Gholamian, Mahdavi, et Tavakkoli-Moghaddam 2016; Díaz-Madroñero et
al. 2017)). L'utilisation de modèles flous permet d’inclure un plus grand nombre de paramètres
incertains (Baryannis et al. 2019). L'utilisation des modèles stochastique, en particulier celle basée
sur des scénarios, est identifiée comme la plus utilisée (représente 50% des articles analysés dans
(Baryannis et al. 2019)) pour le traitement des incertitudes. La même conclusion est obtenue dans
(Peidro et al. 2009). Les approches fondées sur de la simulation sont, quant à elles, plus adaptées
aux problèmes complexes comportant de multiples sources d'incertitude que les modèles
analytiques peuvent difficilement représenter (Mula, Poler, Garcia-Sabater, et al. 2006).
Ces conclusions sont ressorties également suite à notre investigation menée sur la littérature à
l’intersection de deux champs :
• La planification tactique dans une chaîne logistique aussi bien en production qu’en
distribution.
• La gestion de l’incertitude et des risques et leurs diverses formes de modélisation : floue,
stochastique, robuste… Mais aussi celle sur l’aide à la décision pour la planification tactique.
Cette investigation a été menée sur la base de données 'Scopus', le 29/10/21, en utilisant la requête
suivante, limitée aux articles de journaux et de revue : ( TITLE-ABS-KEY ( "supply chain" ) AND
TITLE-ABS-KEY ( "master plan*" OR "tactical plan* " OR " distribution plan* " OR "MPS " OR
" distribution requirement planning " OR " delivery plan* " ) AND TITLE-ABS-KEY ( " uncertain* "
OR " risk " OR " stochastic " OR " fuzzy " OR " fuzziness " OR " robust* " OR "DSS" OR
"planning support" OR " decision support" ) ) AND ( LIMIT-TO ( DOCTYPE , "ar" ) OR LIMIT-
TO ( DOCTYPE , "re" ) ).
Le résultat est de 210 articles de l'année 2000 à 2021. Nous avons analysé ces articles en utilisant
les méthodes « bibliometrix ».

59
Sur la carte de co-occurrence des mots-clés des auteurs de la figure 16, nous pouvons distinguer
des paquets qui croisent des problématiques de planification avec des méthodes : (i) rouge :
‘Production-distribution planning’ et ‘simulation’, (ii) bleu : ‘production planning’ et ‘optimisation’(iii) vert : ‘SC
planning’ et ‘stochastic programming’, (iv) violet : ‘master planning’ et ‘fuzzy sets’. Des techniques de
résolution comme ‘fuzzy mathematoical programming’ est plutôt associé à la simulation.

Dans la figure 17, la courbe cumulative de l'occurrence des mots-clés des auteurs par année montre
bien que le champ d’étude (planification tactique sous incertitude) est un champ d’étude en pleine
croissance. Une tendance à se focaliser sur les approches basées sur l'optimisation stochastique et
robuste est notée dans les travaux qui s'intéressent à la gestion de l'incertitude dans la planification
tactique des SC (voir l’analyse des tendances dans figure 18).
Les critères d’optimisation robuste les plus courants dans la planification SC sont : coût minimax
(minimisation du coût maximal parmi les scénarios), regrets minimax (minimisation du regret
maximal parmi les scénarios) (i.e. (Pishvaee, Rabbani, et Torabi 2011; Guillaume, Thierry, et
Zieliński 2017)). Le regret d'une solution est la différence entre le coût de la solution d'un scénario
et le coût de la solution optimale pour ce scénario. Cette approche est plus utilisée dans un contexte
stochastique (Snyder et Daskin 2006).

Figure 16. ‘Co-occurrence map’

60
Chapitre II. Aide à la planification tactique de la SC sous incertitude

Figure 17. Évolution des mots clés des auteurs en planification tactique sous incertitude

Figure 18. Analyse de la tendance des sujets par année

Toutefois, les approches d'optimisation ne favorisent pas la coordination et la collaboration entre

les acteurs de la SC et il n'est pas toujours facile de formaliser leur fonction objectif dans un
contexte ambigu (Lima, Relvas, et Barbosa-Póvoa 2021). Aussi, elles supposent que les préférences
des décideurs soient parfaitement identifiées. Cependant, « les préférences du décideur évoluent
tout au long du processus décisionnel et la nature conflictuelle des objectifs ne permet pas une
optimisation simultanée de ces derniers » (Igoulalene 2014).

61
2.3.5. Positionnement : Deuxième et troisième questions de recherche
Dans notre travail, nous n'agissons pas sur les sources d'incertitude, et nous ne cherchons pas à
changer les politiques ou les technologies utilisées dans le contexte industriel étudié. Nous partons
du principe que l’échange de planification tactique de la SC est réalisé en mode déterministe par
l'ERP et/ou le DRP et nous n'avons pas l'intention de "remplacer" cette pratique industrielle. Notre
travail s'inscrit plutôt dans une stratégie visant à aider chaque décideur à faire face aux incertitudes
qu’il constate dans la planification tactique de la SC en réduisant leurs effets dans le cadre d'une
application de la démarche de mitigation des risques.

Motivés par l'analyse des revues de littérature sur les applications de cette approche, nous
proposons une approche de type aide à la décision basée sur une approche quantitative d'évaluation
des risques qui est rarement utilisée dans le traitement des problèmes de planification sous
incertitude.

Ainsi, nous formalisons deux questions de recherche pour adresser ce problème :

Deuxième question de recherche (QR2)

Comment aider un décideur à prendre en compte l’incertitude dans les plans

transmis par les autres acteurs de la chaîne (demande et plans
d’approvisionnements) pour l’évaluation des risques et de la robustesse des
plans élaborés à une date donnée ?

Troisième question de recherche (QR3)

Quelles seraient les caractéristiques et les fonctionnalités d’un système d’aide à

la replanification intégrant les incertitudes dans les plans transmis par d’autres
acteurs de la chaîne ?

2.4. Caractéristiques du problème étudié

2.4.1. Analyses des revues de littérature

Un problème de planification se caractérise par le nombre de périodes de planification considérées
(une seule période ou multi-périodes), le nombre de produits (un seul produit ou multiproduits), le
nombre d’objectifs (mono ou multi-objectifs) et concerne une SC ayant une structure donnée

62
Chapitre II. Aide à la planification tactique de la SC sous incertitude

(nombre de maillons, type de structure, nombre de centre de décision…). Les travaux dans la
littérature sont souvent classifiés selon ces différentes caractéristiques et la complexité du contexte
considéré (Dolgui et Prodhon 2007a; Dolgui et al. 2013; Sahin, Narayanan, et Robinson 2013;
Cheraghalikhani, Khoshalhan, et Mokhtari 2019; Kumar et al. 2020).
L’écart entre la recherche et les applications industrielles, est considéré comme la limite principale
des travaux traitant des incertitudes dans les problèmes de planification de la SC (Baryannis et al.
2019; Jamalnia et al. 2019; Peidro et al. 2009). Cela est justifié par l’insuffisance de la prise en
compte de la spécificité des contextes industriels (Jamalnia et al. 2019) et par le manque de prise en
compte des problèmes de planification à horizon glissant que ce soit en mode déterministe ou
incertains (Sahin, Narayanan, et Robinson 2013; Jamalnia et al. 2019).
Afin de réduire cet écart, (Sahin, Narayanan, et Robinson 2013; Dolgui et al. 2013) proposent
d’adopter des représentations plus étendues des problèmes de planification (multi-périodes, multi-
produits, multi-acteurs...) afin de mieux refléter les pratiques industrielles. (Sahin, Narayanan, et
Robinson 2013) considèrent également la prise en compte des pratiques de planification à horizon
glissant et le facteur humain dans la prise de décision pour combler le décalage entre la théorie et
la pratique. Par ailleurs, (Baryannis et al. 2019; Jamalnia et al. 2019; Peidro et al. 2009) soulignent
l’importance d’accorder plus d’attention à l'étude de l'applicabilité des approches théorique dans
des contextes industriels dynamiques.

2.4.2. Positionnement : quatrième question de recherche

Dans ces travaux, nous considérons une structure divergente d’une SC industrielle multi-acteurs
(contexte industriel). Dans ce contexte, nous étudions un problème de planification dynamique à
horizon glissant, multiproduits, multi-périodes dans cette SC multi-acteurs. D’ailleurs, cette
complexité est au cœur de notre problématique industrielle d’aide à la décision détaillée dans le
chapitre 1.
Sensibilisés, dans cette partie, par l'importance de l'étude de l'applicabilité de notre approche dans
ce contexte industriel, nous formalisons une quatrième question de recherche comme suit :

Quatrième question de recherche (QR4)

Comment le système d'aide à la replanification pourrait-il s'intégrer dans le

contexte de planification complexe et dynamique existant ?

63
 3. Aide à la planification tactique sous incertitude

3.1. Outils d’aide à la planification

Nous analysons ici quelques travaux sur l’aide à la décision pour la planification sous incertitude
proposant une aide à la décision et donc une interaction avec un planificateur pour l’aider dans sa
prise de décision.
Nous tenons à souligner que dans ces deux dernières années, de plus en plus de travaux
s’intéressent à des contextes industriels précis en considérant de plus en plus la complexité et la
spécificité de chaque environnement dans les modèles d’aide à la décision proposés. Ceci est dû à
la cohésion et aux rapprochements évolutifs des académiques et des industriels dans le cadre de
projets commun comme celui dans lequel s’inscrit cette thèse.
Dans les SCs pharmaceutiques (PSC) correspondant à notre contexte industriel, (Marques et al.
2020) fournissent une analyse approfondie et détaillée de la littérature des travaux d’aide à la
planification de ces SCs sur différents niveaux afin de saisir les principaux problèmes, tendances et
défis de l'optimisation de la planification des processus d’aide à la décision stratégique et tactiques.
Ils proposent ainsi un modèle de référence pour assister les chercheurs dans la création de leurs
modèles d’aide à la décision basé sur l’optimisation pour la planification de ce type de SC. Dans
leur modèle de référence d’aide à la décision, l’intégration des incertitudes est le levier principal de
performance des opérations de la Supply chain sur les différents niveaux de décisions.

Dans le contexte des SCs pétrolières aval, (Lima, Relvas, et Barbosa-Póvoa 2021) proposent un
modèle MILP (Mixed-Integer Linear Programming) pour une optimisation à deux niveaux. Un
niveau stratégique de la conception du réseau de distribution (localisation et exploitations des
entrepôts). Un niveau tactique des plans de distribution des produits (flux, satisfaction de la
demande, affectation des transports). L'objectif du modèle est d'optimiser ces opérations de
manière économique en fonction d'une demande floue et de coûts de réseaux flous avec des
contraintes de capacité, en proposant le meilleur plan de distribution en termes de coûts. Ces
paramètres flous sont considérés comme une distribution de possibilités. Dans ce travail les auteurs
adoptent différents modèles basés sur des mesures de la théorie de possibilité pour représenter
différentes préférences du décideur. Une mesure de possibilité pour représenter un caractère
optimiste du décideur. Une mesure de nécessité pour représenter un caractère pessimiste. Les
auteurs présentent ces approches floues comme complémentaires et pouvant faire référence à trois
stratégies de prévention de risques pour aider le décideur à gérer l’incertitude et d’émettre de
meilleures décisions. Cependant les auteurs n’ont pas détaillé l’applicabilité de ces méthodes dans
le contexte réel des systèmes de planification de ces SCs ni les interactions du décideur avec ces
outils et leur utilisation.
Pour le même type de SC pétrolière, (Pudasaini 2021) s’intéresse aux décisions tactiques et
stratégiques. Cependant, ils proposent plutôt une approche stochastique multi-objectifs, MILP
basée sur des scénarios de demandes (optimiste, réaliste et pessimistes) calculés à partir d’une
demande nominale selon de différents taux de croissance. Les auteurs proposent ce modèle comme

64
Chapitre II. Aide à la planification tactique de la SC sous incertitude

un outil d’aide à la décision qui assiste le décideur dans le choix de la solution préférée parmi
l’ensemble des solutions générées par le POS (Pareto optimal solutions). Les problèmes considérés par
ces modèles sont statiques et concernent une période de planification. Toutefois, un niveau avancé
de complexité est considéré dans ces différents modèles pour mieux refléter la réalité de ce type de
SC (multi-objectifs, multi-produit, multi-modes de transports ...) et permettre au décideur de les
exploiter pour comprendre la complexité, la flexibilité et les risques de la prise de décision sous
incertitude
(Papaleonidas et al. 2020) s’intéressent à des SCs de gaz naturel. Dans le cadre d’amélioration de la
proactivité de ces SC, les auteurs proposent un outil d’aide à la décision pour la planification
tactique basé sur un modèle hybride d’optimisation (MILP et algorithme génétique) d’un problème
du transport maritime dans une approche déterministe. Le temps d’exécution du modèle requis est
significatif et augmente proportionnellement au niveau de complexité de la SC considérée. Le
même problème et contexte sont traités par (Bittante, Pettersson, et Saxén 2018) avec une tentative
préliminaire d'aborder l'incertitude sur la demande.

(Akbarian-Saravi, Mobini, et Rabbani 2020) visent l’optimisation de la planification tactique et

stratégique dans une SC bioéthanol. Ils proposent un outil d’aide à la décision basé sur ANN
(Artificial Neural Network), modélisation mathématique multi-objectifs et une approche hybride qui
vise à trouver la solution préférée du décideur selon ses préférences définies dans la fonction
objectif.
(Laguna-Salvadó et al. 2019) proposent un modèle mathématique déterministe d’optimisation du
MP (Master Planning) pour soutenir la planification tactique des SC humanitaires. Une
démonstration numérique est élaborée pour l’étude de l’implémentation de l’outil et la validation
de son utilité tout en intégrant les choix de priorisation du décideur.
(Liang 2006) considèrent un problème de planification de distribution flou multi-objectifs qui vise
à la fois minimiser le coût total de distribution et le temps de livraison total avec des
approvisionnements et demande floues et des capacités limitées. Ils proposent une méthode
interactive pour la résolution du problème (interactive fuzzy multi-objective linear programming (i-
FMOLP)) où les décideurs peuvent modifier les paramètres flous de planification jusqu’à trouver
l’ensemble des solutions satisfaisantes.
Afin de dépasser les limites de l'utilisation de la programmation linéaire qui fournit une solution
unique, (Gaudreault et al. 2017) proposent un outil d'aide à la décision basé sur l'optimisation
interactive appliquée aux problèmes linéaires de planification tactique de la SC. Le système proposé
est un système de prise de décision hybride basé sur la collaboration entre la machine et le décideur
pour produire une solution dans un contexte itératif et interactif (Mixed-Initiative-System (MIS)).
Via un tableau de bord, le décideur peut modifier et interagir avec les variables de décision et lancer
la re-optimisation pour obtenir les nouvelles solutions dans peu de temps. Les auteurs proposent
également un modèle fournissant une tolérance d’optimalité autour de la solution optimale générée.
Ce modèle vise à prendre en compte la tendance des décideurs à rechercher un compromis entre
flexibilité et optimalité.

65
(Ogier et al. 2015) considèrent une SC multi-échelon avec une planification décentralisée à horizon
glissant avec un partage d'information minimal par négociation (propositions de
commande/approvisionnement). Ils utilisent une approche hybride (simulation avec système
multi-agent et optimisation) pour permettre au décideur d'évaluer différentes stratégies d'allocation
sous incertitude par la simulation en horizon glissant. Leur travail fournit un cadre prometteur vers
un outil décentralisé d'aide à la décision.

Les travaux utilisant des approches basées sur une évaluation quantitative des risques dans la
planification tactique sont relativement rares.
Parmi ces travaux, (F. Galasso et Thierry 2009) proposent une approche d’aide à la planification
tactique basée sur l’analyse des risques point de vue fournisseurs et point de vue clients sous
incertitude dans la demande. Ces incertitudes sont modélisées à partir des scénarios de demande
(min, nominale, max) donnés par le client dans le cadre d’un processus de planification
collaborative, dans un contexte dynamique de planification à horizon glissant. Les auteurs
fournissent un tableau de bord basé sur les résultats de simulation selon différents stratégies et
différent niveaux de visibilité (la longueur d’horizon firme communiqué par les clients). Ce tableau
de bord comprend des diagrammes de risques construits selon différents critères (Hurwicz Laplace,
Wald and Savage). Ainsi les décideurs peuvent coopérer dans le choix des stratégies de planification
tout en intégrant leurs connaissances d’expert. Le système consiste principalement en un module
intégrant le processus de simulation de stratégies permettant la génération des indicateurs affichés
dans l’interface proposée.

(Guillaume, Grabot, et Thierry 2013) proposent aussi une approche de traitement des incertitudes
basée sur la gestion des risques. Leur méthode vise à générer en sortie le plan le moins risqué en
considérant l’imprécision dans les dates des commandes clients et la capacité et d’autres paramètres
de planification. Le client est impliqué dans le choix du critère du plan généré et utilise ses
connaissances pour la modélisation des paramètres imprécis et des entrées du modèle
d’optimisation. Un processus de décision est détaillé pour la sélection du plan. Une matrice des
risques est proposée pour la visualisation des résultats d’évaluation des risques d’un plan en termes
de leur mesure de possibilité pour aider le décideur dans sa sélection du plan le moins risqué.

3.2. Aide à la planification en horizon glissant

Dans cette partie, nous analysons particulièrement les travaux sur les problèmes de planification à
horizon glissant liés à notre problématique industrielle définie dans le premier chapitre. Au-delà
des approches traditionnelles déjà intégrées dans les pratiques des industriels (horizon,
surdimensionnement des capacités, délais de sécurité ...) (Whybark et Williams 1976; Koh, Saad, et
Jones 2002; Mula, Poler, García-Sabater, et al. 2006; Dolgui et Prodhon 2007b; Lalmazloumian et
Wong 2012; Damand, Derrouiche, et Barth 2013; Mundi et al. 2019; Atadeniz et Sridharan 2020),

66
Chapitre II. Aide à la planification tactique de la SC sous incertitude

différents travaux adressent ce problème en intégrant les incertitudes sur les paramètres de
planification pour réduire la nervosité dans la planification tactique de la SC.

Le travail de (Genin, Lamouri, et Thomas 2007) vise à « se débarrasser de la nervosité » en utilisant

une approche déterministe. Ils proposent une approche réactive basée sur un modèle linéaire qui
vise à faire un compromis entre la stabilité et l'optimalité de la replanification sur l'horizon glissant.
Elle réduit les déviations, à la fois, par rapport à un "plan de référence" conservé du cycle de
planification précédent et par rapport à un plan optimisé. Ils utilisent la simulation pour reproduire
le comportement dynamique de la prise de décision à l'aide d'un modèle de ré-optimisation pour la
replanification sur l'horizon glissant. Les résultats de la simulation permettent aux auteurs de
confirmer que leur approche est prometteuse et qu'elle peut être intégrée dans le système APS pour
en améliorer la stabilité et la robustesse.
(F. Galasso, Mercé, et Grabot 2009) adoptent une représentation par intervalle de l'incertitude sur
la demande et présentent un cadre de simulation de l’horizon glissant qui peut être utilisé pour
l'aide à la décision afin de choisir une stratégie de planification pour faire face à cette incertitude
dans la planification à horizon glissant. Le modèle est basé sur l'évaluation de l'impact de
l'incertitude sur la demande sur les coûts et les risques. Une approche par simulation valide que la
visibilité sur la demande réduit significativement les coûts tant que cette visibilité est suffisamment
précoce pour réagir aux perturbations. Les auteurs fournissent comme perspective de ce travail,
l'utilisation de la théorie des possibilités pour une considération plus explicite de l'incertitude sur la
demande.
De même, (Herrera et al. 2016b) proposent une approche réactive qui vise à atténuer l'instabilité
des plans tactiques en tenant compte l'incertitude sur la demande. L’utilisation de différentes
combinaisons d'objectifs basées sur des modèles de programmation en nombres entiers mixtes
montre que viser une amélioration de la stabilité du plan est un bon objectif qui n’implique pas
nécessairement une forte augmentation des coûts de production.
(Demirel, Özelkan, et Lim 2018) proposent un nouveau modèle de planification à horizon glissant
sous un profil de besoins de flexibilité pour éviter les instabilités découlant du modèle traditionnel
de planification à horizon glissant. Ils proposent une formulation ‘mixed integer linear programming’
pour générer des plans de production sous formes de limites inférieures et supérieures appelée
''flex-limits''.
(Esteso et al. 2019) proposent une aide à la révision des plans de livraison. Ils traitent le problème
de réallocation des approvisionnements. Ils proposent un modèle de simulation SD (System
Dynamics) basé sur une approche MILP (mixed-integer linear programming) pour la maximisation
des profits dans la réallocation en cas de rupture.
(Campuzano-Bolarín et al. 2020) proposent une approche intégrée pour les gestionnaires de
production afin de fournir de nouvelles perspectives en combinant la planification à horizon
glissant et un modèle de simulation de systèmes dynamiques pour la gestion de la demande avec
des délais variables. Ils montrent, à partir des résultats de la simulation, l’apport de cette approche

67
dans un environnement dynamique et incertain, en termes de réduction du coûts et effet de
Bullwhip.
Étant motivés par le manque de moyens efficaces d'adaptation face aux événements inattendus
dans le cadre de la planification dynamique, (Ferreirinha et al. 2020) a développé un prototype
connecté au logiciel MRP et utilise des méta heuristiques pour générer un plan prédictif. La
replanification est faite via un module d'événements dynamiques. Ce travail fait partie des rares
travaux qui se sont concentrés sur une étude analytique approfondie de l’applicabilité de l’outil
proposé.

3.3. Conclusion

Si nous reprenons la définition du système d'aide à la décision (DSS) adoptée dans cette thèse, qui
considère un DSS comme : un système d’information, supportant un décideur à performer un processus
de décision pour atteindre un objectif déterminé. Nous remarquons qu'au moins une de ces
composantes est manquante et non définie dans les travaux sur l’aide à la planification sous
incertitude, du moins ceux présentés dans cette section. La plupart du temps, la mise en œuvre et
l'analyse de l'applicabilité de ces outils sont présentées dans les perspectives de ces travaux. La
plupart des travaux, principalement ceux basés sur l'optimisation, peuvent être considérés comme
des propositions de modules de planification avancée supplémentaires pouvant être intégrés dans
les APS, ou comme de nouveaux systèmes de planification avancée. Toutefois, d'autres travaux,
basés notamment sur des indicateurs via des interfaces utilisateurs, proposent des modules externes
qui s'alimenteront des données des ERP et des APS. Cependant leurs interactions avec les données
dynamiques de ces systèmes ne sont jamais étudiées. Ceci est également vrai pour les différents
travaux de la littérature qui se sont intéressés au traitement du problème de la nervosité dans un
contexte de planification à horizon glissant. Ils sont principalement basés sur l'optimisation
intégrant le critère de stabilité des variables de décision en horizon glissant, et sur la simulation de
stratégies de planification sous incertitude pour l'aide à la décision. Toutefois, les travaux utilisant
une approche de gestion des risques pour traiter ce problème dans le contexte de la planification à
horizon glissant sont rares.

4. Conclusion
Dans ce chapitre, nous avons identifié cinq critères utilisés dans la littérature pour classer les travaux
de planification sous incertitude : le niveau de décision, la source d'incertitude, l'approche de
modélisation de l'incertitude, l'approche de gestion de l'incertitude et les caractéristiques du
problème étudié. Nous avons focalisé dans un deuxième temps sur des travaux proposant une aide
à la planification sous incertitude de façon générale et des travaux sur le traitement du problème de
la nervosité de la planification en horizon glissant de façon particulier.

Pour chaque critère, l'analyse de la littérature a permis d'identifier les principales limites et de
positionner les travaux de cette thèse.

68
Chapitre II. Aide à la planification tactique de la SC sous incertitude

Les travaux de cette thèse concernent le niveau tactique de la planification d’une SC, très important
pour le contrôle de la nervosité du système de planification.
Pour répondre à la limitation qui consiste à ne pas considérer plusieurs sources d'incertitude en
même temps, en particulier les incertitudes au niveau de l'approvisionnement, nous considérons à
la fois les incertitudes dans les plans d'approvisionnement prévus par le fournisseur et les
incertitudes dans les plans de demande des clients.
Afin d'intégrer à la fois les incertitudes dans les plans transmis et le comportement décisionnel des
planificateurs de ces plans en l'absence de données suffisantes pour représenter les distributions de
possibilités de ces incertitudes, nous optons pour une représentation basée sur les ensembles flous.
Face aux limites des modèles de maîtrise de l'incertitude basés sur l'optimisation les plus utilisés et
la concentration des travaux sur les approches de réponse au risque sans système d'aide à la
décision, les travaux de cette thèse se concentrent sur la planification sous incertitude, basée sur
l'évaluation quantitative des risques associés aux plans d'un décideur sous incertitude.
Enfin, le domaine de la planification sous incertitude connaît un écart important entre la recherche
et les applications industrielles. Ainsi, nous considérons un problème de planification étendu
(multi-produits, multi-périodes, multi-acteurs...) et nous considérons que l'analyse de l'applicabilité
de l'approche proposée dans un contexte industriel réel en dynamique est importante pour
participer à combler cet écart. Pratiquement, cette analyse doit être basée sur la proposition d’un
système d’aide à la décision impliquant le décideur et l’analyse des interactions de l’outil avec les
données dynamiques des systèmes d’information de planification existants.

Ainsi, nous avons formulé quatre questions de recherche pour répondre à la problématique de
recherche sur l’aide à la planification en horizon glissant sous incertitude :
o QR1 : Comment intégrer la connaissance d'un expert sur les incertitudes dans les plans
transmis par les autres acteurs du SC (demande & approvisionnement) y compris les
comportements de ces acteurs, avec une modélisation basée sur des ensembles flous ?
o QR2 : Comment aider un décideur à prendre en compte l’incertitude dans les plans
transmis par les autres acteurs de la chaîne (demande et plans d’approvisionnements) pour
l’évaluation des risques et de la robustesse des plans élaborés à une date donnée ?
o QR3 : Quelles seraient les caractéristiques et les fonctionnalités d’un système d’aide à la
replanification intégrant les incertitudes dans les plans transmis par d’autres acteurs de la
chaîne ?
o QR4 : Comment le système d'aide à la replanification pourrait-il s'intégrer dans le contexte
de planification complexe et dynamique existant ?

69
CHAPITRE III. CADRE THEORIQUE ET METHODOLOGIE DE
RECHERCHE

“It is important to get results from experiment but the most important is the process in getting the results”
Dr. Nik Ahmad Nizan

1. Introduction........................................................................................................... 73
2. Problématique et questions de recherche .............................................................. 73
3. Concepts fondamentaux........................................................................................ 77
3.1. Hypothèses de performances des plans de livraison /approvisionnements :
faisabilité, satisfaction, fiabilité, stabilité ......................................................................... 77
3.2. Hypothèses de planification sous incertitudes : Incertitude, Risque, robustesse
78
4. Notre approche de gestion des risques pour l’aide à la replanification ................ 79
4.1. Processus de gestion des risques...................................................................... 79
4.2. Périmètre d’application, contexte et critères.................................................... 80
4.3. Identification des risques ................................................................................. 81
4.4. Analyse des risques .......................................................................................... 82
4.5. Évaluation des risques ..................................................................................... 84
4.6. Traitement des risques ..................................................................................... 86
5. Aide à la planification ........................................................................................... 87
5.1. Processus d’aide à la décision.......................................................................... 88
5.2. Processus de négociation ................................................................................. 89
6. Conclusion ............................................................................................................ 91

72
Chapitre III. Cadre théorique et méthodologie de recherche

1. Introduction
Dans le chapitre précédent, nous avons positionné la problématique de cette thèse ainsi que les
questions de recherche relevant de l'analyse de la littérature. Dans ce chapitre, nous visons à
présenter un cadrage théorique et méthodologique du travail de cette thèse pour répondre à ces
questions.

Tout d'abord, nous rappelons le positionnement de la problématique de cette thèse et les questions
de recherche. Nous présentons ainsi les apports de ces travaux associés à chaque question de
recherche. Ensuite, nous présentons le cadre théorique de cette thèse où nous définissons les
principaux concepts utilisés dans notre contexte. Nous détaillons ensuite la méthodologie que nous
avons adoptée pour répondre aux différentes questions de recherche.
Nous détaillons ensuite la méthodologie de gestion des risques proposée pour répondre à nos
questions de recherche. Nous présentons à chaque étape les hypothèses et les méthodes utilisées.
Enfin, nous décrivons également les processus d'aide à la décision implémentés dans l'outil d'aide
à la décision proposé.

2. Questions de recherche et contributions

Dans le contexte d’une planification tactique assurée par les modules déterministes des systèmes
d’information de l’entreprise, les performances de plans d'un décideur ne peuvent être améliorées
qu'en prenant en compte des informations supplémentaires qui dépassent la portée de son domaine
de planification individuel. Ceci est dû à l'interdépendance des activités des différents maillons de
la chaîne. Ainsi, la coordination de différents plans tactiques est nécessaire pour diminuer la
variabilité des quantités de production et de distribution planifiées et augmenter l'agilité du réseau
face aux événements inattendus. Cette coordination est assurée la plupart des temps via un partage
d’information minimal basé principalement sur un échange de plans de demande et
d’approvisionnement dans le cadre des relations client/fournisseur au sein d’une chaine logistique.
Cette coordination peut paraitre suffisante pour améliorer la fiabilité de planification adoptant une
vision statique de la planification pour une date donnée. Pourtant, elle est effectuée dans un
environnement très dynamique, où les aléas ne viennent pas seulement des changements du carnet
de commandes des clients mais aussi des aléas d’exécution des plans sur des différents niveaux de
la chaine ou encore d’une correction de prévisions de ventes nécessitant une réadaptation des
ressources ou du comportement et des choix de stratégies de planification du décideur.

Afin de détecter et d’intégrer ces fluctuations suffisamment tôt pour réagir, le processus de
planification à horizon glissant est important pour réviser les plans et coordonner les processus de
la chaine. Toutefois, les perturbations qui impactent chacun des acteurs ne sont pas toujours
détectées suffisamment en avance. La coordination entre les acteurs est d’autant plus complexe et
difficile que chaque décideur doit faire face à des variations des plans des acteurs en amont et en
aval en horizon glissant. Ceci est particulièrement vrai quand il s’agit de décider de modifications

73
augmentant la nervosité du système de planification alors que le ou les autres partenaires risquent
de changer à nouveau d'avis lors de la planification suivante. Dans ce cas, le décideur est confronté
à un dilemme entre réactivité-stabilité. Par ailleurs, ces modifications concernent un grand nombre
de références d'articles qui peuvent être différents dans leurs modes de gestion et qui ont un stock
partagé entre plusieurs clients, ce qui augmente les dimensions de la prise de décision et par
conséquent sa complexité.
Le partenaire industriel a souligné qu'en plus de la complexité inhérente aux activités de
replanification, le décideur doit gérer des profils de clients variés qui diffèrent de la qualité de leurs
prévisions et de leur réactivité. Aussi, les procédures de gestion des multiples produits et marques
sont variées. De plus, le temps requis pour la replanification et les ressources allouées à cette activité
sont importants.

Christophe Rousse (directeur Supply Chain au sein de Pierre Fabre Derme-

Cosmétique) :
« En général, environ 50% du temps travaillé d’un planificateur est sur la révision des plans.
Il faut environ un mois pour réviser 4500 références de produits par 7 planificateurs. »
.
Cette multitude de dimensions et la grande complexité de la prise des décisions de replanification
conduisent à la problématique industrielle que nous abordons dans cette thèse :

Problématique industrielle :

Comment aider un décideur au sein d'une chaîne logistique à limiter la

nervosité de sa planification tactique sur l’horizon glissant face aux incertitudes
?

Ainsi, nous proposons d'intégrer les incertitudes dans le processus de prise de décision du décideur
pour l’aider à replanifier et à améliorer la robustesse de ses décisions pour répondre à la
problématique industrielle. Ceci conduit à formuler la problématique de recherche comme suit :

Problématique de recherche :

Comment intégrer les incertitudes dans le processus de décision déterministe

d’un planificateur pour l’aider à replanifier ?

L'idée est que chaque acteur puisse d'abord prendre en compte l'incertitude dans les plans
déterministes transmis par les acteurs de la chaîne en amont et en aval dans son processus de
décision de replanification. Cela ne change rien au fait que les décideurs échangeront toujours des
plans déterministes. Nous avons formulé notre première question de recherche dans le chapitre
précédent :

74
Chapitre III. Cadre théorique et méthodologie de recherche

Première question de recherche (QR1)

Comment intégrer la connaissance d'un expert sur les incertitudes dans les
plans transmis par les autres acteurs du SC (demande & approvisionnement) y
compris les comportements de ces acteurs, avec une modélisation basée sur
des ensembles flous de ces incertitudes ?

Ces incertitudes sont intégrées dans un processus d’évaluation des risques et de la robustesse de
ces décisions. D’où notre deuxième question de recherche :

Deuxième question de recherche (QR2)

Comment prendre en compte l’incertitude dans les plans transmis par les
autres acteurs de la chaine (demande et plans d’appros) pour l’évaluation des
risques et de la robustesse des plans d’un décideur élaborés à une date donnée
?

De plus, nous visons à fournir aux planificateurs un système d'aide à la replanification en plus des
modules ERP/DRP. Ce système est accessible par différents acteurs de la chaine et évalue les
risques des décisions de planification de chacun selon le type de son activité sous des entrées
incertaines, tout en respectant son autonomie. Ainsi, un acteur du SC peut utiliser l’outil pour
évaluer la robustesse des décisions de planification en les confrontant aux incertitudes de la
demande et des plans d’appro de ces fournisseurs au même temps. Cet objectif conduit à la
troisième question de recherche :

Troisième question de recherche (QR3)

Quelles seraient les caractéristiques et les fonctionnalités d’un système d’aide à

la replanification intégrant les incertitudes dans les plans transmis par d’autres
acteurs de la chaine ?

Par ailleurs, la mise en place de ce système d’aide à la décision consiste à son intégration dans un
contexte dynamique de replanification dans le cadre d’un processus existant de planification
effectuée via les modules d’ERP/DRP. Cela conduit à la quatrième question liée à l’intégration de
l’outil dans le contexte existant de planification :

Quatrième question de recherche (QR4)

Comment le système d'aide à la replanification pourrait-il s'intégrer dans le

contexte de planification dynamique existant ?

75
Pour répondre à ces questions de recherche (QR1, QR2, (QR3 & QR4) respectivement), notre
travail apporte trois contributions principales :

Contribution 1 (C1) :

Une formalisation des types d’informations métier qu’un décideur peut fournir
pour décrire les incertitudes dans les plans cumulés et la traduction de ces
informations pour une modélisation des incertitudes basée sur les ensembles
flous.

Contribution 2 (C2) :

Une approche de gestion des risques pour augmenter la robustesse des

décisions de planification tactique face à l'incertitude, basée sur des mesures de
théorie des possibilités, en considérant simultanément des demandes et des
approvisionnements flous.

Contribution 3 (C3) :

Une proposition de cadre conceptuel du système d'aide à la replanification et la

mise en place d’une plateforme cloud d’aide à la planification dans le cadre
d’un cas industriel.

La troisième contribution (C3) est une contribution dans le cadre du projet ANR CAASC avec le
partenaire industriel PFDC le fournisseur du cas industriel. La présentation de la plateforme, son
implémentation ainsi que l’études de cas permettant d'évaluer l'outil dans un contexte dynamique
seront présentées dans le chapitre V.
Dans la section suivante, nous détaillons la méthodologie adoptée en vue de l'intégration des
incertitudes et de l'évaluation des risques pour l'aide à la replanification.

76
Chapitre III. Cadre théorique et méthodologie de recherche

3. Concepts fondamentaux

3.1. Hypothèses de performances des plans de livraison

/approvisionnements : faisabilité, satisfaction, fiabilité, stabilité

La gestion des opérations dans une chaine logistique repose sur deux activités principales : la
planification et le contrôle des performances. D’abord, nous rappelons que la planification est un
ensemble d'activités qui vise à assurer l'équilibre des ressources avec les besoins de la chaîne
logistique pour générer un ensemble de plans. Un plan correspond aux quantités à opérer dans des
périodes futures données, élaborées à une date donnée.

Ensuite, le suivi des performances de cette planification est très important pour veiller à son
exécution et, par conséquent, au bon fonctionnement global de la SC.
Comme la satisfaction des clients est au cœur des préoccupations de la SC, les performances de
livraison sont considérées comme une mesure essentielle des performances globales de la SC
(Stadtler et Kilger 2008, 53‑54), (voir figure 19).
Une promesse de livraison ou prévision d'approvisionnement est un plan élaboré par un fournisseur
pour répondre aux besoins de ses clients en fonction de la disponibilité des produits en stock ou
des capacités de ses ressources internes. Cette promesse est utilisée comme un plan de référence
qui engage un fournisseur envers son client jusqu'à son exécution sur l'horizon glissant. Ainsi, la
performance d'une promesse de livraison peut se mesurer en termes de sa satisfaction des
contraintes externes (clients) et internes (capacité). Le taux de service est la mesure classique de la
satisfaction de la demande des clients ou encore le taux d'indisponibilité quantifiant l'écart entre cette
promesse et la demande.
En ce qui concerne les contraintes internes, les unités gérant le stock en interne doivent le maintenir
à un niveau objectif afin d'éviter de programmer des ruptures de stock lors de l'établissement des
promesses de livraison. Par ailleurs, pour les unités de production qui ne gèrent pas de stock mais
qui sont chargées d'approvisionner les centres de distribution, la contrainte interne sera
principalement sa capacité et donc la maîtrise du taux de charge généré suite à sa promesse
d’approvisionnement. Dans les deux cas, l'objectif des unités est de garantir la faisabilité de leur
promesse de livraison ou d'approvisionnement établie par rapport aux contraintes internes.

Le processus de planification est mené périodiquement pour assurer la stabilité des performances
du plan en termes de respect des contraintes sur un horizon glissant. Cependant, cette révision
périodique pourrait se faire au détriment de la stabilité de la promesse sur l'horizon glissant et par
conséquent augmenter la nervosité du système de planification. Ainsi, la fiabilité de la promesse de
livraison est également une mesure importante de sa performance. Elle fait référence à la capacité
d'une entité à tenir sa promesse de livraison à une date donnée. Typiquement, elle est évaluée par
le pourcentage de livraisons tardives qui sont livrées après la date de livraison promise (Stadtler et
Kilger 2008).

77
 Stock/ Capacité Demande
Stabilité
(Nombre de changements)

Faisabilité Satisfaction
(Taux de rupture/ taux de charge) Promesse de (Taux de service)
livraison

Fiabilité
(Taux de retard/ retard moyen)

Réalisé

Figure 19. Mesures des performances d’une promesse de livraison (satisfaction, stabilité, faisabilité,
fiabilité)

3.2. Hypothèses de planification sous incertitudes : Incertitude, Risque,

robustesse

Les incertitudes dans la SC entraînent des difficultés pour établir des promesses de livraison et
programmer la production. De plus, elles affectent souvent la performance de la SC et génèrent
des écarts négatifs par rapport aux objectifs.
Dans le contexte de la planification sous incertitude, le risque représente l'effet de ces incertitudes
sur les performances de la planification. Un risque est lié à un événement qui représente une "
occurrence ou un changement d'un ensemble particulier de circonstances " (ISO 31000 :2018). Les
événements liés à ces risques sont des dégradations ou des déviations par rapport aux objectifs de
performance.

La robustesse est un concept qui coexiste souvent dans la littérature avec celui du risque. Cela
semble assez évident, puisque les risques évaluent les changements possibles de cette fonction face
à des scénarios de perturbations possibles.
Dans ces travaux, nous considérons la robustesse d'une décision de planification comme une
mesure de la résistance de cette décision aux incertitudes au regard de la stabilité des performances.
Nous nous référons principalement au travail de (Fargier et Thierry 2000) qui mesure l'étendue de
la performance d'un plan en termes de respect des contraintes afin d’évaluer sa robustesse, en

78
Chapitre III. Cadre théorique et méthodologie de recherche

utilisant la mesure de nécessité en théorie des possibilités. Dans notre cas, mesurer la robustesse
d'une promesse de livraison ou d'approvisionnement revient à mesurer à quel point cette décision
reste satisfaisante face aux incertitudes de la demande et en même temps faisable face aux
incertitudes des approvisionnements, et donc nous évaluons l'étendue possible de sa fiabilité. Cela
revient également à évaluer l'absence de risques liés à la dégradation de ces performances
mentionnées antérieurement.

4. Notre approche de gestion des risques pour l’aide à la replanification

4.1. Processus de gestion des risques

Notre approche d’aide à la replanification sous incertitude est basée sur la gestion des risques. Nous
nous référons au processus définit dans la norme (ISO 31000 :2018) pour la gestion des risques.
Ce processus se compose de trois activités principales (voir la figure 20).

Domaine d'application, Contexte, Critères

Appréciation du risque
Identification du
Analyse du risque Évaluation du risque
risque

Traitement du risque

Figure 20. Processus de gestion des risques selon la norme (ISO 31000 :2018)

Tout d'abord, le contexte et la portée des activités de gestion des risques sont établis.
La deuxième activité consiste en une appréciation des risques avec trois étapes principales :
• Identifier et décrire les risques liés aux objectifs et au contexte définis.
• Identifier les techniques d'analyse pour quantifier les risques en estimant leurs conséquences et
leurs vraisemblances qui sont combinées pour déterminer la criticité du risque.
• Évaluer l'importance du risque ce qui permet de décider si le risque est tolérable ou non, en
fonction des objectifs et des critères du décideur. Cette étape consiste à élaborer une base de
comparaison des niveaux de risque qui alimente le processus de décision sous incertitude.
Sur la base des résultats de la phase d’appréciation du risque, le décideur doit être en mesure
d'évaluer s'il est nécessaire ou non de traiter un risque.

79
Enfin, le traitement du risque consiste à élaborer des options et des stratégies pour traiter et atténuer
les risques identifiés comme intolérables suite leurs appréciation.

4.2. Périmètre d’application, contexte et critères

Dans une chaine logistique décentralisée, nous considérons un réseau divergeant de distribution
constituée de deux niveaux. D’abord, un Centre de Distribution Centrale (CDC) où les produits
fabriqués à l’usine sont stockés avant d’être répartis sur des Centres de Distribution Locaux (CDL)
implantés dans différents endroits à l'échelle internationale. Pour aborder notre problème et
répondre aux questions de recherche de cette thèse, nous optons pour la perspective d'un
planificateur du CDC qui aura comme fournisseur une usine de production et comme clients des
CDLs.

Dans un centre de distribution, à une date donnée, pour chaque produit géré j, un décideur :
𝑖𝑗
1. reçoit un ensemble de plans de besoins d'approvisionnement (demande) {(𝑑𝑡 )𝑡∈[𝑇] }𝑖∈{𝐼𝐽}
de l’ensemble ses clients {IJ} consommant le produit j pour l’ensemble de période {t} d’un
horizon de taille T.
𝑗
2. reçoit un plan de réceptions programmées (appros) (𝑟𝑡 )𝑡∈[𝑇] du produit j de son
fournisseur pour l’ensemble de période {t} d’un horizon de taille T.
𝑖𝑗
3. promet un ensemble de plans de livraison {(𝑥𝑡 )𝑡∈[𝑇] }𝑖∈{𝐼𝐽} destinés à l’ensemble de ses
clients {IJ} consommant le produit j pour l’ensemble de périodes {t} d’un horizon de taille
T.
𝑖𝑗
Ainsi, les décisions à supporter sont les plans de livraison {(𝑥𝑡 )𝑡∈[𝑇] }𝑖∈{𝐼𝐽} par produit destinés
aux différents clients.

𝑗
La nervosité des plans du planificateur de production en amont (𝑟𝑡 )𝑡∈[𝑇] et des plans des décideurs
𝑖𝑗
au niveau des CDL en aval {(𝑑𝑡 )𝑡∈[𝑇] }𝑖∈{𝐼𝐽} sont les deux sources d’incertitudes considérées dans
ces travaux. En effet, leur nervosité se propage et impacte la stabilité de la décision du planificateur
de distribution centrale. Nous négligeons par ailleurs les incertitudes liées au processus interne de
l’unité de distribution.
Nous estimons qu’un expert est capable de communiquer des informations sur les incertitudes
dans les quantités cumulées des plans des décideurs.
Nous nous basons principalement sur l’analyse détaillée par (Guillaume, Thierry, et Zieliński 2017)
sur les incertitudes dans la demande cumulée pour une représentation basée sur les intervalles.
Nous approfondissons cette analyse ensuite dans le chapitre IV, pour intégrer les dimensions
pratiques et métiers pour la prise en compte de la connaissance des experts sur les incertitudes dans
les quantités cumulées d'un plan. L’objectif est d’assurer une bonne interprétation des informations
des experts pour une représentation basée sur des ensembles flous.

80
Chapitre III. Cadre théorique et méthodologie de recherche

Nous négligeons les aléas d’exécution et nous focalisons sur les décisions de planification de
l’horizon flexible, les plus impactées directement par les changements des prévisions des autres
acteurs et leurs comportement faces aux incertitudes.
Concernant l'identification des risques, nous optons pour une approche basée sur l'opinion
d'experts qui peut être enrichie par d'autres meilleures approches.
Pour l'analyse des risques, nous utilisons une approche quantitative et nous utilisons la matrice des
risques pour l'évaluation.

4.3. Identification des risques

L'objectif d'un planificateur est de faire des promesses de livraison aussi fiables que possible qui
seront maintenues jusqu’à leur exécution, malgré les variations des besoins d'approvisionnement
(demande) des partenaires en amont (clients) et les variations de l'approvisionnement (réceptions
programmées) des partenaires en aval (fournisseurs). En effet, une promesse de livraison pour une
période t ne peut être fiable que si elle demeure réalisable et satisfaisante sur l’horizon glissant.
Ainsi, dans ces travaux, nous allons nous intéresser aux risques dont l'occurrence aura un impact
direct sur la stabilité de la décision sur l'horizon glissant jusqu'à la date d'exécution et qui sont liés
aux incertitudes des décisions transmises par les autres partenaires du SC. Nous ne considérons
que les incertitudes de planification et nous négligions les aléas d'exécution.
𝑗 𝑗
(𝑑𝑡 )𝑡∈[𝑇] et (𝑥𝑡 )𝑡∈[𝑇] sont respectivement les plans totaux (tous clients confondus) agrégés par
𝑖𝑗 𝑖𝑗
produit j des ensembles des plans {(𝑑𝑡 )𝑡∈[𝑇] }𝑖∈{𝐼𝐽} et {(𝑥𝑡 )𝑡∈[𝑇] }𝑖∈{𝐼𝐽} , calculés pour chaque
j ij j ij
période comme suit 𝑥t = ∑iϵIJ 𝑥t 𝑒𝑡 𝑑t = ∑iϵIJ 𝑑t .
𝑖𝑗 𝑗 𝑖𝑗
{(𝐷𝑡 )𝑡∈[𝑇] }𝑖∈{𝐼𝐽} , (𝑅𝑡 )𝑡∈[𝑇] et {(𝐷𝑡 )𝑡∈[𝑇] }𝑖∈{𝐼𝐽} sont les plans cumulatifs (depuis le début du
ij ij j j ij ij
plan) calculés pour chaque période comme suit : Dt =∑𝑡𝑠=1 ds , 𝑅t =∑𝑡𝑠=1 rs , 𝑋t =∑𝑡𝑠=1 xs .
j
𝑆0 est le stock initial du produit j à la date de planification.

Les risques qui pourraient être définis dans cette phase dépendront principalement du niveau de
visibilité du décideur des données de planification des autres acteurs. Plus précisément celles des
clients, car les décisions de livraison ont un impact direct sur leurs stocks et leurs performances.
Par conséquent, cela dépendra du niveau de partage d’information dans la SC. Dans une chaîne où
le partage d'information va au-delà d'un partage minimal de plan de demande/approvisionnements,
le planificateur du CDC est en mesure d'inclure un plus grand nombre de risques à évaluer sous
incertitude.

Dans le contexte de ces travaux, nous négligeons le risque de surstockage et considérons plutôt
une SC basée sur un partage minimal de l'information. Ainsi, notre étude se concentre sur les
risques ayant un impact sur la performance interne du point de vue du planificateur au niveau du

81
CDC. Le tableau 3 contient les événements examinés qui ont un impact sur la performance de la
planification, les risques associés et les paramètres d'incertitude qui les impliquent.

Événement Formulation Description Source Risque connexe Type

d'incertitude
L1 j j Promesse Approvisionne Risque de rupture Menace
𝑅t < 𝑋t − 𝑆0
infaisable/ j
ment 𝑅t
irréalisable
L2 j j Une promesse Demande totale Risque Menace
𝐷t > 𝑋t
insatisfaisante j d'insatisfaction de la
𝐷t
demande totale
L3 ij ij Une promesse Demande du Risque Menace
𝐷t > 𝑋t
insatisfaisante ij d'insatisfaction du
client i, 𝐷t
client i
L4 L1 ∪ L2 Une promesse Approvisionne Risque de Menace
peu fiable j replanification
ment 𝑅t et
Demande totale Ou
j Risque de défaut
𝐷t d'exécution
L5 ̅̅̅
𝐿1 ∩ ̅̅̅
𝐿2 Une promesse Approvisionne Robustesse Opportu
fiable ment nité
Et demande
totale
Tableau 3. Risques, incertitudes et événements connexes

ij
Le maintien de la promesse de livraison 𝑥t sur différents cycles de planification jusqu'à sa
̅̅̅̅).
réalisation dépend principalement de la disponibilité des quantités prévues dans le stock (𝐿1
Cependant, la satisfaction du client augmente en minimisant l’écart entre cette promesse et la
demande. Nous négligeons le risque de surstockage et nous considérons que les clients ont une
ij
capacité de stockage infinie. Un client (i) est satisfait si la quantité de livraison 𝑋t promise pour
𝑖𝑗
une période t répond au moins à sa demande D𝑡 (hypothèse : taux de service objectif = 100%),
̅̅̅).
(𝐿3
Planifier une quantité de livraison aux clients qui dépasse le stock prévu (L1) (risque de rupture)
ou promettre une quantité inférieure à la demande des clients (L2) (risque d'insatisfaction de la
demande totale), implique soit un risque de ne pas tenir cette promesse dans les cycles de
planification futurs, donc un risque de replanification, soit un risque de ne pas l'exécuter si le
décideur tient cette promesse, donc un risque de défaut d'exécution.
Cependant, l’évaluation du risque lié à l'événement L5 sous une demande et des
approvisionnements incertains revient à évaluer de la robustesse du plan face aux incertitudes
̅̅̅ et 𝐿2
(respect des contraintes 𝐿1 ̅̅̅ simultanément).

4.4. Analyse des risques

Dans cette phase, le type de modélisation de l'incertitude considéré aura un impact sur la modalité
et l'approche de l'analyse de risque.

82
Chapitre III. Cadre théorique et méthodologie de recherche

Dans ce travail, nous considérons deux formes de représentation des incertitudes : une
représentation basée sur des ensembles flous et une représentation basée sur des intervalles. Nous
ramenons la représentation basée sur les intervalles à une représentation basée sur les ensembles
flous modélisant une ignorance totale sur les intervalles fournis.

Notre approche de l'analyse des risques se base principalement sur les mesures de la théorie des
possibilités (possibilité, nécessité) pour estimer la vraisemblance des risques ainsi que l'analyse de
leur criticité à partir d'une représentation avec des ensembles flous d'incertitudes. Nous
considérons les trois dimensions de l'analyse de la criticité d'un risque : sa sévérité, sa fréquence et
l'adaptabilité à ce risque. De plus, nous mesurons la robustesse du plan afin de filtrer les plans les
moins vulnérables face aux incertitudes.
𝑗
Dans ces travaux, l'objet de chaque processus d'analyse est un plan d'approvisionnement (𝑥𝑡 )𝑡∈[𝑇]
total des CDL élaboré par le CDC pour un produit j dont nous analysons les risques associés. Pour
ce faire, nous mesurons d'abord la vraisemblance de chaque risque pour chaque période t. Ensuite,
nous mesurons la fréquence d'occurrence du risque sur l'horizon de planification T. Puis, à un
niveau agrégé, nous estimons la gravité de ce risque. La gravité permet de mesurer à quel point le
risque est imposant, voire sûr, compte tenu des différentes mesures de vraisemblance sur l'horizon
T. Enfin, l'adaptabilité estime dans quelle mesure le plan en cours d'analyse est adaptable via des
opérations de lissage (i.e. re-répartition des quantités entre les périodes {t}) pour éviter ou réduire
les risques identifiés. Cette dernière mesure est basée sur l'analyse des quantités totales cumulées
𝑗
de toutes les périodes de l'horizon 𝑋𝑇 .
Afin d’aider le décideur à réviser la répartition du plan total sur ces différents clients, nous
𝑖𝑗
proposons aussi de la même manière une analyse des plans par client {(𝑑𝑡 )𝑡∈[𝑇] }𝑖∈{𝐼𝐽} pour le
produit j.

Le principe d'analyse est le même pour les deux types de représentations (intervalles et ensembles
flous). Nous mesurons l'impact des risques dans le pire et le meilleur des cas en utilisant des
combinaisons des bornes des intervalles de demande et d'offre. Cette mesure d'impact est basée
sur l'estimation des déviations par rapport aux objectifs en termes de respect des contraintes. Ainsi,
le décideur pourra identifier les plans les plus critiques et aussi quantifier les déviations de sa
décision afin de mener les bonnes actions d'adaptation de ses plans pour améliorer leur robustesse

La particularité de notre approche réside dans la finesse de cette analyse de risque d'un plan dans
un contexte multi-période, multi-produit, multi-couple (produit*client) et multi-source
d'incertitude. De fait, nous utilisons différents niveaux de mesure, par période, par produit et par
couple (produit*client) pour parcourir les différentes dimensions de l'analyse de risque. Elle se
caractérise également par sa scalabilité en termes de nombre de risques pouvant être pris en compte
ainsi que des incertitudes à l'origine de ces risques. À cela s'ajoute la flexibilité de l'approche et la
facilité de l'adapter et de la personnaliser aux différents contextes et activités planifiées.

83
Dans le chapitre V, nous présenterons le modèle d’analyse et d’estimation des différentes
dimensions de caractérisation des risques.

4.5. Évaluation des risques

La norme (ISO 13849-1, 2008) définit la structure classique de l'arbre d'évaluation des risques
(figure 21). Cette évaluation est basée sur trois niveaux principaux : la gravité du risque, puis sa
fréquence et enfin la possibilité de le prévenir.

Figure 21. Arborescence d’évaluation de criticité des risques selon la norme (ISO 13849-1, 2008)

Cette analyse arborescente permet de comparer les risques en prenant en compte les résultats des
mesures de la phase d'analyse. Ceci permet de classer les risques en fonction de leur criticité.

Nous nous appuyons sur cette arborescence pour fournir un niveau agrégé d'évaluation des risques
par plan par produit et nous l'adaptons au contexte et aux objectifs de gestion des risques (voir
figure 22). Notre idée derrière cette évaluation est de permettre au décideur d'identifier les plans
les plus risqués et, en même temps, de reconnaître les plans ayant une robustesse très importante
face aux incertitudes. Ainsi, le décideur peut orienter ses décisions de replanification vers les plans
les plus critiques et éviter les modifications insignifiantes des plans à forte robustesse.
Sachant que les risques et la robustesse évoluent inversement face aux incertitudes. Nous ajoutons
un premier niveau d'évaluation de la robustesse pour concentrer l'évaluation de la criticité des
risques des plans moins robustes et donc optimiser le processus d'évaluation.
Robustesse = Min (Nécessité de L5(t) pour tT). Ainsi, plus un plan est robuste et plus on est sûr
qu’il n’aura pas à être adapté malgré les variabilités considérées.

84
Chapitre III. Cadre théorique et méthodologie de recherche

Gravité = Max (Nécessité de L4 pour tT). Ainsi, plus un plan est grave et plus on est sûr qu’il
devra être remis en cause pour au moins une période.
Fréquence = fréquence de possibilité de L4 forte pour tT. Ainsi, la fréquence mesure la
proportion de périodes pour lesquelles une remise en cause du plan est possible.
Adaptabilité = Possibilité forte de L5 pour t=T. Ainsi, un plan est adaptable s’il peut répondre à la
fin de l’horizon à la demande cumulée par les approvisionnements cumulés. Auquel cas, ses risques
peuvent être évités par un meilleur lissage dans le temps des livraisons. À contrario, un plan peu
adaptable a un problème de quantité totale insuffisante en plus du problème de répartition dans le
temps.
Sur les différents niveaux d'évaluation de l'arbre, le décideur peut paramétrer r, s, f et a comme
points de coupure de l'arbre afin de moduler les tolérances du système de classification des plans
par produit en fonction de la criticité de leurs risques associés.

Évènement Robustesse Gravité Fréquence Adaptabilité Conséquence

(R) (G) (F) (A) / criticité

A
≥ r ≥a
< f B
< <a
C1
≥f C2
D1

< r < f D2
E1
E2
≥
≥f F

Figure 22. Arborescence d’évaluation de la robustesse et de la criticité des risques associés à un plan

Enfin, la matrice des risques de la figure 23 permet de positionner les plans par produit en fonction
des résultats de la classification dans l'arbre. L'axe horizontal représente deux critères d'évaluation
qui sont la fréquence et la gravité du risque. L'axe vertical contient le troisième critère qui est
l'adaptabilité du plan avec des opérations de lissage. De plus, une zone est dédiée aux plans
identifiés comme robustes suite à leur évaluation.

85
 insuffisant
Lissage
Plan non robuste
C1 D1 E1 F

suffisant
Lissage

B C2 D2 E2
Robuste
Plan

A Rare à Fréquent
R

Plan Rare Sûr Fréquent Sûr

G/F Impossible Possible
Robuste
R Plan non robuste

Figure 23. Matrice des risques proposée

4.6. Traitement des risques

Nous ne traitons pas les risques mais proposons des stratégies adaptées aux résultats de l'évaluation
qui permettent de diminuer le risque ou de le répartir entre les clients ou d'utiliser l'alternative de
la négociation avec les autres acteurs en cas d'absence d'alternatives en interne.

Pour chaque classe de l'arbre, un ensemble de stratégies potentielles peut être défini. Une
combinaison de stratégies permet d'identifier un chemin dans la matrice pour atténuer le risque de
replanification et passer à une classe moins critique.
La première étape pour le décideur est d'identifier les plans les plus risqués par produit puis d'entrer
dans les détails de l'évaluation du risque d'insatisfaction par ses clients dans un second temps.
Nous distinguons trois stratégies différentes pour diminuer le risque et passer à une classe moins
critique (Voir figures 24 et 25).
Pour atténuer le risque de replanification en se déplaçant horizontalement dans la matrice vers une
classe moins critique, il faut réduire la gravité (S1) ou la fréquence (S2). Cela est possible
principalement par des opérations de lissage des plans en révisant l'allocation des quantités entre
les périodes et/ou les clients. Cependant, pour se déplacer verticalement et avoir un risque évitable
par l'opération de lissage, il faut augmenter l'adaptabilité (S3). Pour ce faire, le décideur a
principalement deux choix : soit réduire la quantité totale de livraison programmée si elle est encore
réalisable compte tenu du risque de rupture, soit négocier avec le fournisseur (augmenter les
approvisionnements) ou les clients (retarder des besoins en consommant le stock de sécurité) pour
trouver une décision de compromis.

86
Chapitre III. Cadre théorique et méthodologie de recherche

S2 S1 S2

C1 D1 E1 F
S1 : Réduire la
gravité ;
S2 : Réduire la
S3
fréquence ; B C2 D2 E2
S3 : Augmenter
l’adaptabilité
S2, S1

Figure 24. Représentation des stratégies de mitigation des risques possibles sur la matrice des risques

Objectif Stratégies Actions

(S1) Lissage du plan (Réduire/
Réduire la gravité éliminer la gravité)

Réviser l’allocation des

(S2) quantités entre clients
Réduire la criticité du Réduire la fréquence
risque de
replanification Identifier les avances de
livraisons pour corriger
les backorders

Changer la quantité totale

(S3) planifiée pour la livraison
Augmenter
l’adaptabilité

Négociation

Figure 25. Stratégies de réduction des risques et actions de planification et d'adaptation connexes possibles

5. Aide à la planification
Dans une chaine logistique décentralisée, la planification de la production est généralement
effectuée par un ensemble de modules MRP (Manufacturing Resource Planning). Pour la
planification des activités de distribution, les entreprises ayant une stratégie "Make To Stock"
s'appuient généralement sur des processus DRP (Distribution Resource Planning). Afin de
coordonner ces différentes activités, différents modules ERP (Enterprise Resource Planning) sont
généralement connectés à une plateforme Cloud de l'entreprise permettant un partage minimal

87
d'informations (plan de demande/approvisionnement) entre les acteurs des différents maillons de
la chaîne ou encore un partage via des échanges de fichiers de planification entre acteurs.
Notre objectif dans ce contexte n'est pas de remplacer ces systèmes de planification existants mais
plutôt de mettre en place une plateforme hors ligne fournissant un ensemble de services. Le service
principal est le service " évaluation " permettant à chaque décideur de la chaîne, en fonction de son
rôle, d'évaluer les risques liés à ses décisions de manière indépendante en intégrant les incertitudes
des plans partagés par les autres acteurs. Nous considérons trois rôles : planificateur de production,
planificateur CDC ou planificateurs CDL. Dans ce mémoire, nous nous sommes concentrés sur le
rôle du planificateur du CDC et ce service a donc été personnalisé uniquement pour ce décideur.
Cependant, ce service pourrait être étendu aux autres acteurs de la chaîne. Cela nécessite
principalement une personnalisation de l'étape d'identification des risques en fonction du type
d'activité et des contraintes de chaque acteur.
Ensuite, afin d'aider ce décideur à réviser ses plans pour améliorer leur robustesse face aux
variations possibles des plans des autres partenaires (demande ou réceptions programmées), nous
fournissons deux services supplémentaires. Un service de "prise de décision" qui permet au
décideur (i) d'éditer ses décisions pour tester l'impact des modifications sur la criticité des risques
associés à ses plans ou (ii) d’évaluer leur performance. L'historique des tests effectués par un
planificateur est sauvegardé à la demande du décideur afin d'optimiser le processus de prise de
décision du planificateur. Enfin, le service "négociation" permet au décideur de négocier avec les
autres acteurs dans le cas où les modifications ne sont pas suffisantes pour éviter les événements
qui dégradent la robustesse des plans.

5.1. Processus d’aide à la décision

Le planificateur du CDC utilise l’outil d’aide à décision en effectuant une boucle de test de
modifications visant à réduire la criticité des risques et par conséquent à améliorer la robustesse de
ses plans de livraison selon le processus représenté dans la figure 26.

88
Chapitre III. Cadre théorique et méthodologie de recherche

Figure 26. Processus d’aide à la décision sur la plateforme d’aide à la replanification sous incertitudes

Le processus de prise de décision d'un planificateur commence par une activité d'importation des
plans de l'ERP/DRP qui inclut également les plans transmis par les autres acteurs de la chaîne.
Ensuite, le décideur importe les modèles d'incertitude disponibles liés à la demande de ses clients
et aux réceptions programmées de ses fournisseurs. Une fois cette étape franchie, il peut lancer
l'évaluation de la robustesse des plans d'approvisionnement de ses clients. En fonction des
indicateurs générés, il décide de continuer dans son processus de décision ou de valider et exporter
les décisions évaluées. Si le planificateur décide de continuer, il aura le choix entre utiliser ces plans
dans le cadre d’un processus de négociation afin de chercher un compromis (figure 27 dans §5.2)
ou de tester un autre scénario de plans d'approvisionnement. Dans ce dernier cas, il aura le choix
de sauvegarder le scénario qu'il vient de tester ou pas et continuer à en tester un autre. Une interface
de modification lui permet d'éditer ses plans et de relancer l'évaluation jusqu'à ce qu'il trouve une
décision de compromis et qui sera plus robuste.

5.2. Processus de négociation

Au cours du processus de décision, le décideur peut identifier des événements qui sont inévitables
même avec l'application des opérations de lissage du plan. Dans ce cas, il peut choisir d'initier un
processus de négociation (voir Figure 27) avec un client et/ou son fournisseur pour trouver un
compromis qui lui permettra d'éviter une rupture planifiée ou un taux de service significativement
dégradé. Ce processus peut ainsi être initié soit avec un client pour proposer une modification de

89
sa demande et négocier la promesse de livraison, soit avec un fournisseur pour négocier une
augmentation de ses approvisionnements.

Généralement, un processus de négociation engage un fournisseur et un client. Un acteur de la SC

peut être impliqué dans autant de processus de négociation que le nombre de liens directs qu'il a
avec les autres maillons de la chaîne. Dans chaque lien, il peut avoir un rôle de client ou de
fournisseur.
Le processus de négociation est basé principalement sur un échange de plans montrant les
déviations par rapport aux quantités planifiées dans les périodes passées. Cette négociation est
soumise à des contraintes, principalement le délai minimum d'approvisionnement prédéfini et des
stratégies pour assurer la stabilité des plans à court terme, comme l'horizon gelé.

Fournisseur Client

Plan
Transmettre la Évaluer la proposition
d'approvisionnement
proposition d'approvisionnement
validé

Processus d’aide à la
décision
Négocier ?
Déterminer la promesse
de compromis

NO
YES YES

NO Déterminer la réponse de
Poursuivre la compromis
négociation ?
STOP

Évaluer la proposition Transmettre la proposition

Figure 27. Processus de négociation

90
Chapitre III. Cadre théorique et méthodologie de recherche

6. Conclusion
Dans ce chapitre, nous avons représenté la problématique de recherche, les questions de recherche
et les contributions associées, le cadre théorique, la méthodologie suivie pour répondre aux
différentes questions et les hypothèses de cette thèse.
Nous avons identifié trois contributions :
• Une contribution métier qui permet de traduire les informations d'un expert afin de
modéliser les incertitudes des plans des autres acteurs.
• Une contribution méthodologique et théorique de gestion des risques pour aider le décideur
à évaluer les risques de ses plans en prenant en compte les incertitudes dans les plans des
autres acteurs.
• Une contribution pratique est liée à la définition des fonctionnalités du système d'aide à la
décision basé sur ce modèle et à son implémentation dans un contexte dynamique à horizon
glissant.
Nous avons suivi la démarche classique de gestion des risques définie dans la norme (ISO 31000
:2018). Nous avons spécifié les méthodes et hypothèses de chaque activité de ce processus depuis
la définition du périmètre jusqu'à l'évaluation. Ces méthodes et approches sont principalement
quantitatives.
Dans le chapitre suivant, nous détaillons notre apport théorique d'analyse de risque et de robustesse
des plans d'un décideur, tout en intégrant les connaissances d'un expert pour la modélisation de
l'incertitude dans les plans cumulés des autres acteurs.

91
CHAPITRE IV : ANALYSE DES RISQUES POUR L’AIDE A LA
REPLANIFICATION

1. Introduction........................................................................................................... 95
2. Background : ensembles flous et mesures de la théorie de possibilité ................. 96
3. Modélisation des incertitudes dans les plans cumulés transmis à un décideur..... 96
3.1. Modélisation basée sur un dire expert ............................................................. 96
3.2. Illustration I.1 ................................................................................................ 102
4. Approche possibiliste d’analyse des risques : Théorie de possibilité ................. 104
4.1. Mesure des risques ......................................................................................... 104
4.2. Illustration I.2 ................................................................................................ 104
4.3. Agrégation des indicateurs d’évaluation de criticité des plans par produit ... 107
4.4. Illustration I.3 ................................................................................................ 108
5. Approche d’analyse des risques basée sur des intervalles comme cas particulier des
ensembles flous ............................................................................................................. 111
5.1. Qualification des risques ................................................................................ 111
5.2. Extension des indicateurs basés sur des distances aux bornes des intervalles
114
5.3. Illustration I.4 ................................................................................................ 116
6. Conclusion .......................................................................................................... 119

94
Chapitre IV : Analyse des risques pour l’aide à la replanification

1. Introduction
Dans le chapitre précédent, nous avons proposé des contributions pour répondre à la
problématique de recherche et aux différentes questions de recherche soulevées par la revue de la
littérature et l’analyse des besoins industriels. Nous avons aussi détaillé la méthodologie adoptée
pour chaque contribution.
Les résultats de ce chapitre s’inscrivent dans la démarche de gestion de risque détaillée dans le
chapitre précédent (voir figure 28). Nous focalisons sur l’activité d’analyse des risques qui vise à
évaluer les risques selon les critères prédéfinis.

Chapitre 3.
Domaine d'application, Contexte, Critères

Appréciation du risqu
e
Chapitre 3. Focus de ce chapitre: Chapitre 3.
Identification du risque Analyse du risque Évaluation du risque

Chapitre 3.
Traitement du risque

Figure 28. Positionnement du chapitre 1 dans le cadre d’application de la démarche de gestion des risques

Ici, nous répondons aux deux questions de recherche (QR1, QR2) de notre contribution théorique
sur l’évaluation des risques, qui sont les suivantes :

QR1.

Comment intégrer la connaissance d'un expert sur les incertitudes dans les
plans transmis par les autres acteurs du SC (demande & approvisionnement) y
compris les comportements de ces acteurs, avec une modélisation basée sur les
ensembles flous ?

QR2.
Comment intégrer ces incertitudes pour une analyse et une évaluation
quantitative des risques liée à une décision (un plan) élaboré à une date donnée
par ce décideur ?

Dans un premier temps, nous présentons le background théorique du modèle proposé lié à
l'utilisation des mesures de la théorie des possibilités. Ensuite, nous formalisons les différentes
informations qu'un décideur peut fournir sur les incertitudes dans les plans cumulés des autres
acteurs, afin de les intégrer pour modéliser ces incertitudes avec des ensembles flous. Nous
détaillons ensuite le modèle d'analyse des risques et les indicateurs agrégés pour leur évaluation.
Nous présentons également une approche d’évaluation des risques dans le cas d'une représentation

95
par intervalles des incertitudes. Nous représentons cette approche comme un cas particulier du
modèle précédent. Une illustration est proposée tout au long de cette partie comme exemple
d'application de ces modèles.

2. Background : ensembles flous et mesures de la théorie de possibilité

La nécessité et la possibilité d’un évènement A sont les deux mesures principales décrivant
l’incertitude de cet évènement à partir d’une distribution de possibilité (Zadeh 1965).
La possibilité Π(A) évalue à quel point l’évènement A est possible :

Π(𝐴) = 𝑠𝑢𝑝(𝜋(𝑥)) (1)

𝑥∈𝐴

La nécessité N(A) évalue à quel point l’évènement A est sûr (certain) et elle est liée à la mesure de
possibilité par la propriété de dualité (contrairement aux probabilités autoduales, 𝑃(𝐴) = 1 −
P(𝐴𝐶 ) ) suivante :

𝑁(𝐴) = 1 − Π(𝐴𝐶 ) = 𝑖𝑛𝑓 (1 − 𝜋(𝑥)) (2)

𝑥∉𝐴

Ces mesures satisfont les conditions de normalisation suivantes :

Π(𝐴) + Π(𝐴𝐶 ) ≥ 1 (3)
N( ) ≤ Π(𝐴) (4)
∀ , B ⊆ S, Π( ∪ B) = max(Π( ), Π(B)) (5)
∀ , B ⊆ S, N( ∩ B) = min(N( ), N(B)) (6)
k est un nombre précis, les mesures de possibilité et de nécessité de l’évènement ‘x ≥k’ et de
l’évènement ‘x≤k’ sont les suivantes :

Π(x ≥ k ) = Π(x ∈ [𝑘, +∞ [) = 𝑠𝑢𝑝(𝜋(𝑥)) (7)

x ≥k

Π(x ≤ k ) = Π(x ∈] −∞, k]) = 𝑠𝑢𝑝(𝜋(𝑥)) (8)

x ≤k

N(x ≥ k ) = 1 − Π(x < k )= 𝑖𝑛𝑓 (1 − 𝜋(𝑥)) (9)

x <k

N(x ≤ k ) = 1 − Π(x > k ) = 𝑖𝑛𝑓 (1 − 𝜋(𝑥)) (10)

x >k

3. Modélisation des incertitudes dans les plans cumulés transmis à un

décideur

3.1. Modélisation basée sur un dire expert

La première étape pour prendre en compte des incertitudes est de les modéliser. Cette modélisation
peut être issue d’une analyse de l’historique des plans à horizon glissant ou faite à ‘dire expert’.
Ainsi, nous détaillons dans cette section la représentation des incertitudes dans les données
cumulées de planification, comme des informations qui peuvent être fournies par un expert afin de

96
Chapitre IV : Analyse des risques pour l’aide à la replanification

modéliser les incertitudes dans la demande et les approvisionnements cumulés par des ensembles
flous.
Il semble important d’insister tout d’abord sur la différence entre les incertitudes dans les quantités
planifiées et les incertitudes dans les quantités cumulée prévues dans un plan sur un horizon de
planification. (Guillaume, Thierry, et Zieliński 2017) soulignent bien la différence entre le fait
d’exprimer les incertitudes en termes d’écart ∆t de la demande par rapport la demande nominale
par période t (représentation (a) de la figure 29) ; et exprimer les incertitudes sur la demande
cumulée par rapport à la demande cumulée nominale dt par période t (représentation (b) de la figure
29). Le cumulé des écarts par période dans le premier cas (a) n’est pas forcément l’écart par rapport
à la quantité cumulée pour une période t (b). En effet : l’écart par rapport à la quantité cumulée
(Qt = ∑𝒕𝒊=𝟏 𝒒𝒊 ) à une période t est inférieur ou égal au cumul des écarts jusqu’à la période t
par rapport la quantité qt. La raison est dans des phénomènes de compensation d’incertitudes
entre des périodes consécutives (« si on vend plus que prévu à une période donnée, on vendra
souvent un peu moins aux périodes suivantes »), mais aussi à des phénomènes de lissage des
décisions en réaction à ces incertitudes.
En plus : « Contrairement à l'incertitude spécifique à une période, qui ne peut pas modéliser les réductions
d'incertitude dans certaines parties d'un horizon de planification, définir l'incertitude sur la demande cumulée permet
au décideur de saisir une variation de l'incertitude tout au long d'un horizon de planification » (Guillaume,
Thierry, et Zieliński 2017).

Figure 29. (a) Cas avec incertitude sur la demande dt. (b) Cas avec incertitude sur la demande cumulée Dt
(source : (Guillaume, Thierry, et Zieliński 2017))

Ainsi, dans notre travail nous focalisons sur la représentation des incertitudes sur les quantités
cumulées d’un plan. La représentation d’incertitudes autour d’une quantité cumulée Qt d’une
période t, la plus intuitive pour un décideur est la suivante : [Qt - ∆𝑡 ; Qt+∆𝑡 ]. ∆𝑡 et ∆𝑡 sont les
écarts maximaux par rapport à la quantité cumulée Qt.
À partir de l’analyse de (Guillaume, Thierry, et Zieliński 2017), nous différencions trois type
d’informations que l’expert peut fournir sur la base de ses connaissances sur les plans cumulés
transmises par les autres acteurs :

• (I1) : Écart constant tout au long de l’horizon de planification : (∆𝑡 =∆𝑡 =K, ∀𝑡 ∈ 𝑇)

97
 • (I2) : Variation proportionnelle par rapport aux quantités cumulées Qt jusqu’à une
période t : ∆t=α Qt, ∀𝑡 ∈ 𝑇, α ∈[0,1].
• (I3) : Variation due au lissage des quantités entre les périodes consécutives, ∆𝑡 = α
qt ; ∆𝑡 = α qt+1 , α∈[0,1].
Dans nos travaux, nous nous basons sur les ensembles flous pour la représentation des incertitudes
𝑖𝑗
autour des demandes cumulées {(𝐷𝑡 )}𝑖 des clients {IJ} consommant le produit j et des plans
𝑗
cumulés d’approvisionnements (𝑅𝑡 ). De façon générale, nous représentons les incertitudes autour
d’une quantité cumulée Qt jusqu’à une période t avec une distribution de possibilité trapézoïdale
ayant comme paramètres (𝐴𝑡 ; 𝐵𝑡 ; 𝐶𝑡 ; 𝐷𝑡 ) (figure 30).

Des variations de la quantité Qt sont tout à fait possibles (Possibilité=1) dans [𝐵𝑡 , 𝐶𝑡 ] et impossible
au-delà de [𝐴𝑡 , 𝐷𝑡 ]. Ainsi les mêmes informations (I1, I2, I3) peuvent être fournis pour décrire les
incertitudes de Qt pour chacun des intervalles [𝐵𝑡 , 𝐶𝑡 ] et [𝐴𝑡 , 𝐷𝑡 ].

Une distribution de possibilité triangulaire ou une distribution rectangulaire sont des cas
exceptionnels où respectivement (𝐵𝑡 = 𝐶𝑡 =𝑄𝑡 ) où (𝐴𝑡 = 𝐵𝑡 et 𝐶𝑡 =𝐷𝑡 ).

𝜕°𝑝𝑜𝑠𝑠𝑖𝑏𝑖𝑙𝑖𝑡é

𝑄𝑢𝑎𝑛𝑡𝑖𝑡é 𝑐𝑢𝑚𝑢𝑙é𝑒
𝐴𝑡 𝐵𝑡 𝑄𝑡 𝐶 𝐷𝑡
𝑡

Figure 30. Distribution de possibilité autour d’une quantité cumulée Qt

Les types de variations autour de la quantité Qt peuvent être :

• à la hausse : 𝐴𝑡 = 𝐵𝑡 =0 ;
• à la baisse : 𝐶𝑡 =𝐷𝑡 =0 ;
• possible dans les deux sens à la hausse et à la baisse (cas exceptionnel : centrée autour de
𝑄𝑡 : 𝐷𝑡 = -𝐴𝑡 et 𝐶𝑡 =- 𝐵𝑡 ).

De plus, nous constatons que les professionnels ont tendance à découper l’horizon de planification
afin de décrire l’évolution de l’incertitude sur l’horizon de planification.

98
Chapitre IV : Analyse des risques pour l’aide à la replanification

Généralement, un expert exprime un pourcentage de déviation par rapport à une quantité cumulée
sur un horizon de taille T. Cette donnée caractérise l’amplitude de variation. Cependant, cette
information admet plusieurs interprétations possibles. Ainsi, nous considérons qu’une
formalisation est nécessaire pour orienter l’expert sur l’interprétation de l’information qu’il donne.

Soient α1, α2 les données de l’expert sur l’amplitude de variation par rapport à une quantité de
référence Ft, appliquées sur la quantité cumulée Qt jusqu’à la période t ; ∀t ∈[T]. Nous formulons
les hypothèses suivantes :
• soit T la taille d’un horizon qui commence d’une période t0. : l’expert formule une
information qui est valable pour toutes les périodes de [t0+1 ; t0 + T] ;
• ∆𝑡 = αt Ft, tel que : ∀t ∈[T] αt = α1 : l’estimation basse de l’incertitude est similaire sur toutes
les périodes de l’intervalle ;
• ∆𝑡 = α’t Ft, tel que : ∀t ∈[T] α’t = α2 : : l’estimation haute de l’incertitude est similaire sur
toutes les périodes de l’intervalle;
• Ainsi l’incertitude s’exprime sur [Qt - ∆𝑡 ; Qt+∆𝑡 ] ;

L’enjeu est ainsi dans la formulation de Ft à partir de l’interprétation des dires d’expert. Dans notre
proposition, nous distinguons plusieurs types de dires d’expert et la quantité de référence F t est
différente selon le type de modèle (I1 ; I2 ; I3) et l’horizon de référence considérés ((H1) horizon
total (T) ; (H2) horizon jusqu’à la période t ([t0 ; t] ∀𝑡 ∈[T])).
Nous détaillons dans le tableau 4 les différents calculs de cette quantité de référence selon ces deux
dimensions (type de modèle, horizon de référence).

Horizon (H1) (H2)

Horizon total (T) Horizon jusqu’à la période t ∀𝒕 ∈[T]
Type
(I1) ∑𝑡𝑡00+𝑇−1 𝑞𝑡⁄ ∑𝑡𝑡0 𝑞𝑡
Ft = µ= Ft = µ′𝑡 = ⁄
(𝑡 − 𝑡0 + 1)
𝑇
∆ 𝒕 = K 1= α 1 F t
La quantité moyenne La quantité moyenne prévue par période
∆𝒕 =K2= α2 Ft prévue par période sur tout exprimée sur les quantités cumulées depuis le
l'horizon T début de l'horizon 𝑡0 jusqu’à t.
(I2) 𝑡 +𝑇−1
Ft =𝑄𝑇 = ∑𝑡00 𝑞𝑡 Ft =∑𝑡𝑡0 𝑞𝑡
∆ 𝒕 = α1 F t La quantité totale cumulée La quantité cumulée depuis le début de
sur tout l’horizon T l’horizon jusqu’à la période t
∆ 𝒕 = α2 F t
(I3) Conséquence du lissage entre deux périodes successives t et t+1
Cas • α1 qt est la quantité maximale qui peut être décalée de la période t à la
exceptionnel période t+1.
de I1

99
 ∆𝒕 = α1 qt ; • α2 qt-1 est la quantité maximale qui peut être décalée dans la période t
∆𝒕 = α2 qt+1. depuis la période t-1.

Tableau 4. Les différentes applications possibles des informations d’un expert sur les quantités cumulées
d’un plan

D'un point de vue métier, le type de modèle I3 modélise une possibilité de lissage entre deux
périodes consécutives. Il représente un modèle qui traduit un lissage en faisant l'hypothèse que le
lissage ne se décale jamais de plus d'une période.
Le type de modèle I1 traduit également un phénomène de lissage dans lequel une opération de
lissage peut se faire sur plus d'une période sans connaitre les périodes sources et destination du
lissage à considérer dans l’horizon. Ainsi, le lissage est exprimé en pourcentage de décalage sur une
quantité moyenne.
Le type de modèle I2 permet de traduire des incertitudes qui s'accumulent sur un horizon de temps
mais qui ne se compensent que partiellement. Plus on avance dans le temps, plus les incertitudes
croît.
La figure 31 illustre une application des différents modèles détaillés dans la matrice du tableau 1
(I1.H1 ; I1.H2 ; I2.H1 ; I2.H2 ; I3), sur un même plan cumulé et un même modèle d’incertitude
(type de variation = centré ; amplitude= α1= α2=80%) donné sur un horizon de taille de 9 périodes
à partir de la période 1.
Par ailleurs, le découpage de l’horizon et l’application de notre représentation d’un dire d’expert
sur chaque horizon peut impliquer une incohérence dans le modèle global résultant (l’exemple de
la figure 31 où les min de la quantité cumulées de I2.H1 ne sont pas cohérents car ils baissent dans
le temps). Ainsi, un post-traitement visant à assurer la cohérence globale du modèle est nécessaire.
Pour cela, nous procédons à la fusion possibiliste d'une connaissance par période t et nous
appliquons la contrainte : un plan cumulé ne peut pas décroitre dans le temps. Nous formulons ci-
après les contraintes à respecter pour deux valeurs successives du plan cumulé représenté par des
distributions de possibilités (cf. figure 30) :
• 𝐴𝑡 ≥ 𝐴𝑡−1 ;
• 𝐵𝑡 ≥ 𝐵𝑡−1 ;
• 𝐶𝑡 ≤ 𝐶𝑡+1 ;
• 𝐷𝑡 ≤ 𝐷𝑡+1.

100
Chapitre IV : Analyse des risques pour l’aide à la replanification

Figure 31. Illustrations des modèles (I1.H1 ; I1.H2 ; I2.H1 ; I2.H2 ; I3) du tableau 1

101
 3.2. Illustration I.1

Nous déroulons une illustration d’application du modèle d’interprétation pour la génération des
distributions de possibilité. Nous allons nous baser sur cette même illustration pour le reste de ce
chapitre.

ILLUSTRATION (I.1) :
MODELISATION DES INCERTITUDES SUR LA DEMANDE ET LES APPROS
AVEC LES ENSEMBLES FLOUS, A PARTIR DES DONNEES D’EXPERT
Dans un centre de distribution central CDC, le stock du produit P est partagé entre deux
centres de distribution locaux CDL1 et CDL2 (clients). Le CDC s’approvisionne également
auprès d’une usine produisant le produit fini P. Ci-dessous la représentation de la SC
considérée.

À la fin de la période 1, le CDC possède d’un stock initial de 0. En se basant sur les plans
transmis de la part des autres acteurs, le CDC a élaboré des plans d’approvisionnement
(livraison) de chacun des CDL1 et CDL2 à la période 2. Nous représentons ces différents
plans cumulés regroupés par produit et par client dans les graphes des figures 32, figure 33.

Figure 32. Plans cumulés pour produit P (Réceptions, demande totale, plan de livraison totale)

102
Chapitre IV : Analyse des risques pour l’aide à la replanification

Figure 33. Plans cumulés de demande du CDL1 et CDL2 et les promesses de livraison du CDC

Sur cet horizon de 6 périodes, l’expert a décrit un modèle de type I2.H2 sur la demande et un
modèle de type I1.H2 sur les réceptions programmées de l’usine. Dans les deux modèles les
variations de 10% à la hausse comme à la baisse sont tout à fait possibles. Des variations au-
delà de 50% sont impossibles. Ainsi, les deux modèles ont une amplitude de (α1=10%, α2=
50%) et un type de variation centrée autour des quantités cumulées programmées.
À la période 6, l’application du modèle permet d’obtenir les distributions de possibilités de
chaque quantité des plans des autres acteurs. Ci-dessous les distributions de possibilité
identifiée par les paramètres (A, B, C, D) résultants de l’application de ce modèle (figure 34).
Les décisions du CDC qui sont les promesses de livraison sont toujours déterministe. Elles
sont positionnées sur chacune des distributions.

Figure 34. Distributions de possibilité générée à partir du modèle expert

103
 4. Approche possibiliste d’analyse des risques : Théorie de possibilité

4.1. Mesure des risques

Soient K1, K2, K4 respectivement le risque de rupture, le risque d'insatisfaction de la demande totale
𝑗
et le risque de replanification liés à une promesse de livraison totale cumulée 𝑋𝑡 jusqu’à d’une
période t pour un produit j.
𝑖𝑗
Soit K3i le risque d'insatisfaction du client i lié à la promesse de livraison cumulée 𝑋𝑡 d’une période
t et un produit j de ce client.
Ces risques ont été identifiés et définis dans le chapitre 3, dans le cadre de la première activité de
définition des risques du processus de leur appréciation.

L1, L2, L3i, L4 sont respectivement les événements associés aux risques K1, K2, K3i, K4, tels que :
𝑗 𝑗 𝑗 𝑗 𝑗 𝑖𝑗 𝑖𝑗
L1=𝑅𝑡 < 𝑋𝑡 − 𝑆0 ; L2=𝐷𝑡 > 𝑋𝑡 , L3i=𝐷𝑡 > 𝑋𝑡 ; L4=L1∪L2.
𝑗 𝑗
𝑅𝑡 représente les réceptions programmées cumulées jusqu’à une période t d’un produit j. 𝐷𝑡 est la
demande totale cumulée jusqu’à une période t d’un produit j, consolidée à partir des demandes
𝑖𝑗
𝐷𝑡 de l’ensemble des clients {IJ} partageons le stock du produit j.
Pour la caractérisation et l’analyse de ces risques nous utilisons les mesures de la théorie de
possibilité (possibilité Π(L) et nécessité N(L) (cf. §2).

Ainsi, pour chaque période t, nous caractérisons le risque K ∈ {K1, K2, K 3i, K4} associé à un
événement L∈ {L1, L2, L3i, L4} par la mesure de la paire (Π(L), N(L)).

4.2. Illustration I.2

Nous nous basons sur les résultats de l’illustration I.1 pour illustrer les différentes mesures des
risques K1, K2, K3, K4 liés aux évènements L1, L2, L3, L4 pour la période 6.

104
Chapitre IV : Analyse des risques pour l’aide à la replanification

ILLUSTRATION (I.2) :
MESURES DES RISQUES K1, K2, K3, K4
Toujours à la période 6, en fonction chaque distribution de possibilités des données des autres
𝑗 𝑗 𝑖𝑗
acteurs demandes réceptions (𝑅𝑡 , 𝐷𝑡 , 𝐷𝑡 ) nous traçons les distributions du couples (Pi(L),
N(L)) / L∈{L1, L2, L3i, L4} mesurant les risques K ∈{K1, K2, K 3i, K4} en fonction de la
𝑖𝑗 𝑗
décision du CDC, par client 𝑋𝑡 et totale 𝑋𝑡 .
Nous positionnons les décisions effectives à la période 6 par rapport à ces distributions. Nous
obtenons ainsi les résultats suivants (voir les figures ci-dessous) pour une promesse totale de
280 à la période 6 répartie en 200 pour CDL1 et 80 pour CDL2 :

• K1= (Pi(L1), N(L1)) = (1, 0.05) ; Risque de rupture d’appro est tout à fait possible
mais pas certaine
• K2= (Pi(L2), N(L2)) = (1, 0.58) ; Risque d’insatisfaction de la demande est tout à
fait possible et assez certain.
• K3CDL1= (Pi (L3 CDL1), N(L3 CDL1)) = (0, 0) ; Le risque d’insatisfaction de la demande
ne concerne pas CDL1.
• K3 CDL2= (Pi (L3 CDL2), N(L3 CDL2)) = (1, 1) ; Insatisfaction de la demande certaine
pour CDL2 dans le cadre de la répartition actuelle de la promesse totale entre
CDL1 et CDL2.
• K4= (Pi(L4), N(L4)) = (1, 0.58). Le besoin de replanification sera par conséquent
avec un degré de certitude fort.

Figure 35. Mesures des risques K1, K2 en fonction de la promesse cumulée de livraisons totales à la
période

105
 Figure 36. Mesures du risques K3 par client, en fonction de la promesse de livraison de chacun

Figure 37. Mesures du risques K4, en fonction de la promesse de livraison totale

Compte tenu des décisions du planificateur au niveau du CDC à la période 6 et des mesures
des risques associés à ces décisions, nous parvenons aux conclusions suivantes :
• Il est tout à fait possible que le décideur programme une rupture de son stock à cette
période et sûrement à 5%, en gardant cette décision dans les prochains cycles de
replanification.
• Il est sûr à 58% que la promesse totale ne satisfera pas les demandes totales des clients.
Ce risque est principalement associé au client CDL2. Il est sûr à 100% que quelle que
soit la demande de ce client, en gardant la même promesse, cette demande ne sera pas
satisfaite. Ainsi le CDC risque d’entrainer une rupture chez le CDL2. Contrairement
au client CDL1, la promesse qui lui a été confié permettra toujours de satisfaire sa
demande quelle que soit cette demande.
• Ainsi, une replanification de la promesse de la période 6 dans les prochains cycles est
tout fait possible et sûre à 58% compte tenu des variations possibles des plans des
autres acteurs.

106
Chapitre IV : Analyse des risques pour l’aide à la replanification

4.3. Agrégation des indicateurs d’évaluation de criticité des plans par produit

Nous utilisons le résultat des mesures de la vraisemblance des risques pour générer les différents
indicateurs agrégés qui seront utilisés dans la phase suivante de l'évaluation arborescente pour la
classification des plans par produit : Robustesse, Gravité, Fréquence, Adaptabilité. Ces indicateurs
𝑗
sont agrégés par produit, donc associés à la décision totale 𝑋𝑡 et aux plans par produit des autres
acteurs (∑clients, fournisseurs). Ainsi, les mesures associées à ces indicateurs seront basées sur les
mesures du risque global de replanification K4 associés à l’événement (L4 =L1∪L2).
Nous associons la mesure de robustesse (Rob) d'une promesse de livraison totale du produit j pour la
𝑗
période t, 𝑋𝑡 , au degré de certitude de supporter toutes les variations possibles de la demande et
des approvisionnements, même les plus contraignantes, en continuant à satisfaire les contraintes
impliquées. Elle est donc associée au degré de certitude de sa fiabilité malgré les variations possibles
des plans des autres acteurs sur l'horizon glissant.
𝑗
Ainsi, nous établissons la mesure de robustesse de cette promesse X𝑡 comme une mesure de
nécessité de satisfaire les contraintes qui peuvent être impliquées par les incertitudes de la demande
et des approvisionnements simultanément, comme suit :

𝑗 ̅̅̅) = N(𝐿1
̅̅̅ ∩ 𝐿2
̅̅̅)
ob( X𝑡 ) = N(𝐿4 (3)

j
Nous associons la robustesse globale du plan (𝑋t )tϵ[T] à la robustesse la plus faible mesurée sur les
différentes périodes t de l'horizon [T]. Ainsi, nous agrégeons la robustesse globale de ce plan
comme suit :

j 𝑗 𝑗
ob((𝑋t )tϵ[T] ) = ⋂tϵ[T] ob( X𝑡 ) = 𝑚𝑖𝑛tϵ[T] ob( X𝑡 ) (4)

j
La gravité du risque global de replanification impliqué K4, relative à une promesse de livraison 𝑋t ,
correspond à l’impossibilité de maintenir cette promesse dans les prochains cycles, sauf en cas de :
• changement des objectifs en termes de taux de service (hypothèse ici : taux de service
objectif= 100%)
• ou présence des alternatives ou des leviers de flexibilité permettant l’adaptation des
ressources pour l’exécution de cette promesse.
Dans les autres cas, il sera impossible de maintenir la promesse car elle ne supportera aucune des
variations possibles des paramètres incertains considérés, même les moins contraignantes. Cela se
produit lorsque le risque n'est pas seulement possible mais qu'il a un certain degré de certitude.
j
Ainsi, la gravité (G) du risque de replanification K4 du plan (𝑋t )tϵ[T] se traduit par la nécessité
maximale mesurée sur les périodes tϵ[T] liée au risque de replanification, comme suit :

j
𝐺 ((𝑋t )tϵ[T] ) = max𝑡∈[𝑇] (𝑁(𝐿4)𝑡 ) (5)

107
La fréquence du risque dépend du nombre de périodes t ∈ [T] pour lesquelles le risque présente
au moins un degré de possibilité. Soit [N] un ensemble de périodes t de taille N, sur lesquelles :

[N] ⊂ [T] , ∀t ∈ [N], Π(𝐿4)𝑡 > 0 (6)

j
Ainsi, la fréquence (F) d'occurrence du risque de replanification sur l'horizon [T] du plan(𝑋t )tϵ[T], est
formulée comme suit :

N
= (7)
T

La dernière dimension de notre analyse est l'adaptabilité face aux incertitudes. Son objectif est d'évaluer
dans quelle mesure les risques peuvent être évités avec un lissage des quantités entre les différentes
périodes t.
j
Pour qu’un lissage permet d’éviter les risques, et améliorer la robustesse d'un plan (𝑋t )tϵ[T] , il faut
𝑗
que la quantité totale cumulée des promesses de livraison sur tout l’horizon, X 𝑇 , soit suffisante
𝑗 𝑗
pour répondre aux contraintes impliquées par la demande totale D𝑇 et les approvisionnements 𝑅𝑇 .
Ainsi, nous mesurons l'adaptabilité (A) d'un plan comme suit :

j
𝐴((𝑋t )tϵ[T] ) = Π(𝐿4)𝑡=𝑇 = 1- 𝑁(𝐿4) 𝑇 (8)

Pour capitaliser les mesures de ces différents indicateurs pour la classification des plans par produit
selon la criticité de leurs risques associés, le décideur doit d’abord définir des seuils pour exprimer
ces tolérances par rapport la mesure de chaque indicateur. Ces seuils représentent :
• r : la valeur au-dessous du quelle le décideur considère que son plan n’est pas robuste et
qu’il faut qu’il fasse objet d’évaluation des risques en termes de gravité, de fréquence et
d’adaptabilité face à ces risques ;
• g : la valeur de gravité (certitudes de l’évènement) à partir du quelle le risque est considéré
grave ;
• f : la fréquence du risque au-delà duquel le risque devient imposant ;
• a : le niveau de possibilité d’adaptation face au risque au-dessous duquel le plan est
considéré inévitable par une opération de lissage.
La définition de ces différents seuils permet de découper les différentes branches de l’arborescence
d’évaluation adaptée pour la classification des plans par produit dans la matrice des risques.

4.4. Illustration I.3

Toujours dans le cadre de l’illustration déroulée dans ce chapitre et suite aux résultats de mesures
des risques obtenus dans l’illustration I.2 , nous étendons de la même façon ces mesures sur le reste

108
Chapitre IV : Analyse des risques pour l’aide à la replanification

des périodes (2,3,4,5) de l’horizon de planification afin de calculer les indicateurs aggrégés
d’évaluation et classifier le produit dans la matrice des risques.

ILLUSTRATION (I.3) :
ANALYSE ET EVALUATION DE LA CRITICITE D'UN PLAN DE LIVRAISON EN
FONCTION DES MESURES DU RISQUE DE REPLANIFICATION K4 PAR PERIODE
Les mesures de risque de replanification liées à un plan de livraison d’un produit P sous
demande et approvisionnements flous obtenues par période, sont comme suit :
Période 2 3 4 5 6
Risque de rupture (0.25, 0) (0, 0) (1,0) (1,0.25) (1, 0.05)
K1= (Π(L1), N(L1))
Risque d’insatisfaction de la demande totale (0,0) (1, 1) (0,0) (0,0) (1, 0.58)
K2= (Π(L2), N(L2))

Risque de replanification (0.25, 0) (1, 1) (1, 0) (1, 0.25) (1, 0.58)

K4= (Π(L4), N(L4))

Indicateurs d’évaluation de criticité Rob=0 G=1 F=5/5 A=0.42

Tableau 5. Résultats de mesures des risques K1, K2, K4 et d’indicateurs agrégés d’évaluation

Les mesures de nécessité liées au risque de replanification nous permettent d'agréger les
mesures de robustesse (Rob=0) et de gravité (G=1) et de conclure à une mesure d'adaptabilité
(A=0,42), tandis que les mesures de possibilité nous permettent d'obtenir les mesures de
fréquence (F=5/5) comme illustré ci-dessus.
Malgré l'importance de la gravité mesurée, la replanification est certaine au moins pour une
période de l’horizon (période 2, N(L4) = 1) : il est possible à 42% d’éviter le risque en évitant
les deux risques K1 et K2 en appliquant des opérations de lissage car la quantité totale cumulée
prévue sur les cinq périodes satisfait possiblement les contraintes associées aux variations
possibles des plans des autres acteurs.
À partir de ces indicateurs, on procède à l’évaluation et la classification du plan de livraison du
produit P selon les tolérances définis par le décideur.
Les tolérances du décideur par rapport chaque indicateur sont définies comme suit : (r(Rob),
g(G), f(F), a(A)) = (0.5, 0.5, 0.5, 0.5). Dans ce cas, nous obtenons la classification représentée
dans l'arbre ci-dessous (figure 38) indiquant une criticité importante du plan de livraison évalué
(classe F de la matrice des risques). Parmi des centaines voire des milliers de références
produits, le décideur sera alerté grâce aux résultats de cette évaluation de la nécessité de réviser
ce plan du produit P plutôt que d'autres qui sont plus robustes.

109
 Figure 38. Évaluation de la criticité du risque K4 associé au plan de livraison du produit P

Lorsque le décideur aura choisi de se concentrer sur un produit, il disposera des détails de
l'évaluation par période et par client pour orienter plus finement ses modifications vers les
décisions les plus critiques par période et par client.
Ici, d’après les détails d’évaluation par période (tableau 5) le décideur sera amené à réviser sa
promesse totale afin au moins de diminuer la nécessité du risque au minimum possible (≈0.1)
(voir les distributions du risques K4, figure 39). En effet, le risque de replanification est
possible quelle que soit la décision de livraison puisque le risque d'insatisfaction de la demande
totale et le risque de rupture coexistent, tout au long des distributions de possibilités des
paramètres flous. Le décideur sera surement amené à replanifier en cas de promesse de
livraison infaisable qui dépasse les approvisionnements maximaux possible ou en cas de
promesse insatisfaisante qui est inférieure à la demande minimale possible. Ainsi, il est
important d'éviter dans ce cas les promesses de livraison dans les intervalles [0, 270] et [375,
∞]. Une décision dans [330, 375] est plus cohérente avec une vision optimiste des réceptions
attendues (R) ou en cas de tolérance de consommation de stock de sécurité avec une priorité
de garantir une promesse satisfaisante. A l'inverse, pour une décision dans [125, 270], la priorité
sera donnée au maintien du stock au niveau objectif.
Afin de diminuer la nécessité du risque K4, le décideur peut d’abord commencer par
augmenter la quantité totale de sa promesse à la période 6 dans ces différents intervalles.
Ensuite, il redispatchera les produits entre les CDL1 et CDL2 (Illustration. I.2) puis lissera les
quantité entre les différentes périodes pour éliminer d’abord la nécessité du risque à chaque
période (période 3) et ensuite la possibilité du risque si possible dans chacune des périodes
afin de diminuer la fréquence du risque.

Figure 39. Risque K4 dans les quantité totale programmée sur l’horizon de planifcation
110
Chapitre IV : Analyse des risques pour l’aide à la replanification

5. Approche d’analyse des risques basée sur des intervalles comme cas
particulier des ensembles flous

5.1. Qualification des risques

𝑖𝑗
Dans cette section, nous considérons le cas où les incertitudes des plans des demandes {(𝐷𝑡 )}𝑖
𝑗
des clients {IJ} consommant le produit j et des plans approvisionnements (𝑅𝑡 ) sont représentées
par des intervalles, respectivement D ∈[ D , ̅̅̅̅ ∈ [ , ̅̅̅] pour chaque période t de
𝑖𝑗 𝑖𝑗 𝑖𝑗 𝑗 𝑗 𝑗
𝑡 D ] ;
𝑡 𝑡 𝑡 𝑡 𝑡
l’horizon [T].
Cette représentation par des intervalles correspond à un cas particulier d'ensembles flous traduisant
une ignorance totale sur les intervalles. Cette ignorance consiste à ne pas pouvoir savoir si une
quantité contingente 𝑄𝑡 dans l'intervalle [𝑄𝑡 , ̅̅̅
𝑄𝑡 ] est plus ou moins possible qu'une autre quantité
Q′𝑡 dans le même intervalle. Cela correspond ainsi à une représentation rectangulaire de la
distribution des possibilités des incertitudes (figure 40).

𝜕°𝑝𝑜𝑠𝑠𝑖𝑏𝑖𝑙𝑖𝑡é

𝑄𝑢𝑎𝑛𝑡𝑖𝑡é
𝑄𝑡 ̅̅̅
𝑄𝑡

Figure 40. Distribution rectangulaire de possibilité

Si nous ramenons cette représentation par intervalle à une distribution de possibilité afin de pouvoir
mesurer les risques et analyser leur criticité selon le modèle de la section précédente, les différentes
mesures seront des valeurs binaires (0 ou 1). Le risque peut être calculé comme suit :
• impossible : (Π(L)=0, N(L)=0) ;
• possible : (Π(L)=1, N(L)=0) ;
• sûr : (Π(L)=1, N(L)=1).

111
Exemple :
Nous caractérisons les risques liés à trois promesses différentes pour une même période t (X1= 625 ; X2=800 ;
X3= 1500). La demande totale des clients peut varier dans les limites d’un intervalle de [500,1000] et les quantités
des réceptions programmées de cette période peuvent varier dans l’intervalle [750,1250].

𝜕°𝑝𝑜𝑠𝑠𝑖𝑏𝑖𝑙𝑖𝑡é Demande totale (D)

Réceptions programmées (R)

𝑄𝑢𝑎𝑛𝑡𝑖𝑡é
625 800 1500
500 750 1000 1250
X1 X2 X3

Les risques de rupture, d’insatisfaction de la demande totale et de replanification correspondants à chacune des décision
X1, X2 et X3 sont les suivants :
Risque Rupture Insatisfaction de Replanification
Décision demande totale
X1 Impossible Possible Possible
X2 Possible Possible Possible
X3 Sûr Impossible Sûr

Les indicateurs de robustesse (Rob), de gravité (G) et d'adaptabilité (A) qui se basent sur ces
différentes mesures de risques prendront également des valeurs binaires de 0 ou 1.

Du point de vue du décideur, qui gère un stock de chaque produit et son allocation aux différents
clients pour minimiser les replanifications, l'acceptation d'une demande à la baisse (proche de
𝑖𝑗
(D𝑡 )) se fait généralement de manière automatique. Cependant, l'acceptation d'une demande à la
hausse est soumise à plus de vigilance. Ainsi, la combinaison pessimiste correspond au fait que tous
les clients augmentent leur demande au maximum possible ̅̅̅̅̅̅̅̅̅
𝑖𝑗
{(D )} et que simultanément le
𝑡
fournisseur décide de reprogrammer les approvisionnements pour passer au minimum possible
𝑗
( 𝑡 ). Une décision qui satisfait cette combinaison satisfera toutes les autres combinaisons des
quantités possibles dans les intervalles considérés. Réciproquement, la combinaison de demandes
minimales {(D )} pour tous les clients i contre des approvisionnements maximales ̅̅̅̅̅̅
𝑖𝑗 𝑗
𝑡 ( ) sera la 𝑡
combinaison la plus optimiste. Si une promesse de livraison ne satisfait pas les contraintes pour
cette combinaison, elle ne les satisfera pas non plus pour toutes les autres quantités possibles dans
les intervalles.

112
Chapitre IV : Analyse des risques pour l’aide à la replanification

Ainsi, nous considérons deux combinaisons 𝐶𝑜 (𝑡)𝑒𝑡 𝐶𝑝 (𝑡) de plans possibles des demandes
𝑖𝑗 𝑗
{(𝐷𝑡 )} et de plan possible d’appros (𝑅𝑡 ), correspondant respectivement à une combinaison
optimiste et à une combinaison pessimiste, telles que :

𝐶𝑜 (𝑡)= ({(D𝑡 )} ; ̅̅̅̅̅̅ = ̅̅̅𝑡

𝑖𝑗 𝑗 𝑖𝑗 𝑖𝑗 𝑗 𝑗
( 𝑡 ) ) / ∀𝑡 ∈ [𝑇]; ∀𝑖 ∈ [𝐼𝐽]; D𝑡 = D𝑡 et ∀𝑡 ∈ [𝑇]; 𝑡 (9)

̅̅̅̅̅̅̅̅̅
𝐶𝑝 (𝑡) = ({(D
𝑖𝑗 𝑗
) /∀𝑡 ∈ [𝑇]; ∀𝑖 ∈ [𝐼𝐽]; D𝑡 = ̅̅̅̅
𝑖𝑗 𝑖𝑗
D𝑡 et ∀𝑡 ∈ [𝑇];
𝑗 𝑗
𝑡 )} ; ( 𝑡) 𝑡 = 𝑡 (10)

Pour chaque période t, en croisant les intervalles d'incertitude de la demande totale (D) et ceux des
approvisionnements (R), nous avons pu identifier trois zones principales (voir figure 41) pour aider
visuellement le décideur à qualifier sa promesse de livraison par période et à améliorer sa robustesse.
Promesse
totale - 𝑅 + 𝑆0 𝑅 + 𝑆0 +
(Π(L1) =0, N(L1) =0) (Π(L1) =1, N(L1)=0) (Π(L1) =1 , N(L1)=1)
- (Π(L2) =1, N(L2) =1) (Π(L2) =1, N(L2)=1) (Π(L2) =1, N(L2)=1)

𝐷 (Π(L4)=1, N(L4)=1) (Π(L4)=1, N(L4)=1) (Π(L4)=1, N(L4)=1)

(Π(L1)=0, N(L1)=0) (Π(L1)=1, N(L1)=0) (Π(L1) =1 , N(L1)=1)
(Π(L2)=1, N(L2)=0) (Π(L2)=1, N(L2)=0) ((Π(L2) =1, N(L2)=0)

𝐷 (Π(L4)=1, N(L4)=0) (Π(L4)=1, N(L4)=0) (Π(L4)=1, N(L4)=0)

(Π(L1)=0, N(L1)=0) (Π(L1)=1, N(L1)=0) (Π(L1) =1 , N(L1)=1)
(Π(L2)=0, N(L2)=0) (Π(L2)=0, N(L2)=0) (Π(L2)=0, N(L2)=0)
+
(Π(L4)=0, N(L4)=0) (Π(L4)=1, N(L4)=0) (Π(L4)=1, N(L4)=0)

Zr ; Zo ; Zv

Figure 41. Caractérisation des risques à l’intersection des intervalles d’incertitudes de demande et des
réceptions

Sur la figure 41, nous distinguons :

• Une zone rouge (Zr) où la promesse a une robustesse égale à 0 mais aussi une gravité
importante car elle ne satisfait même pas les contraintes de la combinaison optimiste. Le
décideur sera surement amené à replanifier cette promesse.
• Une zone orange (Zo) où la promesse qui lui appartient satisfait au moins les contraintes
liées à la combinaison optimiste et donc la gravité des risques dans cette zone est toujours
nulle et mais la robustesse est faible. Il est possible que le décideur soit amené à modifier
ces promesses dans les prochains cycles de planification pour s’adapter aux variations des
plans des autres acteurs.
• Enfin, une zone verte (Zv) où nous trouverons une promesse qui satisfera la combinaison
pessimiste, elle aura donc une robustesse à 100% et la promesse sera respectée.

𝑗 j j
∀𝑡 ∈ [𝑇], 𝑆𝑖 X𝑡 ∈ 𝑍𝑟 : Rob (𝑋t )= 0, G(𝑋t ) = 1 (10)

113
 𝑗 j j
∀𝑡 ∈ [𝑇], 𝑆𝑖 X𝑡 ∈ 𝑍𝑜 : Rob (𝑋t )= 0, G(𝑋t ) = 0 (11)
𝑗 j j
∀𝑡 ∈ [𝑇], 𝑆𝑖 X𝑡 ∈ 𝑍𝑣 : Rob (𝑋t )= 1, G(𝑋t ) = 0 (12)
De même nous pouvons qualifier l’adaptabilité du plan en positionnant la décision cumulée totale
𝑗
X 𝑇 par rapport aux intervalles des quantités totales cumulées des autres acteurs, comme suit :
𝑗 𝑗
(𝑋T ) = {1; 𝑆𝑖 XT ∈ 𝑍o OU XT ∈ 𝑍𝑣
j
(13)
0; Sinon

5.2. Extension des indicateurs basés sur des distances aux bornes des
intervalles

À partir des ensembles Co et Cp correspondants aux combinaisons optimiste et pessimiste des

plans de demande totales des clients et d’approvisionnement du fournisseur, nous pouvons affiner
la définition des différents indicateurs.
𝑖𝑗 𝑗 ̅̅̅̅
En utilisant les bornes inférieures (D𝑡 , 𝑅𝑡 ) et supérieures (D
𝑖𝑗 ̅̅̅
𝑗
𝑡 , 𝑡 ) des intervalles prédéfinis pour
l'analyse des risques, nous pouvons mesurer l’impact des risques selon les deux combinaisons
extrêmes correspondants à une configuration de type impact pire cas et meilleur cas au regard de
la satisfaction des contraintes considérées. Cette analyse permet d’ajouter une échelle de plus de
gradualité en termes d’insatisfaction des contraintes qui permettra au décideur d’avoir en plus une
quantification des écarts à diminuer pour pouvoir diminuer le risque de replanification. Ainsi, pour
une combinaison 𝐶 ∈ {C𝑜 ; C𝑝 } de demande et de réceptions programmées, nous caractérisons
𝑗
l’impact du risque associé à une promesse de livraison X𝑡 en termes d'écarts conséquents (impact)
vis-à-vis de la satisfaction des contraintes.

Aux risques K1, K2, K3 et K4, respectivement les risques de rupture, d'insatisfaction de la demande
𝑗 𝑗 𝑖𝑗
totale, d'insatisfaction d’un client i et de replanification, on ajoute E1(𝑋𝑡 , 𝑠), E2(X𝑡 , 𝑠), E3(X𝑡 , 𝑠)
𝑗
et E4(X𝑡 , 𝐶), respectivement, les mesures de leur impact en considérant les bornes des intervalles
donnés {s}.
𝑗 𝑗
𝑆𝑖 < 𝑋𝑡 − S0 ; |𝑋𝑡 − ( + S0 )|
∈ {𝑅𝑡 ; ̅̅̅𝑡 }, E1(X𝑡 ,
𝑗 𝑗 𝑗 𝑡 𝑡
∀ 𝑡 𝑡) = { (13)
𝑆𝑖𝑛𝑜𝑛 ; 0
𝑗 𝑗
𝑆𝑖D𝑡 > 𝑋𝑡 ; |𝑋𝑡 − D𝑡 |
∀D𝑡 ∈ {D𝑡 ; ̅̅̅
𝑗 𝑗 𝑗
D𝑡 }, 𝐸2(𝑋𝑡 , D𝑡 ) = { (14)
𝑆𝑖𝑛𝑜𝑛; 0
𝑖𝑗 𝑖𝑗
𝑆𝑖 D𝑖𝑡 > 𝑋𝑡 ; |𝑋𝑡 − D𝑖𝑡 |
∀D𝑖𝑡 ∈ {D𝑡 ; ̅̅̅̅
𝑖𝑗 𝑖𝑗 𝑖𝑗
D𝑡 }, E3(X 𝑡 , D𝑖𝑡 ) = { (15)
𝑆𝑖𝑛𝑜𝑛 ; 0
Soit 𝐶 = (s1, s2) une combinaison de deux scénarios telle que :

∀s1 ∈ {D𝑡 ; ̅̅̅

D𝑡 }, ∀s2 ∈ {𝑅𝑡 ; ̅̅̅𝑡 }, E4(X𝑡 , 𝐶)= 𝑚𝑎𝑥 (E1(𝑋𝑡 , 𝑠1); E2(X𝑡 , 𝑠2))
𝑗 𝑗 𝑗 𝑗 𝑗 𝑗 𝑗
(16)

114
Chapitre IV : Analyse des risques pour l’aide à la replanification

E1 quantifie la rupture associée à une promesse de livraison qui pourra être programmée à une date
donnée par rapport aux limites de réceptions programmées {𝑅 ; ̅̅̅ }. E2 et E3 quantifient
𝑗 𝑗
𝑡 𝑡

respectivement l’indisponibilité (backorders) par rapport aux limites de demande totale {D𝑡 ; ̅̅̅
𝑗 𝑗
D𝑡 } et
de demande par client {D𝑡 ; ̅̅̅̅
𝑖𝑗 𝑖𝑗
D𝑡 } étant donnée une promesse de livraison des clients.

Ainsi, E1 représente la quantité à diminuer afin de respecter la contrainte de disponibilité des stocks
par rapport au scénario de réception. E2 est la quantité à ajouter à la promesse afin de combler
l’écart par rapport au scénario de demande totale des clients. Ces deux écarts font référence à deux
actions opposées qui peuvent être appliquées afin de rendre le risque acceptable. Nous agrégeons
l’impact du risque de replanification comme l’écart maximal de la décision par rapport aux scénarios
de demande et d’approvisionnement.
𝑗 𝑗
Ainsi, améliorer la robustesse d’une décision X𝑡 revient à diminuer l’impact E4(X𝑡 , 𝐶𝑝 ) associé au
risque de replanification pour la combinaison pessimiste Cp. La robustesse d’un plan est d'autant
𝑗
plus élevée qu’est faible l’impact maximal du risque de replanification E4(X𝑡 , 𝐶𝑝 ) mesuré sur les
différentes périodes tϵ[T] et pour cette combinaison Cp.
De même, nous associons la mesure de gravité à l’incapacité de supporter toutes les combinaisons
possibles et donc non plus la plus optimiste. Ainsi, annuler la gravité des risques revient à annuler
𝑗
l’impact maximal du risque de replanification E4(X𝑡 , 𝐶𝑜 ) mesuré sur les différentes périodes tϵ[T]
par rapport à la combinaison optimiste des scénarios d’incertitudes (Co).
Concernant l’adaptabilité du plan, elle n’est possible que si le plan satisfait au moins la combinaison
𝑗
optimiste des quantités totale cumulées sur la dernière période de l’horizon T (E4(X 𝑇 , 𝐶𝑜 ) = 0).

115
 5.3. Illustration I.4

ILLUSTRATION (I.4) :
AIDE A LA DECISION BASEE SUR UNE REPRESENTATION PAR
INTERVALLES DES INCERTITUDES
Nous reprenons les données de l’illustration déroulée dans ce chapitre. En appliquant un
alpha-coupe= 0 sur les données modélisées avec les ensembles flous. L’intervalle obtenu
correspondra à nos plans min et max représentés dans la figure 42. Sur cette figure, nous
représentons le positionnement du plan cumulé de livraison totale (X) par rapport les
différentes scénarios min-max de demande (D) et de réceptions programmées (R) sur les cinq
périodes de l’horizon. Sur le graphe nous visualisons également la caractérisation (zr, zo, zv)
de chaque décision par période.

Figure 42. Caractérisation du risque K4 à l’intersection des intervalles des plans incertains

La décision X appartient à des zones rouges oranges pour toutes les périodes, sauf pour la
période 3, elle appartient plutôt à la zone rouge. Ainsi, nous obtenons la caractérisation du
risque K4 du tableau ci-dessous et nous agrégeons les indicateurs de criticité du risque de
replanification (Robustesse, Gravité, Fréquence et Adaptabilité) comme suit :

Période 2 3 4 5 6
K4 (Pi, N) (1, 0) (1, 1) (1, 0) (1, 0) (1, 0)
Indicateurs F=5/5 G=1 A=1
Rob=0
Tableau 6. Résultats de mesures du risque K4

116
Chapitre IV : Analyse des risques pour l’aide à la replanification

Les combinaisons optimiste et pessimiste de demande et réceptions ainsi que leur impact, par
période ; E1 d’écart lié à l’indisponibilité des produits en stock, E2 d’écart lié à l’insatisfaction
de la demande totale, E3(C1) et E3(C2) d’écarts liés à l’insatisfaction des clients C1 et C2
respectivement, et E4 quantifiant la somme des écarts impliqués par rapport à la satisfaction
de l’ensemble des contraintes ; seront les suivantes :
Combinaison Combinaison
Optimiste 2 3 4 5 6 Pessimiste 2 3 4 5 6
(Co) (Cp)
Dmin 20 75 100 149 270 Dmax 60 125 140 191 330
Rmax 150 225 225 300 375 Rmin 50 75 75 100 125

Co 2 3 4 5 6 Cp 2 3 4 5 6
E1 0 0 0 0 0 E1 10 0 85 140 155
E2 0 15 0 0 0 E2 0 65 0 0 50
E3(CDL1) 10 30 0 0 0 E3(CDL1) 30 50 0 0 0
E3(CDL2) 0 0 0 1 55 E3(CDL2) 0 15 10 19 85
E4 0 15 0 0 0 E4 10 65 85 140 155
Tableau 7. Résultats de mesures des écarts par rapport la combinaison optimiste et la combinaison
pessimiste

Les résultats indiquent une robustesse de 0 donc il y aura au moins une période où le risque
est sûr. D'autre part, la gravité est à 1. Autrement dit, même pour la combinaison optimiste,
le plan est incapable de satisfaire les contraintes pour au moins une période. Donc, il ne
satisfera pas non plus les contraintes liées aux autres variations possibles des plans des autres
acteurs pour cette période.
La fréquence du risque est de 5 périodes parmi 5 car le risque est possible pour l’ensemble des
périodes. Le décideur sera donc amené à replanifier presque toutes les 5 périodes de l'horizon
de planification dans les prochains cycles de replanification, en cas d'occurrence de la
combinaison pessimiste.
Enfin, malgré la gravité du risque lié au plan du produit P, celui-ci sera sûrement adaptable
pour la combinaison optimiste, donc une opération de lissage suffira pour annuler cet écart
E4 mesuré pour cette combinaison et ainsi annuler la gravité du plan. En revanche, le plan est
non adaptable en cas d’occurrence de la combinaison pessimiste. La décision totale cumulée à
la période 6 sera irréalisable avec un écart de 155 d’indisponibilité du stock compte tenu des
réceptions cumulées à cette période et un écart de 120 également par rapport à la demande
totale cumulé.
À partir de la visualisation proposée dans la figure 42, le décideur identifiera la période 3
comme la période la plus critique appartenant à la zone rouge (Zr), cette promesse est donc la
source de la gravité constatée du risque. L’écart mesuré E4 pour cette période indique un écart
de 15 produits de l'objectif en termes de respect des contraintes pour la combinaison optimiste
(Co) sur les différentes périodes. Il s'écartera donc sûrement de plus de 15 produits en cas
d'occurrence de n’importe quelle autre combinaison possible dans les intervalles modélisés.

117
Le décideur peut donc au moins opérer un lissage entre la quantité prévue en période 2 et celle
de la période 3 pour éliminer cette gravité. Il peut diminuer cette promesse de façon à annuler
la gravité du risque (Zo), mais il augmentera l'écart par rapport au scénario maximum de la
demande totale cumulée, donc moins d'adaptabilité. En général, le décideur sera amené à
déplacer sa décision de manière à rester dans la zone orange de la matrice s'il cherche une
solution de compromis sans préférence entre des contraintes en termes de satisfaction.
Le décideur peut aussi voir le détail par période d'analyse de l'impact des risques des deux
combinaisons envisagées par client pour la réallocation des quantités entre clients. Il peut ainsi
décider de privilégier un client plus qu'un autre en se rapprochant de sa demande maximale
possible alors pour l'autre client la promesse sera plus proche du scénario de demande
minimale. Les graphes ci-dessous (figure 43 et 44) représentent le positionnement de la
promesse de livraison (X) de chaque période par rapport l’intervalle des incertitudes de la
demande de chaque période de chacun des clients CDL1 et CDL2. Cette visualisation permet
au décideur de repérer que la quantité totale programmée pour la livraison du CDL2 ne satisfait
même pas sa demande totale cumulée minimale alors que la quantité prévue pour CDL1
satisfait plus que le scénario maximal de la demande totale cumulée. Ainsi, le décideur peut
procéder d’abord à une re-répartition de ces quantités pour au moins satisfaire la demande
totale cumulée du CDL2.

Figure 43. Plan de livraison (X) par rapport les intervalles de demande du client CDL1

Figure 44. Plan de livraison (X) par rapport les intervalles de demande du client CDL1

118
Chapitre IV : Analyse des risques pour l’aide à la replanification

6. Conclusion
Dans ce chapitre, nous avons tout d’abord formalisé la manière dont un acteur exprime les
incertitudes sur ses plans aux autres acteurs. L’expert décrit les incertitudes dans un plan cumulé
avec un vecteur de trois paramètres [amplitude de variation (%) ; type de variation (à la hausse, à la baisse
ou dans les deux sens) ; l’horizon concerné par ces incertitudes]. Cependant, ces informations
supportent plusieurs interprétations pour leur application. Ainsi, nous avons formulé cinq
applications possibles pour la modélisation des incertitudes avec les ensembles flous pour orienter
l’expert et assurer la cohérence dans l’application de son modèle. Nous avons ensuite proposé une
approche possibiliste d’analyse des risques basée sur les mesures de la théorie de possibilité. Nous
caractérisons un risque associé à un événement L à une période de planification avec une mesure
du couple (possibilité (L), Nécessité (L)). Sous incertitude sur les demandes et les
approvisionnements, nous avons considéré les risques de rupture et du risque d’insatisfaction de la
demande par client et de la demande totale.
À partir de ces mesures par période, nous avons formulé les indicateurs permettant l’évaluation de
la criticité de ces risques associés au plan par produit (Robustesse, Gravité, Fréquence,
Adaptabilité). Ces indicateurs sont capitalisés dans la phase d’évaluation selon les critères et les
tolérances d’un décideur. Ils permettent de classifier les plans par produit dans la matrice de criticité
afin de faciliter la détection du plan(s) critique(s) pour un produit parmi des milliers de références
produits lors des opérations de replanification.
Ainsi, les différentes analyses proposées dans cette partie (par produit, par risque et par période)
visent à aider le décideur à mener les différents niveaux de son processus de replanification (lissage
de la promesse totale, allocation de la promesse totale aux décideurs, priorisation et anticipation).
Dans la dernière partie, nous avons présenté une approche basée sur une modélisation avec des
intervalles. Nous avons présenté cette approche comme un cas particulier de l’approche
possibiliste. Nous avons aussi défini deux combinaisons optimiste et pessimiste composées des
scénarios extrêmes des réceptions et de la demande totale et nous avons proposé une extension
des indicateurs basés sur des distances aux bornes de ces intervalles. Ces distances caractérisent
l’impact du risque associé à une décision (promesse de livraison) donnée sur les performances de
planification dans ces deux cas extrêmes. Ces distances permettent au décideur d’estimer (i) l’effort
demandé au niveau de la replanification afin de rendre le risque acceptable ; et (ii) la décision plus
robuste pour supporter le maximum faisable des scénarios de variation des plans dans les prochains
cycles de replanification.
Dans le chapitre V, nous présentons l’implémentation de la plateforme d’aide à la décision et son
utilisation dans un contexte dynamique à horizon glissant sur un cas d’étude pour preuve de
concept.

119
CHAPITRE V. CAS D’APPLICATION

1. Introduction : démarche expérimentale .............................................................. 123

2. Cas industriel : Pierre Fabre Dermo-Cosmétique (PFDC) ................................. 124
2.1. Chaine logistique PFDC ................................................................................ 124
2.2. Processus de planification tactique étudié ..................................................... 125
2.3. Données de planification PFDC .................................................................... 129
3. Plateforme d’aide à la replanification sous incertitudes ..................................... 130
3.1. Cadre conceptuel du système d’aide à la décision ......................................... 130
3.2. Services de la plateforme d’aide à la décision ............................................... 131
3.3. Structure des données .................................................................................... 133
3.4. Interface d’aide à la décision : expérience utilisateur .................................... 134
3.5. Plateforme de négociation ............................................................................. 139
4. Un Serious Game comme preuve de concept (PoC) .......................................... 139
4.1. Utilisations des ‘Serious Game’ .................................................................... 139
4.2. Dimensionnement .......................................................................................... 140
4.3. Conception du ‘Serious Game’ ...................................................................... 141
4.3.1. Déroulement du ‘Serious Game’ en horizon glissant .................. 141
4.3.2. Émulateur ERP : Modèle de planification ................................... 143
4.4. Expérimentation d’un point de vue de planificateur au niveau du Centre de
Distribution Central ........................................................................................................ 145
4.4.1. Scénario ....................................................................................... 145
4.4.2. Simulateur de stratégie de réduction de gravité du risque de
replanification sous incertitudes ......................................................................... 148
4.4.3. Analyse des résultats ................................................................... 151
5. Conclusion .......................................................................................................... 156

122
Chapitre V. Cas d’application

1. Introduction : démarche expérimentale

Dans ce chapitre, nous présentons nos contributions pratiques pour répondre à nos troisième et
quatrième questions de recherche :
• une plateforme d'aide à la décision pour la replanification à horizon glissant prenant en
compte les incertitudes sur les plans transmis par les autres acteurs.
• l’étude de son interaction avec des données dynamiques de planification.
L'approche expérimentale suivie porte suit deux phases (voir figure 45). La première phase consiste
en l'analyse des processus de planification du partenaire industriel Pierre Fabre Dermo-Cosmétique
(PFDC). Cette étape vise à modéliser les processus métier de planification dynamique en se basant
principalement sur des entretiens avec le partenaire industriel et la collecte de données
représentatives de l'environnement étudié. Les résultats de cette étude visent à aboutir à un
processus générique des processus exécutés dans des cascades ERP/DRP.
Les résultats de cette phase sont utilisés comme entrée pour une deuxième phase qui consiste en
l'élaboration d'une étude de cas sous la forme d'un Serious Game (SG). Ce SG permet de simuler
l'environnement étudié selon un dimensionnement à petite échelle de la SC considérée. La
dynamique des données est reproduite à partir de la simulation du processus de planification
modélisé. Selon un scénario prédéfini, deux simulations sont effectuées sans et avec outil d'aide à
la décision. Une comparaison entre les deux est effectuée sur la base de l'analyse de l'historique
généré dans les deux cas. Cette analyse vise principalement à quantifier la nervosité de la
planification et les effets des incertitudes sur les performances des livraisons.

Analyse des processus PFDC

Entretiens industriels (Problèmes et environnement)

Choix du périmètre de collecte de données (produits, vues ERP-DRP, fréquence ...)

Collecte des données de planifcation
Traduction des données
Contruction de la base de données dynamique de planification

Modélisation du processus de planifcation en horizon glissant

Validation des processsus modélisés avec l'industriel

Elaboration d'un cas d'études à petit échelle (Serious Game)

Dimensionnement

Simulation des processus de planification en horizon glissant (ERP-DRP)

Orchéstration du processus de planfication sur l'horizon glissant

Définition du scénario du jeu

Emulation du As-Is (sans incertitudes) et collecte des résultats

Emulation du To-Be (avec outil d'aide à la décision sous incertitude) et collecte
des résultats
Comparaison (As-Is VS ToBe) et conclusions

Figure 45. Démarche expérimentale

123
 2. Cas industriel : Pierre Fabre Dermo-Cosmétique (PFDC)

2.1. Chaine logistique PFDC

Les travaux de cette thèse s’inscrivent dans le cadre du projet ANR CAASC (Cloud Adaptation for
Agile Supply Chain) et plus précisément de son deuxième axe scientifique qui porte sur l’évaluation
des risques et de la robustesse des plans sous incertitudes. Pierre Fabre Dermo-Cosmétique (noté
PFDC dans la suite) est le partenaire industriel qui est à l’origine de la problématique industrielle et
a collecté des données de planification réelles hebdomadairement sur une période 48 mois.

Le groupe Pierre Fabre est un groupe français dans le secteur de la santé avec deux activités
complémentaires couvrant les soins médicaux et les soins dermo-cosmétiques et personnels. PFDC
est la branche dermo-cosmétique du groupe et le cas industriel de cette thèse.
PFDC (2ème laboratoire dermo-cosmétique au monde) est une entreprise française créée en 1967,
qui approvisionne, fabrique, stocke et livre des produits notamment pour un marché international
de la beauté dermo-cosmétique de la peau, des cheveux et du cuir chevelu. PFDC distribue ses
produits dans près de 130 pays à travers le monde dans le cadre d'une stratégie "Make To Stock".
La chaine logistique PFDC est une GSC (Global Supply Chain) qui se caractérise par une grande
complexité, que ce soit au niveau de sa structure, de ses flux et de la dynamique du marché (forte
volatilité des marchés mais aussi besoin de renouveler 33% des références annuellement). Les
produits PFDC se caractérisent par une grande diversité liée à la multitude de leurs formules (700
formules) et de leurs conditionnement primaire (différents volumes de contenants : tube, flacons...)
et secondaire (diversité du packaging : étuis cartons, films plastiques, langues imprimées…). Ainsi,
à partir d’un même produit semi-fini (vrac : crème, liquide, …) plusieurs variantes sont dérivées
(3500 références de produits finis en total), dont les marques les plus connues sont : Avène, Ducray,
Furterer, Galénic, Elancyl, Klorane…

La chaîne logistique de PFDC (voir figure 46) est constituée :

• des fournisseurs de matière première (produits agricoles bruts et des composants
d’emballage),
• de différentes usines situées en France, de transformation des plantes, d’extraction de
principes actifs (usine chimique) et de fabrication des produits finis,
• d’un Centre de Distribution Central (CDC) en France qui gère tout le stock des produits
finis issus de la production et approvisionne toute la distribution,
• des Centres de Distribution Locaux (CDL), en France et au niveau des filiales déportées à
l’étranger (plus de 29 filiales) pour une distribution aux pharmacies et des marchés locaux
de chaque filiale,
• des entreprises clientes externes de commercialisation (partenaires d'exportation).

124
Chapitre V. Cas d’application

Centre de distribution
Usine chimique français Marché français
Plantes

Centres de distribution
filiales (x29 filiales) Marché local
Fabrication produits
finis (x3 usines)

composants
d’emballage
Entreprises externes
Clients internes :
d’exportation
Centres de
Sous-traitants Centre de
Distribution
Fournisseurs de Distribution
Usines Locaux (CDLs) Clients
MP Central (CDC)

Figure 46. Chaine logistique Pierre Fabre Dermo-Cosmétique

Le processus de fabrication est constitué de deux phases principales : la fabrication du vrac suivi
du conditionnement de ce produit semi-finis. Au niveau des sites de production, il n’y a pas de
stock de produits finis. Les produits sont envoyés directement au CDC à la sortie du
conditionnement. Les produits ne sont considérés disponibles à la livraison dans le stock du CDC
qu’après la validation du contrôle qualité au niveau de ce dernier.

2.2. Processus de planification tactique étudié

L’application du projet CAASC s’intéresse à la chaine de distribution de PFDC, divergente à partir

d’une seule usine vers ses clients qui sont les CDLs (voir le périmètre considéré dans le projet sur
la figure 47). Cette SC est composée d'un ensemble d'entités qui collaborent pour la planification
des flux de produits, de services et de finances. Chaque entité organise son activité de fabrication
ou de distribution en s’appuyant sur les systèmes de planification tactiques locaux (DRP pour la
distribution et MRP pour la production) coordonnés périodiquement. Cette coordination est basée
sur un partage de plans entre les différents systèmes de planification et vise à aligner les activités de
la SC et assurer sa bonne performance.

125
 Figure 47. Aperçu du périmètre d’étude de PFDC

Nous nous basons principalement sur l’analyse du processus de planification tactique à horizon
glissant de PFDC et nous appuyons sur le formalisme APICS afin de représenter de façon
générique ce processus. Une série d’entretiens avec les professionnels de l’entreprise accompagnée
d’une analyse des données collectées dans d’autres projets avant CAASC (exemple des données et
interviews collectées dans le projet C2Net (Hauser et al. 2018)) ont été menés pour modéliser ce
processus.

Ainsi, dans le processus de planification tactique en horizon glissant :

• Les ressources de chaque activité sont le décideur et le système de planification interne de
cette activité.
• Les activités correspondent à l’ensemble des activités de planification effectuées par les
ressources de chaque entités (lissage, calcul de besoins, allocation des stocks, …).
• Les données d’entrées d’une activité représentent :
o les plans partagés par les autres acteurs (demande et approvisionnements),
o l’état du sytème (les encours et les stocks initiaux par produit),
o les plans résultants du cycle de replanification précédent,
o les données techniques de planification (les tailles des horizons de planification
(figé, flexible, libre), les délais, la fréquence d’exécution, …).
• Les données de sortie de chaque activité sont un ensemble de plans (décisions) qui portent
sur un horizon de planification et qui sont transmis à une ou plusieurs autres activités dans
le processus qui les utilise(nt) comme données d’entrées.

126
Chapitre V. Cas d’application

Nous représentons ainsi le processsus de planification tactique en horizon glissant, comme suit
(figure 48) :

Figure 48. Processus de planification collaborative (échange de plans) avec une coordination mensuelle

Trois types de décideurs collaborent dans le cadre de ce processus :

• Les planificateurs au niveau de l’usine (planificateur production),
• Les planificateurs au niveau du CDC,
• Les planificateurs au niveau des différentes filiales.
Cinq activités sont identifiées dans le processus de planification :
• L’actualisation des prévisions de ventes des filiales (boite 1) ;
• Le calcul des Besoin Net (CBN) des filiales (boite 2) ;
• La consolidation des besoins filiales et CBN du CDC (boite 3) ;
• Le lissage charge/ capacité de l’usine pour calcul du plan de production (boite 4) ;
• Le lissage charge/capacité (stock disponible) du CDC et l’allocation des stocks aux filiales
(Boite 5).

La granularité ou l'unité de temps dans laquelle les plans partagés dans le processus sont exprimés
est la semaine. L'horizon de ces plans tactiques est de 52 semaines (une année). L'horizon figé est
de deux semaines en plus du délai de livraison/approvisionnement. L'horizon flexible est d'environ

127
4 mois (16 semaines). Les périodes restantes de l'horizon global représentent l'horizon libre. Le
cycle de replanification est d'une semaine.

Nous faisons la différence entre deux types de processus de planification. Le processus de

planification mensuel et le processus hebdomadaire.
Chaque mois, au cours de la première semaine du mois, les besoins des différentes filiales sont
consolidés pour devenir la base de dimensionnement des ressources de la SC pour le mois en cours.
Ainsi, ce processus permet à l'entreprise de coordonner les différentes activités de la SC et de
dimensionner les capacités requises. Les plans résultants de ce processus sont la référence pour le
reste du mois.
Cette coordination mensuelle est assurée principalement par les différents systèmes ERP (MRP
pour la production, DRP pour le CDC, APS (module de prévision de vente et DRP local) pour la
filiale). Les planificateurs se coordonnent suite à cela en échangeant les plans validés via la
plateforme de l’entreprise dans le cadre d’un processus séquentiel. Chaque filiale (CDL) élabore ses
prévisions de vente et transmet au CDC ses besoins d’approvisionnement résultants. Ces besoins
correspondent aux plans d'approvisionnement souhaités. Selon ses stratégies de
réapprovisionnement à l'usine, le planificateur d'approvisionnement CDC transmet des besoins à
produire ou des réceptions souhaitées à l'usine. En fonction de son adéquation charge/capacité, le
planificateur de la production transmet en retour son plan de production validé (Programme
Directeur de Production (PDP)). Sur la base de cette réponse et des ressources du CDC, le
planificateur du CDC s’engage sur des plans d'approvisionnement pour chaque client (CDL) et
transmet sa réponse.

Contrairement au processus mensuel séquentiel, le processus hebdomadaire est plutôt un processus

asynchrone non coordonné entre les différents partenaires. Chaque entité révise ses plans internes
de la semaine encours pour s’adapter aux perturbations. Pour ce faire, chacune se base sur les
derniers plans reçus en fin de la semaine précédente et transmet ses besoins d’approvisionnement
exceptionnels à ses fournisseurs. La réponse de ses fournisseurs ne sera intégrée dans l’ERP local
et actualisée qu’à la fin de la semaine suite à la réception du plan validé du fournisseur. Dans le
cadre de gestion des ruptures, les décideurs échangent des alertes, principalement des alertes de
rupture centrale ou de ruptures locales au niveau des CDLs. Au cours de la semaine, les décideurs
ne connaissent pas les révisions des plans des autres acteurs qui ne seront transmis qu’à la fin de la
semaine.
Ainsi, (Hauser et al. 2018) résume deux limites principales dans le processus de planification
PFDC :
• Tous les planificateurs peuvent apporter des modifications à la planification d'un produit à
tout moment sans en connaître les conséquences sur les plans globaux. Par exemple, une
amélioration sur un produit en rupture ou en risque de rupture, peut créer des problèmes
sur plusieurs autres produits. De plus, l'analyse étant hebdomadaire, les problèmes ne
seront identifiés qu’à la semaine suivante.

128
Chapitre V. Cas d’application

• Une autre limite réside dans le fait que PFDC a beaucoup de planificateurs en raison du
nombre de marques et de clients. Même si certaines procédures sont définies, ils ne gèrent
pas les plans et les problèmes avec les mêmes méthodes en raison de leurs formations et
de leurs sensibilités. Ceci souligne l’importance d’intégrer les connaissances de ces
planificateurs dans le processus de décision.

2.3. Données de planification PFDC

Les données collectées dans le cadre du projet CAASC sont issues de différents ERP de l'entreprise
et concernent des produits finis d’une marque conditionnés dans une usine. Elles concernent dix
variantes de deux types de produits dermo-cosmétique en crème et en Baume. Ces produits sont
distribués sur 43 couples article x CDL (voir figure 49). Le stock du produits ‘XXX’ par exemple
est partagé entre 16 CDLs à l’international, d’où la complexité de gestion des opérations de
planification au niveau du CDC. À la complexité liée aux différences des processus de ces filiales
et la qualité de leurs prévisions s’ajoute la complexité des délais de livraison à maitriser et les
stratégies d’approvisionnement de chaque entité.

Figure 49. Les couples (produit* CDL) des données industrielles

Les principales caractéristiques des données de ces produits sont :

• Ils sont réalisés sur une ligne de conditionnement dédiée ;

• Ils utilisent un composant commun spécifique.

Ils sont déclinés en 11 variantes :
• 6 articles Crèmes ;
• 5 articles Baumes.

Dans ce périmètre, nous distinguons trois types de fichiers collectés de façon hebdomadaire :
• Un fichier issu de la vue de planificateur de production. Ce fichier est issu de l’ERP de
l’usine. Pour chaque article (y.c. composant commun), il contient les données suivantes :
o Le stock disponible et en cours de production et de contrôle qualité ;

129
 o Les ressources prévisionnelles ;
o Les besoins prévisionnels ;
• Un fichier issu de la vue du planificateur au niveau du CDC. Ce fichier contient, pour
chaque couple (article x CDL), les données suivantes :
o Les besoins d’approvisionnement des CDLs ;
o Le plan d’approvisionnement validé ;
o Les réalisations des cycles de replanification précédentes et le stock initial.
• Un fichier issu de la vue d’une consolidation des données à partie des vues des filiales. Ce
fichier contient pour chaque (article x CDL), les données suivantes :
o Les prévisions de ventes ;
o Le stock initial ;
o Les encours ;
o Le plan prévisionnel d’approvisionnement/ livraison ;
o Le stock projeté.
Les données issues de l’ERP de l’usine et les données du DRP central sont exprimées à date de
disponibilité au CDC. Les données des filiales sont exprimées à la date de disponibilité aux filiales,
selon le délai de livraison de chaque filiale.
Nous nous basons principalement sur l’analyse de ces données pour l’élaboration de l’émulateur
des ERPs afin de les regénérer dynamiquement selon des stratégies de planification définies (§4).
Elles nous servent de référence pour définir la structure de données dynamiques de la base de
données de la plateforme d’aide à la décision.

3. Plateforme d’aide à la replanification sous incertitudes

3.1. Cadre conceptuel du système d’aide à la décision

Afin d’implémenter le modèle possibiliste d’évaluation des risques présenté dans le chapitre
précédent, nous proposons la structure de l’outil d’aide à la replanification représenté dans la figure
50. Cette structure porte sur trois modules principaux :
• Un calculateur de plans cumulés qui calcule les plans cumulés issus de la base de données
ERP.
• Le générateur du modèle d’incertitude sur la demande et les réceptions programmées
compte tenu d’un modèle d'incertitude donné.
• L'évaluateur de décision en fonction de la demande et des approvisionnements flous. Il
calcule toutes les mesures liées aux différents risques par période et les indicateurs agrégés
qui permettent de classer le plan en cours d'évaluation en fonction de la criticité des risques.
Ces modules alimentent une interface utilisateur pour aider le décideur à réviser ses décisions face
aux incertitudes. Les utilisateurs interagissent directement avec l'application frontale.
Trois niveaux d’agrégation des indicateurs sont disponibles. Un bilan global (IU1) permet de
visualiser la classification des plans par produit dans une matrice de criticité évaluant la gravité, la
fréquence et l’adaptabilité des risques. À ce niveau le décideur peut identifier facilement les plans

130
Chapitre V. Cas d’application

les plus critiques (moins robustes) qui doivent être révisés et les plans qui sont plutôt robustes. À
partir de cette classification, il choisit l'échelle de focalisation (le plan d’un produit) de l'évaluation
pour voir les détails d’évaluation pour chaque période et pour chaque client (IU2) afin de décider
de ses modifications. Via une interface d’édition des plans (IU3), le décideur peut créer des
scénarios de modifications et les évaluer. Les tests et modifications peuvent être sauvegardés pour
faciliter la comparaison entre les décisions. Il est également possible d'accéder à nouveau aux détails
des évaluations pour une validation finale de la décision choisie.

Figure 50. Structure du système d’aide à la replanification

3.2. Services de la plateforme d’aide à la décision

La plateforme d’aide à la décision est une plateforme multi-utilisateurs, accessible en ligne. Pour
pouvoir être déployée dans un cloud, elle est conçue selon une approche orientée services. Les
utilisateurs peuvent accéder à ces services via des services d’import et d’export de leurs données de
planification issus des ERPs/ DRP (figure 51). Les données d’entrée nécessaires concernent

131
principalement la demande, les approvisionnements, l’état initial de la chaine logistique et les
modèles d’incertitude.
Le décideur se connecte en ligne à la plateforme d'aide à la décision via ses propres identifiants. À
partir de son rôle, il peut accéder à ses plans importés depuis l'ERP. Une fois qu'il a terminé ses
modifications, il peut exporter les nouveaux plans pour mettre à jour ses décisions dans l'ERP.
Les services déployés dans cette plateforme sont principalement :
• Une base de données pour accueillir les modèles d’incertitude puis les données de
planification dynamique de chaque semaine et assurer la traçabilité des plans évalués par les
décideurs lors de leur prise de décision.
• Un service d’évaluation des risques et d’aide à la décision sous incertitudes sur la demande
et des approvisionnements, via une interface interactive.
• Un service de négociation entre acteurs basé sur un partage de plans via une interface
dédiée. Les processus de prise de décision et de négociation ont été détaillés précédemment
dans le chapitre 3. Nous détaillons chaque service dans les sections suivantes.

Figure 51. Intégrabilité de la plateforme d’aide à la replanification

132
Chapitre V. Cas d’application

3.3. Structure des données

L’analyse des données industrielles collectées dans le cadre du projet nous permet de définir une
structure de données de planification dynamique dans la plateforme. Le modèle de données défini
dans la figure 52 permet de structurer les données de planification en horizon glissant ainsi que
l'historique des modifications d'un planificateur et le modèle d'incertitude.

Site Cellule-planification
Cellule-Modèle Code_Site Date_planification
d’incertitude 1,1 1,2
Désignation Période
Date_planifcation Type Code_Produit
1,n Délai _livraison
Site_Source Site_Destination
Période Délai_opération
Site_Source
Quantity_Type Type
Type_modèle 1,n Quantité
Paramètres
1,*

Plan
1,* Produit Date_Planifcation
Code_produit Code_Product
Modèle Site_Destination
1,1 Désignation
d’incertitude 1,1 Site_Source
Type
Longueur d’horizon

Figure 52. Modèle de données de planification sous incertitudes (cf. chapitre IV, §2)

Une donnée de planification intitulée (D) relative à la période de planification (t) élaborée à la
semaine (k) pour la référence produit (P) établie par un site (E) destinée à un site (M), est
représentée dans le modèle de données comme une "Cellule de planification" définie par :
Date_Planification= k ; Période= t ; Code_Produit= P ; Site_Destination = M ; Site_Source = E ;
Type= D.

133
 Illustration
La figure ci-dessous montre l'historique des plans de livraison PL du produit 1000, destinés à
un site S1, établis par un centre de distribution C1 sur l'horizon glissant.
Périodes de planification
Dates de Plan
planification
1 2 3 . n Date_planification= 2
1 Code_Produit=1000
Site_Destination= S1
2 Site_Source= C1
Type= PL
3 Longueur d’horizon= n

.
Date_planification= 3
n Période=4
Code_Produit=1000
Site_Destination= S1
Exécutions Site_Source= C1
Type= PL
Quantité=Q4 Cellule de planification

3.4. Interface d’aide à la décision : expérience utilisateur

Nous revenons à l'exemple illustratif déroulé au chapitre 4 afin d'illustrer ici l'interface utilisateur
de la plateforme d'aide à la décision. La plateforme d'aide à la décision concerne une structure SC
à définir une seule fois (figure 53). Cette structure est reconfigurable à tout moment.

Figure 53. Définition de la structure de la SC

Le décideur se positionne du point de vue décisionnel d'une entité de cette SC pour alimenter la
plateforme avec les plans de la semaine (ses plans et les plans des autres acteurs connus à cette
date) exportés depuis son système de planification local (figure 54).

Figure 54. Affectation des rôles des décideurs

134
Chapitre V. Cas d’application

Ensuite, il passe à l'interface d'aide à la décision sous incertitudes. Il configure ses modèles
d'incertitude sur les demandes et les approvisionnements (figure 55). La reconfiguration de ce
modèle est possible en cas de besoin de correction du modèle dans les prochains cycles de
replanification. Conformément aux modèles introduits au chapitre IV.3.1, le décideur peut
découper un type de plan pour un produit donné en horizons avec pour chaque horizon : la période
de début de l’horizon (Week Référence), le type de modèle d’incertitude (I1.H1; I1.H2; I2.H1;
I2.H2; I3), les coefficients de paramétrage de l’incertitude (a, b, c, d).

Figure 55. Configuration du modèle d’incertitudes

Ensuite, le décideur peut paramétrer les différentes dimensions du périmètre de son évaluation et
de ses critères d'évaluation de la criticité (les limites de l'arbre d'évaluation de la criticité, les taux de
service objectifs par client...) (figure 56).

Figure 56. Configuration du périmètre (produits) et des tolérances d’évaluation

135
Puis, le décideur lance l'évaluation de ses plans et obtient leur positionnement sur la matrice des
risques en fonction des indicateurs agrégés de criticité du risque de replanification (figure 57).

Figure 57. Matrice des risques

Ainsi, sur la matrice des risques, il devient possible d'identifier le(s) plan(s) critique(s) et de choisir
le périmètre de l'évaluation. Dans l'illustration, il n'y a qu'un seul produit (en zone F). La sélection
de ce produit permet d'afficher le détail des mesures de risque par période (figure 58).

Figure 58. Mesures des risques par période

Le décideur peut ainsi repérer les périodes à revoir. Pour chaque période, ses décisions (barre au
milieu) sont évaluées et positionnées par rapport à des jauges représentant les distributions de
possibilités de la demande (à gauche) et des ressources prévues (à droite) (figure 59). Ainsi, il peut

136
Chapitre V. Cas d’application

modifier ses décisions en repositionnant les aiguilles des jauges par rapport aux distributions de
possibilités (Zone verte correspond à des possibilités à 1, Zone rouge à des possibilités à 0, Zone
jaune à des possibilité dans ]0 ;1[). La couleur des aiguilles lui permet de visualiser rapidement les
périodes sur lesquelles il a des difficultés : W3/20 [promesse de livraison trop basse par rapport à
la demande et aux réceptions programmées], W4/20 et W5/20 [promesses trop haute par rapport
à la demande].

Figure 59. Plan de livraison VS plans flous des autres acteurs (interface d’édition)

Jusque-là, le décideur décidait de sa promesse de livraison totale de chaque produit. Cette décision
doit ensuite être redistribuée entre les clients (figure 60). Les jauges mesurent maintenant la
possibilité que le plan déterministe (20 à chaque client dans l’exemple en semaine W6) satisfasse la
demande possibiliste des clients (001 et 002).

Figure 60. Allocation des modifications aux clients

137
Le décideur peut aussi passer par une allocation de quantités sur la base des plans déterministes
connus à la date de planification (figure 61). Il voit visuellement qu’en semaine W2, le plan de
livraison dépasse la demande déterministe du client 002 mais ne traite pas celle du client 001.

Figure 61. Alignement des plans déterministe

Des stratégies automatiques d'alignement du plan sont proposées au regard des alertes de déviation
des décisions par rapport aux demandes des clients (figure 62). L'alerte rouge renvoie à un écart
négatif par rapport à la demande et l'alerte verte à un écart négatif par rapport à la demande du
client.

Figure 62. Alertes des déviations par rapport les demandes et stratégies d’alignements

Le décideur peut ainsi créer des scénarios de plan de livraison pour tester plusieurs décisions et
sélectionner celui qu'il préfère pour diminuer la criticité du plan sur la matrice des risques et
l'exporter (figure 63).

Figure 63. Création des scénarios de décision

138
Chapitre V. Cas d’application

3.5. Plateforme de négociation

Au cours du processus de prise de décision basé sur les résultats de l'évaluation, le décideur peut
choisir de recourir ou non à la négociation. Cette négociation est principalement basée sur le
processus de partage de plan décrit dans le chapitre 3.
Ce processus implique que les différents décideurs soient connectés à la plateforme. Ainsi, en
fonction du rôle avec lequel le décideur est connecté à la plateforme, il aura le choix de partager
une nouvelle proposition de plan avec son client ou son fournisseur (Figure 64). En s'appuyant sur
la plateforme d'aide à la décision, le décideur peut remonter dans l'historique des modifications
pour voir le plan qui fera l'objet de la négociation avant de le valider et de l'exporter.

Figure 64. Interface de négociation

4. Un Serious Game comme preuve de concept (PoC)

4.1. Utilisations des ‘Serious Game’

Les ‘Serious Game’ (noté SG pour la suite) sont largement utilisés dans l’enseignement supérieur
et en formation au sein des entreprises (Muratet et al. 2009; Hauge et al. 2016; Mullen, Milechin, et
Milechin 2021; Lameras et al. 2021).
De nombreux SG célèbres sont utilisés pour des formations sur les concepts du Supply Chain
Management particulièrement. "The Fresh Connection" qui permet de simuler les processus d’une
entreprise sous crise financière (De Leeuw, Schippers, et Hoogervorst 2015). Le "Beer Game" pour
reproduire et visualiser les problèmes de décision sous incertitudes dans une SC multi-acteurs,
principalement l’effet Bullwhip (Pillay et Laeequddin 2019; Di Mauro et al. 2020; Alabdulkarim
2020). Le jeu de la bière a également été utilisé dans (Di Mauro et al. 2020)pour une étude

139
observationnelle de l'impact de l'aversion individuelle au risque sur les décisions de
réapprovisionnement, menée par des participants professionnels des achats et de la logistique.
Par ailleurs, dans d’autres travaux comme (Baalsrud Hauge et al. 2022; Nonaka et al. 2016),
l’approche SG a été utilisé pour analyser le processus dynamique de prise de décision dans
l'approvisionnement.
Dans notre cas, nous avons choisi l'approche SG pour :
• Reproduire la dynamique des processus de planification collaborative à horizon glissant
pour mieux comprendre les comportements liés à cette dynamique. Dans (Tiss et al. 2019),
nous avons proposé un SG simulant ces processus de planification via des « spread Sheets »
et les flux physiques de distribution via un jeu plateau.
• Exploiter les données dynamiques du processus de planification tactique pour étudier les
interactions de l'outil d’aide à la décision avec ces données.
• Fournir une expérience utilisateur de l’outil.

4.2. Dimensionnement

Le SG a été dimensionné pour simuler au mieux le processus de planification de la chaîne logistique

modélisée (figure 65).

Figure 65. Dimensionnement du SC du Serious Game

La SC considérée est composée de :

• un CDC (code site : 000) : temps de préparation de quelques jours (0 semaine).
• une usine (code site : 111) : Délai total de conditionnement et de contrôle qualité de deux
semaines.
• 4 filiales :
Filiales Code site Délai de livraison
France 001 Quelques jours (0 semaine).
Espagne 002 1 semaine
Chili 003 2 semaines
Australie 004 3 semaines

Tableau 8. Scénario des caractéristiques des filiales

140
Chapitre V. Cas d’application

• 4 produits :

Désignation produit Code produit Consommé par

P1 1000 France
Espagne
Chili
P2 2000 France
Espagne
P3 3000 France
Chili
P4 4000 Australie

Tableau 9. Scénario des caractéristiques des produits

4.3. Conception du ‘Serious Game’

4.3.1. Déroulement du ‘Serious Game’ en horizon glissant

Le déroulement du SG multi-acteurs est détaillé dans la figure 66. L'objectif de l'émulateur
ERP/DRP est de simuler les processus mensuels et hebdomadaires au niveau ERP/DRP de
l'entreprise. Un maître de jeu gère l'interface entre ce système et les participants planificateurs au
niveau des différents maillons du SC.
À la fin de chaque tour de jeu (chaque semaine), le maître du jeu initialise (1) l'émulateur avec les
nouveaux plans des participants au jeu. Ensuite, il relance le calcul des plans sur l'émulateur et les
télécharge (2). Il met ensuite à disposition des participants les nouveaux plans calculés, via une
interface de partage des plans (3). Chaque acteur récupère le fichier de sa vue ERP/ DRP locale
(4) et démarre un nouveau cycle de replanification via une opération d'importation des fichiers
ERP (5). Ceci lui permet de réviser ses plans dans la plateforme d'aide à la décision (6) et de terminer
le cycle en partageant ses décisions sur l'interface de partage de plans (7-8).
Actuellement, le service d'aide à la décision sous incertitude n'est personnalisé que pour la vue du
décideur au CDC. Les autres acteurs disposent d'une interface d'évaluation déterministe et peuvent
seulement être impliqués dans les processus de négociation.

141
Figure 66. Aperçu général du déroulement multi-utilisateurs du jeu sérieux

142
Chapitre V. Cas d’application

4.3.2. Émulateur ERP : Modèle de planification

Nous présentons ici le modèle émulé de planification mensuelle et hebdomadaire à partir des
processus modélisés dans la section précédente.

• Notations :
Indices
𝒄: Date de planification
𝒕 Période de planification
T Taille d’horizon de planification
𝒋 Produit j= (P1, P2, P3, P4)
𝒊 Filiale i= (France, Espagne, Chili, Australie)
𝑰𝑱 L’ensemble des filiales i consommant le produit j
Paramètres
𝑪𝒊𝒋 Couverture des stocks/ stock objectif de la filiale i du produit j.
𝑪𝒋 Couverture des stocks/ stock objectif du CDC du produit j.
𝒍𝒊 Délai de livraison de la filiale 𝑖.
𝑴𝒋𝒕 Capacité de l’usine de la période t pour un produit j en nombre de produits.
k Délai de production ou délai de livraison du CDC.
𝒈 Horizon gelé.
Variables d’état
𝒘𝒄𝒊𝒋,𝒕 Les attendues de livraison de la filiale i de période t du produit j à la date c.
𝒘𝒄𝒋,𝒕 Attendus de production/livraison du CDC de période t du produit j à la date c.
𝑺𝟎𝒋,𝒄 Stock initial du CDC pour produit j à la fin de c-1.
𝑺𝟎𝒊𝒋,𝒄 Stock initial de la filiale i pour produit j à la fin de c-1.
Entrée du processus
𝒄 Les prévisions de ventes de la filiale i pour le produit j et la période t à la date c.
𝐅𝒊𝒋,𝒕
Variables de décision des acteurs de la SC
𝑩𝑨𝒄𝒊𝒋,𝒕 Besoins d’approvisionnement de la filiale i pour le produit j et la période t à la date c.
𝑩𝑷𝒋,𝒕,𝒑 Besoins d’approvisionnement/ à produire pour le produit j et la période t à la date c.
𝑷𝒄𝒋,𝒕 Plan de production prévu (PDP) du produit j et la période t à la date c.
𝑷𝑨𝒄𝒊𝒋,𝒕 Besoins d’approvisionnement de la filiale i pour le produit j et la période t à la date c.
Variables dépendantes
𝑺𝒋,𝒕,𝒅 Stock projeté du CDC de la période t à c par rapport à une décision d.
𝑺𝒊𝒋,𝒕,𝒅 Stock projeté de la filiale i de la période t à c par rapport à une décision d.
𝑩𝑩𝒄𝒋,𝒕 Besoins bruts de l’usine du produit j et la période t à la date c.
𝑩𝑩𝒄𝒊𝒋,𝒕 Besoins bruts de du CDC pour une filiale i du produit j et la période t à la date c.
𝑰𝒄𝒋,𝒕 Indisponibilité à l’usine du produit j à la période t à la date c.
𝑰𝒄𝒊𝒋,𝒕 Indisponibilité au CDC pour filiale i du produit j à la période t à la date c.
𝑻𝑷𝒄𝒋,𝒕 Possible à promettre au CDC pour produit j de la période t à la date c.

143
 • Chaque première semaine du mois : ∀𝐭 ∈ [𝐓], ∀𝐢 ∈ 𝐈𝐉, ∀𝐣:

Vue Calcul des plans et des plans projetés

Filiale 𝐵𝐴𝑐𝑖𝑗,𝑡 = 𝑐
𝑖𝑗,𝑡
c
+ Cij − 𝑆ij,𝑡−1,BA − wij,t / 𝑆𝑖𝑗,𝑡−1,𝐵𝐴 = 𝑆0𝑖𝑗,𝑐 𝑝𝑜𝑢𝑟 𝑡 = 𝑐 (1)

𝑆ij,𝑡,BA = 𝑆ij,𝑡−1,BA + 𝐵𝐴𝑐𝑖𝑗,𝑡 + wij,t

c
− 𝑐
𝑖𝑗,𝑡 (2)

CDC 𝑐 𝑐 c
𝐵P𝑗,𝑡 = (∑i∈IJ B 𝑖𝑗,𝑡+l𝑖 + Cj − 𝑆j,𝑡−1,BP − wj,t ) / 𝑆𝑗,𝑡−1,𝐵𝑃 = 𝑆0𝑗,𝑐 𝑝𝑜𝑢𝑟 𝑡 = 𝑐
(3)
𝑐 c 𝑐
𝑆j,𝑡,BP = 𝑆ij,𝑡−1,BP + 𝐵𝑃𝑗,𝑡 + wj,t − ∑i∈IJ B 𝑖𝑗,𝑡+l𝑖 (4)

𝑐
Usine BB𝑗,𝑡 𝑐 𝑐
= 𝐵P𝑗,𝑡+k + I𝑗,𝑡−1 (5)
𝑐 𝑐 𝑐
I𝑗,𝑡 = BB𝑗,𝑡 − P𝑖𝑗,𝑡 (6)

𝑐 BB𝑐 𝑐
si t > : P𝑗,𝑡 = 𝑚𝑖𝑛 (∑ BB𝑗,𝑡𝑐 ∗ 𝑀𝑗𝑡 ; BB𝑗,𝑡 )
{ 𝑗 𝑗,𝑡 (7)
𝑐 𝑐−1
sinon: P𝑖𝑗,𝑡 = 𝑃𝑗,𝑡

CDC 𝑐 𝑐 𝑐
BBi𝑗,𝑡 =B i𝑗,t+l𝑖 + Ii𝑗,𝑡−1 (8)
𝑐 𝑐 𝑐
I𝑖𝑗,𝑡 = BB𝑖𝑗,𝑡 − P 𝑖𝑗,𝑡 (9)
𝑐 c 𝑐
𝑆j,𝑡,TP = 𝑆j,𝑡−1,TP + 𝑃𝑗,𝑡−𝑘 + wj,t − 𝑇𝑃𝑗,𝑡 (10)
𝑐 𝑐 𝑐
𝑆i t > ∶ 𝑇𝑃𝑗,𝑡 = 𝑚𝑖𝑛 (𝑃𝑗,𝑡−𝑘 + 𝑆j𝑡−1,TP ; ∑𝑖∈𝐼𝐽 BB𝑖𝑗,𝑡 )
{ 𝑐 𝑐−1 (11)
Sinon: TP𝑗,𝑡 = ∑𝑖∈𝐼𝐽 𝑃 i𝑗,𝑡

𝑐 BB𝑐𝑖𝑗,𝑡 𝑐 𝑐 𝑐
P 𝑖𝑗,𝑡 = 𝑚𝑖𝑛 (∑ 𝑐 ∗ 𝑇𝑃𝑗,𝑡 ; BB𝑗,𝑡 ) / ∑𝑖∈𝐼𝐽 BB𝑖𝑗,𝑡 >0 (12)
𝑖∈𝐼𝐽 BB𝑖𝑗,𝑡

Les vues du tableau correspondent à différentes vues du système ERP/DRP de chaque entité.
Dans la vue filiale, les plans sont exprimés à la date de réception prévue par les filiales. Dans la vue
CDC, les plans sont exprimés à la date de disponibilité/lancement au CDC. Les plans de
production de la vue usine sont exprimés à la date de lancement en production. Ainsi, les données
externes à une entité sont décalées en fonction des délais de livraison et de production prédéfinis.
Le calcul des besoins nets des filiales (eq (1)-(2)) est un calcul MRP classique. De même pour le
calcul des besoins du CDC (eq (3)-(4)) avec une contrainte supplémentaire : le CDC demande au
minimum la quantité du plan de production transmis lors le cycle précédent.

144
Chapitre V. Cas d’application

Nous avons mis en place des calculs de plan de production et de plan d'approvisionnement des
filiales selon des stratégies prédéfinies d'experts :
o Pour le calcul du plan de production (eq (5)-(7)), nous avons appliqué une stratégie de
lissage de la charge qui tient compte des indisponibilités des semaines précédentes et d'une
contrainte de capacité totale de conditionnement.
o Pour le calcul des plans d'approvisionnement du CDC (eq (6)-(12)), nous avons appliqué
une stratégie de lissage en fonction d'un maximum possible à promettre et une stratégie
d'allocation équitable entre les filiales en cas de dépassement des ressources disponibles. La
stratégie de lissage du PA prend en compte les indisponibilités (retards) des semaines
précédentes. Nous faisons l'hypothèse que les plans planifiés à la première semaine de
l'horizon représentent l'exécution dans la limite du stock disponible à la CDC (stock initial
et réceptions) à cette date.

• Chaque semaine : ∀t ∈ [T], ∀i ∈ IJ, ∀j:

Le calcul des besoins (eq (1)-(7)) se fait chaque semaine sur le même principe. La différence se situe
au niveau du calcul des plans d'approvisionnement des filiales au niveau du CDC (eq (8)-(12)). Le
calcul de ces plans prend en compte le dernier plan transmis par l'usine en début de semaine
𝑐−1
( 𝑃𝑗,𝑡−𝑘 ). Ceci est dû à la désynchronisation du processus hebdomadaire.

𝑐
CDC 𝐵𝐵𝑖𝑗,𝑡 = 𝐵𝐴𝑐𝑖𝑗,𝑡+𝑙𝑖 + 𝐼𝑖𝑗,𝑡−1
𝑐
(8’)
𝑐 𝑐
𝐼𝑖𝑗,𝑡 = 𝐵𝐵𝑖𝑗,𝑡 − 𝑃𝐴𝑐𝑖𝑗,𝑡 (9’)
𝑐−1 𝑐 𝑐
𝑆𝑗,𝑡,𝑇𝑃 = 𝑆𝑗,𝑡−1,𝑇𝑃 + 𝑃𝑗,𝑡−𝑘 + 𝑤𝑗,𝑡 − 𝑇𝑃𝑗,𝑡 (10’)
𝑐 𝑐−1 𝑐
𝑆𝑖 𝑡 > 𝑔 ∶ 𝑇𝑃𝑗,𝑡 = 𝑚𝑖𝑛 ( 𝑃𝑗,𝑡−𝑘 + 𝑆𝑗𝑡−1,𝑇𝑃 ; ∑𝑖∈𝐼𝐽 𝐵𝐵𝑖𝑗,𝑡 )
{ 𝑐 (11’)
𝑆𝑖𝑛𝑜𝑛: 𝑇𝑃𝑗,𝑡 = 𝑃𝐴𝑐−1
𝑖𝑗,𝑡
𝑐
𝐵𝐵𝑖𝑗,𝑡
𝑃𝐴𝑐𝑖𝑗,𝑡 = 𝑚𝑖𝑛 ∑ 𝑐
𝑐
∗ 𝑇𝑃𝑗,𝑡 𝑐
/ ∑𝑖∈𝐼𝐽 𝐵𝐵𝑖𝑗,𝑡 >0 (12’)
𝑖∈𝐼𝐽 𝐵𝐵𝑖𝑗,𝑡

4.4. Expérimentation d’un point de vue de planificateur au niveau du Centre

de Distribution Central

4.4.1. Scénario
Le jeu a pour objectif ici d’évaluer l’impact de la prise en compte des incertitudes dans le processus
de décision du planificateur au niveau du CDC. Ainsi, nous déroulons un scénario du jeu constitué
des éléments suivants :
• Un modèle d’incertitudes sur les demandes des filiales ;
• Un modèle d’incertitudes sur les approvisionnements de l’usine ;
• Une initialisation du système de planification (plans au début de la première semaine,
état des stocks et des encours, …).

145
 • Une méthode de génération des prévisions de ventes en horizon glissant (perturbations
et nouvelles prévisions des fins d’horizon).
1/ Modèles d’incertitude :
Dans l'expérimentation, nous considérons que l'expert exprime les variations d’une quantité
planifiée pour une période donnée par rapport à la quantité planifiée la première fois sur l'horizon
glissant pour cette même période. Nous proposons l’échelle suivante (tableau 10) pour la
caractérisation de l’amplitude et du type de variations de demande et des approvisionnements
cumulées sur l’horizon glissant :
Tout à fait possible Impossible au-delà de Y Type de Type de
Amplitude
autour de X en % autour de X (en % de X) variations variations
Faible 0% 5% Centrée +/-X et +/-Y
Moyenne 5% 10% Baisse -X et -Y
Forte 10% 50% Hausse +X et +Y
Nulle 0% 0%

Tableau 10. Échelle de caractérisation du modèle d’incertitudes d’expert

Notre approche concerne la gestion des incertitudes sur l'horizon flexible. Nous exprimons donc
ces incertitudes sur cet horizon.
Nous exécutons l'émulateur ERP/DRP sur un horizon de planification de 24 semaines mais nous
considérons que 20 semaines dans notre horizon réel pour l'aide à la décision afin d'éviter les bouts
d'horizon incomplets en raison des délais de livraison (4 semaines= max (délais de livraison des
filiales)).
Dans la simulation, nous fusionnons une stratégie déterministe d'horizon figé (H1) de deux
semaines (S1, S2) et une stratégie de gestion de risques sur l'horizon flexible. Nous divisons ce
dernier en deux horizons qui regroupent les périodes ayant le même modèle d'incertitude :
o H2 : 2 mois du début l’horizon flexible (S3-S12) ;
o H3 : 3 mois du reste de l’horizon flexible (S13-S20).
Nous considérons des modèles d’incertitudes de types I2.H2 (cf. chapitre IV. §3) sur les plans
cumulés de demandes et d’approvisionnements transmis au CDC.
Le tableau ci-dessous détaille le profil de chaque entité et son modèle d’incertitude basé sur la
description d’expert.

Type de Entité (s)

Profil Modèle d’incertitude
donnée concernée(s)

Généralement les variations des réceptions sont centrées autour des quantités
Description
cumulées. Ces variations ont une importante amplitude surtout sur le début de
d’expert
l’horizon flexible, moins forte sur sa fin.
1 Usine
H2 H3
Formalisation Amplitude Variation Amplitude Variation
Forte Centrée Moyenne Centrée

146
Chapitre V. Cas d’application

La filiale surestime ses prévisions de vente. Au long de l’horizon glissant ses

Description
demandes cumulées ont tendance à diminuer par rapport la première fois
d’expert
planifiées : Fortement au début de l’horizon flexible et faiblement vers sa fin. France
2
(Fr)
H2 H3
Formalisation Amplitude Variation Amplitude Variation
Forte Baisse Faible Baisse

La filiale ne maitrise pas assez ces prévisions de ventes sur l’horizon flexible
Description lointain et peut avoir des variations en hausse comme en baisse.
d’expert Cette maitrise augmente sur l’horizon flexible proche avec une variation faible en
Espagne
3 hausse.
(Es)
H2 H3
Formalisation Amplitude Variation Amplitude Variation
Faible Hausse Moyenne Centrée

La filiale a une faible proactivité. Sur l’horizon flexible lointain il a une tendance à
Description faire une demande peu variable. En se rapprochant de la date d’exécution, la
d’expert demande cumulée varie fortement en hausse par rapport les quantités initialement
prévues.
4
H2 H3
Amplitude Variation Amplitude Variation
Formalisation
Forte Hausse Faible Centrée

Description La demande cumulée sur l’ensemble des horizons est stable en horizon glissant
d’expert jusqu’à l’exécution.
Australie
5
H2 H3 (Au)
Formalisation Amplitude Variation Amplitude Variation
Nulle Nulle

Tableau 11. Scénario du modèle d’incertitude

2/ Initialisation du modèle de planification

Afin d’initialiser le système de planification, pour la première semaine, nous avons généré un
premier scénario de prévisions de ventes des filiales dans des intervalles prédéfinis de manière
aléatoire. Nous avons ainsi dimensionné le système (stocks initiaux, encours et plans au début de
la semaine) pour avoir tous les stocks au niveau objectif (CDC et filiales). La capacité de l’usine a
été dimensionnée par rapport au maximum mesuré sur l’horizon, en tenant en compte des besoins
d’approvisionnement du CDC.
3/ Génération des prévisions de ventes sur l’horizon glissant
Afin de tester l'outil sous incertitudes, nous actualisons les prévisions de ventes des filiales à chaque
cycle de replanification de l'horizon glissant et générons les nouvelles prévisions à la fin de l'horizon
de façon aléatoire. Nous mettons à jour les prévisions de ventes de la semaine en fonction des
modèles d'incertitude définis pour les demandes des filiales. Pour ce faire, au début d'un cycle de

147
replanification, nous appliquons le modèle d'incertitude des demandes des filiales sur les prévisions
de ventes cumulées de la semaine passée, nous générons une alpha-coupe aléatoire pour chaque
distribution de possibilité entre 0 et 1 (voir figure 67). Dans l'intervalle obtenu à partir de cette
alpha-coupe, nous prenons aléatoirement une valeur entre les deux valeurs extrêmes (𝑄𝑡 et 𝑄𝑡 ).
Cela nous permet d'éviter d'avoir toutes les variations des prévisions de ventes au centre de la
distribution. Ainsi, cette méthode va nous permettre de générer des scénarios en vue de voir
l'impact des variations sur l'occurrence des risques en termes de possibilité et de degré de nécessité
; plus précisément sur la mesure de la gravité du risque.

𝜕°𝑝𝑜𝑠𝑠𝑖𝑏𝑖𝑙𝑖𝑡é

α-coupe

𝑄𝑢𝑎𝑛𝑡𝑖𝑡é 𝑐𝑢𝑚𝑢𝑙é𝑒
𝑄𝑡 𝑄𝑡

Figure 67. Scénario de génération des prévisions de ventes en horizon glissant

4.4.2. Simulateur de stratégie de réduction de gravité du risque de

replanification sous incertitudes
Nous avons simulé une stratégie de traitement de risque de replanification K4 associée aux
promesses de livraison issues de l’émulateur ERP/DRP (voir illustration de la figure 68).

Évaluateur et émulateur
Émulateur Promesse de de stratégie de réduction
ERP/DRP livraison calculée de gravité de risques.
(cf §2.2)

Promesse de livraisons traitée/ validée

Figure 68. Interaction de l’émulateur ERP/ DRP et le simulateur de la stratégie de réduction de gravité du
risque

La stratégie mise en place correspond à une stratégie de réduction de la gravité du risque basée sur
un lissage sans changement de la quantité totale prévue, dans l’ERP/DRP, pour la livraison sur un
horizon. Ainsi, les quantités cumulées intermédiaires peuvent changer mais pas la quantité cumulée
à la fin de l’horizon. Nous rappelons que la gravité du risque correspond au degré maximal de
nécessité du risque mesuré sur l'horizon de planification.

148
Chapitre V. Cas d’application

Sur un horizon glissant, cette stratégie est applicable sur des plans adaptables dont le degré de
gravité est supérieur à la limite tolérée par le décideur. La figure 69 illustre les améliorations
possibles de la criticité d'un plan sur l'arbre des risques en appliquant cette stratégie (classes E2, D2
-> C2, B).

𝑅𝑜𝑏 ≥ 𝒓 ≥𝒂
𝐹<𝒇
<𝒈 <𝒂
X
𝐹≥𝒇

𝑅𝑜𝑏 < 𝒓

G≥ 𝒈

Figure 69. Illustration de l’impact de l’application de la stratégie de lissage pour réduction de gravité sur
l’arbre des risques (avant (rouge) et après l’application de la stratégie (vert))

Pour un seuil de gravité maximal toléré par le décideur, la stratégie émulée permet de :
• Identifier les périodes dont le degré de nécessité est supérieur à la valeur de gravité du
risque toléré.
• Lisser le plan afin de réduire toutes les nécessités par période en dessous de la valeur
maximale tolérée sous réserve de l'adaptabilité du plan issu du DRP.
Ainsi, nous distinguons trois cas qui peuvent être envisagés pour la réduction de la nécessité du
risque global mesuré pour une période de l'horizon par rapport à la limite tolérable par le décideur
et aux distributions des recettes et de la demande totale (voir l'illustration ci-dessous) :
• Un cas (cas 1) où la réduction de la nécessité du risque pour une période donnée est
possible jusqu'à 0.
• Un cas (cas 2) où la réduction de la nécessité du risque pour une période donnée n'est
possible que jusqu'à une valeur minimale possible et pas en dessous de cette valeur.
• Un cas (cas 3) où la réduction de la nécessité est impossible quelle que soit la valeur de
la promesse de livraison car la demande minimale est supérieure à la valeur maximale
des recettes possibles.
La limite (g) de gravité dans notre simulation est de 0,5.

149
 Illustration

Cas 1

Distribution de Distribution de réceptions Distribution de nécessité du risque

demande totale à t programmées à la période t

1
Limite tolérable (g=0,5)
0,5

Intervalle des promesses objectifs Promesse de livraison

Cas 2

Distribution de nécessité du risque

Limite tolérable (g=0,5)

0,5

Promesse de livraison

Cas 3

Distribution de nécessité du risque

Limite tolérable (g=0,5)

0,5

Réduction de gravité au niveau souhaité (g=0,5) impossible Promesse de livraison

En fonction des 3 cas, plusieurs stratégies sont possibles pour choisir la quantité de la promesse de
livraison en vue de réduire la gravité du risque de replanification. L’algorithme ci-dessous représente
une stratégie que nous avons implémentée pour l’expérimentation.
Soient :
✓ R est la distribution de possibilité des réceptions cumulées
✓ D est la distribution de possibilité des demandes cumulées
✓ X est la promesse cumulée jusqu’à une période t
✓ X |→ N(a, b, c, d, x) est la nécessité N du risque de replanification en fonction de X. a, b,
c, d étant les paramètres de la distribution.

150
Chapitre V. Cas d’application

✓ 𝑆̅ = {𝑡/ 𝑖𝑚𝑝𝑜𝑠𝑠𝑖𝑏𝑙𝑒 𝑑𝑒 𝑟é𝑑𝑢𝑖𝑟𝑒 N < },

est l’ensemble de périodes t qui ont une courbe de
nécessité de risque au-dessus du seuil g.
✓ n est la taille de l’horizon

---------Algorithme de lissage pour réduction de la gravité du risque K4 sous incertitudes -----------

S̅ {} (initialise ensemble des éléments insolvable par ensemble vide)

fot t in 0 :n
c, d  R("c", t), R("d", t)
a, b  D("a", t), D("b", t)
if d < a: (cas 3)
N_min  1
elif b <= c : (cas 1)
N_min  0
else : (cas 2)
x_min  ((b-a)*c + b*(d-c))/(b-a+d-c)
N_min  l4n(a, b, c, d, x_min)
if l4n_min >= g:
S̅  S̅ U {t} (ajout de t dans l’ensemble insolvable)
Continue

x_1, x_2  (g-coupe(N) = { x_1, x_2 ∈B|, N(x) = g}

X  u * x_1+ (1 – u) * x_2 (u est paramétrable)
for i in insolvable : (pour assurer la cohérence de la promesse cumulée sur l’horizon n)
x[i] = x[j] ( j est le premier indice j ≥ i, tel que j n’est pas dans insolvable, si il existe,
Sinon c’est le premier indice j≤ i qui vérifie la même condition)

---------------------------------------------------------Fin algo-------------------------------------------------------------

Cet algorithme représente une stratégie à paramétrer par le décideur en fonction de son approche
optimiste ou pessimiste vis-à-vis des incertitudes modélisées, à titre d'exemples :
• u=1 : le décideur visera à mettre sa promesse sur le minimum de la demande à satisfaire
permettant de réduire la gravité en dessous du seuil g.
• u=0 : le décideur visera plutôt à promettre le maximum possible de ces ressources en
fonction du seuil g.
• u=1/2 : le décideur visera plutôt le milieu de la fourchette des promesses associées à une
gravité inférieure au seuil toléré.
Dans notre cas nous simulons une approche pessimiste vis-à-vis la disponibilité des ressources
(u=1).
4.4.3. Analyse des résultats
Nous comparons ici les résultats de deux simulations de deux stratégies (respectivement sans et
avec l'outil d'aide à la décision) :
• S1 : la stratégie de planification déterministe de l'émulateur ERP/DRP (cf. §4.3.2).
• S2 : l’intégration des incertitudes et l'application de la stratégie de traitement du risque de
réduction de la gravité du risque dans les promesses issues du ERP/DRP (cf. §4.3.2).

151
Nous avons exécuté ces simulations en horizon glissant sur 40 cycles de replanification afin de
disposer d'un historique suffisant pour l'analyse de la nervosité des plans à horizon de 20 semaines.
À partir de l'historique de replanification généré lors des deux simulations à horizon glissant, nous
analysons la performance des promesses de livraison suivantes :
✓ Satisfaction : exprimée par le taux de service du CDC (TS), soit le rapport entre le total
expédié et la demande totale des filiales.
✓ Nervosité : évaluée par la mesure de nervosité globale (GI) (cf chapitre I. §5.2.2) des
promesses, orientée quantité, représentant l'écart moyen de variation d'une quantité
planifiée entre deux cycles successifs c pour une même période t. GI=
∑2𝑛−1 𝑛
𝑡=𝑛 ∑𝑐=2|𝑄𝑐𝑡 −𝑄(𝑐−1)𝑡 |
, n est la taille d’horizon. Nous utilisons également une mesure
𝑛∗(𝑛−1)
complémentaire orientée sur le nombre moyen de reconfigurations (C) des promesses sur
l'horizon glissant.
✓ Faisabilité : taux de rupture (TR) mesuré par le rapport l’indisponibilité (l’écart entre la
demande et la livraison) et la demande,
✓ Fiabilité : évaluée par la mesure de nervosité locale (LI) mesurant l’écart moyen des
promesses planifiées sur l’horizon glissant par rapport l’exécuté d’une période donnée
∑2𝑛−1 𝑐+𝑛−1|𝑄
𝑐=𝑛 ∑𝑡=𝑐 𝑐𝑐 −𝑄(𝑐−𝑡)𝑐 |
𝐿𝐼 𝑐 = ; ∀𝑐 ≥ 𝑛 (cf chapitre I. §5.2.2).
n∗(𝑛−1)

Nous présentons ci-dessous (figure 70) une analyse de la nervosité par période (nervosité entre les
cycles de replanification) des plans des filiales (prévisions de ventes, demandes transmises au CDC)
et de l'usine (plan de production transmis au CDC) sur l'horizon glissant. Les deux simulations (S1,
S2) sont basées sur les mêmes prévisions de ventes historiques et le même dimensionnement des
ressources (stocks initiaux, capacité de l'usine, stocks objectifs).

(a) (b)
Nervosité moyenne (GI) des plans transmis Nervosité moyenne (GI) des plans transmis
300 au CDC par période; Produit P1 300 au CDC par période; Produit P2

200 200

100 100

0 0
S20 S22 S24 S26 S28 S30 S32 S34 S36 S38 S20 S22 S24 S26 S28 S30 S32 S34 S36 S38
Prévisions de ventes (PV) Prévisions de ventes (PV)
Demande totales des filiales(BA) Demande totales des filiales(BA)
Plan de production (Appros) Plan de production (Appros)

152
Chapitre V. Cas d’application

(c) (d)
Nervosité moyenne (GI) des plans transmis Nervosité des plans transmis au CDC sur
300 au CDC par période; Produit P3 l'horizon glissant
Produit P4
1
200

0,5
100

0 0
S20 S22 S24 S26 S28 S30 S32 S34 S36 S38 S20 S22 S24 S26 S28 S30 S32 S34 S36 S38

Prévisions de ventes (PV) Prévisions de ventes (PV)

Demande totales des filiales(BA) Demande totales des filiales(BA)
Plan de production (Appros) Plan de production (Appros)

Figure 70. Étude de la nervosité des plans pour la stratégie S1, par produit: (a) P1, (b) P2, (c) P3

Nous constatons que la nervosité s'est propagée à travers la chaîne logistique mais en se réduisant.
Ainsi, dans notre simulation, nous n'avons pas produit l'effet bullwhip en raison de l'absorption de
cet effet par les stocks des centres de distribution le long de la SC. Aussi, les systèmes de
planification permettent de réduire cet effet grâce à la coordination mensuelle et hebdomadaire
entre les différents acteurs de la chaîne que nous avons pu reproduire dans l'émulateur ERP/DRP.
Les graphiques ci-dessous (figure 71) retracent l'historique de l'évaluation de la criticité des plans
de livraison à l'issue du DRP (graphique de gauche) et les résultats de l'application de la stratégie
de lissage pour réduction de la gravité (graphique de droite) sur ces mêmes plans au cours d'un
horizon glissant de 40 semaines.

(A) (B)
C2 E2 F C2 F

P4 40
P4 40

P3 21 19 P3 21 19
Produits
Produits

P2 27 13 P2 27 13

P1 24 16 P1 24 16

0 5 10 15 20 25 30 35 40 0 5 10 15 20 25 30 35 40
Nombre de semaine de replanification Nombre de semaines de replanification

Figure 71. (A) Résultats d'évaluation de criticité des plans de livraison issus du DRP avant traitement de
risque au début des semaines de replanification. (B) Résultats d'évaluation de criticité des plans de
livraisons après le traitement du risque.

Pour chacun des produits, la stratégie de lissage sous incertitudes appliquée a permis de réduire la
criticité des plans identifiés comme adaptables à partir du DRP (appartenant à la classe E2). Les
plans non adaptables (appartenant à la classe F) n'ont pas été améliorés car ils nécessitent une

153
modification de la quantité totale programmée à l'horizon. Les plans dont le niveau de gravité est
inférieur à la limite tolérée n'ont pas été modifiés (produit P4).
Dans ce qui suit, nous représentons les résultats de l'analyse des performances (stabilité,
satisfaction, faisabilité et fiabilité) pour chacun des produits.

(G1)
Indicateurs de nervosité des promesses de livraison sur l'horizon glissant
400 20
Produit P1

Nombre de changements de la promesse

Nervosité moyene sur 20 semaine

300 15

200 10

100 5

0 0
S20 S21 S22 S23 S24 S25 S26 S27 S28 S29 S30 S31 S32 S33 S34 S35 S36 S37 S38 S39
Période de planification
GI-S1 GI-S2 LI-S1 LI-S2 Set-ups-S1 Set-ups-S2

(G2)
Indicateurs de nervosité des promesses de livraison sur l'horizon glissant
350 20

Nombre de changements de la promesses

Produit P2
Nervosité moyene sur 20 semaine

300
250 15

200
10
150
100 5
50
0 0
S20 S21 S22 S23 S24 S25 S26 S27 S28 S29 S30 S31 S32 S33 S34 S35 S36 S37 S38 S39
Période de planification
GI-S1 GI-S2 LI-S1 LI-S2 Set-ups-S1 Set-ups-S2

(G3)
Indicateurs de nervosité des promesses de livraison sur l'horizon glissant
500 20
Produit P3
Nombre de changements de la promesse
Nervosité moyene sur 20

400
15
300
semaine

10
200
5
100

0 0
S20 S21 S22 S23 S24 S25 S26 S27 S28 S29 S30 S31 S32 S33 S34 S35 S36 S37 S38 S39
Période de planification
GI-S1 GI-S2 LI-S1 LI-S2 Set-ups-S1 Set-ups-S2

154
Chapitre V. Cas d’application

Nervosité moyene sur (G4)

changements de
Nombre de

promesses
20 semaine Indicateurs de nervosité des promesses de livraison sur l'horizon glissant
1 Produit P4 1
0 0
S20 S21 S22 S23 S24 S25 S26 S27 S28 S29 S30 S31 S32 S33 S34 S35 S36 S37 S38 S39
Période de planification
GI-S1 GI-S2 LI-S1 LI-S2 Set-ups-S1 Set-ups-S2

Figure 72. Résultats comparaison des 2 stratégies en termes de stabilité et de fiabilité pour les 4
produits : (G1) P1, (G2) P2, (G3) P3,(G4) P4

P1 P2

TS GI C LI TR TS GI C LI TR

S1 90,8% 173 15 160 8,8% 88,56% 195 16 153 11,02%

S2 14 10 69 2,92% 99,03% 5 9 59 1%
96,15%
P3 P4

TS GI C LI TR TS GI C LI TR

S1 81,48% 187 15 183 11,02% 100% 0 0 0 0%

S2 98,96% 6 9 42 1,04% 100% 0 0 0 0%

Tableau 12. Récapitulatif des indicateurs agrégés (moyennes) de performance des promesses de livraison,
par produit, sur l’horizon glissant pour les stratégies S1 (sans modélisation incertitude) et S2 (avec
réduction de gravité)

Dans les graphiques (G1, G2, G3, G4) de la figure 72, l'application de la stratégie de traitement du
risque en horizon glissant a permet de diminuer significativement tous les indicateurs de mesure de
la nervosité (globale, locale et le nombre de changements) pour tous les produits sans impacter la
stabilité optimale (=0) du produit P4.
Dans le tableau 12, la stratégie S2 a permis d'améliorer les performances globales des promesses de
livraison sur l'ensemble de l'horizon glissant par rapport aux performances des promesses
découlant de l'application du processus de planification déterministe (S1), pour tous les produits.
L’amélioration est très significative sur les mesures de nervosité et significative sur le taux de
service.
Ainsi, dans cet exemple, nous avons pu démontrer le potentiel de l'approche de gestion des risques
en utilisant une stratégie de réduction de la gravité du risque en combinaison avec une stratégie
d'horizon figé. En revanche, nous avons adopté une stratégie pessimiste qui se rapproche de la
demande minimale (cf. algorithme §4.4.2) pour la réduction d'une mesure de gravité importante.
Ce niveau de performance obtenu dans cet exemple peut ne pas être assuré sous notre stratégie

155
lorsque les demandes des filiales reçues sont plus proches du maximum possible que du minimum.
En effet, dans cet exemple, nous avons simulé une stratégie identique sur tous les plans sur
l'horizon glissant. Cependant, le décideur peut faire mieux, il peut agir en fonction de la tendance
observée de la demande reçue par rapport aux incertitudes modélisées. De même, pour les plans
non adaptables, le décideur peut évaluer la possibilité d'augmenter la quantité totale planifiée en
fonction de l’incertitude sur les plans reçus de l’usine. Sinon, il peut recourir à la négociation avec
son fournisseur (ici l’usine) ou ses clients en fonction de la source de contrainte imposée. Une
amélioration supplémentaire des plans évalués peut être assurée par l'application d'autres stratégies
visant à agir sur le reste des dimensions de la criticité des plans (robustesse, fréquence, adaptabilité),
ou un mélange de différentes stratégies en fonction de la spécificité du résultat de l'évaluation de
chaque plan par produit.
D’autre part, ces stratégies visent à éviter la survenue de rupture. L'application de la stratégie n'est
pas recommandée en cas de pénurie au sein du CDC. Dans ce cas, l'effort du décideur sera plus
orienté vers la gestion des priorités de livraison et la coordination entre les acteurs de la SC que
vers la prévention.
De plus, ici nous nous sommes concentrés sur la gestion des risques dans les plans de livraison par
produit du CDC, l'allocation de ces plans aux différents clients en tenant compte des incertitudes
de la demande de chacun n'était pas automatisée dans cette expérience. Le plan de livraison total
généré sous incertitudes était réparti de manière équitable entre les clients au prorata de la demande
reçue à la date de planification. Le développement d'un algorithme d’allocation de la promesse
totale en tenant en compte les incertitudes de la demande de chacun des clients est une perspective
de ce travail. Surtout, dans le cadre de notre approche basée sur l'intégration des incertitudes dans
les plans cumulés, une allocation automatique paramétrable par le décideur sera plus appropriée.

5. Conclusion
Dans ce chapitre, nous avons présenté la chaîne logistique de l'entreprise Pierre Fabre dermo-
cosmétique et nous avons analysé son processus de planification à horizon glissant. En effet, nous
avons abordé la complexité de cette SC internationale multi-acteurs et la complexité de ses flux de
produits dermo-cosmétiques et de la gestion de ses clients internes délocalisés à l'international (les
Centres de Distribution Locaux). Nous avons distingué deux types de processus de planification à
horizon glissant. Un processus mensuel représente un processus de coordination qui vise à adapter
le dimensionnement de la SC et à synchroniser les flux au début de chaque mois. Un processus
hebdomadaire est plutôt un processus asynchrone qui permet à chaque décideur, indépendamment
du reste de la chaîne, de réviser ses plans tactiques en tenant compte des derniers plans transmis
par les autres acteurs de la SC au cours du cycle précédent.
Ensuite, nous avons présenté la structure de l'outil de replanification, les services intégrés de
coordination entre acteurs et d'aide à la décision sous l'incertitude du planificateur central de
distribution. Nous avons également présenté les interfaces de l'outil en montrant les résultats de
l'illustration réalisée au chapitre IV et nous avons détaillé ces caractéristiques du point de vue de
l'utilisateur à la fin de cette démonstration.

156
Chapitre V. Cas d’application

Puis nous avons présenté un Serious Game élaboré afin de reproduire le contexte industriel
présenté à petite échelle et aussi de reproduire la dynamique des processus modélisés
mensuellement et hebdomadairement. Le système ERP/ DRP de cette SC est émulé dans le Serious
Game selon un algorithme de planification avancé d'un expert pour le lissage des plans et
l'allocation équitable des ressources entre les différents acteurs de la SC.
Un scénario a été construit autour de ce contexte émulé afin de mener une expérience d'utilisation
des indicateurs d'évaluation du risque à horizon glissant. Pour ce faire, une stratégie de traitement
du risque visant à réduire la gravité du risque de replanification a été adoptée chaque semaine sur
les données issues des calculs ERP/DRP.
Une comparaison a été effectuée entre la performance des promesses de livraison de la CDC dans
les deux cas :
• Sans incertitudes avec l'émulateur ERP/DRP.
• Dans le cas où ces mêmes décisions sont évaluées et traitées selon une stratégie de réduction
de la gravité à chaque cycle de replanification en tenant compte des incertitudes dans les
demandes et les approvisionnements.
Les résultats de cette comparaison sur le scénario déroulé nous ont permis de montrer le potentiel
de l'approche en termes d'amélioration des performances des promesses de livraison (stabilité,
satisfaction, faisabilité et fiabilité). Les limites de l'application concernant l'efficacité mesurée de
cette stratégie ont été détaillées. Elles concernent principalement le contexte d'application et la
dynamique des plans transmis sur l'horizon glissant. Par ailleurs, des perspectives à court terme à
intégrer dans l'expérimentation ont été développées afin de tester d'autres stratégies de traitement
du risque et de développer des stratégies paramétrables d'allocation de la promesse totale aux clients
en tenant compte des incertitudes de la demande de chacun.

157
CONCLUSION GENERALE ET PERSPECTIVES

‘ Research is an organized method for keeping you reasonably dissatisfied with what you have’
Charles Kattering
… Le focus …
Dans cette thèse, nous avons abordé le problème industriel lié à la complexité des activités de
replanification sous incertitude. Plus précisément, nous avons focalisé sur les incertitudes dues
à la nervosité/instabilité des plans partagés par les acteurs de la SC sur l'horizon glissant dans le
cadre du processus de planification tactique collaborative basé sur un échange de plans. Ainsi,
la problématique de recherche de cette thèse est d'intégrer les incertitudes dans les plans transmis
à un décideur afin de l'aider à les gérer dans un contexte dynamique multi-acteurs, multi-
produits, multi-périodes, à horizon glissant.
… Résultats d’analyse des pratiques industrielles …
Afin de répondre à cette problématique, nous avons d'abord analysé les pratiques de
planification collaborative à horizon glissant et les limites de ces approches et des systèmes de
planification actuels face aux incertitudes. En effet, dans un contexte collaboratif au sein d'une
chaîne logistique multi-acteurs, le partage de l'information reste un véritable levier pour
augmenter l'agilité de la SC face aux incertitudes et pour améliorer la performance globale de la
chaîne. Cependant, dans un contexte de décision décentralisée, les acteurs restent réservés quant
à ce partage. Dans ce contexte, les acteurs procèdent selon un partage minimal d'information
basé principalement sur un échange périodique de plans. De plus, ces acteurs s'appuient sur des
systèmes de planification (ERP/ DRP) pour mener le processus de planification. Ces systèmes
sont basés sur des informations souvent imparfaites à une date donnée et visent à établir un
plan à cette date. Ainsi, ces systèmes d'information présentent aujourd'hui de nombreuses
limites en termes de gestion de l'incertitude pour la planification de la SC.
… Résultats d’analyse de l’État de l’art …
Au sein de la communauté scientifique en Supply Chain Management, la planification sous
incertitude était et est toujours un domaine de recherche en constante évolution. Cependant,
l'analyse de la littérature a révélé le manque d'applications de la gestion des risques dans les
problèmes de planification sous incertitude. De plus, les incertitudes considérées restent plus
axées sur la demande mais rarement sur les approvisionnements et moins sur plusieurs sources
d'incertitude simultanément. Par ailleurs, l'écart entre la recherche et les applications industrielles
reste important en absence de prise en compte de la complexité des contextes industriels et le
manque d'analyse de l'applicabilité des modèles théoriques. Cette analyse de la littérature nous a
permis de poser les 4 questions de recherche de cette thèse qui concernent deux aspects. Le
premier aspect concerne l'application de la gestion des risques pour aider à gérer la complexité
des activités de replanification sous incertitude tout en capitalisant sur les connaissances de
l’expert sur ces incertitudes. Le deuxième concerne l'applicabilité de l'approche d'aide à la

160
Conclusion générale et perspectives
décision et son intégration avec les systèmes d'information existants dans un contexte
dynamique.
… Réponse méthodologique à nos questions de recherche…
Afin de répondre à ces questions de recherche, nous avons appliqué un processus de gestion
des risques dans un contexte multi-acteurs et multi-sources d'incertitude, au sein d'une chaîne
logistique de distribution globale. Nous avons adopté une perspective de planificateur de
distribution centrale pour la gestion des risques liés à ses promesses de livraison destinées aux
autres entités de distribution en aval, et sous incertitude des demandes avales et des
approvisionnements amonts de l'usine.
• Dans la phase de définition des risques, nous nous sommes concentrés sur les risques
en termes de non-respect des contraintes impliquées par les plans transmis par les autres
acteurs de la SC, tant du côté du client (satisfaction de la demande) que du côté du
fournisseur (disponibilité des produits en stock).
• Ensuite, la phase d'analyse des risques porte sur la définition des mesures de risques et
des critères d'analyse de leur criticité. Nous avons adopté ici une représentation des
incertitudes basée sur les ensembles flous à partir des connaissances d'expert. Nous
avons formalisé trois types de modèles qu'un expert peut fournir sur les plans cumulés
des autres acteurs et nous avons proposé des mesures de risque (risque d'insatisfaction
de la demande, risque de rupture, risque global de replanification) basées principalement
sur des mesures de la théorie des possibilités (possibilité et nécessité). Nous avons
proposé une agrégation de ces mesures sur différents niveaux (par période, par produit,
par couple (produit*client)). Par produit, nous avons proposé une analyse quantitative
des risques associés aux plans de livraison en termes de robustesse, de gravité du risque
global induit, de fréquence et de leur potentiel d'adaptation face au risque. Nous avons
considéré les cas où l'incertitude est exprimée uniquement par des intervalles comme un
cas exceptionnel d'ensembles flous, des mesures spécifiques ont également été
introduites pour évaluer la distance aux bornes des intervalles selon deux combinaisons
pessimistes et optimistes de scénarios de demande et de réception.
• Pour l'évaluation de la criticité des risques, nous avons adapté l'arbre des risques en
fonction des indicateurs agrégés pour la classification des plans de livraison par produit
dans une matrice de risques.
• Au niveau du traitement du risque, nous avons proposé un ensemble de stratégies de
révision des plans qui peuvent être adaptées en fonction du résultat de l'évaluation.
… Concrétisation et étude de l'applicabilité et des apports de notre approche …
L'intégrabilité et l'applicabilité de l'approche proposée ont été étudiées dans le cadre d'un cas
industriel de l'entreprise Pierre Fabre Dermo-Cosmétique (PFDC) selon une approche "Serious
Game" à petite échelle. La structure conceptuelle de l'outil d'aide à la décision proposé a été
concrétisée par la mise en place d'une plateforme d'aide à la décision fournissant trois services
principaux (base de données de planification, interfaces d'évaluation et de décision, plateforme
de négociation). À partir de l'analyse des processus de planification tactique à horizon glissant
de la chaîne de distribution internationale de PFDC, nous avons produit un émulateur
ERP/DRP en dynamique. Pour l’expérimenter, nous avons simulé une stratégie de lissage pour

161
le traitement du risque visant à réduire la gravité du risque global dans les promesses de livraison
émises par l'émulateur DRP sur l'horizon flexible en combinaison avec une stratégie d’horizon
figé. Autour d'un scénario de connaissance expert dans une SC multi-acteurs à petite échelle,
nous avons pu démontrer le potentiel de la stratégie simulée, par rapport à une approche
déterministe de DRP, en vue d'améliorer la performance des promesses de livraison en termes
de : stabilité, satisfaction client, faisabilité, fiabilité. Nous avons également pu vérifier que
l'approche DRP/ERP permet de contrôler l'effet bullwhip dans la SC mais génère une nervosité
importante des promesses de livraison pour la distribution centrale sous incertitude. Cependant,
la stratégie émulée nous a permis de contenir cette nervosité de la promesse sur l'horizon glissant
sans impacter la performance globale de cette promesse, voire en l'améliorant. Hormis les cas
où la stratégie n'est pas recommandée, comme le cas de pénurie ou les cas où elle risque ne pas
être efficace selon l'appétence au risque du décideur (optimiste-pessimiste). Par ailleurs, dans
d'autres situations, le traitement du risque doit être basé sur des stratégies de traitement du risque
autres que le traitement de sa gravité. Ainsi, d’avantages de tests de l’approches en se basant sur
d’autres stratégies de traitement de risque est en perspective de ce travail.
… Bilan heuristique et perspectives…
Intégrer les incertitudes dans la planification est une opération complexe qui repose sur la qualité
du modèle d’incertitudes intégré dans l’évaluation. Dans cette thèse, en absence de données
suffisantes permettant des approches stochastiques, nous avons choisi d’utiliser les intervalles
et les ensembles flous. Dans l’application de cette approche, nous avons mis en lumière la
complexité de la prise en compte de la dynamique de la planification qui est la plupart du temps
ignorée en planification sous incertitude. Toute la complexité d’aide à la décision réside dans la
considération de la combinaison : système de planification, système d'aide à la décision sous
incertitude, aptitude au risque du décideur, dynamique des modèles d'incertitude.
• Identification des risques
Une des perspectives de notre travail à court terme est d'adapter l'approche proposée
d'évaluation des risques sous incertitudes pour aider les décideurs de chaque maillon de la SC
(production, distribution locale). Au niveau de la production, les incertitudes à intégrer portent
sur les quantités d’approvisionnement de matières premières et les besoins d'approvisionnement
du CDC. Au niveau du Centre de Distribution Local, les incertitudes portent sur les prévisions
de ventes et les plans de livraison du CDC.
De plus, grâce à la flexibilité offerte par l'utilisation des ensembles flous et de la théorie des
possibilités, nous pouvons considérer d’autres risques et sources d'incertitude dans l'évaluation.
Dans un contexte de partage d’information plus avancés, le décideur peut disposer d'une
évaluation plus riche des risques. Outre les risques qui affectent sa performance interne (risque
de rupture, risque de surstockage, risque de consommation de stock de sécurité, risque
d'insatisfaction des clients...), il peut également évaluer les risques qui affectent la performance
de ses clients suite à ses décisions de livraison (risque de rupture client, risque de surstockage
client, risque de consommation de stock de sécurité...).
Par ailleurs, dans notre contexte, nous considérons un cas de production mono-site, il
conviendrait d'étendre le test à un cas multi-fournisseurs.

162
Conclusion générale et perspectives

• Modélisation des incertitudes

Si les systèmes avancés de prévision et de planification des ventes aident un décideur à prévoir
une tendance de la demande et l'incertitude statistique qui l'entoure, ils ne considèrent pas
l'impact du fonctionnement en horizon glissant sur la qualification des incertitudes. En
observant une succession de prévisions sur un horizon glissant, les approches d'IA devraient
permettre d'identifier et de modéliser cette dynamique, qui reflète à la fois la dynamique des
incertitudes et le comportement des décideurs. La thèse de Walid Khellaf impliqué aussi dans le
projet CAASC porte pour partie sur ce point. Un développement d'algorithmes de Machine
Learning efficaces peut être assuré en intégrant les connaissances des planificateurs
expérimentés pour mieux interpréter les causes spéciales dans l'historique des données afin de
décider de les intégrer ou de les ignorer dans les algorithmes.
Dans le cadre du projet CAASC, la collecte de données industrielles de planification tactique à
horizon glissant se poursuit afin de disposer d'un historique suffisant permettant son
déploiement pour modéliser les incertitudes. L’enjeu est d’étudier la stabilité dans le temps des
modèles d’incertitude voire converger sur des distributions de probabilité si l’historique est assez
stable.
En ce qui concerne notre modélisation des incertitudes basée sur du dire d’expert, nous n'avons
pas intégré dans les modèles d'incertitude d'information sur la saisonnalité ou le cycle de vie du
produit (en lancement, en plénitude, en fin de vie). Ainsi, une adaptation du modèle peut être
réalisée afin de détecter la date de planification en vue de personnaliser la dynamique du modèle
dans les périodes concernées par l'effet de la saisonnalité ou les phases du cycle de vie.
Une perspective à court terme de cette étape, est de faire appel à un large panel de planificateurs
du partenaire industriel (PFDC) pour modéliser leurs connaissances selon les modèles proposés
pour la représentation des incertitudes des plans cumulés des autres acteurs dans la SC. L’enjeu
étant de confronter leurs perspectives dans le cadre de l'application de l'approche proposée sur
les données réelles collectées de PFDC.
• Évaluation des risques
Dans cette thèse, nous avons focalisé sur l’analyse et l’évaluation des risques associés aux
promesses de livraison. En perspectives de cette étape, nous envisageons :
o de déployer la méthode sur d’autres situations de décision dans une chaîne logistique
afin de limiter les effets de propagation des incertitudes dans la SC : la planification des
besoins d’approvisionnements (qui remontent dans la chaîne), la gestion capacitaire au
niveau d’une unité de production. .
o d’intégrer des coûts et des considérations financières dans l’évaluation des risques.
o de dérouler le Serious Game composé de l’émulateur ERP et de l’outil d’aide à la
décision pour en faire un outil de formation.
o d’intégrer l’approche basée sur les ensembles flous et l’approche basé sur les intervalles.
À partir des résultats de l’évaluation possibiliste, l’idée est que le décideur peut procéder
à une alpha-coupe pour focaliser sur un intervalle donné afin d’étudier et appliquer sa
stratégie de traitement de risques.
• Traitement des risques

163
La contribution principale de cette thèse est dans la phase d’évaluation des risques. Pour
l’expérimentation, nous avons simulé un comportement d’un décideur qui vise à réduire la
gravité du risque global de replanification en ne se basant que sur le lissage des plans
d’approvisionnement. Il serait intéressant d’étudier d’autres stratégies ainsi que les conditions
dans lesquelles elles sont plus les pertinentes : orientées sur la robustesse, sur la fréquence des
risques, sur l’adaptabilité. L’idée est de définir des algorithmes appropriés pour faciliter la prise
de décisions du décideur en se basant toujours sur des données cumulées.

164
Conclusion générale et perspectives

165
REFERENCES

Aiken, Michael, et Jerald Hage. 1968. « Organizational Interdependence and Intra-

Organizational Structure ». American Sociological Review 33 (6). [American Sociological
Association, Sage Publications, Inc.]: 912‑930. doi:10.2307/2092683.
Akbarian-Saravi, N., M. Mobini, et M. Rabbani. 2020. « Development of a Comprehensive
Decision Support Tool for Strategic and Tactical Planning of a Sustainable Bioethanol
Supply Chain: Real Case Study, Discussions and Policy Implications ». Journal of Cleaner
Production 244. doi:10.1016/[Link].2019.118871.
Alabdulkarim, A.A. 2020. « Minimizing the Bullwhip Effect in a Supply Chain: A Simulation
Approach Using the Beer Game ». Simulation 96 (9): 737‑752.
doi:10.1177/0037549720930284.
Almeida, J.F.F., S.V. Conceição, L.R. Pinto, B.R.P. Oliveira, et L.F. Rodrigues. 2021. « Optimal
sales and operations planning for integrated steel industries ». Annals of Operations
Research. doi:10.1007/s10479-020-03928-7.
Amrani, A. 2009. « Impact Des Contrats d’approvisionnement Sur La Performance de La
Chaîne Logistique : Modélisation et Simulation ». Undefined.
[Link]
d%27approvisionnement-sur-la-de-%3A-
Amrani/e8a70a0cb12112e318b7bde95fb1d13a2e24434c.
Anand, A., A. Mishra, S.K. Garg, et R. Wattal. 2021. « Vendor Managed Inventory: Issues and
Challenges in a Single Vendor Multiple Retailer Supply Chain ». Lecture Notes in Mechanical
Engineering, 955‑968. doi:10.1007/978-981-15-9678-0_80.
Andres, B., R. Poler, et R. Sanchis. 2021. « A Data Model for Collaborative Manufacturing
Environments ». Computers in Industry 126. doi:10.1016/[Link].2021.103398.
« APICS Dictionary, 16th Edition ». 2021. Consulté le septembre 30.
[Link]
Atadeniz, Sukran N., et Sri V. Sridharan. 2020. « Effectiveness of nervousness reduction policies
when capacity is constrained ». International Journal of Production Research 58 (13). Taylor &
Francis: 4121‑4137. doi:10.1080/00207543.2019.1643513.
Attia, A.M. 2021. « A multi-objective robust optimization model for upstream hydrocarbon
supply chain ». Alexandria Engineering Journal 60 (6): 5115‑5127.
doi:10.1016/[Link].2021.03.046.
Auh, Seigyoung, et Bulent Menguc. 2007. « Performance Implications of the Direct and
Moderating Effects of Centralization and Formalization on Customer Orientation ».
Industrial Marketing Management 36 (8): 1022‑1034.
doi:10.1016/[Link].2006.02.010.
Baalsrud Hauge, Jannicke, Prabahan Basu, Fatima Sundus, Anindya Chowdhury, et Artem
Schurig. 2022. « Design of a Mixed Reality Game for Exploring How IoT Technologies
Can Support the Decision Making Process ». In Online Engineering and Society 4.0, édité
par Michael E. Auer, Kalyan Ram Bhimavaram, et Xiao-Guang Yue, 281‑288. Lecture
Notes in Networks and Systems. Cham: Springer International Publishing.
doi:10.1007/978-3-030-82529-4_27.

166
Références
Baležentis, T., et D. Streimikiene. 2017. « Multi-Criteria Ranking of Energy Generation
Scenarios with Monte Carlo Simulation ». Applied Energy 185: 862‑871.
doi:10.1016/[Link].2016.10.085.
Baryannis, George, Sahar Validi, Samir Dani, et Grigoris Antoniou. 2019. « Supply Chain Risk
Management and Artificial Intelligence: State of the Art and Future Research
Directions ». International Journal of Production Research 57 (7): 2179‑2202.
doi:10.1080/00207543.2018.1530476.
Belgaum, M.R., Z. Alansari, S. Musa, M.M. Alam, et M.S. Mazliham. 2021. « Role of Artificial
Intelligence in Cloud Computing, IoT and SDN: Reliability and Scalability Issues ».
International Journal of Electrical and Computer Engineering 11 (5): 4458‑4470.
doi:10.11591/ijece.v11i5.pp4458-4470.
Bellman, R. E., et L. A. Zadeh. 1970. « Decision-Making in a Fuzzy Environment ». Management
Science 17 (4). INFORMS: B-141. doi:10.1287/mnsc.17.4.B141.
Ben Ammar, Oussama. 2014. « Planification des réapprovisionnements sous incertitudes pour
les systèmes d’assemblage à plusieurs niveaux ». Thesis, Saint-Etienne, EMSE.
[Link]
Birge, John R., et François Louveaux. 2011. Introduction to Stochastic Programming. Springer Science
& Business Media.
Bittante, A., F. Pettersson, et H. Saxén. 2018. « Optimization of a Small-Scale LNG Supply
Chain ». Energy 148 (avril): 79‑89. doi:10.1016/[Link].2018.01.120.
Blackburn, Joseph D., Dean H. Kropp, et Robert A. Millen. 1986. « A Comparison of Strategies
to Dampen Nervousness in MRP Systems ». Management Science 32 (4): 413‑429.
doi:10.1287/mnsc.32.4.413.
Bogataj, David, et Marija Bogataj. 2007. « Measuring the supply chain risk and vulnerability in
frequency space. International Journal of Production Economics ». International Journal
of Production Economics 108 (février): 291‑301. doi:10.1016/[Link].2006.12.017.
Bouchon-Meunier, Bernadette. 2007. « Raisonnement en logique floue ». Que sais-je ? 4e éd.
(2702): 75‑96.
[Link]
.
Bouchon-Meunier, Bernadette, Ronald R. Yager, et Lotfi Asker Zadeh. 1995. Fuzzy Logic and
Soft Computing. World Scientific.
Bredström, D., P. Flisberg, et M. Rönnqvist. 2013. « A New Method for Robustness in Rolling
Horizon Planning ». International Journal of Production Economics 143 (1): 41‑52.
doi:10.1016/[Link].2011.02.008.
Cachon, Gérard P., Taylor Randall, et Glen M. Schmidt. 2007. « In Search of the Bullwhip
Effect ». Manufacturing & Service Operations Management, octobre. INFORMS.
[Link]
Campuzano-Bolarín, Francisco, Josefa Mula, Manuel Díaz-Madroñero, et Álvar-Ginés Legaz-
Aparicio. 2020. « A rolling horizon simulation approach for managing demand with lead
time variability ». International Journal of Production Research 58 (12). Taylor & Francis:
3800‑3820. doi:10.1080/00207543.2019.1634849.
Cannella, S, A P Barbosa-Póvoa, J M Framinan, et S Relvas. 2013. « Metrics for Bullwhip Effect
Analysis ». Journal of the Operational Research Society 64 (1): 1‑16. doi:10.1057/jors.2011.139.
Carvalho Fagundes, Marcus Vinicius, Eduardo Oliveira Teles, Silvio A. B. Vieira de Melo, et
Francisco Gaudencio Mendonca Freires. 2020. « Supply Chain Risk Management

167
 Modelling: A Systematic Literature Network Analysis Review ». Ima Journal of Management
Mathematics 31 (4). Oxford: Oxford Univ Press: 387‑416. doi:10.1093/imaman/dpaa019.
Chapdaniel, Alain. 2010. Supply chain : management et dynamique d’évolution / Alain Chapdaniel.
Management et informatique. Hermès science publications-Lavoisier. Paris.
[Link]
management-et-dynamique-d-evolution-alain-chapdaniel.
Chapman et Clive. 2007. Introduction to Materials Management. Pearson India.
Chaudhuri, Atanu, Abhijeet Ghadge, Barbara Gaudenzi, et Samir Dani. 2020. « A Conceptual
Framework for Improving Effectiveness of Risk Management in Supply Networks ».
International Journal of Logistics Management 31 (1). Bingley: Emerald Group Publishing Ltd:
77‑98. doi:10.1108/IJLM-11-2018-0289.
Chen, Enbo, Wael M. Mohammed, Borja Ramis Ferrer, et Jose L. Martinez Lastra. 2017.
« Development of a mobile application for the C2NET supply chain cloud-based
platform ». In 2017 IEEE 15th International Conference on Industrial Informatics (INDIN),
720‑724. doi:10.1109/INDIN.2017.8104861.
Cheraghalikhani, Ali, Farid Khoshalhan, et Hadi Mokhtari. 2019. « Aggregate production
planning: A literature review and future research directions ». International Journal of
Industrial Engineering Computations, 309‑330. doi:10.5267/[Link].2018.6.002.
Chopra, Sunil. 2019. Supply Chain Management: Strategy, Planning and Operation. Seventh edition.
New York, NY: Pearson Education.
Christopher, Martin. 2005. Logistics and Supply Chain Management: Creating Value-Adding Networks.
Pearson Education.
Cohen, Morris A., et Panos Kouvelis. 2021. « Revisit of AAA Excellence of Global Value
Chains: Robustness, Resilience, and Realignment ». Production and Operations Management
30 (3): 633‑643. doi:10.1111/poms.13305.
Colicchia, Claudia, et Fernanda Strozzi. 2012. « Supply chain risk management: A new
methodology for a systematic literature review ». Supply Chain Management: An
International Journal 17 (juin): 403‑418. doi:10.1108/13598541211246558.
Damand, David, Ridha Derrouiche, et Marc Barth. 2013. « Parameterisation of the MRP
method: automatic identification and extraction of properties ». International Journal of
Production Research 51 (18): 5658‑5669. doi:10.1080/00207543.2013.810819.
David, F., H. Pierreval, et C. Caux. 2006. « Advanced planning and scheduling systems in
aluminium conversion industry ». International Journal of Computer Integrated Manufacturing
19 (7). Taylor & Francis: 705‑715. doi:10.1080/09511920500504545.
De Leeuw, S., M.C. Schippers, et S.J. Hoogervorst. 2015. « The Fresh Connection: Cross-
Functional Integration in Supply Chain Management ». In The Handbook of Behavioral
Operations Management: Social and Psychological Dynamics in Production and Service Settings.
doi:10.1093/acprof:oso/9780199357215.003.0017.
Demirel, Edil, Ertunga C. Özelkan, et Churlzu Lim. 2018. « Aggregate Planning with Flexibility
Requirements Profile ». International Journal of Production Economics 202 (août): 45‑58.
doi:10.1016/[Link].2018.05.001.
Desport, Pierre. 2017. « Planification tactique de chaîne d’approvisionnement en boucle fermée :
modélisation, résolution, évaluation ». These de doctorat, Angers.
[Link]

168
Références
Di Mauro, Carmela, Alessandro Ancarani, Florian Schupp, et Giulia Crocco. 2020. « Risk
Aversion in the Supply Chain: Evidence from Replenishment Decisions ». Journal of
Purchasing and Supply Management 26 (4): 100646. doi:10.1016/[Link].2020.100646.
Díaz-Madroñero, Manuel, Josefa Mula, Mariano Jiménez, et David Peidro. 2017. « A Rolling
Horizon Approach for Material Requirement Planning under Fuzzy Lead Times ».
International Journal of Production Research 55 (8): 2197‑2211.
doi:10.1080/00207543.2016.1223382.
Dolgui, Alexandre, Oussama Ben-Ammar, Faicel Hnaien, et Mohamed Louly. 2013. « A State
of the Art on Supply Planning and Inventory Control under Lead Time Uncertainty ».
Studies in Informatics and Control 22 (septembre): 255‑268. doi:10.24846/v22i3y201302.
Dolgui, Alexandre, Dmitry Ivanov, et Boris Sokolov. 2017. « Ripple Effect in the Supply Chain:
An Analysis and Recent Literature ». International Journal of Production Research, octobre.
Taylor & Francis.
[Link]
Dolgui, Alexandre, et Caroline Prodhon. 2007a. « Supply Planning under Uncertainties in MRP
Environments: A State of the Art ». Annual Reviews in Control 31 (2): 269‑279.
doi:10.1016/[Link].2007.02.007.
Dolgui, Alexandre, et Caroline Prodhon. 2007b. « Supply planning under uncertainties in MRP
environments: A state of the art ». Annual Reviews in Control 31 (2): 269‑279.
doi:10.1016/[Link].2007.02.007.
Drexl, A., et A. Kimms. 1997. « Lot sizing and scheduling — Survey and extensions ». European
Journal of Operational Research 99 (2): 221‑235. doi:10.1016/S0377-2217(97)00030-1.
Dubois, Didier, Helene Fargier, et Philippe Fortemps. 2003. « Fuzzy scheduling: Modelling
flexible constraints vs. coping with incomplete knowledge ». European Journal of
Operational Research, Fuzzy Sets in Scheduling and Planning, 147 (2): 231‑252.
doi:10.1016/S0377-2217(02)00558-1.
Dubois, Didier, Siegfried Gottwald, Petr Hajek, Janusz Kacprzyk, et Henri Prade. 2005.
« Terminological Difficulties in Fuzzy Set Theory—The Case of “Intuitionistic Fuzzy
Sets” ». Fuzzy Sets and Systems, 40th Anniversary of Fuzzy Sets, 156 (3): 485‑491.
doi:10.1016/[Link].2005.06.001.
Dubois, Didier, Henri Prade, et Fayçal Touazi. 2013. « A Possibilistic Logic Approach to
Conditional Preference Queries ». In Flexible Query Answering Systems, édité par Henrik
Legind Larsen, Maria J. Martin-Bautista, María Amparo Vila, Troels Andreasen, et
Henning Christiansen, 8132:376‑388. Lecture Notes in Computer Science. Berlin,
Heidelberg: Springer Berlin Heidelberg. doi:10.1007/978-3-642-40769-7_33.
Dudek, Gregor, et Hartmut Stadtler. 2006. « Negotiation-Based Collaborative Planning in
Divergent Two-Tier Supply Chains ». International Journal of Production Research, décembre.
Taylor & Francis Group. doi:10.1080/00207540600584821.
Ekanayake, E.M.A.C., G.Q.P. Shen, M.M. Kumaraswamy [Link], E.K. Owusu Ph.d., et A.B.
Saka. 2021. « Modeling Supply Chain Resilience in Industrialized Construction: A Hong
Kong Case ». Journal of Construction Engineering and Management 147 (11).
doi:10.1061/(ASCE)CO.1943-7862.0002188.
Ellis, Scott C., Raymond M. Henry, et Jeff Shockley. 2010. « Buyer Perceptions of Supply
Disruption Risk: A Behavioral View and Empirical Assessment ». Journal of Operations
Management 28 (1): 34‑46. doi:10.1016/[Link].2009.07.002.

169
Elluru, Sahitya, Hardik Gupta, Harpreet Kaur, et Surya Prakash Singh. 2019. « Proactive and
Reactive Models for Disaster Resilient Supply Chain ». Annals of Operations Research 283
(1‑2): 199‑224. doi:10.1007/s10479-017-2681-2.
El-Shayeb, Yasser, Thierry Verdel, et Christophe Didier. 1999. « Fuzzy Reasoning for the
analysis of risks in geotechnical engineering. Application to a French Case », octobre.
Ernawati, D., E. Pudji, N. Rahmawati, et M. Alfin. 2021. « Bullwhip Effect Reduction Using
Vendor Managed Inventory (VMI) Method in Supply Chain of Manufacturing
Company ». In . Vol. 1899. doi:10.1088/1742-6596/1899/1/012082.
Ertek, Gürdal, et Paul M. Griffin. 2002. « Supplier- and Buyer-Driven Channels in a Two-Stage
Supply Chain ». IIE Transactions 34 (8): 691‑700. doi:10.1023/A:1014920510164.
Esteso, Ana, Josefa Mula, Francisco Campuzano-Bolarín, MME Alemany Diaz, et Angel Ortiz.
2019. « Simulation to reallocate supply to committed orders under shortage ».
International Journal of Production Research 57 (5). Taylor & Francis: 1552‑1570.
doi:10.1080/00207543.2018.1493239.
Fargier, Hélène, et Caroline Thierry. 2000. « The use of possibilistic decision theory in
manufacturing planning and control: recent results in Fuzzy Master Production
Scheduling ». In Advances in Scheduling and Sequencing under fuzziness, édité par R. Slowinski
et M. Hapke, 45‑59. Spingler-Verlag (series "Studies in Fuzinziness and Soft
Computing).
Ferreirinha, L., A.S. Santos, A.M. Madureira, M.L.R. Varela, et J.A. Bastos. 2020. « Decision
Support Tool for Dynamic Scheduling ». Advances in Intelligent Systems and Computing 923:
418‑427. doi:10.1007/978-3-030-14347-3_41.
Fransoo, Jan C., et Marc J.F. Wouters. 2000. « Measuring the bullwhip effect in the supply
chain ». Supply Chain Management: An International Journal 5 (2). MCB UP Ltd: 78‑89.
doi:10.1108/13598540010319993.
Fu, Dongfei, Clara M. Ionescu, El-Houssaine Aghezzaf, et Robin De Keyser. 2014.
« Decentralized and Centralized Model Predictive Control to Reduce the Bullwhip
Effect in Supply Chain Management ». Computers & Industrial Engineering 73 (juillet):
21‑31. doi:10.1016/[Link].2014.04.003.
Galasso, F., C. Mercé, et B. Grabot. 2009. « Decision Support Framework for Supply Chain
Planning with Flexible Demand ». International Journal of Production Research 47 (2):
455‑478. doi:10.1080/00207540802426508.
Galasso, F., et C. Thierry. 2009. « Design of Cooperative Processes in a Customer-Supplier
Relationship: An Approach Based on Simulation and Decision Theory ». Engineering
Applications of Artificial Intelligence 22 (6): 865‑881. doi:10.1016/[Link].2008.10.008.
Galasso, François. 2007. « Aide à la planification dans les chaînes logistiques en présence de
demande flexible ». These de doctorat, Toulouse, INPT.
[Link]
Garcia-Neveu, Fabienne. 2020. « Le rôle des projets de systèmes d’information inter-
organisationtionnels dans l’intégration et la collaboration de la supply chain : le cas des
portails fournisseurs ». These de doctorat, Toulouse, INPT.
[Link]
Garg, H., et G. Kaur. 2020. « Quantifying Gesture Information in Brain Hemorrhage Patients
Using Probabilistic Dual Hesitant Fuzzy Sets with Unknown Probability Information ».
Computers and Industrial Engineering 140. doi:10.1016/[Link].2019.106211.
Gaudreault, J., C.-G. Quimper, P. Marier, M. Bouchard, F. Chéné, et J. Bouchard. 2017.
« Designing a Generic Human-Machine Framework for Real-Time Supply Chain
170
Références

Planning ». Journal of Computational Design and Engineering 4 (2): 69‑85.

doi:10.1016/[Link].2016.12.001.
Genin, Patrick. 2003. « Planification tactique robuste avec usage d’un advanced planning
system : Proposition d’un mode de gestion par plan de référence ». These de doctorat,
Paris, ENMP. [Link]
Genin, Patrick, Samir Lamouri, et Andre Thomas. 2007. « Improving the Robustness of a
Supply Chain Tactical Plan ». Supply Chain Forum: An International Journal 8 (2): 24‑35.
doi:10.1080/16258312.2007.11517180.
Ghasemy Yaghin, R., et Fateme Darvishi. 2021. « Integrated textile material and production
management in a fuzzy environment: A logistics perspective ». The Journal of The Textile
Institute 0 (0). Taylor & Francis: 1‑21. doi:10.1080/00405000.2021.1929705.
Gholamian, N., I. Mahdavi, et R. Tavakkoli-Moghaddam. 2016. « Multi-objective multi-product
multi-site aggregate production planning in a supply chain under uncertainty: fuzzy
multi-objective optimisation ». International Journal of Computer Integrated Manufacturing 29
(2): 149‑165. doi:10.1080/0951192X.2014.1002811.
Ghomi, V., D. Gligor, M. Parast, S. Shokoohyar, et M.G. Esfahani. 2021. « Antecedents and
Consequences of Customer Flexibility: Establishing the Link to Firm Competitive
Advantage ». Journal of Retailing and Consumer Services 62.
doi:10.1016/[Link].2021.102609.
Giannoccaro, Ilaria. 2011. « Assessing the Influence of the Organization in the Supply Chain
Management Using NK Simulation ». International Journal of Production Economics,
Innsbruck 2008, 131 (1): 263‑272. doi:10.1016/[Link].2010.11.001.
Giannoccaro, Ilaria. 2018. « Centralized vs. Decentralized Supply Chains: The Importance of
Decision Maker’s Cognitive Ability and Resistance to Change ». Industrial Marketing
Management 73 (août): 59‑69. doi:10.1016/[Link].2018.01.034.
Giannoccaro, Ilaria, et Pierpaolo Pontrandolfo. 2004. « Supply Chain Coordination by Revenue
Sharing Contracts ». International Journal of Production Economics, Supply Chain
Management, 89 (2): 131‑139. doi:10.1016/S0925-5273(03)00047-1.
Govindan, K. 2013. « Vendor-managed inventory: A review based on dimensions ». International
Journal of Production Research 51 (13): 3808‑3835. doi:10.1080/00207543.2012.751511.
Grabot, Bernard, et Laurent Geneste. 1998. « Management of Imprecision and Uncertainty for
Production Activity Control ». Journal of Intelligent Manufacturing 9 (5): 431‑446.
doi:10.1023/A:1008892415960.
Grabot, Bernard, Laurent Geneste, Gabriel Reynoso-Castillo, et Sophie Vérot. 2005.
« Integration of Uncertain and Imprecise Ordersin the MRP Method ». Journal of
Intelligent Manufacturing 16 (2): 215‑234. doi:10.1007/s10845-004-5890-x.
Guillaume, Romain. 2011. « Gestion des risques dans les chaînes logistiques : planification sous
incertitude par la théorie des possibilités ». Thesis, Toulouse 2.
[Link]
Guillaume, Romain, Bernard Grabot, et Caroline Thierry. 2013. « Management of the Risk of
Backorders in a MTO–ATO/MTS Context under Imperfect Requirements ». Applied
Mathematical Modelling 37 (16‑17): 8060‑8078. doi:10.1016/[Link].2013.03.019.
Guillaume, Romain, Caroline Thierry, et Bernard Grabot. 2011. « Modelling of Ill-Known
Requirements and Integration in Production Planning ». Production Planning & Control 22
(4): 336‑352. doi:10.1080/09537281003800900.

171
Guillaume, Romain, Caroline Thierry, et Paweł Zieliński. 2017. « Robust material requirement
planning with cumulative demand under uncertainty ». International Journal of Production
Research 55 (22). Taylor & Francis: 6824‑6845. doi:10.1080/00207543.2017.1353157.
Gurtu, Amulya, et Jestin Johny. 2021. « Supply Chain Risk Management: Literature Review ».
Risks 9 (1). Basel: Mdpi: 16. doi:10.3390/risks9010016.
Hashim, M., M. Nazam, M. Zia-Ur-Rehman, M. Abrar, S.A. Baig, M. Nazim, et Z. Hussain.
2021. « Modeling Supply Chain Sustainability-Related Risks and Vulnerability: Insights
from the Textile Sector of Pakistan ». Autex Research Journal. doi:10.2478/aut-2021-0008.
Hauge, Jannicke Baalsrud, Blanka Tundys, Andrzej Rzeczycki, et Theodore Lim. 2016.
« DEPLOYING SERIOUS GAMES FOR SUPPLY CHAIN MANAGEMENT:
LESSONS LEARNED AND GOOD PRACTICES », 18.
Hauser, F., V. Pomponne, Z. Jiang, J. Lamothe, et F. Benaben. 2018. « Processes Orchestration
for Preventing and Managing Shortages in a Supply Chain a Dermo-Cosmetics Use
Case ». In , 2018-January:1227‑1234. doi:10.1109/ICE.2017.8280020.
Hawer, Sven, Alexander Schönmann, et Gunther Reinhart. 2018. « Guideline for the
Classification and Modelling of Uncertainty and Fuzziness ». Procedia CIRP, 11th CIRP
Conference on Intelligent Computation in Manufacturing Engineering, 19-21 July 2017,
Gulf of Naples, Italy, 67 (janvier): 52‑57. doi:10.1016/[Link].2017.12.175.
Herrera, Carlos, Sana Belmokhtar-Berraf, André Thomas, et Víctor Parada. 2016a. « A reactive
decision-making approach to reduce instability in a master production schedule ».
International Journal of Production Research 54 (8). Taylor & Francis: 2394‑2404.
doi:10.1080/00207543.2015.1078516.
Herrera, Carlos, Sana Belmokhtar-Berraf, André Thomas, et Víctor Parada. 2016b. « A Reactive
Decision-Making Approach to Reduce Instability in a Master Production Schedule ».
International Journal of Production Research 54 (8): 2394‑2404.
doi:10.1080/00207543.2015.1078516.
Herrera, Carlos, et André Thomas. 2009. « Un modèle pour limiter la nervosité et l’instabilité
du Programme Directeur de Production ». In 8ème Congrès International de Génie Industriel.
Bagnères de Bigorre, France. [Link]
Hill, Craig A., G. Peter Zhang, et Keith E. Miller. 2018. « Collaborative Planning, Forecasting,
and Replenishment & Firm Performance: An Empirical Evaluation ». International Journal
of Production Economics 196 (février): 12‑23. doi:10.1016/[Link].2017.11.012.
Ho, Chrwan-Jyh. 1989. « Evaluating the Impact of Operating Environments on MRP System
Nervousness ». International Journal of Production Research 27 (7): 1115‑1135.
doi:10.1080/00207548908942611.
Hollmann, R.L., L.F. Scavarda, et A.M.T. Thomé. 2015. « Collaborative planning, forecasting
and replenishment: a literature review ». International Journal of Productivity and Performance
Management 64 (7): 971‑993. doi:10.1108/IJPPM-03-2014-0039.
Huang, George Q., Jason S. K. Lau, et K. L. Mak. 2003. « The Impacts of Sharing Production
Information on Supply Chain Dynamics: A Review of the Literature ». International
Journal of Production Research 41 (7): 1483‑1517. doi:10.1080/0020754031000069625.
Huo, B., M. Gu, et Z. Wang. 2018. « Supply Chain Flexibility Concepts, Dimensions and
Outcomes: An Organisational Capability Perspective ». International Journal of Production
Research 56 (17): 5883‑5903. doi:10.1080/00207543.2018.1456694.
Igoulalene, Idris. 2014. « Développement d’une approche floue multicritère d’aide à la
coordination des décideurs pour la résolution des problèmes de sélection dans les

172
Références
chaines logistiques ». These de doctorat, Aix-Marseille.
[Link]
Jabbarzadeh, Armin, Behnam Fahimnia, et Jiuh-Biing Sheu. 2017. « An Enhanced Robustness
Approach for Managing Supply and Demand Uncertainties ». International Journal of
Production Economics, SI:Flexible & Robust SCs, 183 (janvier): 620‑631.
doi:10.1016/[Link].2015.06.009.
Jamalnia, Aboozar, Jian-Bo Yang, Ardalan Feili, Dong-Ling Xu, et Gholamreza Jamali. 2019.
« Aggregate Production Planning under Uncertainty: A Comprehensive Literature
Survey and Future Research Directions ». The International Journal of Advanced
Manufacturing Technology 102 (1‑4): 159‑181. doi:10.1007/s00170-018-3151-y.
Jans, Raf, et Zeger Degraeve. 2008. « Modeling Industrial Lot Sizing Problems: A Review ».
International Journal of Production Research 46 (6): 1619‑1643.
doi:10.1080/00207540600902262.
Jiang, Meizhi, Jing Lu, Zhuohua Qu, et Zaili Yang. 2021. « Port Vulnerability Assessment from
a Supply Chain Perspective ». Ocean & Coastal Management 213 (novembre): 105851.
doi:10.1016/[Link].2021.105851.
Johnson, LA, et DC Montgomery. 1999. « operations research in production planning. »
[Link]
1999%3A+operations+research+in+production+planning&btnG=.
Jonsson, P., et J. Holmström. 2016. « Future of supply chain planning: closing the gaps between
practice and promise ». International Journal of Physical Distribution and Logistics Management
46 (1): 62‑81. doi:10.1108/IJPDLM-05-2015-0137.
Kaminsky, P., et Y. Wang. 2019. « Multi-Period Process Flexibility with Inventory ». Flexible
Services and Manufacturing Journal 31 (4): 833‑893. doi:10.1007/s10696-019-09342-x.
Khalili-Damghani, K., et P. Ghasemi. 2016. « Uncertain centralized/decentralized production-
distribution planning problem in multi-product supply chains: Fuzzy mathematical
optimization approaches ». Industrial Engineering and Management Systems 15 (2): 156‑172.
doi:10.7232/iems.2016.15.2.156.
Khellaf, Walid, Jacques Lamothe, et Romain Guillaume. 2020. « Exploration de données de
planification pour la modélisation des incertitudes dues à l’horizon glissant ». In
MOSIM’20 - 13ème Conférence internationale de Modélisation, Optimisation et Simulation, 6 p.
Agadir (on line ), Morocco. [Link]
Koh, S. C. L., S. M. Saad, et M. H. Jones. 2002. « Uncertainty under MRP-Planned Manufacture:
Review and Categorization ». International Journal of Production Research 40 (10): 2399‑2421.
doi:10.1080/00207540210136487.
Krajewski, L., J.C. Wei, et L.-L. Tang. 2005. « Responding to Schedule Changes in Build-to-
Order Supply Chains ». Journal of Operations Management 23 (5): 452‑469.
doi:10.1016/[Link].2004.10.006.
Kristianto, Y. 2010. « Dynamic Price and Quantity Postponement Strategies ». International
Journal of Information Systems and Supply Chain Management 3 (4): 70‑82.
doi:10.4018/jisscm.2010100104.
K.T, R., S.P. Sarmah, et P.K. Tarei. 2020. « An integrated framework for the assessment of
inbound supply risk and prioritization of the risk drivers: A real-life case on electronics
supply chain ». Benchmarking 27 (3): 1261‑1286. doi:10.1108/BIJ-03-2019-0119.
Kumar, Ramesh, L. Ganapathy, Ravindra Gokhale, et Manoj Kumar Tiwari. 2020.
« Quantitative Approaches for the Integration of Production and Distribution Planning

173
 in the Supply Chain: A Systematic Literature Review ». International Journal of Production
Research 58 (11): 3527‑3553. doi:10.1080/00207543.2020.1762019.
Laguna-Salvadó, L., M. Lauras, U. Okongwu, et T. Comes. 2019. « A Multicriteria Master
Planning DSS for a Sustainable Humanitarian Supply Chain ». Annals of Operations
Research 283 (1‑2): 1303‑1343. doi:10.1007/s10479-018-2882-3.
Lalmazloumian, Morteza, et Kuan Wong. 2012. « A review of modelling approaches for supply
chain planning under uncertainty ». In , 197‑203. doi:10.1109/ICSSSM.2012.6252220.
Lameras, P., S. Arnab, S. de Freitas, P. Petridis, et I. Dunwell. 2021. « Science Teachers’
Experiences of Inquiry-Based Learning through a Serious Game: A Phenomenographic
Perspective ». Smart Learning Environments 8 (1). doi:10.1186/s40561-021-00152-z.
Le Moigne, Rémy. 2017. Supply chain management: Achat, production, logistique, transport, vente.
Lee, Hau L., et Corey Billington. 1993. « Material Management in Decentralized Supply
Chains ». Operations Research 41 (5). INFORMS: 835‑847. doi:10.1287/opre.41.5.835.
Lee, Hau L, V Padmanabhan, et Seungjin Whang. 1997. « The Bullwhip Effect in Supply
Chains ». SLOAN MANAGEMENT REVIEW, 12.
Lelievre, Adrien. 2011. « Definition of a conceptual and methodological framework for
designing a wished flexibility system », juillet.
Li, Qinyun, et Stephen M. Disney. 2017. « Revisiting rescheduling: MRP nervousness and the
bullwhip effect ». International Journal of Production Research 55 (7). Taylor & Francis:
1992‑2012. doi:10.1080/00207543.2016.1261196.
Liang, Tien-Fu. 2006. « Distribution Planning Decisions Using Interactive Fuzzy Multi-
Objective Linear Programming ». Fuzzy Sets and Systems 157 (10): 1303‑1316.
doi:10.1016/[Link].2006.01.014.
Liang, Tien-Fu. 2011. « Application of Fuzzy Sets to Manufacturing/Distribution Planning
Decisions in Supply Chains ». Information Sciences 181 (4): 842‑854.
doi:10.1016/[Link].2010.10.019.
Lima, C., S. Relvas, et A. Barbosa-Póvoa. 2021. « Designing and Planning the Downstream Oil
Supply Chain under Uncertainty Using a Fuzzy Programming Approach ». Computers and
Chemical Engineering 151. doi:10.1016/[Link].2021.107373.
Lin, Zhiang, et Kathleen Carley. 1993. « Proactive or Reactive: An Analysis of the Effect of
Agent Style on Organizational Decision-Making Performance ». Intelligent Systems in
Accounting, Finance and Management 2 (4): 271‑287. doi:10.1002/j.1099-
1174.1993.tb00047.x.
Lorentz, Harri, et Olli‐Pekka Hilmola. 2012. « Confidence and supply chain disruptions:
Insights into managerial decision‐making from the perspective of policy ». Édité par
Rajesh Singh et Ravi Shankar. Journal of Modelling in Management 7 (3). Emerald Group
Publishing Limited: 328‑356. doi:10.1108/17465661211283304.
Lorenz, Edward. 2001. « Confiance interorganisationnelle, intermediaires et communautes de
pratique ». Reseaux no 108 (4): 63‑85. [Link]
[Link].
Mahmoudi, Jaouher, Jacques Lamothe, Caroline Thierry École nationale supérieure de
l’aéronautique et de l’espace (Toulouse / 1972-2007), École doctorale Systèmes
(Toulouse), et Centre de recherche Génie industriel (Albi). 2006. « Simulation et gestion
des risques en planification distribuée de chaînes logistiques: application au secteur de
l’électronique et des télécommunications ». S.l.: [s.n.].

174
Références
Manavalan, E., et K. Jayakrishna. 2019. « A Review of Internet of Things (IoT) Embedded
Sustainable Supply Chain for Industry 4.0 Requirements ». Computers & Industrial
Engineering 127 (janvier): 925‑953. doi:10.1016/[Link].2018.11.030.
Marques, C.M., S. Moniz, J.P. de Sousa, A.P. Barbosa-Povoa, et G. Reklaitis. 2020. « Decision-
Support Challenges in the Chemical-Pharmaceutical Industry: Findings and Future
Research Directions ». Computers and Chemical Engineering 134.
doi:10.1016/[Link].2019.106672.
Marquès, Guillaume. 2010. « Management des risques pour l’aide à la gestion de la collaboration
au sein d’une chaîne logistique : une approche par simulation ». These de doctorat,
Toulouse, INPT. [Link]
Martin, André J. 1992. DRP: Distribution Resource Planning: The Gateway to True Quick Response and
Continuous Replenishment. John Wiley & Sons.
Mei, Q., J. Li, E. Ursavas, S.X. Zhu, et X. Luo. 2021. « Freight Transportation Planning in
Platform Service Supply Chain Considering Carbon Emissions ». International Journal of
Production Economics 240. doi:10.1016/[Link].2021.108241.
Miceli, Antonio, Birgit Hagen, Maria Pia Riccardi, Francesco Sotti, et Davide Settembre-Blundo.
2021. « Thriving, Not Just Surviving in Changing Times: How Sustainability, Agility and
Digitalization Intertwine with Organizational Resilience ». Sustainability 13 (4).
Multidisciplinary Digital Publishing Institute: 2052. doi:10.3390/su13042052.
Mönch, Lars, Reha Uzsoy, et John W. Fowler. 2018. « A Survey of Semiconductor Supply Chain
Models Part III: Master Planning, Production Planning, and Demand Fulfilment ».
International Journal of Production Research 56 (13): 4565‑4584.
doi:10.1080/00207543.2017.1401234.
Mula, J., M. Díaz-Madroñero, B. Andres, R. Poler, et R. Sanchis. 2021. « A Capacitated Lot-
Sizing Model with Sequence-Dependent Setups, Parallel Machines and Bi-Part Injection
Moulding ». Applied Mathematical Modelling 100: 805‑820. doi:10.1016/[Link].2021.07.028.
Mula, J., R. Poler, et J. P. Garcia. 2006. « MRP with flexible constraints: A fuzzy mathematical
programming approach ». Fuzzy Sets and Systems 157 (1): 74‑97.
doi:10.1016/[Link].2005.05.045.
Mula, J., R. Poler, J. P. Garcia-Sabater, et F. C. Lario. 2006. « Models for Production Planning
under Uncertainty: A Review ». INTERNATIONAL JOURNAL OF PRODUCTION
ECONOMICS. RADARWEG 29, 1043 NX AMSTERDAM, NETHERLANDS:
ELSEVIER. doi:10.1016/[Link].2005.09.001.
Mula, J., R. Poler, J. P. García-Sabater, et F. C. Lario. 2006. « Models for production planning
under uncertainty: A review ». International Journal of Production Economics 103 (1): 271‑285.
doi:10.1016/[Link].2005.09.001.
Mullen, J., L. Milechin, et D. Milechin. 2021. « Teaching and Learning HPC through Serious
Games ». Journal of Parallel and Distributed Computing 158: 115‑125.
doi:10.1016/[Link].2021.07.014.
Mundi, Isabel, M. M. E. Alemany, Raúl Poler, et Vicente S. Fuertes-Miquel. 2019. « Review of
mathematical models for production planning under uncertainty due to lack of
homogeneity: proposal of a conceptual model ». International Journal of Production Research
57 (15‑16). Taylor & Francis: 5239‑5283. doi:10.1080/00207543.2019.1566665.
Muratet, Mathieu, Patrice Torguet, Jean-Pierre Jessel, et Fabienne Viallet. 2009. « Towards a
Serious Game to Help Students Learn Computer Programming ». International Journal of
Computer Games Technology 2009 (janvier). doi:10.1155/2009/470590.

175
Nguyen, Duy Tan, Yossiri Adulyasak, et Sylvain Landry. 2021. « Research Manuscript: The
Bullwhip Effect in Rule-Based Supply Chain Planning Systems–A Case-Based
Simulation at a Hard Goods Retailer ». Omega 98 (janvier): 102121.
doi:10.1016/[Link].2019.102121.
Nonaka, Tomomi, Kentaro Miki, Ryo Odajima, et Hajime Mizuyama. 2016. « Analysis of
Dynamic Decision Making Underpinning Supply Chain Resilience: A Serious Game
Approach ». IFAC-PapersOnLine, 13th IFAC Symposium on Analysis, Design, and
Evaluation ofHuman-Machine Systems HMS 2016, 49 (19): 474‑479.
doi:10.1016/[Link].2016.10.632.
Oger, Raphaël. 2019. « A decision support system for long-term supply chain capacity planning :
a model-driven engineering approach ». Theses, Ecole des Mines d’Albi-Carmaux.
[Link]
Ogier, Maxime, Felix T. S. Chan, Sai Ho Chung, Van-Dat Cung, et Julien Boissière. 2015.
« Decentralised capacitated planning with minimal-information sharing in a 2-echelon
supply chain ». International Journal of Production Research 53 (16). Taylor & Francis:
4927‑4950. doi:10.1080/00207543.2015.1005763.
Oliva, Rogelio, et Noel Watson. 2011. « Cross-Functional Alignment in Supply Chain Planning:
A Case Study of Sales and Operations Planning ». Journal of Operations Management, Special
Issue on Field Research in Operations and Supply Chain Management, 29 (5): 434‑448.
doi:10.1016/[Link].2010.11.012.
Paksoy, Turan, Cigdem Gonul Kochan, et Sadia Samar Ali. 2020. Logistics 4.0: Digital
Transformation of Supply Chain Management. CRC Press.
Papaleonidas, C., D.V. Lyridis, A. Papakostas, et D.A. Konstantinidis. 2020. « An Innovative
Decision Support Tool for Liquefied Natural Gas Supply Chain Planning ». Maritime
Business Review 5 (1): 121‑136. doi:10.1108/MABR-09-2019-0036.
Patrucco, Andrea S., et Anni-Kaisa Kähkönen. 2021. « Agility, Adaptability, and Alignment:
New Capabilities for PSM in a Post-Pandemic World ». Journal of Purchasing and Supply
Management 27 (4): 100719. doi:10.1016/[Link].2021.100719.
Peidro, David, Josefa Mula, Raul Poler, et Francisco-Cruz Lario. 2009. « Quantitative Models
for Supply Chain Planning under Uncertainty: A Review ». INTERNATIONAL
JOURNAL OF ADVANCED MANUFACTURING TECHNOLOGY. 236 GRAYS
INN RD, 6TH FLOOR, LONDON WC1X 8HL, ENGLAND: SPRINGER
LONDON LTD. doi:10.1007/s00170-008-1715-y.
Pillay, R., et M. Laeequddin. 2019. « Peer Teaching: A Pedagogic Method for Higher
Education ». International Journal of Innovative Technology and Exploring Engineering 9 (1):
2907‑2913. doi:10.35940/ijitee.A9106.119119.
Pishvaee, M.S., M. Rabbani, et S.A. Torabi. 2011. « A Robust Optimization Approach to Closed-
Loop Supply Chain Network Design under Uncertainty ». Applied Mathematical Modelling
35 (2): 637‑649. doi:10.1016/[Link].2010.07.013.
Pudasaini, P. 2021. « Integrated Planning of Downstream Petroleum Supply Chain: A Multi-
Objective Stochastic Approach ». Operations Research Perspectives 8.
doi:10.1016/[Link].2021.100189.
Ramesh, K. T., et Sarada Prasad Sarmah. 2021. « Impact of Supply Risk Management on Firm
Performance: A Case of the Indian Electronics Industry ». International Journal of
Productivity and Performance Management 70 (6). Bingley: Emerald Group Publishing Ltd:
1419‑1445. doi:10.1108/IJPPM-04-2019-0205.

176
Références
Rau, H., S. Daniel Budiman, et C.N. Monteiro. 2021. « Improving the Sustainability of a Reverse
Supply Chain System under Demand Uncertainty by Using Postponement Strategies ».
Waste Management 131: 72‑87. doi:10.1016/[Link].2021.05.018.
Rius-Sorolla, G., J. Maheut, S. Estelles-Miguel, et J.P. Garcia-Sabater. 2021. « Article
Collaborative Distributed Planning with Asymmetric Information. A Technological
Driver for Sustainable Development ». Sustainability (Switzerland) 13 (12).
doi:10.3390/su13126628.
Rius-Sorolla, Gregorio, Julien Maheut, Sofia Estelles-Miguel, et Jose P. Garcia-Sabater. 2021.
« Collaborative Distributed Planning with Asymmetric Information. A Technological
Driver for Sustainable Development ». Sustainability 13 (12): 6628.
doi:10.3390/su13126628.
Rohde, J., H. Meyr, et M. Wagner. 2000. Die Supply Chain Planning Matrix. 36716. Publications of
Darmstadt Technical University, Institute for Business Studies (BWL). Publications of
Darmstadt Technical University, Institute for Business Studies (BWL). Darmstadt
Technical University, Department of Business Administration, Economics and Law,
Institute for Business Studies (BWL).
[Link]
Rohde, Jens. 2005. « Coordination and Integration ». In Supply Chain Management and Advanced
Planning: Concepts, Models, Software and Case Studies, édité par Hartmut Stadtler et Christoph
Kilger, 245‑257. Berlin, Heidelberg: Springer. doi:10.1007/3-540-24814-5_14.
Rota, Karine. 1998. « Coordination temporelle de centres gérant de façon autonome des
ressources : application aux chaînes logistiques intégrées en aéronautique ». Thesis,
Toulouse, ENSAE. [Link]
Rudberg, Martin, et Jim Thulin. 2009. « Centralised Supply Chain Master Planning Employing
Advanced Planning Systems ». Production Planning & Control 20 (2): 158‑167.
doi:10.1080/09537280802705047.
Sahin, Funda, Arunachalam Narayanan, et E. Powell Robinson. 2013. « Rolling Horizon
Planning in Supply Chains: Review, Implications and Directions for Future Research ».
International Journal of Production Research 51 (18): 5413‑5436.
doi:10.1080/00207543.2013.775523.
Sahin, Funda, et E. Powell Robinson. 2002. « Flow Coordination and Information Sharing in
Supply Chains: Review, Implications, and Directions for Future Research ». Decision
Sciences 33 (4): 505‑536. doi:[Link]
Saidy, C., C. Pinna, Z. Wilson, L. Panavas, R. Harik, et A.-M. Bayoumi. 2018. « Literature review
of current practices of supplier’s assessment and valuation of decisions regarding
underperforming suppliers ». International Journal of Product Lifecycle Management 11 (3):
245‑267. doi:10.1504/IJPLM.2018.094719.
Sánchez-Vega, M.-D.-R., S.-O. Caballero-Morales, D. Sánchez-Partida, et J.-L. Martínez-Flores.
2018. « Risk-Based Strategic Inventory Supply Model for New Products ». In Best
Practices in Manufacturing Processes: Experiences from Latin America, 75‑95. doi:10.1007/978-
3-319-99190-0_4.
Scott, W. Richard. 1992. Organizations: Rational, Natural, and Open Systems. Englewood Cliffs, NJ:
Prentice-Hall.
Serrano, C., X. Delorme, et A. Dolgui. 2021. « Cross-Dock Distribution and Operation Planning
for Overseas Delivery Consolidation: A Case Study in the Automotive Industry ». CIRP
Journal of Manufacturing Science and Technology 33: 71‑81. doi:10.1016/[Link].2021.02.007.

177
Shafer, Glenn. 1987. « BELIEF FUNCTIONS AND POSSIBILITY MEASURES. » Anal of
Fuzzy Inf. CRC Press Inc, 51‑84.
[Link]
possibility-measures.
Shan, F., X. Dai, J. Men, et F. Yang. 2021. « Coordinating a decentralized supply chain with
capacity cost compensation ». RAIRO - Operations Research 55: S1789‑S1802.
doi:10.1051/ro/2020056.
Shi, Xiaoqiu, Dingshan Deng, Wei Long, Yanyan Li, et Xiaohong Yu. 2021. « Research on the
Robustness of Interdependent Supply Networks with Tunable Parameters ». Computers
& Industrial Engineering 158 (août): 107431. doi:10.1016/[Link].2021.107431.
Simangunsong, E., L. C. Hendry, et M. Stevenson. 2012. « Supply-Chain Uncertainty: A Review
and Theoretical Foundation for Future Research ». INTERNATIONAL JOURNAL
OF PRODUCTION RESEARCH. 2-4 PARK SQUARE, MILTON PARK,
ABINGDON OR14 4RN, OXON, ENGLAND: TAYLOR & FRANCIS LTD.
doi:10.1080/00207543.2011.613864.
Snyder, Lawrence V., et Mark S. Daskin. 2006. « Stochastic p-robust location problems ». IIE
Transactions 38 (11). Taylor & Francis: 971‑985. doi:10.1080/07408170500469113.
Snyder, Lawrence .V, et Zuo‐Jun Max Shen. 2019. Fundamentals of Supply Chain Theory. 1re éd.
Wiley. doi:10.1002/9781119584445.
Stadtler, Hartmut. 2005. « Supply Chain Management and Advanced Planning––Basics,
Overview and Challenges ». European Journal of Operational Research, Supply Chain
Management and Advanced Planning, 163 (3): 575‑588. doi:10.1016/[Link].2004.03.001.
Stadtler, Hartmut, et Christoph Kilger, éd. 2008. Supply Chain Management and Advanced Planning.
Berlin, Heidelberg: Springer Berlin Heidelberg. doi:10.1007/978-3-540-74512-9.
Stock, Gregory N, Noel P Greis, et John D Kasarda. 2000. « Enterprise Logistics and Supply
Chain Structure: The Role of Fit ». Journal of Operations Management 18 (5): 531‑547.
doi:10.1016/S0272-6963(00)00035-8.
Ströhle, P., C.M. Flath, et J. Gärttner. 2019. « Leveraging Customer Flexibility for Car-Sharing
Fleet Optimization ». Transportation Science 53 (1): 42‑61. doi:10.1287/trsc.2017.0813.
Sun, Gaoji, Yankui Liu, et Yanfei Lan. 2011. « Fuzzy Two-Stage Material Procurement Planning
Problem ». Journal of Intelligent Manufacturing 22 (2): 319‑331. doi:10.1007/s10845-009-
0306-6.
Suryawanshi, P., et P. Dutta. 2021. « Distribution planning problem of a supply chain of
perishable products under disruptions and demand stochasticity ». International Journal of
Productivity and Performance Management. doi:10.1108/IJPPM-12-2020-0674.
Taghipour, Atour, et Jean-Marc Frayret. 2013. « Dynamic Mutual Adjustment Search for Supply
Chain Operations Planning Co-Ordination ». International Journal of Production Research 51
(9): 2715‑2739. doi:10.1080/00207543.2012.737952.
Taghizadeh, Elham, Saravanan Venkatachalam, et Ratna Babu Chinnam. 2021. « Impact of
Deep-Tier Visibility on Effective Resilience Assessment of Supply Networks ».
International Journal of Production Economics 241 (novembre): 108254.
doi:10.1016/[Link].2021.108254.
Tang, Christopher, et Brian Tomlin. 2008. « The Power of Flexibility for Mitigating Supply
Chain Risks ». International Journal of Production Economics 116 (1): 12‑27.
doi:10.1016/[Link].2008.07.008.

178
Références
Tarei, P.K., J.J. Thakkar, et B. Nag. 2021. « Development of a decision support system for
assessing the supply chain risk mitigation strategies: an application in Indian petroleum
supply chain ». Journal of Manufacturing Technology Management 32 (2): 506‑535.
doi:10.1108/JMTM-02-2020-0035.
Teniwut, W.A., et C.L. Hasyim. 2020. « Decision support system in supply chain: A systematic
literature review ». Uncertain Supply Chain Management 8 (1): 131‑148.
doi:10.5267/[Link].2019.7.009.
Thun, Jörn-Henrik, et Daniel Hoenig. 2011. « An Empirical Analysis of Supply Chain Risk
Management in the German Automotive Industry ». International Journal of Production
Economics, Innsbruck 2008, 131 (1): 242‑249. doi:10.1016/[Link].2009.10.010.
Tinani, Khimya S., et Deepa H. Kandpal. 2017. « Literature Review on Supply Uncertainty
Problems: Yield Uncertainty and Supply Disruption ». Journal of the Indian Society for
Probability and Statistics 18 (2): 89‑109. doi:10.1007/s41096-017-0020-1.
Tiss, Sanaa, Caroline Thierry, Jacques Lamothe, et Christophe Rousse. 2019. « Toward an Agile
Adaptation of Supply Chain Planning: A Situational Use Case ». In Collaborative Networks
and Digital Transformation, édité par Luis M. Camarinha-Matos, Hamideh Afsarmanesh,
et Dario Antonelli, 344‑354. IFIP Advances in Information and Communication
Technology. Cham: Springer International Publishing. doi:10.1007/978-3-030-28464-
0_30.
Touzout, Faycal A., Anne-Laure Ladier, et Khaled Hadj-Hamou. 2021. « Modelling and
Comparison of Stability Metrics for a Re-Optimisation Approach of the Inventory
Routing Problem under Demand Uncertainty ». EURO Journal on Transportation and
Logistics 10 (janvier): 100050. doi:10.1016/[Link].2021.100050.
Tuncel, Gonca, et Gülgün Alpan. 2010. « Risk Assessment and Management for Supply Chain
Networks: A Case Study ». Computers in Industry 61 (3): 250‑259.
doi:10.1016/[Link].2009.09.008.
Van Donselaar, K., J. Van Den Nieuwenhof, et J. Visschers. 2000. « Impact of Material
Coordination Concepts on Planning Stability in Supply Chains ». International Journal of
Production Economics 68 (2): 169‑176. doi:10.1016/S0925-5273(00)00033-5.
Vlachos, I., et G. Malindretos. 2021. « Supply Chain Redesign in the Aquaculture Supply Chain:
A Longitudinal Case Study ». Production Planning and Control.
doi:10.1080/09537287.2021.1959663.
Walsh, Patrick, Peter Williams, et Cathal Heavey. 2008. « Investigation of rolling horizon
flexibility contracts in a supply chain under highly variable stochastic demand ». Ima
Journal of Management Mathematics - IMA J MANAG MATH 19 (janvier): 117‑135.
doi:10.1093/imaman/dpm035.
Wang, T., Y. Zhao, et X. Zhu. 2021. « Advanced Production Plan System of Military
Manufacturing Enterprises Based on Linear Programming Model ». In . Vol. 1732.
doi:10.1088/1742-6596/1732/1/012017.
Whybark, D. Clay, et J. Gregg Williams. 1976. « MATERIAL REQUIREMENTS PLANNING
UNDER UNCERTAINTY ». Decision Sciences 7 (4): 595‑606. doi:10.1111/j.1540-
5915.1976.tb00704.x.
Wiers, Vincent C. S. 2002. « A Case Study on the Integration of APS and ERP in a Steel
Processing Plant ». Production Planning & Control 13 (6): 552‑560.
doi:10.1080/09537280210160321.

179
Yager, Roland R., et Liping Liu, éd. 2008. Classic Works of the Dempster-Shafer Theory of Belief
Functions. Vol. 219. Studies in Fuzziness and Soft Computing. Berlin, Heidelberg:
Springer Berlin Heidelberg. doi:10.1007/978-3-540-44792-4.
Yan, B., X. Chen, Y. Liu, et C. Xia. 2019. « Replenishment decision and coordination contract
in cluster supply chain ». Industrial Management and Data Systems 119 (6): 1374‑1399.
doi:10.1108/IMDS-02-2019-0087.
You, Fengqi, John M. Wassick, et Ignacio E. Grossmann. 2009. « Risk Management for a Global
Supply Chain Planning under Uncertainty: Models and Algorithms ». AIChE Journal 55
(4): 931‑946. doi:10.1002/aic.11721.
Zadeh, L. A. 1978. « Fuzzy Sets as a Basis for a Theory of Possibility ». Fuzzy Sets and Systems 1
(1): 3‑28. doi:10.1016/0165-0114(78)90029-5.
Zadeh, Lotfi A. 1965. « Fuzzy sets ». Information and control 8 (3): 338‑353.
Zanjirani Farahani, Reza, Nasrin Asgari, et Hoda Davarzani, éd. 2009. Supply Chain and Logistics
in National, International and Governmental Environment. Contributions to Management
Science. Heidelberg: Physica-Verlag HD. doi:10.1007/978-3-7908-2156-7.
Zarghami, Seyed Ashkan, et Jantanee Dumrak. 2021. « Unearthing Vulnerability of Supply
Provision in Logistics Networks to the Black Swan Events: Applications of Entropy
Theory and Network Analysis ». Reliability Engineering & System Safety 215 (novembre):
107798. doi:10.1016/[Link].2021.107798.

180
LISTE DES FIGURES

Figure 1. Vue d'ensemble de la thèse................................................................................................... 6

Figure 2. Représentation d’une chaîne logistique ............................................................................ 11
Figure 3. Différents structures de la chaîne logistique (Mahmoudi et al. 2006) .......................... 12
Figure 4. « Maison de SCM » (Stadtler 2005) ................................................................................... 14
Figure 5. La matrice de la planification de la chaîne logistique (J. Rohde, Meyr, et Wagner 2000)et
positionnement du périmètre de la thèse ................................................................................. 17
Figure 6. Stratégie de production et délai de livraison (Chapman et Clive 2007) ....................... 19
Figure 7. Modèles du problème de dimensionnement des tailles de lots dans une stratégie Make-
To-Stock (Rota 1998; Drexl et Kimms 1997; Johnson et Montgomery 1999; Jans et
Degraeve 2008; Guillaume 2011; Mula et al. 2021) ................................................................ 20
Figure 8. Processus de planification et contrôle de production (PCP) dans (« APICS Dictionary,
16th Edition » 2021) ................................................................................................................... 22
Figure 9. Une chaîne de collaboration à deux niveaux ................................................................... 26
Figure 10. Collaboration multi-niveau............................................................................................... 26
Figure 11. Processus de planification collaborative basée sur un échange de plan (Stadtler et
Kilger 2008) .................................................................................................................................. 29
Figure 12. Planification à horizon glissant ........................................................................................ 31
Figure 13. Notions connexes des incertitudes et risques dans une SC......................................... 33
Figure 14. Illustration de l’effet ‘Bullwhip’ dans une chaine logistique ........................................ 35
Figure 15. Illustration des types de nervosité dans l’historique de planification à horizon glissant
de taille n=4 ................................................................................................................................. 36
Figure 16. ‘Co-occurrence map’ ......................................................................................................... 60
Figure 17. Évolution des mots clés des auteurs en planification tactique sous incertitude ....... 61
Figure 18. Analyse de la tendance des sujets par année .................................................................. 61
Figure 19. Mesures des performances d’une promesse de livraison (satisfaction, stabilité,
faisabilité, fiabilité)....................................................................................................................... 78
Figure 20. Processus de gestion des risques selon la norme (ISO 31000 :2018) ........................ 79
Figure 21. Arborescence d’évaluation de criticité des risques selon la norme (ISO 13849-1, 2008)
........................................................................................................................................................ 84
Figure 22. Arborescence d’évaluation de la robustesse et de la criticité des risques associés à un
plan ................................................................................................................................................ 85
Figure 23. Matrice des risques proposée ........................................................................................... 86

182
Liste des figures
Figure 24. Représentation des stratégies de mitigation des risques possibles sur la matrice des
risques ............................................................................................................................................ 87
Figure 25. Stratégies de réduction des risques et actions de planification et d'adaptation connexes
possibles ........................................................................................................................................ 87
Figure 26. Processus d’aide à la décision sur la plateforme d’aide à la replanification sous
incertitudes .................................................................................................................................... 89
Figure 27. Processus de négociation .................................................................................................. 90
Figure 28. Positionnement du chapitre 1 dans le cadre d’application de la démarche de gestion
des risques ..................................................................................................................................... 95
Figure 29. (a) Cas avec incertitude sur la demande dt. (b) Cas avec incertitude sur la demande
cumulée Dt (source : (Guillaume, Thierry, et Zieliński 2017)) .............................................. 97
Figure 30. Distribution de possibilité autour d’une quantité cumulée Qt .................................... 98
Figure 31. Illustrations des modèles (I1.H1 ; I1.H2 ; I2.H1 ; I2.H2 ; I3) du tableau 1 ............101
Figure 32. Plans cumulés pour produit P (Réceptions, demande totale, plan de livraison totale)
......................................................................................................................................................102
Figure 33. Plans cumulés de demande du CDL1 et CDL2 et les promesses de livraison du CDC
......................................................................................................................................................103
Figure 34. Distributions de possibilité générée à partir du modèle expert .................................103
Figure 35. Mesures des risques K1, K2 en fonction de la promesse cumulée de livraisons totales
à la période ..................................................................................................................................105
Figure 36. Mesures du risques K3 par client, en fonction de la promesse de livraison de chacun
......................................................................................................................................................106
Figure 37. Mesures du risques K4, en fonction de la promesse de livraison totale ..................106
Figure 38. Évaluation de la criticité du risque K4 associé au plan de livraison du produit P ..110
Figure 39. Risque K4 dans les quantité totale programmée sur l’horizon de planifcation .......110
Figure 40. Distribution rectangulaire de possibilité .......................................................................111
Figure 41. Caractérisation des risques à l’intersection des intervalles d’incertitudes de demande
et des réceptions .........................................................................................................................113
Figure 42. Caractérisation du risque K4 à l’intersection des intervalles des plans incertains ..116
Figure 43. Plan de livraison (X) par rapport les intervalles de demande du client CDL1 ........118
Figure 44. Plan de livraison (X) par rapport les intervalles de demande du client CDL1 ........118
Figure 45. Démarche expérimentale ................................................................................................123
Figure 46. Chaine logistique Pierre Fabre Dermo-Cosmétique ...................................................125
Figure 47. Aperçu du périmètre d’étude de PFDC ........................................................................126
Figure 48. Processus de planification collaborative (échange de plans) avec une coordination
mensuelle .....................................................................................................................................127
183
Figure 49. Les couples (produit* CDL) des données industrielles.............................................. 129
Figure 50. Structure du système d’aide à la replanification .......................................................... 131
Figure 51. Intégrabilité de la plateforme d’aide à la replanification ............................................ 132
Figure 52. Modèle de données de planification sous incertitudes (cf. chapitre IV, §2) ........... 133
Figure 53. Définition de la structure de la SC ................................................................................ 134
Figure 54. Affectation des rôles des décideurs............................................................................... 134
Figure 55. Configuration du modèle d’incertitudes ....................................................................... 135
Figure 56. Configuration du périmètre (produits) et des tolérances d’évaluation..................... 135
Figure 57. Matrice des risques .......................................................................................................... 136
Figure 58. Mesures des risques par période .................................................................................... 136
Figure 59. Plan de livraison VS plans flous des autres acteurs (interface d’édition) ................. 137
Figure 60. Allocation des modifications aux clients ...................................................................... 137
Figure 61. Alignement des plans déterministe ............................................................................... 138
Figure 62. Alertes des déviations par rapport les demandes et stratégies d’alignements ......... 138
Figure 63. Création des scénarios de décision................................................................................ 138
Figure 64. Interface de négociation ................................................................................................. 139
Figure 65. Dimensionnement du SC du Serious Game ................................................................ 140
Figure 66. Aperçu général du déroulement multi-utilisateurs du jeu sérieux ............................ 142
Figure 67. Scénario de génération des prévisions de ventes en horizon glissant ...................... 148
Figure 68. Interaction de l’émulateur ERP/ DRP et le simulateur de la stratégie de réduction de
gravité du risque ........................................................................................................................ 148
Figure 69. Illustration de l’impact de l’application de la stratégie de lissage pour réduction de
gravité sur l’arbre des risques (avant (rouge) et après l’application de la stratégie (vert))149
Figure 70. Étude de la nervosité des plans pour la stratégie S1, par produit: (a) P1, (b) P2, (c) P3
...................................................................................................................................................... 153
Figure 71. (A) Résultats d'évaluation de criticité des plans de livraison issus du DRP avant
traitement de risque au début des semaines de replanification. (B) Résultats d'évaluation de
criticité des plans de livraisons après le traitement du risque. ............................................ 153
Figure 72. Résultats comparaison des 2 stratégies en termes de stabilité et de fiabilité pour les 4
produits : (G1) P1, (G2) P2, (G3) P3,(G4) P4 ...................................................................... 155

184
LISTE DES TABLES

Tableau 1. Positionnement du contexte industriel .......................................................................... 45

Tableau 2. Critères de classification des travaux sur la planification sous incertitude de la SC 50
Tableau 3. Risques, incertitudes et événements connexes ............................................................. 82
Tableau 4. Les différentes applications possibles des informations d’un expert sur les quantités
cumulées d’un plan.................................................................................................................... 100
Tableau 5. Résultats de mesures des risques K1, K2, K4 et d’indicateurs agrégés d’évaluation
...................................................................................................................................................... 109
Tableau 6. Résultats de mesures du risque K4 ............................................................................... 116
Tableau 7. Résultats de mesures des écarts par rapport la combinaison optimiste et la
combinaison pessimiste ............................................................................................................ 117
Tableau 8. Scénario des caractéristiques des filiales ...................................................................... 140
Tableau 9. Scénario des caractéristiques des produits................................................................... 141
Tableau 10. Échelle de caractérisation du modèle d’incertitudes d’expert ................................ 146
Tableau 11. Scénario du modèle d’incertitude ............................................................................... 147
Tableau 12. Récapitulatif des indicateurs agrégés (moyennes) de performance des promesses de
livraison, par produit, sur l’horizon glissant pour les stratégies S1 (sans modélisation
incertitude) et S2 (avec réduction de gravité) ........................................................................ 155

186
RISKS AND ROBUSTNESS ASSESSMENT OF MASTER PLANS OF
INDEPENDENT ACTORS IN A SUPPLY CHAIN BASED ON A CLOUD
PLATFORM

Abstract :
The management of a multi-actor supply chain relies on a coordination pillar, which is essential to synchronize the
activities of all actors and ensure a good level of end customer service rate and expected performance.
Tactical planning of the supply chain is a particularly important decision-making level that aims to ensure the
synchronization of physical and information flows in the supply chain.
The different actors rely on planning information systems to improve their internal planning performance. They
rely on rolling planning and information sharing tools to periodically revise and align their plans to adapt to
uncertainties. However, over the rolling horizon, the instability due to periodic plan revisions and the effects of
uncertainties are amplified along the supply chain (bullwhip effect) and increase the nervousness of the system.
However, deterministic decision support systems remain limited in their ability to manage these uncertainties. Thus,
the decision-maker is often exposed to a stability-reactivity dilemma in his decision making regarding the
uncertainties.
In the literature, different approaches are proposed for the management of uncertainties in tactical planning.
However, the gap between research and industrial practices in this field remains very important in the absence of
analysis of the applicability of the proposed theoretical models, whether in terms of considering the complexity of
the industrial environment or the number of sources of uncertainty considered or the involvement of the decision-
maker in the decision-making process. In order to overcome these limitations while considering that decision
makers always exchange deterministic plans generated with existing planning tools, this thesis describes a proposal
for a replanning support system for a planner at the central distribution level of a supply chain.
Thus, this thesis deals with the following three aspects: 1/ Integrate the knowledge of an expert on the variability
of the cumulative plans of other actors. 2/ Integrate this knowledge for uncertainty modeling and risk assessment
and robustness of a decision maker's deterministic plans. 3/ Study the applicability of the proposed approach in a
real dynamic industrial environment by considering the independence of the decision maker in the decision making.
A methodological contribution of this thesis lies in the adaptation of a risk management methodology from their
identification and modeling of uncertainties to the evaluation of their criticality and the mitigation of their impact.
A theoretical contribution is based on the proposal of a quantitative approach, based on fuzzy sets and possibility
theory, for the evaluation of the robustness of a decision-maker's plans, regarding the risks linked to the respect of
the constraints induced by the decisions of his upstream supplier (supplies) and his downstream customers
(demand). A practical contribution concerns the implementation of an interactive cloud platform for decision
support integrating the main functionalities of the decision support system based on the proposed approach:
dynamic database, interactive interfaces, different levels of evaluation aggregation, collaboration and configuration.
Finally, a 'Serious Game' is elaborated from the analysis of the processes of an industrial case PFDC (Pierre Fabre
Dermo-Cosmetics) and used as proof of concept in a dynamic context.

Keywords: Supply chain, Uncertainty, Tactical planning, Risk management, Robustness, Fuzzy sets, Possibility theory,
Decision support system.
ÉVALUATION DES RISQUES ET DE LA ROBUSTESSE DE LA
PLANIFICATION TACTIQUE DES ACTEURS D’UNE CHAINE
LOGISTIQUE BASEE SUR UNE PLATEFORME CLOUD

Résumé :
La gestion d'une chaîne logistique multi-acteurs repose sur un pilier de coordination, essentiel pour synchroniser
les activités de tous les acteurs et assurer un bon niveau de taux de service du client final et des performances
attendues.
La planification tactique de la chaîne logistique est un niveau de décision particulièrement important qui vise à
assurer la synchronisation des flux physiques et d'informations dans la chaîne. Les différents acteurs s'appuient sur
des systèmes d'information de planification pour améliorer leurs performances de planification interne. Ils
s’appuient sur la planification à horizon glissant et les outils de partage d'informations pour réviser et aligner
périodiquement leurs plans afin de s'adapter face aux incertitudes. Cependant, sur l'horizon glissant, l'instabilité due
aux révisions périodiques des plans et les effets des incertitudes sont amplifiés le long de la chaîne (effet bullwhip)
et accroissent la nervosité du système. Les systèmes d'aide à la décision déterministes restent toutefois restreints
pour la gestion de ces incertitudes. Ainsi, le décideur est souvent confronté à un dilemme stabilité-réactivité dans
sa prise de décision face aux incertitudes.
Dans la littérature, différentes approches sont proposées pour la gestion des incertitudes dans la planification
tactique. Cependant, l'écart entre la recherche et la pratique industrielle dans ce domaine reste très important en
absence d'analyse de l'applicabilité des modèles théoriques proposés, que ce soit au niveau de la prise en compte
de la complexité de l'environnement industriel ou du nombre de sources d'incertitude considérées ou encore de
l'implication du décideur dans le processus de prise de décision. En vue de surmonter ces limitations et tout en
considérant que les décideurs échangent toujours des plans déterministes générés avec les outils de planification
existants, cette thèse décrit une proposition de système d'aide à la replanification pour un planificateur au niveau
de la distribution centrale d'une chaine logistique.
Ainsi, cette thèse traite des trois aspects suivants : 1/ Intégrer la connaissance d'un expert sur la variabilité des plans
cumulés des autres acteurs. 2/ Intégrer cette connaissance pour la modélisation de l'incertitude et l'évaluation des
risques et de la robustesse des plans déterministes d'un décideur. 3/ Étudier l'applicabilité de l’approche proposée
dans un environnement industriel dynamique réel en considérant l'indépendance du décideur dans la prise de
décision.
Un apport méthodologique de cette thèse réside dans l'adaptation d'une méthodologie de gestion des risques depuis
leur identification et la modélisation des incertitudes jusqu'à l'évaluation de leur criticité et la mitigation de leur
impact. Un apport théorique repose sur la proposition d'une approche quantitative, basée sur les ensembles flous
et la théorie des possibilités, pour l'évaluation de la robustesse des plans d'un décideur, au regard des risques liés au
respect des contraintes induites par les décisions de son fournisseur en amont (approvisionnements) et de ses
clients en aval (demande). Un apport pratique concerne la mise en œuvre d'une plateforme cloud interactive d'aide
à la décision intégrant les principales fonctionnalités du système d'aide à la décision basé sur l'approche proposée :
base de données dynamique, interfaces interactives, différents niveaux d'agrégation des évaluations, collaboration
et configuration.
Enfin, un 'Serious Game' est élaboré à partir de l'analyse des processus d’un cas industriel PFDC (Pierre Fabre
Dermo-Cosmétique) et utilisé comme preuve de concept dans un contexte dynamique.

Mots clés : Chaîne logistique, Incertitude, Planification tactique, Gestion de risque, Robustesse, Ensembles flous, Théorie
de possibilité, Système d’aide à la décision.