Dans le cadre du DDMRP (Demand Driven Material Requirements Planning), l’ADU (Average Daily Usage), ou consommation moyenne journalière, est un indicateur crucial pour piloter efficacement vos stocks. Il représente la quantité moyenne d’un article consommée ou vendue chaque jour, et sert de base au calcul des tampons, ces stocks de sécurité qui permettent d’absorber les variations de la demande.

L’étude de Vallés Fuster (2023) souligne l’importance d’une ADU précise pour garantir la performance du DDMRP. Une ADU erronée peut en effet entraîner des ruptures de stock ou des surstocks, avec des conséquences négatives sur le niveau de service et les coûts.

Cet article explore les différentes méthodes de calcul de l’ADU, les bonnes pratiques pour optimiser sa précision et son rôle dans le dimensionnement des tampons DDMRP.

Calcul de l’Average Daily Usage (ADU) : méthodes et bonnes pratiques

L’ADU peut être calculée de différentes manières, en fonction des données disponibles et des caractéristiques de la demande. Vallés Fuster (2023) présente dans son étude les méthodes les plus courantes, que nous allons détailler ici.

L’ADU basée sur les données historiques : avantages, limites et pièges à éviter

La méthode la plus simple consiste à calculer l’ADU à partir des données historiques de consommation ou de vente. Il s’agit de prendre la quantité totale d’un article consommée sur une période donnée (par exemple, les 12 derniers mois) et de la diviser par le nombre de jours de cette période.

Avantages:

  • Facile à mettre en œuvre
  • Données généralement disponibles dans les systèmes d’information

Limites:

  • Ne prend pas en compte les tendances et les saisonnalités de la demande
  • Peut être biaisée par des événements exceptionnels du passé

Pièges à éviter:

  • Choisir une période d’historique trop courte ou trop longue
  • Ne pas tenir compte des variations de la demande au sein de la période d’historique

L’ADU basée sur les prévisions de la demande : comment intégrer les tendances et les saisonnalités ?

Pour une meilleure prise en compte des variations de la demande, il est possible de calculer l’ADU à partir des prévisions de la demande. Ces prévisions peuvent être obtenues à l’aide de différentes méthodes, comme l’analyse des tendances, les modèles statistiques ou les algorithmes de machine learning.

Avantages:

  • Permet d’intégrer les tendances et les saisonnalités de la demande
  • Offre une meilleure anticipation des variations futures de la demande

Limites:

  • La précision des prévisions dépend de la qualité des données et de la méthode utilisée
  • Nécessite des compétences en prévision de la demande

Comment intégrer les tendances et les saisonnalités ?

  • Utiliser des modèles de prévision prenant en compte les tendances et les saisonnalités
  • Ajuster les prévisions en fonction des événements exceptionnels prévus (promotions, lancements de produits…)

L’ADU mixte : combiner les données historiques et les prévisions pour une meilleure précision

Une approche mixte consiste à combiner les données historiques et les prévisions de la demande pour calculer l’ADU. Cela permet de bénéficier des avantages des deux méthodes et d’améliorer la précision du calcul.

Avantages:

  • Combine les avantages des deux méthodes précédentes
  • Permet de pondérer l’importance des données historiques et des prévisions

Limites:

  • Plus complexe à mettre en œuvre
  • Nécessite de définir des règles de pondération

Choisir la méthode de calcul la plus adaptée à votre contexte et à vos données

Le choix de la méthode de calcul de l’ADU dépend de plusieurs facteurs :

  • La disponibilité des données
  • La nature de la demande (stable, variable, saisonnière…)
  • Les compétences en prévision de la demande
  • Le niveau de précision souhaité

Il est important de choisir la méthode la plus adaptée à votre contexte et à vos données pour garantir la performance du DDMRP.

l’Average Daily Usage (ADU) et le dimensionnement des tampons DDMRP

Rappel du rôle des tampons dans le DDMRP

Comme nous l’avons vu dans l’article précédent, le DDMRP repose sur la mise en place de « tampons » (buffers) à des points stratégiques de la chaîne logistique, appelés points de découplage. Ces tampons, constitués de stocks de sécurité, ont pour objectif d’absorber les variations de la demande et des délais d’approvisionnement, et ainsi de protéger le système contre les ruptures de stock.

Comment l’ADU influence le calcul de la taille des tampons (zone rouge, jaune, verte) ?

L’ADU est un élément essentiel du calcul de la taille des tampons. En effet, elle permet de déterminer la quantité de stock nécessaire pour couvrir la demande moyenne pendant une période donnée.

Le DDMRP utilise un système de zones de couleur (rouge, jaune, verte) pour visualiser l’état des tampons et faciliter la prise de décision :

  • Zone verte: Le stock est suffisant pour couvrir la demande prévue. Aucune action particulière n’est nécessaire.
  • Zone jaune: Le stock est en baisse et approche du niveau de sécurité. Il est temps de surveiller la situation et de préparer un réapprovisionnement.
  • Zone rouge: Le stock est insuffisant et il y a un risque de rupture. Un réapprovisionnement urgent est nécessaire.

La taille de chaque zone est déterminée en fonction de l’ADU, de la variabilité de la demande et des délais d’approvisionnement. Plus l’ADU est élevée, plus la zone verte sera importante. De même, plus la variabilité de la demande et les délais d’approvisionnement sont importants, plus les zones jaune et rouge seront larges.

L’importance d’une ADU précise pour éviter les ruptures de stock et les surstocks

Une ADU précise est cruciale pour un dimensionnement optimal des tampons.

  • Une ADU sous-estimée entraînera des tampons trop petits, augmentant le risque de rupture de stock et de perturbation de la chaîne logistique.
  • Une ADU surestimée entraînera des tampons trop importants, générant des surstocks, des coûts de stockage inutiles et un risque d’obsolescence.

Vallés Fuster (2023) insiste sur la nécessité de mettre en place des processus robustes pour collecter des données fiables et calculer l’ADU avec précision. L’utilisation d’outils de prévision de la demande et d’analyse des données peut aider à améliorer la précision de l’ADU et à optimiser le dimensionnement des tampons.

Ajuster l’Average Daily Usage (ADU) en fonction des variations de la demande

L’ADU n’est pas un indicateur statique. Elle doit être ajustée régulièrement pour refléter les variations de la demande et garantir la performance du DDMRP.

Identifier les facteurs influençant la demande (saisonnalité, promotions, événements…)

La demande peut être influencée par de nombreux facteurs, notamment :

  • La saisonnalité: certains produits ont une demande plus forte à certaines périodes de l’année (ex: les maillots de bain en été).
  • Les promotions: les offres promotionnelles peuvent entraîner une augmentation significative de la demande.
  • Les événements: les événements sportifs, culturels ou économiques peuvent influencer la demande de certains produits (ex: les téléviseurs pendant la Coupe du Monde).
  • Les lancements de nouveaux produits: le lancement d’un nouveau produit peut entraîner une augmentation de la demande pour ce produit et une baisse de la demande pour les produits concurrents.
  • Les tendances du marché: les tendances de consommation peuvent influencer la demande à long terme (ex: la demande croissante pour les produits bio).

Il est important d’identifier les facteurs qui influencent la demande de vos produits afin d’anticiper les variations de l’ADU et d’ajuster les paramètres du DDMRP en conséquence.

Mettre en place un système de surveillance et d’alerte pour détecter les variations de l’ADU

Un système de surveillance de la demande est essentiel pour détecter les variations de l’ADU et réagir rapidement. Ce système peut s’appuyer sur :

  • Des indicateurs clés: suivre l’évolution des ventes, des commandes et des prévisions de la demande.
  • Des tableaux de bord: visualiser les tendances et les variations de l’ADU.
  • Des alertes: être informé en temps réel des variations significatives de l’ADU.

Ajuster l’ADU en temps réel pour maintenir des niveaux de stock optimaux

Lorsque des variations significatives de l’ADU sont détectées, il est nécessaire d’ajuster les paramètres du DDMRP, notamment la taille des tampons, pour maintenir des niveaux de stock optimaux.

Exemples d’ajustements:

  • Augmenter la taille des tampons en cas de forte augmentation de la demande ou d’allongement des délais d’approvisionnement.
  • Diminuer la taille des tampons en cas de baisse de la demande ou de raccourcissement des délais d’approvisionnement.
  • Modifier les points de commande pour anticiper les variations de la demande.

L’ajustement de l’ADU et des paramètres du DDMRP doit être réalisé de manière proactive et dynamique pour garantir la performance de la supply chain.

L’Average Daily Usage  est un indicateur fondamental dans la mise en œuvre du DDMRP. Sa précision est essentielle pour dimensionner correctement les tampons, ces stocks de sécurité qui permettent d’absorber les fluctuations de la demande et de garantir une supply chain performante.

Comme nous l’avons vu, le calcul de l’ADU peut s’appuyer sur différentes méthodes, qu’il convient de choisir en fonction du contexte et des données disponibles. Il est crucial de surveiller l’évolution de l’ADU et de l’ajuster en fonction des variations de la demande, afin de maintenir des niveaux de stock optimaux et d’éviter les ruptures ou les surstocks.

Conseils pour une utilisation efficace de l’ADU dans la gestion des stocks

  • Collectez des données fiables sur votre consommation ou vos ventes.
  • Choisissez la méthode de calcul de l’ADU la plus adaptée à votre contexte.
  • Mettez en place un système de surveillance pour détecter les variations de l’ADU.
  • Ajustez l’ADU et les paramètres du DDMRP de manière proactive.
  • Utilisez des outils d’analyse et de prévision pour améliorer la précision de l’ADU.

Perspectives d’évolution de l’ADU avec l’intelligence artificielle et le machine learning

L’intelligence artificielle et le machine learning offrent de nouvelles perspectives pour optimiser le calcul et le suivi de l’ADU. Des algorithmes sophistiqués peuvent analyser de grandes quantités de données et identifier des tendances et des patterns complexes, permettant ainsi d’améliorer la précision des prévisions et d’ajuster l’ADU de manière plus fine et plus dynamique.

Pour aller plus loin :