Etude Empirique sur les perturbations dans le contexte e-détaillant

Comme mentionné dans le chapitre précédent, la communauté scientifique s’est principalement concentrée sur les perturbations en gestion des stocks dans le contexte détaillant. Ce constat reste vrai quand il s’agit d’études empiriques mettant en évidence et mesurant l’impact de ces perturbations sur la chaine logistique. A notre connaissance, aucune étude empirique ne s’est focalisée sur le contexte e-détaillant. Nous proposons dans ce chapitre de motiver empiriquement la contribution théorique de ce mémoire en prouvant l’existence, et en en mesurant l’ampleur, des perturbations dans le contexte e-détaillant. Nous basons notre étude empirique sur une entreprise britannique spécialisée dans la vente à distance en gros de pièces détachées pour les machines industrielles de chauffage et de climatisation. Pour des raisons de confidentialité, nous ne donnons qu’une présentation succincte de cette entreprise : Fondée en 1985, l’entreprise s’est construit une forte réputation pour la qualité, le service et la fiabilité de ses produits. L’entreprise offre une large gamme de produits (valves de plomberie et de chauffage, produits d’énergie renouvelable et pompes). Ils offrent aussi des services dans la construction, la mécanique, le chauffage, la ventilation et la chimie. Le fichier initial, sur lequel nous avons travaillé contenait 26446 lignes de données sur les informations dans le IS concernant la gestion de stock de l’entreprise sur deux années, avec des informations sur :

Dans notre analyse le terme ajustement désigne une correction des quantités dans le stock IS (produits retrouvés, produits volés..) et donc correspond à la correction des perturbations dans le IS. Dans ce fichier il existait plus de 3000 références de produits et il recensait toutes les transactions durant deux années. Pour chaque ajustement et pour chaque référence le gestionnaire des stocks a indiqué les raisons de ces corrections. En se basant sur les raisons des perturbations données par le gestionnaire nous avons pu déduire sept grandes familles de perturbations que nous avons essayé de lier avec la classification de la communauté scientifique fournie dans la section précédente : Perturbations de transaction : perturbations faites par des opérateurs lors de la réception auprès des fournisseurs ou l’envoie des commandes aux clients, dans ces perturbations nous trouvons les rectifications de certaines quantités mal indiquées et aussi les perturbations commises par l’opérateur en imputant une quantité à un autre produit. Le mot clé utilisé pour distinguer ces perturbations est « Incorrect ». Ces perturbations peuvent être négatives comme positives.

La dernière famille concerne les perturbations pour lesquelles aucune cause n’est spécifiée dans le fichier des données empirique. Cette famille est référencée avec le mot clé « Others », aucune justification n’est donnée suite à l’ajustement. Nous avons inclus dans cette famille les ajustements expliqués par des termes techniques propre à l’entreprise qui n’ont pas de lien apparent avec la gestion des flux. Il est à noter que nos données empiriques dans un contexte e-détaillant font mention des mêmes sources que celles mentionnées dans la littérature scientifique et empirique principalement concernée par le contexte détaillant : la famille Damage est à lier avec les perturbations permanentes, la famille Misplacement avec les perturbations temporaires, la famille Incorrect avec les perturbations de transaction et Supplier_error est à lier avec la famille fournisseurs non fiable. Le Tableau 2.1 représente la moyenne et l’écart-type des quantités d’ajustements pour chaque famille. Dans ce tableau nous pouvons constater que l’écart-type de la famille Incorrect est très élevé et ceci est dû à une faute singulière découverte dans nos analyses des données empiriques : au lieu d’introduire une réception de 30 pièces, un opérateur a introduit 3800 pièces dans le IS, ce qui fait un très grand écart. L’autre famille qui a une moyenne et un écart-type des quantités très grandes est la famille Others : ceci s’explique par un très grand nombre de cellules vides dans les causes des ajustements avec aucune justification donnée pour expliquer l’ajustement (40% des lignes). La figure 2.1 présente le nombre d’occurrence de famille, on remarque que hormis la famille Others (qui est due aux cellules vides), les autres familles sont présentes en grand nombre dans le fichier de nos données empiriques : l’entreprise étudiée fait donc bien face à un problème non négligeable impliquant des perturbations en gestion des stocks.