Le processus d'achat et approvisionnement travail réalisé par : Aboubakr MOUBARAK et Youssef ELMOUKKADEM, licence professionnelle logistique industrielle à l'école supérieure de technologie de FES en 2014/2015
Le processus d'achat et approvisionnement travail réalisé par : Aboubakr MOUBARAK et Youssef ELMOUKKADEM, licence professionnelle logistique industrielle à l'école supérieure de technologie de FES en 2014/2015
1 gestion des approvisionnements et des stocks niss-gueNissrine GUELFOUT
Cours simplifié pour les techniciens Achats en première année après le bac ou étude professionnel, permet d'avoir une vision macro, méthode de classification ABC, calcul MRP, dimensionnement des lots... et les types de stockages liés aux différents entrepôts
Rapport projet de fin d'études: Elaboration d’un tableau de bord et politique...Ayoub Minen
Bonjour,
Voici le rapport pfe qui traite comme sujet l’élaboration d’un tableau de bord et politique d’approvisionnement Min-Max pour le magasin général PMP (PAKISTAN MAROC PHOSPHORE, OCP Jorf Lasfar)
Documents sur l'optimisation de la plate-forme logistique et la gestion des entrepôts logistiques particuliers et la performance logistique
C'un document mémoire sur le théme logistique
De distribution et logistique d'entrepôts et plateformes logistique Et logiciel logistique de gestion d'entrepôts warehouse management entrepot et la méthodologie et démarche de gestion d'entrepôts entreposage..
Le DMAIC est une méthode de conduite de projet d’amélioration par percée des processus. Apparue il y a environ une trentaine d’années et aujourd’hui en plein essor dans les entreprises, elle permet d’obtenir des résultats spectaculaires. Quels sont ses secrets ?
Sommaire :
• Les fondamentaux du Lean et du 6 Sigma, l’association de ces 2 approches
• Les phases du DMAIC, leurs petits secrets…
• Des stats, mais pas trop !
• Pourquoi ça marche
• Comment réussir son projet DMAIC
Retrouvez le replay de cette web-conférence sur notre chaîne Youtube : http://buff.ly/2kWIQWD
Logistique : Ensemble des opérations et des supports nécessaires à la gestion des flux physiques, financiers et d'information sur l'ensemble de la chaîne de l'offre (ou de la communication).
Introduction
Chapitre I:définition et objectifs du diagnostic
section 1 : définition et différence entre audit et diagnostic
section 2 :les objectifs du diagnostic logistique
Chapitre II :les phases et actions d’un diagnostic
section 1: les différents phases d’un diagnostic
Section 2: les actions
Chapitre III: La réalisation d’un diagnostic
section 1: les cas exigeant la réalisation du diagnostic
Section 2: les pièges à éviter lors d’un diagnostic
Conclusion
1 gestion des approvisionnements et des stocks niss-gueNissrine GUELFOUT
Cours simplifié pour les techniciens Achats en première année après le bac ou étude professionnel, permet d'avoir une vision macro, méthode de classification ABC, calcul MRP, dimensionnement des lots... et les types de stockages liés aux différents entrepôts
Rapport projet de fin d'études: Elaboration d’un tableau de bord et politique...Ayoub Minen
Bonjour,
Voici le rapport pfe qui traite comme sujet l’élaboration d’un tableau de bord et politique d’approvisionnement Min-Max pour le magasin général PMP (PAKISTAN MAROC PHOSPHORE, OCP Jorf Lasfar)
Documents sur l'optimisation de la plate-forme logistique et la gestion des entrepôts logistiques particuliers et la performance logistique
C'un document mémoire sur le théme logistique
De distribution et logistique d'entrepôts et plateformes logistique Et logiciel logistique de gestion d'entrepôts warehouse management entrepot et la méthodologie et démarche de gestion d'entrepôts entreposage..
Le DMAIC est une méthode de conduite de projet d’amélioration par percée des processus. Apparue il y a environ une trentaine d’années et aujourd’hui en plein essor dans les entreprises, elle permet d’obtenir des résultats spectaculaires. Quels sont ses secrets ?
Sommaire :
• Les fondamentaux du Lean et du 6 Sigma, l’association de ces 2 approches
• Les phases du DMAIC, leurs petits secrets…
• Des stats, mais pas trop !
• Pourquoi ça marche
• Comment réussir son projet DMAIC
Retrouvez le replay de cette web-conférence sur notre chaîne Youtube : http://buff.ly/2kWIQWD
Logistique : Ensemble des opérations et des supports nécessaires à la gestion des flux physiques, financiers et d'information sur l'ensemble de la chaîne de l'offre (ou de la communication).
Introduction
Chapitre I:définition et objectifs du diagnostic
section 1 : définition et différence entre audit et diagnostic
section 2 :les objectifs du diagnostic logistique
Chapitre II :les phases et actions d’un diagnostic
section 1: les différents phases d’un diagnostic
Section 2: les actions
Chapitre III: La réalisation d’un diagnostic
section 1: les cas exigeant la réalisation du diagnostic
Section 2: les pièges à éviter lors d’un diagnostic
Conclusion
présentation six sigma uptraining françaissimon leclercq
Présentation de la méthode 6 sigma. Avec la démarche DMAIC résolvez tous vos problèmes complexes et boostez la productivité de votre entreprise. Lean Six Sigma est une méthodologie de résolution de problème pour réduire la variabilité d'un processus et supprimer les gaspillages.
Simon leclercq. www.uptraining.fr
Alternative - Complément au Tramway et 3ème lien de la ville de Québec Daniel Bedard
An update of this presentation has been done with Slide 16 that has been updated and 17 has been added, only.
Cette présentation a été ajournée avec la diapo 16 qui a été modifié et la 17 qui a été ajouté.
Voir ici
https://www.slideshare.net/slideshow/alternative-au-tramway-de-la-ville-de-quebec-rev1-sum-pdf/269691794
CDPQ Infra dévoile un plan de mobilité de 15 G$ sur 15 ans pour la région de Québec. Une alternative plus économique et rapide, ne serait-elle pas posssible?
- Valoriser les infrastructures ferroviaires du CN, en créant un Réseau Express Métropolitain (REM) plutôt qu'un nouveau tramway ou une combinaison des 2.
- Optimiser l'utilisation des rails pour un transport combiné des marchandises et des personnes, en accordant une priorité aux déplacements des personnes aux heures de pointes.
- Intégrer un téléphérique transrives comme 3ème lien urbain dédiés aux piétons et cyclistes avec correspondance avec le REM.
- Le 3 ème lien routier est repensé en intégrant un tunnel routier qui se prolonge avec le nouveau pont de l'Île d'Orléans et quelques réaménagemet de ses chausées.
https://www.linkedin.com/in/bedarddaniel/
English:
CDPQ Infra unveils a $15 billion, 15-year mobility plan for the Quebec region. Wouldn't a more economical and faster alternative be possible?
Leverage CN's railway infrastructure by creating a Metropolitan Express Network (REM) instead of a new tramway or a combination of both.
Optimize the use of rails for combined freight and passenger transport, giving priority to passenger travel during peak hours.
Integrate a cross-river cable car as a third urban link dedicated to pedestrians and cyclists, with connections to the REM.
Rethink the third road link by integrating a road tunnel that extends with the new Île d'Orléans bridge and some reconfiguration of its lanes.
https://www.linkedin.com/in/bedarddaniel/
3. Importance de la prévision
• Au niveau stratégique : Pour orienter les
activités futures de l’entreprise.
• Au niveau tactique : Etude de la demande
sur un horizon plus court.
Généralités
4. Facteurs influents
• Le cycle de vie d’un produit
• Le statut de l’économie
• Autres facteurs
Généralités
5. Facteurs influents
1
2
3
4
5
D e m a n d e s
T e m p s
2 - Mise3 à- lC’erossisasi aent cien tdroe dlau cdteiomnande (compétition)
Généralités
1 - Développement
4 - Stabilité de la demande
(saturation du marché)
5 - Disparition
6. Facteurs influents
• Le statut de l'économie
Inflation, récession, redressement, …
• Autres facteurs
Période de l'année, état d'esprit du consommateur,
etc...
Généralités
7. Paramètres de la prévision
• Horizon de prévision : Période pour laquelle
on effectue une prévision.
– Court terme : de quelques semaines à quelques mois.
– Moyen terme : 6 mois à 1 an.
– Long terme : de 3 à 5 ans.
• Fréquence de prévision : Tout les combien de
temps la prévision est remise à jour.
– Journalière, hebdomadaire, mensuelle, ...
Généralités
9. Types de méthodes
• Méthodes qualitatives
Elles n’utilisent pas les modèles mathématiques
et font appel aux opinions des personnes
concernées.
• Méthodes quantitatives
Elles sont basées sur des modèles mathématiques.
Panorama des méthodes de prévision
10. Méthodes qualitatives
Avis des commerciaux :
Chaque commercial évalue les ventes dans son
territoire.
==> Avantages : Méthode facile à mettre en oeuvre et
intéressante pour le lancement d'un nouveau produit.
==> Inconvénients : Elle dépend d’opinions pouvant
être biaisées par des objectifs.
Panorama des méthodes de prévision
11. Méthodes qualitatives
Jury de cadres :
Les avis d'un groupe de cadre sont regroupés en une
seule estimation.
==> Avantages : Permet d'obtenir une prévision en un
temps relativement court en considérant de
nombreux point de vue (de secteurs différents).
==> Inconvénients : Elle peut conduire à des résultats
biaisés par des attitudes individuelles.
Panorama des méthodes de prévision
12. Méthodes qualitatives
Sondages :
Les avis de personnes extérieures à l’entreprise (et en
particulier les clients présents ou potentiels) sont pris
en compte.
==> Avantages : Permet d’apprendre le mode de
pensée et les attentes des clients.
Peut être utilisée pour développer un nouveau produit
ou améliorer la qualité d'un produit existant.
==> Inconvénients : Méthode coûteuse en temps en en
personnes.
Panorama des méthodes de prévision
13. Méthodes qualitatives
Méthode Delphi :
Méthode systématique qui permet d'avoir un
consensus à partir de réponses d’experts.
==> Avantages : Permet de diminuer le biais sur
l’estimation.
==> Inconvénients : Coût élevé et concerne
essentiellement les prévisions à long terme.
Panorama des méthodes de prévision
14. Méthodes quantitatives
Historique
jusqu’à N
Recherche des
caractéristiques
de cet historique
Calculs des
prévisions
pour N+1
Prévision
des moyens
de production
Demande
observée
de N+1
Remise en
cause
du modèle
Mesure
d’erreur
Panorama des méthodes de prévision
16. Série chronologique
Une série chronologique correspond à
l’historique des ventes passées dont on
dispose.
C’est une succession d’observations de même
grandeur pendant une période donnée.
Analyse des séries chronologiques
20. Elimination des valeurs anormales
• Un filtrage des demandes est parfois
nécessaire pour éliminer des valeurs
anormales.
• Si le nombre de valeurs éliminées est trop
important, c’est que le filtre est mal choisi.
Analyse des séries chronologiques
21. Composantes d'une série chronologique
• Composante de niveau (level) : a
• Composante tendancielle (tend) : b
• Composante saisonnière (seasonal variations) : Ft
• Composante cyclique (cyclical movements) : Ct
• Composante aléatoire ou résiduelle (random
fluctuations) : et
Analyse des séries chronologiques
22. Formes des séries chronologiques
• En général
yt = f(a, b, Ft, Ct, et)
• Modèle additif
yt = a + b.t + Ft + Ct + et
• Modèle mixte
yt = (a + b.t).Ft + Ct + et
yt = (a + b.t).Ft .Ct.et
Analyse des séries chronologiques
23. Formulation de la tendance et de la
saisonnalité
45
40
35
30
25
20
15
10
5
0
0 5 10 15 20 25 30 35 40
t
Ti
t
re d
e
l'axe
y= a + b.t
F4
F28
yt= a + b.t + Ft ==> La saisonnalité est additive
Analyse des séries chronologiques
24. Formulation de la tendance et de la
70
60
50
40
30
20
10
0
saisonnalité
0 10 20 30 40 50 60
t
.
h
h
30%h
30%h
y= a + b.t
yt=(a + b.t).Ft ==> La saisonnalité est multiplicative
Analyse des séries chronologiques
25. Vérification des prévisions
• Erreur de prévision
= Demande observée - Demande prévue
• Erreur Absolue Moyenne (Mean
Absolute Deviation, MAD)
Erreur
t å=
=
n
EAM
n
t 1
si on a effectué n prévisions.
Analyse des séries chronologiques
27. Méthodes de prévisions
1 - Prévisions à moyen terme (historique sans saisonnalité)
– Procédure de régression ;
– Approche Box et Jenkins.
2 - Prévisions à court terme
• Historique sans tendance ni saisonnalité
– Moyenne mobile simple ;
– Lissage exponentiel simple.
• Historique avec tendance sans saisonnalité
– Moyenne mobile avec tendance;
– Lissage exponentiel de HOLT.
• Historique avec tendance et saisonnalité
– Lissage exponentiel de WINTER. Calculs des prévisions
28. Procédure de régression
Hypothèses:
(moyen terme)
– l’historique n’a pas de saisonnalité;
– l’historique n’a pas de composante cyclique.
yt = a + b.t + et
But : On cherche à déterminer les valeurs estimées des
paramètres a et b, notées â et .
Prévision : L ’estimation faite à l ’instant t de la demande
à l ’instant t+j, notée yˆ t,t+ j
, est obtenue par :
yt,t+j = a + b.(t + j) ˆ ˆ ˆ
Calculs des prévisions
bˆ
29. Procédure de régression
(moyen terme)
Méthode : Si on dispose de n observations de la
demande, on utilise la méthode des moindres carrés
pour minimiser le critère :
Résultat :
å=
n
( ) = - -
t 1
2
t t . bˆ
S y aˆ
- +
t.y n 1
å å
. y
2
bˆ n 2
= =
=
å å
ö çè
t t n
t 1
n
t 1
2
n
t 1
t
n
t 1
t
÷ø
- æ
= =
å=
t + = -
1 n . bˆ
2
y
n
aˆ
n
t 1
Calculs des prévisions
30. Régression linéaire
Voici les demandes mensuelles d’hameçons:
Mois Octobre Novembre Décembre Janvier Février Mars
Année 1999 1999 1999 2000 2000 2000
t 1 2 3 4 5 6
Demande 3334 3407 3410 3499 3598 3596
Avril Mai Juin Juillet Août Septembre Octobre
2000 2000 2000 2000 2000 2000 2000
7 8 9 10 11 12 13
3721 3745 3650 3746 3775 3906 3973
On suppose que la demande augmente linéairement avec le temps.
Déterminez les prévisions des 6 derniers mois de 2001.
Calculs des prévisions
34. Régression linéaire
• Tendance qui caractérise l’historique des ventes:
y13,13+j = 3305,27 + 48,26.(13+j)
– On injecte j=1 ==> novembre 2000
– On injecte j=2 ==> décembre 2000
– Etc ...
• Les 6 derniers mois 2001 ?
Calculs des prévisions
^
35. Régression linéaire
Solution:
^
^
^
^
^
^
Juillet 2001 correspond à t+j = 22 y13,22=4366,95 up
Août 2001 correspond à t+j = 23 y13,23=4415,21 up
Septembre 2001 correspond à t+j = 24 y13,24=4463,47 up
Octobre 2001 correspond à t+j = 25 y13,25=4511,73 up
Novembre 2001 correspond à t+j = 26 y13,26=4559,98 up
Décembre 2001 correspond à t+j = 27 y13,27=4608,24 up
Calculs des prévisions
36. Approche de Box et Jenkins
(Moyen terme)
Elle est basée sur l ’utilisation de modèles
autorégressifs (i.e. s ’appuyant sur les
données passées) et en moyenne mobile :
ARMA (autoregressive-moving average)
Calculs des prévisions
37. Etapes d ’une prévision à court
terme
• Initialisation :
Estimation des paramètres du modèle à l ’instant
initial t.
• Prévision :
Estimation à l ’instant t de la demande à l ’instant
yˆ t,t+ j
t+j, notée .
• Actualisation :
A l ’instant t+1, mise à jour des paramètres en
fonction de la demande réelle en t.
Calculs des prévisions
38. Moyenne mobile simple
(court terme)
Hypothèse : Modèle de la forme :
yt = at + e t
Principe : L ’estimation correspond à la moyenne
obtenue à partir de N observations du passé et en leur
donnant le même poids.
Prévision : L ’estimation de yt,t+j, notée , est
obtenue par :
N
y
yˆ aˆ S
t
i
i t N 1
t,t j t t
å
= - +
+ = = =
yˆ t,t+ j
Calculs des prévisions
39. Moyenne mobile simple
Procédure d ’actualisation :
S S 1 + = + + - - +
aˆ aˆ 1 + = + + - - +
Remarque :
t 1 t ( yt 1 yt N 1 )
N
St est distribué avec une moyenne a et un écart type
Calculs des prévisions
N
σε
t 1 t (yt 1 yt N 1)
N
40. Exemple
On dispose des ventes annuelles d ’un modèle particulier de
pneus pour VTT.
Mois t Janvier Février Mars Avril Mai Juin
Demande 104 104 100 92 105 95
Prévision faite 100,00 102,54 104,67
en t-1 pour t
Mois t Juillet Août Septembre Octobre Novembre Décembre
Demande 95 104 104 107 110 109
Prévision faite
en t-1 pour t
Calculer les prévisions à l ’aide de la moyenne mobile
simple sur 3 périodes.
Déterminer le EAM obtenu.
Calculs des prévisions
41. Solution
Mois t Janvier Février Mars Avril Mai Juin
Demande 104 104 100 92 105 95
Prévision faite 100,00 102,54 104,67 102,67 98,67 99,00
en t-1 pour t
Mois t Juillet Août Septembre Octobre Novembre Décembre
Demande 95 104 104 107 110 109
Prévision faite 97,33 98,33 98,00 101,00 105,00 107,00
en t-1 pour t
Erreur de prévision : EAM = 4,85
Calculs des prévisions
42. Lissage exponentiel
Principe : Pondérer exponentiellement les données
du passé de telle sorte que les données les plus
récentes aient un poids supérieur dans la moyenne.
Calculs des prévisions
43. Lissage exponentiel simple
Hypothèse : Modèle de la forme :
yt = at + et
Principe : ât est la valeur qui minimise la somme
actualisée du carré des résidus :
( ) å ¥
=
S d j. y aˆ
= - -
j 0
2
t j t
où d est le facteur d ’actualisation (0 < d < 1).
Prévision :
yˆ t,t+ j = aˆ t
Calculs des prévisions
44. Lissage exponentiel simple
Actualisation :
aˆ = a .y + (1 -a
).aˆ
-
t t t 1
aˆ = aˆ + a
.e
-
t t 1 t
Où
a = 1- d est la constante de lissage.
– et = yt - ât-1 représente l ’erreur entre la demande
réelle et la prévision.
Choix de a :
0,01 £ a £ 0,3 (souvent 0,1)
Calculs des prévisions
45. Lissage exponentiel simple
t-1 t t+1
prévision
demande réalisée
{
Erreur commise et
(valeur réelle - prévision)
} aet
Calculs des prévisions
46. Exemple
Mois t Janvier Février Mars Avril Mai Juin
Demande 104 104 100 92 105 95
Prévision faite alpha = 0,2
en t-1 pour t alpha = 0,4
Mois t Juillet Août Septembre Octobre Novembre Décembre
Demande 95 104 104 107 110 109
alpha = 0,2
alpha = 0,4
Calculer les prévisions à l’aide du lissage exponentiel simple avec
a = 0,20 puis a = 0,40 en utilisant une prévision initiale de 100.
Déterminer le EAM obtenu dans les 2 cas.
Calculs des prévisions
47. Solution
Mois Mois t t Janvier Janvier Février Février Mars Mars Avril Avril Mai Mai Juin
Juin
Demande 104 104 100 92 105 95
Prévision faite alpha = 0,2 100,00 100,80 101,44 101,15 99,32 100,46
en t-1 pour t alpha = 0,4
100,00 101,60 102,56 101,54 97,72 100,63
Mois t Juillet Août Septembre Octobre Novembre Décembre
Demande 95 104 104 107 110 109
alpha = 0,2 99,37 98,49 99,59 100,48 101,78 103,42
98,38 97,03 99,82 101,49 103,69 106,22
Calculs des prévisions
alpha = 0,4
Erreur de prévision :
– EAM1 = 5,3
– EAM2 = 5,05
48. Moyenne mobile avec tendance
Hypothèse : Modèle de la forme :
yt = a + b.t + e t
• Principe
t-3 t-2 t-1 t t+1
y
d
St
Calculs des prévisions
49. Moyenne mobile avec tendance
1. On calcule la valeur moyenne des N dernières périodes.
2. On translate cette valeur le long de la droite de tendance.
Þ La valeur moyenne St calculée se situe au milieu de
l’intervalle de temps (t-N+1,t), donc à une distance de
(N-1)/2 de la période t.
bˆ
= + æ - + +
÷ø
yˆ N 1 ö çè
t , t i S t i .
2
Calculs des prévisions
50. Moyenne mobile avec tendance
Reprenons l’exemple des ventes d’hameçons:
Mois Octobre Novembre Décembre Janvier Février Mars
Années 1999 1999 1999 2000 2000 2000
t 1 2 3 4 5 6
Demande 3334 3407 3410 3499 3598 3596
Avril Mai Juin Juillet Août Septembre Octobre
2000 2000 2000 2000 2000 2000 2000
7 8 9 10 11 12 13
3721 3745 3650 3746 3775 3906 3973
Déterminer les prévisions des 6 prochains mois, en utilisant
la moyenne mobile avec tendance sur 3 périodes.
Calculs des prévisions
51. Moyenne mobile avec tendance
Solution:
Mois Août Septembre Octobre Novembre Décembre Janvier Février Mars Avril
Années 2000 2000 2000 2000 2000 2001 2001 2001 2001
t 11 12 13 14 15 16 17 18 19
3981,18 4029,44 4077,70 4125,96 4174,22 4222,47
Calculs des prévisions
Demande
ou
Prévision
3775 3906 3973
i 1 2 3 4 5 6
St 3884,67
b 48,26
52. Lissage exponentiel avec
tendance (Holt)
Hypothèse : Modèle de la forme :
yt = a + b.t + et
Initialisation : Si on se situe à l ’instant t = 0 et
qu ’on dispose de n données.
+ -
. t.y 2(2n 1)
å å
aˆ 6
0 t
=- + =- +
. t.y 6
å å
+
+
12 bˆ
0 2 t
=- + =- +
-
=
+
+
=
0
t n 1
t
0
t n 1
0
t n 1
t
0
t n 1
. y
n(n 1)
n(n 1)
. y
n(n 1)
n(n 1)
Calculs des prévisions
53. Lissage exponentiel avec
tendance (Holt)
Prévision :
Actualisation :
[ ]
ù
úû
2 t 1
) bˆ
aˆ 1 (1 ) .y (1 ) .(aˆ
2
= - -a + -a +
- + - a úû
2 t t 1
é
2
- -a
t
- -
t 1 t 1
2
t
2
t
bˆ
.
1 (1 )
é
.(aˆ aˆ ) 1
= a
1 (1 )
bˆ
êë
- -
- -a
ù
êë
i . bˆ
yˆ t,t+i = aˆ t + t
Calculs des prévisions
54. Lissage exponentiel avec
tendance et saisonnalité
(Winters)
Hypothèse : Modèle de la forme :
yt = (a + b.t).Ft + et
Prévision :
). i . bˆ
yˆ + = (aˆ + + -
P i t t t i t , t Fˆ
où P est le nombre de périodes dans une saison.
Calculs des prévisions
55. Lissage exponentiel avec
tendance et saisonnalité
(Winters)
Initialisation :
• Etape 1 : Estimation de la composante tendancielle
Elle est obtenue à l ’aide :
– de la méthode des moindres carrés ;
– d ’une moyenne mobile sur une saison entière, centrée sur la
période à estimer.
Calculs des prévisions
56. Année Trimestre Période Demande Moyenne Saisonnalité Estimation Estimation Demandes
t yt mobile de chaque de Ft de Ft désaisonnalisées
centrée demande normalisée
(1) (2) (3) (4) (5) (6) = (4) / (5) (7) (8) (9) = (4) / (8)
1996 1 -15 122
2 -14 135
3 -13 145
4 -12 133
1997 1 -11 128
2 -10 136
3 -9 151
4 -8 145
1998 1 -7 135
2 -6 147
3 -5 167
4 -4 156
1999 1 -3 150
2 -2 160
3 -1 180
4 0 170
Exemple :
A partir de la moyenne mobile centrée
}133.75 }135.25} 134.50
57. Exercice :
A partir de la moyenne mobile centrée
Année Trimestre Période Demande Moyenne Saisonnalité Estimation Estimation Demandes
t yt mobile de chaque de Ft de Ft désaisonnalisées
centrée demande normalisée
(1) (2) (3) (4) (5) (6) = (4) / (5) (7) (8) (9) = (4) / (8)
1996 1 -15 122
2 -14 135
3 -13 145 134,50
4 -12 133 135,38
1997 1 -11 128 136,25
2 -10 136 138,50
3 -9 151 140,88
4 -8 145 143,13
1998 1 -7 135 146,50
2 -6 147 149,88
3 -5 167 153,13
4 -4 156 156,63
1999 1 -3 150 159,88
2 -2 160 163,25
3 -1 180
4 0 170
58. Lissage exponentiel avec
tendance et saisonnalité
(Winters)
Initialisation :
• Etape 2 : Estimation des coefficients de saisonnalité Ft
Ils sont obtenus :
– En estimant le facteur saisonnier pour chaque période par
division de la demande par la moyenne mobile centrée (ou la
valeur de la droite de tendance en ce point).
– En faisant la moyenne de tous les facteurs saisonniers associés
à la même période dans chaque saison.
– En normalisant les facteurs saisonniers obtenus.
Calculs des prévisions
59. Exercice :
A partir de la moyenne mobile centrée
Année Trimestre Période Demande Moyenne Saisonnalité Estimation Estimation Demandes
t yt mobile de chaque de Ft de Ft désaisonnalisées
centrée demande normalisée
(1) (2) (3) (4) (5) (6) = (4) / (5) (7) (8) (9) = (4) / (8)
1996 1 -15 122
2 -14 135
3 -13 145 134,50
4 -12 133 135,38
1997 1 -11 128 136,25
2 -10 136 138,50
3 -9 151 140,88
4 -8 145 143,13
1998 1 -7 135 146,50
2 -6 147 149,88
3 -5 167 153,13
4 -4 156 156,63
1999 1 -3 150 159,88
2 -2 160 163,25
3 -1 180
4 0 170
60. Exercice :
A partir de la moyenne mobile centrée
Année Trimestre Période Demande Moyenne Saisonnalité Estimation Estimation Demandes
t yt mobile de chaque de Ft de Ft désaisonnalisées
centrée demande normalisée
(1) (2) (3) (4) (5) (6) = (4) / (5) (7) (8) (9) = (4) / (8)
1996 1 -15 122
2 -14 135
3 -13 145 134,50 1,08
4 -12 133 135,38 0,98
1997 1 -11 128 136,25 0,94
2 -10 136 138,50 0,98
3 -9 151 140,88 1,07
4 -8 145 143,13 1,01
1998 1 -7 135 146,50 0,92
2 -6 147 149,88 0,98
3 -5 167 153,13 1,09
4 -4 156 156,63 1,00
1999 1 -3 150 159,88 0,94
2 -2 160 163,25 0,98
3 -1 180
4 0 170
61. Lissage exponentiel avec
tendance et saisonnalité
(Winters)
Initialisation :
• Etape 2 : Estimation des coefficients de saisonnalité Ft
Ils sont obtenus :
– En estimant le facteur saisonnier pour chaque période par
division de la demande par la moyenne mobile centrée (ou la
valeur de la droite de tendance en ce point)
– En faisant la moyenne de tous les facteurs saisonniers associés
à la même période dans chaque saison.
– En normalisant les facteurs saisonniers obtenus.
Calculs des prévisions
63. Lissage exponentiel avec
tendance et saisonnalité
(Winters)
Initialisation :
• Etape 2 : Estimation des coefficients de saisonnalité Ft
Ils sont obtenus :
– En estimant le facteur saisonnier pour chaque période par
division de la demande par la moyenne mobile centrée (ou la
valeur de la droite de tendance en ce point)
– En faisant la moyenne de tous les facteurs saisonniers associés
à la même période dans chaque saison.
– En normalisant les facteurs saisonniers obtenus.
Calculs des prévisions
66. Lissage exponentiel avec
tendance et saisonnalité
(Winters)
Initialisation :
^
• Etape 3 : Estimation de â0 et b0
Les demandes sont « désaisonnalisées » en les divisant par les
facteurs saisonniers correspondants.
Les paramètres âet b^
sont obtenus en utilisant la procédure
0 0 d ’initialisation du modèle de Holt à partir des demandes
« désaisonnalisées ».
Calculs des prévisions
68. Lissage exponentiel avec
tendance et saisonnalité
(Winters)
Initialisation :
^
• Etape 3 : Estimation de â0 et b0
Les demandes sont « désaisonnalisées » en les divisant par les
facteurs saisonniers correspondants.
Les paramètres âet b^
sont obtenus en utilisant la procédure
0 0 d ’initialisation du modèle de Holt à partir des demandes
« désaisonnalisées ».
Calculs des prévisions
73. Lissage exponentiel avec
tendance et saisonnalité
(Winters)
Actualisation (elle n ’est pas optimale) :
) bˆ
(1 ).(aˆ
( )
t
æ
aˆ . y
= b .( aˆ - aˆ ) + 1 -b
ˆ
. b- -
t HW t t 1 HW t 1
( HW ) t P
t
t
æ
y . Fˆ
t HW
HW t 1 t 1
t P
t HW
Fˆ
1 .
aˆ
bˆ
Fˆ
-
- -
-
ö
g - + ÷ ÷ø
ç çè
= g
+ a - + ÷ ÷ø ö
ç çè
= a
Calculs des prévisions
74. Lissage exponentiel avec
tendance et saisonnalité
(Winters)
• Choix des constantes de lissage :
aHW bHW gHW
Valeur inférieure 0,02 0,005 0,05
Valeur courante 0,19 0,053 0,10
Valeur supérieure 0,51 0,176 0,50
Calculs des prévisions
75. Exemple : Les pièces de
rechange de Renault (Cergy
Pontoise)
• Etat initial :
– CA en 1997 : 18 000 MF
– 100 000 références en stocks
– 6000 références en approvisionnement
hebdomadaire
– 100 000 lignes de commande par jour
– Taux de service : 97 %
– Validation manuelle de nombreuses références
76. Exemple : Les pièces de
rechange de Renault (Cergy
Pontoise)
• Ambition :
– Réduction des stocks de 60 MF
– Augmentation ou même qualité de service
– Diminution des validations manuelles
77. 1 T 4
non
4 £ T 12
non
T ³ 24
Moindres carrés
Lissage exponentiel simple
+
Lissage exponentiel avec tendance
+
Filtrage Choix
Moyenne mobile
+
Lissage exponentiel
avec tendance
+
Choix
Indice d’auto-corrélation
r
r ³ 0,5 T ³ 36
T ³ 36
Calcul de la
saisonnalité localisée
Calcul de la
saisonnalité
localisée
Méthode complète
oui
oui
oui oui
oui
oui
non
non
non
Algorithme simplifié mis en place
78. Exemple : Les pièces de
rechange de Renault (Cergy
Pontoise)
• Alarme :
– Basée sur la longueur de l ’historique
– Relative à la méthode des moindres carrés
– Relative au filtrage
– Concernant les ruptures de stock
– Concernant le sur-stock
– Concernant la quantité à commander
– Concernant le coût du stock de sécurité
– Concernant la fiabilité de l ’historique
– ...
79. Exemple : Les pièces de
rechange de Renault (Cergy
Pontoise)
• Erreurs de prévision
Avant Après
20% 50,6 % 61,6 %
60 % 14,2% 10,2 %
= 100MF de réduction du coût des stocks