Demand Driven MRP

(DDMRP)

Comprendre les fondamentaux et les apports

de la méthodologie

AGILEA
1er centre de compétences Demand Driven en France
 Table des matières
1. Introduction au DDMRP .............................................................................................................. 2

2. MRPII vs DDMRP : Vive l’indépendance ! .................................................................................... 6

3. Avec DDL, faites sauter le bouchon ! .......................................................................................... 8

4. Le Demand Driven Sales & Operations Planning....................................................................... 10

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

6. MRP2 vs DDMRP : guess who wins ?......................................................................................... 16

7. Comment calculer la CMJ ? ....................................................................................................... 19

Demand Driven MRP 1

 1. Introduction au DDMRP

a. Pourquoi DDMRP aujourd’hui ?

Au-delà de MRP et de Lean...

Au cœur de tout système ERP moderne il y a MRP :

> Conçu dans les années 1950
> Codé dans les années 1960
> Commercialisé dans les années 1970 et...
> ... Il n'a pas changé depuis

Pourtant le monde a changé !

> Les produits prolifèrent
> Les cycles de vie de produit raccourcissent
> La demande est de plus en plus volatile
> Les erreurs de prévision augmentent
> Les Supply Chains sont plus globales et complexes
> Les clients attendent des délais toujours plus courts
> Il y a de plus en plus de composants à longs délais
> La pression sur les stocks s’accroît
> Les contraintes règlementaires augmentent

La boite à outil Lean permet de progresser, mais...

> Elle s’applique bien dans un environnement stable, sur une portion limitée de la supply chain
> Pour des produits et des supply chains complexes, dont la demande est volatile, elle n’apporte
pas toutes les solutions

… il y a Demand Driven MRP !

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.

Au cours des dernières décades, les

tenants de ces démarches se sont
souvent affrontés.
DDMRP réconcilie ces approches dans
un tout cohérent, qui se met en œuvre
rapidement, et délivre des résultats
rapides.

Demand Driven MRP 2

 b. Que propose la méthode DDMRP ?

DDMRP se décline en 3 phases et 5 composants :

Phase 1 : Conception du modèle

1. Positionnement des stocks stratégiques

> Définir le modèle de fonctionnement cible : les flux, les délais, les points de pilotage, les
mécanismes d’amortissement et de protection du flux,
> Connaitre les facteurs importants pour le positionnement des stocks, pour pouvoir
ensuite les prendre en compte dans leur propre environnement,
> Identifier les points de leviers dans les nomenclatures, de façon à optimiser le nombre de
buffers à mettre en place,
> Comprendre la notion de « délai découplé », et s’en servir comme paramètre décisionnel
pour le placement des buffers.

2. Détermination des profils de buffers

> Identifier les catégories d’articles en fonction de leurs caractéristiques de délai, de
variabilité et de tailles de lot,
> Lister les facteurs à prendre en considération par typologie d’article, comprendre leur
signification, pour pouvoir choisir des valeurs adaptées à l’environnement de chacun,
> Comprendre la logique des zones de buffers (vert / jaune / rouge), leurs modes de calcul
et de mise à jour,
> Valider le modèle économique de déploiement des stocks.

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

4. Génération des réapprovisionnements en flux tiré

> Déclenchement des signaux de réapprovisionnement selon l’équation de flux disponible,
> Détection et traitement adapté des commandes exceptionnelles de manière à préserver
le flux,
> Amortissement de la variabilité de la demande pour gérer un flux régulé de
réapprovisionnement,
> Remplacement de la logique conventionnelle de programme directeur de production par
un flux régulé piloté par la demande client.

Demand Driven MRP 3

Phase 3 : Exécution

5. Pilotage visuel et collaboratif de l’exécution

> Pilotage des priorités relatives aux ordres en cours en fonction de la disponibilité et non
en fonction des dates pour les réapprovisionnements de stock,
> Pilotage visuel, par exception, des alertes d’exécution ciblées,
> Focalisation des équipes sur les réelles priorités pour protéger le flux,
> Suivi de la performance et déclenchement des actions d’amélioration continue

c. LES FORCES DE DDMRP

Les buffers de stock constituent une manière rapide d'insérer des amortisseurs de chocs. Ils
interrompent la propagation et l'amplification de la variabilité dans les deux sens tout en réduisant le
délai.

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 ».

Détecter les variations de la demande client et s'y

adapter
Contrairement au mode de flux tiré de type kanban
traditionnel, DDMRP permet de détecter les
variations de demande client et d’y adapter en continu la supply chain.

Combiner dépendance et indépendance

La force de MRP réside dans l’aptitude à calculer les besoins en composants en utilisant les
nomenclatures.
Le kanban traditionnel ignore les nomenclatures et génère un signal basé sur la consommation réelle.

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.

Piloter de manière visuelle

L’ensemble de la méthodologie adopte des outils de pilotage visuel, tant pour la planification que pour
l’exécution. A l’inverse de MRP qui est souvent vécu par les utilisateurs comme une « boîte noire »,
DDMRP permet de visualiser en couleur le fonctionnement de la Supply Chain.

Demand Driven MRP 4

 d. De plus en plus d’entreprises adoptent DDMRP

Bien que de tailles et de natures variées...

> Fabrication à la commande ou sur stock
> Production ou distribution
> De quelques millions à plusieurs milliards d’Euros
> Avec des produits très complexes ou des produits simples
> En productions unitaires personnalisées ou en grande série
> ...

... toutes témoignent des mêmes résultats

> Amélioration rapide des livraisons à temps, réduction des stocks
> Plus de sérénité opérationnelle et de résilience de la supply chain
> Une meilleure adaptation à l’évolution de la demande et aux crises
> Une grande visibilité pour tous les acteurs
> Une mise en œuvre de DDMRP à la fois progressive et rapide

Découvrez le témoignage de Figeac Aero, pionnier de DDMRP en France :

https://youtu.be/flK5G5YAZC0

Demand Driven MRP 5

 2. MRPII vs DDMRP : Vive l’indépendance !

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%.

Les principaux ingrédients de cette réussite ont été :

> Une discipline de prévision réaliste animée par une équipe de Demand Management pour projeter
au mieux les besoins.
> L’intégration de nos fournisseurs asiatiques dans une boucle de planification intégrée, qui nous a
permis de mettre en œuvre un appel de livraison hebdomadaire pour expédition d’Asie la semaine
suivante de l’assortiment produit requis.

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 ».

Demand Driven MRP 6

La démarche Demand Driven, et en particulier DDMRP, met au cœur du système la création de points de
découplage pour absorber la variabilité, réduire les délais et réduire l’investissement global en capital.
L’insertion de ces points de découplages absorbe les distorsions de signal issues des erreurs de prévision, et
ne répercute que la demande basée sur la consommation réelle.

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…

Auteur : Bernard MILIAN, AGILEA

Demand Driven MRP 7

 3. Avec DDL, faites sauter le bouchon !
Dans la plupart des organisations qui sont soumises à de forte croissance comme celles de l’aéronautique, bon
nombre de ressources (machines, hommes) représentent des risques de saturation de capacité engendrant
des goulots d’étranglement à la fois structurels, ponctuels mais aussi sauteur. Le but de cet article est de vous
présenter un mode de gestion de ces points de contrôle.

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 :

Demand Driven MRP 8

 Dans la partie haute de la représentation, nous pouvons voir une modélisation d’un flux poussé au sein de
différentes ressources d’un atelier. L’en-cours sur chaque machine est relativement élevé car le débit de la
ressource A est supérieur aux autres. Cela a pour conséquence d’alimenter les centres de charges tout en
engorgeant la ressource C.

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.

Auteur : Anthony Fouqué, AGILEA

Demand Driven MRP 9

 4. Le Demand Driven Sales & Operations Planning
Le processus Sales and Operations Planning a été développé il y a quelques années dans un environnement qui
était encore relativement stable mais nécessitant de prendre des décisions impactant l’organisation sur le
moyen-long terme. De la même logique que le MRP, il a été conçu avec des pré supposés qui ont fortement
changé depuis les années 90. En effet, le phénomène VUCA (Volatilité, Incertitude, Complexité, Ambiguïté) n’a
cessé de s’accélérer depuis ces dernières années. Par conséquent, le processus S&Ops est en train de subir des
modifications profondes. L’une des modifications qui est en train d’émerger est basée autour de la
méthodologie Demand Driven.

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

Demand Driven MRP 10

D’un point de vue technique, le modèle DDS&Ops repose donc sur l’utilisation des buffers associé à un
dimensionnement du flux du système prévisionnel. Il s’agit de déterminer quelle est la fenêtre de temps où
la prévision est plus pertinente que la consommation réelle et vice versa. Les prévisions et les buffers ne sont
pas opposés l’un à l’autre mais complémentaires sur des échelles de temps différente. L’évolution du buffer
étant l’interface entre la partie tactique de DDMRP et la partie stratégique du système.

Par conséquent, le DDS&OP ne remet pas en cause l’implication nécessaire, ou le leadership, de

l’organisation utilisant ce processus. En effet dans un monde VUCA, même connecté avec le concept de
OODA loop, le management décisionnel est d’autant plus important. Il convient donc de renforcer la vitesse
d’exécution de ce processus ainsi que le niveau de leadership associé.

Demand Driven MRP 11

 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) ?
The F*** world
J’ai travaillé il y a quelques années dans un groupe américain en pleine transformation Lean, s’appuyant à
l’époque sur les principes de Demand Flow Technology élaborés par John Constanza. Les leaders de cette
transformation dans l’entreprise étaient de farouches opposants à toute prévision – « Forecast » était
considéré dans l’entreprise comme « The F*** word », à bannir. Tout devait être fait sur la base de la « true
demand », la vraie demande.

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…

Devez-vous casser votre boule de cristal ?

L’exemple semble caricatural, il est pourtant bien réel. Que manquait-il à cette entreprise ? Un peu moins
de dogmatisme et un peu de bon sens, pour alimenter un processus S&OP avec des prévisions agrégées
pertinentes, et ajuster les boucles kanban en fonction de ces prévisions déclinées sur les articles stratégiques.
Sur l’horizon stratégique qui alimente votre processus S&OP, absolument, vous avez besoin de prévoir, au
juste niveau de détail qui va permettre d’anticiper à temps les ressources critiques.
Piloter en flux tiré par la demande nécessite d’anticiper de manière pertinente, c’est à dire de prévoir, pour
dimensionner le système qui va répondre à court terme, de manière autonome, aux commandes réelles. A
la base d’une boucle kanban il y a un « takt time »… qui n’est rien d’autre qu’une prévision.

Quel est le juste effort de prévision ?

Dans de nombreuses entreprises, le processus de prévision est un énorme gaspillage.
Gardez en tête les trois lois qui s’appliquent aux prévisions :
> Les prévisions sont toujours fausses
> Plus les prévisions sont détaillées, plus elles sont fausses
> Plus les prévisions sont éloignées dans le temps, plus elles sont fausses

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 ?

Demand Driven MRP 12

Les prévisions doivent-elles être faites par les Ventes ?
Pour avoir du succès, une force de vente doit être optimiste ! Les lancements de nouveaux produits vont
marcher du feu de Dieu, cette promotion va laisser les concurrents sur place – c’est humain, et sain pour
motiver une force de vente.
Etes-vous sûrs de vouloir aligner votre capacité et vos stocks sur cet optimisme ?
Qui, dans votre organisation, a besoin de prévisions pertinentes ?

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.

Quels algorithmes adopter ?

Plus que d’algorithmes statistiques sophistiqués, votre processus de prévisions a besoin d’une collaboration
efficace pour capter les informations pertinentes. Plus que de maths, vous avez besoin d’humains !

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.

Quel niveau de détail ?

N’additionnez-pas des prévisions par pays ou par client pour élaborer votre prévision agrégée. Plus les
prévisions sont détaillées, plus elles sont fausses. Additionner des prévisions détaillées ne fera qu’amplifier
les erreurs à un niveau global. Travaillez au niveau le plus agrégé possible, et réconciliez avec les évènements,
les informations marché dont vous avez connaissance à un niveau détaillé.

Malheureusement aujourd’hui de trop nombreuses entreprises font l’inverse, orientées souvent vers cela
par leurs déploiements d’outils DRP ou CRM !

Quel logiciel utiliser ?

Beaucoup gèrent leurs prévisions sur Excel, ou en utilisant leur outil de business intelligence. Ce n’est pas le
plus approprié pour assurer l’efficacité du processus collaboratif.

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…

Demand Driven MRP 13

Avec l’essor du cloud, de nouvelles alternatives voient le jour, d’outils centrés sur le processus de
collaboration, et peu onéreux. Ces solutions me semblent plus adaptées à ce que nous recherchons : le juste
effort d’anticipation, au juste prix…

Établir un modèle adaptatif piloté par la demande

Revenez aux bases de votre besoin de prévision. En soi, ce qui vous intéresse n’est pas de prévoir ! Vous voulez
juste être capable de répondre en délai court à une commande client, de manière profitable. Pour cela vous
devez anticiper, pour disposer des bonnes ressources au bon endroit au bon moment. La question est de
réapprovisionner de la bonne manière, pas de prévoir – c’est-à-dire d’établir un modèle opératoire piloté
par la demande (Demand Driven Operating Model).
Prenons un exemple. Avec la diversification des portefeuilles produit, de plus en plus d’articles présentent
des profils de demande sporadiques.

Prenons l’exemple du produit présentant la demande ci-dessous :

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.

Est-ce qu’une prévision va vous aider à traiter cet article ?

Soit vous prévoyez une vente de 2 ou de 1 tous les x mois, et vous avez toutes les chances de positionner
cette prévision sur le mauvais mois – soit vous prévoyez 0.2 par mois – ce qui ne correspondra jamais aux
ventes. Vous êtes donc condamnés à une fiabilité de prévision de 0%.
Est-ce que ça vous empêche sur cet article de fournir à vos clients un excellent service tout en optimisant
l’utilisation de vos ressources ? Non.

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.

Demand Driven MRP 14

En conclusion :
> Oui, vous avez besoin d’anticiper, mais au bon niveau de détail :
o Par famille pour votre Plan Industriel et Commercial (S&OP)
o De manière plus détaillée sur les articles stratégiques
o Top down
> Plus que d’algorithmes, ce dont vous avez besoin c’est d’un processus collaboratif
> Confiez ce processus à vos équipes opérations
> Utilisez un logiciel adapté, centré sur la collaboration, évitez les usines à gaz
> Ne déclenchez pas vos approvisionnements et vos fabrications sur les prévisions : créez un modèle
opératoire ajusté par les prévisions mais actionné par les commandes de vente.

Auteur : Bernard Milian, AGILEA

Demand Driven MRP 15

 6. MRP2 vs DDMRP : guess who wins ?
This article is inspired by the scientific article: R. Miclo, F. Fontanili, M. Lauras, J. Lamothe and B. Milian,
“An empirical comparison of MRPII and Demand-Dirven MRP”. Proceeding of the 6th MIM conference,
June 2016.

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).

Fig. 1: Kanban and ConWIP vs. push system

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.

Demand Driven MRP 16

5 scenarios have been tested as follow:

Table 1: Simulation scenarios

Sc# Scenario Parameters

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.

Sc3 Sc1 + Demand spike Spike = 8*forecasted demand

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.

Table 2: Scenarios assessment

Sc# Policy OTD% WC%

Sc1 MRPII 99.3 Base 100

DDMRP 100 101

Sc2 MRPII 99.6 101

DDMRP 100 98

Sc3 MRPII 99.5 125

DDMRP 99.8 105

Sc4 MRPII 99.8 138

DDMRP 99.4 116

Demand Driven MRP 17

 Sc# Policy OTD% WC%

Sc5 MRPII 94.5 197

DDMRP 99.8 158

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.

Auteurs : Camille Balard and Romain Miclo, AGILEA

Demand Driven MRP 18

 7. Comment calculer la CMJ ?
Une étape importante dans chaque projet DDMRP est de déterminer la méthode adaptée pour calculer
la consommation moyenne jour qui permet de dimensionner les buffers.

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.

Demand Driven MRP 19

Sur les niveaux inférieurs des nomenclatures, les choses se compliquent… La moitié des projets utilisent
les sorties de stock – ou les quantités correspondant aux OFs de niveau supérieur clôturés sur un horizon
donné. Celles-ci prennent en compte les surconsommations éventuelles, mais pas les évolutions de
nomenclatures.

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.

Demand Driven MRP 20

La grande majorité des projets utilisent un horizon de lissage de 1 à 6 mois. Trouver le bon équilibre
entre stabilité et réactivité reste la préoccupation, et chaque environnement diffère…

Demand Driven MRP 21

Pour la majorité des projets un même horizon de temps est appliqué à tous les articles. Toutefois,
plusieurs situations imposent de différencier le comportement, soit en fonction du niveau de
nomenclature, soit en fonction des familles d’articles, soit même différencié par article.

Demand Driven MRP 22

Pour les praticiens qui utilisent des prévisions, celles-ci sont lissées sur un horizon suffisant pour limiter
les effets de seuil (les marches d’escalier des prévisions mensuelles par exemple). Lorsque le délai
découplé de l’article est significatif, il est pertinent d’aller chercher la prévision à l’échéance du délai.

Demand Driven MRP 23

Les facteurs d’ajustement planifiés ne déclenchent pas nécessairement l’enthousiasme… Nombre
d’utilisateurs préfèrent utiliser une prévision plutôt qu’un facteur d’ajustement de la demande,
notamment en environnement promotionnel. Une minorité de praticiens s’est confrontée à l’utilisation
de FAP pour gérer des contraintes capacitaires. Nul doute que ce sujet doit évoluer, avec des outils
adaptés, pour assurer la cohérence de DDMRP et du DDS&OP.

Demand Driven MRP 24

La recommandation du DDI est de calculer la CMJ au minimum une fois par semaine, et de préférence
une fois par jour – mieux vaut un petit changement progressif tous les jours que des marches d’escalier
espacées. Les contraintes système dans une phase pilote sont souvent la cause de calculs peu fréquents.

Demand Driven MRP 25

Le besoin de filtrage des demandes exceptionnelles diffère en fonction de l’entreprise. Si vous ne les
filtrez pas, vous visez un stock destiné à couvrir toutes les demandes, en lien avec une zone rouge
élevée. Là aussi les contraintes système sont à rendre en compte car détecter les outliers et nettoyer
l’historique nécessite un processus adapté.

Demand Driven MRP 26

Le bon sens est au pouvoir, c’est rassurant ! N’oubliez pas : il s’agit d’être roughly right !
Ne repartez pas dans le gaspillage du sur-engineering de la prévision…
Confronter les modes de calculs envisagés aux données historiques est une pratique courante qui
permet de rassurer les équipes mais aussi d’alimenter le bon sens de l’équipe projet.

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…

Encore une fois merci aux participants de ce sondage !

Demand Driven MRP 27

 Réflexion sur les minimum de commande

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.

L’objectif : ne pas sur-contraindre le système et encourager la flexibilité.

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.

Découvrez toutes nos ressources en téléchargement sur notre blog.

Demand Driven MRP 28