THESE DE DOCTORAT DE

L'UNIVERSITE D'ANGERS
COMUE UNIVERSITE BRETAGNE LOIRE
Ecole Doctorale n° 602
Sciences pour l'Ingénieur
Spécialité : Génie Industriel
Laboratoire : LARIS

Amélioration de la chaine logistique de pièces de rechange

en boucle fermée : Application des modèles d’apprentissage
Thèse présentée et soutenue à Angers, le 18/12/2020
Unité de recherche : EA 7315____
Thèse N° : _____

Rapporteurs avant soutenance :

Samir LAMOURI Professeur à ENSAM Paris
Sylvie NORRE Professeur à Université d’Auvergne

Composition du Jury :
Président : Prénom Nom Fonction et établissement d’exercice (à préciser après la soutenance)
Examinateurs : Mitra FOULADIRAD Professeur à Université de Technologie de Troyes
Adnane LAZRAK Responsable Supply Chain : Solutions Clients à GEHC
Dir. de thèse : Bruno CASTANIER Professeur à Université d’Angers
Co-dir. de thèse : David LEMOINE Maitre-assistant à IMT Atlantique

Invité(s)
HEIDSIECK Robert Directeur du Service de Réparation Europe & EAGM à GEHC
CASTANIER Bruno Professeur à Université d’Angers
LEMOINE David Maitre-assistant à IMT Atlantique
Titre : Amélioration de la chaine logistique de pièces de rechange en boucle fermée : Application
des modèles d’apprentissage

Mots clés : chaîne logistique, pièces de rechange réparables, prévision, Machine Learning

Résumé : Dans le domaine de service après- La grandeur de la chaine logistique et sa

vente et particulièrement dans la maintenance, complexité, le grand nombre des références de
l’intervention rapide et la réparation du bien du pièces ainsi que la multitude des cas spéciaux
client est un élément clé pour sa satisfaction et (pays avec de lois spécifiques, pièces
pour la création de l’image de marque dans le particulières…) fait que les approches
marché. classiques n’offrent pas des prévisions fiables
pour les services de réparation.
Le travail présenté dans cette thèse propose une
approche de type Machine Learning pour Dans ce projet, nous proposons des algorithmes
l’amélioration du flux informationnel de la chaine d’apprentissage permettant la construction de la
logistique de pièces de rechange. connaissance à partir de grands volumes de
données, au lieu des méthodes de prévision
Notre contribution se focalise sur la prévision de
classiques.
la charge dans les centres de réparation des
pièces de rechange, qui sont les fournisseurs Nous allons voir les modèles dans la littérature,
principaux des pièces utilisées pour réparer les présenter notre méthodologie, et ensuite
systèmes des clients. implémenter les modèles et évaluer leur
performance en comparaison avec les
algorithmes existants.

Title: The improvement of the closed loop spare parts supply chain: Applying Machine Learning
models

Keywords: supply chain, repairable spare parts, forecasting, Machine Learning

Abstract: In the field of after-sales service and The size of the supply chain and its complexity,
particularly in maintenance, rapid intervention the large number of part references as well as
and repair of the customer's property is a key the multitude of special cases (countries with
element for his satisfaction and for the creation of specific laws, particular parts, etc.) mean that
the brand image in the market. traditional approaches do not offer reliable
forecasts for the repair teams.
The work presented in this thesis proposes an
inspired Machine Learning approach for In this project, we propose learning algorithms
improving the information flow of the spare parts allowing the construction of knowledge from
supply chain. large sets of data, instead of classical
forecasting methods.
Our contribution is focused on forecasting the
load in spare parts repair centers, which are the We will study models in the literature, present
primary suppliers of spare parts used to repair our methodology, and then implement the
customer systems. models and evaluate their performance in
comparison with existing models.

3
4
5
Table des matières

Chapitre I : Contexte de la problématique industrielle : La chaîne logistique de pièces de

rechange réparables en boucle fermée ..................................................................................... 27
Introduction .................................................................................................................. 27
La chaine logistique ..................................................................................................... 28
1 Définition .................................................................................................................. 28
2 La structure de la chaine logistique ........................................................................... 29
3 Les flux de la chaine logistique ................................................................................. 30
3.1 Le flux Physique ................................................................................................ 30
3.2 Le flux informationnel ....................................................................................... 31
3.3 Le flux financier ................................................................................................. 32
La chaine logistique en boucle fermée......................................................................... 33
1 Définition .................................................................................................................. 33
2 Structure de la chaine logistique en boucle fermée ................................................... 34
3 Objectifs de la logistique en boucle fermée .............................................................. 34
3.1 La réutilisation des biens ................................................................................... 34
3.2 Le traitement et recyclage .................................................................................. 35
La chaine logistique de pièces de rechange ................................................................. 36
1 Définition .................................................................................................................. 36
2 Les particularités de la chaine logistique de pièces de rechange .............................. 37
2.1 La nature de la demande : .................................................................................. 37
2.2 La structure de la chaine logistique de pièces de rechange : ............................. 38
2.3 Le nombre de références de pièces de rechange : .............................................. 38
La chaine logistique en boucle fermée de pièces de rechange réparables ................... 38
1 Les pièces de rechange réparables et consommables ................................................ 39
1.1 Les pièces de rechange consommables .............................................................. 39
1.2 Les pièces de rechange réparables ..................................................................... 40
Conclusion ................................................................................................................... 41
Chapitre II : La chaine logistique de pièces de rechange de General Electric Healthcare . 42
Le conglomérat General Electric ................................................................................. 42
La branche General Electric Healthcare ...................................................................... 43
Le service de maintenance de GE Healthcare.............................................................. 43

6
 1 La chaine logistique de pièces de rechange réparables de GEHC ............................ 44
2 Le service de réparation des pièces de rechange de GEHC : .................................... 45
3 Particularités de la chaine logistique de pièces de rechange de GEHC : complexité,
volume et variabilité ........................................................................................................ 46
3.1 Diversité du portfolio des pièces de rechange de GEHC :................................. 46
3.2 La variation de la demande en fonction des pièces rechange et des régions ..... 47
3.3 La compatibilité entre les pièces de rechange.................................................... 47
Description du processus de gestion du point de vue des centres de réparation et du
point de vue du client ........................................................................................................... 49
1 Le retour des pièces de rechange............................................................................... 50
2 La réparation des pièces de rechange ........................................................................ 50
3 Le processus d’approvisionnement ........................................................................... 52
4 Présentation de la problématique industrielle ........................................................... 53
Conclusion ................................................................................................................... 55
Chapitre III : Positionnement scientifique de la problématique et contributions .............. 57
Positionnement scientifique ......................................................................................... 57
1 Littérature de la problématique de prévision dans la chaine logistique de pièces de
rechange ........................................................................................................................... 57
Méthodologies de prévision dans la littérature et l’utilisation des modèles
d’apprentissage dans le contexte de la chaine logistique ..................................................... 59
1 La tendance croissante des contributions en application d’intelligence artificielle en
chaine logistique .............................................................................................................. 61
2 Analyses des approches présentes dans la littérature : .............................................. 61
3 Analyses des différents cas d’utilisation des modèles : ............................................ 63
4 Contributions de la recherche .................................................................................... 64
4.1 Modélisation et mise en place d’un modèle Machine Learning de prévision de
la charge dans les centres de réparation dans une CL-PR-BF ..................................... 65
4.2 Implémentation d’un système de prévision de la charge, combinant des modèles
Machine Learning Hybrides et de la simulation .......................................................... 67
4.3 Mise en place d’un système d’aide à la décision et de prévision pour le service
de réparation de GEHC ................................................................................................ 67
Conclusion ................................................................................................................... 68
Chapitre IV : Modélisation UML de la chaine logistique de pièces de rechange en boucle
fermée 70
Introduction .................................................................................................................. 70
Le langage de modélisation UML................................................................................ 70
1 Définition .................................................................................................................. 70
2 Les différents diagrammes UML .............................................................................. 71
2.1 Les diagrammes de structure ............................................................................. 72

7
 2.2 Les diagrammes dynamiques ............................................................................. 73
3 Le langage UML en pratique .................................................................................... 74
Approche méthodologique proposée : La méthodologie ASCI ................................... 74
1 L’approche ASCI dans la littérature.......................................................................... 75
2 La démarche méthodologique ................................................................................... 75
2.1 Analyse .............................................................................................................. 76
2.2 Spécification ...................................................................................................... 77
2.3 Conception ......................................................................................................... 79
2.4 Implémentation .................................................................................................. 79
Modélisation UML de la CL-PR-BF ........................................................................... 80
1 Le sous-système physique ......................................................................................... 80
1.1 Les systèmes médicaux ...................................................................................... 82
1.2 La pièce de rechange .......................................................................................... 83
1.3 Les centres de distribution ................................................................................. 84
1.4 Le transport de pièces de rechange .................................................................... 85
1.5 Les centres de réparation ................................................................................... 86
2 Le sous-système logique ........................................................................................... 87
3 Le sous-système décisionnel ..................................................................................... 88
3.1 Les règles de gestion DRP ................................................................................. 89
3.2 Les règles de gestion logistique ......................................................................... 91
3.3 Les règles de gestion de réparation et d’intervention ........................................ 92
Le modèle de simulation de la CL-PR-BF – Cas d’application : GEHC..................... 92
Le modèle de résultats de la simulation de la CL-PR-BF.......................................... 103
1 Implémentation du modèle de simulation ............................................................... 103
2 Résultats du modèle de simulation sur les pièces de rechange de GEHC............... 106
2.1 Catégorie I : Les pièces avec l’achat seul (NB) comme solution optimale............. 106
2.2 Catégorie II : Les pièces avec la réparation seule (RP) comme solution optimale . 107
2.3 Catégorie III : Les pièces nécessitant une combinaison entre la réparation (RP) et
l’achat de pièces neuves (NB)............................................................................................ 109
3 Performance du modèle pour la prévision de la charge de réparation .................... 111
3.1 Processus de test de la performance du modèle ............................................... 111
3.2 Métriques d’évaluation de la performance des modèles .................................. 112
3.3 Résultats ........................................................................................................... 113
Conclusion............................................................................................................... 120
Chapitre V : Modélisation et implémentation d’un model Machine Learning pour la
prévision de la charge dans les centres de réparation dans une CL-PR-BF........................... 123
Introduction ................................................................................................................ 123

8
 Notions de base en Machine Learning ....................................................................... 124
1 Définition ................................................................................................................ 124
2 L'apprentissage supervisée et non supervise ........................................................... 125
2.1 L’apprentissage supervisé ................................................................................ 125
2.2 L’apprentissage non-supervisé......................................................................... 126
2.3 Autres méthodes............................................................................................... 127
3 La classification et la régression ............................................................................. 127
4 La classification....................................................................................................... 127
4.1 Définition ......................................................................................................... 127
4.2 Evaluation de performance des modèles de classification ............................... 128
5 La régression ........................................................................................................... 129
5.1 Définition ......................................................................................................... 129
6 Le sur apprentissage et le sous apprentissage ......................................................... 130
Implémentation d’un modèle Machine Learning pour la prévision de la charge des
centres de réparation dans une CL-PR-BF......................................................................... 130
1 Méthodologie d’implémentation de modèles d’apprentissage dans la littérature ... 130
2 Implémentation du modèle de résolution ................................................................ 131
2.1 La collecte de données ..................................................................................... 132
2.2 Le nettoyage de données .................................................................................. 134
2.3 Apprentissage du modèle ................................................................................. 139
2.4 Evaluation de la performance des modèles de régression ............................... 141
Conclusion ................................................................................................................. 151
Chapitre VI : Implémentation d’un modèle Machine Learning Hybride pour la prévision de
la charge dans les centres de réparation dans une CL-PR-BF ............................................... 155
Introduction ................................................................................................................ 155
Les modèles Machine Learning Hybrides dans la littérature..................................... 155
Implémentation du modèle Machine Learning Hybride pour la prévision de la charge
de réparation dans une CL-PR-BF ..................................................................................... 157
1 La structure du modèle Hybride .............................................................................. 157
2 Modèles additionnels pour la classification ............................................................ 158
2.1 KNN ................................................................................................................. 158
2.2 SVM (Support Vector Machines) .................................................................... 159
2.3 Les arbres de décision ...................................................................................... 160
2.4 Les forets aléatoires ......................................................................................... 161
3 Processus d’implémentation.................................................................................... 162
Evaluation de la performance du modèle hybride ..................................................... 164
Conclusion ................................................................................................................. 167
Chapitre VII : Conclusion, application industrielle et perspectives................................. 169

9
1 Conclusion............................................................................................................... 169
2 Application industrielle des travaux chez GEHC ................................................... 170
3 Perspectives ............................................................................................................. 173

10
11
Table des figures

Figure I.1 : Les types de chaines logistiques (Mentzer et al. (2001)) .................................... 29
Figure I.2 : Les flux de gestion de la chaine logistique (Tanyas et al. 2014) ......................... 30
Figure I.3 Les éléments du fonds de roulement (schéma inspiré du modèle Hofmann et al.
(2011))...................................................................................................................................... 33
Figure I.4: La forme générale d’une CL-BF (Khor et al. (2012)). ......................................... 34
Figure I.5: Le lien entre la CL-PR et le service de maintenance (Huiskonen et al. (2001)) .. 36
Figure I.6: La chaine logistique de pièces de rechange générique (Huiskonen et al. (2001)) 37
Figure I.7 : Les types de pièces de rechange .......................................................................... 39
Figure II.1: Les divisions de General Electric ........................................................................ 42
Figure II.2: Structure et équipes du service de maintenance .................................................. 44
Figure II.3: Les flux des pièces de rechange chez GEHC ...................................................... 49
Figure II.4: La structure d’un centre de réparation GEHC ..................................................... 51
Figure II.5 : Processus haut niveau de décision de planification ........................................... 53
Figure III.1: Le processus de filtrage des publications des revues de littératures.................. 60
Figure III.2: Nombre de publication en IA appliquée à la CL (Baryannis et al. (2019)) ...... 61
Figure III.3: Répartition des travaux en termes des variables d’entrée et de capacite à traiter
des donnes de masse (Baryannis et al. (2019)) ........................................................................ 63
Figure III.4: Répartition des travaux par les capacités des modèles de prise de décision, de
prévision et d’apprentissage (Baryannis et al. (2019)). ........................................................... 64
Figure III.5: Illustration de la phase de « training » d’un modèle Machine Learning (Gillian
et al. (2010))............................................................................................................................. 66
Figure III.6: La décomposition du problème et le type de modèles ML adaptes................... 66
Figure III.7: Combinaison entre les modèles Machine Learning et la Simulation ................ 67
Figure IV.1: Domaines sémantiques d'UML (Kautz et al. (2018)) ........................................ 71
Figure IV.2: Processus de modélisation ASCI (Lemoine et al. (2008)) ................................. 76
Figure IV.3: Présentation la distribution géographique et de l’expérience des participants au
sondage (Torre et al. (2018)) ................................................................................................... 77

12
Figure IV.4: Nombre de participants utilisant chaque langage de modélisation, repartis en
fonction du domaine d’activité (académique et industriel) (Torre et al. (2018)) .................... 78
Figure IV.5: Interaction entre les trois sous-systèmes (Lemoine et al. (2008)) ..................... 79
Figure IV.6: Le sous-système physique ................................................................................. 81
Figure IV.7: Modélisation UML du système médical et les différentes entités qui y sont
associe dans le sous-système physique .................................................................................... 82
Figure IV.8: Modélisation UML (Diagramme de classe) de pièce de rechange et les entités
qui y sont liées ......................................................................................................................... 84
Figure IV.9: Les centres de distribution ................................................................................. 85
Figure IV.10: Les entités de transport des pièces de rechange ............................................... 86
Figure IV.11: Les centres de réparation ................................................................................. 87
Figure IV.12: Le sous-système logique .................................................................................. 87
Figure IV.13: Vue globale des différentes règles de gestion du sous-système décisionnel ... 88
Figure IV.14: Les règles de gestion du modèle DRP pour une chaine logistique de pièces de
rechange réparables .................................................................................................................. 89
Figure IV.15: Les règles de gestion logistique ....................................................................... 91
Figure IV.16: Les règles de gestion de réparation et d’interventions ..................................... 92
Figure IV.17: Diagramme d’activité (UML) de la vue globale du processus de simulation
(partie 1) ................................................................................................................................... 94
Figure IV.18: Diagramme d’activité (UML) de la vue globale du processus de simulation
(partie 2) ................................................................................................................................... 95
Figure IV.19: Diagramme d’activité (UML) de la vue globale du processus de simulation
(partie 3) ................................................................................................................................... 96
Figure IV.20: Etapes d’exécution du modèle de simulation................................................. 105
Figure IV.21: L’outil de simulation en cours d’exécution. Le modèle simule les opérations
pour toutes les pièces existantes dans la base de données, et offre la possibilité de visualiser
l’évolution des différentes variables pour une pièce en temps réel. ...................................... 105
Figure IV.22: Résultat du modèle de simulation sur la catégorie I des pièces de rechange
(NB) ....................................................................................................................................... 107
Figure IV.23: Résultat du modèle de simulation sur la catégorie II des pièces de rechange
(RP) ........................................................................................................................................ 108
Figure IV.24: Niveau du BOH en baisse dû au taux d’échec des réparations. ..................... 109
Figure IV.25: Résultat du modèle de simulation sur des pièces avec une combinaison RP,
NB comme solution adéquate ................................................................................................ 110
13
Figure IV.26: Comparaison du résultat de la simulation avec l’historique des opérations de
réparation de GEHC, pour une référence de pièces. .............................................................. 116
Figure IV.27: Les volumes de réparation créées par le modèle de simulation en comparaison
avec l’historique, par semaine (A) et par mois (B). ............................................................... 117
Figure IV.28: Comparaison du volume de réparation cumulé entre la simulation et
l'historique .............................................................................................................................. 118
Figure IV.29: Comparaison du résultat de la simulation avec l’historique des opérations de
réparation de GEHC ............................................................................................................... 118
Figure IV.30: Visualisation des écarts entre la vraie demande des pièces de rechange de
GEHC et le résultat de la simulation...................................................................................... 119
Figure IV.31: Visualisation de l’écart cumulé entre la vraie demande des pièces de rechange
de GEHC et le résultat de la simulation ................................................................................. 120
Figure V.1: Les applications principales de Machine Learning (Gao et al. (2020)) ............ 124
Figure V.2: Les principaux types de modèles Machine Learning (Gao et al. (2020)) ......... 125
Figure V.3: Les différents modèles d’apprentissage supervise (Gao et al. (2020)) ............. 126
Figure V.4: Mode de fonctionnement des modèles de classification ................................... 127
Figure V.5: Grandeurs élémentaires pour l’évaluation des performances (Matrice de
confusion) (Sauvanaud et al. (2016))..................................................................................... 128
Figure V.6: Principe simplifié des modèles de régression .................................................... 129
Figure V.7: Méthodologie d’implémentation de modèles d’apprentissage .......................... 131
Figure V.8: Application de la méthodologie d’implémentation des modèles d’apprentissage
dans notre contexte ................................................................................................................ 132
Figure V.9: Les processus de décision d’approvisionnement en se basant sur les données . 134
Figure V.10: Volume en fonction de la solution d’approvisionnement avant la mise en forme
................................................................................................................................................ 137
Figure V.11: Volume en fonction de la solution d’approvisionnement après la mise en forme
................................................................................................................................................ 137
Figure V.12: La « boite à moustache » et les points aberrants ............................................. 138
Figure V.13: Résultat d’une régression polynomiale avec plusieurs degrés :1, 2 et 5. ........ 140
Figure V.14: Cycle de vie du produit, évolution de la base installée et demande de pièces de
rechange (Dekker et al. (2013)) ............................................................................................. 142
Figure V.15: Présentation des 500 références représentant 80% de la demande globale des
pièces de rechange de GEHC ................................................................................................. 144

14
Figure V.16: Distribution des temps de chargement de chaque modèle sur l’échantillon des
500 références ........................................................................................................................ 145
Figure V.17: Résultats de la prévision du modèle de régression polynomiale, applique sur les
données de GEHC. ................................................................................................................. 146
Figure V.18: La distribution de l’erreur de prévision du modèle de régression polynomiale.
................................................................................................................................................ 146
Figure V.19: Résultats de la prévision du modèle de régression ridge, applique sur les
données de GEHC .................................................................................................................. 147
Figure V.20: La distribution de l’erreur de prévision du modèle de régression Ridge......... 147
Figure V.21: Résultats de la prévision du modèle de régression Lasso, applique sur les
données de GEHC .................................................................................................................. 148
Figure V.22: La distribution de l’erreur de prévision du modèle de régression Lasso......... 148
Figure V.23: Résultats de la prévision du modèle Machine Learning, applique sur les
données de GEHC. ................................................................................................................. 150
Figure V.24: Distribution de l’écart entre la prévision et l’historique.................................. 151
Figure VI.1: Structure du modèle hybride (Banihashemi, Saeed et al. (2016)) ................... 156
Figure VI.2: Structure du modèle hybride proposé par Nguyen et al. (2020) ...................... 156
Figure VI.3: Subdivision du processus de décision en plusieurs sous-décisions ................. 157
Figure VI.4: Exemple d’une classification « multi-classe » avec une modèle KNN 2
dimensions, en prenant en considération k voisins, avec k allant de 1 à 6 (distance
Euclidienne) ........................................................................................................................... 159
Figure VI.5: Exemple d’une classification avec un modèle SVM binaire ........................... 160
Figure VI.6 : Structure basique d’un arbre de décision ........................................................ 161
Figure VI.7 : Illustration d’une foret aléatoire, composée de multiples configurations d’un
arbre de décisions ................................................................................................................... 161
Figure VI.8 : Processus d’implémentation du modèle Machine Learning Hybride ............. 163
Figure VI.9 : Résultat de la prévision du modèle Machine Learning Hybride par rapport à
l’historique ............................................................................................................................. 166
Figure VI.10 : Distribution de la valeur absolue de l’écart entre l’historique et les prévisions
du modèle Machine Learning Hybride .................................................................................. 166
Figure VII.1 : Dashboard d’accueil de la plateforme ........................................................... 171
Figure VII.2 : Dashboard d’accueil de la plateforme ........................................................... 171
Figure VII.3 : Visualisation de l’historique de la charge des différents ateliers du centre de
réparation ............................................................................................................................... 172
15
Figure VII.4 : Module de gestion d’équipe du centre de réparation .................................... 173

16
17
Liste des algorithmes

Algorithme 1– Boucle de traitement de la demande dans les centres de distribution ............. 97

Algorithme 2– Fonction : Traitement de l’expédition des commandes des techniciens ......... 98
Algorithme 3 – Fonction : Actualisation des prévisions de la demande.................................. 98
Algorithme 4 – Fonction : Simulation des décisions d’approvisionnement .......................... 100
Algorithme 5 – Fonction : Traitement du transport des pièces de rechange ......................... 101
Algorithme 6 – Fonction : Simulation des commandes en cours, d’achat en neuf ................ 103
Algorithme 7 : Calibration des modèles sur les différentes références de pièces .................. 143

18
19
Liste des tableaux

Tableau III.1: Revues de littérature sur l’utilisation des modèles d’apprentissage en chaine
logistique .................................................................................................................................. 60
Tableau III.2: Distribution des méthodes utilisées dans la revue de littérature ..................... 62
Tableau IV.1: Présentation des différentes combinaisons des différentes parties du modèle
de simulation avec leur performance (MSE, RMSE et R2). .................................................. 115
Tableau V.1: Exemple de lignes des données d’apprentissage ............................................ 134
Tableau V.2: Exemple de donnés non représentatives de la problématique ........................ 135
Tableau V.3 : Nombre des observations dans l’échantillon de test avant et après les
opérations de nettoyage.......................................................................................................... 136
Tableau V.4: structure des donnés d’apprentissage.............................................................. 136
Tableau V.5 : Le nombre de références pour lesquelles chaque modèle a été choisi comme le
meilleur. ................................................................................................................................. 149
Tableau V.6: Le minimum, maximum et la moyenne des scores de chaque modèle de
prévision................................................................................................................................. 149
Tableau VI.1 : Performance du modèle Machine Learning Hybride, avec les scores de
chaque sous-modèle pour la phase de calibration et de test................................................... 165
Tableau VI.2 : Récapitulatif des résultats des modèles classiques, modèles Machine
Learning et les modèles Machine Learning Hybride ............................................................. 167

20
21
Introduction Générale

Problématique

Dans le domaine de service après-vente, et particulièrement dans la maintenance qu’elle soit

préventive ou corrective, l’intervention et la réparation du bien du client d’une façon rapide et
efficace garantissent la satisfaction client et participent à la création d’une image de marque
dans le marché de l’entreprise distributrice. La disponibilité et la qualité des pièces de rechange
sont des éléments clé de cette stratégie tout en garantissant des coûts de gestion minimaux.

La réutilisation des pièces de rechange récupérées des systèmes clients est une pratique de plus
en plus présente dans la stratégie de maintenance et impacte ainsi la chaîne logistique
traditionnelle de pièces de rechange. Cette réutilisation est motivée, premièrement, par
l’extension de la vie économique des biens, qui étaient initialement considérés comme des
déchets et donc sans valeur ajoutée, en les transformant en des pièces de rechange de valeur
utilisables par d’autres clients ; deuxièmement, par des raisons environnementales ou de
réglementation, imposant une responsabilité de traitement de produits en fin de vie ; et,
troisièmement, par l’amélioration de la disponibilité des pièces pour la maintenance notamment
les pièces que l’organisation n’arrive plus à acheter en neuf ou bien qui sont impactées par la
problématique d’obsolescence.

La réutilisation de pièces de rechange implique une analyse de leur état et leur possible remise
en état de fonctionnement, vu qu’elles sont récupérées dans un état défectueux des systèmes
chez les clients. Ce processus d’analyse et de réparation représente un challenge pour les
industriels au vu du nombre généralement important des références de pièces de rechange
dans chaque système, l’interchangeabilité des pièces entre différents modèles de systèmes
ainsi que la multitude des pannes possibles pour chaque référence de pièces.

Les centres de réparation font ainsi face à un challenge de gestion de toutes ces variables afin
de couvrir un nombre maximal de références et avoir une bonne capacité de réparation, tout en
proposant une offre économiquement intéressante pour l’entreprise, c’est-à-dire offrir des
pièces réparées moins chères que les pièces neuves, et ce en intégrant les aspects temporels de
gestion. A ceci, on doit rajouter la gestion des compétences des équipes de réparation, les
relations avec les fournisseurs des composants nécessaires pour la réparation de chaque panne
et référence, ainsi que la gestion et la répartition de l’espace entre les ateliers.

Une des difficultés principales rencontrées dans notre contexte est le manque de visibilité de
la future charge dans les centres de réparation, qui est un élément important dans la prise

22
de décision sur un horizon à moyen terme au vu des temps d’approvisionnement (plusieurs
mois), la gestion des ressources humaines qui demande également une anticipation au
préalable, la planification de la capacité de production, ainsi que l’ordonnancement des tâches
dans les ateliers. Le manque de visibilité augmente un ensemble de risques financiers, comme
l’obsolescence des composants et des matériaux de réparation : des dates d’obsolescence
existent pour les produits (liquides chimiques, huiles...) et les composants utilisés dans la
réparation. D’un côté, des décisions d’approvisionnement qui génèrent un excès sont la cause
principale de l’obsolescence et de l’immobilisation d’inventaire représentant une perte
financière pouvant atteindre des millions de dollars, pour une entreprise telle que General
Electric Healthcare. D’un autre côté, un manque de matériaux ou de composants signifie une
augmentation importante du temps de réparation et par conséquence un risque d’insatisfaction
des clients.

Les modèles existants dans la littérature se rapportant à notre contexte, qui est la chaîne
logistique de pièces de rechange en boucle fermée, ne permettent pas d’avoir des résultats
fiables. Leur application pour la prévision de la charge des centres de réparation n’a pas permis
de limiter leurs pertes financières importantes dans le passé. Ceci est dû à la nature de ces
modèles basés sur des séries temporelles qui se reposent principalement sur la tendance de
l’historique de la demande pour construire la prévision, qui n’est pas une approche adaptée à
notre cas où la décision de réparation des pièces est basée sur un ensemble de paramètres, qui
peuvent changer dans le temps. Ces algorithmes de prévisions ont également un ensemble de
limites pour la détection des pics de la demande ou chutes brusques de la charge.

Un ensemble de modèles d’apprentissage est présent dans la littérature. Ils sont appliqués à des
problématiques semblables à la nôtre et présentant des résultats plutôt prometteurs. Ces
modèles ne se basent pas uniquement sur les tendances de la demande mais arrivent à intégrer
les principaux paramètres qui influencent les données, en construisant une connaissance qui
permet de prévoir à la fois la décision de réparation et sa quantité. Dans ce projet de thèse, nous
proposons l’application des modèles d’apprentissage en les adaptant au contexte de la prévision
de la charge en chaine logistique de pièces de rechange, à travers une hybridation de différents
types de modèles. Ainsi, une des contributions qui peut être vue dans cette thèse est
l’application de ces approches avancées en apprentissage statistique dans un contexte
opérationnel industriel et plus particulièrement pour la chaîne logistique de pièces de rechange
chez General Electric Healthcare.

Contributions

Ce travail de recherche vise à mettre en place un modèle de prévision de la charge dans les
centres de réparation, en se basant sur les algorithmes d’apprentissage (Machine Learning),
dans une chaine logistique de pièces de rechange, en boucle fermée. Il doit déboucher sur
l’élaboration d’une démarche applicable dans les centres opérationnels de General Electric

23
Healthcare et ainsi garantir ce niveau d’opérationnalité, de déploiement et de prise en main
dans l’entreprise.

Les contributions principales de ce travail sont les suivantes :

- Une modélisation conceptuelle (par langage UML) de la chaine logistique de pièces

de rechange en boucle fermée, en se basant sur la méthodologie ASCI : cette
première étape de modélisation a permis de bien formaliser l'ensemble du processus de
gestion des pièces de rechange, d'en appréhender sa complexité pour mieux comprendre
l'ensemble des données et de leurs flux. Enfin, cette modélisation a aussi permis
l'identification de premiers leviers d'amélioration principalement sur le champ des
pratiques internes.

- La mise en place d’un système de simulation pour la chaine logistique de pièces de

rechange en boucle fermée : la deuxième étape de notre travail consiste à mettre en
place un modèle de simulation pour comparer la logique d’approvisionnement
théorique (type DRP) à la réalité des ordres de réparation placés pour les ateliers. Ceci
a permis de constater, par une analyse systématique et quantitative, des écarts
importants avec la simulation, et a ainsi motivé l’implémentation des modèles
d’apprentissage.

- La modélisation et l’implémentation d’un modèle Machine Learning de prévision

de la charge dans les centres de réparation : l'objectif est ici d'analyser le potentiel
en termes d'applications et de performances des modèles classiques d'apprentissage par
rapport aux données fournies par General Electric. L'analyse de performance nous a
montré le bénéfice de ces approches par rapport aux approches de prévision classiques,
mais aussi leur limite en termes de détection des pics et de chutes de la charge. Ceci a
motivé l'élaboration d'un nouvel algorithme reposant sur une hybridation entre
différents types de modèles.

- La modélisation et l’implémentation d’un modèle Hybride Machine Learning

pour la prévision de la charge de réparation : dans cette partie nous proposons une
nouvelle approche permettant de décomposer notre problème et appliquer un ensemble
de modèles de classification et de régression pour prévoir à la fois la décision de
réparation et la charge dans les centres de réparation dans une chaine logistique de
pièces de rechange.

Pour toutes les différentes contributions, nous avons l’avantage d’avoir des données réelles à
disposition, qui sont les données historiques du service de réparation de General Electric
Healthcare. L’ensemble de nos applications numériques, tests, simulations et évaluations de
performance est effectué sur ces données.

Organisation du manuscrit

24
Ce manuscrit débute par la description du contexte industriel ayant motivé ce travail de thèse.
Cette introduction permettra de classifier le problème de gestion de pièces de rechange chez
General Electric Healthcare par rapport aux problèmes classiques de chaines logistiques,
notamment les chaines en boucle fermée introduites principalement dans le contexte de
logistique inverse. Ainsi, une présentation rapide de ces chaines sera proposée allant de la
chaine logistique classique, puis nous allons couvrir les aspects de la logistique inverse et les
chaines logistiques en boucle fermée (CL-BF), ses aspects et enjeux, pour ensuite passer à la
chaine logistique de pièces de rechange (CL-PR). Enfin, nous allons arriver à la chaine
logistique de pièces de rechange réparables qui combine les enjeux de la CL-BF et la CL-PR.
Nous allons présenter sa structure, ces différents flux et ses particularités.

Dans le deuxième chapitre, nous allons introduire le contexte d’application industrielle, qui est
le service de réparation des pièces de rechange de GEHC, entité accueillant ce projet de
recherche. Nous allons voir le conglomérat GE et sa branche médicale GEHC et son service de
maintenance après-vente pour enfin arriver au service de réparation. Nous présentons ensuite
la formalisation de la problématique industrielle et l’impact de celle-ci sur les opérations de
l’entreprise et sur la satisfaction des clients.

Un troisième chapitre va présenter la revue de littérature de cette problématique, qui présente

les différents modèles de prévision existants et leurs limites, avant de faire une étude
bibliographique des modèles qui semblent appropriés à notre problématique et proposer une
adaptation et une application de ces derniers dans notre contexte.

Les 4ème, 5ème et 6ème chapitres vont ensuite présenter nos contributions et plus précisément vont
introduire respectivement la modélisation UML et le modèle de simulation, le modèle Machine
Learning de prévision, et enfin le modèle Machine Learning Hybride.

Le 7ème chapitre sera une conclusion qui reprend les contributions et les résultats principaux
en termes de performance des différents modèles rencontrés dans cette thèse. Ces contributions
ont été formalisées dans un outil d'aide à la décision mis en place chez GEHC, outil qui sera
présenté en tant qu'application industrielle. Enfin, nous soulignerons quelques perspectives sur
le champ industriel et scientifique de ce travail de thèse.

25
26
Chapitre I : Contexte de la
problématique industrielle : La chaı̂ne
logistique de pièces de rechange
réparables en boucle fermée

Introduction

Les critères de disponibilité des systèmes de production deviennent prépondérants en termes

d’optimisation industrielle tant les autres domaines tels que la gestion des stocks, la
planification, l’ordonnancement ou encore la distribution des produits ont été l’objet de
recherche et d’amélioration de performance. Aujourd’hui, ces aspects de disponibilité ont
même des fins concurrentielles pour la vente de produits. On ne vend plus seulement le produit
mais on cherche à contractualiser les aspects Service Après-Vente allant bien au-delà de la
« simple » période de garantie. Ceci est d’autant plus vrai dans les secteurs industriels où les
enjeux de disponibilité ou continuité de service qu’ils soient liés à une rentabilité économique,
de sécurité ou de criticité de service – tels que le domaine médical – sont forts.

Les facteurs clé constitutifs de la disponibilité opérationnelle (en phase d’utilisation chez le
client) sont, pour le fournisseur, les aspects maintenance et par-delà la logistique associée. On
parle de Soutien Logistique ou encore de Soutien Logistique Intégré lorsqu’on analyse le
produit au travers de ses performances intrinsèques (généralement associées à sa fiabilité et
maintenabilité) et des performances globales organisationnelles. Comme souligné ci-dessus, la
contractualisation en termes de niveau de disponibilité assurée chez le client amène de
véritables enjeux économiques pour le fournisseur allant de la conception des produits et le
choix de ses composants à la définition de l’ensemble de la chaine logistique principalement
des pièces de rechange en passant par la mise en place de stratégies de maintenance préventive.
L’objet de cette thèse portera sur les aspects de chaine logistique des pièces de rechange et
particulièrement chez General Electric Healthcare (GEHC).

Les produits de GEHC jouent des rôles prépondérants dans le diagnostic et le traitement de
patients, les rendant critiques en termes de continuité de service aux patients mais aussi en
termes de rentabilité économique pour les organisations, généralement des hôpitaux et des
centres de soins. Il en est de même pour les pièces qui les composent. Une stratégie de
réhabilitation des composants défaillants offre de multiples avantages tels que la gestion de

27
l’obsolescence des différents sous-systèmes, une économie de renouvellement de stocks et une
politique éco-responsable de l’entreprise. La notion de « réparabilité » au niveau du produit
global et aussi au niveau des différents composants est alors à intégrer dans la gestion globale
de la chaine de soutien. On parle alors de chaine logistique de pièces de rechange en boucle
fermée (CL-PR-BF).

Dans ce chapitre, nous allons chercher à mettre en évidence les particularités de la chaine
logistique de pièces de rechange en boucle fermée (CL-PR-BF) par rapport aux chaines
logistiques traditionnelles de distribution de produits (CL) et aussi aux chaines logistiques en
boucle fermée normales (CL-BF). Rappelons ici que, bien que l’ensemble des coûts ne soit pas
spécifié par souci de confidentialité, son optimisation est clairement l’objet permanent de nos
recherches.

Ainsi, l’organisation de ce chapitre est comme suit. La première section va introduire une revue
de littérature de la chaine logistique normale. Dans la deuxième section, sera présentée la
chaine logistique en boucle fermée. La troisième section traitera de la chaine logistique de
pièces de rechange réparables et sa revue de littérature y sera présentée. La quatrième section
va présenter la chaine logistique des pièces de rechange en boucle fermée, qui est une
combinaison des enjeux de la 2eme et la 3eme section.

La chaine logistique

Dans cette section, nous allons rapidement présenter un ensemble d’éléments constitutifs de la
chaine logistique. Ces définitions permettront ainsi au lecteur non spécialisé de positionner les
enjeux élémentaires liés à la modélisation d’une chaine logistique.

1 Définition

Le terme de chaîne logistique a été formellement défini par Oliver et al. (1982) comme « la
collaboration systématique entre les personnes, les processus et les informations
d'organisations pour créer des valeurs tangibles (Produit) ou intangibles (Service) et les livrer
aux clients ».

Un ensemble d’autres définitions de la chaine logistique est présent dans la littérature. Selon
Fleischmann et al. (2003), une chaîne logistique est généralement définie comme le système
consistant à déplacer un produit ou un service d'un fournisseur à un client. Boldoczki et al.
(2020) définit une chaine logistique comme : « un enchainement d’organisations permettant de
ramener des services ou produits au marché ».

Une publication visant à définir les particularités des chaines logistiques par Mentzer et al.
(2001) indique que la chaine logistique est un ensemble de trois entités, ou plus, impliquées

28
dans les flux amont et aval de produits, services, finances et / ou informations d'une source à
un client.

Lazrak et al. (2015) définit la chaine logistique comme l’ensemble des activités et des flux
physiques, informationnels et financiers permettant le transfert du bien ou du service, depuis
le point de départ (fournisseur), jusqu’au point d’arrivée (client final). Le même travail précise
qu’elle couvre également les activités et les flux inverses entre le client final et le fournisseur.

2 La structure de la chaine logistique

La chaine est un ensemble d’entités qui sont impliquées dans les activités et les fonctions
supportant les flux des biens allant des fournisseurs originaux jusqu’au client final (Cooper M.
C. et al. (1997)). Un processus de fabrication à une structure dans laquelle les matières
premières sont transformées en produits finis, eux-mêmes livrés aux clients finaux (Benita M
et al. (1998)).

Mentzer et al. (2001) propose trois types de structures de chaines logistiques : « les chaînes
logistiques directes », les « chaînes logistiques étendues » et les « chaînes logistiques ultimes
» selon la complexité (Figure I.1).

Figure I.1 : Les types de chaines logistiques (Mentzer et al. (2001))

Des structures plus avancées comme par exemple la chaine logistique en boucle fermée
reposent sur ces architectures de base. Avant d’aborder ces structures avancées, nous
proposons, dans la sous-section suivante, de présenter, à des fins pédagogiques, les différents
flux de la chaine logistique.

29
3 Les flux de la chaine logistique

Il existe trois flux principaux dans une chaine logistique : le flux physique, le flux
informationnel et le flux financier. La figure I.2 présente ces différents flux et l’impact de leur
optimisation sur le niveau d’inventaire de l’entreprise.

Figure I.2 : Les flux de gestion de la chaine logistique (Tanyas et al. 2014)

3.1 Le flux Physique

Le flux physique est le premier élément constitutif d’une chaine logistique et ainsi le plus
analysé dans son contexte d’optimisation. Un flux physique représente la matière première, un
produit semi-fini circulant d’un fournisseur vers un client intermédiaire, ou un produit finit en
destination vers le client final.

Les principales opérations du flux physique sont :

 L’approvisionnement : Consiste à avoir des accords avec des fournisseurs afin de

commander des biens ou services. Le processus implique la prise de décisions
stratégiques d’achat adaptées à des conditions données.

L’objectif d’un approvisionnement optimal est de garantir une disponibilité des biens
pour les clients, avec un inventaire minimal. Les opérations d’approvisionnement
impliquent souvent des choix basés sur les délais de livraison et les prix de chaque
fournisseur.

Les éléments clé (ou données d’entrée) de l’approvisionnement sont le niveau de stock
actuel, le stock de sécurité, la prévision de la demande, la quantité minimale de
commande et la taille de lot.

30
 Pour les indicateurs de performance (ou éléments de sortie), ce sont des éléments
permettant d’évaluer l’équilibre entre le niveau de stock et la satisfaction des besoins
clients, comme le taux de couverture qui signifie le pourcentage des produits disponible
aux clients actuellement. La rotation de stock est un autre indicateur de performance,
représentant le nombre de jours moyen pour consommer l’inventaire. Plus le nombre
de jours est faible, plus le stock est efficace.

 La transformation : Consiste à transformer des biens, qui peuvent être de la matière,

des produits ou des services livrés par un fournisseur avant de les distribuer aux clients.

Un exemple de transformation est le traitement de la matière première tel que le bois,

le fer ou autres pour produire des produits utilisables par les clients, (des meubles par
exemple). La transformation peut être aussi présente dans le cas de services, tels que
les services informatiques. Un hébergeur de fichier transforme les fichiers cryptés en
les décryptant avant de les fournir au client final.

 La distribution : Représente les différentes opérations permettant le transport, le

stockage, la distribution et l’entreposage des produits ou services dans le réseau
logistique de l’entreprise.

La performance de la distribution des biens de l’entreprise a un rôle important dans la

satisfaction client. Plusieurs indicateurs de la performance de distribution existent tels
que le « Fill Rate » qui représente le taux de la demande client qui a été satisfaite à
partir de l’inventaire local sans avoir besoin d’un réapprovisionnement.

3.2 Le flux informationnel

Le flux informationnel représente les données transitant dans la chaîne logistique du

fournisseur vers le client ou dans le sens inverse.

Les données existent pour des objectifs de communication, coordination des activités de
l’entreprise entre ses différentes entités ainsi que la planification et l’aide à la décision telle que
les prévisions et la visualisation des métriques relatives à la performance.

Selon Botta-Genoulaz et al. (2005), on peut trouver dix catégories de données dans les
systèmes d’informations des entreprises :

 Les acteurs (les caractéristiques, identification ou localisation d’une entité

organisationnelle ou d’une ressource vue comme acteur)

 Les règles (les règles et les conditions du pilotage de l’activité)

 Les plans (prévisions, plannings et programmes qui déterminent un cadre de décision)

31
  Les objets (définition et caractérisation des produits, ressources, moyens, procédés et
services conçus, réalisés et livrés)

 Les ressources (point de vue capacitaire des objets définis)

 Les conditions (les règles et les conditions du pilotage des relations)

 Les décisions (information caractérisant des décisions proposées, confirmées ou en

cours de réalisation et impliquant des flux physiques ou financiers)

 Les flux (flux et évènements liés aux relations : flux physiques, temps passés,
anomalies, réceptions, livraisons, etc.)

 Les journaux et la traçabilité (données historiques, traces, listes d’évènements datés et

qui ne sont plus modifiés)

 Les métriques (données représentatives de l’activité aux niveaux stratégique, tactique

et opérationnel)

3.3 Le flux financier

La coordination des flux physiques, des flux d’information et des flux financiers est
aujourd’hui indispensable pour garantir la rentabilité économique, la satisfaction des clients et
pour assurer la pérennité de l’entreprise (El Miloudi et al. (2015)).

Sans les flux financiers, les partenaires de la supply chain cesseraient de fonctionner, et la
collaboration entre eux deviendrait impossible (El Miloudi et al. (2015)). Le flux financier (ou
flux monétaire) circule dans le sens inverse du flux physique (Figure I.2). Il représente la valeur
totale de ventes et d’achats dans une période comptable.

Dans leur publication, Ellram et al. (2004) ont précisé que dans une chaine logistique, les flux
financiers sont parallèles ou simultanés à tous les autres processus informationnels et
physiques. Dans leur publication, les auteurs précisent que les paiements sont effectués
périodiquement et que les échéances de paiement doivent être déterminées par le service
gestion de la relation client ou fournisseur.

Les entreprises commencent de plus en plus à donner de l’importance pas seulement au chiffre
d’affaire mais aux liquidités pures et au savoir de gestion de cette dernière afin d’arriver à leurs
objectifs financiers, commerciaux et de production.

D’après Hofmann et al. (2011), cette liquidité, mesurée notamment par le ratio du fond de
roulement, traduit l’aptitude de l’entreprise à transformer les actifs circulants (créances) en
liquidité afin de faire face aux dettes à court terme. Le besoin en fonds de roulement (BFR) est
donc calculé comme étant la différence entre l’actif circulant (AC) et le passif circulant (PC) :
BFR = AC – PC (Figure I.3).

32
 Figure I.3 Les éléments du fonds de roulement (schéma inspiré du modèle Hofmann et al. (2011))

La chaine logistique en boucle fermée

Depuis ces dernières années, une chaine logistique n’est plus uniquement considérée comme
un flux où les produits sont créés, mais aussi utilisés et puis recyclés ou disposés dans un flux
en boucle. Dans cette section nous allons présenter la chaine logistique en boucle fermée, qui,
en comparaison avec une chaine logistique normale, prend en charge également le flux inverse
de retours des produits.

1 Définition

Pour des raisons stratégiques et économiques pour les entreprises, ainsi qu’une prise de
conscience croissante de l’impact environnemental dans l’industrie, les chaines logistiques en
boucle fermée attirent de plus en plus l’attention des industriels, ainsi que celle des
académiques (Peng, Hui et al. (2020)). On appelle Chaine Logistique en Boucle Fermée (CL-
BF) la chaine logistique combinant un flux direct, allant des fournisseurs vers les clients, ainsi
qu’un flux inverse remontant les biens utilisés, soit sous forme de retours simples, des produits
en panne ou en fin de vie.

L’économie en boucle fermée est une stratégie qui a émergé pour mettre fin au système
conventionnel ouvert, visant à relever le défi de la rareté des ressources et de l'élimination des
déchets dans une approche économiquement gagnant-gagnant (Homrich et al. (2018)). L’étude
des chaines logistiques en boucle fermée a montré l’importance de ces dernières dans la
réduction de la consommation de la matière première, des émissions, de la consommation

33
énergétique et la production des déchets. Elle engage d’autres opérations telles que la
réparation de produits défectueux, la réutilisation ou la remise en états des produits déjà utilisés
mais qui ne sont pas forcément défectueux (Van Wassenhove et al. (2008)).

2 Structure de la chaine logistique en boucle fermée

La chaine logistique en boucle fermée est une structure intégrant la logistique inverse et la
chaine logistique classique. La chaine logistique en boucle fermée consiste d’un flux direct
allant des fournisseurs de matière première vers les usines d’ajout de la valeur jusqu’au client
final, et d’un flux « inverse » retournant des clients vers l’entreprise, ou même les fournisseurs
de matière première dans le cas de recyclage (Figure I.4).

Figure I.4: La forme générale d’une CL-BF (Khor et al. (2012)).

Nous proposons dans la section suivante d’en préciser certaines caractéristiques et d’en
souligner les spécificités par rapport aux chaînes logistiques classiques.

3 Objectifs de la logistique en boucle fermée

3.1 La réutilisation des biens

Une des motivations principales de la logistique inverse est l’extension de la vie économique
des biens via leur récupération et éventuelle réutilisation en fin de vie. Ainsi, on assiste à une
transformation d’un bien considéré initialement comme un déchet en un bien de valeur qu’il
faudra chercher à réestimer. Il peut ainsi être économiquement intéressant pour des industriels
de définir des stratégies commerciales orientées client afin de récupérer leurs produits en fin
de vie. Parmi ces propositions commerciales, on note la remise à niveau (remplacement du

34
produit du client par une nouvelle génération avec prix réduit) ou le rachat du produit (ou
l’entreprise rachète le système en fin de vie).

Les stratégies de réutilisation des entreprises diffèrent par domaine et par produit. La revente
du produit reconditionné est une stratégie très présente par exemple, qui permet aux clients
d’acquérir le produit reconditionné sans avoir à payer le prix original, ce qui permet d’élargir
les bases clientèles intégrant des clients plus modestes et/ou à aspiration écologiste.

La réutilisation des pièces de rechange est aussi une stratégie assez classique dans laquelle
l’entreprise récupère la totalité ou une partie du système, afin de le démonter et récupérer les
composants importants y appartenant. L’entreprise remet les pièces de rechange en état de
fonctionnement et les réinjecte dans son inventaire afin de pouvoir maintenir sa base installée
pendant une durée plus longue.

Pour les systèmes en fin de vie économique, cette stratégie permet de compenser le retrait de
certains fournisseurs de pièces de rechange. Ceci permet de gérer au mieux les problèmes
d’obsolescence, d’accroitre la durée de vie rentable des produits et par-delà accompagner
progressivement l’entreprise dans ses transitions technologiques.

3.2 Le traitement et recyclage

Pour des raisons environnementales ou de règlementation, les industriels ont une responsabilité
croissante du traitement de leurs produits en fins de vie (l’écotaxe sur les produits électroniques
en est un exemple). Il est ainsi nécessaire de mettre en place des processus de récupération des
biens et des produits pour ensuite les traiter. Pour des produits courants, on peut ainsi mettre
en place des stratégies incitatives aux clients (généralement des particuliers) ou encore la mise
à disposition de bacs de récupération. Lorsque les produits sont soumis à autorisation
réglementaire ou encore conservent un intérêt technologique ou économique, il est nécessaire
d’en optimiser sa collecte directement auprès des différents clients. Notons ici que, dans ce cas,
l’opération associée peut être vue comme une source de coût à l’entreprise et non de véritable
profit, sauf s’ils offrent une possibilité de réutilisation ou représentent de la valeur (par
exemple, la récupération de l’or des microprocesseurs ou du cuivre des câbles électriques).

Sans chercher à faire une analyse bibliographique exhaustive à ce niveau, on peut dire que la
prise en compte des flux inverses dans la définition et la gestion de la chaine logistique vient
clairement complexifier les modèles décisionnels avec :

 Une explosion des paramètres de la chaine logistique ;

 L’interdépendance de certains de ces paramètres de contrôle, un niveau de stock

pouvant dépendre de la stratégie de récupération et des traitements des biens et
produits ;

35
  Une incertitude croissante sur ces paramètres liée à cette capacité de récupération et de
traitement des produits fonction, pour cette dernière, de leur état de fonctionnement
lui-même inconnu avant un diagnostic profond ;

 Une faible valeur ajoutée à court terme d’une telle approche avec un retour sur
investissement à plus long terme.

Dans le contexte de notre projet de thèse chez General Electric Healthcare, les deux utilisations
(réutilisation et recyclage) sont présentes, en fonction du type du produit. Cependant, au vu du
service de réparation dans lequel s’effectue ce projet, nous allons nous focaliser sur le processus
restreint à la réparation des pièces de rechange après la récupération de ces dernières, afin
d’améliorer la performance des centres de réparation. Notons que ce processus a un impact
direct sur la satisfaction client, priorité de l’entreprise, et offre par ailleurs un plus grand intérêt
d’un point de vue scientifique au vu des verrous que nous présenterons dans le chapitre 3 de
cette thèse.

Avant l’analyse de la problématique scientifique, nous proposons dans la section suivante, de

souligner plus en détail les spécificités de la chaine logistique de pièces de rechange.

La chaine logistique de pièces de rechange

1 Définition

La chaine logistique de pièces de rechange représente une composante importante dans la

continuité de fonctionnement de nombreux systèmes industriels, en contribuant à l’exécution
des opérations de maintenance dans les délais optimaux (Figure I.5). L’absence d’une chaine
logistique appropriée peut engendrer des MDT (Mean Down Time) élevés ainsi que des coûts
importants associés à la non-disponibilité des systèmes chez les clients (Huiskonen et al.
(2001)) mais aussi des coûts d’acheminement non négligeables.

Figure I.5: Le lien entre la CL-PR et le service de maintenance (Huiskonen et al. (2001))

Selon Tapia-Ubeda et al. (2018), la chaine logistique de pièces de rechange est une structure
composée de fournisseurs, transporteurs, ainsi que des entrepôts de stockage internes et
externes afin de garantir la disponibilité des pièces auprès des clients (Figure I.6). Notons ici
que la demande en pièces de rechange est pilotée par les stratégies de maintenance mises en
place chez le client. L’optimisation des maintenances préventives et correctives repose sur des

36
caractéristiques fiabilistes des systèmes, elles-mêmes pouvant dépendre des conditions
d’exploitation et d’usage de ces mêmes produits. Ceci rajoute une couche de complexité et
renforce l’aspect aléatoire du problème décisionnel.

Figure I.6: La chaine logistique de pièces de rechange générique (Huiskonen et al. (2001))

2 Les particularités de la chaine logistique de pièces de rechange

La chaine logistique de pièces de rechange a des particularités par rapport à la chaine logistique
classique, sur plusieurs niveaux :

2.1 La nature de la demande :

Dans une chaine logistique de pièces de rechange, la demande est principalement liée à des
opérations de maintenance corrective ou préventive. Alors que traditionnellement, les dates de
maintenance préventive étaient déterminées préalablement en fonction de critères notamment
économiques, la migration vers des approches dites conditionnelles ou prévisionnelles pour un
remplacement au plus juste en fonction de l’état de santé du système ne permet plus de les
connaitre précisément, voire pire pour le fournisseur qui n’a généralement pas accès aux
différentes données d’exploitation machine de les rendre totalement aléatoires. On pourra alors
être amené à renforcer les niveaux de stocks pour améliorer la désynchronisation avec la
demande. En revanche, le prix croissant de pièces de rechange pousse à limiter ces mêmes
niveaux de stocks ayant par ailleurs des taux de rotation relativement faibles au regard de la
taille de la base installée, les biens pouvant être considérés comme fiables. Enfin, il n’est pas
possible pour le fournisseur d’augmenter « artificiellement » ce taux de rotation via du
marketing ou de la publicité, ce qui est faisable pour d’autres types de produits.

37
Pour finir, la différence majeure est bien liée aux modèles de prévision de la demande devant
chercher à capturer une sporadicité très élevée ainsi que d’éventuels pics de demande liés par
exemple à des problèmes de qualité, ces pics étant très difficiles à prédire et donc à gérer par
les industriels.

2.2 La structure de la chaine logistique de pièces de rechange :

Au niveau de la structure, la chaine logistique de pièces de rechange se compose d’une partie

de fournisseurs qui peuvent être internes ou externes, offrant des pièces de rechange sur la
demande du service d’approvisionnement. Ces pièces sont ensuite stockées dans la deuxième
partie de la CL qui est les entrepôts centraux de stockage qui, au contraire d’une chaine
logistique classique, sont divisés en deux parties : (i) le stock en état de fonctionnement et (ii)
le stock défectif.

Les entrepôts centraux de stockage alimentent les entrepôts régionaux qui eux livrent les pièces
à la demande des techniciens de maintenance. Après une intervention, les techniciens
retournent les pièces défectueuses récupérées des systèmes clients aux entrepôts centraux
directement, et pas aux régionaux. Ces pièces défectueuses sont stockées dans la partie
spécialisée pour stocker le stock BOH (Bad on Hand).

Au besoin, cet inventaire défectueux est ensuite envoyé à la réparation dans les centres de
réparation internes ou externes suivant le cas et les avantages ou inconvénients pour chaque
entreprise.

2.3 Le nombre de références de pièces de rechange :

L’une des particularités de la chaine logistique de pièces de rechange est le nombre très
important de références. Pour le cas du domaine de l’aviation par exemple, le nombre de pièces
de rechange a géré varie entre 300.000 et 500.000 références (Janvier-James et al. (2012)).

La chaine logistique en boucle fermée de pièces de rechange réparables

La chaine logistique en boucle fermée de pièces de rechange (CL-BF-PR) est une structure
hybride combinant la chaine logistique de pièces de rechange et la chaine logistique en boucle
fermée.

La réutilisation des pièces de rechange est de plus en plus présente dans l’industrie. Des
stratégies visant à intégrer les retours de biens dans les opérations apparaissent plus
fréquemment et les biens retournés sont considérés comme des ressources de haute valeur
surtout à leur fin de vie afin de limiter les effets d’obsolescence.

38
En addition, aux opportunités financières pour les entreprises, selon la hiérarchie de gestion de
déchets européenne, la réparation ayant pour objectif la réutilisation est préférable au recyclage
vu l’impact positif que ce type de chaines logistiques a sur l’environnement (Fleischmann et
al. (2003)).

La CL-BF-PR combine la logistique inverse, la logistique inverse et la chaine logistique de

pièces de rechange afin de répondre aux exigences à la fois environnementales, économiques
et pour supporter la base installée des équipements clients jusqu’à leur fin de vie.

1 Les pièces de rechange réparables et consommables

La réparabilité des pièces de rechange est une des différences les plus importantes entre une
chaine logistique de pièces de rechange normale et une chaine logistique de pièces de rechange
réparables. La figure I.7 illustre ces deux différents types et les différences entre les deux
lorsqu’elles tombent en panne.

Figure I.7 : Les types de pièces de rechange

1.1 Les pièces de rechange consommables

Les pièces de rechange consommables sont des ressources destinées à un usage unique. Lors
d’une intervention sur une pièce consommable, cette dernière est récupérée et retournée à
l’entreprise d’origine pour des raisons de recyclage ou de gestion de matériaux tels que des
batteries ou des câbles électriques...

Une pièce consommable peut se transformer en une pièce réparable via des programmes
d’étude de viabilité technique et commerciale.

39
1.2 Les pièces de rechange réparables

À l’opposé des consommables, les pièces de rechange réparables sont des ressources qui
peuvent être potentiellement remises en état, à minima de manière minimale, pour être ensuite
réutilisées généralement dans d’autres systèmes que ceux dont elles provenaient initialement.
Ces pièces sont généralement défectueuses, leur défaillance ayant généralement entrainé la
défaillance du système complet, ou, dans le meilleur cas, dégradées lorsqu’elles sont liées à
une maintenance préventive. Notons qu’une pièce récupérée sur un système défaillant ou non,
est renvoyée à l’entreprise pour analyse et éventuellement réparation ou réhabilitation. Il est
délicat de considérer qu’une pièce réparée présente les mêmes performances de fiabilité qu’une
pièce standard. Des analyses de fiabilité des systèmes réparables peuvent être dans certains cas
produites. Elles requièrent un suivi spécifique des pièces de rechange pour analyser leur durée
de vie après réparation. Notons ici que, dans un contexte industriel de diversité de produits et
de clients, cette traçabilité est loin d’être acquise et qu’il devient difficile, voire impossible de
réaliser de telles études.

Les effets de maintenance dite imparfaite sont ainsi mesurables :

 Sur les lois de demande en termes de fréquence (augmentation de la demande liée à la

réduction de la durée de vie d’une pièce de rechange) et aussi en termes d’incertitude
(liée à la difficulté d’estimer leurs lois de durées de vie résiduelle) ;

 Sur les niveaux de stocks de ces mêmes pièces qui varient en fonction du taux de
réparabilité lui-même variant en fonction du nombre de réparations que chaque pièce
aura subi.

Afin de s’assurer des niveaux de stocks de pièces de rechange suffisants, il sera nécessaire de
les réapprovisionner avec des pièces neuves. Cette analyse montre bien un niveau de
complexité croissant par rapport à des chaines logistiques inverses classiques pour lesquelles
seuls des taux de retour des équipements ou composants en bon état sont à estimer.

La gestion de pièces de rechange réparables diffère des approches classiques, vu qu’il faut
inclure plus de variables dans le processus de décision d’approvisionnement. L’inventaire n’est
plus un inventaire simple, car pour une référence donnée, on devra différencier un niveau
d’inventaire en état de fonctionnement et un deuxième niveau pour les pièces défectueuses.

Pour les décisions d’approvisionnement, il n’est pas suffisant de simplement considérer le

niveau de stock de sécurité, la demande et niveau d’inventaire. Il faut également inclure
d’autres éléments tels que le taux de réussite de réparation, le niveau d’inventaire défectueux,
le délai de réparation en comparaison avec le délai d’approvisionnement, etc. Ceci est un des
éléments les plus importants dans la problématique de cette thèse, et que nous allons traiter
plus en détails dans le chapitre suivant.

40
 Conclusion

Dans ce chapitre, nous avons introduit les notions théoriques de la chaine logistique directe, la
logistique inverse, la chaine logistique en boucle fermée et la chaine logistique de pièces de
rechange en boucle fermée. Nous avons cherché à spécifier les caractéristiques de
différentiation et souligner les sources de complexification dans le contexte de la chaine
logistique de pièces de rechange en boucle fermée, contexte de ce projet de thèse.

En plus du flux purement physique de la chaine logistique, nous avons vu que les flux financiers
et informationnels jouent des rôles clé dans le déroulement des opérations industrielles de
l’entreprise. La grandeur du volume des opérations, la diversité des références et la sporadicité
des opérations se reflètent sur la couche informationnelle de la chaine logistique. Ce flux
informationnel joue un rôle clé dans notre projet, vu que nous allons nous baser principalement
sur ce dernier pour construire nos modèles et proposer des améliorations.

Le travail de cette thèse s’est effectué au sein de General Electric Healthcare (GEHC), qui est
un leader mondial en production de systèmes médicaux. L'objectif du chapitre suivant est
l'analyse de l'organisation de la gestion des pièces de rechange chez GEHC sur la base des
éléments que nous venons de présenter dans ce chapitre.

41
Chapitre II : La chaine logistique de
pièces de rechange de General Electric
Healthcare

Le conglomérat General Electric

Le conglomérat General Electric (GE) tient ses origines du célèbre inventeur Thomas Edison
qui créa en 1878 la société Edison Electric Light Company après avoir inventé l’ampoule
électrique. La société a fusionné en 1892 avec Thomson-Houston Electric pour donner
naissance à General Electric (GE), entreprise alors spécialisée dans les solutions d’installations
électriques. General Electric est aujourd’hui un conglomérat multinational, regroupant une
multitude d’entreprises dont les activités sont très variées. Le siège de l’entreprise se situe à
Boston aux Etats-Unis et qui emploie environ 205 000 personnes dans plus de 100 pays.

Depuis sa création, General Electric est devenue l’une des entreprises les plus reconnues à
l’échelle mondiale. En 2014, elle a été classée 27ème entreprise mondiale en termes de chiffre
d’affaires et 7ème plus grande entreprise mondiale selon le célèbre classement du magazine
Forbes. Actuellement, GE est un leader technologique dans les domaines des énergies
renouvelables, des énergies thermiques, des réseaux électriques, de l'imagerie médicale, du
numérique et des moteurs d'avions.

Figure II.1: Les divisions de General Electric

42
 La branche General Electric Healthcare

L’entreprise GE Healthcare (GEHC) constitue la branche médicale du conglomérat General

Electric depuis le rachat en 1920 par General Electric de la Victor Electric Company,
spécialiste des tubes à rayons X, utiles pour l’imagerie médicale. Certains sont d’ailleurs
aujourd’hui produits sur le site de Buc. A la suite d’une multitude d’acquisitions de diverses
entreprises de systèmes médicaux, l’entreprise n’a cessé de se développer jusqu’à constituer
aujourd’hui un leader mondial dans la conception et la production d’équipements médicaux
avec aujourd’hui une gamme de produits extrêmement large allant de systèmes de radiographie,
scanners, IRM, ultrason, etc… à des solutions informatiques intégrées pour la revue d’images
et de dossiers patients. Le siège de GEHC se situe à Chicago, aux Etats-Unis, après qu’il a
déménagé du comté de Buckinghamshire, au Royaume-Uni, début 2016.

GE Healthcare emploie aujourd’hui plus de 54.000 personnes à travers le monde. La structure

organisationnelle de GEHC peut être décrite comme s’articulant autour de trois principaux axes
: un axe fonctionnel intégrant les différents métiers et services, un deuxième axe distinguant
les différents types de produits et enfin un axe régional afin de prendre en compte les
spécificités des différents pôles sur lesquels GEHC est implantée.

Le service de maintenance de GE Healthcare

GE Healthcare propose à ses clients - des structures médicales telles que des hôpitaux - de
nombreux services après-vente dont le service de maintenance, qui a pour rôle d’accompagner
les clients au cours de l’utilisation de leurs produits tout en assurant leur disponibilité.

L’importance pour une entreprise comme GE Healthcare d’associer des prestations de services
à son offre d’équipements médicaux n’est en effet plus à démontrer. D’abord, d’une manière
générale, General Electric, en tant qu’acteur industriel de premier plan, doit faire face à une
concurrence exacerbée, d’où l’importance de proposer une gamme de services après-vente
toujours en phase avec les attentes des clients pour s’en démarquer.

On retrouve parmi ces prestations de service le service de maintenance, service clé pour GE
Healthcare. En effet, le niveau élevé de technologie des équipements que propose GE
Healthcare fait qu’il est nécessaire de mettre à disposition le savoir-faire et les compétences du
concepteur auprès du client tout au long de la durée de vie du produit pour pouvoir résoudre au
mieux les pannes.

L’importance d’avoir un service de maintenance pour une entreprise comme GE Healthcare

tient aussi et surtout de l’exigence de ses clients pour la disponibilité de ses équipements,
exigence inhérente au secteur médical. L’indisponibilité d’un équipement médical peut en effet
avoir des conséquences particulièrement graves sur la capacité des structures médicales à traiter
leurs patients et par conséquent présenter des risques pour leur santé.

43
1 La chaine logistique de pièces de rechange réparables de GEHC

GEHC dispose d’un nombre très important de clients dans la majorité des pays du monde. La
grandeur des opérations de l’entreprise et la dispersion géographique de la base installée font
que la gestion des inventaires, la distribution et l’approvisionnement en termes de pièces de
rechange sont des problématiques importantes pour l’entreprise. Afin de supporter les
équipements pendant tout leur cycle de vie, GEHC dispose de plusieurs équipes, chacune
responsable sur une catégorie d’activités de support.

Figure II.2: Structure et équipes du service de maintenance

44
2 Le service de réparation des pièces de rechange de GEHC :

Le service de réparation est responsable de la remise en état de fonctionnement des pièces de

rechange défectueuses. Il est reparti sous différentes équipes, chacune avec une activité
différente :

o Réparation pour approvisionnement :

La réparation pour approvisionnement (Fulfillment Repair) permet la réparation de

pièces de rechange défectueuses pour les transformer en pièces reconditionnées, puis
les remettre sur étagère en disponibilité pour les clients.

Ce type de réparation est considéré comme une source d’approvisionnement, et les

réparateurs, internes ou externes, sont considérés comme des fournisseurs de pièces
réparées.

 L’équipe de réparation :

L’équipe de réparation représente les différents centres de réparation de pièces de

rechange de GEHC. Pour se rapprocher des clients, les centres de réparation sont
présents dans toutes les régions du monde.

Figure 9 : Localisation des centres de réparation du monde

Les pièces de rechange sont envoyées des entrepôts de stockage vers les centres de
réparation, puis, elles sont retournées pour être mises sur étagères.

 L’équipe « Harvest » :

Comme décrit dans les sections précédentes, GEHC récupère les systèmes client
quand ces derniers arrivent en fin de vie ou quand les clients décident de les
changer. L’équipe Harvest s’occupe de tester puis démonter les systèmes reçus, de
récupérer les pièces de valeur et de recycler les déchets.

45
 L’équipe Harvest s’occupe également de l’étude de viabilité technique et
économique des nouveaux programmes pour des nouveaux systèmes.

 L’équipe « Swap » :

L’équipe Swap s’occupe du traitement des pièces qui sont encore sous garantie.
Quand une pièce revient sur site d’un client en état défectueux, et si elle est sous
garantie, l’équipe Swap s’occupe de contacter le fournisseur original et du
traitement du cas afin d’avoir une réparation ou remplacement de la pièce de
rechange.

o Réparation à la demande :

Au contraire de la réparation pour approvisionnement, la réparation à la demande est

disponible pour les clients sans contrat qui désirent réparer leurs systèmes chez GEHC.
Pour ceci, ils entrent en contact avec le service de maintenance, par téléphone ou email,
puis, soit un technicien se déplace chez le client, soit le client envoie le système à
l’entreprise en fonction de la taille et la nature de ce dernier.

 L’équipe de réparation à la demande Ultrason « Unisyn » :

Créée en 2009 et rachetée par GEHC, Unisyn est une entreprise de réparation
d’équipements ultrason tels que les sondes utilisées pour l’échographie de
grossesse.

 L’équipe de réparation à la demande d’équipements de support de vie (LCS :

Life Care Solutions) :

Comme Unisyn, l’équipe de réparation LCS fait des réparations sur demande pour
des équipements de support de vie, comme les systèmes de support respiratoire.

3 Particularités de la chaine logistique de pièces de rechange de GEHC :

complexité, volume et variabilité

3.1 Diversité du portfolio des pièces de rechange de GEHC :

La taille et la complexité de la chaine logistique de GEHC sont des éléments qui contribuent à
la problématique qu’on traite dans ce projet de thèse. L’entreprise GEHC dispose de dizaines
de centres de distribution dans les différentes régions du monde. L’entreprise gère un ensemble
de plus de 200.000 références différentes de pièces chacune avec une demande et une gestion
différente. En termes de volume, l’entreprise dispose d’un inventaire de plus de 10 millions de
pièces de rechange dans le monde.

46
En termes de diversité, les pièces de rechange peuvent appartenir à plus de 10 familles
différentes : Mammographie, Vasculaire, Ultrason, Support de vie, etc... Les pièces aussi
varient également en termes de criticité, valeur et taille.

Ces pièces de rechange transitent dans le réseau logistique de l’entreprise d’une façon continue
afin d’ajuster les inventaires régionaux et satisfaire la demande de chaque région.

La base installée de l’entreprise est également en évolution continue, de nouveaux systèmes

sont introduits au portfolio de l’entreprise d’une façon continue, proposant de nouvelles
fonctionnalités et de nouvelles technologies. Ceci implique de nouvelles pièces que l’entreprise
doit gérer et mettre à disponibilité des clients.

3.2 La variation de la demande en fonction des pièces rechange et des régions

En termes de demande des pièces de rechange, il est important de noter que la demande est
généralement différente d’une référence de pièces à une autre, même dans la même famille.
Ceci ajoute un niveau de complexité pour les centres de réparation en termes de prévision et
d’approvisionnement.

La demande varie également en fonction de la région dans le monde et l’entreprise doit ajuster
les niveaux d’inventaire d’une façon continue pour répondre à la demande dans des délais
optimaux. Le nombre de transactions internes entre les entrepôts de l’entreprise est de plus de
10.000 transactions par mois.

En addition, le service de gestion de pièces de rechange de GEHC doit s’adapter aux différentes
règlementations de chaque pays dans le monde, notamment en termes de lois d’import-export
et de douane. L’entreprise doit gérer les contraintes imposées par des pays qui n’acceptent que
des pièces de rechange neuves et non des pièces réparées, ou bien qui acceptent uniquement
l’importation des pièces et non l’export de ces dernières. Il existe également des pays qui
acceptent la réparation, mais uniquement dans le territoire du pays. Dans ce cas, l’entreprise
doit étudier la faisabilité technique et financière d’ouvrir un centre de réparation dans ce pays.

3.3 La compatibilité entre les pièces de rechange

3.3.1 La rétrocompatibilité et la compatibilité ascendante

Afin d’optimiser et de simplifier la conception des systèmes médicaux de GEHC, le service de

production tend à prioriser la compatibilité en termes de pièces de rechange entre plusieurs
générations de systèmes. Les systèmes médicaux peuvent avoir une compatibilité ascendante :
compatibilité avec les futures générations, et/ou une rétrocompatibilité : compatibilité avec les
anciens systèmes.

47
Ceci permet à l’entreprise de profiter de la chaine logistique existante et de l’inventaire qu’elle
a déjà pour maintenir de nouveaux systèmes, ce qui réduit les coûts financiers d’une façon
considérable.

3.3.2 Les changements de conception

Un autre type de compatibilité est mis en place pour répondre à des problèmes de qualité.
Quand l’entreprise fait face à un problème de qualité sur un modèle donné de systèmes, une
étude est faite afin de définir la criticité du problème et identifier les pièces de rechange dans
le système qui causent le problème.

Après l’étude du problème, l’entreprise peut soit :

 Retirer tous les systèmes de la base installée et livrer les nouveaux systèmes
avec la nouvelle conception. Cette option est d’une criticité élevée ;

 Faire des interventions préventives sur toute la base installée et changer la

pièce concernée dans les systèmes avec le nouveau modèle ;

 Attendre que les systèmes tombent en panne et changer les pièces avec le
nouveau design même si ce n’est pas la cause de la panne traitée.

Dans tous les cas cités ci-dessus, un lien de compatibilité (CU : Change-up) est créé entre deux
pièces ou plus. Lors d’une maintenance chez un client, le changement d’une pièce avec un CU
suit une des politiques suivantes :

 Si la pièce est défaillante :

o La pièce peut être remplacée par le même modèle jusqu’à la

consommation de l’inventaire entier, puis utiliser le nouveau modèle ;
o L’inventaire du modèle concerné est obsolète et il faut impérativement
utiliser uniquement le nouveau ;
o Les deux modèles peuvent être utilisés, c’est au technicien de
maintenance de choisir la pièce à commander en fonction du pays, des
délais de livraison et de l’état de l’inventaire.

 Si la pièce n’est pas défaillante :

o La pièce doit être changée avec le nouveau modèle ;

o La pièce doit être changée avec le nouveau ou l’ancien modèle ;
o Ne rien faire.

Toutes ces options doivent être modélisées pour être intégrées dans les modèles de gestion de
stock et de prévision de la demande de pièces de rechange ainsi que pour les demandes de
réparation. A titre d’illustration de l’importance d’une bonne communication, supposons une

48
forte demande pour une référence de pièces de rechange donnée. L’entreprise pourrait revoir
ses priorités de réparation pour répondre à ce besoin alors que la législation du pays de
réception impose des pièces neuves. Une telle décision peut entrainer un pic d’activité dans les
services de réparation et un potentiel retard de livraison au vu des stocks disponibles de pièces
neuves en étudiant leur compatibilité, qu’il faudrait donc réapprovisionner d’urgence.

L’ensemble de ces contraintes augmente le nombre de variables de décision à intégrer dans le

processus d’approvisionnement et le rend extrêmement complexe et quasi impossible à gérer
manuellement ou avec des modèles classiques de gestion d’inventaire. GE Healthcare est
depuis plusieurs années dans un processus d’amélioration continue de gestion de ses pièces de
rechange au vu de son engagement de qualité de service et de maîtrise des coûts. Elle développe
ses solutions propres que nous allons chercher à analyser au travers de ses processus de
décision. Cette analyse nous permettra de définir nos axes de recherche.

Description du processus de gestion du point de vue des centres de réparation et du

point de vue du client

Nous proposons ici de détailler le mode de fonctionnement de la chaine logistique de GEHC.

Le flux de pièces de rechange forme une boucle fermée allant des fournisseurs intégrant les
centres de réparation vers les centres de distributions puis vers le client. La Figure 10
schématise les différents flux de matière de cette chaine.

Figure II.3: Les flux des pièces de rechange chez GEHC

49
1 Le retour des pièces de rechange

Lors d’une maintenance sur un système client, le technicien commande la pièce de rechange
nécessaire pour faire l’intervention. La pièce est envoyée du centre de distribution régional le
plus proche du site client.

A la réception de la pièce, le technicien remplace la pièce défectueuse par la nouvelle pièce,

puis, la pièce défectueuse est ensuite retournée vers le même centre de distribution.

Le transport des pièces de rechange est pris en charge par des transporteurs spéciaux. Le
technicien généralement regroupe un lot de pièces avant de les envoyer à la fin de la journée
ou la semaine. Ce choix dépend du technicien, de la région et des pièces.

A la réception dans le centre de distribution, la pièce est saisie dans le système d’information
de l’entreprise et puis elle est tiquetée avec un « label » contenant le modèle de la pièce, le
numéro de série et les autres informations nécessaires pour son identification. La pièce est mise
sur étagère en état défectueux, en attente d’un besoin exprimé d’approvisionnement pour le
lancement du processus de réparation.

2 La réparation des pièces de rechange

Comme abordé dans les sections précédentes, les pièces de rechange sont approvisionnées de
plusieurs manières : soit avec un achat de pièces neuves, en réparant des pièces défectueuses,
en récupérant les pièces d’anciens systèmes ou bien en profitant de la garantie de fournisseurs
pour remplacer ou réparer des pièces défectueuses.

Quand une commande de réparation est créée et approuvée pour une référence donnée, une
pièce défectueuse est envoyée au centre de réparation approprié. Pour le cas de GEHC, chaque
pièce a un seul fournisseur de réparation, qui peut être interne (un centre de réparation GE) ou
externe.

Pendant le processus de réparation, la pièce passe par plusieurs étapes :

i. Création et validation du PO (Purchase Order)

La création de la commande de réparation est effectuée par le système de planification

automatique (DRP) et validée par le responsable de planification de la référence
concernée, appelé « planner ». La commande en « deux étapes » est importante, vu que
le planner doit prendre en considération un ensemble d’indicateurs non présents dans
un modèle DRP classique. Ces indicateurs sont, par exemple, le taux d’échec de
réparation, l’évolution de la base installée de l’entreprise, la possibilité d’avoir une
pièce d’un ancien système au lieu de l’acheter ou la réparer, l’historique des retards ou
de ponctualité des fournisseurs. En fonction de sa propre analyse, il prendra la décision
ou non de créer une commande d’approvisionnement et avec quelle solution.

50
ii. Transport de la pièce vers le centre de réparation

GEHC dispose d’un ensemble de collaborations avec des transporteurs d’équipements

médicaux. Les fournisseurs dépendent de la nature de la commande (urgente ou
normale), de la région dans le monde et de la nature de la pièce.

iii. Réparation de la pièce

Figure II.4: La structure d’un centre de réparation GEHC

A l’arrivée dans le centre de réparation, la pièce passe par un ensemble d’étapes (Figure
II.4).

o Réception de la pièce : A la réception de la pièce, une équipe s’occupe du déballage

de la pièce, saisit la date de réception et les informations de la pièce dans le système
d’information de l’entreprise. Elle est ensuite mise sur étagère pour les techniciens
de réparation.

o Diagnostic de la pièce : Le processus consiste à faire un ensemble de tests qui sont

documentés et liés à chaque modèle de pièces. Le résultat de test est la localisation
de la partie défectueuse de la pièce et oriente le technicien vers les composants
potentiellement défectueux.

o Réparation de la pièce : La procédure de réparation est dans la plupart des cas un

remplacement direct d’un ou plusieurs composants défectueux par un nouveau.

51
 Dans quelques cas, les techniciens peuvent être amenés à réparer un composant
(absence de stock, opérations simples, …).

o Procédure de test : Après chaque réparation, une procédure de test est obligatoire
pour s’assurer du bon fonctionnement de la pièce de rechange. Il existe plusieurs
types de procédures de test dépendant de la nature de la pièce. Pour une boite
d’alimentation par exemple, la procédure consiste à une mise sous tension et de
stress pendant huit heures.

o L’emballage : L’emballage consiste à protéger la pièce de rechange dans un

emballage antistatique et antichoc.

iv. Envoi de la pièce à l’entrepôt d’origine.

Après le déroulement de la réparation, les pièces sont mises en attente puis transportées vers
les entrepôts de stockage. Il est important de noter que les pièces sont retournées au même
centre de stockage d’où elles proviennent.

3 Le processus d’approvisionnement

Le processus d’approvisionnement est l’un des plus critiques au vu de sa complexité et des

coûts et délais qu’il engage.

Comme stipulé auparavant, GEHC dispose d’un système de planification semi-automatique

implémentant un modèle DRP. A la création d’un PO (Purchase Order) par ce système, le
planner de la pièce peut approuver, modifier ou annuler la commande en fonction de son
expertise et des critères mentionnés précédemment et non inclus dans le système de gestion
automatique (DRP). Un exemple de critères est donné ci-après :

- La durée d’approvisionnement pour chaque solution ;

- Les niveaux d’inventaire « neuf », « réparé » et « défectueux » ;

- L’évolution de la base installée ;

- L’historique et la réputation des fournisseurs (retard, ponctualité) ;

- La prévision de la demande ;

- La disponibilité de la pièce dans des anciens systèmes qui seront récupérés par
l’entreprise ;

- Le nombre de « backorders » ;

- L’historique de la demande ;

- Le taux d’échec / succès de réparation ;

52
 - Etc…

Une commande d’approvisionnement se traduit par un ordre d’achat de neuf ou de réparation.

Quand le planner reçoit une commande, il doit déterminer quelle solution choisir et ensuite
quel volume commander (Voir figure II.5).

Figure II.5 : Processus haut niveau de décision de planification

Il est à noter que cette liste n’est ni exhaustive, ni formalisée. Elle est propre à chacun des
planners en fonction de son propre niveau d’expertise et sensibilité. Ce constat est lié à une
analyse de pratiques conduite durant cette thèse auprès de 10 planners (la population des
planners est d’environ 80). Notons que, même si cette étude n’est pas statistiquement
représentative et ne permet donc pas d’assurer des « bonnes pratiques » des planners, elle
montre cependant des comportements très hétéroclites à la fois entre planners mais aussi entre
produits. Par ailleurs, notons qu’un planner va réaliser en moyenne environ 30 opérations par
jour.

Vu ces éléments auxquels s’ajoutent le nombre et la diversité des opérations, des références de
pièces (+200.000 références), des solutions d’approvisionnement possibles et la complexité de
la chaine logistique de GEHC, il est délicat voire non envisageable de chercher à proposer des
solutions automatisées pour la prise de décision. Il en est, au vu de l’impact sur la variabilité
de la charge de travail des centres de réparation et des coûts engendrés, qu’il semble nécessaire
de renforcer les outils d’aide à la décision.

4 Présentation de la problématique industrielle

Actuellement, GEHC dispose d’un réseau de dizaines de centres de réparation distribués

partout dans le monde : Amérique du nord, Amérique du sud, Europe, Moyen-Orient et l’Asie
; réparant plusieurs milliers de pièces de rechange chaque jour et un chiffre d’affaire de
plusieurs millions de dollars chaque mois. Ces centres de réparation reçoivent des pièces
défectueuses récupérées lors de la maintenance et les remettent en état de fonctionnement à
travers des lignes de réparations dédiées à chaque type d’équipement.

53
Dans son souci d’amélioration permanente, GEHC conduit un ensemble d’analyses de la
performance de sa chaine logistique de pièces de rechange. Actuellement, un des constats est
la nécessité d’améliorer la gestion des centres de réparation qui peuvent présenter de forts pics
d’activité, liés à des effets butoirs de demandes sur des pièces de rechange réparées. Ces pics
d’activité ont des influences importantes sur la qualité de service en termes de délai de
disponibilité des pièces et sur les coûts. Pour compenser ces retards, les mesures actuelles sont
le renforcement ponctuel des équipes et le réapprovisionnement en pièces neuves. L’une
comme l’autre de ces solutions ne sont pas satisfaisantes, la première engendrant des délais liés
à l’identification et au recrutement ponctuel de personnels qualifiés et la seconde augmentant
le nombre de pièces de rechange dans la chaine, allant à l’encontre des objectifs de l’entreprise.

Plus spécifiquement, plusieurs conséquences critiques ont été identifiées liés à ces pics
d’activité.

La première est liée aux stocks de matières premières. Pour répondre à une charge donnée, un
centre de réparation doit être préparé en termes de matières premières. Les délais
d’approvisionnement imposés par les fournisseurs sont généralement de plusieurs mois et ne
permettent donc pas de compenser une augmentation subite d’une demande. Ceci conduit alors
les gestionnaires de centres de réparation à sur-dimensionner leurs stocks augmentant de facto
le risque d’obsolescence et une perte financière (immobilisation d’inventaire).

Comme souligné précédemment, la gestion des ressources humaines (taille de l'équipe et des
compétences) ainsi que celle de l’espace dans les lignes de réparations dépendent aussi de la
précision de cette prévision afin que le centre de réparation soit capable de gérer ses ressources
et ses compétences d’une manière optimale.

Les opérations du service de maintenance de GEHC sont divisées en deux parties :

- L’équipe gestion des pièces de rechange, qui est répartie partout dans le monde et
contient des dizaines de personnes.

- Les centres de réparation qui ont des spécialités différentes et qui sont distribués partout
dans le monde.

Comme expliqué dans les précédentes sections, les indicateurs de performance des centres de
réparation sont : (i) la longueur du cycle de réparation (Repair Cycle Time ou RCT) (ii) le taux
de pièces défectueuses à la réception par les techniciens (Fail on Arrival ou FOA) (iii) le
volume des réparations en cours (Backlog).

Afin d’améliorer la performance des centres de réparation, les équipes de support mettent en
place plusieurs projets d’optimisation des opérations. Cependant, il est nécessaire d’avoir les
ressources nécessaires en termes de matières premières, de personnes et d’espace pour absorber
la charge dans les centres de réparation.

54
Notre analyse approfondie de la chaîne vis-à-vis de cette situation conduit à la conclusion d’un
manque de fiabilité des modèles actuels utilisés chez GE Healthcare en termes de prévision de
charge de ses centres de réparation. Les modèles existants sont dédiés uniquement à la
prévision de la demande des techniciens de maintenance en pièces de rechange et non pas de
la charge de réparation (la différence des critères à considérer entre les deux problématiques
sera expliquée dans la rédaction). En plus, les modèles classiques de prévision (de type séries
temporelles) ont des limites notamment quand la demande de réparation se caractérise par une
variabilité élevée ainsi que des pics non réguliers. Un des objectifs est alors l’identification des
causes potentielles de ces pics et leur modélisation en termes de fréquence, d’effet sur la
demande et à plus long terme sur la charge des centres. Une analyse systématique des causes
pour chaque référence nous semble tout à fait inenvisageable au vu de la complexité de la
chaine et du caractère multifactoriel et dépendant de ces causes. De plus, la construction d’un
modèle prévisionnel basé sur ces causes ne nous semble pas possible au vu des pratiques des
planners et de l’importance de leurs décisions dans cette gestion.

Cependant, les managers des centres de réparation ont un besoin primordial d’avoir une
visibilité sur la future charge qui sera reçue afin de s’organiser pour avoir des opérations de
qualité et de répondre dans des délais optimaux.

La difficulté d’avoir un modèle de prévision fiable est liée à la nature des opérations et à la
complexité du processus d’approvisionnement. Comme décrit dans la section précédente, les
planners se basent principalement sur leur expérience pour prendre des décisions, ce qui fait
qu’il n’y a pas d’algorithme déterministe qu’on peut implémenter pour prévoir les futures
décisions. En addition, des tentatives d’implémenter des programmes qui simulent le
comportement des planners ont été réalisées sans succès dû à la complexité et au nombre très
élevé de combinaisons et de situations possibles.

Conclusion

Dans le secteur médical, la chaine logistique de pièces de rechange joue un rôle crucial dans la
maintenance des systèmes des clients afin d’éviter les interruptions et d’offrir un service stable
aux clients dans les hôpitaux. GEHC a des contrats de maintenance avec de milliers de clients
autour du monde, présents dans plus de 100 pays. Les prix des pièces de rechange varient
énormément mais peuvent atteindre des montants de 100.000 euros pour une seule pièce.

L’analyse des points d’amélioration du processus de prévision existant de la charge dans les
centres de réparation montre un défaut dans ce dernier. Pour améliorer la fiabilité de tels
modèles, les approches classiques tendent à des études systématiques d’identification et de
modélisation des causes de variabilité en termes d’effet et de prédiction. Ces études reposent
généralement sur une connaissance précise et de la maitrise complète de la chaine logistique
ainsi que l’acquisition de données fiables et en grande quantité.

55
Vu la complexité de la chaine de GEHC, du nombre d’acteurs impliqués, un grand nombre
d’incertitudes qui réside et ne permet pas de présager une modélisation fine mettant en évidence
des relations explicites de cause-conséquence, renforcé par la nature multifactorielle de ces
causes, nous nous proposons de retenir comme objectif de thèse d’élaborer une méthodologie
pour l’amélioration des prévisions de charge des centres de réparation des pièces de rechange.

Ces prévisions permettront aux planners de mieux ajuster leur stratégie de réapprovisionnement
et de réparation et pour les centres de mieux adapter leurs ressources par anticipation des pics
ou de chutes brusques de charge.

Dans le chapitre suivant, nous allons d’abord étudier la littérature relative aux problématiques
de prévision qui sont déjà traitées dans la chaine logistique de pièces de rechange. Puis,
nous allons présenter une revue de littérature des méthodologies utilisées pour répondre à
ce type de problèmes, les avantages et inconvénients de chacune et les raisons pour lesquelles
nous avons fait le choix des modèles Machine Learning.

56
Chapitre III : Positionnement
scientifique de la problématique et
contributions

Dans ce chapitre nous allons positionner le problème par rapport à une revue de littérature.
Ensuite, nous allons présenter les verrous scientifiques et les contributions de notre travail qui
y sont associés.

Positionnement scientifique

Notre problématique principale est : La prévision de la charge de réparation dans une chaine
logistique de pièces de rechange en boucle fermée.

Nous allons voir la littérature traitant des problèmes similaires, et plus précisément les travaux
employant des modèles d’apprentissage dans le contexte de la chaine logistique, puis, nous
allons identifier les opportunités de contributions, en analysant les modèles de la littérature,
leurs avantages et leurs limites.

1 Littérature de la problématique de prévision dans la chaine logistique de pièces

de rechange

Concernant la prévision de la charge de réparation, et après une revue de la littérature, nous

n’avons pas trouvé de travaux traitant la problématique exacte de « prévision de la charge dans
un centre de réparation dans une chaine logistique de pièces de rechange ». Cependant, des
travaux en liaison avec notre problématique sont présents.

La publication de Hyung Tae Kim et al. (2019) traite la prévision des défaillances des pièces
de rechange utilisées par la défense Coréenne. Le travail utilise une approche Data Mining et
prévoit la quantité de pièces de rechange en utilisant des modèles tels que les « Random
Forests », « Regression Trees » et des « Neural Networks ». La performance des modèles a été
évaluée avec RMSE (Root Mean Squared Error) et MAE (Mean Absolute Error), le résultat
montre que le modèle « Random Forests » a la meilleure précision. En comparaison avec notre
problématique, le modèle ne cherche pas à prévoir la charge dans les centres de réparations
mais les défaillances des pièces de rechange. La différence est que, dans notre contexte, à
l’occurrence d’une défaillance, les pièces ne sont pas réparées, mais stockées jusqu’au besoin.

57
Ensuite, quand un besoin est exprimé pour cette référence de pièces, une évaluation par des
experts est faite pour décider si la réparation est la solution optimale en prenant en
considération un nombre important d’informations à ce moment donné.

Dans notre cas, la réparation n’est pas le résultat de défaillance mais d’une décision
d’approvisionnement, qui fait partie d’un ensemble de solutions d’approvisionnement de
pièces de rechange tels que : l’achat du neuf, la couverture de garantie des fournisseurs, la
récupération des pièces d’anciens systèmes. La problématique traitée, le contexte ainsi que les
données d’entrées et de sortie sont différents de notre travail.

Shinohara et al. (2003) propose un travail pour la prévision de la demande de réparation de

pièces de rechange. Le système possède une base de données qui recueille diverses données et
utilise une fonction de résumé qui extrait de la base de données les problèmes dus à la
détérioration des pièces. Le système permet de prévoir, pour chaque année, un taux de panne
de pièces de rechange, et en se basant sur ceci génère la prévision de la taille du marché des
pièces de rechange. Comme le travail de Hyung Tae Kim et al. (2019), cette publication ne
vise pas à prévoir la charge dans des centres de réparation.

Van Jaarsveld et al. (2011) présente une publication visant à optimiser la gestion de l’inventaire
dans un atelier de réparation de pièces de rechange d’avions. Le modèle propose l’analyse des
défaillances des pièces afin d’en tirer les composants nécessaires pour la réparation et en
quelles quantités. Le travail descend au niveau des composants des pièces de rechange qui est
important pour les techniciens de réparation. Le système proposé a été testé sur un vrai atelier
en montrant comment on peut récupérer automatiquement les pièces et comment le système
peut tourner d’une façon autonome afin de supporter les décisions de gestion de l’inventaire de
composants de pièces de rechange. Le contexte du travail est le même que dans notre projet
(CL-PR-BF), en revanche l’objectif est l’aide à la décision dans les centres de réparation pour
l’optimisation de la gestion d’inventaire et pas la prévision de la charge. Cependant, la
méthodologie d’implémentation est la même que celle qui a été suivie dans notre projet, qui
est l’implémentation d’un outil informatique dans les ateliers de réparation et l’utilisation de
vraies données pour calibrer le modèle.

Feng et al. (2014) propose un modèle à deux niveaux pour prévoir la demande de réparation
des pièces de rechange utilisées dans le domaine d’aviation. Le modèle se différencie par le
fait qu’il considère les raisons des pannes et pas uniquement les données historiques sur
lesquels les modèles classiques de la littérature se basent. En comparaison avec notre travail,
le modèle ne traite pas la charge sur les ateliers des réparations et considère qu’une pièce est
envoyée en réparation directement après sa panne ce qui n’est pas le cas dans notre cas, où la
réparation est demandée lors d’une décision d’approvisionnement pour remplacer un achat
d’une pièce neuve.

Kareem et al. (2015) présente une approche pour la prévision des défaillances des pièces de
rechange automobile. Le modèle utilise une méthodologie de classification afin d’intégrer

58
d’une façon dynamique le taux de défaillance des pièces et leur criticité dans les systèmes.
Ensuite, pour chaque défaillance, le modèle se base sur des modèles classiques de gestion
d’inventaire pour proposer des interventions. De la même façon que la publication de Hyung-
Tae et al. (2019), le travail vise à prévoir la défaillance des pièces et non l’impact sur les centres
de réparation.

En conclusion : Les travaux de prévision dans la chaine logistique sont répartis en deux
catégories. La première est la prévision de la demande qui couvre une grande partie de la
littérature. La deuxième est la prévision des défaillances des produits (systèmes ou pièces de
rechange). Les deux problématiques sont largement traitées dans la littérature et sont
différentes de celle traitée dans ce projet de thèse. Dans notre contexte, ni la prévision de la
demande, ni les défaillances des systèmes ne répondent à notre besoin qui est la prévision de
la charge dans les centres de réparation. Une pièce qui tombe en panne n’est pas envoyée en
réparation directement, et peut même ne jamais être réparée (dans le cas où le prix des pièces
neuves baisse par exemple). Après une défaillance, la pièce est stockée jusqu’à ce qu’un besoin
soit exprimé. Quand un besoin est signalé pour cette référence, une réévaluation est faite par
des experts pour voir si la réparation est une solution optimale pour la pièce, ceci en prenant
un nombre important d’informations, telles que le délai de réparation, le délai de l’achat du
neuf, les prix du neuf et les couts de réparation, la localisation du besoin dans le monde, la
localisation des pièces défectueuses, le taux d’échecs de réparation etc...

Pour toutes ces raisons, les travaux existants dans la littérature représentent des premières
approches mais qui ne permettent pas de prendre en compte la complexité de la chaine
logistique étudiée dans notre travail.

Méthodologies de prévision dans la littérature et l’utilisation des modèles

d’apprentissage dans le contexte de la chaine logistique

La gestion de la chaine logistique est un domaine traitant le contrôle et la gestion des flux des
biens et de services en prenant en compte tous les processus de transformation et d’ajout de la
valeur aux matières premières afin d’avoir un produit final répondant au besoin du client
(Baryannis et al. (2019)). La nature du domaine et de ses problématiques le rend adapté à des
applications de modèles d’intelligence artificielle.

Nous avons étudié 5 revues de littératures (Tableau III.1) traitant l’utilisation des modèles
d’apprentissage dans le domaine de chaine logistique, allant de 1986 à 2018. Notre revue de
littérature prend en compte un total de 693 publications.

59
 Nombre
Reference Années Objectifs
d'articles

Etude des travaux se focalisant sur la gestion des risques

dans le domaine de la chaine logistique, employant des
Baryannis et al.
276 1996-2018 modèles d'intelligence artificielle pour des fins de
(2019)
prévision, automatisation, aide à la décision afin de
minimiser les incertitudes liées à la gestion de risques.

Revue des travaux d'aide à la décision dans le domaine du

Ngai et al. (2014) 77 1994-2009 textile, proposant l'application de modèles d'intelligence
artificielle

Revue de littérature se focalisant sur les travaux

Giri et al. (2019) 149 1989-2018 employant des modèles d'intelligence artificielle sur des
chaines logistiques de produits de mode.

Revue de littérature visant à présenter des opportunités

Min, Hokey et al.
28 1986-2008 scientifiques et des domaines adaptes à des applications
(2010)
d'intelligence artificielle.

Ko Mark et al. Une revue de l’utilisation des méthodes informatique

163 1990-2008
(2010) dans le domaine de la chaine logistique

Tableau III.1: Revues de littérature sur l’utilisation des modèles d’apprentissage en chaine logistique

Figure III.1: Le processus de filtrage des publications des revues de littératures

Afin de suivre une méthodologie commune entre les différentes revues sur lesquelles on s’est
basée, notre analyse va considérer uniquement les publications en anglais ou français, et
seulement les publications en revues (Figure III.1).

60
1 La tendance croissante des contributions en application d’intelligence artificielle
en chaine logistique

Comme illustrée par la figure ci-dessous, dans le début des années 90s, seulement quelques
travaux proposant des approches IA en CL ont été présents. Ceci peut être lie aux limites en
termes de puissance des ordinateurs et de serveurs nécessaires pour faire tourner des modèles
d’apprentissage à l’époque.

Figure III.2: Nombre de publication en IA appliquée à la CL (Baryannis et al. (2019))

A partir des années 2000s, nous remarquons une tendance fortement croissante du nombre de
contributions. Pendant la même période, des progrès très importants ont été faits en termes de
technologies telles que des cartes graphiques plus puissantes capables de tourner des modèles
en temps réel, ainsi que des offres de Cloud IA qui ont commencé à se commercialiser dans la
même période.

Ceci a permis aux laboratoires de recherche et aux entreprises d’appliquer les modèles
théoriques de l’IA dans des contextes réels et sur de vraies données de masse, ce qui a donné
naissance à des innovations telles que les voitures autonomes, assistants mobiles, etc…

2 Analyses des approches présentes dans la littérature :

En termes d’approches employées pour répondre aux problématiques de la chaine logistique,

une multitude de modèles est présente. Dans cette section, nous présentons les catégories les
plus importantes.

61
Le tableau ci-dessous présente l’occurrence des diffèrent types de modèles dans les revues
étudiées. Nous remarquons une forte présence de modèles de programmations stochastique
avec un pourcentage de 20%. Selon Baryannis et al. (2019), ce genre de méthodes est très
adaptés aux problèmes de gestion de risque et d’incertitude.

Modèles Mathématiques Hybrides

Algorithmes aide à la décision

Programmation Stochastique

Système de logique floue

Programmation Linéaire

Algorithmes Génétiques

Réseaux de neurones

Image Recognition

Machine Learning
Systèmes Expert

Reference

Baryannis et
15 30 139 15 0 53 0 24 0 0
al. (2019)

Ngai et al.
10 0 0 19 2 5 15 29 0 0
(2014)

Giri et al.
41 20 0 0 13 0 0 0 12 63
(2019)

Min, Hokey et
19 0 0 0 0 2 5 2 0 0
al. (2010)

Ko Mark et al.
12 0 0 0 0 37 88 41 0 0
(2010)

Total 97 50 139 34 15 97 108 96 12 63

Tableau III.2: Distribution des méthodes utilisées dans la revue de littérature

Ensuite, on trouve les algorithmes génétiques (15%), puis les systèmes de logique floue, les
réseaux de neurones et les systèmes expert (14%), suivis de modèles Machine Learning (9%),
programmation linéaire (7%) et enfin les modèles de programmation mathématique hybride
(5%), systèmes de reconnaissance d’image et algorithmes classique d’aide à la décision (2%).

La catégorie qui nous intéresse est les modèles d’apprentissage (Machine Learning). Ce genre
de modèles se base sur des données afin d’apprendre des « patterns » en analysant ces données
d’entrées. Les modèles Machine Learning peuvent avoir une base de connaissance (ou
étiquettes) sur lesquelles les modèles décident la donnée de sorties (Apprentissage Supervisé)
ou sans aucune donnée de support (Apprentissage non-supervisé).

62
Le type de modèle n’est pas suffisant pour identifier les verrous scientifiques. Un modèle peut
être utilisé dans le même contexte, de plusieurs façons et paramétrages. Par exemple, un modèle
d’apprentissage peut être adapté à un maximum de 2 paramètres d’entrée et pour des raisons
d’aide à la décision, comme il peut être utilisé pour des fins de prévision avec un nombre élevé
de paramètres.

Pour présenter les différences entre les implémentations présentées dans la littérature, la figure
III.3 se focalise sur la catégorie Machine Learning et présente les pourcentages des travaux en
fonction de leurs caractéristiques.

Figure III.3: Répartition des travaux en termes des variables d’entrée et de capacite à traiter des donnes de
masse (Baryannis et al. (2019))

On remarque que la plupart des implémentations dans la littérature représente des modèles
supportant uniquement un seul paramètre (57%). Dépendant du problème, une seule variable
peut être suffisante pour que le modèle ait une « bonne » précision, mais selon Baryannis et al.
(2019), les modèles d’apprentissage montrent une performance meilleure avec un nombre élevé
de variables disponibles pendant la phase d’apprentissage.

En se basant sur les revues de littérature, une raison récurrente qui apparait dans la plupart des
articles est la difficulté de collecter des données fiables.

3 Analyses des différents cas d’utilisation des modèles :

Afin d’arriver à situer la contribution de notre travail, il est important de différencier les
différentes utilisations des modèles d’apprentissage.

En analysant les articles des revues que nous avons étudiés, les modèles Machine Learning ont
été utilisés pour l’aide à la décision ou pour la prévision. Parmi la première catégorie, seulement

63
6% des modèles est conçu pour prendre ou proposer des décisions automatiques, la majorité
des travaux (51%) se focalise sur le développement des modèles qui prennent en considération
des contraintes et incertitudes avec un focus moins important sur la prise de décision.

La problématique que nous traitons dans ce projet de thèse se focalise sur la prévision, pour
ceci, nous employons des modèles Machine Learning. Comme le montre la figure suivante,
l’utilisation des modèles d’apprentissage dans la littérature, pour des objectifs de prévision, ne
dépasse pas les 4%. Selon Min, Hokey et al. (2010) et Ko Mark et al. (2010), la majorité des
travaux se focalise sur l’aide à la décision et la gestion des risques.

Figure III.4: Répartition des travaux par les capacités des modèles de prise de décision, de prévision et
d’apprentissage (Baryannis et al. (2019)).

4 Contributions de la recherche

Dans la section précédente, nous avons présenté les différentes implémentations existantes
dans la littérature des modèles d’apprentissage en chaine logistique. Ceci nous a permis
d’identifier des limites des modèles existants et le besoin d’implémentation d’un modèle qui
prend en considération les contraintes additionnelles de notre problématique, telles qu’un
nombre élevé de variables d’entrée, la capacité de traiter des données de masse en temps réel,
la capacité de générer des prévisions continues, et d’autres points que nous allons voir en détail
dans la deuxième partie. Ces limites représentent également des opportunités de contributions
scientifiques, motivation ce travail.

Dans cette section, nous allons voir les différentes contributions pour répondre à chaque
limitation que nous avons identifiée.

64
4.1 Modélisation et mise en place d’un modèle Machine Learning de prévision de la
charge dans les centres de réparation dans une CL-PR-BF

Une contribution scientifique de ce projet de thèse est la mise en place d’un modèle de prévision
prenant en considération toutes les variables de décision décrites dans les sections précédentes
et qui permet de prévoir la future charge de réparation que les centres de réparation vont
recevoir.

La contrainte principale de notre problématique est la complexité importante et le nombre très

élevé de variables qui doivent être prises en considération pour prendre des décisions de
réparation, les modèles d’apprentissage étant particulièrement adaptés à ce type de
problématiques.

De plus, en cas de changement – qui sont fréquents dans notre domaine d’étude -, et
contrairement aux modèles analytiques classiques où les changements doivent se faire
manuellement dans l’implémentation, les modèles d’apprentissage se caractérisent par une
flexibilité en termes d’adaptation à des nouvelles données d’entrée. Par exemple, si une certaine
variable n’est plus prise en compte dans les décisions, les modèles ML ont la capacité
d’apprendre ce changement et de s’adapter pour les futures décisions sans intervention
manuelle.

Dans notre étude, nous allons proposer l’utilisation de l’apprentissage supervisé (Supervised
Machine Learning) en deux types : Les modèles simples et les modèles hybrides.

4.1.1 Les modèles Machine Learning simples :

La première contribution de ce travail est l’implémentation, l’analyse et la comparaison de la

performance des modèles machines Learning supervisés, avec les modèles classiques existants
dans la littérature et qui sont utilisés à GEHC.

Les modèles Machine Learning sont bien adaptés pour ce genre des problématiques et sont
appliqués à des problématiques similaires dans d’autres domaines. Notre but est d’appliquer ce
type des modèles dans notre contexte et d’étudier leur performance.

Les modèles sont « entrainés » sur les données historiques de plusieurs années, qui peuvent
être présentées par un couple <xi, ti> ou xi est le vecteur de données d’entrée et le ti est la
charge associée. Après la phase d’apprentissage, les modèles sont testés sur les données
historiques et leur performance est calculée (Figure III.5).

65
 Figure III.5: Illustration de la phase de « training » d’un modèle Machine Learning (Gillian et al. (2010))

4.1.2 Les modèles Machine Learning Hybrides :

Une deuxième contribution de ce travail est l’utilisation de modèles d’apprentissage supervisés

hybrides. L’idée derrière le concept est, au lieu d’appliquer directement un modèle, nous allons
diviser notre problème de prévision en un ensemble de sous problèmes auxquels on applique
des modèles Machine Learning indépendamment.

Comme nous allons le voir dans les prochaines sections, l’avantage de cette méthode est la
possibilité d’utiliser pour chaque sous problème un modèle adapté. Le processus de décision
de réparation qu’on essaye de prévoir par exemple, se décompose en plusieurs étapes ; dans
certaines étapes, on essaie de prévoir le type de décision et dans d’autres on essaie de prévoir
des quantités. Avec un modèle hybride, on a la possibilité d’utiliser des modèles de
classification pour prévoir les décisions et des modèles de régression pour prévoir les quantités
(Figure III.6).

Figure III.6: La décomposition du problème et le type de modèles ML adaptes

Comme le montre la figure, nous divisons le problème de prise de décision

d’approvisionnement en 3 sous-problèmes : deux classifications et une régression.

66
4.2 Implémentation d’un système de prévision de la charge, combinant des modèles
Machine Learning Hybrides et de la simulation

Les modèles ML ne sont pas suffisants pour prévoir la charge d’un centre de réparation d’une
façon continue, vu qu’ils permettent uniquement de prévoir la charge à un instant donné en
fonction des données d’entrée de cet instant (état de l’inventaire, la demande, les pièces en
transit…). C’est sur cette partie que la simulation joue un rôle important de transformation des
données de sortie des modèles ML à de nouvelles données d’entrée via la simulation des
opérations de la chaine logistique, tels que le transport, les transactions entre les entrepôts et la
consommation des pièces.

L’utilisation principale des modèles ML est la prévision de la décision des planners, afin de
prévoir quelles décisions vont être prise en termes d’approvisionnements. La simulation prend
les prévisions de ces décisions et enchaine un ensemble d’opérations tels que l’envoie des
pièces qu’on a prévu de réparer, la création des commandes d’achat et le transport, tout en
prenant en compte les délais en se basant sur l’historique. La simulation génère un nouveau
vecteur de données qui est utilisé par les modèles ML pour prévoir les prochaines décisions
pour les prochains jours ou semaines en se basant sur ce qui s’est passé.

Figure III.7: Combinaison entre les modèles Machine Learning et la Simulation

4.3 Mise en place d’un système d’aide à la décision et de prévision pour le service
de réparation de GEHC

Afin de mette les résultats de ce projet de thèse en utilisation et d’en tirer le maximum de
valeur, les modèles développés sont intégrés dans une plateforme d’aide à la décision qui a été
mise en place également pendant cette thèse.

67
La plateforme met des prévisions de la charge de réparation à disposition de l’équipe de
réparation, ainsi que de la visibilité en temps réel sur l’état de la chaine logistique.

La plateforme contient également des modules responsables sur la synchronisation, « training »

et d’évaluation des modèles Machine Learning en temps réel. Une fois que des nouvelles
données sont disponibles, la plateforme relance le processus d’apprentissage en alimentant les
nouvelles données et réévalue leur performance. Ensuite, les modèles avec les meilleures
performances sont choisis pour générer les futures prévisions.

Conclusion

Après notre revue de littérature, nous constatons un intérêt croissant à l’utilisation des
méthodes Machine Learning en chaine logistique, par les entreprises et aussi dans les
publications scientifiques.

Aussi, les méthodes IA employées proposent plutôt des modèles de programmation

stochastique et de la programmation linéaire. Des modèles Machine Learning existent dans la
littérature, mais ils représentent des limites en termes du nombre de variables d’entrée à prendre
en considération.

Les modèles Machine Learning présents dans la littérature -dans le contexte de la chaine
logistique- ne sont quasiment pas utilisés pour de la prévision mais pour la gestion de risque,
l’optimisation ou pour l’aide à la décision. Pour la dernière catégorie, les modèles existants ne
supportent la prise de décisions automatique que dans 6% des articles.

Considérant que la problématique de notre projet de thèse soit la prévision, le contexte est la
chaine logistique de pièces de rechange en boucle fermée, dans lequel des travaux de ce type
sont inexistants au moment du déroulement de ce projet de thèse. En plus, le nombre
d’indicateurs dans les modèles existants dans la littérature sont très limités par rapport à
notre problématique, vu qu’on est amené à prendre des dizaines de variables en considération.

De même, les applications des modèles Machine Learning dans d’autres contextes donnent des
résultats prometteurs, ce qui motive l’application des mêmes modèles dans notre contexte.

Pour toutes les raisons citées ci-dessus, nous identifions l’application de modèles Machine
Learning, pour faire de la prévision des charges dans des centres de réparation, dans une CL-
PR-BF, un verrou scientifique à explorer dans notre projet.

68
69
Chapitre IV : Modélisation UML de la
chaine logistique de pièces de
rechange en boucle fermée

Introduction

Afin de répondre à une problématique donnée, la compréhension du système étudié est une
étape primordiale avant de passer au processus de résolution. La modélisation est une
représentation abstraite d’un système physique ou virtuel permettant d’exprimer
schématiquement sa structure et son comportement dans son environnement, afin de la
communiquer, la partager ou pour des raisons de documentation.

Dans ce chapitre, nous allons brièvement introduire le langage de modélisation unifié UML
ainsi que les raisons de son utilisation et ses avantages. Nous allons présenter les différents
diagrammes que le langage offre et les utilisations de chacun.

Ensuite nous allons présenter la modélisation de la chaine logistique de pièces de rechange en

boucle fermée, sa structure (aspect statique) et son mode de fonctionnement (aspect
dynamique).

Enfin, nous allons implémenter un modèle de simulation à évènements discrets de la chaine

logistique étudiée, ceci en se basant sur la modélisation faite. Ce système sera une brique de
notre modèle de prévision, et va permettre de générer des données d’entrée des modèles
d’apprentissage que nous allons voir dans le prochain chapitre.

Le langage de modélisation UML

1 Définition

Le langage de Modélisation Unifié (ou UML) est un standard de spécification et de définition

graphique proposé par l’organisme OMG (Object Management Group) pour construire et
documenter les éléments d’un système d’objets distribué (Kautz et al. (2018)).

70
Le langage de modélisation UML a pour objectif de fournir aux architectes système et aux
ingénieurs logiciels des outils d'analyse, de conception et de mise en œuvre de systèmes
logiciels ainsi que de modélisation des processus métier et similaires.

L’utilisation d’un standard de conception comme UML permet l'interopérabilité entre les outils
de modélisation. Pour faciliter l’échange d'informations et de projets entre les outils, un
standard sémantique de syntaxe est nécessaire. UML suit les exigences suivantes :

 Une définition formelle d'un méta-modèle commun qui spécifie la syntaxe abstraite de
l'UML. La syntaxe abstraite définit l'ensemble des concepts de modélisation UML,
leurs attributs et leurs relations, ainsi que les règles de combinaison de ces concepts
pour construire des modèles UML partiels ou complets.

 Une explication détaillée de la sémantique de chaque concept de modélisation UML.

La sémantique définit, de manière indépendante de la technologie, comment les
concepts UML doivent être interprétés par la partie logicielle.

 Une spécification graphique intuitive pour représenter les concepts de modélisation

UML individuels ainsi que des règles pour les combiner.

2 Les différents diagrammes UML

UML propose différents diagrammes pour les spécifications visuelles des systèmes logiciels,
qui peuvent être classés en diagrammes statiques et dynamiques. Les diagrammes statiques
concernent les structures du système tandis que les diagrammes dynamiques concernent les
changements de comportement du système.

Figure IV.1: Domaines sémantiques d'UML (Kautz et al. (2018))

71
2.1 Les diagrammes de structure

Les diagrammes de structure (aussi appelés les modèles statiques) définissent la structure du
système étudié, en mettant le point sur les entités principales du système, ses classes et ses
objets. Les diagrammes statiques UML sont :

 Le Diagramme de classes :

Les diagrammes de classes sont le bloc de construction principal de toute solution orientée
objet. Il montre les classes d'un système, les attributs, les opérations de chaque classe et la
relation entre chaque classe.

Dans la plupart des outils de modélisation, une classe comprend trois parties. Nom en haut,
attributs au milieu et opérations ou méthodes en bas. Dans un grand système avec de
nombreuses classes connexes, les classes sont regroupées pour créer plusieurs diagrammes de
classes. Différentes relations entre les classes sont illustrées par différents types de flèches.

 Diagramme de packages :

Comme son nom l'indique, un diagramme de package montre les dépendances entre les
différents packages d'un système. Les diagrammes de packages peuvent utiliser des packages
qui représentent les différentes couches d'un système logiciel pour illustrer son architecture.

 Diagramme d’objets :

Les diagrammes d'objets, parfois appelés diagrammes d'instance, sont très similaires aux
diagrammes de classes. Comme les diagrammes de classes, ils montrent également la relation
entre les objets mais ils utilisent des exemples du monde réel. Ceci aide à illustrer à quoi
ressemblera un système à un moment donné.

 Diagramme de composants :

Un diagramme de composants affiche la relation structurelle des composants d'un système

logiciel. Ils sont principalement utilisés lorsqu’on travaille sur des systèmes complexes avec
de nombreux composants. Les composants communiquent entre eux à l'aide d'interfaces. Les
interfaces sont liées à l'aide de connecteurs.

 Diagramme de structure :

Les diagrammes de structure composite sont utilisés pour montrer la structure interne d'une
classe.

 Diagramme de déploiement :

Un diagramme de déploiement montre le matériel du système et les logiciels de ce matériel.

Les diagrammes de déploiement sont utiles lorsque la solution logicielle est déployée sur
plusieurs machines, chacune ayant une configuration unique.

72
2.2 Les diagrammes dynamiques

Les diagrammes de comportement définissent des déclarations sur la façon dont les éléments
du domaine modélisé changent et interagissent au fil du temps. Les modèles de comportement
sont aussi appelés des diagrammes dynamiques. Les diagrammes dynamiques UML sont :

 Diagramme de cas d’utilisation :

En tant que type de diagramme le plus connu des types UML comportementaux, les
diagrammes de cas d'utilisation donnent un aperçu graphique des acteurs impliqués dans un
système, des différentes fonctions nécessaires à ces acteurs et de la façon dont ces différentes
fonctions interagissent.

 Diagramme d’activités :

Les diagrammes d'activités représentent les workflows de manière graphique. Ils peuvent être
utilisés pour décrire le flux de travail métier ou le flux de travail opérationnel de n'importe quel
composant d'un système. Parfois, les diagrammes d'activité sont utilisés comme alternative aux
diagrammes de machine à états.

 Le diagramme de machine à états :

Les diagrammes de machine à états sont similaires aux diagrammes d'activité, bien que les
notations et l'utilisation changent un peu. Ceux-ci sont très utiles pour décrire le comportement
d'objets qui agissent différemment selon l'état dans lequel ils se trouvent à un moment donné.

 Diagramme de communication :

Les diagrammes de communication en UML montrent comment les objets interagissent entre
eux et l'ordre dans lequel ces interactions se produisent. Il est important de noter qu'ils montrent
les interactions pour un scénario particulier. Les processus sont représentés verticalement et les
interactions sont représentées par des flèches.

 Diagramme de séquence :

Les diagrammes de séquence en UML montrent comment les objets interagissent entre eux et
l'ordre dans lequel ces interactions se produisent. Il est important de noter qu'ils montrent les
interactions pour un scénario particulier. Les processus sont représentés verticalement et les
interactions sont représentées par des flèches.

 Le diagramme de temps :

Les diagrammes de temps sont très similaires aux diagrammes de séquence. Ils représentent le
comportement des objets dans un laps de temps donné. S'il ne s'agit que d'un seul objet, le
diagramme est simple. Mais, si plusieurs objets sont impliqués, un diagramme temporel est
utilisé pour montrer les interactions entre les objets au cours de cette période.

 Diagrammes d’interactions :

73
Les diagrammes de vue d'ensemble des interactions sont très similaires aux diagrammes
d'activité. Alors que les diagrammes d'activité montrent une séquence de processus, les
diagrammes de vue d'ensemble des interactions montrent une séquence de diagrammes
d'interaction.

Ils sont une collection de diagrammes d'interaction et l'ordre dans lequel ils se produisent.
Comme mentionné précédemment, il existe sept types de diagrammes d'interaction, de sorte
que chacun d'entre eux peut être un nœud dans un diagramme de présentation d'interaction.

3 Le langage UML en pratique

Le langage UML est utilisé dans une grande variété de domaines, allant de la modélisation de
systèmes de grande échelle tels que des chaines logistiques multinationales, des réseaux de
télécommunication ou de grands systèmes tels que des navires ou avions, à la modélisation de
systèmes de petites tailles tels que des capteurs ou des systèmes embarqués.

UML est pris en charge par un grand nombre d'outils de modélisation payants et open-source,
comme Enterprise Architect, StarUML, UML Designer, Visual Paradigm, Magic Draw,
Modelio et IBM Rational Rhapsody. À l'aide de ces outils, les praticiens peuvent modéliser
leurs systèmes en UML et les mettre en pratique avec la simulation et analyser les résultats
avec les fonctionnalités mises à disposition dans les différents outils.

Approche méthodologique proposée : La méthodologie ASCI

La méthodologie ASCI (Analyse, Spécification, Conception et Implémentation) qui a

commencé en génie logiciel, a été proposée la première fois par Gourgand et Kellert en 1991
et a été appliquée aux systèmes hospitaliers depuis 1994. Aujourd’hui, la méthodologie est
présente dans de nombreux domaines.

L’approche ASCI s’appuie sur quatre étapes principales : Analyse, Spécification, Conception
et Implémentation permettant d’avoir un processus intuitif allant de l’analyse haut niveau d’un
système jusqu’à l’implémentation technique de ce dernier.

Un des points forts de la méthodologie est le fait qu’elle est orientée objet par défaut, ce qui
facilite l’utilisation de langages de modélisation tels que UML, que nous avons aussi employé
dans les sections suivantes. Les avantages de la Modélisation Orientée Object (MOO) ne
s’arrêtent pas à la phase de modélisation, mais continuent jusqu’à la phase d’implémentation,
vu qu’un ensemble d’outils informatique permettent la conversion d’un projet de modélisation
orienté objet, à un code exécutable complet, et supportant plusieurs technologies telles que :
Java Enterprise Edition, C#, C++, Python et autres.

74
1 L’approche ASCI dans la littérature

Ouzayd et al. (2011) présente différentes utilisations de la méthodologie ASCI dans la

littérature et dans l’industrie. Di Martinelly et al. (2009) a utilisé la méthodologie ASCI pour
la conception d’un modèle de pilotage permettant l’optimisation de la chaine pharmaceutique
et des flux patients, ensuite le modèle a été utilisé pour implémenter un outil d’optimisation
automatique.

Moussa et al. (2009) a également employé la méthodologie ASCI pour l’étude des flux des
clients dans un hôpital. Le modèle de connaissance a été implémenté par la suite à un modèle
de simulation afin d’évaluer le taux d’utilisation des salles, des radiologues ainsi que les temps
d’attentes des patients. Lemoine et al. (2008) a aussi employé la méthodologie ASCI pour
mettre en place des modèles génériques et des méthodes de résolution pour la planification
tactique mono-site et multi-sites.

Huet et al. (2010) s’est également basé sur la méthodologie ASCI pour structurer le processus
de modélisation. Leurs objectifs étaient de mettre en place un modèle de connaissance et de
l’utiliser afin de concevoir un outil d’aide à la décision permettant la planification des
ressources humaines dans un hôpital.

Belkadi et al. (2010) a adopté la démarche ASCI pour mettre en place une modélisation et
conduire des simulations de l’unité d’Hémobiologie du Laboratoire Central en Algérie. La
structuration du processus de modélisation a permis aux auteurs d’évaluer le taux d’occupation
des salles et de médecins en fonction de plusieurs paramètres d’entrée.

2 La démarche méthodologique

La méthodologie ASCI est composée de deux grands segments principaux, le premier est
composé de deux étapes : l’Analyse et la Spécification, permettant la construction de modèle
de connaissance qui représente l’aspect statique du système (la structure) ainsi que son aspect
dynamique (le mode de fonctionnement).

La deuxième partie de la démarche se compose également de deux parties qui sont la

conception et l’implémentation, permettant la mise en place du modèle d’action. Ce dernier
représente la « traduction » du modèle de connaissance en un algorithme, un langage de
programmation, un formalisme mathématique ou un outil de simulation (Lemoine et al.
(2008)). Le modèle d’action permet par la suite d’avoir le modèle de résultats, via sa mise en
œuvre et son exploitation (Figure IV.2).

75
 Figure IV.2: Processus de modélisation ASCI (Lemoine et al. (2008))

2.1 Analyse

L’Analyse représente la première étape de la méthodologie ASCI. Elle consiste à faire un « état
de lieu » complet du système étudié. Selon Ouzayd et al. (2011), cette étape préconise de mettre
une analyse fonctionnelle et structurelle du système.

Dans l’analyse fonctionnelle, le concepteur et les différents acteurs définissent les objectifs et
les modes de fonctionnement du système avec un niveau de détails progressif, allant d’une vue
globale à une qui est plus précise (Ouzayd et al. (2011)).

Pour l’analyse structurelle, la méthodologie ASCI a pour objectif de définir sans ambiguïté la
composition du système, ses différentes entités principales, les attributs de chacune, leurs
comportements (méthodes) ainsi que les interrelations (Ouzayd et al. (2011)).

76
2.2 Spécification

La spécification est la mise en place du modèle conceptuel proprement dit, représentant le

système étudié en détails et sans ambiguïté. Cependant, avant de commencer la mise en place
du modèle, un choix de langage de modélisation ainsi que les outils informatiques appropriés
est nécessaire. Pour ceci, et selon Ouzayd et al. (2011), le concepteur doit faire une étude
programmatique afin d’opter pour l’outil le plus convenable.

Un ensemble de langages de modélisation sont présents dans la littérature. La référence (Torre

et al. (2018)) présente les résultats détaillés d’un sondage dans 28 pays et avec 124 participants
pratiquant la modélisation dans des domaines différents, avec des expériences différentes allant
d’un niveau débutant à un niveau « expert » avec plus de 10 ans d’expérience en modélisation
(Figure IV.3).

Figure IV.3: Présentation la distribution géographique et de l’expérience des participants au sondage (Torre et
al. (2018))

Les résultats (Figure IV.4) montrent que le langage le plus utilisé est UML avec 105 utilisateurs
parmi 124 (86%), ce qui le met en première place, suivi par « autres DSL » qui représente des
langages spécifiques à leurs domaines.

L’avantage de UML par rapport à ce type de langages réside dans le fait qu’il s’agit d’un
standard (d’où le terme « unifié » dans le nom du langage), qui peut être compris par différentes
personnes ou équipes avec des domaines d’expertises différents. Comme le précise la même
étude de Torre et al. (2018), ceci facilite la collaboration entre les équipes techniques de
développement et les équipes d’étude du projet, marketing et même le client final.

77
Figure IV.4: Nombre de participants utilisant chaque langage de modélisation, repartis en fonction du domaine
d’activité (académique et industriel) (Torre et al. (2018))

Après une étude telle que celle présentée par Torre et al. (2018), le concepteur doit choisir le
langage de modélisation et les outils à utiliser pour la phase de conception et aussi pour
communiquer avec les différents collaborateurs.

Après le choix des outils, le modeleur doit mettre en place la spécification. Il s’agit de faire
représenter l’analyse fonctionnelle déjà définie sous forme de modèle et de la faire compléter
par les spécifications dynamiques, c’est-à-dire l’évolution du système dans le temps. Il s’agit
alors de deux spécifications :

- La spécification fonctionnelle (statique ou structurelle) : représente d’une façon

structurée les entités principales, leurs définitions (nom, attributs, titres des
comportements...) ainsi que leurs interrelations et leurs types (un vers un, un vers
plusieurs ou plusieurs vers plusieurs).

- La spécification dynamique qui met le point sur l’aspect dynamique du système, en

formalisant les interactions entre les différentes entités du système, et leurs évolutions
dans le temps.

Selon Lemoine et al. (2008), la formalisation du modèle de connaissance d’un système

complexe est un processus qui doit être conduit avec de la rigueur. En plus de l’analyse
structurelle et fonctionnelle, il faut également spécifier les activités et les flux qui traversent ce
système, ainsi que les règles de fonctionnement qui gèrent ces flux.

Pour ceci, la décomposition du système en trois sous-systèmes est nécessaire (Figure IV.5) :

- Le sous-système physique (SSP) : contient les différentes entités physiques du

système. Dans notre cas, ce sont les entités physiques de la chaine logistique de pièces
de rechange réparable, avec leurs différentes caractéristiques et interrelations.

78
 - Le sous-système logique (SSL) : contient les différents types de pièces de rechange
présentés dans notre contexte ainsi les règles permettant la transformation de ce dernier
(GOH vers BOH et l’inverse).

- Le sous-système décisionnel (SSD) : contient l’ensemble des règles de gestion

contrôlant le fonctionnement du système complet, tels que les décisions
d’approvisionnement, la réparation et la gestion du transport des pièces de rechange.
Selon Lemoine et al. (2008) le SSD est formé d’un ensemble de règles de gestion qui
agissent sur les sous-systèmes logique et physique.

Figure IV.5: Interaction entre les trois sous-systèmes (Lemoine et al. (2008))

2.3 Conception

L’étape de conception consiste à exploiter la modélisation faite (et validée) dans l’étape
précédente, afin de présenter les différents scénarios ou stratégies de décision.

Ceci est fait via la formalisation des modèles sous forme de modèles mathématiques ou en
l’implémentant sous forme d’un modèle informatique, comme l’algorithmique ou bien en
utilisant directement un langage de programmation.

2.4 Implémentation

L’implémentation est l’étape finale de réalisation de l’outil désiré en se basant sur la conception
déjà faite. La méthodologie de réalisation varie d’un domaine à un autre et d’un système à un
autre. Pour notre cas, nous allons implémenter les algorithmes de simulation sous forme d’un
outil logiciel de simulation, permettant l’exécution des algorithmes et l’extraction des résultats.

79
Nous allons utiliser les langages comme Python et Pandas et nous allons intégrer l’outil de
simulation final dans une plateforme d’aide à la décision pour le service de réparation des
pièces de rechange de GEHC.

Modélisation UML de la CL-PR-BF

Afin d’implémenter des modèles de simulation, des algorithmes Machine Learning ou des
outils de gestion, la modélisation du système étudié est recommandée surtout dans le cas de
systèmes complexes comme le cas dans notre contexte.

Dans cette section nous proposons une modélisation de la chaîne logistique de GEHC, en
prenant en compte les aspects statiques et dynamiques.

1 Le sous-système physique

L’objectif de cette section est de représenter les différentes entités physiques prenantes dans
notre système, leurs différentes interrelations, ainsi que leurs attributs.

La figure IV.6 présente notre système physique complet qui est formé de 15 entités. Afin de
l’analyser, nous allons détailler cette décomposition dans les sections suivantes :

- Les systèmes médicaux

- Les pièces de rechange

- Les centres de distribution

- Les moyens de transport

- Les centres de réparation

80
Figure IV.6: Le sous-système physique

81
1.1 Les systèmes médicaux

Le système médical est l’entité principale dans notre étude, c’est le produit que l’entreprise
développe pendant des mois ou des années, puis qu’elle produit partout dans le monde et
distribue à ses clients.

La maintenance de ces systèmes médicaux installés chez les clients, d’une façon rapide et avec
des coûts optimaux est l’objectif principal de la chaine logistique des pièces de rechange de
l‘entreprise.

Figure IV.7: Modélisation UML du système médical et les différentes entités qui y sont associées dans le sous-
système physique

La base installée de l’entreprise est composée d’un grand nombre de systèmes. Un système
médical physique se caractérise par :

- Un numéro de série unique : ref (Par exemple : 435-H4-421)

- Une date de production : DateProduction (Par exemple : 01/01/2017)

- Une date d’installation : DateProduction (Par exemple : 01/01/2017)

Chaque système médical est physiquement installé chez un client, et fait partie d’une référence
de systèmes, et donc « hérite » de ses attributs. Par exemple, un système avec un numéro de

82
série unique : 435-H4-42, installé dans un hôpital en Espagne est lié à une référence de
systèmes qui est : Optima-900. Ce type de relations entre l’objet physique et son modèle (Le
système physique et son modèle de référence dans notre cas) est nécessaire afin d’avoir une
modélisation « normalisée », ce qui facilite le passage aux diagrammes d’objets et à
l’implémentation.

De la même façon, un modèle de systèmes est lié à une famille de produits, par exemple :
Systèmes mammographie, systèmes vasculaire, systèmes à rayons X ou systèmes ultrason…
qui sont catégorisés en fonction de leurs fonctionnalités et technologies.

L’entreprise dispose d’un nombre de techniciens partout dans le monde, prêts à intervenir sur
les systèmes client pour les inspecter et les remettre en état de fonctionnement. En fonction de
sa formation, le technicien à la capacité de réparer un ensemble de références de systèmes, et
lors de son activité, répare des systèmes physiques de ces références.

1.2 La pièce de rechange

La pièce de rechange (Figure IV.8) est une entité importante dans notre étude. Notre objectif
final est de prévoir le volume qui sera reçu dans chaque centre de réparation dans l’entreprise.
Une pièce de rechange physique est caractérisée par :

- Un numéro de série unique

- Un « état » binaire de la pièce. Défectueux, ou en état de fonctionnement.

- Une date de fabrication

- Une date d’installation dans le système client

- Le nombre de réparations de la pièce physique

Une pièce physique appartient à une référence de pièces et hérite de ces attributs. Une référence
de pièces (aussi appelée modèle de pièces) est caractérisée par :

- Un prix d’achat neuf, qui est défini par le fournisseur de la pièce

- Un coût de réparation, qui est défini par les centres de réparation, et actualisé chaque
année.

- La disponibilité d’achat de la pièce neuve

- La réparabilité de la pièce

- Le taux de retour de la pièce par les techniciens de maintenance

83
 - Le taux de réparabilité de la pièce (le pourcentage des réparations effectuées avec
succès).

- La demande annuelle pour cette référence

- Le niveau d’inventaire défectueux et réparable de la référence

- Le niveau d’inventaire en état de fonctionnement, prêt à être utilisé de la référence

Figure IV.8: Modélisation UML (Diagramme de classe) de pièce de rechange et les entités qui y sont liées

1.3 Les centres de distribution

Les centres de distributions (Figure IV.9) représentent des entrepôts de stockage où les pièces
de rechange (défectueuses ou en état de fonctionnement) sont stockées. Pour le cas de GEHC,
il en existe plusieurs partout dans le monde, organisés d’une façon à réduire le temps de
livraison des pièces aux clients.

Il existe deux types de centres de réparation :

- Les centres de distribution centraux : Il en existe trois au monde, présents dans les
trois pôles : Asie, Europe et Amérique. Ces centres sont le point de contact entre les
différents pôles et c’est à partir de ces derniers que les pièces sont envoyées d’un pôle

84
 à un autre. Le calcul des prévisions de la demande finale est également fait au niveau
de CDC.

- Les centres de distribution régionaux : Il existe plusieurs CDR par pôle, chacun est
attaché à un CDC auquel la demande est remontée d’une façon hebdomadaire pour
recalculer les prévisions pour chaque région. Quand un technicien de maintenance
commande une pièce, c’est le CDR qui est responsable pour l’expédier, et aussi pour
réceptionner les pièces défectueuses retournées du terrain.

Les centres de distribution sont caractérisés par une capacité maximale de stockage, une
localisation et une référence.

Figure IV.9: Les centres de distribution

1.4 Le transport de pièces de rechange

La classe « transport » (Figure IV.10) représente les expéditions des pièces de rechange entre
les différentes infrastructures de la chaine logistique. La classe fait le lien entre les différentes
entités suivantes :

- Des fournisseurs vers les centres de distribution et l’inverse

- Du terrain (site du client) vers les centres de distribution et l’inverse

- Des centres de réparation vers les centres de distribution et l’inverse

85
Chaque expédition d’une pièce de rechange est caractérisée par une date de départ et une date
de fin à laquelle la pièce va arriver à sa destination. Pour calculer ces dates, le modèle se base
sur l’historique et calcule une estimation du nombre de jours pour le transport.

L’entité utilise trois façons différentes pour estimer le temps de transport :

- La durée fixée par les transporteurs

- La moyenne basée sur l’historique de toutes les transactions entre l’origine et la

destination de livraison

- La moyenne en se basant sur l’origine, la destination et aussi la référence de pièces, ce

qui fait sens pour les pièces qui ont une grande différence de taille ou de valeur.

Figure IV.10: Les entités de transport des pièces de rechange

1.5 Les centres de réparation

Dans notre modèle de simulation, les centres de réparation (Figure IV.11) sont responsables de
la transformation des pièces défectueuses en pièces utilisables par les techniciens de
maintenance. Les centres de réparation sont caractérisés par les attributs suivants :

- Une référence unique : identifiant chaque centre de réparation et qui est utilisée dans
les configurations définissant quel centre répare quelles références de pièces de
rechange.

- Une capacité maximale de réparation : chaque centre de réparation est

caractérisé par une capacité maximale de réparation, basée sur l’espace dans le centre
et la taille de l’équipe. Par défaut, cette capacité est « infinie » dans notre modèle, mais

86
 qu’on peut configurer et limiter. Quand cette capacité est atteinte, le centre de réparation
ne peut plus réceptionner de nouvelles pièces et pour chaque lot qui arrive, les pièces
sont mises en attente à la réception.

Figure IV.11: Les centres de réparation

2 Le sous-système logique

Dans cette section, nous présentons le sous-système logique contenant l’ensemble des produits
présents dans notre chaine logistique. Dans notre cas, ces produits sont les pièces de rechanges,
dans deux différents états (Figure IV.12) :

Figure IV.12: Le sous-système logique

87
 - Les pièces de rechange « en état de fonctionnement »

- Les pièces de rechange « défectueuses »

Les deux types de pièces héritent de la classe « pièces de rechange » que nous avons introduits
dans le modèle physique. Une pièce défectueuse peut être transformée en une pièce utilisable
via une réparation.

3 Le sous-système décisionnel

Le sous-système décisionnel (SSD) contient des éléments contrôlant le fonctionnement des

entités du sous-système physique et logique. Le SSD contient la logique de fonctionnement et
les règles de gestion à appliquer dans notre modèle de simulation.

Nous catégorisons les règles de gestion en 3 principales catégories (Figure IV.13) : (i) les règles
de gestion DRP (ii) les règles de gestion logistiques (iii) les règles de gestion de réparation et
d’interventions.

Figure IV.13: Vue globale des différentes règles de gestion du sous-système décisionnel

88
3.1 Les règles de gestion DRP

Le modèle de réapprovisionnement de base appliqué dans notre contexte est un DRP (ou
Distribution Resource Planning en anglais). Ce modèle de base est adapté pour une chaine
logistique de produits finis et semi-finis. Afin de l’appliquer dans notre contexte, ce modèle a
été adapté en termes de logique et des contraintes pour répondre aux besoins d’une chaine
logistique de pièces de rechange réparables.

Figure IV.14: Les règles de gestion du modèle DRP pour une chaine logistique de pièces de rechange
réparables

Il existe cinq différences principales entre le modèle DRP de base et celui que nous appliquons
dans notre modèle de simulation. Ces éléments sont :

- Les types de pièces en inventaire : au contraire d’un inventaire classique avec des
produits de plusieurs références, un inventaire de pièces de rechange réparables contient
deux catégories de pièces :

o Des pièces en état de fonctionnement : (Good On Hand ou GOH) représentent

les pièces neuves ou bien utilisées et reconditionnées via la réparation soit par
un centre de réparation interne ou un réparateur externe.

o Des pièces défectueuses : (Bad On Hand ou BOH) qui représentent les pièces
qui doivent être réparées avant l’utilisation sur un système client. Ces pièces
peuvent provenir de plusieurs sources, comme les systèmes clients lors des
interventions de maintenance ou des anciens systèmes récupérées auprès des
clients lors d’un achat d’un nouveau modèle de systèmes, par exemple.

- Les sources d’approvisionnement : un des points les plus importants dans notre modèle
de simulation est le choix entre les sources d’approvisionnement. Au contraire du cas
classique où on passe des commandes d’un même fournisseur, pour des pièces de
rechange réparables, il existe deux possibilités :

89
 o L’approvisionnement en neuf : (New Buy ou NB) représente le mode
d’approvisionnement normal, par l’achat de pièces neuves auprès d’un
fournisseur externe, en respectant la quantité de commande minimale et la taille
de lots.

o L’approvisionnement par réparation : (Repair ou RP) représente un mode

d’approvisionnement spécifique pour les produits réparables, qui est la
transformation des pièces défectueuses en pièces de rechange utilisables ou
aussi appelle reconditionnée. Ce mode d’approvisionnement en GOH en
utilisant du BOH a plusieurs conditions qu’on va voir par la suite, ce qui ajoute
un degré de complexité. Cependant, ceci représente une opportunité financière
pour les entreprises ainsi qu’un impact positif sur l’environnement, ce qui le
rend intéressent malgré sa complexité.

- Les délais d’approvisionnement : vu que dans notre contexte on a plusieurs sources

d’approvisionnement, les délais à prendre en considération pendant les décisions
d’approvisionnement sont aussi nombreux :

o Le délai d’approvisionnement en neuf : (New Buy Lead Time ou NBLT) est le

délai que le fournisseur impose pour livrer les commandes. Dans le domaine de
pièces de rechange de systèmes médicaux, ce délai est généralement de
plusieurs mois.

o Le délai de réparation : (Repair Lead Time ou RLT) est le nombre de jours

nécessaire pour transformer une pièce BOH en une pièce GOH prête à être
utilisée par les techniciens de maintenance. Au contraire du NBLT, ce délai
n’est pas fixé par les fournisseurs mais calculé annuellement en se basant sur le
passé des opérations de réparation.

- Les prix des pièces de rechange : Comme pour les délais d’achat ou de réparation, les
prix des pièces de rechange dépendent de la solution d’approvisionnement choisie et
doivent être pris en considération dans les décisions d’achat.

o Le prix des pièces neuves : (New Buy Price ou NBP) représente le prix d’achat
de la pièce neuve auprès du fournisseur.

o Le coût de réparation : (Repair Cost ou RPC) représente le coût de réparation

de la pièce de rechange. Comme pour les délais d’approvisionnement, ce coût
n’est pas fixé par le centre de réparation mais calculé annuellement en fonction
de plusieurs variables telles que le coût horaire de travail, l’espace alloué pour
l’activité de réparation et le coût des composants utilisés pour une référence
donnée pendant une année.

90
 - Les taux de succès de réparation et d’installation : dans notre contexte, la réparation de
pièces de rechange n’est pas toujours garantie, ceci dépend de l’état de la pièce ainsi
que le déroulement des opérations de réparation elles-mêmes. Pour prendre ça en
considération, un taux de succès de réparation est calculé annuellement pour chaque
référence :

o Le taux de réussite de réparation : (Repair Wash Rate ou RPWR) signifie le taux

de réussite de réparation pour une référence de pièces de rechange.

o Le taux de réussite de retour des pièces de rechange : (Return Wash Rate ou

RTWR) représente le taux de retour des pièces de rechange par les techniciens
de rechange, qui est le complément du taux de consommation (CONS + TRWR
= 1)

Nous avons regroupé ces différences en trois parties (Figure IV.14) qui sont représentatives du
processus d’approvisionnement dans notre contexte. Ces parties sont : (i) la décision
d’approvisionnement, (ii) le choix de la solution d’approvisionnement et (iii) l’estimation du
volume des commandes.

3.2 Les règles de gestion logistique

Les règles de gestion logistique (Figure IV.15) englobent les algorithmes gérant la logique de
la simulation du transport des pièces de rechange dans notre chaine logistique.

Les pièces en transit sont représentées par une « file » contenant toutes les commandes en route.
A chaque unité de temps ti, le modèle parcourt toutes les pièces et vérifie si la date actuelle est
égale à la date estimée d’arrivée de la pièce. Si ce n’est pas le cas, le modèle continue le
parcours, sinon il « livre » la pièce à la nouvelle « file » de destination et supprime la
commande de la liste en transit.

La destination de la pièce peut être le site du client où elle est « consommée » instantanément,
mais peut aussi être une deuxième file où elle est mise en attente, comme celle de la réparation.

Figure IV.15: Les règles de gestion logistique

91
3.3 Les règles de gestion de réparation et d’intervention

Pour les règles de gestion de réparation, elles représentent deux aspects principaux (Figure
IV.16) :

- La logique de contrôle de la durée nécessaire de réparation : Un vecteur de couples

(référence, durée) est créé au lancement du modèle à partir de l’historique, pour définir
la durée nécessaire pour réparer chaque pièce dans chaque centre de réparation. Cette
durée est ensuite utilisée pour décider quand finir la réparation et expédier les pièces
aux centres de distribution.

- Les taux d’échec de réparation (ou le « Repair Wash Rate » RWR) : Les opérations
de réparation ne sont pas toujours effectuées avec succès, à cause de l’état des pièces
qui se dégrade dans le temps et avec plusieurs réparations, des pièces peuvent ne plus
être réparables. Ceci peut être aussi causé simplement par des problèmes dans les
opérations. Cette règle de gestion contient un vecteur de couples (référence, taux
d’échec de réparation) qui est comme la durée de transport et de réparation, initialisé
au lancement du modèle à partir de l’historique.

Le taux d’échec est situé entre 0 et 1, et pour chaque opération de réparation, il est
comparé avec une variable aléatoire suivant une loi uniforme entre 0 et 1, ensuite une
décision est prise pour dire si la réparation a été effectuée avec succès ou pas.

Dans le cas où elle est faite avec succès, la pièce est renvoyée en centres de distribution,
sinon elle est jetée (simplement supprimée de la file d’attente).

Figure IV.16: Les règles de gestion de réparation et d’interventions

Le modèle de simulation de la CL-PR-BF – Cas d’application : GEHC

Dans cette section, nous allons nous baser sur les règles de gestion expliquées précédemment
pour formuler le modèle de simulation dans le langage algorithmique.

92
Les figures IV.17, IV.18 et IV.19 présentent une vue globale de notre modèle de simulation,
qui est formée par cinq processus parallèles :

- Le traitement de la base des références de pièces de rechange (Traitement PR) :

qui parcourt le catalogue complet des références des pièces de GEHC, puis pour
chacune lance les différents processus de simulation, d’une façon parallèle.

- Le service de planification : C’est le processus qui simule les décisions de

planification pour chaque pièce, pour décider le moment des commandes, par quel
moyen (achat ou réparation) et les quantités.

- Le transport : Ce processus est responsable de la simulation du transfert des pièces

entres les différentes entités de la chaine logistique et des durées de transport nécessaire.

- Le service de réparation (RP) : Responsable de la simulation des opérations de

réparation et leur taux de succès.

- Les fournisseurs des pièces neuves (NB) : Ce processus simule les commandes
d’achat de pièces neuves, leurs délais d’attente et leur expédition.

93
Figure IV.17: Diagramme d’activité (UML) de la vue globale du processus de simulation (partie 1)

94
Figure IV.18: Diagramme d’activité (UML) de la vue globale du processus de simulation (partie 2)

95
Figure IV.19: Diagramme d’activité (UML) de la vue globale du processus de simulation (partie 3)

96
L’algorithme 1 présente le processus global qui parcourt les pièces de rechange et lance les
différentes fonctions de notre modèle de simulation.

C’est le programme principal qui est lancé au début de la simulation et qui tourne en boucle
pendant toute la période concernée. Cet algorithme lance trois fonctions pour chaque pièce
pour chaque unité de temps. Après ça, le modèle exécute quatre autres fonctions pour traiter
les éléments en attente des itérations précédentes.

Algorithme 1– Boucle de traitement de la demande dans les centres de distribution

1. 𝑡 ←0

2. 𝑃 [] ← 𝑔𝑒𝑡𝑃𝑆𝑒𝑡()

3. Pour 𝑖 allant de 0 à N Faire :

4. Pour chaque 𝑃 dans 𝑃 [] Faire :

5. Expedier_PO_Csite(𝑡 )

6. Actualiser_Prev_Demande()

7. Decisions_Approvisionnement(𝑃 , 𝑡 )

8. Fin de Pour

9. Taiter_InTransit(𝑡 )

10. Traiter_Pos_NB(𝑡 )

11. Traiter_Pos_PR(𝑡 )

12. Incrementer_Horloge(𝑡 )

13. Fin de Pour

La première fonction que le modèle de simulation lance est le processus de traitement des
commandes de pièces qui sont passées par le technicien de maintenance (Algorithme 2).

Le rôle de cette fonction est de répondre à la demande des techniciens de maintenance en

envoyant des pièces, quand elles sont disponibles. Le processus récupère la valeur de la
demande pour le jour ti, puis crée des commandes pour chaque demande des techniciens de
maintenance. Pour envoyer les pièces dans notre modèle de simulation, nous devons préciser
l’origine et la destination pour que le modèle puisse estimer le temps nécessaire pour le

97
transport. Dans le cas de l’algorithme 2 où on livre les pièces aux techniciens, l’origine est un
centre de distribution (WH) et la destination est le site du client (CSite).

Algorithme 2– Fonction : Traitement de l’expédition des commandes des techniciens

1. Fonction Expedier_PO_CSite( 𝑡 )

2. 𝒅𝒆𝒎𝒂𝒏𝒅𝒆[] ← 𝒈𝒆𝒕𝑫𝒆𝒎𝒂𝒏𝒅𝒆(𝒕)

3. Pour chaque d dans demande [] Faire :

4. Pour i allant de 1 à taille(d) Faire :

5. 𝑃𝑂_𝑖 = 𝑐𝑟é𝑒𝑟𝑃𝑜(𝑡𝑦𝑝𝑒 = `𝐹𝐸`, 𝑜𝑟𝑖𝑔 = `𝑊𝐻`, 𝑑𝑒𝑠𝑡 = `𝐶𝑆𝑖𝑡𝑒`)

6. 𝐶ℎ𝑎𝑛𝑔𝑒𝑟𝑆𝑡𝑎𝑡𝑢𝑠𝑃𝑂 (𝑃𝑂_𝑖, `𝑖𝑛𝑇𝑟𝑎𝑛𝑠𝑖𝑡`)

7. Fin de Pour

8. Fin de Pour

9. Fin

L’algorithme 3 est responsable de l’actualisation des prévisions de la demande. Ceci est

nécessaire dans notre contexte, car nous nous basons sur des prévisions déjà faites pour la
demande des pièces de rechange, qui sont actualisées chaque jour. Notre modèle doit être
capable de prendre les nouvelles valeurs en considération lors de son exécution et mettre à
jours ces résultats.

La demande sur laquelle le modèle se base est mensuelle, puis elle est distribuée par jour, d’une
façon uniforme.

Algorithme 3 – Fonction : Actualisation des prévisions de la demande

1. Fonction Actualiser_Prev_Demande()

2. Dem_Actualisee[] = getDemandeActualise()

3. 𝒅𝒆𝒎𝒂𝒏𝒅𝒆[] ← []

4. Pour i allant de 0 à 11 Faire :

5. 𝑫𝒆𝒎𝒕𝒆𝒎𝒑 ← 𝑫𝒆𝒎𝑨𝒄𝒕𝒖𝒂𝒍𝒊𝒔𝒆𝒆 [𝒊]

98
 6. Pour j allant de 0 à 29 Faire :

𝑫𝒆𝒎𝒕𝒆𝒎𝒑
7. 𝒅𝒆𝒎𝒂𝒏𝒅𝒆[] ←
𝟑𝟎

8. 𝑭𝒊𝒏 𝒅𝒆 𝑷𝒐𝒖𝒓

9. Fin de Pour

10. Fin

L’algorithme 4 représente la simulation des décisions d’approvisionnement pour une référence

donnée pour un instant ti donné.

Pour commencer, le modèle récupère d’abord les délais d’approvisionnement pour l’achat
(LTNB) et pour la réparation (LTRP). Ensuite, le modèle doit se projeter sur le maximum des
deux délais, vu que l’inventaire doit être suffisant pour satisfaire la demande à partir du jour
courant et pendant la période du délai maximum d’approvisionnement.

Pour calculer le stock projeté de l’inventaire GOH, le modèle calcule la consommation pour la
période 𝑚𝑎𝑥(𝐿𝑇𝑁𝐵, 𝐿𝑇𝑅𝑃) qui est représentée par la variable 𝐿𝑇 et puis vérifie si le stock
projeté est inférieur au stock de sécurité.

Si c’est le cas, l’algorithme passe à l’étape de choix de critère de décision. Il existe deux critères
principaux pour choisir entre la réparation ou l’achat. Ces critères sont le délai
d’approvisionnement et le prix de réparation.

Pour choisir sur quoi se baser, le modèle vérifie l’existence de commandes en attente. Ceci est
la première priorité, il faut répondre à ces commandes qui sont déjà en attente et pour lesquelles
les clients n’ont pas trouvé de pièces disponibles, surtout pour des pièces de rechange utilisées
sur des systèmes médicaux. S’il y a des commandes en attente, le système priorise les délais
d’approvisionnement comme critère et choisi la solution la plus rapide. Sinon, le système
priorise le coût de la solution et prend la moins chère.

Ensuite, le modèle calcule les quantités à passer en commande :

- Pour la réparation en se basant sur le taux moyen d’échec de réparation.

- Pour l’achat en se basant sur la quantité minimale de commande ainsi que la taille de
lot imposée par le fournisseur.

99
Algorithme 4 – Fonction : Simulation des décisions d’approvisionnement

1.
𝑭𝒐𝒏𝒄𝒕𝒊𝒐𝒏 𝑫𝒆𝒄𝒊𝒔𝒊𝒐𝒏𝒔_𝑨𝒑𝒑𝒓𝒐𝒗𝒊𝒔𝒊𝒐𝒏𝒏𝒆𝒎𝒆𝒏𝒕(𝒑, 𝒕)
2.
( . , . )
𝑛 ← 𝐼𝑛𝑡
3.

4. 𝑝 ← max(𝑝. 𝐿𝑇𝑁𝐵, 𝑝. 𝐿𝑇𝑅𝑃) % 30

5.
𝐿𝑇 ← 𝑝. 𝑑𝑒𝑚𝑎𝑛𝑑𝑒( , ) + 𝑝. 𝑑𝑒𝑚𝑎𝑛𝑑𝑒( , )
6.

7.
𝑝. 𝐺𝑂𝐻 ← 𝑝. 𝐺𝑂𝐻 − 𝐿𝑇
8.

9. 𝑺𝒊 𝑝. 𝐺𝑂𝐻 < 𝑝. 𝑆𝑆 Faire :

10. 𝑏𝑒𝑠𝑜𝑖𝑛 = 𝑝. 𝑆𝑆 − 𝑝. 𝐺𝑂𝐻

11.
𝑺𝒊 𝑝. 𝐵𝑂 > 0 𝑭𝒂𝒊𝒓𝒆:
12.

13. ma x(𝑏𝑒𝑠𝑜𝑖𝑛 , 𝑝. 𝑀𝑖𝑛𝑂𝑄)

𝐵𝑒𝑠𝑜𝑖𝑛 = 𝐸 + 1 × 𝑝. 𝐸𝑂𝑄
𝑝. 𝐸𝑂𝑄
14.

15. 𝑺𝒊 𝑝. 𝐿𝑇𝑅𝑃 < 𝑝. 𝐿𝑇𝑁𝐵 𝑭𝒂𝒊𝒓𝒆:

16. 𝑏𝑒𝑠𝑜𝑖𝑛
𝐵𝑒𝑠𝑜𝑖𝑛𝐵𝑂𝐻 =
1 − 𝑝. 𝑅𝑊𝑅
17
𝑄𝑡 = 𝑚𝑖𝑛(𝑝. 𝐵𝑂𝐻, 𝐵𝑒𝑠𝑜𝑖𝑛𝐵𝑂𝐻)
18.

19. 𝐵𝑒𝑠𝑜𝑖𝑛𝑁𝐵 = 𝑏𝑒𝑠𝑜𝑖𝑛 − (1 − 𝑅𝑊𝑅)𝑄𝑡

20.
ma x(𝐵𝑒𝑠𝑜𝑖𝑛𝑁𝐵, 𝑝. 𝑀𝑖𝑛𝑂𝑄)
𝑄𝑡 = 𝐸 + 1 × 𝑝. 𝐸𝑂𝑄
21. 𝑝. 𝐸𝑂𝑄

22.
𝐶𝑟𝑒𝑒𝑟_𝑃𝑂𝑠(𝑡𝑦𝑝𝑒 = `𝑅𝑃`, 𝑜𝑟𝑖𝑔 = `𝑊𝐻`, 𝑑𝑒𝑠𝑡 = `𝑅𝐶`, 𝑞𝑡 = 𝑄𝑡 )
23.
𝐶𝑟𝑒𝑒𝑟_𝑃𝑂𝑠(𝑡𝑦𝑝𝑒 = `𝑁𝐵`, 𝑜𝑟𝑖𝑔 = `𝑁𝐵𝑆𝑢𝑝`, 𝑑𝑒𝑠𝑡 = `𝑊𝐻`, 𝑞𝑡 = 𝑄𝑡 )
24.

25. Sinon Faire :

26.
𝐶𝑟𝑒𝑒𝑟_𝑃𝑂𝑠(𝑡𝑦𝑝𝑒 = `𝑁𝐵`, 𝑜𝑟𝑖𝑔 = `𝑁𝐵𝑆𝑢𝑝`, 𝑑𝑒𝑠𝑡 = `𝑊𝐻`, 𝑞𝑡 = 𝑏𝑒𝑠𝑜𝑖𝑛 )

Fin de Si
27.
Sinon Faire :
28.
𝑺𝒊 𝒑. 𝑹𝑷𝑪 < 𝒑. 𝑵𝑩𝑷 𝑭𝒂𝒊𝒓𝒆:
29.

30.

100
31. 𝑏𝑒𝑠𝑜𝑖𝑛
𝐵𝑒𝑠𝑜𝑖𝑛𝐵𝑂𝐻 =
1 − 𝑝. 𝑅𝑊𝑅
32.
𝑄𝑡 = 𝑚𝑖𝑛(𝑝. 𝐵𝑂𝐻, 𝐵𝑒𝑠𝑜𝑖𝑛𝐵𝑂𝐻)

33. 𝐵𝑒𝑠𝑜𝑖𝑛𝑁𝐵 = 𝑏𝑒𝑠𝑜𝑖𝑛 − (1 − 𝑅𝑊𝑅)𝑄𝑡

34. ma x(𝐵𝑒𝑠𝑜𝑖𝑛𝑁𝐵, 𝑝. 𝑀𝑖𝑛𝑂𝑄)

𝑄𝑡 = 𝐸 + 1 × 𝑝. 𝐸𝑂𝑄
𝑝. 𝐸𝑂𝑄
35.
𝐶𝑟𝑒𝑒𝑟_𝑃𝑂𝑠(𝑡𝑦𝑝𝑒 = `𝑅𝑃`, 𝑜𝑟𝑖𝑔 = `𝑊𝐻`, 𝑑𝑒𝑠𝑡 = `𝑅𝐶`, 𝑞𝑡 = 𝑄𝑡 )
36.
𝐶𝑟𝑒𝑒𝑟_𝑃𝑂𝑠(𝑡𝑦𝑝𝑒 = `𝑁𝐵`, 𝑜𝑟𝑖𝑔 = `𝑁𝐵𝑆𝑢𝑝`, 𝑑𝑒𝑠𝑡 = `𝑊𝐻`, 𝑞𝑡 = 𝑄𝑡 )
37.
Sinon Faire :

𝐶𝑟𝑒𝑒𝑟_𝑃𝑂𝑠(𝑡𝑦𝑝𝑒 = `𝑁𝐵`, 𝑜𝑟𝑖𝑔 = `𝑁𝐵𝑆𝑢𝑝`, 𝑑𝑒𝑠𝑡 = `𝑊𝐻`, 𝑞𝑡 = 𝑏𝑒𝑠𝑜𝑖𝑛 )

Fin de Si

Fin de Si

Fin

L’algorithme 5 représente la fonction de traitement des pièces en transport. Comme expliqué

précédemment, les pièces en transit sont représentées par une liste contenant toutes les
commandes en route.

A chaque itération, le modèle parcourt toutes les pièces et vérifie si la date actuelle est égale à
la date estimée d’arrivée de la pièce. Si ce n’est pas le cas, le modèle continue le parcours,
sinon il « livre » la pièce à la nouvelle liste de destination et supprime la commande de la liste
en transit.

Algorithme 5 – Fonction : Traitement du transport des pièces de rechange

1. Fonction Traiter_Pos_Intransit(t)

2. 𝑝𝑜𝑠 ← 𝑔𝑒𝑡𝐼𝑛𝑡𝑟𝑎𝑛𝑠𝑖𝑡𝑃𝑜𝑠()

3. 𝑷𝒐𝒖𝒓 𝒄𝒉𝒂𝒒𝒖𝒆 𝑝𝑜 𝑑𝑎𝑛𝑠 𝑝𝑜𝑠 𝑭𝒂𝒊𝒓𝒆:

4. 𝑺𝒊 𝑝𝑜. 𝑑𝑎𝑡𝑒 == 𝑡 𝑭𝒂𝒊𝒓𝒆:

5. 𝑺𝒊 𝑝𝑜. 𝑝𝑎𝑟𝑡. 𝑠𝑡𝑎𝑡𝑢𝑠 == `𝐺𝑜𝑜𝑑` 𝑭𝒂𝒊𝒓𝒆:

6. 𝑺𝒊 𝑝𝑜. 𝑑𝑒𝑠𝑡𝑖𝑛𝑎𝑡𝑖𝑜𝑛 == `𝑊𝐻` 𝑭𝒂𝒊𝒓𝒆:

101
 7. 𝑝𝑜. 𝑝𝑎𝑟𝑡. 𝐺𝑂𝐻 ← 𝑝𝑜. 𝑝𝑎𝑟𝑡. 𝐺𝑂𝐻 + 1

8. 𝑓𝑒𝑟𝑚𝑒𝑟𝑃𝑜(𝑝𝑜)

9. 𝑺𝒊𝒏𝒐𝒏 𝑺𝒊 𝑝𝑜. 𝑑𝑒𝑠𝑡𝑖𝑛𝑎𝑡𝑖𝑜𝑛 == `𝐶𝑆𝑖𝑡𝑒` 𝑭𝒂𝒊𝒓𝒆:

10. 𝑠𝑢𝑐𝑐𝑒𝑠𝑠 ← (𝑚𝑎𝑡ℎ. 𝑟𝑎𝑛𝑑. 𝑢𝑛𝑖𝑓𝑜𝑟𝑚 > 𝑝𝑜. 𝑝𝑎𝑟𝑡. 𝑅𝑅)

11. 𝑺𝒊 𝑠𝑢𝑐𝑐𝑒𝑠𝑠 == 𝑇𝑟𝑢𝑒 𝑭𝒂𝒊𝒓𝒆:

12. 𝑓𝑒𝑟𝑚𝑒𝑟𝑃𝑜(𝑝𝑜)

13. 𝑺𝒊𝒏𝒐𝒏 𝑭𝒂𝒊𝒓𝒆:

14. 𝐸𝑥𝑝𝑒𝑑𝑖𝑒𝑟𝑃𝑜(𝑜𝑟𝑖𝑔 = `𝐶𝑆𝑖𝑡𝑒`, 𝐷𝑒𝑠𝑡

= `𝑊𝐻`)
15.
𝑭𝒊𝒏 𝒅𝒆 𝑺𝒊
16.
𝑭𝒊𝒏 𝒅𝒆 𝑺𝒊
17.
𝑆𝒊𝒏𝒐𝒏 𝑭𝒂𝒊𝒓𝒆:
18.
𝐶ℎ𝑎𝑛𝑔𝑒𝑟𝑆𝑡𝑎𝑡𝑢𝑠𝑃𝑂(𝑆𝑡𝑎𝑡𝑢𝑠 = `𝐼𝑛𝑅𝑒𝑝𝑎𝑖𝑟`)
19.
𝑭𝒊𝒏 𝑺𝒊
20.
𝑭𝒊𝒏 𝑺𝒊
21.
Fin

La dernière fonction dans notre modèle est représentée par l’algorithme 6, qui décrit la logique
de traitement des commandes NB (achat en neuf).

Pour traiter les commandes, l’algorithme parcourt les objets de la liste d’attente, puis pour
chacune vérifie si la date de livraison est atteinte. Si c’est le cas, le modèle « expédie » les
pièces en les ajoutant à la liste des commandes en route vers les entrepôts de stockage. Ceci en
définissant l’origine de la pièce et sa destination.

102
 Algorithme 6 – Fonction : Simulation des commandes en cours, d’achat en neuf

1. 𝑭𝒐𝒏𝒄𝒕𝒊𝒐𝒏 𝑻𝒓𝒂𝒊𝒕𝒆𝒓_𝑷𝒐𝒔_𝑵𝑩(𝒕)

2. 𝑝𝑜𝑠 ← 𝑔𝑒𝑡𝑃𝑒𝑛𝑑𝑖𝑛𝑔𝑁𝐵𝑃𝑜𝑠()

3. 𝑷𝒐𝒖𝒓 𝑐ℎ𝑎𝑞𝑢𝑒 𝑝𝑜 𝑑𝑎𝑛𝑠 𝑝𝑜𝑠 𝑭𝒂𝒊𝒓𝒆:

4. 𝑺𝒊 𝑝𝑜. 𝑓𝑖𝑛_𝐿𝑇𝑁𝐵 == 𝑡 𝑭𝒂𝒊𝒓𝒆 :

5.
𝐸𝑥𝑝𝑒𝑑𝑖𝑒𝑟𝑃𝑜(𝑜𝑟𝑖𝑔 = `𝑁𝐵𝑆𝑢𝑝`, 𝐷𝑒𝑠𝑡 = `𝑊𝐻`)

6.
𝑺𝒊𝒏𝒐𝒏

7.
𝐶𝑜𝑛𝑡𝑖𝑛𝑢𝑒𝑟

8.
𝑭𝒊𝒏 𝒅𝒆 𝑺𝒊

9.
Fin de Pour

10.
Fin

Le modèle de résultats de la simulation de la CL-PR-BF

Dans cette partie, nous présentons l’implémentation du modèle de simulation présenté dans la
section précédente, les technologies utilisées, ainsi que les résultats du modèle et sa
comparaison avec l’historique des opérations de GEHC.

1 Implémentation du modèle de simulation

Afin d’implémenter le modèle de simulation, nous avons utilisé un ensemble de technologies

et de bibliothèques simplifiant ainsi la tâche de programmation, surtout les tâches de traitement
(jointures, séparation, sélection...) des données de grand volume, ainsi que la gestion du
parallélisme dans le modèle. Les principales technologies que nous avons employées sont les
suivantes :

Python :

Développé à l'origine par Guido van Rossum en 1989, Python

est un langage de programmation de haut niveau, supportant
la programmation structurée, fonctionnelle et Orientée Objet.
Python est un langage open source, maintenu par une équipe
de contributeurs partout dans le monde.

103
 Ray

Développé par une équipe de chercheurs de l'Université de

Californie à Berkeley, Ray a comme objectif principal le
parallélisme d’un certain nombre de bibliothèques
d'apprentissage automatique d’une façon distribuée. Ray ne se
limite pas aux tâches d'apprentissage, il permet également de
paralléliser toutes les tâches Python afin d’accélérer leur
performance.

Pandas

Pandas est une bibliothèque écrite pour le langage de

programmation Python permettant la manipulation et l'analyse
des données. Elle propose en particulier des structures de
données et des opérations de manipulation de tableaux
numériques et de séries temporelles.

Jupyter Notebooks

Jupyter est un outil web permettant d’avoir une interface

intuitive pour programmer dans plus de 40 langages de
programmation, dont Python, Julia, Ruby, R, ou encore Scala.

Jupyter est principalement utilisé pour créer des « notebooks »

contenant à la fois des programmes exécutables dans le
navigateur web, ainsi que des figures, graphes et du texte, ce
qui est très pratique pour faire des analyses de données.

Numpy

NumPy est une extension du langage de programmation

Python, destinée à manipuler des matrices ou tableaux
multidimensionnels ainsi que des fonctions mathématiques
opérant sur ces tableaux.

Le modèle que nous avons implémenté est intégré au système d’informations de GEHC. A
chaque lancement, l’outil se connecte automatiquement à un datawarehouse que nous avons
mis en place pour cet objectif, contenant la base de données complètes des pièces de rechange

104
de l’entreprises, toutes leurs informations, ainsi que l’historique des opérations qui y sont liées
(Figure IV.20).

Figure IV.20: Etapes d’exécution du modèle de simulation

Le résultat est une application exécutable permettant la simulation des opérations sur le
catalogue complet des pièces de rechange de GEHC. Par défaut, l’application simule les
opérations sur 6 mois et génère le résultat dans des fichiers CSV qui peuvent être traités et
visualisés à l’aide de logiciels tels que Microsoft Excel ou Google Sheets.

En plus des rapports finaux de la simulation, l’application offre la possibilité de visualiser

l’évolution des variables clés pour une référence donnée, tels que les niveaux d’inventaire, le
nombre de pièce en réparation et les commandes en cours (Figure IV.21).

Figure IV.21: L’outil de simulation en cours d’exécution. Le modèle simule les opérations pour toutes les
pièces existantes dans la base de données, et offre la possibilité de visualiser l’évolution des différentes variables
pour une pièce en temps réel.

105
2 Résultats du modèle de simulation sur les pièces de rechange de GEHC

Afin de tester et analyser les différents scénarios du modèle de simulation, sur les différentes
pièces de GEHC, nous divisons le test en trois catégories de pièces :

- Catégorie 1 : Les pièces pour lesquelles l’achat du neuf (NB) est la seule solution

- Catégorie 2 : Les pièces de rechange pour lesquelles la réparation est un meilleur choix,
et pour lesquelles on dispose d’un inventaire BOH (pièces défectueuse) suffisant pour
satisfaire la demande pendant 6 mois.

- Catégorie 3 : Les pièces de rechange pour lesquelles la réparation est optimale,

cependant, le stock BOH n’est pas suffisant pour satisfaire la demande. Pour ce type de
pièces, le modèle doit combiner la réparation avec l’achat du neuf d’une façon optimale
afin de respecter les contraintes imposées (Safety Stock, EOQ, MinOQ…)

2.1 Catégorie I : Les pièces avec l’achat seul (NB) comme solution optimale

Pour cette catégorie, nous avons filtré un ensemble de pièces avec les critères nécessaires pour
que le modèle prenne la décision d’achat seul. Ces critères sont le délai d’approvisionnement
de l’achat qui est plus rapide que la réparation, ou/et le prix d’achat qui est moins cher ou bien
que les pièces pour lesquelles nous ne disposons pas d’inventaire défectueux à réparer.

La figure IV.22 montre le résultat du modèle sur trois pièces différentes. Pour les deux
premières pièces, le modèle calcule le stock projeté en fonction du niveau d’inventaire initial
et de la prévision de la demande des techniciens. Ensuite le modèle n’a pas fait de commandes
jusqu’à ce que le stock projeté descende au niveau du stock de sécurité.

Pour la dernière pièce, nous testons le modèle sur une pièce avec un stock projeté au-dessus du
stock de sécurité dès le début de la simulation. Dans ce cas, le modèle passe dès la première
itération des commandes pour satisfaire la demande. Nous remarquons que les niveaux
d’inventaire s’ajustent par la suite et ne descendent pas sous le niveau de sécurité.

Nous remarquons que le niveau de stock GOH minimal n’est pas parfaitement aligné avec le
stock de sécurité, ceci est lié au fait que le modèle doit respecter la taille de lot des commandes,
et avec la variation aléatoire de la consommation des pièces.

106
 Figure IV.22: Résultat du modèle de simulation sur la catégorie I des pièces de rechange (NB)

2.2 Catégorie II : Les pièces avec la réparation seule (RP) comme solution optimale

Pour cette catégorie, nous avons pris un échantillon de pièces pour lesquelles :

107
- La réparation est une solution optimale, en se basant sur la différence du prix entre la
réparation et l’achat des pièces neuves, ainsi que sur le délai d’approvisionnement.

- Le stock défectueux BOH est suffisant pour être réparé et répondre à la demande.

Figure IV.23: Résultat du modèle de simulation sur la catégorie II des pièces de rechange (RP)

108
Pour cette catégorie de pièces, au lancement du simulateur, le modèle avance dans le temps
jusqu’à la détection de besoin d’approvisionnement, ensuite envoie des pièces BOH aux centres
de réparation. Ceci se voit dans la chute du niveau du stock des pièces défectueuses représentée
par la courbe orange.

Le niveau du stock GOH continue à baisser en fonction de la consommation. Ensuite, après le

déroulement de la durée d’approvisionnement en réparation (LTRP), les pièces sont réparées
et expédiées aux entrepôts, ce qui fait lever le niveau du stock GOH et illustré par les pics de
la courbe bleue.

Un point à noter est que théoriquement, en absence d’achat de pièces neuves, le niveau des
pièces défectueuses baisse dans le temps, dû au taux d’échecs de réparation pour chaque
référence. Quand la réparation échoue, la pièce est éliminée et n’est plus utilisée. Ceci se voit
bien dans le résultat de la simulation au travers de la tendance à la baisse de la courbe orange
(Figure IV.24).

Figure IV.24: Niveau du BOH en baisse dû au taux d’échec des réparations.

2.3 Catégorie III : Les pièces nécessitant une combinaison entre la réparation (RP) et
l’achat de pièces neuves (NB)

Pour la dernière catégorie des références, la solution optimale est la réparation qui est moins
chère et plus rapide. Cependant, cet échantillon de référence ne dispose pas d’un niveau
d’inventaire BOH suffisant pour satisfaire la totalité de la demande. Pour compenser le manque
du BOH, le modèle doit passer des commandes d’achat NB.

Les commandes de réparation et d’achat du neuf n’ont pas les mêmes délais
d’approvisionnement. Le modèle doit calculer les besoins, le stock projeté et passer les deux
types de commandes aux bons moments pour ne pas descendre au-dessous du stock de sécurité

109
et en même temps ne pas avoir un surstock, tout en respectant les tailles de lots des commandes
fournisseurs NB des pièces et la taille minimale de commandes.

La figure IV.25 montre les décisions que le modèle de simulation a prises. Pour la première
pièce, le stock projeté à la première itération est au-dessous du stock de sécurité. Le modèle a
directement expédié le stock complet BOH en réparation même s’il n’est pas suffisant, puis a
compensé par une commande en neuf. Le délai d’approvisionnement LTNB est supérieur au
LTRP ce qui fait que le niveau d’inventaire GOH est descendu à zéro, en attendant l’arrivée
des commandes de pièces neuves, en générant des backorders.

Figure IV.25: Résultat du modèle de simulation sur des pièces avec une combinaison RP, NB comme solution
adéquate

110
Comme pour la section précédente avec la réparation seule, le niveau d’inventaire BOH baisse
en fonction du taux d’échec de réparation de chaque référence de pièces. Cependant, dans ce
cas, l’inventaire est compensé par la passation des commandes en achat de pièces neuves.

3 Performance du modèle pour la prévision de la charge de réparation

Dans cette section, nous allons présenter le test de performance du modèle que nous avons
implémenté sur les données de GEHC. Nous allons commencer par le processus de test du
modèle, puis nous allons présenter les résultats et les analyser.

3.1 Processus de test de la performance du modèle

L’objectif du modèle de simulation est de calculer l’estimation des volumes de pièces de

rechange à réparer qui seront reçues dans les centres de réparation. Afin d’évaluer leur
performance, nous allons suivre la méthodologie suivante :

- Sur un échantillon de cinquante références de pièces de rechange, nous allons initialiser

le modèle avec des données historiques (Par exemple, le 1er Mars 2019).

- Puis, nous allons lancer le modèle pour simuler 6 mois d’opérations avec plusieurs
combinaisons de ces paramètres :

o Variation de la demande : Faible, moyenne ou haute

o Durées de transport :

 Durées fixes pour chaque origine et destination

 Durées variables en fonction de l’historique de la référence et la

destination (Moyenne, P95).

o Délais de réparation :

 En utilisant le RLT fixe

 En utilisant les données historique (Moyenne, P95).

o Délais d’approvisionnement :

 En utilisant le NBLT fixe

 En utilisant les données historique (Moyenne, P95).

- Ensuite, nous allons comparer le résultat de la simulation avec les vraies données
historiques de GEHC et évaluer sa performance en se basant sur les métriques : MSE,
RMSE et R2.

111
Note : Le P95 centile représente la valeur maximale des 95% points inférieurs d’un échantillon.
Cette valeur est généralement utilisée pour éviter les données aberrantes.

3.2 Métriques d’évaluation de la performance des modèles

L’évaluation de la performance des modèles de prévision consiste à évaluer l’écart entre la

valeur estimée par le modèle pour une observation et la valeur réelle associée à cette dernière.

Nous avons décidé d’utiliser quatre métriques couramment utilisées dans les études de
performance de modèles de régression (Savic et al. (1991), Prairie et al. (1996)). Nous allons
utiliser les mêmes métriques pour évaluer tous les modèles de notre travail.

3.2.1 Erreur quadratique moyenne (ou Mean Squared Error en anglais : MSE)

La MSE ou erreur quadratique moyenne est l'une des mesures les plus utilisées pour calculer
la précision pour les modèles de régression. Il s'agit simplement de la moyenne de la différence
au carré entre la valeur cible et la valeur prédite par le modèle de régression.

1
𝑀𝑆𝐸 = (𝑦 − 𝑦)
𝑛

3.2.2 Racine carrée de l'erreur quadratique moyenne (ou RMSE)

La RMSE est aussi une métrique classique pour les tâches de régression. Elle est définie par la
racine carrée de la différence quadratique moyenne entre la valeur cible et la valeur prédite par
le modèle. Elle est préférable dans certains cas à la MSE car, plus sensible aux écarts des
erreurs, elle entraînera une pénalisation plus importante aux erreurs importantes. Cela implique
que la RMSE est utile lorsque des erreurs importantes ne sont pas souhaitées.

1
𝑅𝑀𝑆𝐸 = (𝑦 − 𝑦)
𝑛

3.2.3 L’erreur R2

Le coefficient du 𝑅 nous aide à comparer notre modèle actuel avec une ligne de base constante
et nous indique à quel point notre modèle est meilleur. La ligne de base constante est choisie
en prenant la moyenne des données et en traçant une ligne à la moyenne. R² est un score sans
échelle qui implique que peu importe que les valeurs des erreurs, le R² sera toujours inférieur
ou égal à 1. Une valeur proche de 1 signifie une bonne adéquation au modèle.

𝑀𝑆𝐸(𝑚𝑜𝑑𝑒𝑙𝑒) ∑ (𝑦 − 𝑦 )
𝑅 = 1− =1−
𝑀𝑆𝐸(𝑟𝑒𝑓𝑒𝑟𝑒𝑛𝑐𝑒) ∑ (𝑦 − 𝑦 )

112
3.3 Résultats

Nous commençons l’analyse par la comparaison entre l’historique des commandes de

réparation du 1er Mars 2019 au 31 Aout 2019, avec le résultat du modèle de simulation sur la
même durée.

Le tableau IV.1 présente les différentes combinaisons des configurations des différentes parties
du modèle de simulation, avec la performance de chacune basée sur l’application du modèle
sur les vraies données historiques de GEHC.

Pour nos analyses de résultats, sur des pièces individuelles ou le catalogue complet, nous allons
utiliser la combinaison avec le meilleur score du tableau IV.1.

DEM_RAND_VAR TRANSPORT_CONFIG REPAIR_CONFIG NB_CONFIG MSE RMSE R2

LOW FIXED FIXED_RLT FIXED_NBLT 1296.00 36.00 0.25%

LOW FIXED FIXED_RLT VAR_AVG 1936.00 44.00 2.91%

LOW FIXED FIXED_RLT P95 1369.00 37.00 0.69%

LOW FIXED VAR_AVG FIXED_NBLT 841.00 29.00 1.00%

LOW FIXED VAR_AVG VAR_AVG 1225.00 35.00 3.47%

LOW FIXED VAR_AVG P95 225.00 15.00 21.39%

LOW FIXED P95 FIXED_NBLT 1600.00 40.00 3.54%

LOW FIXED P95 VAR_AVG 1521.00 39.00 1.68%

LOW FIXED P95 P95 196.00 14.00 18.17%

LOW VAR_AVG FIXED_RLT FIXED_NBLT 900.00 30.00 4.22%

LOW VAR_AVG FIXED_RLT VAR_AVG 1600.00 40.00 1.94%

LOW VAR_AVG FIXED_RLT P95 144.00 12.00 23.15%

LOW VAR_AVG VAR_AVG FIXED_NBLT 256.00 16.00 7.51%

LOW VAR_AVG VAR_AVG VAR_AVG 324.00 18.00 14.09%

LOW VAR_AVG VAR_AVG P95 900.00 30.00 1.05%

LOW VAR_AVG P95 FIXED_NBLT 1849.00 43.00 3.01%

LOW VAR_AVG P95 VAR_AVG 289.00 17.00 15.92%

LOW VAR_AVG P95 P95 289.00 17.00 4.17%

LOW P95 FIXED_RLT FIXED_NBLT 225.00 15.00 4.38%

LOW P95 FIXED_RLT VAR_AVG 2025.00 45.00 2.45%

LOW P95 FIXED_RLT P95 1849.00 43.00 0.21%

LOW P95 VAR_AVG FIXED_NBLT 900.00 30.00 1.46%

LOW P95 VAR_AVG VAR_AVG 961.00 31.00 1.05%

LOW P95 VAR_AVG P95 1296.00 36.00 2.08%

LOW P95 P95 FIXED_NBLT 225.00 15.00 22.64%

LOW P95 P95 VAR_AVG 1936.00 44.00 1.58%

LOW P95 P95 P95 1444.00 38.00 0.81%

MEDIUM FIXED FIXED_RLT FIXED_NBLT 1296.00 36.00 1.54%

MEDIUM FIXED FIXED_RLT VAR_AVG 1600.00 40.00 0.19%

113
MEDIUM FIXED FIXED_RLT P95 1849.00 43.00 2.91%

MEDIUM FIXED VAR_AVG FIXED_NBLT 361.00 19.00 0.40%

MEDIUM FIXED VAR_AVG VAR_AVG 324.00 18.00 5.70%

MEDIUM FIXED VAR_AVG P95 729.00 27.00 0.87%

MEDIUM FIXED P95 FIXED_NBLT 144.00 12.00 23.15%

MEDIUM FIXED P95 VAR_AVG 900.00 30.00 4.02%

MEDIUM FIXED P95 P95 1849.00 43.00 1.79%

MEDIUM VAR_AVG FIXED_RLT FIXED_NBLT 841.00 29.00 3.11%

MEDIUM VAR_AVG FIXED_RLT VAR_AVG 169.00 13.00 11.86%

MEDIUM VAR_AVG FIXED_RLT P95 289.00 17.00 5.58%

MEDIUM VAR_AVG VAR_AVG FIXED_NBLT 400.00 20.00 9.54%

MEDIUM VAR_AVG VAR_AVG VAR_AVG 1225.00 35.00 1.40%

MEDIUM VAR_AVG VAR_AVG P95 1156.00 34.00 3.79%

MEDIUM VAR_AVG P95 FIXED_NBLT 441.00 21.00 11.20%

MEDIUM VAR_AVG P95 VAR_AVG 361.00 19.00 7.81%

MEDIUM VAR_AVG P95 P95 2025.00 45.00 2.50%

MEDIUM P95 FIXED_RLT FIXED_NBLT 529.00 23.00 6.74%

MEDIUM P95 FIXED_RLT VAR_AVG 1936.00 44.00 2.73%

MEDIUM P95 FIXED_RLT P95 1764.00 42.00 2.79%

MEDIUM P95 VAR_AVG FIXED_NBLT 400.00 20.00 6.57%

MEDIUM P95 VAR_AVG VAR_AVG 1156.00 34.00 3.14%

MEDIUM P95 VAR_AVG P95 1024.00 32.00 0.94%

MEDIUM P95 P95 FIXED_NBLT 1936.00 44.00 2.66%

MEDIUM P95 P95 VAR_AVG 144.00 12.00 2.09%

MEDIUM P95 P95 P95 1156.00 34.00 2.27%

HIGH FIXED FIXED_RLT FIXED_NBLT 144.00 12.00 7.69%

HIGH FIXED FIXED_RLT VAR_AVG 256.00 16.00 10.64%

HIGH FIXED FIXED_RLT P95 729.00 27.00 6.45%

HIGH FIXED VAR_AVG FIXED_NBLT 1225.00 35.00 4.57%

HIGH FIXED VAR_AVG VAR_AVG 2025.00 45.00 3.00%

HIGH FIXED VAR_AVG P95 441.00 21.00 0.07%

HIGH FIXED P95 FIXED_NBLT 729.00 27.00 7.32%

HIGH FIXED P95 VAR_AVG 2025.00 45.00 0.75%

HIGH FIXED P95 P95 1296.00 36.00 2.69%

HIGH VAR_AVG FIXED_RLT FIXED_NBLT 961.00 31.00 0.34%

HIGH VAR_AVG FIXED_RLT VAR_AVG 900.00 30.00 4.07%

HIGH VAR_AVG FIXED_RLT P95 256.00 16.00 0.71%

HIGH VAR_AVG VAR_AVG FIXED_NBLT 144.00 12.00 22.20%

HIGH VAR_AVG VAR_AVG VAR_AVG 576.00 24.00 3.53%

HIGH VAR_AVG VAR_AVG P95 576.00 24.00 0.62%

HIGH VAR_AVG P95 FIXED_NBLT 1225.00 35.00 3.87%

HIGH VAR_AVG P95 VAR_AVG 576.00 24.00 8.02%

HIGH VAR_AVG P95 P95 1764.00 42.00 0.85%

HIGH P95 FIXED_RLT FIXED_NBLT 1024.00 32.00 2.75%

HIGH P95 FIXED_RLT VAR_AVG 400.00 20.00 9.84%

HIGH P95 FIXED_RLT P95 169.00 13.00 2.71%

114
 HIGH P95 VAR_AVG FIXED_NBLT 484.00 22.00 3.38%

HIGH P95 VAR_AVG VAR_AVG 196.00 14.00 11.43%

HIGH P95 VAR_AVG P95 1849.00 43.00 0.50%

HIGH P95 P95 FIXED_NBLT 676.00 26.00 3.72%

HIGH P95 P95 VAR_AVG 576.00 24.00 0.75%

HIGH P95 P95 P95 324.00 18.00 2.86%

Tableau IV.1: Présentation des différentes combinaisons des différentes parties du modèle de simulation avec
leur performance (MSE, RMSE et R2).

3.3.1 Performance sur des pièces individuelles

Nous présentons d’abord les résultats sur des pièces individuelles. Nous avons choisi des
références représentatives de la généralité des résultats, ensuite nous allons passer aux résultats
sur la globalité des pièces de rechange.

Sur la figure IV.26 (A), la courbe en bleue représente les vraies quantités créées pour chaque
jour de notre période de test. Les volumes générés par le module de simulation sont présentés
par la courbe noire.

Nous remarquons qu’un écart non négligeable est présent entre les deux courbes (le graphe B
de la courbe IV.26) : Les commandes créées par le modèle de simulation sont des quantités
plus importantes, mais sont moins fréquentes que les commandes présentes dans l’historique.

Une deuxième différence entre les deux courbes est le fait que le modèle de simulation passe
les commandes d’une façon quasi périodique. Ceci est dû à la nature de l’algorithme du modèle
DRP qui se projette sur le délai d’approvisionnement, et puisque la demande est quasi constante
dans le modèle de simulation, le résultat donne un cycle périodique de passation de commandes
de réparation, au contraire des vraies données où on voit que les commandes ne sont pas passées
de façons ponctuelles mais graduellement.

115
 Figure IV.26: Comparaison du résultat de la simulation avec l’historique des opérations de réparation de
GEHC, pour une référence de pièces.

Théoriquement, si la prévision de la demande des pièces dans le modèle de simulation est

constante, le modèle doit générer des commandes avec des quantités constantes. Cependant,
pour notre cas, nous avons implémenté une variation aléatoire (avec 3 niveaux ajustables :
faible, moyenne et haute variation), ce qui fait que la consommation des pièces n’est pas
constante et que le modèle s’ajuste pour la compenser.

116
Malgré l’écart entre le modèle de simulation et la réalité, la différence entre les quantités par
commande reste globalement faible. Les graphes (C) et (D) de la figure IV.26 présentent un
histogramme et un diagramme Pareto de la différence entre les vrais volumes de réparation et
le résultat de la simulation. Nous voyons que, dans 70% des cas, la différence entre les deux
valeurs se situe entre -1 et 2, ce qui est relativement faible. Cependant, la prévision des volumes
de réparation se fait sur plusieurs mois et une différence faible peut se cumuler et générer un
grand écart sur une grande période, par exemple de 6 mois.

Pour voir la performance du modèle sur une unité de temps où les différences se cumulent,
nous présentons la figure IV.27 présentant une comparaison entre le résultat de la simulation
et l’historique, par semaine (A) et par mois (B).

Figure IV.27: Les volumes de réparation créés par le modèle de simulation en comparaison avec l’historique,
par semaine (A) et par mois (B).

La figure IV.28 présente le volume cumulé créé par le modèle de simulation ainsi que celui
présent dans l’historique, effectué par les planners à GEHC. Nous remarquons que l’écart
devient plus important avec le temps et représente plus de 40% de différence.

117
 Figure IV.28: Comparaison du volume de réparation cumulé entre la simulation et l'historique

3.3.2 Performance sur l’ensemble des pièces du catalogue GEHC

Comme pour sur les pièces individuelles, nous commençons par la comparaison de l’historique
des opérations de réparation de GEHC avec le résultat du modèle de simulation sur la période
du 1er Mars 2019 au 31 Aout 2019.

La première chose que nous constatons est la quasi-stabilité des prévisions fournies par le
modèle de simulation, représentées par la courbe noire (Figure IV.29). Celles-ci ne sont pas
représentatives des vraies décisions faites par les responsables de planification. Les volumes
prévus par le modèle de simulation ont une tendance constante vu que le modèle se base sur un
algorithme déterministe. Nous remarquons un volume important au début du graphe en
comparaison avec le reste : ceci est parce qu’au lancement, le modèle calcule les besoins
initiaux et passe les commandes pour les références pour lesquelles le stock projeté est inférieur
au stock de sécurité.

Figure IV.29: Comparaison du résultat de la simulation avec l’historique des opérations de réparation de GEHC

118
En plus de la stabilité du modèle de simulation, ce dernier ne permet pas de prévoir la tendance
ou les pics des demandes de réparation, ce qui est très important pour les centres de réparation
car elle permet aux responsables de préparer l’équipe de réception, l’espace et le personnel en
cas d’augmentation brusque de la charge.

Figure IV.30: Visualisation des écarts entre la vraie demande des pièces de rechange de GEHC et le résultat de
la simulation

Comme pour le résultat sur une pièce individuelle, la figure IV.30 montre l’écart avec des pas
de prévision de semaines et de mois. En se basant sur cette dernière, on peut voir que le modèle
n’est pas capable de prévoir les tendances (augmentation au milieu de notre horizon), et les
pics qui sont présents dans la réalité et qui représentent la plus grande difficulté pour les centres
de réparation.

119
 Figure IV.31: Visualisation de l’écart cumulé entre la vraie demande des pièces de rechange de GEHC et le
résultat de la simulation

L’écart avec les vraies données devient plus important avec le temps et atteint plus de 2000
pièces que le modèle a prévu de ne pas envoyer en réparation mais qui le seront dans la réalité
(Figure IV.31). Le modèle a tendance à sous-estimer l’envoi en réparation.

En analysant les données, nous trouvons plusieurs cas où l’algorithme théorique implique un
achat de pièces neuves, mais, en réalité, ce sont des décisions de réparations qui ont été prises,
même si elles sont plus longues.

Une des causes principales qui expliquent ces écarts entre ce que le modèle prévoit et la réalité
est les prix qui sont très élevés d’une grande partie des pièces du catalogue de l’entreprise :
pour cette catégorie de pièces, les responsables ne prennent pas de décisions systématiques
suivant l’algorithme théorique mais traitent cas par cas. Par exemple, au lieu d’acheter une
pièce neuve pour laquelle nous pouvons avoir une réparation à un dixième du coût, les planners
prennent la décision d’attendre un peu plus quand il n’y a pas d’urgence, pour avoir une
réparation au lieu de l’acheter beaucoup plus cher.

Le modèle de simulation ne permet pas un traitement des références d’une façon individuelle,
l’algorithme s’applique d’une façon systématique quoi que ce soit la référence, ses
caractéristiques ou les conditions du moment de la commande.

Conclusion

Dans ce chapitre, nous avons présenté une modélisation de l’algorithme de planification pour
les pièces de rechange dans une chaine logistique de pièces de rechange en boucle fermée. Ce
modèle intègre les différentes solutions présentées dans ce contexte, qui sont la réparation et
l’achat et intègre les différentes règles de gestion ainsi que les contraintes de notre contexte.

120
Ensuite, nous avons présenté l’implémentation du modèle de simulation et son application sur
les vraies données du service de réparation de pièces de rechange de GEHC. Apres l’analyse
de la performance du modèle de simulation, nous constatons un ensemble de limites :

- Vu que le modèle se base sur des prévisions qu’il répartit d’une façon uniforme sur la
période de simulation, le résultat de la simulation est quasi constant et ne représente pas
la réalité des opérations.

- Le modèle de simulation ne permet pas de prévoir les pics de la demande et/ou

l’augmentation ou la baisse de la charge de réparation, ce qui représente le besoin le
plus important dans notre contexte.

- L’intégration de nouvelles contraintes pour améliorer la performance est assez

complexe. En plus, il est très difficile ou impossible d’intégrer des règles permettant la
prévision des pics ou les tendances de la charge dans les centres de réparation, vu qu’il
faut se baser sur un grand nombre de variables, ce qui va générer un algorithme de
grande taille qui est difficilement maintenable, et qui nécessitera des mises à jour
manuelles à chaque changement dans les règles de gestions.

Quelques exemples de ces règles de gestion sont :

o Les sources du BOH : Dans notre modèle, la seule source est les pièces GOH
qui se transforme en BOH après que les techniciens de maintenance les
remplacent. En réalité, d’autres sources existent telles que les pièces récupérées
des anciens systèmes que l’entreprise récupère des clients lors de mise à niveau
de leurs systèmes. La donnée du nombre de systèmes récupérés dans le futur
n’est pas disponible et son intégration est assez complexe. Ceci est une des
raisons pour lesquelles le modèle génère moins de réparations que ce qu’on voit
dans l’historique, car le modèle ne trouve pas de stock BOH pour effectuer les
réparations, et compense pas du NB.

o La création des commandes : En réalité, et en se basant sur les données, les

approvisionnements ne sont pas faits d’une façon ponctuelle comme le modèle
théorique, parfois les planners passent une partie des commandes et pas tout le
besoin théorique, en fonction du prix de la pièce et de la situation. Pour les
pièces chères par exemple, les responsables d’approvisionnement tendent à être
plus « prudents » et ne passent des commandes que lorsqu’ils s’assurent que le
besoin existe.

o Les différences entre les clients et les pays destinations : Le modèle que nous
avons implémenté ne traite pas les différences entre les clients, et considère que
tous les clients acceptent les pièces neuves et réparées. Cependant, en réalité,
ceci n’est pas vrai et dépend du client et du pays destination des pièces de

121
 rechange, il existe des pays qui n’acceptent que les pièces neuves et non les
pièces réparées. Pour les pays de ce type, le service de planification des pièces
de rechange passe des commandes d’achat même si théoriquement une
réparation fait plus de sens. L’intégration de cette contrainte est très complexe
surtout que la liste des clients et des pays acceptant des pièces réparées évolue
dans le temps.

o Les réallocations de l’inventaire entre les différentes régions du monde :

Une des hypothèses de simplification que nous avons faites lors de
l’implémentation est les différentes transactions logistiques. Dans notre modèle,
nous considérons uniquement les transactions entre : (i) les entrepôts et les
centres de réparation, (ii) les clients et les entrepôts et (iii) les fournisseurs et les
entrepôts de stockage. En réalité d’autres types de transactions existent, telles
que les ajustements inter-entrepôts et inter-pôles, qui sont également très
difficiles ou impossibles à intégrer d’une façon précise dans notre modèle.

A cause de ces différentes limites, le modèle n’arrive pas à simuler d’une façon précise les
décisions d’approvisionnement avec de la réparation, et vu la complexité élevée du travail
nécessaire pour améliorer le modèle et intégrer toutes les contraintes et les combinaisons de
décisions possibles, ainsi que le travail manuel obligatoire lors de n’importe quel changement
dans la logique, l’intégration des règles de gestion dans l’algorithme n’est pas envisageable.

Amélioration de la performance du modèle

Pour prévoir des décisions complexes comme la décision d’approvisionnement qui se base sur
un grand nombre de variables ; et au lieu de décrire l’algorithme de décision manuellement, un
ensemble d’approches plus « intelligentes » sont présentes dans la littérature, qui sont les
algorithmes d’apprentissage. Ce type d’approches permet de ne pas décrire analytiquement des
algorithmes complexes, mais plutôt se baser sur des quantités importantes de données
historique (expérience) pour répondre à des nouvelles situations.

Dans le chapitre suivant, nous allons présenter une implémentation d’un modèle
d’apprentissage des décisions d’approvisionnement, notamment les approvisionnements par
réparation. Nous allons voir une revue de littérature sur les modèles d’apprentissage, présenter
notre méthodologie d’implémentation et enfin présenter les résultats du modèle sur les données
historiques du service de réparation des pièces de rechange de GEHC.

122
Chapitre V : Modélisation et
implémentation d’un model Machine
Learning pour la prévision de la charge
dans les centres de réparation dans
une CL-PR-BF

Introduction

Dans une chaîne logistique complexe et de grande échelle, le flux informationnel représente un
élément important dans la stratégie de l’entreprise. Les nouvelles technologies permettent
l’accès à un nombre massif de données à un coût économiquement acceptable. Ceci motive les
entreprises à exploiter ces dernières pour améliorer leur niveau de service et de performance
(Ellram et al. (2004), Van Jaarsveld et al. (2011), Baryannis et al. (2019))

L’exploitation des données massives inclut généralement des algorithmes et des modèles se
partageant entre les sciences informatiques, mathématiques et statistiques. Le Machine
Learning est une approche reposant sur de l’apprentissage statistique introduite dans la
littérature dans les années 1950s, avec notamment des publications comme celle de Alan
Turing « Computing machinery and intelligence-AM Turing » (Turing et al. (1950)).
Cependant, la technologie ne permettait pas l’implémentation de ces modèles qui sont
extrêmement demandeurs de ressources informatiques. De nos jours, la technologie
permet l’implémentation de tels algorithmes et ouvre des pistes de recherche et de projets
d’exploitation de données massives pour nombre d’industriels.

L’objectif de ce chapitre est de présenter l’apport de modèles d’apprentissage dans le contexte

de la chaîne logistique de pièces de rechange pour la prévision de la charge dans les centres de
réparation.

Le chapitre est décomposé de la manière suivante : (1) la présentation générale de modèles

d’apprentissage, (2) la méthodologie d’implémentation des modèles Machine Learning et (3)
l’évaluation de la performance sur des données réelles.

Cette étude est basée sur des données réelles opérationnelles provenant de la chaîne logistique
après-vente de l’entreprise General Electric Healthcare.

123
 Notions de base en Machine Learning

1 Définition

Le Machine Learning ou ML est une catégorie de modèles d’intelligence artificielle apportant

une capacité d’apprentissage aux ordinateurs sans nécessiter l‘intervention humaine. Ce type
de modèles a pour objectif de permettre l’implémentation de solutions informatiques capables
de réagir à des nouvelles situations, autrement dit rendre les ordinateurs plus « intelligents » en
accumulant de « l’expérience » des données qui leurs sont soumises.

Praveena et al. (2017) définit les méthodes de Machine Learning comme une sous-catégorie
des domaines d'Intelligence Artificielle, où l’on cherche à apprendre des connaissances aux
ordinateurs sans les programmer en intégralité, permettant ainsi de s’adapter à toute nouvelle
situation tout en accumulant de la connaissance au fur et à mesure de la collecte de données.

Figure V.1: Les applications principales de Machine Learning (Gao et al. (2020))

Le Machine Learning est actuellement l'un des domaines techniques en croissance rapide, se
situant à l'intersection de la recherche informatique, les statistiques, l'intelligence artificielle et
de la science des données (Baryannis et al. (2019)).
L'usage et l’enrichissement des approches d’apprentissage automatique attisent l’intérêt de
nombreux chercheurs et la curiosité des entreprises. Il y trouve en effet un grand nombre
d’applications réelles et variées, telles que de l’optimisation de la recherche sur le Web, le

124
filtrage de contenu sur les réseaux sociaux, les voitures autonomes et leur sécurité, et même les
jeux vidéo et le divertissement.

2 L'apprentissage supervisé et non supervisé

La Figure V.2 présente les principaux types de modèles Machine Learning, qui sont
l’apprentissage supervisé, l’apprentissage non-supervisé et d’autres types de modèles tels que
l’apprentissage profond et les réseaux de neurones. Les différents types de modèles sont
différents en termes de structure et de mode de fonctionnement.

En pratique, chaque catégorie de modèles est adaptée à un certain type de problèmes, ce qu’on
voit dans la littérature (Gao et al. (2020)).

Figure V.2: Les principaux types de modèles Machine Learning (Gao et al. (2020))

2.1 L’apprentissage supervisé

Le premier type de modèles est lié à l’apprentissage supervisé. C’est appelé ainsi puisqu’on
« supervise » l’apprentissage pendant la phase de calibration des modèles. De plus, les
paramètres du modèle peuvent être dynamiquement ajustés en fonction de la problématique et
du besoin. L’apprentissage supervisé consiste à estimer la fonction transfert entre les

125
observations et les données de sortie. Il existe deux catégories de modèles supervisés, comme
l’indique la figure V.3 (Praveena et al. (2017), Sutton-Charani et al. (2014)).

Figure V.3: Les différents modèles d’apprentissage supervisé (Gao et al. (2020))

L’ensemble de nos contributions se base sur l’apprentissage supervisé, que nous présenterons
dans les sections suivantes.

2.2 L’apprentissage non-supervisé

L’apprentissage non supervisé ne s’appuie que sur l’analyse brute des données avec une
catégorisation de ces données réalisées en autonomie par le programme, sans chercher à
s’appuyer sur des éléments prédéfinis. Pour ce faire, le système va croiser les informations qui
lui sont soumises, de manière à identifier des similitudes entre les données et pouvoir les
rassembler en classe de similitudes. Ainsi, en fonction du but recherché, il reviendra à
l’opérateur ou au chercheur de les analyser afin d’en déduire les différentes hypothèses. Il est
sûr que la qualité des résultats fournis dépend à la fois de la quantité et de la pertinence des
données.
La différence entre ces deux principes de fonctionnement réside dans le fait que l’apprentissage
supervisé peut être influencé par des paramètres au moment de l’étiquetage des données. Par
ailleurs, il faut noter que des travaux existent pour également faire intervenir un mode de
fonctionnement mixte qui utilise les deux types d’apprentissage pour arriver à des résultats plus
précis.

126
2.3 Autres méthodes

En plus des méthodes supervisées et non-supervisées, d’autres types de modèles existent, tels
que les réseaux de neurones (Chen et al. (2017)), le Deep Learning (Goodfellow et al. (2016),
LeCun et al. (2015)) et l’apprentissage extrême (Huang et al. (2006)).

3 La classification et la régression

Il existe deux principales catégories de modèles de Machine Learning supervisés, chacune

choisie en fonction de la problématique traitée. Ces deux méthodes sont : (i) les modèles de
classification et (ii) les modèles de régression.
Dans notre problématique, nous avons employé les deux types de modèles pour des parties
différentes de la problématique.

4 La classification

4.1 Définition

Les modèles de Machine Learning pour la classification consistent à catégoriser une nouvelle
observation parmi un ensemble de classes possible. La classe est définie a priori et repose sur
un étiquetage des observations pour lesquelles on connaît les propriétés. On parle aussi
d’observations libellées. Il revient alors d’affecter la nouvelle donnée à une classe existante
(Figure V.4).

Figure V.4: Mode de fonctionnement des modèles de classification

Plusieurs types de classification existent :

 Le type le plus simple est la classification avec une seule classe (𝐸 = {𝐶}). Ce type
permet détecter les anomalies, en détectant les observations n’appartenant pas à la
classe normale. Un des exemples d’utilisation de ce type de classification est la

127
 détection des emails spam, où la seule classe existante (la classe « normale ») est la
catégorie des emails non-spam.
 Le deuxième type, et qui est le plus connu, est la classification binaire où l’objectif est
de catégoriser une nouvelle observation parmi deux classes. L’ensemble des classes
disponibles est 𝐸 = {𝑁, 𝑃} , où N est la classe négative et P est la classe positive. Ce
type d’observations à un grand nombre d’applications tels que l’authentification en
utilisation la reconnaissance faciale.
 Le dernier type est la classification multi-classes (aussi appelée multi-étiquettes), où le
nombre de classes possibles est supérieur à deux (𝐸 = {1,2, … , 𝑘}). Une des utilisations
classiques est la traduction automatique pour laquelle l’ordinateur doit détecter
automatiquement la langue avec laquelle le texte est écrit avant de le traduire.

4.2 Evaluation de performance des modèles de classification

Les observations positives et négatives

L’évaluation de performance d’un système de classification est composée de quatre métriques

principales (Figure V.5). On appelle des observations positives quand elles appartiennent à la
même classe estimée par le modèle, et négatives dans le cas contraire (Sauvanaud et al. (2016)).
Les deux premières métriques évaluent le nombre d’observations positives, ce qui veut dire,
celles pour lesquelles le modèles a prédit correctement leur appartenance à la classe concernée
(TP : True Positif) ou celles que le modèle a classées comme non appartenant à la classe (TN :
True Negative).
Les deux dernières métriques comptent le nombre d’observations dites « négatives » qui sont
incorrectement classifiées, soit celles que le modèle a classées comme appartenant à la classe
et qui ne le sont pas (FP : False Positive) ou celles qui ont été classées comme non appartenant
mais qui le sont (FN False Negative).
Généralement on s’appuie sur le nombre total d’observations positives ou négatives pour
évaluer la performance d’un modèle de classification, alors que les autres métriques sont plus
utilisées pour l’analyse et l’amélioration de la performance d’un modèle.

Figure V.5: Grandeurs élémentaires pour l’évaluation des performances (Matrice de confusion) (Sauvanaud et
al. (2016))

128
Probabilité de bonne classification

Selon Lecomte et al. (2013), la probabilité de bonne classification (PBC) mesure la proportion
des observations testées qui ont été correctement classées. Cette mesure simple permet
d’évaluer très rapidement les performances d’un détecteur sur une base de test équilibré. On
l’utilise en particulier lors des étapes de validation croisée afin d’estimer les paramètres d’un
modèle. On détermine la probabilité de bonne classification par l’expression suivante :

𝑃 = (Lecomte et al. (2013))

5 La régression

5.1 Définition

Les modèles de régression sont utilisés pour estimer une valeur réelle pour une observation
donnée. Selon Roy et al. (2018), lorsque l’espace de sortie est une valeur réelle, on parle alors
d’un modèle de régression.

Comme pour les modèles de classification, les modèles de régression se basent sur un nombre
important d’observations avec leurs valeurs réelles associées. Ces données sont utilisées pour
estimer une fonction transfert liant les observations avec leurs résultats.

L’avantage des modèles de régression est leur performance en termes de temps de calcul. Au
contraire des modèles de classification pour lesquels on traite toutes les observations
disponibles pour estimer une classe, les modèles de régression se calibrent entièrement pendant
la phase d’apprentissage, puis, le paramétrage étant fixé, aucun post-traitement ne sera fait
pendant la phase d’utilisation

Figure V.6: Principe simplifié des modèles de régression

129
6 Le sur apprentissage et le sous apprentissage

Il ne suffit pas de mettre en place un modèle pour obtenir des résultats de qualité, surtout en
termes de prédictibilité. Une phase préalable de paramétrage est primordiale pour éviter les
erreurs dues au :
● Sous-apprentissage, qui est le fait de ne pas ajuster suffisamment le modèle aux
données. Ainsi, le modèle apprend « mal » l’historique et ne peut donc pas non plus
généraliser le phénomène en question sur de nouvelles données.
● Sur-apprentissage, qui consiste au contraire à trop ajuster le modèle aux données. Le
modèle apprend même le bruit et cela a un impact négatif sur la prédiction face à de
nouvelles observations dont le bruit sera aléatoirement différent.

Il est important de trouver un compromis « biais-variance » du modèle. Le biais d’un modèle

correspond à la différence asymptotique entre la moyenne des prédictions et la moyenne réelle
des données d’apprentissage. La variance du modèle quant à elle correspond au bruit présent
dans le jeu de données qui modifie radicalement la prédiction d’un jeu de données à l’autre. Le
sous-apprentissage contient un biais trop important tandis qu’une variance trop forte est le signe
d’un sur-apprentissage. Toutes les méthodes algorithmiques sont concernées par ce
compromis. Plus un modèle est complexe, plus il intègre de paramètres, et plus il est flexible
donc capable de s’ajuster aux données engendrant ainsi une erreur faible d’ajustement. En
revanche, un tel modèle peut s’avérer défaillant lorsqu’il s’agira de prévoir ou de généraliser,
c’est-à-dire de s’appliquer à des données qui n’ont pas pris part à sa construction.

Des critères de sélection de modèles tels que l’AIC (Akaike Information Criterion) ou dans un
contexte bayésien le BIC (Bayesian Information Criterion) permettent de venir qualifier un
modèle en fonction de sa complexité, à savoir le nombre de paramètres. L’étude des
performances de ces modèles ne fait pas partie de cette thèse qui a un objectif plus applicatif
par rapport à la problématique industrielle. Nous invitons le lecteur à se référer par exemple à
Lebarbier et al. (2004) pour une première analyse.

Implémentation d’un modèle Machine Learning pour la prévision de la charge des

centres de réparation dans une CL-PR-BF

1 Méthodologie d’implémentation de modèles d’apprentissage dans la littérature

Afin de mettre en place un système d’apprentissage pour répondre à un problème donné,

l’application d’un ensemble d’étapes est nécessaire afin de s’assurer du bon fonctionnement du
modèle. Cette section introduit une méthodologie d’implémentation de modèles de Machine
Learning allant de la collecte de données à l’évaluation au choix du modèle optimal.

La méthodologie que nous présentons est extraite de la littérature. Elle a été déployée sur de
nombreuses applications telles que l’extraction et la classification des émotions à partir d’un

130
texte, Gamal et al. (2019), ou encore la prévision de la consommation énergétique, Gallagher
et al. (2018).

Figure V.7: Méthodologie d’implémentation de modèles d’apprentissage

Comme le montre la figure V.7, à haut niveau, nous proposons de suivre les cinq étapes
suivantes :

 Collecte de données que nous allons utiliser pour l’apprentissage du modèle

 La préparation des données en effectuant un « nettoyage » et élimination du

« bruit » des données

 Le choix des variables que nous allons employer pour l’apprentissage

 La phase de l’apprentissage

 L’évaluation des performances du modèle.

2 Implémentation du modèle de résolution

La méthodologie de base présentée dans la section précédente offre un cadre général

d’implémentation des modèles d’apprentissage. Nous présentons ici (figure V.8) sa déclinaison
générale sur le problème spécifique de la gestion des données dans le contexte de la chaîne
logistique de pièces de rechange.

131
Figure V.8: Application de la méthodologie d’implémentation des modèles d’apprentissage dans notre contexte

2.1 La collecte de données

Comme nous l’avons vu dans les sections précédentes, un nombre important d’observations est
nécessaire pour calibrer un modèle Machine Learning. Ces observations doivent contenir les
132
différentes variables de décision permettant d’estimer la variable de sortie, qui est le volume
de réparation. L’un des problèmes que nous avons pu rencontrer dans cette thèse est la collecte
des données quantitatives de masse. General Electric Healthcare a une longue expérience dans
la gestion de ses systèmes et de ses clients. Cependant, l’acquisition de l’ensemble des données
reste délicate au vu de la complexité de l’organisation GEHC, de la multiplicité et la diversité
des systèmes d’information et l’accessibilité voire la propriété même de ces données pouvant
être chez le client. Pour ces raisons, nous avons préféré une approche supervisée à l’approche
non supervisée en définissant des classes et critères de décision sur la base d’avis d’experts.

Ainsi, nous nous sommes appuyés sur une dizaine de responsables de planification pour la
définition des critères de décision. Nous avons déduit que les variables les plus utilisées et que
nous devons récupérer pour la phase d’apprentissage sont : (i) l’historique de l’état
d’inventaire, (ii) l’historique des opérations de réparation (iii) les historiques des décisions
d’approvisionnement. Comme le montre la figure V.8, nous allons récupérer ces données de
plusieurs parties du système d’information de GEHC.

Nos données proviennent de plusieurs sources avec des différents types de données (APIs,
Bases de données relationnelles, Fichiers de données etc..). Après l’extraction des données, un
travail de traitement et de transformation a été effectué pour les mettre dans une structure
adéquate, afin de les charger dans un « datawarehouse » commun avec une structure
relationnelle, permettant de faire le lien entre les différentes entités d’une façon automatique.
Ce processus est appelé ETL (Extraction, Transformation, Load) et il est fréquemment utilisé
dans la littérature pour le même objectif (Lecomte et al. (2013)).

D’après des sessions de travail avec les experts d’approvisionnement, les « planners » se basent
sur 5 catégories de données (parmi plusieurs d’autres comme les données financières ou de
facturation). Des analyses de type ACP (Analyse de composantes principales) existent pour
choisir les données les plus critiques, cependant, dans notre cas, et pour des raisons de
complexité et de multitude de données et de systèmes d’informations, nous nous sommes basés
sur l’expérience des experts pour choisir les catégories :

 Etat de l’inventaire pour chaque référence, dans les différents pôles de l’entreprise

 Prévision de la demande des pièces de rechange

 Détails de chaque référence (prix neuve, cout de réparation, Age, garantie...)

 Détails des fournisseurs, délais d’approvisionnement pour chaque référence

 Historique des commandes d’approvisionnement

133
 Figure V.9: Les processus de décision d’approvisionnement en se basant sur les données

Chaque « planner » est responsable sur un ensemble de références (généralement entre 100 et
200 références). Chaque jour et pour chacune de ces références, le responsable doit suivre l’état
d’inventaire dans les différents entrepôts de l’entreprise, la demande des techniciens de
maintenance, l’évolution des prix… afin de décider s’il y a besoin de faire des
approvisionnements. Dans le cas de besoin, le planner doit décider quelles solutions sont les
plus appropriées, en se basant sur les délais de livraison et sur les coûts (Figure V.9).

L'objectif du modèle de Machine Learning est de prévoir les décisions de planification en

intégrant les données de réparation sur la base des mêmes informations disponibles aux
planners, à savoir les données factuelles d’entrée et les règles de décision d’approvisionnement.

Ainsi, on appelle ligne de données, un ordre d’opération formé de ~120 données et représentée
par une ligne du tableau suivant :

P/N … GOH BOH NBLT RLT NB Price R Price Frcst12M Sol Vol

___523-R … 46 154 90 30 $1389.00 $798.33 221 NB 15

___318-R … 17 32 60 20 $2839.00 $1411.50 175 NB 53

Tableau V.1: Exemple de lignes des données d’apprentissage

2.2 Le nettoyage de données

Le nettoyage de données est une étape primordiale dans la mise en place d’un modèle
d’apprentissage. Ceci est dû au fait que la performance du modèle dépend principalement de
la qualité des données d’entrée. Les données d’entrée doivent avoir une bonne et complète
couverture du phénomène étudié, qui est les décisions d’approvisionnement dans notre cas.

Dans le cas où d’une faible représentativité des cas contenus dans les données d’apprentissage,
le modèle ne pourra simplement pas décider ou prévoir d’une façon fiable la variable de sortie.

134
Un autre avantage quant à cette phase de nettoyage des données est la simplification des
modèles de traitement qui en suivront. En effet, on peut remarquer la bonne performance de
modèles de classification et de régression dits simples sur la base de données de « bonne
qualité » (Gudivada et al. (2017)). Ceci a clairement l’avantage de gains de temps pour les
phases d’apprentissage et de traitements de données de modèles complexes.

2.2.1 L’élimination des données non désirées

Chaque échantillon de données peut contenir des observations non désirées, qui peuvent être
soit des doublons ou des observations non-représentatives du phénomène étudié.

Dans notre cas, des doublons sont présents puisqu’on combine plusieurs sources de données et
c’est crucial de les éliminer, sinon des calculs comme celui des volumes des pièces de rechange
(défectives ou en état de fonctionnement) sera en double.

Pour les observations non-représentatives de notre problématique, elles considèrent les cas de
décision d’approvisionnement qui sont présents dans l’historique mais qui sont soit des
exceptions soit des erreurs. Par exemple, le tableau V-2 présente un ensemble d’observations
qui sont considérées des exceptions à éliminer.

P/N … GOH BOH NBLT RLT NB Price R Price Frcst12M Sol Vol

___523-R … 46 154 90 30 $1389.00 $798.33 221 NB 15

___318-R … 17 32 60 20 $2839.00 $1411.50 175 NB 53

___748-R … 84 45 90 15 $2690.00 $837.65 183 NB 6

___910-R … 65 115 180 20 $1720.00 $967.00 253 NB 11

Tableau V.2: Exemple de donnés non représentatives de la problématique

Dans les exemples ci-dessus (Tableau V.2), nous retrouvons des observations pour lesquelles
les responsables d’approvisionnement ont choisi de passer par l’achat de pièces neuves même
si le service dispose de pièces réparables pouvant être remises en état de fonctionnement plus
rapidement et à moindre coût.
Après analyse, on peut trouver plusieurs raisons pour ces décisions comme la politique
d’import-export de certains pays n’acceptant que des pièces neuves (Notons ici que ceci restant
en marge de nos cas, ce critère n’a pas été retenu). Cependant, dans un ensemble de cas, il n’y
a pas d’explication et d’après les experts eux-mêmes, ces observations peuvent être affectées à
des erreurs dans les données que nous devons éliminer pour éviter d’avoir du bruit dans notre
modèle.

135
De la même façon, nous avons éliminé un ensemble de cas non-représentatifs. Le tableau V.3
montre ainsi le volume des éléments à traiter et les résultats retenus après traitement. Notons
que près de 10% des données a été ici considéré comme erroné (ceci peut être considéré comme
un faible pourcentage au vu de certaines autres applications).

Echantillon de base Echantillon après élimination des doublons Après élimination des exceptions et erreurs

+14 000 000 obs +12 000 000 obs +11 000 000 obs

Tableau V.3 : Nombre des observations dans l’échantillon de test avant et après les opérations de nettoyage

2.2.2 Mise en forme des données

La mise en forme des donnés consiste à effectuer des transformations sur un échantillon de
base afin de structurer en couples (observation, résultat). Pour notre cas, notre échantillon de
données contient 46 variables qui représentent le « vecteur » observation, donnant un résultat
qui est le volume de réparation demandé.
Notre échantillon de données (Tableau V.4) contient, pour chaque référence et pour chaque
semaine fiscale, l’état de l’inventaire, les pièces en transit, le volume en réparation, les
prévisions de la demande, et toutes les autres informations dont nous disposons, accompagnées
par les décisions prises pour chaque semaine. En total, nous avons un échantillon de 11 millions
d’observations couvrant chaque semaine fiscale de 2017 à 2020.

Vecteur d’observation Résultat

YEAR FW Reference … GOH BOH SS MinOQ EOQ … Vol

2017 01 ___523-R … 46 154 … … … … …

2017 02 ___523-R … 17 32 … … … … …

… … ___523-R … 84 45 … … … … …

2020 05 ___523-R … 65 115 … … … … …

Tableau V.4: structure des donnés d’apprentissage

La visualisation des données et l’analyse des observations est une étape importante avant de
passer à l’implémentation et à la calibration du modèle. Par exemple, cette étape permet de
détecter des valeurs incorrectement formatées. Ceci est particulièrement pertinent pour les

136
variables catégoriques, par exemple, pour le type de commandes d’approvisionnement qui est
une variable catégorique pouvant signifier un achat du neuf ou bien une réparation.

Si on visualise les valeurs de cette colonne pour une partie de l’échantillon (Figure V.10), on
remarque qu’il y a plusieurs catégories qui doivent être regroupées : « repair » veut dire la
même chose que « Repair » et « REAIR », et de même pour « Newbuy », « new_buy » et
« NEW_BUY ». Ceci est un simple exemple pour montrer l’intérêt de cette étape, en réalité,
des dizaines d’autres opérations sont effectuées pour le même objectif.

Figure V.10: Volume en fonction de la solution d’approvisionnement avant la mise en forme

Les figures V.10 et V.11 montrent la visualisation d’une des colonnes sur laquelle nous avons
effectué ce processus, avant et après la transformation.

Figure V.11: Volume en fonction de la solution d’approvisionnement après la mise en forme

2.2.3 Le filtrage des données aberrantes

Pendant la préparation des données, nous avons remarqué la présence de données dites
aberrantes dans le sens où elles présentent des caractéristiques très éloignées du nuage des

137
points. Après des sessions de travail avec les experts, ce phénomène s’explique par deux
raisons : (i) des erreurs dans les données (ii) des cas isolés qui ne représentent pas les règles de
gestion.

Chaque observation peut être aberrante pour un ou plusieurs critères. Pour notre cas, nous
allons éliminer chaque observation aberrante pour au moins un critère.

Il existe plusieurs méthodes pour détecter des points aberrants. Nous avons utilisé la « boite à
moustache », qui est largement utilisée en littérature (Le Guen et al. (2002)).

Selon Le Guen et al. (2002), la boîte à moustache utilise 5 valeurs qui résument des données :
le minimum, les 3 quartiles Q1, Q2 (médiane), Q3, et le maximum (Figure V.12).

Selon la même référence (Le Guen et al. (2002)), la boîte a pour hauteur la distance interquartile
(Q3-Q1), et les moustaches sont basées généralement sur 1,5 fois la hauteur de la boîte. Une
valeur est atypique si elle dépasse de 1.5 fois l’écart interquartile au-dessous du 1er quartile ou
au-dessus du 3ème quartile. La valeur 1.5 est selon TUKEY et al. (1977) « une valeur
pragmatique (« rule of thumb »), qui a une raison probabiliste ».

Figure V.12: La « boite à moustache » et les points aberrants

2.2.4 La gestion des données manquantes

Dans cette partie de la préparation des données, il est impératif de ne pas laisser des données
manquantes dans les données d’apprentissage, vu qu’une donnée vide peut être, dans certains
cas, interprétée comme une valeur à part entière (0 ou null, dans la majorité des cas). Par
ailleurs, précisons que nombre de bibliothèques informatiques d’implémentation des modèles
ne supportent pas des valeurs vides et vont générer des erreurs en cas de présence de ces valeurs
manquantes.

Deux façons existent pour gérer les valeurs vides :

o La complétion : Remplir la variable manquante à partir des données, soit en la
copiant directement, ou en la calculant. Dans notre cas, nous nous sommes
limités à copier les données de d’autres sources quand c’est possible.

138
 o L’élimination : Consiste à supprimer les observations avec des variables
manquantes.

2.3 Apprentissage du modèle

2.3.1 Les algorithmes utilisés pour la prévision de la charge dans les centres de
réparation

o La régression polynomiale (Modèle linéaire généralisé)

Selon Chesneau et al. (2017), un modèle de régression polynomiale est un modèle non-linéaire,
visant à exprimer une variable quantitative 𝑌 à partir de p variables 𝑋 , 𝑋 , … , 𝑋 , tel que :

𝑌 = 𝑓(𝑋, 𝛽 , 𝛽 , . . 𝛽 ) + 𝜀

Où 𝑓(𝑋, 𝛽 , 𝛽 , . . 𝛽 ) étant un polynôme en 𝑋 , 𝑋 , . . , 𝑋 de coefficients 𝛽 , 𝛽 , . . 𝛽 .

𝑓 𝑋, 𝛽 , . . 𝛽 = 𝛽 + 𝛽 𝑋 + ⋯+ 𝛽 𝑋

Le modèle a un seul paramètre à définir lors de la phase d’apprentissage, qui est le degré p du
polynôme. La calibration du modèle consiste à trouver les paramètres 𝛽 minimisant l’écart 𝜀
entre les prévisions du modèle et les vraies données. Le problème est alors d’estimer 𝑓 par un
polynôme en choisissant le “bon” degré p parmi un ensemble d’entiers possible {1, . . . , 𝑁} où
𝑁 est le degré maximal qu’on s’autorise.

Avec un degré p élevé, le modèle devient plus « flexible », capable de s’adapter plus aux
tendances dans les données. Cependant, un polynôme avec un degré trop élevé va être
susceptible de sur-apprentissage et donc ne pas suivre la tendance générale des données, mais
aussi les bruits. En même temps, un degré p trop faible peut engendrer un sous-apprentissage
(Figure V.13).

139
 Figure V.13: Résultat d’une régression polynomiale avec plusieurs degrés :1, 2 et 5.

Il est recommandé de commencer l’apprentissage avec un degré faible, puis de remonter d’une
façon progressive afin de voir la tendance la performance en fonction de la valeur du dégré du
polynôme. Ceci est important puisque la complexité augmente d’une façon considérable en
augmentant le degré du polynôme, et la phase de résolution prend un temps considérable quand
le degré du polynôme est élevé.

o La régression Ridge

La régression Ridge est basée sur la régression linéaire multiple, en y ajoutant une contrainte
sur les coefficients lors de la modélisation pour maitriser l’amplitude de leurs valeurs. Ce type
de méthodes est appelé : méthodes de contraction de coefficients. Pour une régression linéaire
multiple, la modélisation prédictive d’une variable cible quantitative est donnée par l’équation
suivante.

𝑦 = 𝑎 + 𝑎 𝑥 + ⋯+ 𝑎 𝑥 + 𝜀

Disposant d’un échantillon d’observations de taille n, nous cherchons les paramètres

𝑎 , 𝑎 , … 𝑎 qui minimisent l’erreur entre les observations et les estimations, par exemple
l’erreur quadratique moyenne (MSE : mean squared error).

𝑚𝑖𝑛 , ,…, 𝑦 − 𝑎𝑥

Cependant, cette méthodologie peut générer des coefficients « aberrants » créant du bruit dans
la prévision. En introduisant des contraintes sur les coefficients, on maîtrise l’amplitude de

140
leurs valeurs. La méthode Ridge propose une pénalisation avec un paramètre 𝜆 sur les
coefficients (formule ci-dessous). Ce paramètre est ajustable pendant la phase d’apprentissage.

𝑚𝑖𝑛 , ,…, 𝑦 − 𝑎𝑥 + 𝜆 𝑎

o La régression LASSO

La méthode LASSO (acronyme pour « Least Absolute Shrinkage and Selection Operator ») est
une méthode introduite par Tibshirani et al. (1996). Comme pour la méthode Ridge, la méthode
LASSO est une méthode de contraction de coefficients qui se base sur une approche de
pénalisation. Cependant, LASSO propose une pénalisation de la norme L1 (valeur absolue) des
coefficients.

Cette différence entre les deux méthodes fait que certains coefficients peuvent avoir une valeur
nulle (zéro), au contraire de Ridge où les coefficients peuvent être négatifs (voir formule ci-
dessous).

𝑚𝑖𝑛 , ,…, 𝑦 − 𝑎𝑥 + 𝜆 |𝑎 |

2.4 Evaluation de la performance des modèles de régression

Pour générer nos prévisions, nous devons tester les différents modèles que nous avons
présentés, puis choisir celui qui offre la meilleure précision. La calibration et l’application de
chacun des modèles vont être par référence. Ceci va nécessiter un temps important de
calibration vu le grand nombre de références. Cependant, ceci est nécessaire dû aux différences
importantes entre les diverses références de pièces de rechange :

- L’âge de la référence : joue un rôle important dans les décisions de gestion

d’inventaire, pour une pièce relativement ancienne le taux de réparation baisse et doit
être pris en compte. Les décisions de réparation de deux références avec des niveaux
d’inventaires identiques et une demande identique peuvent varier en fonction de l’âge
des pièces.

- La valeur des pièces : Les prix des pièces de rechange peuvent varier d’un montant de
100 dollars à un montant de 80.000 dollars américains ou plus. En fonction de la valeur
de chaque référence, les décisions d’approvisionnement peuvent varier. Comme vu
dans le chapitre précèdent, un ensemble de cas sont présents dans les données où les

141
 planners prennent plus de temps pour passer des commandes, pour des pièces de haute
valeur.

- La taille de la base installée pour chaque référence : dépend du cycle de vie du

produit sur lequel la référence est employée. Le cycle de vie du produit et son impact
sur la demande de pièces de rechange sont illustrés dans la figure V.15. Dans la phase
initiale, la taille de la base installée augmente avec l’augmentation les ventes de
produits. La demande de pièces de rechange est plutôt faible, car les produits sont
encore relativement « jeunes ». Dans la phase de maturité où les ventes de produits
reculent progressivement et la base installée atteint sa taille maximale, la demande de
pièces détachées augmente. Dans la phase de fin de vie (End Of Life ou EOL), les
ventes de produits diminuent et éventuellement s’arrêtent. La demande de pièces de
rechange peut continuer d'augmenter, avant de diminuer progressivement à mesure que
davantage de produits atteignent leur fin d'utilisation (Kim et al. (2017)). D'après ce
chiffre, on peut voir que la demande de pièces de rechange suit la demande du produit,
mais avec un certain retard.

Figure V.14: Cycle de vie du produit, évolution de la base installée et demande de pièces de rechange (Dekker
et al. (2013))

- Les régions où les références sont demandées le plus : ce critère joue un rôle
important dans le choix des solutions d’approvisionnement, vu qu’un ensemble de pays
impose un certain nombre de règles concernant les opérations d’import / export des
pièces de rechange. Par exemple, un nombre de pays n’accepte pas l’importation des
pièces de rechange réparées, mais uniquement des pièces neuves. Pour ce cas, même si
on dispose d’un stock BOH qu’on peut réparer plus rapidement et moins cher, nous
allons choisir d’acheter des pièces neuves.

142
Pour ces différentes raisons, nous choisissons d’appliquer à chaque référence, un modèle qui
lui est spécifiquement calibré.

L’algorithme 7 présente la logique que nous avons appliquée pour calibrer les modèles. On
commence par l’extraction de l’ensemble des références des pièces ainsi que l’extraction des
modèles que nous avons implémentés.

Ensuite nous parcourons toutes les pièces et, pour chacune, nous calibrons le modèle sur les
données de celle-ci, puis trions le résultat de tous les modèles en fonction de la métrique R2,
et enfin choisir le meilleur en termes de « score » le plus élevé et l’attribuer à la référence
courante.

Algorithme 7 : Calibration des modèles sur les différentes références de pièces

1. 𝑭𝒐𝒏𝒄𝒕𝒊𝒐𝒏 𝑪𝒂𝒍𝒊𝒃𝒓𝒆𝒓_𝒎𝒐𝒅𝒆𝒍𝒆𝒔()

2. 𝑚𝑜𝑑𝑒𝑙𝑒𝑠[] ← 𝑔𝑒𝑡𝐿𝑖𝑠𝑡𝑒𝑀𝑜𝑑𝑒𝑙𝑒𝑠()

3. 𝑝𝑖𝑒𝑐𝑒𝑠[] ← 𝑔𝑒𝑡𝑃𝑎𝑟𝑡𝑠()

4. 𝑷𝒐𝒖𝒓 𝑐ℎ𝑎𝑞𝑢𝑒 𝑚 𝑑𝑎𝑛𝑠 𝑚𝑜𝑑𝑒𝑙𝑒𝑠 𝑭𝒂𝒊𝒓𝒆:

5. 𝑡𝑒𝑚𝑝[] ← []

6.
𝑷𝒐𝒖𝒓 𝑐ℎ𝑎𝑞𝑢𝑒 𝑝 𝑑𝑎𝑛𝑠 𝑝𝑖𝑒𝑐𝑒𝑠 𝑭𝒂𝒊𝒓𝒆 :

7.
𝑡𝑒𝑚𝑝[] ← 𝑚. 𝑐𝑎𝑙𝑖𝑏𝑟𝑒𝑟(𝑝)

8.
𝑭𝒊𝒏 𝒅𝒆 𝑷𝒐𝒖𝒓

9.
𝑡𝑒𝑚𝑝[] ← 𝑡𝑒𝑚𝑝. 𝑐𝑎𝑙𝑖𝑏𝑟𝑒𝑟(𝑐𝑟𝑖𝑡𝑒𝑟𝑒 = 'R2', 𝑜𝑟𝑑𝑟𝑒 = 𝐴𝑠𝑐 )

10.
𝑚. 𝑚𝑜𝑑𝑒𝑙𝑒 ← 𝑡𝑒𝑚𝑝[0]
11.
𝑭𝒊𝒏 𝒅𝒆 𝑷𝒐𝒖𝒓
12.
Fin

Algorithme 7 : Fonction de calibration des modèles implémentés sur le catalogue des pièces de rechange de
GEHC

L’algorithme 7 commence par récupérer la liste des pièces disponibles, puis, pour chacune, on
calibre chacun modèle et on choisit celui qui donne la meilleure précision. Le « meilleur »
modèle est affecté à la pièce et utilisé pour générer ses prévisions. Ceci permet d’utiliser le
modèle approprié pour chaque pièce.

143
2.4.1 Les données de test : Les 500 références les plus demandées de GEHC

Pour calculer la performance des différents modèles présentés dans la section précédente, nous
choisissons un échantillon de 500 références de pièces de GE Healthcare. La raison de ce choix
est que ces 500 références représentent 80% des commandes passées depuis janvier 2017
(Figure V.16) mais qui représentent uniquement ~25% du nombre total des références. Cette
restriction permet de réduire énormément le temps de calcul, tout en gardant une bonne
couverture des commandes des pièces de rechange.

Figure V.15: Présentation des 500 références représentant 80% de la demande globale des pièces de rechange
de GEHC

2.4.2 Temps de calibration des modèles

Le temps nécessaire pour la calibration d’un système de prévision est un élément important
pour le choix des modèles qui y sont utilisés. La durée de calibration de modèles
d’apprentissage peut varier de quelques secondes à plusieurs jours voir plus, en fonction du
type du modèle, le nombre de ses paramètres et de la quantité de données à prendre en
considération.
La figure V.16 présente les durées nécessaires pour la calibration de chacun des modèles sur
l’échantillon des 500 références de pièces de rechange (en minutes). Le modèle de régression
polynomiale est celui qui prend en moyenne le plus de temps, suivi du modèle Lasso et puis la
régression Ridge.

144
 Figure V.16: Distribution des temps de chargement de chaque modèle sur l’échantillon des 500 références

2.4.3 Evaluation de la performance des modèles

Nous commençons d’abord par les résultats spécifiques pour chaque modèle. Nous allons
présenter la performance de chacun des algorithmes quand on les applique séparément à toutes
les références de pièces.

2.4.3.a Le modèle de régression polynomiale

La figure V.17 présente la prévision de la globalité des commandes de réparation générées par
le modèle de régression polynomiale, quand il est appliqué à toutes les références.

Au contraire du modèle de simulation où le volume total est quasi-constant, la régression

polynomiale génère des volumes variables qui augmentent ou diminuent en fonction de sa
calibration. Dans nos résultats, le modèle ne suit pas la tendance des données réelles et
s’éloigne des vraies données avec le temps.

Notons que, pour une meilleure représentation de notre problématique, nous avons
volontairement choisi des données contenant des pics de charge et une chute à la fin de notre
horizon. Le modèle n’a pas permis de détecter ces changements brusques avec toutes les
configurations possibles.

145
 Figure V.17: Résultats de la prévision du modèle de régression polynomiale, applique sur les données de
GEHC.

La valeur absolue de l’écart entre la prévision du modèle et les données historiques est
représentée par la figure V.18. Dans 50% des cas, la différence entre le nombre des commandes
que le modèle prévoit et celui présent dans les données est inférieure à 400 pièces (Figure
V.21). Ce résultat est meilleur que le modèle de simulation vu dans le chapitre précédent.
Cependant, il ne représente pas les tendances de la vraie charge de réparation (Figure V.18).

Figure V.18: La distribution de l’erreur de prévision du modèle de régression polynomiale.

2.4.3.b Le modèle de régression Ridge

La figure V.19 présente la prévision générée par le modèle de régression Ridge. Comme pour
la régression polynomiale, le modèle ne suit pas la tendance générale des données et ne permet
pas de détecter les pics de la demande quand il est appliqué à toutes les références.

146
En comparaison avec la régression polynomiale, la régression Ridge donne des résultats
différents et une prévision de tendance différente. Cependant, en termes de précision, les deux
modèles ont une précision assez semblable.

Figure V.19: Résultats de la prévision du modèle de régression ridge, applique sur les données de GEHC

Dans plus de 50% des observations (Figure V.20), la prévision générée par le modèle a un écart
de plus de 500 pièces par semaine. Même si le modèle a, en globalité, une précision proche de
la régression polynomiale, l’histogramme des erreurs montre que pour un ensemble de pièces,
l’erreur est beaucoup plus importante que celles du modèle polynomial.

Figure V.20: La distribution de l’erreur de prévision du modèle de régression Ridge.

147
2.4.3.c Le modèle de régression Lasso
La figure V.21 visualise la même prévision mais avec la régression Lasso. Un écart clair entre
la prévision et l’historique est présent. Le modèle est le dernier en classement en termes de
précision par rapport aux modèles déjà présentés.

Figure V.21: Résultats de la prévision du modèle de régression Lasso, applique sur les données de GEHC

De la même façon que pour les modèles précédents, dans la figure V.22, nous montrons la
distribution de l’erreur que l’algorithme génère. En comparaison avec les deux modèles
précédents, ici nous avons l’erreur la plus importante.

Figure V.22: La distribution de l’erreur de prévision du modèle de régression Lasso.

148
2.4.4 Résultats avec l’affectation des modèles par référence

Dans cette section nous allons donner une vue globale de la performance de chacun de nos
modèles, mais chacun appliqué par référence. Ceci veut dire que chaque modèle a été
uniquement appliqué aux pièces pour lesquelles il a offert la meilleure performance.

Le tableau V.5 présente le nombre et le pourcentage des références de pièces pour lesquelles
chaque modèle offre la meilleure performance.

Nombre de références pour Pourcentage du

Modèle
lesquelles le modèle est meilleur l'échantillon
Régression Polynomiale 227 45.40%
Régression Ridge 125 25.00%
Régressons Lasso 148 29.60%

Tableau V.5 : Nombre de références pour lesquelles chaque modèle a été choisi comme le meilleur.

Sur notre échantillon contenant un ensemble des 500 références des pièces les plus
commandées, le classement commence par le modèle de régression polynomiale qui a offert la
meilleure performance sur un ensemble de 227 références, représentant 45.4% des références.

Suivi par le modèle de régression Lasso avec 148 références (29.6%) et enfin la régression
Ridge avec 125 références (25%).

Le tableau V.6 présente la performance des modèles, en prenant la précision maximale,

moyenne et minimale. Dans le calcul de la performance, nous prenons uniquement les
différentes références auxquelles ces modèles ont été affectés, et sur lesquelles ils ont été
utilisés.

Modèle Score des modèles

Min 0.001
Régression Polynomiale Avg 0.516
Max 0.705
Min 0.001
Régression Ridge Avg 0.380
Max 0.481
Min 0.001
Régressons Lasso Avg 0.397
Max 0.651

Tableau V.6: Le minimum, maximum et la moyenne des scores de chaque modèle de prévision

149
La performance que le tableau V.6 présente est le score calculé sur l’historique. La meilleure
performance moyenne a été réalisée par le modèle de régression polynomiale avec un score de
0.516 sur un ensemble de 227 références, suivie par le modèle régression Lasso avec 0.397 sur
148 références et ensuite la régression Ridge avec un score de 0.380 sur un ensemble de 125
références.

Figure V.23: Résultats de la prévision du modèle Machine Learning appliqué sur les données de GEHC.

La figure V.23 visualise le résultat de la prévision générée par le modèle de Machine Learning
lorsqu’on applique chaque modèle aux références sur lesquelles il performe le mieux. Au
contraire de la première stratégie où on applique chaque modèle séparément, ce modèle ML
permet de prévoir la tendance générale du volume de réparation qui, dans notre cas, augmente
d’une façon progressive au milieu de l’horizon (entre le mois de Mai et le mois de Juin) et
décroit à la fin.

L’application des modèles par référence apporte une grande amélioration à la performance du
modèle, avec un score de 0.601. Cependant, le modèle ne permet toujours pas de détecter les
changements brusques dans la charge.

150
 Figure V.24: Distribution de l’écart entre la prévision et l’historique

Les graphes de la figure V.24 présente la distribution de l’écart entre les vrais volumes de
réparation et les prévisions du modèle. L’écart que cette approche fournie est beaucoup plus
faible en comparaison des méthodes précédentes. L’application par référence a permis une
réduction de +50% de l’erreur et a amélioré sa fiabilité. Cependant, pour notre contexte et pour
la nature de l’activité, la détection des changements brusques de la charge reste la
problématique la plus importante.

Conclusion

Dans ce chapitre, nous avons présenté l’implémentation d’un modèle Machine Learning pour
l’objectif de prévision de la charge dans les centres de réparation. Rappelons que la finalité de
notre travail est l’analyse des améliorations potentielles d’approches de type Machine Learning
et sa mise en place en contexte opérationnel et n’intègre pas le développement de nouvelles
techniques de classification ou d’inférence. Nous avons ainsi présenté une méthodologie
d’implémentation des modèles d’apprentissage empruntée à la littérature que nous avons
déclinée pour l’appliquer sur un système de prévision particulier.

Nous avons ensuite testé ce système sur les données réelles de l’historique des opérations de
GEHC et puis présenté et analysé les résultats. Par rapport à la simulation seule, les modèles
de Machine Learning offrent des résultats prometteurs en améliorant sensiblement la précision
de prédiction. Cependant, quand les modèles sont appliqués d’une façon systématique à toutes
les références, ils donnent des résultats avec une précision très faible.

Ensuite nous avons introduit un algorithme testant et appliquant chaque modèle sur les
références pour lequel il offre la meilleure performance. Avec cette approche, les modèles
permettent d’avoir une meilleure précision et aussi de détecter la tendance générale des
données, au contraire des approches précédentes.

151
Avantages de l’approche

Les modèles Machine Learning offrent deux avantages principaux par rapport aux modèles
classiques :
- La prévision des tendances de la charge :
Comme vu dans le chapitre 4, les prévisions avec la simulation suivent une logique
systématique et génère des valeurs prédictibles. Ceci fait que les volumes cumulées
sont stables et quasi constants, au contraire de la réalité où les volumes sont rarement
constants.
Les modèles Machine Learning que nous avons utilisés permettent de prévoir des
volumes variables et permettent de détecter l’augmentation ou la baisse des volumes de
réparation avec une meilleure précision que celle de la simulation.
- La prise en considération des nouvelles données :
Les modèles de prévisions classiques se basent uniquement sur les données précédentes
et sur l’historique (dépendant de l’algorithme) pour décider la valeur du prochain point
dans les prévisions.
Pour les modèles Machine Learning, on se base plutôt sur les données derrière chaque
observation et non les valeurs de ces observations elles-mêmes. Ceci permet de détecter
les « patterns » et les liens entre les données d’entrée et la valeur de leurs observations.
Grâce à cette différence fondamentale entre les deux approches, les modèles Machine
Learning permettent de prévoir d’une façon plutôt fiable la tendance générale des
données.
Quand on les applique à toutes les références, les modèles de Machine Learning offrent une
meilleure précision de 0.601 par rapport aux modèles appliqués d’une façon individuelle : PR,
RR et LR avec respectivement 0.516, 0.380 et 0.397 comme précision.
Cependant, et malgré les avantages des modèles ML, la précision de ce dernier n’est pas
suffisante. Les pics de la charge (ou chute) restent indétectables par notre approche ce qui ne
répond pas à notre problématique générale et au besoin des centres de réparation.

Limites de l’approche

Malgré les avantages du modèle d’apprentissage par rapport aux modèles classiques, on peut
dégager les limites suivantes.

Le modèle ML permet de prévoir la tendance générale de la charge de réparation mais ne

permet pas de détecter les détails de cette demande, comme les pics ou les chutes brusques.
Ceci peut être considéré comme du « sous-apprentissage ». Comme on l’a présenté au début

152
de ce chapitre, il signifie que le modèle n’est pas assez détaillé pour détecter les changements
sur une durée réduite de temps mais uniquement sur un grand intervalle.

Dans certains cas, le sous-apprentissage peut être résolu via la recalibration du modèle et son
paramétrage. Cependant, dans notre cas, il n’est pas dû aux paramètres (toutes les combinaisons
possibles ont été testées) du modèle mais bien à sa nature. Pour arriver à cette conclusion, nous
avons fait des tests sur des échantillons de taille réduite générés de façon manuelle contenant
des pics et des chutes de la demande.

Après une analyse des erreurs que le modèle génère, nous remarquons que, dans plus de 70%
des observations, le modèle prévoit une solution (réparation ou achat) différente de la réalité,
mais un volume avec une « bonne » précision. Ce qui montre que la limite du modèle n’est pas
l’estimation du volume lui-même mais dans le choix des décisions (réparation ou achat).

Pistes d’améliorations de la performance du modèle

Après investigation des problèmes de performance de notre modèle ML, notre conclusion est
que les limites de performance sont principalement liées à la capacité de la prévision des
solutions d’approvisionnement (réparation ou achat) et non à la prévision du volume lui-même.
Le volume de réparation que nous essayons de prévoir est en fait une combinaison de trois
étapes de décision, connectées pour générer la donnée finale, à savoir le nombre de pièces à
réparer. Ces étapes sont les suivantes :
- La décision d’approvisionnement : qui signifie qu’à ce moment-là, il y a un besoin et
qu’il faut passer des commandes d’approvisionnement.
- Le choix de la solution d’approvisionnement : où les experts choisissent entre l’achat
des pièces ou la réparation de l’inventaire défectueux pour répondre à la demande.
- Le calcul des volumes à commander : où les responsables calculent la quantité
d’approvisionnement en prenant en compte le besoin, la taille de lots, la quantité
économiques et d’autres contraintes qui peuvent être imposées par les fournisseurs.

Pour remédier à cette limite, dans le chapitre suivant, nous allons introduire une subdivision de
notre problème en 3 sous-problèmes, puis, nous allons modéliser et implémenter un modèle de
type Machine Learning Hybride pour la prévision des trois étapes nécessaires pour l’estimation
de la charge de réparation. Nous allons présenter la structure du modèle, le processus
d’implémentation et ensuite évaluer sa performance par rapport aux modèles que nous avons
testés précédemment.

153
154
Chapitre VI : Implémentation d’un
modèle Machine Learning Hybride
pour la prévision de la charge dans les
centres de réparation dans une CL-PR-
BF

Introduction

Dans la section précédente, nous avons vu l’application de modèles d’apprentissage pour la

prévision de la charge dans les centres de réparation de pièces de rechange de GEHC. Ces
modèles donnent des résultats qui sont mieux que la simulation, cependant, ils ne permettent
pas de prévoir les pics et les chutes de la demande.

Dans ce chapitre nous proposons un modèle Machine Learning Hybride pour la prévision de la
charge de réparation. Un modèle Machine Learning Hybride est un modèle combinant plusieurs
modèles d’apprentissage différents pour répondre à une problématique donnée.

Selon Tsai et al. (2010), les modèles Machine Learning Hybride utilisent deux ou plusieurs
modèles d’apprentissage adaptés à des parties de la problématique afin de capturer les
caractères discrets ou continus du problème d’optimisation.

Les modèles Machine Learning Hybrides dans la littérature

Un nombre important d’applications de modèles Machine Learning Hybride est présent dans
la littérature. Ce type de modèles a été appliqué dans nombre de domaines tels la médecine,
l’aéronautique, la bourse et l’énergie.

Banihashemi, Saeed et al. (2016) implémente un modèle hybride combinant un modèle de

régression et un modèle de classification pour la prévision et la classification de la
consommation énergétique. Le travail combine un modèle de réseau de neurones (Artificial
Neural Network) couvrant les paramètres continus, avec un arbre de décision (Decision Tree)
couvrant les paramètres discrets. La performance du modèle final a été évaluée avec MSE
(Mean Squared Error) et une fonction objective hybride. (Figure VI.1)

155
 Figure VI.1: Structure du modèle hybride (Banihashemi, Saeed et al. (2016))

Nguyen et al. (2020) propose une combinaison entre un modèle LSSVM (Least Squares
Support Vector Machines) avec un PSO (Particle Swarm Optimization). En suivant la même
approche que la référence précédente, le modèle utilise une fonction d’évaluation hybride
évaluant les deux modèles en même temps afin de trouver les paramètres avec lesquels la
combinaison des deux modèles est la plus performante (Figure VI.2).

Figure VI.2: Structure du modèle hybride proposé par Nguyen et al. (2020)

156
Après l’étude d’autres travaux tels que les publications de Gao et al. (2020), Lecomte et al.
(2013) et Olivares et al. (2016), nous remarquons que les implémentations suivent toutes la
même démarche permettant de manipuler des paramètres discrets ainsi que des paramètres
continus.

Notre implémentation suit la même méthodologie. Dans la section suivante, nous allons voir
la structure ainsi que l’implémentation d’un modèle hybride combinant trois modèles, deux de
classification et un de régression pour la décomposition du processus de prévision de la charge
de réparation dans une CL-PR-BF.

Implémentation du modèle Machine Learning Hybride pour la prévision de la

charge de réparation dans une CL-PR-BF

1 La structure du modèle Hybride

Dans le chapitre précèdent, nous avons implémenté un modèle pour la prévision de la charge
dans les centres de réparation dans une CL-PR-BF. Basé sur une méthode issue du Machine
Learning, il considère le processus dans sa globalité. Or, en spécifiant d’avantage ce dernier,
on se rend compte que le processus décisionnel sous-jacent peut se décomposer en plusieurs
sous-étapes laissant ainsi apparaître une perspective prometteuse quant à l’utilisation d’un
modèle de Machine Learning Hybride.

Aussi nous proposons de nous appuyer sur cette décomposition afin de proposer une méthode
de Machine Learning Hybride illustrée dans la figure VI.3.

Figure VI.3: Subdivision du processus de décision en plusieurs sous-décisions

La première étape dans le processus de décision est un choix entre « faire un

approvisionnement » ou « ne rien faire », cette décision est prise par les experts chaque jour,
pour chaque référence, c’est un choix entre deux « classes » de décisions. Les modèles adaptés
pour prévoir la « classe » d’une nouvelle observation sont les modèles de classification.

De même pour la deuxième décision, c’est un choix entre deux classes et un modèle de
classification est le plus adapté pour la prévoir.

157
Pour la troisième partie du processus de décision, les planners sont amenés à estimer la quantité
de pièces à commander ou à envoyer en réparation. Contrairement aux décisions précédentes,
c’est une estimation d’une quantité. Ainsi, un modèle de régression parait le plus adapté.

2 Modèles additionnels pour la classification

Les modèles que nous avons présentés jusqu’à maintenant sont des modèles de régression.
Dans le chapitre précèdent, la prévision que nous avons effectuée s’est limitée à de la régression
pure, et nous avons utilisé les modèles suivants : la Régression Polynomiale, la Régression
Ridge et la Régression Lasso.

En plus de ces modèles, nous avons besoin de modèles de « classification » pour les deux
premières décisions du processus de planification. Pour faire ceci, nous allons utiliser les
modèles de classification les plus utilisés dans la littérature, qui sont KNN (K Nearest
Neighbors), SVM (Support Vector Machine), DT (Decision Trees) et RN (Random Forests).

2.1 KNN

L’algorithme KNN (k Nearest Neighbors) est un modèle Machine Learning de classification.

KNN est une adaptation du modèle NN (Nearest Neighbors) qui est un modèle plus général qui
est utilisé pour d’autres problèmes que la classification.

L’objectif du modèle KNN est de catégoriser un nouveau point (observation) en se basant sur
un « vote » de majorité de ses k plus proches voisins. Pour faire ceci, le modèle se base sur
deux éléments : le profil de l’observation et une métrique de distance.

Le paramètre sur lequel le modèle s’appuie pour faire une classification est le nombre de
voisins 𝑘 à prendre en considération. La figure VI.4 présente le résultat d’un exemple simplifié
d’une classification KNN en prenant en considération 1 à 6 voisins.

158
Figure VI.4: Exemple d’une classification « multi-classe » avec une modèle KNN 2 dimensions, en prenant en
considération k voisins, avec k allant de 1 à 6 (distance Euclidienne)

2.2 SVM (Support Vector Machines)

Les machines à vecteurs supports (ou Support Vector Machines) ont été introduites au début
des années 90. Elles sont des méthodes largement utilisées en théorie de l’apprentissage

statistique.

159
 Figure VI.5: Exemple d’une classification avec un modèle SVM binaire

Les modèles SMV appartiennent à une famille de modèle appelée « Les séparateurs à vastes
marges ». Le mode de fonctionnement de ce type de modèles est assez intuitif et consiste à
chercher la frontière linéaire ou non linéaire permettant d’avoir la marge maximale entre deux
ou plusieurs classes d’observations (Figure VI.5). Le cas le plus simple d’application de
modèles SVM est celui où les données d’entrainement viennent uniquement de deux classes
différentes, on parle alors de classification binaire.

2.3 Les arbres de décision

Selon Sutton-Charani et al. (2014) les arbres de décision sont « un modèle de

classification/prédiction simple d’utilisation et qui permet une interprétation très utile aux
experts. Aujourd’hui très largement utilisé dans différents domaines, il représente un classifieur
standard, facilement modulable selon les applications ».

La première apparition de travaux proposant des arbres de décision se retrouve dans l’article
de Belson et al. (1956). C’est dans les travaux de Quinlan et al. (1986) que le concept d’arbre
de décision a été utilisé dans le cadre d’une problématique de classification, ouvrant ainsi la
voie à son utilisation dans les algorithmes d'Intelligence Artificielle et notamment de Machine
Learning (Sutton-Charani et al. (2014)).

Un arbre de décision est une structure composée de l’ensemble des éléments suivants :

 Une racine : qui représente le nœud d’origine duquel n’importe quelle

estimation ou prévision commence. Ce nœud a deux ou plusieurs branches
sortantes depuis lesquelles on choisit la variable d’entrée.

 Des nœuds internes : (ou simplement nœuds) qui ont des flèches entrantes ainsi
que des flèches sortantes. Un nœud est une étape intermédiaire de décision,
permettant d’affiner le choix précèdent dans l’objectif d’arriver à une feuille qui
est la destination finale.

 Des branches : qui est un lien entre une racine, ou un nœud vers un nœud ou
une feuille. Une racine contient toujours une condition pour qu’elle soit
« activée ». Cette condition est vérifiée sur la variable ou le vecteur d’entrée.

La nature des conditions de branches ainsi que la valeur de variables peuvent

être numériques ou sous forme de classes.

 Les feuilles : sont simplement des nœuds finaux. C’est la valeur de la feuille
finale que nous cherchons, et qui représente le résultat de prévision de l’arbre.

160
La figure VI.6 présente la structure basique d’un arbre de décision :

Figure VI.6 : Structure basique d’un arbre de décision

2.4 Les forets aléatoires

Malgré la simplicité de compréhension, de mise en place et d’utilisation des arbres de décisions

ainsi que leur capacité d’offrir une bonne précision sur un ensemble de problématiques, parfois
ce type de modèles montre des limites en termes de performances, limites liées à leur nature.
Les arbres de décisions sont très dépendants des données d’apprentissage et la structure de
l’arbre final dépend principalement de l’arrangement de ces données.

Figure VI.7 : Illustration d’une forêt aléatoire composée de multiples configurations d’un arbre de décision

161
Les forêts aléatoires ont été introduites la première fois par Breiman et al. (2001). A cause des
limites qu’on peut rencontrer avec un arbre de décision qui sont liées à la structure des données
d’apprentissage. Une forêt aléatoire est un ensemble d’arbres construits de façons aléatoires,
avec une variation d’un grand nombre de configurations comme le montre la figure VI.7.

3 Processus d’implémentation

Partant du processus global, nous l’avons décomposé en trois sous processus décisionnels pour
lesquels nous allons mettre en place des méthodes de Machine Learning afin de modéliser leurs
comportements. La méthodologie suivie se déroule selon le schéma suivant :

Pour chaque phase et pour chaque méthode qui lui sont dédiées, nous commençons par une
étape de calibration de la méthode, en utilisant les données de l’historique. Nous mesurons la
performance de cette étape grâce à deux indicateurs de performance : le taux de classification
correcte pour les modèles de classification et la précision de la régression (présentée
auparavant) pour les modèles de régression. Ensuite, nous testons la méthode ainsi paramétrée
sur des données de test et nous en mesurons la performance par l’indicateur R2.

Une fois ces phases de calibration et de tests effectuées, nous testons l’ensemble des
combinaisons de chainage possibles afin de sélectionner celle offrant la meilleure performance
aux yeux de l’indicateur global (R2).

162
Figure VI.8 : Processus d’implémentation du modèle Machine Learning Hybride

163
 Evaluation de la performance du modèle hybride

Afin de tester la performance du modèle hybride, nous avons mis en place trois métriques
principales : le score sur les données de calibration, le score sur les données de test et le score
final.

Pour les sous-modèles composant le modèle hybride, le score de calibration signifie la

performance du modèle sur les données sur lesquelles il a été calibré. Ce score ne permet pas
vraiment d’évaluer la performance du modèle, puisque ces données font partie de sa base de
« connaissance ». Cependant, il constitue une référence importante pour évaluer la capacité de
« généralisation » du modèle.

Avoir l’indicateur local qui permet d’évaluer la capacité de généralisation du modèle est
important. Ceci représente comment le modèle performe sur les nouvelles de données de test,
par rapport à sa performance de calibration.

Le tableau VI.1 présente les différents scores pour chaque sous modèle ainsi que pour le modèle
complet. La meilleure combinaison de notre modèle a un score de 0.704, qui est plus précis
qu’un modèle Machine Learning simple ou par rapport à l’utilisation de modèles de simulation.

La performance sur les données La performance sur les données Score

La combinaison des modèles
de calibration de test final

C1 C2 R P1 P2 P3 P1 P2 P3 P123
kNN kNN RR 0.513 0.804 0.317 0.405 0.775 0.208 0.119
kNN kNN PR 0.513 0.804 0.613 0.405 0.775 0.581 0.452
kNN kNN Lasso 0.513 0.804 0.401 0.405 0.775 0.332 0.291
kNN SVM RR 0.513 0.833 0.317 0.405 0.744 0.208 0.18
kNN SVM PR 0.513 0.833 0.513 0.405 0.744 0.581 0.391
kNN SVM Lasso 0.513 0.833 0.401 0.405 0.744 0.332 0.103
kNN DT RR 0.513 0.602 0.317 0.405 0.594 0.208 0.082
kNN DT PR 0.513 0.602 0.513 0.405 0.594 0.581 0.311
kNN DT Lasso 0.513 0.602 0.401 0.405 0.594 0.332 0.172
kNN RF RR 0.513 0.782 0.317 0.405 0.61 0.208 0.14
kNN RF PR 0.513 0.782 0.513 0.405 0.61 0.581 0.332
kNN RF Lasso 0.513 0.782 0.401 0.405 0.61 0.332 0.461
SVM kNN RR 0.903 0.804 0.317 0.849 0.775 0.208 0.303
SVM kNN PR 0.903 0.804 0.613 0.849 0.775 0.581 0.704
SVM kNN Lasso 0.903 0.804 0.401 0.849 0.775 0.332 0.461
SVM SVM RR 0.903 0.833 0.317 0.849 0.744 0.208 0.271
SVM SVM PR 0.903 0.833 0.513 0.849 0.744 0.581 0.304
SVM SVM Lasso 0.903 0.833 0.401 0.849 0.744 0.332 0.293
SVM DT RR 0.903 0.602 0.317 0.849 0.594 0.208 0.102
SVM DT PR 0.903 0.602 0.513 0.849 0.594 0.581 0.171
SVM DT Lasso 0.903 0.602 0.401 0.849 0.594 0.332 0.044

164
 SVM RF RR 0.903 0.782 0.317 0.849 0.61 0.208 0.241
SVM RF PR 0.903 0.782 0.513 0.849 0.61 0.581 0.376
SVM RF Lasso 0.903 0.782 0.401 0.849 0.61 0.332 0.228
DT kNN RR 0.483 0.804 0.317 0.303 0.775 0.208 0.381
DT kNN PR 0.483 0.804 0.613 0.303 0.775 0.581 0.477
DT kNN Lasso 0.483 0.804 0.401 0.303 0.775 0.332 0.291
DT SVM RR 0.483 0.833 0.317 0.303 0.744 0.208 0.412
DT SVM PR 0.483 0.833 0.513 0.303 0.744 0.581 0.571
DT SVM Lasso 0.483 0.833 0.401 0.303 0.744 0.332 0.221
DT DT RR 0.483 0.602 0.317 0.303 0.594 0.208 0.359
DT DT PR 0.483 0.602 0.513 0.303 0.594 0.581 0.41
DT DT Lasso 0.483 0.602 0.401 0.303 0.594 0.332 0.204
DT RF RR 0.483 0.782 0.317 0.303 0.61 0.208 0.418
DT RF PR 0.483 0.782 0.513 0.303 0.61 0.581 0.533
DT RF Lasso 0.483 0.782 0.401 0.303 0.61 0.332 0.401
RF kNN RR 0.719 0.804 0.317 0.681 0.775 0.208 0.538
RF kNN PR 0.719 0.804 0.613 0.681 0.775 0.581 0.602
RF kNN Lasso 0.719 0.804 0.401 0.681 0.775 0.332 0.421
RF SVM RR 0.719 0.833 0.317 0.681 0.744 0.208 0.388
RF SVM PR 0.719 0.833 0.513 0.681 0.744 0.581 0.59
RF SVM Lasso 0.719 0.833 0.401 0.681 0.744 0.332 0.484
RF DT RR 0.719 0.602 0.317 0.681 0.594 0.208 0.3
RF DT PR 0.719 0.602 0.513 0.681 0.594 0.581 0.476
RF DT Lasso 0.719 0.602 0.401 0.681 0.594 0.332 0.379
RF RF RR 0.719 0.782 0.317 0.681 0.61 0.208 0.303
RF RF PR 0.719 0.782 0.513 0.681 0.61 0.581 0.491
RF RF Lasso 0.719 0.782 0.401 0.681 0.61 0.332 0.399

Tableau VI.1 : Performance du modèle Machine Learning Hybride, avec les scores de chaque sous-modèle
pour la phase de calibration et de test

La figure VI.9 présente le résultat de la prévision du modèle Machine Learning Hybride avec
la courbe noire, en comparaison avec l’historique. Il est clair que la performance du modèle
avec la subdivision en sous problèmes apporte une amélioration claire par rapport à l’utilisation
d’un modèle simple d’apprentissage.

En plus de la performance finale du modèle de 0.704 qui reste la plus forte dans notre étude, le
modèle a pu prévoir les pics et la chute de la demande du mois d’avril 2020 (Figure VI.9). La
différence la plus importante avec les modèles précédents est que le modèle hybride permet la
prévision des pics de la demandes ainsi que la chute de cette dernière d’une façon plutôt fiable
Ceci répond à la problématique la plus importante de notre projet qui était la détection des pics
de la charge dans les centres de réparation.

165
 Figure VI.9 : Résultat de la prévision du modèle Machine Learning Hybride par rapport à l’historique

La figure VI.10 présente une visualisation de l’écart entre la prévision et la réalité. En

comparaison avec les modèles présentés précédemment, ce modèle offre la meilleure
performance et l’écart le plus petit.

Dans la figure VI.10, des points aberrants dans les écarts sont présents avec des valeurs très
élevés par rapports aux modèles précédents. Ces points représentent l’écart entre les pics prévus
puisqu’ils ont été estimés légèrement en avance. Ce qui est considéré un écart important dans
les calculs, mais en réalité, ce résultat ne représente pas un problème car les informations les
plus importantes sont la prévision du pic, son amplitude et la période dans laquelle il apparait
avec une tolérance d’erreur de plus ou moins quelques semaines (un maximum de ~3
semaines).

Figure VI.10 : Distribution de la valeur absolue de l’écart entre l’historique et les prévisions du modèle
Machine Learning Hybride

166
 Conclusion

Dans les différents chapitres de ce rapport, nous avons testé l’utilisation de la simulation seule
(Chapitre 4), puis les modèles Machine Learning appliqués indépendamment (Chapitre 5), et
enfin dans ce chapitre, nous avons mis en place un modèle Machine Learning Hybride pour
remédier aux limites des modèles précédents.

Pour avoir également une référence des modèles statistiques classiques de prévision, nous
avons appliqué les modèles SMA (Simple Moving Average) et SES (Simple Exponential
Smoothing) sur nos données de test. Nous avons ensuite calculé leur précision et nous avons
présenté les résultats finaux des scores dans le tableau VI.2 avec les modèles Machine
Learning.

Nous avons appliqué tous les modèles sur un ensemble de 500 pièces les plus demandées à
GEHC, puis, pour chaque référence, nous choisissons le modèle qui offre la meilleure précision
(en calculant la valeur de R2). Le tableau VI.2 présente le récapitulatif des résultats du test :

- Pour chaque modèle, le nombre des références pour lesquelles il a été choisi comme le
meilleur.

- Le score moyen que chaque modèle offre sur les différentes références pour lesquelles
il a été choisi comme le plus fiable.

Catégorie Modèle Meilleur pour x refs Score Moy

Approches Classiques SMA 18 3.60% 0.2336912
SES 10 2.00% 0.0945333
Machine Learning Régression Polynomiale 61 12.20% 0.5413877
Régression Ridge 28 5.60% 0.1833402
Régression Lasso 22 4.40% 0.1071830
Machine Learning Hybride [Classificateur, 361 72.20% 0.7690038
Classificateur, Modèle de
régression]

Tableau VI.2 : Récapitulatif des résultats des modèles classiques, des modèles Machine Learning et des
modèles Machine Learning Hybride

Le modèle hybride a offert la meilleure précision pour 361 références d’un échantillon de 500
pièces, ce qui représente un pourcentage de 72.2%, suivi par 12.2% du modèle de régression
polynomiale et ensuite le reste des modèles avec des performances semblables.

En se basant sur ce test, il est clair que le meilleur modèle dépend de la nature de chaque
référence. Cependant, pour la plupart des pièces, le modèle hybride offre largement la meilleure
performance.

Ceci ne signifie pas que nous allons uniquement utiliser le modèle Machine Learning Hybride.
En effet, l’implémentation de ce système de calibration, les tests de performance et la

167
génération de prévision nous a permis d’avoir un mécanisme capable d’appliquer
automatiquement le meilleur modèle pour chaque référence, que ça soit un modèle Machine
Learning ou un modèle statistique classique.

168
Chapitre VII : Conclusion,
application industrielle et perspectives

1 Conclusion

La prévision de la charge est un besoin crucial pour les centres de réparation dans une chaine
logistique de pièces de rechange. La précision de cette dernière est importante et joue un rôle
direct sur le temps de livraison des pièces de rechange et sur la satisfaction des clients.

L’objectif de ce projet de recherche était de proposer un ensemble d’outils méthodologiques,

des modèles et des techniques pour répondre à la problématique d’estimation de la charge de
réparation dans une CL-PR-BF. Nos travaux se sont articulés autour de trois contributions
principales qui nous ont permis de répondre à notre problématique.

En mettant une place un modèle de simulation de notre chaine logistique, nous avons pu
implémenter le modèle de gestion DRP et nous l’avons appliqué sur les données historiques
pour constater une grande différence entre la logique théorique du modèle et celle qui est
effectivement appliquée par les responsables d’approvisionnement.

Pour prévoir les décisions d’approvisionnement qui ne sont pas reflétées par un modèle DRP
classique, nous avons appliqué des modèles d’apprentissage (Machine Learning) qui se
basent sur les données historiques (expérience) pour apprendre et estimer les décisions des
responsables d’approvisionnement. Le résultat de notre implémentation a montré une
amélioration de la performance par rapport à la simulation. Cependant, le modèle a des limites
dans la prévision des pics ou des chutes brusques dans le volume de charge appliqué au centre
de réparation.

Après investigation, nous avons conclu que la limitation du modèle n’est pas causée par l’erreur
dans l’estimation des volumes mais par une erreur d’appréciation de la décision prise par le
responsable d’approvisionnement. En effet, les décisions d’approvisionnement sont soumises
aux stratégies d’inventaire et de niveau de service. Ces stratégies peuvent changer
drastiquement avec le temps.

Pour remédier à cette limitation, nous avons introduit un modèle de Machine Learning
Hybride, composée de plusieurs sous modèles, chacun responsable de la prévision d’une partie
de la décision finale : (i) la décision de passer une commande, (ii) la décision du type

169
d’approvisionnement (achat de neuf ou réparation de pièces) et (iii) la quantité de pièces
commandées.

Pour prévoir les trois éléments décisionnels précités, nous avons utilisé deux modèles de
classification (i et ii) et un modèle de régression (iii). Ensuite, nous avons appliqué ces modèles
sur les données de GEHC.

Nos résultats montrent que le modèle hybride offre une réelle amélioration de la prévision par
rapport au modèle de Machine Learning classique. En effet, cette approche permet d’offrir la
meilleure performance pour 72% des références produits= étudiées, pour 22% des références
la meilleure performance est produite par les modèles Machine Learning standards et
finalement les méthodes classiques offrent le meilleur résultat pour 6% des références.

Finalement, nous avons implémenté un algorithme qui utilise les données historiques pour
choisir la meilleure option entre la prévision par Machine Learning Hybride, Machine Learning
standard ou par les approches classiques.

2 Application industrielle des travaux chez GEHC

Au cours de ce projet de thèse, nous avons appliqué nos modèles sur les données
opérationnelles de GEHC. Pour le faire, j’ai développé un outil permettant de collecter les
données de plusieurs bases de données de l’entreprise, afin de les traiter et les mettre en forme
pour les modèles de prévision.

J’ai également implémenté les différents modèles de prévision dans cet outil avec un
algorithme capable de choisir le meilleur modèle pour chaque référence de pièces de rechange.

Cet outil a évolué avec le temps pour devenir une plateforme d’aide à la décision qui contient
les différentes métriques des centres de réparation. Cette dernière a été développée avec une
architecture en modules interconnectés, ce qui permet d’ajouter à chaque fois de nouveaux
éléments s’il y a besoin.

Voici quelques interfaces de l’outil :

170
 Figure VII.1 : Dashboard d’accueil de la plateforme

Les figures VII.1 et VII.2 illustrent le premier module de la plateforme qui est responsable du
calcul des différentes métriques de performances, ainsi que de la visualisation de l’état de
l’activité en temps réel.

Figure VII.2 : Dashboard d’accueil de la plateforme

171
La figure VII.1 présente une vue des principales métriques de performance du centre de
réparation. Elle montre l’historique et les tendances des réceptions dans les ateliers, les
livraisons des pièces après la réparation et aussi la charge actuelle. Cette vue permet également
d’avoir une vue de l’âge des commandes dans les ateliers à travers une « heat map ».

L’outil contient également les mesures de temps de réparation des pièces (Figure VII.2). Ces
temps de réparation sont visualisés par trimestre, et pour chaque sous-étape de réparation. Ceci
permet aux managers de détecter les étapes à améliorer dans le processus.

En plus des métriques de performance, l’outil contient les détails de chaque demande de
réparation et permet le suivi de chaque pièce physique d’une façon individuelle (Figure VII.2).

La figure VII.3 montre un autre module permettant la visualisation en temps réel de la charge
dans les différents ateliers du centre de réparation. Ces éléments permettent aux responsables
de planifier l’activité et les ressources humaines.

Figure VII.3 : Visualisation de l’historique de la charge des différents ateliers du centre de réparation

La figure VII.4 présente le module permettant la gestion de l’équipe de réparation et des

absences. Il permet la visualisation et la saisie des absences des équipes de réparation, ce qui
facilite la tâche de gestion du personnel aux managers.

172
 Figure VII.4 : Module de gestion d’équipe du centre de réparation

L’ensemble de ces modules et autres sont actuellement en cours d’utilisation par le centre de
réparation européen. Le module de prévision dans lequel j’ai implémenté les différents modèles
permet uniquement de générer des résultats dans des fichiers CSV et n’a pas encore d’interface
graphique. Ce module est encore dans une branche de développement, et pas encore mis en
production pour des raisons de priorités opérationnelles.

3 Perspectives

Dans ce projet de thèse, nous avons proposé plusieurs méthodes d’estimation de la charge dans
les centres de réparation en appliquant des méthodes d’apprentissage.

Nous avons également implémenté une « bibliothèque » de modèles de prévision qui sont
proposés dans une plateforme d’aide à la décision au sein du service de réparation des pièces
de rechange de GEHC.

Ces prévisions permettent aux responsables d’avoir une visibilité fiable des volumes qui seront
reçus dans chaque atelier pour les six prochains mois. Cependant, nous n’avons pas traité
l’exploitation de ces prévisions pour l’optimisation des opérations dans le centre de réparation.

Ainsi, un premier axe de recherche serait d’utiliser cette prévision dans les choix décisionnels
liés aux activités et à l’organisation des opérations au sein des ateliers de réparation. Cette
problématique englobe deux aspects principaux :

- Les approvisionnements des composants et de la matière première : cette première

partie concerne les approvisionnements des composants et des produits chimiques et
nécessaires pour réparer les pièces de rechange. Cette étape est importante pour assurer
un bon compromis inventaire vs. disponibilité. La complexité de la tâche vient de la

173
 multitude des pannes possibles des diverses références, de l’interchangeabilité de
certains composants compatibles avec plusieurs pièces et de la difficulté
d’approvisionnement pour certains composants en fin de vie.

- L’organisation des ateliers : cette partie de la problématique concerne la décision de

la répartition des activités dans les différents ateliers, en fonction de la charge dans
chacun. C’est-à-dire la planification des opérations et l’ordonnancement des tâches sur
les lignes de réparation en fonction du volume et des composants disponibles dans
l’inventaire.

Un des apports importants du travail réalisé dans le cadre de cette thèse CIFRE est la création
d’une plateforme informatique qui va au-delà de la problématique de prévision de la charge.
Cet outil contient d’ores et déjà un ensemble de modules opérationnels auxquels nous pouvons
ajouter des modèles pour répondre à de futures problématiques.

174
Références

1. Oliver, R. Keith, and Michael D. Webber. "Supply-chain management: logistics catches

up with strategy." Outlook 5.1 (1982): 42-47.
2. Fleischmann, Moritz, Jo AEE Van Nunen, and Ben Gräve. "Integrating closed-loop
supply chains and spare-parts management at IBM." Interfaces 33.6 (2003): 44-56.
3. Boldoczki, Sandra, Andrea Thorenz, and Axel Tuma. "The environmental impacts of
preparation for reuse: A case study of WEEE reuse in Germany." Journal of Cleaner
Production 252 (2020): 119736.
4. Mentzer, John T., et al. "Defining supply chain management." Journal of Business
logistics 22.2 (2001): 1-25.
5. Lazrak, Adnane. Amélioration des processus de prévision et de gestion des stocks dans
le cas d'une chaîne logistique des pièces de rechange. Diss. Nantes, Ecole des Mines,
2015.
6. Cooper, Martha C., Douglas M. Lambert, and Janus D. Pagh. "Supply chain
management: more than a new name for logistics." The international journal of
logistics management 8.1 (1997): 1-14.
7. Tanyas, P. M. “The role of optimization in supply chain management”. (2014,
November 06).
8. Botta-Genoulaz, Valerie, P-A. Millet, and Bernard Grabot. "A survey on the recent
research literature on ERP systems." Computers in industry 56.6 (2005): 510-522.
9. El Miloudi, F., Semma, H., & Riane, F. (2015, December). Enjeux financiers dans la
gestion des chaînes logistiques.
10. Ellram, Lisa M., Wendy L. Tate, and Corey Billington. "Understanding and managing
the services supply chain." Journal of Supply Chain Management 40.3 (2004): 17-32.
11. Hofmann E., & Belin O., Supply Chain Finance Solutions relevance-propositions-
market value, Heidelberg: Springer-verlag 2011, p 1-100.
12. Peng, Hui, et al. "Uncertainty factors, methods, and solutions of closed-loop supply
chain—A review for current situation and future prospects." Journal of Cleaner
Production (2020): 120032.

175
13. Homrich, Aline Sacchi, et al. "The circular economy umbrella: Trends and gaps on
integrating pathways." Journal of Cleaner Production 175 (2018): 525-543.
14. Van Wassenhove, Luk N., and V. Daniel R. Guide. The evolution of closed-loop supply
chain research. INSEAD, 2008.
15. Khor, Kuan Siew, and Zulkifli Mohamed Udin. "Impact of reverse logistics product
disposition towards business performance in Malaysian E&E companies." Journal of
Supply Chain and Customer Relationship Management 2012 (2012): 1.
16. Huiskonen, J. (2001). Maintenance spare parts logistics: Special characteristics and
strategic choices. International journal of production economics, 71(1-3), 125-133.
17. Tapia-Ubeda, Francisco J., et al. "Supplier Selection for Spare Parts Supply Chain
Networks." IFAC-PapersOnLine 52.13 (2019): 2237-2242.
18. Janvier-James, Assey Mbang. "A new introduction to supply chains and supply chain
management: Definitions and theories perspective." International Business
Research 5.1 (2012): 194-207.
19. Kim, HyungTae, and SuHwan Kim. "Data Mining based army repair parts demand
forecast." The Korean Data & Information Science Society 30.2 (2019): 429-444.
20. Dekker, Rommert, et al. "On the use of installed base information for spare parts
logistics: A review of ideas and industry practice." International Journal of Production
Economics 143.2 (2013): 536-545.
21. Shinohara, Yukio. "Method for predicting a demand for repair parts." U.S. Patent No.
6,647,371. 11 Nov. 2003.
22. Van Jaarsveld, Willem, and Rommert Dekker. "Spare parts stock control for redundant
systems using reliability centered maintenance data." Reliability Engineering & System
Safety 96.11 (2011): 1576-1586.
23. Guo, Feng, et al. "A double-level combination approach for demand forecasting of
repairable airplane spare parts based on turnover data." Computers & Industrial
Engineering 110 (2017): 92-108.
24. Kareem, B., and A. S. Lawal. "Spare parts failure prediction of an automobile under
criticality condition." Engineering Failure Analysis 56 (2015): 69-79.
25. Baryannis, George, et al. "Supply chain risk management and artificial intelligence:
state of the art and future research directions." International Journal of Production
Research 57.7 (2019): 2179-2202.

176
26. Ngai, E. W. T., et al. "Decision support and intelligent systems in the textile and apparel
supply chain: An academic review of research articles." Expert Systems with
Applications 41.1 (2014): 81-91.
27. Giri, Chandadevi, et al. "A Detailed Review of Artificial Intelligence Applied in the
Fashion and Apparel Industry." IEEE Access 7 (2019): 95364-95384.
28. Min, Hokey. "Artificial intelligence in supply chain management: theory and
applications." International Journal of Logistics: Research and Applications 13.1
(2010): 13-39.
29. Ko, Mark, Ashutosh Tiwari, and Jörn Mehnen. "A review of soft computing
applications in supply chain management." Applied Soft Computing 10.3 (2010): 661-
674.
30. Gillian, Nicholas Edward. Gesture recognition for musician computer interaction. Diss.
Queen's University Belfast, 2012.
31. Kautz, Oliver, Alexander Roth, and Bernhard Rumpe. "Achievements, Failures, and the
Future of Model-Based Software Engineering." (2018): 221-236.
32. Ouzayd, Fatima, and J. Saadi. "Proposition d’une approche de modélisation du système
logistique hospitalier combinant UML et les Réseaux de Petri temporisés : Cas de la
chaine logistique médicamenteuse globale au Maroc." (2011).
33. Di Martinelly, Christine, Fouad Riane, and Alain Guinet. "A Porter-SCOR modelling
approach for the hospital supply chain." International Journal of Logistics Systems and
Management 5.3-4 (2009): 436-456.
34. Moussa, Mohamed, and Khaled Belkadi. "Modélisation et Simulation de Flux Dans un
Service d’Imagerie de l’HMRUO." 5th International Conference : Sciences of
Electronic, Technologies of Information and Telecommunications, March. 2009.
35. Belkadi K., Tangy A., « Modélisation et simulation de l’unité d’Hémobiologie du
Laboratoire Central d’ORAN Algérie», 8th International Conference of Modeling and
Simulation (MOSIM’10), Tunisia, May 10-12, 2010
36. Lemoine, David. Modèles génériques et méthodes de résolution pour la planification
tactique mono-site et multi-site. Diss. 2008.
37. Huet J.C., Paris J.L., Gourgand M., Kouiss K., « Modèle de connaissance générique du
circuit du Médicament dans un hôpital », 8th International Conference of Modeling and
Simulation MOSIM’10), Tunisia, May 10-12, 2010
38. Torre, Damiano, et al. "How consistency is handled in Model Driven Software
Engineering and UML: a survey of experts in academia and industry." (2018).
177
39. Savic, Dragan A., and Witold Pedrycz. "Evaluation of fuzzy linear regression models."
Fuzzy sets and systems 39.1 (1991) : 51-63.
40. Prairie, Yves T. "Evaluating the predictive power of regression models." Canadian
Journal of Fisheries and Aquatic Sciences 53.3 (1996) : 490-492.
41. Turing, Alan M. "Computing machinery and intelligence (1950)." The Essential
Turing: The Ideas that Gave Birth to the Computer Age. Ed. B. Jack Copeland. Oxford:
Oxford UP (2004): 433-64.
42. Gao, Kaifeng, et al. "Julia language in machine learning: Algorithms, applications, and
open issues." Computer Science Review 37 (2020): 100254.
43. Praveena, M., and V. Jaiganesh. "A literature review on supervised machine learning
algorithms and boosting process." International Journal of Computer Applications
169.8 (2017): 32-35.
44. Sutton-Charani, Nicolas. Apprentissage à partir de données et de connaissances
incertaines : application à la prédiction de la qualité du caoutchouc. Diss. 2014.
45. Chen, Yanbei, Xiatian Zhu, and Shaogang Gong. "Person re-identification by deep
learning multi-scale representations." Proceedings of the IEEE International
Conference on Computer Vision Workshops. 2017.
46. Goodfellow, Ian, et al. Deep learning. Vol. 1. Cambridge: MIT press, 2016.
47. Huang, Guang-Bin, Qin-Yu Zhu, and Chee-Kheong Siew. "Extreme learning machine:
theory and applications." Neurocomputing 70.1-3 (2006): 489-501.
48. LeCun, Yann, Yoshua Bengio, and Geoffrey Hinton. "Deep learning." nature 521.7553
(2015): 436-444.
49. Sauvanaud, Carla. Monitoring et détection d'anomalie par apprentissage dans les
infrastructures virtualisées. Diss. Toulouse, INSA, 2016.
50. Roy, Jean-Francis. "Apprentissage automatique avec garanties de généralisation à l'aide
de méthodes d'ensemble maximisant le désaccord." (2018).
51. Lebarbier, Emilie, and Tristan Mary-Huard. "Le critère BIC : fondements théoriques et
interprétation." (2004).
52. Gamal, Donia, et al. "Implementation of Machine Learning Algorithms in Arabic
Sentiment Analysis Using N-Gram Features." Procedia Computer Science 154 (2019):
332-340.
53. Gallagher, Colm V., et al. "Development and application of a machine learning
supported methodology for measurement and verification (M&V) 2.0." Energy and
Buildings 167 (2018): 8-22.
178
54. Lecomte, Sébastien. Classification partiellement supervisée par SVM: application à la
détection d’événements en surveillance audio. Diss. Troyes, 2013.
55. Olivares, Javier. Scaling out-of-core k-nearest neighbors computation on single
machines. Diss. 2016.
56. Gudivada, Venkat, Amy Apon, and Junhua Ding. "Data quality considerations for big
data and machine learning: Going beyond data cleaning and transformations."
International Journal on Advances in Software 10.1 (2017): 1-20.
57. Le Guen, Monique. "La boîte à moustaches pour sensibiliser à la statistique." Bulletin
of Sociological Methodology/Bulletin de Méthodologie Sociologique 73.1 (2002): 43-
64.
58. Tukey, John W. Exploratory data analysis. Vol. 2. 1977.
59. Chesneau, Christophe. "Modèles de régression." (2017).
60. Tibshirani, Robert. "Regression shrinkage and selection via the lasso." Journal of the
Royal Statistical Society: Series B (Methodological) 58.1 (1996): 267-288.
61. Tsai, Chih-Fong, and Ming-Lun Chen. "Credit rating by hybrid machine learning
techniques." Applied soft computing 10.2 (2010): 374-380.
62. Banihashemi, Saeed, Grace Ding, and Jack Wang. "Developing a hybrid model of
prediction and classification algorithms for building energy consumption." Energy
Procedia 110 (2017): 371-376.
63. Nguyen, The-Duong, Thu-Hien Tran, and Nhat-Duc Hoang. "Prediction of interface
yield stress and plastic viscosity of fresh concrete using a hybrid machine learning
approach." Advanced Engineering Informatics 44 (2020): 101057.
64. Belson WA. A technique for studying the effects oftelevision broadcast.J R Stat
Soc1956, 5:195.
65. Quinlan JR. Discovering rules by induction fromlarge collections of examples. In:
Michie D, ed. Expert Systems in the Micro-electronic Age. Edinburgh: Edinburgh
University Press; 1979, 168–201.
66. Breiman, L. (2001). Random forests. Machine learning, 45(1) :5–32.
67. Quinlan, J. Ross. "Induction of decision trees." Machine learning 1.1 (1986): 81-106.

179
Titre : Amélioration de la chaine logistique de pièces de rechange en boucle fermée : Application
des modèles d’apprentissage

Mots clés : chaîne logistique, pièces de rechange réparables, prévision, Machine Learning

Résumé : Dans le domaine de service après- La grandeur de la chaine logistique et sa

vente et particulièrement dans la maintenance, complexité, le grand nombre des références de
l’intervention rapide et la réparation du bien du pièces ainsi que la multitude des cas spéciaux
client est un élément clé pour sa satisfaction et (pays avec de lois spécifiques, pièces
pour la création de l’image de marque dans le particulières…) fait que les approches
marché. classiques n’offrent pas des prévisions fiables
pour les services de réparation.
Le travail présenté dans cette thèse propose une
approche de type Machine Learning pour Dans ce projet, nous proposons des algorithmes
l’amélioration du flux informationnel de la chaine d’apprentissage permettant la construction de la
logistique de pièces de rechange. connaissance à partir de grands volumes de
données, au lieu des méthodes de prévision
Notre contribution se focalise sur la prévision de
classiques.
la charge dans les centres de réparation des
pièces de rechange, qui sont les fournisseurs Nous allons voir les modèles dans la littérature,
principaux des pièces utilisées pour réparer les présenter notre méthodologie, et ensuite
systèmes des clients. implémenter les modèles et évaluer leur
performance en comparaison avec les
algorithmes existants.

Title: The improvement of the closed loop spare parts supply chain: Applying Machine Learning
models

Keywords: supply chain, repairable spare parts, forecasting, Machine Learning

Abstract: In the field of after-sales service and The size of the supply chain and its complexity,
particularly in maintenance, rapid intervention the large number of part references as well as
and repair of the customer's property is a key the multitude of special cases (countries with
element for his satisfaction and for the creation of specific laws, particular parts, etc.) mean that
the brand image in the market. traditional approaches do not offer reliable
forecasts for the repair teams.
The work presented in this thesis proposes an
inspired Machine Learning approach for In this project, we propose learning algorithms
improving the information flow of the spare parts allowing the construction of knowledge from
supply chain. large sets of data, instead of classical
forecasting methods.
Our contribution is focused on forecasting the
load in spare parts repair centers, which are the We will study models in the literature, present
primary suppliers of spare parts used to repair our methodology, and then implement the
customer systems. models and evaluate their performance in
comparison with existing models.