Définition, gestion et structure d’une chaîne d’approvisionnement 

Quoi que le terme soit relativement récent, les problématiques liées à la chaine d’approvisionnement, ne le sont pas. C’est depuis peu que nous nous intéressons à la gestion des matières dans un ensemble intégré de fonctions comprenant toutes les activités allant de l’acquisition des matières premières jusqu’à l’expédition du produit au client final. Ainsi, le terme « gestion des chaînes d’approvisionnement » a émergé à la fin des années 80 et continu de prendre de l’intérêt dans la littérature. Voyons différentes définitions provenant de plusieurs auteurs.

D’abord, Nahmias (2001) caractérise une chaine d’approvisionnement comme un réseau d’installations qui accompli les tâches d’approvisionnement des matières premières, de transformation des intrants en produits finis et de distribution de ces produits vers les revendeurs ou directement aux clients. Ces installations, étant la propriété d’entreprises distinctes, sont des usines de transformation, des centres de distribution et des entrepôts de produits. Ainsi, une bonne gestion des chaînes d’approvisionnement améliore l’efficacité des activités et augmente sa compétitivité par le partage de l’information et l’intégration de la planification.

Selon Simchi-levi et al. (1999), la gestion des chaînes d’approvisionnement est défini comme un ensemble d’approches utilisées pour intégrer efficacement les fournisseurs, manufacturiers, entrepôts et magasins à l’intérieur desquels la marchandise est produite et distribuée de la bonne quantité, à la bonne installation, au bon moment pour minimiser le coût global du système tout en satisfaisant le niveau de service requis.

Quant à Henkoff (1994), il ne fait pas de différence entre distribution, logistique ou gestion des chaînes d’approvisionnement. Il définit simplement ce procédé par lequel les entreprises acheminent du matériel, des composants et des produits aux clients de façon à développer des avantages compétitifs sur la qualité et les coûts.

Conséquemment, l’ensemble des relations entre les entreprises définissent la structure d’une chaîne d’approvisionnement. De façon générique, une structure dite convergente lorsque l’ensemble des nœuds en amont converge vers un seul point. On retrouve un agencement de type divergent ou arborescent lorsque chaque nœud d’un réseau a au plus un prédécesseur. La troisième disposition, dite conjointe, est une combinaison de la structure divergente et convergente, joint par un seul nœud. Finalement, il existe le réseau de type général où la structure n’appartient pas à aucune des trois catégories précédentes (Beamon et al. 2001 ).

Fonctions et défis de la logistique

Les fonctions de la logistique sont représentées par les activités de planification, d’organisation et de contrôle des flux de matière première, produits en cours et produits finis, des points d’origine aux points de consommation. Dans ce sens, la logistique est l’art de s’assurer que les bons articles, les bonnes personnes et les bonnes informations soient disponibles à l’endroit et au moment voulus.

Les défis actuels en logistique sont caractérisés par des produits ayant des cycles de vie de plus en plus courts. Ces produits sont de plus en plus personnalisés pour des clients de plus en plus exigeants. Au niveau des entreprises, leur structure réduit leur intégration verticale et se focalise sur leurs compétences distinctives. Conséquemment, dans une économie de globalisation, la difficulté est d’éllaborer une stratégie différente de celles des concurrents.

Définition général d’un modèle 

La résolution des problématiques en logistique fait souvent appel à l’utilisation de modèles. Les outils d’analyse et de décision en planification sont des modèles de prévision, des modèles statistiques d’analyse des coûts et d’utilisation des capacités, la simulation et l’optimisation par des méthodes exactes ou des méthodes heuristiques. Dans les entreprises, les modèles sont de plus en plus synonymes de planification au niveau exécutif (Gould et al., 1991). Cependant, aucun modèle ne peut garantir d’offrir la meilleure décision puisqu’il représente une approximation sélective et symbolique de la réalité.

Ainsi, un des aspects importants des modèles mathématiques sont les contraintes exprimées et intégrées au modèle. Elles représentent un ensemble de restrictions modélisées dans un problème bien particulier. Dans les sections qui suivent, il sera question des modèles de programmation mathématique, de simulation et de planification d’expériences.

Programmation stochastique 

À partir d’études sur les procédés industriels, il est apparu que le caractère stochastique est présent dans la conception des réseaux manufacturiers. On retrouve ce phénomène dans la variabilité des délais d’approvisionnement (Artnzen et al., 1995), la fiabilité des fournisseurs (Vidal et al., 1996) et la fluctuation de la demande (Cohen et al., 1993) et du niveau de service (Pyke et al., 1993).

Lorsque le temps est un facteur influent dans le comportement du procédé, on se retrouve dans la situation où l’état probable d’une variable est en fonction du temps, les chaînes de Markov permettent de considérer ces aspects (Gershwin 2002). Utilisant les chaînes de Markov, Cohen et al. (1988) décompose une chaîne d’approvionnement en quatre sous-modèles représentant le contrôle d’inventaire, le contrôle de la production, la politique de commande et la détermination des lots économiques.

Simulation

Pour différentes applications, des méthodes dites hybrides combinent la programmation mathématique à la simulation d’événements discrets. Pyke et al. (1993) ont développé un modèle de simulation permettant de valider la précision de la programmation stochastique.

Ainsi, la simulation par événements discrets est le procédé de modélisation logique d’un système réel pour effectuer des expérimentations, généralement sur support informatique. Ces expériences permettent d’en extraire des mesures de performance dynamique sans pour autant créer un réseau manufacturier réel ou en perturber un existant {Pritsker et al., 1999). La combinaison des valeurs de l’ensemble des variables de décisions représente un état donné et leurs manipulations simulent les différentes possibilités. Dans ce sens, des analyses de sensibilité donnent lieu à la description du comportement dynamique d’un système.

En outre, quand l’objectif est d’analyser des décisions sous des conditions incertaines, la méthode Monte Carlo permet de représenter le comportement de certains facteurs avec des distributions de probabilité. Une simulation Monte Carlo utilise des nombres aléatoires distribués selon une distribution uniforme U(O, 1). Les nombres sont dits pseudo-aléatoires puisqu’ils sont générés à partir d’un algorithme récursif. Cette technique résout des problèmes de nature stochastique où le passage du temps n’a pas d’influence (Law et al., 1991 ). On retrouve également ce type de résolution dans certains problèmes statistiques qui n’ont pas de solution analytique. Par exemple, pour déterminer les valeurs critiques du test de normalité de Kolmogorov-Smirnov.

En somme, la simulation informatique fait partie de l’ensemble des outils à la disposition des concepteurs. Elle est souvent utilisée comme outil de conception ou d’aide à la prise de décision dans plusieurs entreprises.