Organisation et Planification de

la Production

Master : Ingénierie et Management Industriel

Faculté des sciences et techniques de Settat
NAJI Mehdi Amine

Année Universitaire 2019/2020

 Bibliographie
 Javel, G. (2010). Organisation et gestion de la production-4e édition: Cours, exercices et etudes de cas. Hachette.
 Ritzman, L. P., Renart, J., Krajewski, L. J., & Townley, C. (2010). Management des opérations: principes et applications. Pearson
Education France.
 Giard, V. (2003). Gestion de la production et des flux (pp. 892-904). Paris: Economica.
 Biteau, R., & Biteau, S. (2003). La maîtrise des flux industriels. Éditions d'Organisation..
 Pillet, M. (2004). Appliquer la maîtrise statistique des processus.
 Monchy, F., & Vernier, J. P. (2000). Maintenance. Méthodes et Organisations, édition DUNOD.
 Stevenson, W. J., & Sum, C. C. (2014). Operations management. McGraw-Hill Education.
 Nollet, J., Kélada, J., & Diorio, M. O. (1994). La gestion des opérations et de la production: une approche systémique. G. Morin.
 Artiba, A., & Elmaghraby, S. E. (Eds.). (1996). The planning and scheduling of production systems: methodologies and applications.
Springer Science & Business Media.
 Zermati, P., & Mocellin, F. (2005). Pratique de la gestion des stocks. Dunod.
 Kumar, S. A., & Suresh, N. (2006). Production and operations management. New Age International.
 Gratacap, A., & MEDAN, P. Management de la Production (Concepts, Méthodes, Cas),(2001).
 Pillet, M., Martin-Bonnefous, C., Bonnefous, P., & Courtois, A. (2011). Gestion de production: Les fondamentaux et les bonnes
pratiques. Editions Eyrolles.
 Goldfarb, B., & Pardoux, C. (2011). Introduction à la méthode statistique: manuel et exercices corrigés. Dunod.
 Chase, C. W. (2013). Demand-driven forecasting: a structured approach to forecasting. John Wiley & Sons.
 Lewis, C. (2012). Demand forecasting and inventory control. Routledge.
 Hemici, F., & Bounab, M. (2016). Techniques de gestion-4e éd.: Cours et applications. Dunod.
 La prévision de la demande

 Une bonne gestion et la prise de décision adéquates nécessitent la connaissance

des demandes à satisfaire.

 La demande n’est pas toujours connue à l’avance.

 Prévision – Secteur d’activité

 Biens industriels intermédiaires

 aciéries, produits chimiques, matériaux de construction
 forte dépendance de l'environnement économique
 gros acheteurs, peu d'acheteurs ⇒ instable

 Produits de grande consommation

 agro-alimentaire, alimentation
 forte dépendance de l'environnement concurrentiel
 petits acheteurs, beaucoup d'acheteurs ⇒ stable

 Biens de consommation durables

 industrie automobile, électroménager
 forte dépendance de l'environnement économique et concurrentiel
 Dans quels contextes les prévisions
sont-elles utiles?
 Prévoir les besoins en production ;
 Adoption d’une technologie nouvelle ;
 Modification de la capacité ;
 Gestion de l’équipement ;
 Gestion des stocks ;
 Planification intégrée ;
 Gestion stratégique des opérations ;
 Gestion budgétaire ;
 Gestion des ressources humaines.
 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.

 Les éléments du choix de la méthode de prévision

 Définir l’objectif de mes prévisions.

 Définir l’horizon de la prévision.
les éléments permettant de choisir une méthode de prévision dépendent de nombreux
facteurs dont les principaux sont :
 les données historiques disponibles à propos du produit ou de la famille de produits
considérée ;
 la précision souhaitée sur les prévisions ;
 le coût accepté pour établir les prévisions ;
 le temps disponible pour les obtenir.
 Les méthodes de prévision

Les techniques qualitatives font appel à une méthodologie non

mathématique;

Les techniques quantitatives sont fondées sur des modèles

mathématiques.
 Les méthodes qualitatives

Utilisé en cas de situation indéterminée et avec peu de données disponibles.

 nouveaux produits ;
 nouvelle technologie ;
 fait appel à l'intuition, à l'expérience.

 utilisées pour la prévision à moyen ou à long terme

 Les méthodes qualitatives
 Analogie historique : tenter de prévoir l'évolution de la demande d'un produit en se
fiant à l'évolution observée dans le passée pour d'autres produits semblables.
 Prévisions visionnaires : Le directeur des ventes est alors responsable de l'agrégation
des données de ses vendeurs (bien positionnés pour voir les changements dans la
demande) pour en arriver à une prévision globale.
 Études de marchés : enquêtes faites par le service commercial, les plans
d'échantillonnage doivent être bien conçus afin de garantir que les résultats sont
statistiquement fiables et représentatifs de la clientèle cible.
 Méthode Delphi : La méthode de Delphi consiste à interroger plusieurs experts,
indépendamment les uns des autres. Le coordinateur remet l’ensemble des réponses
aux experts qui peuvent modifier ou compléter leurs prévisions. Après quelques aller-
retour de ce type on parvient en général à un consensus ou à des divergences
argumentés.
 Analyse des séries chronologiques

(méthodes quantitatives)
 Notion de série chronologique
Définition : On appelle série chronologique ou chronique une suite (Yt) d’observations chiffrées d’un
même phénomène, ordonnées dans le temps.

Yt, t = 1, …, T 640

620

demande 600

580

560

540

520
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
périodes

demande 622 594 562 584 531 588 547 606 597 613 567 556 ? ? ?

données historiques prévisions pour les

périodes futures
 Types de séries chronologiques
Séries stationnaires
Le niveau moyen des observations est constant
140

120

100

80

60

40

20

0
1 3 5 7 9 11 13 15 17 19 21 23 25
 Types de séries chronologiques
Tendance
Observations croissantes
2500 2500
2300 2300
2100 2100
1900 1900
demande

demande
1700 1700
1500 1500
1300 1300
1100 1100
900 900
1 6 11 16 21 26 31 36 1 6 11 16 21 26 31 36
période période

Observations décroissantes
 Types de séries chronologiques
Variations saisonnières

La demande est saisonnière si elle présente des variations nettement plus importantes, en
hausse et en baisse, d’une manière périodique.

600

550

500
demande

450

400

350

300
1 6 11 16 21 26 31 36
période
 Variations saisonnière et à tendance

T 45 . 70
i
t l40 60
r '35
a
e 50
x30
e 40
d 25
e
20 30

15
20
10
10
5

0
0
0 5 10 15 20 25 30 35 40 0 10 20 30 40 50 60

t t
Additifs Multiplicatifs
 Variations Aléatoires
La position de chacune des observations est uniquement déterminée par un processus
stochastique stationnaire

120
115
110
105
demande

100
95
90
85
80
1 6 11 16 21
période
 Méthodes de prévisions quantitatives

Prévisions à moyen terme (historique sans saisonnalité)

Procédure de régression ;
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 (Exponentiel double).
Historique avec tendance et saisonnalité
Lissage exponentiel de WINTER HOLT (Exponentiel triple).
Décomposition
 Prévisions à court terme
Historique sans tendance ni saisonnalité
 Méthode des moyennes mobiles

 La moyenne mobile est calculée à partir de la moyenne d'un nombre donné de

valeurs des périodes les plus récentes afin de prévoir la valeur pour la période
suivante.
 La moyenne mobile permet de lisser les fluctuations des données.
 Si la prévision pour la période t est notée par Pt, et que la valeur réelle de la série
chronologique était Dt-1 pendant la période t-1, Dt-2 pendant la période t-2, etc :

Pt= (Dt-1+Dt-2+...Dt-n)/n
 Méthode des moyennes mobiles
Année Période Demande C Prévision
2010 Juillet 3000

2010 Août 3100

2010 Semptembre 2950

2010 Octobre 3000

2010 Novembre 3050

2010 Décembre 2900

2011 Janvier 2983,33333

2011 février 2977,77778

Pjanv 2011 = (Doct 2010 + Dnov 2010 + Ddéc 2010)/3 = (3000 + 3050 + 2900)/3 = 2983,33
Pfév 2011 = (Dnov 2010 + Ddéc 2010 + Pjanv 2011)/3 = (3050 + 2900 + 2984)/3 = 2977, 77
 Méthode des moyennes mobiles
Prévisions par la méthode des moyennes mobiles
3150

3100

3050

3000

2950

2900

2850

2800

Demande C Prévision

La période de calcul de la moyenne (valeur de n) doit être déterminée par le décideur.

En règle générale, le nombre de périodes utilisées doit se rapporter au degré de variabilité aléatoire
des données.
 Méthode des moyennes mobiles

 Avantage :
Méthode très simple.
 Les inconvénients :
Les nouvelles et les anciennes données sont traitées de la même manière (alors
qu'en fait, les anciennes données devraient être traitées comme étant moins
importantes).
 Moyenne mobile pondérée

Lors d’une prévision, on peut affecter des poids différents aux données afin de favoriser
les plus récentes, au lieu de mettre sur le même plan les diverses valeurs.
La méthode de la moyenne mobile simple attribue des poids égaux à chaque période de la
série chronologique ; la méthode de la moyenne mobile pondérée attribue des poids
différents aux différentes observations de la série chronologique, ce qui permet de réagir
rapidement à tout changement dans la série étudiée.

𝑊𝑀𝐴𝑡 = 𝑤𝑖 𝐷𝑖
𝑖=1
𝑛
Avec 𝑖=1 𝑤𝑖 =1
 Moyenne mobile pondérée
Année Priode Demande C Prévision

2010 Juillet 3000

2010 Août 3100

2010 Semptembre 2950

2010 Octobre 3000

2010 Novembre 3050

2010 Décembre 2900

2011 Janvier 2966,66667

2011 février 2958,33333

1 2 3
𝑃𝑗𝑎𝑛2011 = 𝐷 + 𝐷 + 𝐷 = 2966,67
6 𝑜𝑐𝑡 2010 6 𝑛𝑜𝑣 2010 6 𝑑é𝑐 2010
1 2 3
𝑃𝑓é𝑣 2011 = 𝐷𝑛𝑜𝑣 2010 + 𝐷𝑑é𝑐 2010 + 𝑃𝐽𝑎𝑛 2011 = 2958,34
6 6 6
 Moyenne mobile

 L'augmentation de n rend la prévision moins sensible aux variations.

 Ne permettent pas de prévoir la tendance
 Nécessitent beaucoup de données historiques

3150

3100

3050

3000

2950

2900

2850

2800

Demande C Prévision
 Méthodes de lissage exponentiel
Lissage exponentiel simple (lissage de Brown)

Pn = Pn-1 + α (Dn-1 – Pn-1)

où α est un coefficient compris entre 0 et 1.

 Si α = 0, on considère que la prévision de n est la même que celle de n-1.

 Au contraire, si α = 1, on prend comme prévision de la période n, la demande réelle de
la période n-1, en effet :
Pn = Pn-1 + Dn-1 – Pn-1 = Dn-1
 Méthodes de lissage exponentiel
Lissage exponentiel simple

mois demande 0.1 0.6 Effet de la constante de lissage

900

1 820 820,00 820,00

800

2 775 820,00 820,00

700

3 680 815,50 793,00

600

4 655 801,95 725,20 500

5 750 787,26 683,08 400

6 802 783,53 723,23 300

7 798 785,38 770,49 200

8 689 786,64 787,00 100

9 775 776,88 728,20 0

1 2 3 4 5 6 7 8 9 10
10 776,69 756,28 demande 0.1 0.6
 Méthodes de lissage exponentiel
Lissage exponentiel simple

Paramétrage du modèle
 La qualité de la prévision dépendra :

 de la valeur de départ qui n’est pas pondérée

 du coefficient de lissage α

 Choisir la valeur de α qui minimise la moyenne des carrés des dernières erreurs de
prévision. Plusieurs essais seront donc à réaliser sur une base test.

 Le Choix de la valeur initiale D0 :

 La moyenne de la série chronologique,
 La première observation de la série chronologique.
 Lissages exponentiels doubles
HOLT
La méthode du lissage exponentiel peut être employée avec deux coefficients α et β si la
demande est à tendance (lissage exponentiel double).

𝐿𝑡 = 𝛼𝐷𝑡 + (1 − 𝛼)(𝐿𝑡−1 + 𝑇𝑡−1 )

𝑇𝑡 = 𝛽 𝐿𝑡 − 𝐿𝑡−1 + (1 − 𝛽)𝑇𝑡−1

𝐹𝑡+1 = 𝐿𝑡 + 𝑇𝑡

𝐹𝑡+𝑘 = 𝐿𝑡 + 𝐾 ∗ 𝑇𝑡
Les valeurs initiales:
𝐿2 = 𝐷2
𝑇2 = 𝐷2 − 𝐷1
Exemple (TP)
 Lissages exponentiels triples
WINTER HOLT
La méthode du lissage exponentiel peut être employée avec deux coefficients α , β et  si la
demande à une tendance et une saisonnalité (lissage exponentiel Triple).
Demande multiplicative :

𝐷𝑡
𝐿𝑡 = 𝛼 + (1 − 𝛼)(𝐿𝑡−1 + 𝑇𝑡−1 )
𝑆𝑡−𝑀

𝑇𝑡 = 𝛽 𝐿𝑡 − 𝐿𝑡−1 + (1 − 𝛽)𝑇𝑡−1

𝐷𝑡
𝑆𝑡 = 𝛾 + 1 − 𝛾 𝑆𝑡−𝑀
𝐿𝑡

𝐹𝑡+1 = (𝐿𝑡 + 𝑇𝑡 )𝑆𝑡−𝑀

𝐹𝑡+𝐾 = (𝐿𝑡 + 𝐾 ∗ 𝑇𝑡 )𝑆𝑡−𝑀+𝐾
 Lissages exponentiels triples
WINTER HOLT

 Valeurs initales : Pour M = 4 (trimestrielle) :

𝐷1 𝐷2
𝑆1 = 𝑆2 =
𝑚𝑜𝑦𝑒𝑛𝑛𝑒 (𝐷1 , 𝐷2 , 𝐷3 , 𝐷4 ) 𝑚𝑜𝑦𝑒𝑛𝑛𝑒 (𝐷1 , 𝐷2 , 𝐷3 , 𝐷4 )

𝐷3 𝐷4
𝑆3 = 𝑆4 =
𝑚𝑜𝑦𝑒𝑛𝑛𝑒 (𝐷1 , 𝐷2 , 𝐷3 , 𝐷4 ) 𝑚𝑜𝑦𝑒𝑛𝑛𝑒 (𝐷1 , 𝐷2 , 𝐷3 , 𝐷4 )

𝐷5 𝐷5 𝐷4
𝐿5 = 𝑇5 = −
𝑆1 𝑆1 𝑆4
𝐷5
En utilisant la formule : 𝑆5 = 𝛾 + (1 − 𝛾)𝑆1
𝐿5

Exemple (TP)
 Lissages exponentiels triples
WINTER HOLT
Demande additive :
𝐿𝑡 = 𝛼 𝐷𝑡 − 𝑆𝑡−𝑀 + (1 − 𝛼)(𝐿𝑡−1 + 𝑇𝑡−1 )

𝑇𝑡 = 𝛽 𝐿𝑡 − 𝐿𝑡−1 + (1 − 𝛽)𝑇𝑡−1

𝑆𝑡 = 𝛾 𝐷𝑡 − 𝐿𝑡 + 1 − 𝛾 𝑆𝑡−𝑀

𝐹𝑡+1 = 𝐿𝑡 + 𝑇𝑡 + 𝑆𝑡−𝑀
𝐹𝑡+𝐾 = 𝐿𝑡 + 𝐾 ∗ 𝑇𝑡 + 𝑆𝑡−𝑀+𝐾
Valeurs initales :
Pour M = 4 (trimestrielle) :

𝑆1 = 𝐷1 − 𝑚𝑜𝑦𝑒𝑛𝑛𝑒 (𝐷1 , 𝐷2 , 𝐷3 , 𝐷4 ) 𝑆2 = 𝐷2 − 𝑚𝑜𝑦𝑒𝑛𝑛𝑒 (𝐷1 , 𝐷2 , 𝐷3 , 𝐷4 )

𝑆3 = 𝐷3 − 𝑚𝑜𝑦𝑒𝑛𝑛𝑒 (𝐷1 , 𝐷2 , 𝐷3 , 𝐷4 ) 𝑆4 = 𝐷4 − 𝑚𝑜𝑦𝑒𝑛𝑛𝑒 (𝐷1 , 𝐷2 , 𝐷3 , 𝐷4 )

𝐿5 = 𝐷5 − 𝑆1 ; 𝑇5 = 0
Exemple (TP)
 Régression linéaire

La régression linéaire simple est une méthode statistique qui cherche à déterminer la
relation linéaire entre deux variable Y et X.
Avec y est la variable dépendante
X est la variable indépendante.

La relation entre Y et X est déterminer par la droite de régression ( la droite des

moindre carrés)
Y= a.x+ b
Avec a est la pente de la droite;
b est l’ordonnée à l’origine.
 Régression linéaire
𝑐𝑜𝑣(𝑥, 𝑦)
𝑎=
𝑣(𝑥)
La covariance
𝑛 𝑛
1 1
𝑐𝑜𝑣 𝑥, 𝑦 = 𝑥𝑖 − 𝑋 𝑦𝑖 − 𝑌 = 𝑥𝑖 𝑦𝑖 − 𝑋𝑌
𝑛 𝑛
𝑖=1 𝑖=1

La variance :
𝑛 𝑛
1 1
𝑣 𝑥 = 𝑐𝑜𝑣 𝑥, 𝑥 = 𝑥𝑖 − 𝑋 𝑦𝑖 − 𝑌 = 𝑥𝑖2 − 𝑋 2
𝑛 𝑛
𝑖=1 𝑖=1

𝑏 = 𝑌 − 𝑎𝑋

Pour avoir une idée sur la pertinence du modèle de prévision, il faut calculer le coefficient de
détermination R2.
 Décomposition
Une série chronologique peut être exprimée comme suit: Yt = f(Tt, St, Et)
Avec :
 Tt : la composante tendancielle à la période t
 St : la composante saisonnière à la période t
 Et: la composante irrégulière ou aléatoire à la période t
Dans la suite nous traitons que la composante tendancielle et la composante
saisonnière.
Pour un modèle additif:
Yt = Tt + St
Pour un modèle Multiplicatif :
Yt= Tt × St
 Moyenne Mobile centrée

La moyenne mobile centrée d’ordre P ( P est la période de la saisonnalité)

 P est impair (2k+1) :
𝑘
1
𝑀𝑀𝑝,𝑡 = 𝑦𝑡+𝑖
𝑝
𝑖=−𝑘

 P est impair ( 2k) :

𝐾−1
1 1 1
𝑀𝑀𝑝,𝑡 = 𝑦 + 𝑦𝑡+𝑖 + 𝑦𝑡+ 𝑘
𝑝 2 𝑡−𝑘 2
𝑖=−𝐾+1
Exemples TP
 Erreur et incertitude sur les prévisions

Nous pouvons évaluer la qualité des prévisions par :

 Erreur moyenne ME :
𝐷𝑖 − 𝑃𝑖
𝑀𝐸 =
𝑛
 Erreur moyen absolu MAD (Mean Absolute Deviation):
𝐷𝑖 − 𝑃𝑖
𝑒=
𝑛
 Erreur Quadratique Moyenne (Mean Square Error) :

𝐷𝑖 − 𝑃𝑖 2
𝑀𝑆𝐸 =
𝑛