Académique Documents
Professionnel Documents
Culture Documents
(DDMRP)
AGILEA
1er centre de compétences Demand Driven en France
Table des matières
1. Introduction au DDMRP .............................................................................................................. 2
5. Y a-t ‘il un rôle pour les prévisions dans la supply chain agile d’un système adaptatif piloté par
la demande (Demand Driven Adaptive System) ?................................................................................. 12
DDMRP est une méthodologie complète de planification et d'exécution qui permet de piloter la Supply
Chain par la demande client.
DDMRP combine dans un ensemble cohérent des éléments issus de MRP, DRP, Lean, 6 Sigma, de la
théorie des contraintes, et y ajoute des innovations spécifiques.
3. Ajustement dynamique
> Comprendre les différents types d’ajustement dynamique, et élaborer le modèle
dynamique adapté à l’entreprise et son environnement,
> Savoir identifier quel type d’ajustement est nécessaire en fonction d’évènements de
variation de la demande, sur base d’historique, d’ajustements planifiés, de prévision,
> Organiser le processus collaboratif de surveillance et d’ajustement des buffers,
> Adapter l’évolution des buffers dans le cadre du Plan Industriel et Commercial (DD S&OP).
Phase 2 : Planification
Favoriser le flux
La vitesse de circulation du flux de matières et d’informations est la clé de l’amélioration des
performances de l’entreprise (de son ROI).
En focalisant sur le flux, DDMRP permet d’améliorer le service client et de réduire les délais, tout en
réduisant les stocks.
Atténuer la variabilité
La variabilité est l’ennemi n°1 du flux. DDMRP met
en place un mécanisme de buffers qui permet
d’absorber la variabilité et d’atténuer l’effet « coup
de fouet ».
DDMRP utilise le calcul des besoins pour des portions de la chaîne, et l’interrompt sur les buffers de
découplage, qui génèrent un signal basé sur la consommation réelle. Ceci permet à la fois de traiter
des chaînes et des produits complexes, tout en tirant le flux par la demande.
Où l’on apprend au travers d’une expérience vécue par AGILEA pourquoi et comment utiliser des points de
découplage DDMRP pour réduire les stocks et les délais – l’exemple d’une chaîne d’approvisionnement en
provenance d’Asie qui est devenue à la fois stable ET agile.
Dans une de mes vies antérieures, j’étais en charge d’une supply chain dont la plupart des fournisseurs
étaient en Asie, approvisionnant nos usines et centres de distribution Européens en transport maritime.
Historiquement notre service était faible et nos stocks débordaient de partout. Nos fournisseurs Chinois ou
Thaïlandais n’acceptaient que des commandes mensuelles, et nous imposaient au moins 2 mois fermes sur
leur plan de production – nos délais de réapprovisionnement étaient de l’ordre de 18 semaines transport
inclus. Nos organisations de vente nationales fournissaient des prévisions mensuelles très optimistes – en
espérant que ça leur permettrait d’avoir du stock…
Nous avons mené un projet de réduction de délai très ambitieux, qui nous a permis en quelques mois de
passer d’un délai de 18 semaines à 7/8 semaines, de réduire les stocks de plus de 30% et de monter le taux
de service de 90 à 97%.
Mais l’élément prépondérant a été d’apporter de la stabilité à nos fournisseurs asiatiques, qui nous
reprochaient de changer sans arrêt nos volumes, dans de grandes proportions… ce en quoi ils avaient tout à
fait raison.
Au départ notre logique de fonctionnement était strictement conforme à MRP2.
Lors d’une de nos réunions projet, Anne-Laure, l’approvisionneuse en charge d’une des lignes de produit,
nous dit : pourquoi ne pas élaborer une prévision sur les composants que nous achetons en Asie, au lieu de
répercuter le calcul de besoin nets issu de notre ERP ?
Malheureuse lui ai-je répondu ! Seule la demande in-dé-pen-dan-te doit être prévue, la demande
dépendante doit être calculée et transférée en amont. Orlicky nous a appris ça depuis les années 70 !
A la réflexion, Anne-Laure n’avait pas entièrement tort, et nous finîmes par insérer dans notre système un
MPS (PDP) au niveau des familles d’articles achetés en Asie, pour découpler et stabiliser le programme
d’approvisionnement. Sans ce découplage, nous n’aurions jamais réussi !
Au fil des années, l’avènement de la technologie nous a conduits à tout interconnecter dans nos supply
chains. Le moteur MRP de nos ERPs répercute instantanément tout changement le long des nomenclatures,
nos connexions EDI ou nos plateformes Cloud transmettent ces signaux à nos partenaires, et nous vivons
souvent dans l’illusion que tout peut et doit être synchronisé. FAUX.
L’intégration de longues chaînes de dépendance induit l’amplification de la moindre variation le long de la
chaîne, le fameux phénomène du « bullwhip effect ».
Anne-Laure avait tort de vouloir « faire des prévisions » au niveau composant acheté. Nous avons opté pour
la mise en place d’un PDP à ce niveau-là, alimenté par des besoins dépendants et indépendants, ce qui
techniquement a été complexe.
Nous avions exploré la possibilité de mettre en place des kanbans pour gérer ce découplage – mais avions
renoncé car nous n’avions pas les moyens pratiques d’élaborer des kanbans dynamiques prenant en compte
d’évolution de la demande dans le délai des 8 semaines de réapprovisionnement.
Nous ne connaissions pas encore les buffers DDMRP qui intègrent simplement, naturellement et
visuellement toutes ces fonctionnalités…
Nous avons souvent tendance à percevoir nos goulots d’étranglement comme des défauts d’organisation car
ils limitent le débit de notre système au marché. Toutefois, il existe une discipline qui considère ces
contraintes comme des points de leviers sur lesquels l’organisation doit se concentrer : la Théorie des
Contraintes. Cette discipline propose un certain nombre de méthodes pour absorber les variabilités
inhérentes à nos environnement (Volatilité, Incertitude, Complexité, Ambiguïté) : Le DBR pour Drum Buffer
Rope (Tambour, Tampon, Corde).
En effet, ce procédé consiste à mettre un tampon/buffer devant une ressource critique, appelée Tambour,
afin que ce dernier ait toujours du travail devant lui. Ce tampon est attaché en termes de flux d’information
à une autre ressource, c’est la corde. Ainsi quand la ressource critique consomme un composant du tampon,
la corde envoie un message disant de lancer l’opération en amont. Le dimensionnement de la protection est
le paramètre fondamental. La théorie des contraintes suggère de placer un buffer/tampon de temps
équivalent à 50% du temps observé entre la première opération de la gamme et la ressource critique.
Le lancement atelier étant connecté au débit de la ressource critique, cette méthode permet de réduire l’en-
cours rapidement tout en accélérant l’exécution des tâches. Par ailleurs, le tampon protège la ressource
critique assurant le fait qu’elle soit toujours occupée.
Le tampon a un rôle de protection des aléas des ressources entre le début de la corde en amont et la
ressource critique. Ainsi si l’amont est en rupture, la ressource peut consommer le tampon le temps de
recouvrir la situation. Comme les ressources en amont ont plus de capacité que le goulot, il est plus facile
pour elles de remplir le goulot d’étranglement.
Dans la pratique, il est parfois envisageable de mettre un autre tampon en aval du flux. Selon la même
logique, cela permet de protéger le flux post goulot des aléas éventuels entre le goulot ou l’expédition.
Voyons un exemple ci-après :
Dans le cas du DBR, dès que l’on identifie les ressources critiques (C et la livraison client), on peut positionner
un buffer devant elles, et tirer le flux entre le lancement des dossiers de la ressource A mais également entre
le buffer client et la ressource C.
Toutefois ce procédé contient quelques limites : il se concentre principalement sur une ressource alors que
nos systèmes possèdent parfois plusieurs ressources critiques devant être protégé et synchronisé (un
processus de sous-traitance, un traitement chimique, etc.). De plus, comme le système engage les dossiers
dans l’en-cours au rythme du début de la ressource C, les ressources A, B, D, E peuvent se retrouver sous
chargées. Le problème est que beaucoup d’organisations mesurent la productivité locale (via le Taux de
Rendement Synthétique par exemple) sur ces ressources. Ainsi comme ces ressources apparaissent comme
ponctuellement inoccupées, elles peuvent être mises en danger en dépit du fait qu’elles participent de
manière plus actives à la vitesse d’écoulement du flux dans le second scénario !
Ces deux limites (techniques et organisationnelles) sont les enjeux du deuxième niveau du DDMRP (Demand
Driven Materials Requirement Planning) appelé DDL (Demand Driven Leader).
Dans cette formation, les étudiants apprennent comment protéger et synchroniser les ressources critiques
avec la demande réelle tout en positionnant des indicateurs de décision. L’idée va être de protéger ces
ressources avec des tampons temps et capacité, contrôler l’en-cours du système avec leurs débits respectifs
tout en les connectant à la demande réelle observée. Par ailleurs, ces points de contrôle sont gérés à travers
un mode de management visuel à la fois atelier et informatique.
Concernant l’aspect organisationnel, la formation inclut une approche empirique pour démontrer le besoin
de changer certains paradigmes de gestion pour maximiser la vitesse du flux à l’intérieur du système.
En effet dans leur article commun, Carol Ptak et Alfonso Navarro1 proposent des mises à jour permettant au
processus S&Ops d’être plus apte à s’adapter. En effet, le DDS&Ops renforce l’aspect bidirectionnel du S&Ops
en s’appuyant sur le contrôle de l’évolution des buffer mis en place dans l’organisation. Ainsi, lorsque des
décisions de lancement et/ou fin de nouveaux produits sont prises, ou plus simplement lorsqu’il s’agit de
contrôler que les actions mises en œuvre au niveau de la stratégie commerciale apportent les résultats
escomptés, les buffers mis en place, dans la méthodologie DDMRP permettent de contrôler et mettre en
exergue ces éléments. En effet, avec le système de suivi de l’évolution des buffers (mis en œuvre pour
satisfaire une introduction de nouveaux produits), l’organisation peut détecter la surconsommation ou sous
consommation de ces buffers permettant d’engager une réflexion sur les décisions à prendre par l’équipe de
management. L’intérêt des buffers est d’autant plus renforcé car ils permettent d’avoir une vision quasi
instantanée de la situation du flux.
On peut voir dans le processus DDS&OP, une référence à John Boyd et son concept de OODA Loop dans
lequel l’Observation, l’Orientation, les Décisions et les Actions sont parfaitement interconnectées afin de
détecter et de s’adapter rapidement aux variations du système.2
1
DD S&Ops – Carol Ptak and Alfonso Navarro. : S&OP VERSUS PULL BASED MODELS: A CHRONIC CONFLICT?
2
https://fr.m.wikipedia.org/wiki/Boucle_OODA
Un des chefs de projet US avait ainsi mis en œuvre le pilotage d’une usine clé en Europe en flux tiré. Son
obsession étant de ne pas utiliser de prévision, il avait basé les consommations moyennes par jour sur
l’historique des ventes des trois derniers mois, censé représenter la « vraie demande ». Lorsque les ventes
se sont emballées en octobre – comme chaque année – alors que la « vraie demande » était calculée sur
juillet-septembre, période faible, que pensez-vous qu’il s’est passé ?
Il a fallu 5 mois à l’usine, à pleine capacité, pour se remettre d’aplomb, et un an à l’entreprise pour retrouver
la confiance de ses clients…
Les meilleures entreprises atteignent une qualité de prévision de 75 à 80% au niveau article par mois –
autrement dit, elles se trompent de 20 à 25%.
Combien d’investissements en logiciel, combien de temps passé par de multiples équipes pour en arriver là ?
Dans une conférence SC récente, le conférencier constatait que la qualité des prévisions allait en se
dégradant, du fait des environnements de plus en plus concurrentiels, des portefeuilles produits de plus en
plus larges, de la volatilité de la demande, etc.
Sa conclusion était qu’il fallait encore plus porter d’attention au processus de prévision, utiliser le big data
pour détecter les signaux faibles, tracer la source des besoins aux comportements clients, B2B ou B2C…
Hum, vraiment ? Ne faudrait-il pas plutôt porter son attention sur l’établissement d’une supply chain
agile moins sensible aux erreurs de prévision, qui ne feront que croître ?
Votre équipe supply chain / opérations, qui doit positionner les bonnes ressources au bon moment pour
répondre à la demande. Confiez à cette équipe le pilotage et l’administration du processus de prévisions.
Par contre les équipes ventes et marketing ont accès à des informations marché qui sont essentielles pour
interpréter et influencer les projections issues d’une simple analyse de données.
Nous avons récemment rencontré une entreprise qui fonctionne en B to B, qui apporte un soin particulier à
établir des prévisions statistiques, et qui projetait des volumes en croissance sur la base d’une augmentation
récente de la consommation de la part d’un de ses clients clés. Il s’est avéré en fait que ce client planifie un
arrêt long de son usine pour mettre en place de nouveaux investissements, et donc constitue un stock
d’anticipation…
> Collecter, analyser et nettoyer les historiques de vente ou de prise de commande, en se concentrant
sur les articles qui en valent la peine et sur le bon niveau d’agrégation.
> Interagir avec les experts produits et ventes – se rencontrer et échanger au moins une fois par mois !
> Etablir les prévisions agrégées pour le S&OP, avec éventuellement plusieurs alternatives.
> Ajuster votre modèle opératoire – ses buffers de stock, de capacité et de temps – en fonction de la
projection de demande.
Malheureusement aujourd’hui de trop nombreuses entreprises font l’inverse, orientées souvent vers cela
par leurs déploiements d’outils DRP ou CRM !
A l’opposé du spectre, de multiples solutions très sophistiquées et coûteuses ont connu un essor important
dans les dernières décennies. Ces solutions proposent une multitude d’algorithmes sélectionnés par un
système expert, et y ajoutent souvent la promesse d’améliorer le service au travers de logiques d’APS, de
gérer le S&OP, de calculer les stocks de sécurité, de piloter les flux d’approvisionnement. Bien souvent ces
lourds investissements se sont révélés très décevants…
Ce produit est vendu par un ou deux, à intervalle variable. Compte tenu du délai attendu par les clients, il
doit être livré en délai court.
La vraie question que vous devez vous poser est : quel modèle opératoire piloté par la demande dois-je
mettre en place pour répondre aux commandes sur cet article ? Est-ce que je dois stocker cet article ?
Comment déclencher son réapprovisionnement ? Est-ce que je peux le réaliser en différentiation
retardée ?…
Pour un tel article, n’utilisez pas l’énergie de vos équipes à élaborer une prévision fausse : concentrez vos
efforts pour mettre en place un modèle opératoire agile et tiré par les commandes réelles.
Everybody knows about Manufacturing Resource Planning (MRPII); created in the 1970s, it is the most
widespread planning method in the world. This methodology plans the manufacturing activities of a
company based on demand forecasts: it is what we call a “push flow method”. MRPII is built on multiple
processes from strategic to operational levels, from business planning, to capacity requirements
planning.
However, markets have drastically evolved for the last 30 years, with a highly instable demand from
customer, resulting in high nervousness through all Supply Chains; this is the famous “bullwhip effect”.
To solve this problematic, industrials tried to move from a “push flow” method to a “pull flow method”
such as Kanban or ConWIP (Constant Work in Process).
Since 2011, another promising method has appeared: Demand-Driven MRP aims at positioning and
dimensioning buffers in order to lower variability sources in the Supply Chains.
But is it truly more efficient than that good old chap MRPII ?
The case study is based on Kanban serious game from the “Centre International de la Pédagogie
d’Entreprise“ (CIPE). A Discrete-Event Simulation (DES) approach is retained to get predictive results.
The tool will process different scenarios, and show the impact of MRPII strategy vs DDMRP strategy,
regarding On-Time Delivery (OTD) and Working Capital (WC, valuation of Work in Process and stocks).
Several sources of variabilities are combined: internal (instability of operating times and setups) and
external (spike demand and seasonality of demand).
The case study represents a company producing reducers made of three parts. The goal is first to
achieve 100% of OTD (minimum of 99,3%), then to minimise the Working Capital.
Sc1 Initial scenario Kanban serious game with stable weekly demand profile
Sc2 Sc1 + Internal variability Triangular laws (+/- 50%) on operations lead times and set-up.
Sc4 Sc3 + Demand visibility Demand is known 1 week (assembly Lead time) before
Sc5 Sc1 + High demand spikes Demand is known 1 week (assembly lead time) before with spikes up
and visibility to 20 times forecasted demand.
The following table shows the results between MRPII strategy and DDMRP strategy. The reference
scenario is Scenario 1 with MRPII policy, set as base 100.
DDMRP 100 98
The objective OTD is nearly always satisfied with DDMRP policy. MRP II also reaches satisfactory OTD
levels for all scenarios except when demand variability becomes too high (Sc5). Furthermore, it can be
clearly seen that DDMRP requires less Working Capital to achieve the OTD objective. Moreover, it has
been demonstrated that DDMRP is highly stable when facing variabilities, unlike MRPII.
Fig. 2 : MRPII response : replenishment orders on final product (R3) and 2 components (Yellow Gear /
Red oil pan)
Fig. 3: DDMRP response : replenishment orders on final product (R3) and 2 components (Yellow Gear /
Red oil pan)
DDMRP shows smaller and more stable replenishment orders than MRPII, both in size and in
components needed. As a consequence, the frequency of orders is higher for DDMRP than for MRPII:
however this does not generate a so big increase in the number of setups for the machines.
Therefore, the case study demonstrates that DDMRP is fully effective in regulating the system variability.
On top of that, it has been showed that the stocks distribution is better with DDMRP; stocks are centred
on the optimal stock level, unlike MRPII were stock distribution is bimodal : either too much or too low.
Nous avons sollicité les praticiens du groupe LinkedIn DDMRP en Français sur leur mode de calcul – 24
projets ont fait l’objet de réponses, merci à tous les participants !
L’histoire ne dit pas si le panel est statistiquement représentatif, mais nous espérons que les réponses
vous seront utiles pour vos propres projets.
Non, les prévisions sur les produits finis ne sont pas mortes avec DDMRP… Par contre leur utilisation est
radicalement différente du MRP conventionnel, puisqu’elles ne font que dimensionner les buffers, qui
seront actionnés par la demande réelle. On voit qu’en fonction des environnements et des articles
prévisions ou historiques sont utilisés. Le mode mixte historique/prévision semble encore expérimental.
Une autre approche consiste à repartir des CMJ de produits finis auxquelles on applique les
nomenclatures actives – ou, de manière similaire, les résultats de calculs de besoin de niveau supérieur.
On voit qu’une approche circonstanciée s’impose, d’autant que les tailles de lot de lancement viennent
générer des fluctuations de consommation.
Dans plus d’un tiers des témoignages, on ne dispose pas nécessairement des données qu’on
souhaiterait. Ce n’est pas nécessairement grave, ne sous-estimez pas la puissance des buffers…
Si le minimum de commande est (très/trop) élevé, le stock porté va être élevé et donc contraire à la notion
d’écoulement du flux. Si il est « oublié » lors du paramétrage, le système va dériver (commandes non
cohérentes, retards, etc.).
La réflexion sur les minimums de commande et leur utilisation doit couvrir plusieurs aspects :
> Se focaliser sur les articles ayant un minimum de commande réellement impactant.
> La différentiation entre les minis de commandes « réels » (les minimums d’appels) et les commandes
ouvertes, lors du paramétrage.
> La réduction des minimums de commande – en amont de la mise en place de DDMRP, et en
collaboration avec les fournisseurs.
8. A propos d’AGILEA
Le voyage Demand Driven d’AGILEA a commencé fin 2013, quand 3 consultants seniors trouvent dans
cette méthodologie la réponse à des questionnements qu’ils avaient dans leurs « anciennes vies »
d’industriels.
De lectures en formations, ils deviennent certifiés CDDP et décident de faire profiter les clients AGILEA
des avantages de DDMRP.
Depuis 2016, AGILEA est le 1er centre de compétences "Demand Driven" français, qui intègre une offre
complète : Formation - Conseil - Outils. Nos équipes sont certifiées par le Demand Driven Institute et
reconnues pour leur capacité à accompagner la transformation et à faciliter l'adhésion de vos équipes.
Nous avons formé plus de 350 professionnels de la Supply Chain, et accompagné 24 projets industriels
de tous horizons : aéronautique, chimie, pharmaceutique, caoutchouc, et bien d’autres.