Chaque semaine dans le Podcast Supply Chain by Vekia, nous répondons à vos questions et vous accompagnons dans la transformation de votre Supply Chain pendant la crise du COVID19.

Posez nous vous questions ici

En quoi consiste la recherche opérationnelle ?

Avant tout, expliquons pourquoi on doit en parler. Le pilotage des stocks passe par deux grands sujets : la prévision de la demande et la prise de décision dans les approvisionnements. Cette prise de décision nécessite une optimisation autre que du Machine Learning, c’est ce qu’on appelle la recherche opérationnelle.

Que la recherche opérationnelle va-t-elle permettre de faire ?

Prenons l’exemple d’un gestionnaire de stock qui doit passer des commandes à ses fournisseurs. Il a devant lui plusieurs fournisseurs possibles pour un même produit, certains avec des remises commerciales, d’autres avec des francos de port, certains qui ne fournissent pas toutes les références dont il a besoin, etc. Pour trouver la façon la plus avantageuse de faire la commande, il faut simuler tous les scénarios différents.

Avoir des algorithmes d’optimisation qui vont chercher à résoudre ce problème, c’est un exemple basique de recherche opérationnelle.

Elle permet aussi de faire des choses beaucoup plus avancées, comme calculer les stocks en cascade sur plusieurs niveaux de la Supply Chain (MEIO), même dans des structures en réseaux qui s’échangent du stock mutuellement et continuellement.

Il y a aussi le multi-step, soit prévoir plusieurs commandes à l’avance pour repousser encore les optimisations possibles.

Ce sont des questions très compliquées pour lesquelles le cerveau humain n’est pas très bon, et pour lesquelles la recherche opérationnelle est la discipline scientifique.

La recherche opérationnelle apprend-elle aussi du passé ?

Il y a deux grandes familles dans la recherche opérationnelle :

Les solvers : Résout un problème d’optimisation sous contraintes. Ils fournissent une solution exacte qui est la meilleure possible. Ils ne capitalisent pas sur le passé. Les métaheuristiques : Des approches d’optimisation qui peuvent intégrer une couche de Machine Learning, afin qu’ils se souviennent de leurs solutions précédentes pour tout nouveau problème. Cela permet d’avoir des solutions qui arrivent plus vite, qui sont plus faciles à expliquer, et qui sont plus modulaires en termes de mise en œuvre informatique.Elle fait partie pleinement de l’IA. Chez Vekia, on l’articule avec le Machine Learning. Notre moteur de recherche opérationnelle prend les prévisions probabilistes en entrée, les combines avec les contraintes, puis trouve ce qui va rapporter le plus à l’entreprise utilisatrice. De plus en plus, on calcule la meilleure solution en euros et non plus en quantités.

Voir : A quoi sert l’approche probabiliste dans l’automatisation des approvisionnements par Alexandre, Head of Research Lab

Quel message veux-tu passer sur la recherche opérationnelle ?

Aujourd’hui, on investit plus sur les algorithmes de recherche opérationnelle que sur les algorithmes de prévision. Une des prochaines grandes avancées dans la Supply Chain, est que les algorithmes de calcul de stocks seront intrinsèquement prévisionnels, on ne passera plus par une étape de calcul de prévision.


Soyez alerté à chaque nouvel épisode !

Renseignez simplement votre adresse e-mail pour recevoir automatiquement chaque nouvel épisode.