Laboratoire Littlefield

Nous avons commencé notre analyse en recherchant les goulets d'étranglement existant dans le
système actuel. Il a été facilement identifié que des problèmes majeurs existaient dans le processus de
commande. Sans calculs, il était possible de savoir que le point de commande était trop bas, car les
graphiques historiques montraient des niveaux de stock à zéro pendant deux jours ou plus à la fois. Le
nombre d'emplois dans les commandes des clients a connu des pics corrélatifs au moment des ruptures
de stock. Nous avons examiné l'utilisation et les files d'attente des autres stations du système, mais nous
avons hésité à procéder à des changements immédiats, car nous n'étions pas entièrement certains des
effets de la correction de la politique d'inventaire.

Pour corriger la politique d'inventaire, nous voulons trouver la quantité optimale de commande sur la

base du calcul EOQ=

√2 DS . La demande a été calculée en prenant le nombre moyen de commandes de
❑

H
clients par jour sur les 50 premiers jours. Nous avons obtenu un chiffre proche de 12,24 commandes par
jour, que nous avons multiplié par 268 jours pour l'ensemble de la simulation. Les frais d'établissement
ont été fixés à 1 000 dollars par commande et le coût de détention a été calculé en multipliant le coût
unitaire par le taux d'intérêt, ce qui nous a donné un rendement de 60. Sur la base de ces informations,
le QEO est de 331 unités après arrondi. D'après l'historique, il s'agit de la deuxième modification que
nous avons apportée à la politique d'inventaire, contre 299 auparavant. Ceci est le résultat d'une
discussion sur la demande, où nous avions calculé la demande sur la base de 218 jours pour la
simulation au lieu des 268 jours de la simulation réelle. Ensuite, nous avons voulu fixer le point de
commande afin d'éliminer les ruptures de stock et nous avons déterminé que nous voulions le faire tout
en maintenant un niveau de service de 95 %. Puisque R = DDLT moyen+z*écart-type du DDLT, nous
devons calculer le DDLT moyen, z et l'écart-type de la demande. Pour le DDLT moyen, nous avons utilisé
le délai de 12,24 * 4 jours, ce qui nous a donné une valeur arrondie de 49. Excel a été utilisé pour
calculer z=1,64 pour le niveau de service de 95%. Nous avons trouvé l'écart-type du DDLT en multipliant
le carré du délai d'exécution par l'écart-type de la demande, ce qui nous a donné un chiffre arrondi de
61.

Après avoir résolu les problèmes liés à la politique d'inventaire, nous avons décidé d'attendre de voir
comment l'élimination de ce goulot d'étranglement particulier affecterait le système. Les données sur
l'utilisation et le temps de passage d'un échantillon dans une station ont été difficiles à obtenir en raison
du grand nombre de commandes de clients qui sont souvent passées après l'arrivée des stocks.

PARAGRAPHE DE FRANK

À la deuxième station, nous avons décidé de ne pas changer la politique de commande de FIFO. En
rédigeant une analyse de cas sur la lecture de l'assurance Manzana, nous avons rappelé les luttes
importantes et les goulets d'étranglement causés par la priorité accordée à un type de police par
rapport à l'autre. Notre principale préoccupation était de réduire le délai global du système et le fait de
donner la priorité à la station deux ou quatre par rapport à l'autre allait augmenter le temps passé à
cette station et entraîner une baisse de l'efficacité. Si l'utilisation des machines est élevée, le temps de
traitement des unités l'est également, ce qui se répercute sur le délai d'exécution global.

En ce qui concerne le choix des contrats, nous nous en sommes tenus dans un premier temps au
premier contrat. À ce stade, les délais d'exécution étaient encore beaucoup trop élevés pour passer aux
autres contrats, et les recettes seraient probablement nulles puisque le système actuel ne permettait
pas d'obtenir un délai d'exécution inférieur à quatre jours et que le maximum autorisé dans le cadre du
contrat n° 2 était de trois jours. Les améliorations apportées au système ont permis de réduire
considérablement le délai d'exécution en très peu de temps. Lorsque nous nous sommes rapprochés
d'un délai d'exécution de près d'un jour, nous sommes passés au contrat n° 2. Le changement n'a pas
été effectué à l'approche d'un délai d'exécution de trois jours, car les pénalités étaient si importantes
entre un et deux jours que nos recettes auraient été bien inférieures à notre performance dans le cadre
du troisième contrat. Cette même logique a été appliquée lors du passage du deuxième au troisième
contrat, qui n'a eu lieu qu'à sept jours d'intervalle en raison des améliorations considérables apportées
au système par notre changement de machines.

Le laboratoire fermant ses portes le 268e jour, nous voulions modifier notre dernière commande pour
laisser le moins de stock possible tout en répondant à la demande. Nous avons recalculé le taux
d'arrivée moyen sur l'ensemble de la simulation pour qu'il soit d'environ 11,8 commandes par jour, que
nous avons arrondi à 12 pour un petit tampon. Sur la base de cette consommation quotidienne, nous
avons déterminé le jour du prochain point de commande, à savoir le jour 222. Nous avons voulu
connaître la demande pour les 46 derniers jours avec une moyenne de 12 commandes par jour et nous
avons obtenu le chiffre de 552 unités nécessaires pour répondre à la demande des 46 derniers jours.
Comme nous disposions déjà de 61 unités au moment de la commande, nous avons soustrait ce chiffre
des 552 pour obtenir une valeur de commande finale de 491. Cette valeur devrait nous permettre
d'avoir un faible niveau de stock à la fin de la simulation. Pour ce faire, nous avons dû modifier le point
de commande en le ramenant à zéro. Cette stratégie repose en grande partie sur le fait que le
laboratoire n'existe plus depuis le 268e jour ; si ce n'était pas le cas, nous ne recommanderions pas ce
plan.

Comment parvenir à des décisions optimales et quelles sont les statistiques des opérations après
l'optimisation ?

1 Approximation grossière du taux de service de la machine μ sur la base des statistiques des 5 premiers
) jours :
Station 1 2 3
Taux d'arrivée = Th = λ (emplois par jour) 12.24 12.24 12.24
Machines 3 1 1
Utilisation de la station 90% 94% 70%
Taux de service des machines μ =
λ/(m*Utilisation) 4.533 13.021 17.486
 (travaux par jour)

2 Améliorations approximatives des délais dans le plan optimisé (via l'augmentation la plus faible de M pour
) une amélioration maximale de Lq)
Plan initial Plan optimisé
Station 1 2 3 1 2 3
Taux d'arrivée = Th = λ (emplois par jour) 12.24 12.24 12.24 12.24 12.24 12.24
Taux de service de la machine μ (travaux par jour),
à partir de l'étape 1. 4.533 13.021 17.486 4.533 13.021 17.486
Machines 3 1 1 5 2 2
Lq (selon le tableau Cheat-cheat) 7.354 18.050 1.630 0.198 0.277 0.098
λ/μ 2.700 0.940 0.700 2.700 0.940 0.700
Temps d'attente = Wq = Lq/λ (jours) 0.601 1.475 0.133 0.016 0.023 0.008
Temps de service = 1/μ (jours par travail) 0.221 0.077 0.057 0.221 0.077 0.057
Ws = Wq + 1/μ (jours) 0.821 1.551 0.190 0.237 0.099 0.065
Délai d'exécution = Total Ws = Ws1+2*Ws2+Ws3
(jours) 4.115 0.501

3
) Vérification a posteriori du délai d'exécution de nos configurations optimales pour l'exécution du contrat 3
Station 1 2 3
Taux d'arrivée = Th = λ (emplois par jour) 12.24 12.24 12.24
Machines 5 2 2
Utilisation de la station 50% 45% 45%
Taux de service des machines μ =
λ/(m*Utilisation)
(travaux par jour) 4.896 13.600 13.600
λ/μ 2.500 0.900 0.900
Lq (selon le tableau Cheat-cheat) 0.130 0.229 0.229
Temps d'attente = Wq = Lq/λ (jours) 0.011 0.019 0.019
Temps de service = 1/μ (jours par travail) 0.204 0.074 0.074
Ws = Wq + 1/μ (jours) 0.215 0.092 0.092
Délai d'exécution = Total Ws = Ws1+2*Ws2+Ws3
(jours) 0.492