training and simulation in supply chain management

Transcription

TRAINING AND SIMULATION IN SUPPLY
CHAIN MANAGEMENT
RIRL 2010 - Bordeaux September 30th & October 1st, 2010
RIRL 2010 The 8th International Conference on Logistics and SCM Research BEM Bordeaux Management School September 29, 30 and October 1st 2010 The global classroom for supply chain management:
the 100% online experience
Iain R. Reid
University of Liverpool, UK
[email protected]
Abstract
Academia is facing increasing demands in the design and delivery of their degree
programmes in areas as Operations, Logistics and Supply Chain Management (SCM). In this
paper we take a snap shot of SCM programmes offered by UK universities of the 2009-2010
academic year, highlighting their method delivery, specific module content, and technical
content in the delivery of SCM programme. This paper also highlights the development of
SCM learning and explores benefits of online learning and the development of a 100% online
global classroom in terms of technology, learning experience and management learning. The
paper presents benefits of a 100% online learning intervention rather than the alternatives to
on-campus and distance learning in accordance to demand and accreditation bodies.
Keywords: Supply Chain Management, UK, Postgraduate, E-learning, Online Education
1
1 : INTRODUCTION
Supply chain management (SCM) has been defined by Christopher (1998) as “The
management of upstream and down stream relationships with suppliers and customers to
deliver superior customer value at less cost to the supply chain as a whole”. With the
recognition that today’s competition is no longer about firm against firm, but supply chain
against supply chain, organisations are seeking opportunities to capture new practices and
theories into best practice and management learning in Logistics and SCM. In response to this
growing demand, universities have been modifying their SCM programmes in response to
these requirements as well as these economic and turbulent times, as a result academia has
identified a shift in the paradigms regarding operations and SCM practices in response
support these practitioners and communities in order to respond to these dynamic supply
chains. It was also argued in the 1980s that production managers were not using appropriate
techniques (Lockyer, Oakland, Duprey, 1981), and that “poor education and training are main
characteristics of production managers in British industry” (Oakland, Sohal, 1989). In the last
two decades scholars, along with practitioners, are continuously developing philosophies to
respond to the turbulences in such global supply chains (Gonzalez, Gioconda, Gourdin,
Hartley, 2008). At the same time, this evolution has fundamentally altered the scholarly
landscape addressing such SCM theories and practice.
Examples of such changes include the increasing expansion and prominence of SCM,
research and practice, its encompassed logistics, operations management the evolving
sophistication and re-emergence of purchasing and procurement as a strategic function,
increasing emphasis of relationships and marketing channels (Lancioni, Forman, and Smith,
(2001). This paper explores development of UK post graduate degree programmes examined
through their objective and subjective perspectives, the opportunities offered and the ways in
which SCM is being taught across a selection of UK universities.
2 : SUPPLY CHAIN MANAGEMENT & LOGISTICS DEGREES WITHIN UK
Over the last 12 years, the concept of logistics management has been developed within a
broader discipline of SCM. This new field involves all approaches used to efficiently
integrate all participants of a supply chain so that products/services are delivered to the
customer in the right quantities, to the right location, at the right time, and at optimal cost
2
(Gonzalez et al., 2004). Academics along with practitioners are continuously developing
philosophies and tools to overcome the risks inherent in the current changing environment
(Lancioni, et al, 2001). The rapid growth of training opportunities in SCM ranging from a few
sessions in a required course to a specialised degree, how to teach the subject to students with
different backgrounds and interests has attracted a great deal of interest and created notable
challenges for the instructors. Universities themselves are also facing challenges to globalise,
particularly through franchising overseas (see for example Hitt, 1997), to be increasingly
competitive and to find new ways of reaching new students, particularly through innovations
such as e-learning or online learning.
Universities have also been recently criticised for offering out-of-date and poor teaching
standards. In this paper, we describe e-learning unit has grounded in discovery-based learning
theories, (see Bicknell-Holmes & Hoffman, 2000) for teaching the fundamentals of SCM
course, 100% online. By using web-based courses and links, the most up-to-date materials
can be available to students as opposed to textbooks with materials as much as five years out
of date (from the time the author writes the material to the time the texts are published).
Today, students and employees want and expect up-to-date materials. This research presents a
profile of the SCM modules offered by accredited universities.
2.1 : SCM Degree Programmes within the UK
Almost nearly every business/management and engineering school has developed at least one
dedicated course to SCM and many even have integrated supply chain topics into the existing
core curriculum such as management accounting or total quality management (TQM).
Increasingly, online environments are being used in management education as an addition to
the more traditional face-to-face, physical environments (Landry, Griffeth, & Hartmann,
2006). These virtual environments are particularly useful when dealing with part-time or
distance learning students or to organize group work. With this rapid growth and employment
opportunities in SCM management learning, ranging from a few sessions in a required course
to a specialised degree, the student body is growing. SCM degree programmes or module
specialisms are attracting an increase in part time students that are already in SCM
disciplines. These individuals have not necessarily be educated in SCM disciplines back have
evolved into their roles and therefore do not have the theoretical understanding full scope of
SCM theories and practices.
3
As a result of such online activities the student profile is changing, For example the
University of Liverpool’s MSc in Operations and SCM programme where the average age is
22, whereas online programme as an average age of 32.8 years of age. With the different
backgrounds of students, a great deal of interest and created notable challenges for the
instructors. Table 1 presents scope of modules offered by number of leading SCM
programmes within the UK.
2.2 : Accredited Programmes within the UK
SCM. A paper titled ‘Supply chain management: theory and practice – the emergence of an
academic discipline?’ by Cousins Lawson and Squire (2006), highlighted the work of Burgess
et al. (2006) on the subject of SCM exposing some of the challenges and complexities. There
paper described the theory building of SCM and broaden disciplines that SCM interconnects
with such as marketing, procurement and purchasing, TQM, and JIT philosophies. In
response to the challenges of enhancing quality within such SCM programmes, universities
are seeking programme accreditation as an ongoing collaboration with industrial practitioners,
enabling graduates to obtain this global professional accreditation through membership of the
chartered institute. The Chartered Institute of Purchasing & Supply (CIPS) is one such
accrediting body that has raised the profile of such SCM degree programmes. Table 2
presents the current profile of university accredited programmes as well as the method of
learning; full time, part time, distance learning and more recently e-learning. The e-learning
approach will be presented in the next section.
Table 1: Accredited degree programmes with CIPS & CILT
(Chartered Institute of Transport & Logistics).
Bodies
Members
Number University degree
Method of Learning
Programmes UG / PG
CIPS
54, 000 Undergraduate Postgraduate Full
Time
13
CILT
33,000
32
10
2
Part
Module
E-Learning
1
1
Time
7
Distance
Learning
2
4
Table 2: Accredited degree programmes with CIPS & CILT
3 : PROGRAMME DEVELOPMENT
In order to design an undergraduate and post-graduate programme in the area of SCM the
author has considered the competences of SCM. These include concepts and theories from
marketing (customer relationship management, buying strategies), industrial economics
5
(make-or-buy,
procurement,
supplier/customer
evaluation),
operations
management
(inventory management, production planning), logistics (distribution planning, transportation
management), international business and organizational management (teams and internal
coordination, strategic issues, organization and procedure, partnering and strategic alliances),
and information technology (electronic data interchange, online bidding, bar coding).
Because SCM is at the confluence of many other disciplines, drawing on these fields to
inform its integrative philosophy, it necessarily incorporates the various concepts, theories
and methods found in each of these other disciplines, including qualitative, contextual,
analytical, and quantitative approaches. Others have followed a shift in SCM research
emphasis to developing management models to guide SCM implementation (i.e. of
relationships and alliances, customer/supplier segmentation, business process standardization,
supply chain performance measurement). This paper will also discuss how such initiatives
into online learning programmes have evolved into the realms of Operations and SCM.
3.1: E-Learning approach and the online community
Universities throughout the world are giving increasing attention to the possibilities for online
delivery of their degree-level programmes. A 2004 survey of Commonwealth universities
recorded that 54% of respondents expected off-campus online learning to play a major role in
their institution over the next 5 years, an increase from 36% two years earlier (OBHE 2004).
Some research has been done in the area of online/distance learning, but none of it proposes
formalized guidelines. Online study opens up opportunities for many people who for
economic, physical, family or other reasons would find it impossible to become full-time
residential students (Moisey. 2004). Universities see, in meeting these needs, an opportunity
to expand and deliver their programmes to under- served populations as well as on an
international scale. We will use the term e-Learning to refer to this kind of off-campus study,
as opposed to online learning directed at students who are resident on campus. Online
Learning is usually web-based covering many different approaches that have in common the
use of information and communication technologies and it is often used to mean the use of
computer and internet-based technologies or systems in order to deliver a broad range of
leaning opportunities that are designed to enhance knowledge, skills and performance and
makes information or knowledge available to users or learners and disregards time restrictions
or geographic proximity. These learning opportunities are available via a computer internet
connection and are accessible to more than one person at the same time. E-learning
6
environments have been used for students studying in Operations Management courses with
some success (Greasley, Bennett, & Greasley, 2004).
To counter the competition, academic institutions worldwide have recognised the internet's
value as an instructional tool and are developing, or have developed online learning
programmes (Allen & Seaman, 2008) (Larreamendy-Joerns, & Leinhardt, 2006). Although
online learning has advantages over traditional face-to-face education (Piccoli et al., 2001),
concerns include time, labour intensiveness, and material resources involved in running eLearning environments. The costly high failure rate of e-Learning implementations discussed
by Arbaugh, Duray (2002) deserves attention from management and system designers.
Universities on-line degree programs establishing or re-focusing continuing education
divisions and forming partnerships with corporations. But, the problem becomes the blurring
of the roles of business schools that cannot decide whether they want to be pure academic
institutions or businesses. Some businesses want to systemize training functions or maximise
their investment in education. Other corporations wanted to or develop the employability of
the workforce and remain competitive in the marketplace (Dillich, 2000). Business schools
have been launching on-line degree programs establishing education divisions, however the
resources required manage and coordinate such programmes can be extensive. An online
partnership between corporations and universities may offer the best of both worlds.
4 : THE ONLINE MSC IN OPERATIONS & SCM
The example of the University of Liverpool and Laureate Online Education SCM programme
will be discussed in detail, highlighting the scope and principles of this 100% online
experience. The foundations in the online approach where presented by Gruengard, Kalman,
Leng (2000), and is now entering its 10th year. The online MSc in Operations and SCM
offered by the University of Liverpool is delivered as a partnership with the University
retaining in full control over all academic and teaching aspects of the programme, while the
commercial partner looks after issues of recruitment, marketing, and administration. The
degree programme itself mirrors, as far as is possible, the academic structure of established
programmes, it is targeted more specifically at working professionals in the Operations and
SCM industry who already have significant practical experience and sophisticated
understanding of the field.
7
The University of Liverpool oversees all academic aspects of the course programme, to
ensure that the procedures required by the University are followed and appropriate academic
standards maintained. The principal mechanism used for this is module monitoring, which
will be discussed further in the next section. Beyond this, the responsibility of the Unit is to
manage the relationship between the University and the other stakeholders in the
programmes, including instructors. Communication between all parties – the University,
Laureate and the Instructors – proceeds, in general, in the same way as does communication
with students, i.e. mainly through electronic means. This model, as well as providing
scalability, provides for the possibility of a wider spread of expertise than can be maintained
on campus, increases international diversity, and also ensures that instructors are genuinely
committed to the aims of online learning. An additional benefit is that instructors, like
students, can be recruited from groups who for reasons of health, family responsibilities,
industry-based career, or geographic location, could not contemplate full-time campus-based
employment.
The distinctive feature of this 100% online programme is, of course, the module delivery
mechanism. Each taught module, in general, is delivered entirely online over the Internet,
over a period of eight weeks. For this purpose, the year is divided into five periods of ten
weeks, allowing for two-week vacation periods between each module. If, as is expected to be
the norm, a student pursues only one module at a time, this schedule would enable the full
programme, including the final dissertation project, to be completed in about two years,
although this can be extended to allow for longer vacation periods. Module delivery involves
the use of proprietary software to support a Virtual Classroom (Hiltz, Wellman,1997) for each
module, within which a maximum of 20 students are guided by the module instructor.
4.1: The online technology
A Virtual Learning Environment (VLE). A VLE is a ‘online’ system that allows learning to
take place online” (Santy, Smith, 2007, p. 84) and provides the facilities such as chat rooms
and discussion boards needed for online community development and communication (Lewis
and Allan, 2005). The software system used for our online classroom is BlackBoard, which is
widely used for online teaching (Persico, D., Manca, S, 2000), it is used by staff and students
to within a platform of representation, discussions, individual or group assignments within
8
each module of the programme. The standard BlackBoard site template was used to create a
variety of written, audio material. A library has been added that contains material and
literature to support students’ learning about issues relevant to the modules within the
programme, the E-learning environment was created. They allow storage, retrieval and
sharing of information and learning materials giving students and their tutors access to
materials and communication within the learning community 24 hr a day from any internet
connected computer, see fig 1. This enables a flexible approach to learning delivery in terms
of both time and place. Learning opportunities are delivered to the learner via a computer that
uses standard internet technology (Rosenberg, 2001). It is about much more than the delivery
of learning materials, but about a new approach to the facilitation of learning (Santy, Smith,
2007).
Figure 1; Online Class Room in BlackBoard
Associated with each virtual classroom is a set of mail folders to which students, teachers,
and others involved in the course administration have access. Figure 2 below presents an
9
IDEF0)) to facilitate process understanding, analysis, improvement, or reengineering
processes (Hunt 1996; Winch, Carr, 2003). Causal Maps, is also a method for developing
communication, see Scavarda et al (2006) which was used to develop curriculum
development (Hayes et al, (2007). The structure of the online classroom represented in the
IDEF(0) diagram format. IDEF(0) uses the standard modelling method used to establish
function models, which has already been accepted by most experts and end-users in this field.
Diagrams are formed based on the Inputs-Controls-Outputs-Mechanisms (ICOM) Code and
there are strict syntax and semantic rules, which ensure that the model is described precisely.
Therefore was adopted to represent all the key characteristics for our online classroom. Each
module is accompanied by a set of discussion exercises to be “posted” during the week.
Towards the end of each week each student is required to post a critique of at least one other
student’s response/answer to the discussion questions.
Figure 2; Online Class Room for SCM University of Liverpool
4.2: The online Classroom
The mode of communication is asynchronous, necessarily, given the requirement to enable
students to fit the demands of the course into their work schedule, and the additional problems
of catering for an international community of staff and students who may be working in
10
several different time zones. This mode of teaching is based on two approaches for online
learning: constructivism and collaborative enquiry. Constructivism (Wilson, 1996) describers
the view of learning in which the students construct their own unique understanding of a
subject, through a process which includes social interaction, so the learner can explain
understandings, receive feedback from instructors/teachers. Collaborative enquiry via
Internet-mediated communication provides a framework for the mode of learning (Stacey
1998).
A venture on the scale of the programme outlined above would scarcely have been possible
using only the on-campus staff of the parent university. It has instead been achieved in
partnership with a commercial concern, Laureate Online Education. Partnering between
corporations and universities may offer the best of both worlds. Traditional business schools
can create new opportunities for themselves by responding to companies’ need for fastchanging skills and corporate training departments can benefit from structured links to
universities and colleges (Vine and Plalsule, 1999).
At the moment the student body comes from around 70 different countries worldwide. The
online material is structured with the needs of working professionals across different SCM
sectors, the average age of students being 32.8years. All coursework, discussions, and group
activities are completed in an 'asynchronous' online environment for which students and
instructors can login to interact at any time. They are no set times for lectures. Modules run
for an 8-week period with students taking one course at a time to facilitate detailed study of
topics. If their work commitments demand it, students can take a break between modules.
Typically degrees are earned between two to a maximum of six years.
5 : EVOLUTION OF GLOBAL CLASSROOM
International students present a new challenge for online higher education: multiculturalism.
A doctoral supervisor may find their teaching approach and/or ethnic culture conflicts with
their international students. This supervisor–student culture and learning style gaps may be
amplified given the ubiquitous access to ‘western style’ online doctoral degrees from diverse
international populations. Notwithstanding the above, differences between disciplinary
teaching practices (e.g. applied versus research focus) and/or learning modes (e.g., linear,
11
kinetic, visual, reflective) may present obstacles for both the student and their supervisor,
especially if each is on the opposite end of the continua. Lack of tactical feedback might also
be a problem in the virtual context of online higher education.
There is very little research examining cross-cultural teaching practices, in particular, there is
very little higher education research across cultures (Williams, Davis, & Black, 2007).
Empirical research on international student learning styles have produced a few significant
models explaining performance within the context of quantitative learning, styles which is
required in such subjects as Operations and SCM.
5.1: The issue of plagiarism
Plagiarism is, of course, an important issue with respect to all distance learning programmes;
in the case of online programmes the opportunity appears greater because much of the
material is in soft form and thus can easily be copied, transferred, etc. In the teaching context
we have described, however, we believe these problems are more apparent than real. The key
point here is the role played by discussion in the Virtual Classroom. Because participation in
discussion is an assessed requirement for students enrolled for a module it provides a means
of monitoring their effective involvement, and assists in preventing impersonation and
plagiarism. Involvement in the programme demands a thoughtful, personal contribution from
each student on almost a daily basis, which would be almost impossible to falsify. In practice,
the (online) characters of students become very well-known to their instructors, other students
and to the module monitors.
6 : CONCLUSIONS
We have here reported on our initial experiences from the growth and delivery of our MSc
Operations & SCM, with the University of Liverpool Management School postgraduate
programmes. The paper also presents the growth of SCM management programmes with UK
universities and the ongoing challenges of providing modules and specialisation in order to
provide graduates with attributes required with SCM theory. This paper introduces the online
practices within University of Liverpool and the partnership with Laureate Online Education
and the novelty that we are the only university that provides such a postgraduate MSc in
Operations and SCM that is 100% taught online.
12
Although the programme is in its infancy– to date, reactions have been very positive thus far
as well as the significant growth in active part-time students to over 250 in the last 2 years.
Contrary to many preconceptions, online learning, in the mode we have described, is very far
from being an impersonal and alienating experience. On the contrary, we believe that both
staff and students find it to be a stimulating and challenging mode of teaching and learning,
which has more in common with small-group seminar-based learning than it has with
conventional lecture-based teaching and other methods of distance learning. In a course such
as this, many of the students bring to the VC a wealth of SCM experience from their earlier
studies and their professional life, often including knowledge outside the scope of their
instructors. At the simplest level, simple queries SCM issues are answered by other students
and therefore lessening the load on the instructor. Beyond this, the mediated classroom
discussion provides a means in which students can share their broader knowledge with their
colleagues, enriching the learning experience for everyone, with added value of global
classroom with SCM practitioners from multi-national companies having discussion with
entrepreneurs or individuals working family run businesses.
As mentioned in this article it remains possible, for students to plagiarise their programming
assignments (just as is the case in ‘on-campus’ teaching). However, the fact that all
communications, discussions take place online, and are recorded and preserve for as long as
required (i.e. at least until after student graduation) provides some protection. In particular, it
becomes relatively easy to apply programs (e.g., Joy and Luck1999) that perform
comparisons of work submitted in the VC, or use tools that carryout checks and scans against
plagiarism throughout the WWW. As a result the university and quality of teaching standards
department has a particularly important role in support and auditing of online learning, at its
present stage of development, because of the widespread public suspicion that this
educational paradigm will be associated with low standards and quality.
We have described the structures developed for this method of learning, centred on a threecornered relationship between the university, its partner organisation, and the community of
instructors in order to develop modules, specialisations that fulfil the requirements of a truly
international SCM audience. Future developments include, niche market specialisations such
as oil and gas, as well as environmental and energy management. The challenges we have
faced in the MSc in Operations and SCM programme have been described in this paper and
13
future challenge with also growing population SCM practitioners in this international
classroom is in maintaining of these standards within an this online classroom. This future
challenge also includes the role and engagement of the classroom instructors that are
distributed worldwide, providing SCM theories and practices in building this global SCM
online community.
REFERENCES:
o Allen, E., Seaman, J. (2008), "Staying the course: online education in the
United States, 2008", The Sloan Consortium, November, available at:
www.sloan-c.org/publications/survey/pdf/staying_the_course.pdf
(accessed
June 5, 2009),.
o Arbaugh, J.B., Duray, R. (2002), "Technological and structural characteristics
of student learning and satisfaction with web-based courses", Management
Learning, Vol. 33 No.3, pp.331-47.
o Bickman- Holmes, T, Hoffman, P. (2000), ‘ Elicit, engage, experience,
explore: discovery learning in library instruction’, Reference Services Review,
Vol. 28, No. 4 p313-322
o Christopher, M. (1998), Logistics and Supply Chain Management, Pitman,
London.
o Cousins, P., Lawson, B., Squire, B. (2006),‘Supply chain management: theory
and practice – the emergence of an academic discipline?’, International Journal
of Operations & Production Management; Vol: 26 No: 7;
o Dillich, S (2000), "Corporate universities", Computing Canada, Vol. 26 No.16,
pp.25-31.
o Gonzalez,M.E., Q., Gioconda, Gourdin, K., Hartley, M., (2008), “Designing a
supply
chain
management
academic
curriculum
using
QFD
and
benchmarking”, Quality Assurance in Education, Vol 16 Issue: 1 pp36 - 60
o Greasley, A., Bennett, D., & Greasley, K. (2004). “A virtual learning
environment for operations management: assessing the student’s perspective”.
14
International Journal of Operations & Production Management, 24(10), 974993.
o Gruengard, E., Kalman, Y., & Leng, P.H. (2000) “University education via
the Internet: a new paradigm for public-private partnership”, in 'Innovation
through Electronic Commerce' (Proc IeC ‘2000 Conference), ed. L Macauley,
CeeC, Manchester, 46-53
o Hayes, J., Bouzdine-Chameeva, T., Hill, A. V., Scavarda, A.J., and, Goldstein
S.M., (2007), ‘Applying the Collective Causal ‘Mapping Methodology to
Operations Management Curriculum Development. vol. 5 (2), 267-287,
o Hiltz, S.R., Wellman, B. (1997) “Asynchronous Learning Networks as a
Virtual Classroom”, Comm ACM 40(9), pp 44-49
o Hitt, M.A. (1997), "21st century organisations: business firms, business
schools and the academy", Academy of Management Review, Vol. 23 No.2,
pp.218-24.
o Hunt, D.V. (1996). Process mapping: How to reengineer your business
processes. New York: John Wiley & Sons, Inc.
o Joy, M., Luck, M. (1999), “Plagiarism in Programming Assignments”. IEEE
Trans Education, 42(2) pp. 129-133
o Lancioni, R., Forman, H., Smith,
M., (2001), ‘Logistics programs in
universities: stovepipe vs cross disciplinary’, International Journal of Physical
Distribution & Logistics Management, Vol 31, No 1, pp: 53-64
o Landry, B., Griffeth, R., & Hartmann, S. (2006). “Measuring student
perceptions of BlackBoard using the technology acceptance model”. Decision
Sciences Journal of Innovative Education, 4(1), 87-99.
o Larreamendy-Joerns, J., & Leinhardt, G. (2006). Going the distance with
online education. Review of Educational Research, 76(4), 567-605.
o Lewis Allan, (2005), Virtual Learning Communities, A Guide for Practitioners
Maidenhead, Open University Press (2005).
15
o Lockyer, K.G., Oakland, J.S., Duprey, C.H. (1981), "UK managers are
ignoring basic production techniques", Works Management, Vol. 34 No.4,
pp.30-5.
o Moisey, S. D. (2004). "Students with Disabilities in Distance Education:
Characteristics, Course Enrollment and Completion, and Support Services."
Journal of Distance Education 19(1): 73-91.
o OBHE (2004). "Online Learning in Commonwealth Universities: selected data
from the 2004 Observatory survey, Part 1." The Observatory on Borderless
Higher Education - Observatory Briefings(20).
o Oakland, J.S., Sohal, A.S. (1989), "The education, training, and career of
production managers in British industry", International Journal of Operations
& Production Management, Vol. 9 No.8, pp.63-90.
o Persico, D., Manca, S. (2000). "Use of FirstClass as a Collaborative Learning
Environment". Innovations in Education and Training International, 37,1, pp
34-41
o Rosenberg, M. J. (2001) E-Learning: Strategies for delivering knowledge in
the Digital Age. New York: McGraw-Hill, 2001.
o Santy, J., Smith, l. (2007) Being an E-Learner in Health and Social Care – A
student’s guide, Routledge, Abingdon, UK.
o Scavarda, A.J., Bouzdine-Chameeva, T., Goldstein, S. M., Hays, J. M. and
Hill, A. V., (2006),. ‘Methodology for constructing collective causal maps’.
Decision Sciences, Vol. 37 (2), 263-284,
o Stacey, E. (1998) Learning collaboratively in a CMC Environment, in G.
Davie s (Ed.), Tele-teaching ’98, Proceedings of the XV I FIP World
Computer Congress, Vienna/Budapest, pp. 951 –960 (Austrian Computer
Society).
o Williams, J S., Davis, P S., Black, L. "Subjectivities in School: Socio-cultural
and Activity Theory Perspectives." International Journal of Educational
16
Research Special Issue on Subjectivities in School: Socio-cultural and Activity
Theory Perspectives 46 (1-2), (2007)
o Wilson, B.G. (1996) Constructivist Learning Environments: Case Studies in
Instructional Design. (New Jersey, Educational Technology Publications).
o Winch, G., Carr, B. (2001), "Processes, maps and protocols: understanding the
shape of the construction process", Construction Management and Economics,
Vol. 19 No.3, pp.519-31.
o Vine, P, Palsule, S (1999), "Corporate universities: back to school", The
British Journal of Administrative Management, pp.18-21.
17
RIRL 2010 The 8th International Conference on Logistics and SCM Research BEM Bordeaux Management School September 29, 30 and October 1st 2010 Apprentissage expérientiel en gestion des chaînes logistiques :
Exploitation des simulateurs participatifs tels que le XBeerGame
Edith Brotherton
Centre interuniversitaire de recherche sur les réseaux d'entreprise, la logistique et le
transport (CIRRELT), Université Laval, Québec, Canada
[email protected]
Benoit Montreuil
[email protected]
Rémy Glardon
transport (CIRRELT), École Polytechnique Fédérale de Lausanne, Lausanne, Suisse
[email protected]
Salma Naccache
[email protected]
Résumé
La gestion des chaînes logistiques est un domaine stimulant de par la diversité et la
complexité des réseaux globaux qui les composent, mais aussi fondamentalement par la
nature dynamique des relations et des phénomènes qui s’y retrouvent. Cet article présente un
nouveau cadre expérimental générique qui permet de conceptualiser, développer et
expérimenter à l’aide d’un simulateur participatif, tel que le XBeerGame, des scénarios
pédagogiques de formation expérientielle plus évolués. Un exemple d’utilisation sur une
semaine est présenté afin de démontrer le potentiel d’apprentissage progressif des multiples
facettes de la gestion des chaînes d’approvisionnement à travers une programmation
structurée de simulations ciblées.
Mots clés: Pilotage de chaîne logistique, Simulations participatives et immersives, Jeux
d’affaires, Apprentissage expérientiel, Effet coup de fouet
RIRL 2010- Bordeaux 29, 30 septembre, 1er octobre 2010
INTRODUCTION
La gestion des opérations, de la logistique et des chaînes d’approvisionnement sont des
domaines très importants sur le plan économique. Ils intéressent aussi fortement les
chercheurs et les enseignants en raison de la diversité et de la complexité des phénomènes
dynamiques qui gouvernent les réseaux globaux qui les composent. Le jeu d’affaires le plus
connu permettant d’illustrer ces relations est le Beer Game développé dans les années 1960 au
Massachusetts Institute of Technology (MIT) et basé sur la théorie de la dynamique des
systèmes de Forrester (1958). Le Beer Game est un jeu de table qui permet à des équipes de
quatre joueurs de prendre en charge le pilotage opérationnel d’une chaîne logistique à quatre
centres en série, comme illustré à la Figure 1. L’objectif est de répondre efficacement aux
demandes du marché en réduisant les inventaires ainsi que les ruptures de stocks de manière à
minimiser les coûts globaux encourus par la chaîne logistique.
Figure 1: Chaîne logistique du Beer Game
Dans une démarche pédagogique conventionnelle, le Beer Game est utilisé sur une période
d’au plus quelques heures afin de démontrer les effets systémiques dans les chaînes
logistiques, dont l’effet coup de fouet ou bullwhip effect observé par Forrester (1961). Au
cours des dernières années, notre équipe de recherche a conçu et développé le XBeerGame
(Montreuil et al, 2009), un simulateur de pilotage de chaînes logistiques inspiré du Beer
Game, mais offrant des fonctionnalités et un potentiel expérimental largement supérieurs. Il
permet en particulier aux participants d’expérimenter de nombreux aspects liés au
comportement dynamique de ces chaînes, allant bien au-delà de l’effet coup de fouet.
La recherche rapportée dans cet article investigue le potentiel d’exploitation d’un simulateur
tel que le XBeerGame pour favoriser un intensif apprentissage expérientiel de multiples
facettes de la gestion des chaînes logistiques à travers un programme structuré de simulations
ciblées. Après une brève revue de littérature, l’article décrit l’espace d’apprentissage du
XBeerGame et catégorise les paramètres permettant de configurer des expériences. Ceci
permet de décrire le cadre expérimental générique qui sert à élaborer et à réaliser une
programmation d’apprentissage expérientiel. L’article décrit ensuite les résultats et les
2
apprentissages tirés d’une expérience réalisée auprès des étudiants de l’Executive Master in
Global Supply Chain Management (EMGSC) de l’École Polytechnique Fédérale de Lausanne
(EPFL). Finalement des conclusions et des perspectives de recherche sont élaborées.
REVUE DE LA LITTERATURE
Malgré la simplicité du Beer Game, il s’agit de l’un des jeux de simulation d’affaire les plus
utilisés pour l’apprentissage et la compréhension des effets en cascade dans les chaînes
logistiques (Sterman, 1992; Lee et al. 1997a; Lee et al. 2004). Longtemps joué sur table, le
Beer Game est maintenant disponible en versions informatisées sur quelques sites web pour
des utilisations limitées, tel que celle développée par Jacobs (2000). À ce jour, plusieurs
groupes de recherche et organisations d’enseignement ont créé un ensemble de versions
informatisées, dont: Massachusetts Institute of Technology (http://beergame.mit.edu/),
Indiana University (http://jacobs.indiana.edu/beer/index.htm) et Swiss Federal Institute of
Technology (http://www.beergame.lim.ethz.ch/).
Plusieurs auteurs ont souligné les avantages de l’utilisation de jeux éducatifs, dont Gee (2003)
qui mentionne que les jeux offrent aux joueurs un environnement immersif les invitant à
penser de manière approfondie et les incitant à résoudre des problèmes d’un niveau élevé de
complexité. Selon Shaffer (2005), ces jeux permettent de développer une compréhension
contextuelle, pour explorer de nouvelles identités, créer des communautés de pratique et
appuyer l’apprentissage par l’action. Les jeux consolident aussi le transfert de connaissances
vers d’autres contextes (Oblinger, 2004). Dans le cas des chaînes logistiques, les simulations
ont pour but principal d’aider les étudiants dans leur apprentissage de l’impact global de
configurations alternatives des chaînes logistiques, de stratégies de gestion des chaînes,
d’approches collaboratives ou d’algorithmes de décision et d’heuristiques (Chen et al. 2000).
Il existe aussi des jeux logistiques qui permettent aux joueurs d’interagir avec des agents
logiciels qui implémentent des règles de décision simples (Nienhaus et al. 2006).
L’intégration d’agents logiciels qui simulent le comportement humain est abordée par
plusieurs auteurs dont Hall (2009) qui présente une vue prospective sur les courants
émergents dans la conception des
jeux de simulation d’entreprise. Selon l’auteur, le
développement de jeux sérieux de simulation (Serious Game Movement) bénéficie de
l’utilisation de graphismes en trois dimensions, ainsi que d’agents qui interagissent avec le
joueur, afin de l’impliquer davantage dans le jeu et susciter son interaction. Smith (2010)
décrit l’évolution de la conception des jeux de simulation pour les militaires qui est similaire à
3
l’évolution du jeu de la bière. L’auteur met l’accent sur les versions informatisées de cette
classe de jeux et insiste sur la nécessité d’investir plus d’efforts tant au niveau de la création
des données avant le jeu que lors de la collection et l’analyse des données après celui-ci.
Bien que l’utilisation des jeux de simulation dans les milieux pédagogiques semble
prometteuse, il existe plusieurs éléments qui doivent être pris en considération lors de leur
développement. Rieber (2005) a souligné qu’il arrive que les apprenants se concentrent
uniquement sur l’amélioration de leurs propres scores, sans s’engager dans une réelle
réflexion d’apprentissage. Il a aussi constaté que les apprenants doivent être guidés pendant le
jeu. Manske et Conati (2005) ont observé qu’il est difficile d’introduire des éléments
permettant aux étudiants de réfléchir par rapport au domaine de connaissances sans interférer
avec leur engagement dans le jeu. Par contre, Gentry et McGinnis (2008) s’inspirent de la
théorie de l’auto-détermination de Ryan et Deci (2000) pour proposer une idée innovatrice qui
consiste à impliquer les étudiants dans le processus de conception des scénarios de jeu afin de
stimuler d’avantage leur implication lors de leur participation au jeu. Mais selon Gentry et
McGinnis (2009), l’un des inconvénients de cette approche est que l’instructeur risque de
perdre le contrôle sur le contenu et les processus de la simulation.
Dobson et al. (2004) rapportent que les jeux de simulation d’entreprises sont des outils
efficaces d’apprentissage, cependant ils en énoncent quelques limites dont le manque de
rétroactions explicites directes par rapport aux étapes stratégiques du jeu. Aussi ils critiquent
la durée des jeux qui ne permet pas aux joueurs de se familiariser avec le jeu dans une
cadence convenable, et d’un autre côté, peut rendre difficile l’atteinte des objectifs de
l’entraînement. De plus, les jeux actuels affichent l’information sous des formes simplistes,
des tableurs par exemple, ce qui rend inintelligibles les informations fournies pendant le jeu.
Une autre limite rapportée par Dobson et al. (2004) est le manque de support technologique
lors du débriefing après le jeu. Il a été démontré qu’il existe plusieurs avenues de recherche
dans la conception des jeux de simulation d’affaire en général, et dans la conception des
versions informatisées du jeu de la bière. La conception de ces jeux se définit par plusieurs
aspects, dont la conception de l’environnement du jeu en lui-même, l’expérience de jeu ainsi
que la relation qu’entretient l’apprenant avec l’environnement du jeu.
XBEERGAME – ESPACE D’APPRENTISSAGE
4
Le XBeerGame est simulateur immersif qui nous permet de reproduire le jeu classique d’une
chaîne logistique à 4 acteurs (Beer Game), mais également de concevoir des expériences
d’apprentissage plus complexes de pilotage des flux. Parmi les fonctionnalités que nous avons
développées afin de rendre les expériences plus pertinentes et réalistes, notons l’ajout d’un
ensemble d’outils d’analyse et de pilotage permettant à la fois de prendre en compte la
performance individuelle du joueur (ex: graphiques détaillés, revenus, coûts, profits et
niveaux de service), celle de ces partenaires d’affaires directs (ex: inventaire net, inventaire en
main et commandes en transit) ainsi que celle de toute la chaîne (ex: performance financière
et niveau de satisfaction). Une description de l’architecture de la plateforme
BusinessWebGame, sur laquelle le XBeerGame est bâti, des différents cockpits de gestion et
des paramètres de configuration est présentée dans Montreuil et al. (2009).
Au cours d’une simulation, chaque participant prend en charge le pilotage opérationnel de
l’un des centres d’une chaîne logistique. Son objectif est de répondre efficacement aux
demandes de son client en minimisant les inventaires et les ruptures de stocks. Il doit piloter
au mieux possible les flux de matières, les flux d’informations et les flux monétaires, entre le
centre et son fournisseur, ainsi qu’entre le centre et son client. La Figure 2 illustre ces flux.
Figure 2: Flux d’un centre avec son fournisseur et son client
Par le biais de parcours de formation ciblés, les participants sont amenés à comprendre les
enjeux de la gestion des chaînes logistiques et du pilotage des flux. Les parcours de formation
proposés dans cet article sont définis par un ensemble de paramètres génériques, dont les
objectifs de performance, le scénario de jeu, les outils de pilotage, la stratégie et la
collaboration entre les participants qui permettent de faire vivre un cheminement d’une
complexité croissante dans l’espace d’apprentissage selon les objectifs pédagogiques
identifiés. Les sections qui suivent présentent l’ensemble des options de configuration
5
proposées par rapport à chacun des paramètres qui sont classifiés, sur une échelle croissante
de la variante la plus simple à la plus évoluée.
Objectifs de performance
Au cours d’une simulation, les participants peuvent monitorer leur performance à l’aide du
tableau synthèse des performances présenté dans leur cockpit. Selon l’objectif de la joute, ils
doivent minimiser leurs coûts (transport, inventaire, approvisionnement, arrérage, etc.) et
maximiser leurs revenus (ventes, annulations, arrérages) pour générer le maximum de profits,
de façon individuelle ou par équipe pour l’entière chaîne. La Figure 3 présente les différentes
options possibles en termes d’objectifs et de degrés d’information sur la chaîne logistique.
Chaîne logistique
•
SC0 : Aucune SC (mode solo)
•
SC1 : Chaîne non-identifiée
•
SC2 : Chaîne avec rôles connus
•
SC3 : Chaîne identifiée
Objectif
•
O0 : Objectif individuel
•
O1 : Objectif de centre (rôle)
•
O2 : Objectif de chaîne (équipe)
Figure 3: Paramètres de configuration pour les objectifs de performance
Le niveau le plus simple est celui où il n’y a pas explicitement de chaîne logistique et chaque
participant est directement lié avec son marché. Ce mode à un joueur (solo) simule la situation
idéale d’une chaîne où le fournisseur a un inventaire illimité et qu’il est toujours fiable à
100% dans les délais promis de livraison des commandes. L’objectif visé ici est individuel et
chaque joueur doit maximiser sa performance. Dans le cas d’une chaîne logistique nonidentifiée où chaque rôle de la chaîne est pris en charge par un joueur individualiste, les
participants ont un objectif de performance soit individuel, soit de centre. L’objectif de centre
vise à trouver le meilleure gestionnaire de chaque rôle, à savoir la meilleure usine, le meilleur
distributeur, etc. parmi tous les participants des différentes chaînes. Une chaîne logistique
non-identifiée reproduit la notion d’un fournisseur qui n’est pas toujours fiable. Selon les
réactions individuelles, et ne sachant pas qu’ils sont dans des chaînes logistiques, il y aura des
effets en cascade de la propagation de la demande plus ou moins importante. Dans le cas
d’une chaîne logistique où les participants connaissent les rôles de leurs partenaires d’affaires,
il est possible de définir différents objectifs, dont la gestion de chaque centre comme une
entreprise individuelle autonome. Ceci correspond au niveau habituellement joué dans le Beer
Game où les différentes entreprises travaillent en silo afin d’atteindre des objectifs
individuels. Les niveaux suivants misent sur la visibilité de la chaîne complète et des objectifs
d’équipe. L’effet de propagation des demandes sera généralement moins important que dans
les scénarios précédents en particulier si les participants ont déjà vécus l’un des scénarios
simplifiés. Afin de focaliser sur la performance de l’équipe, qui vise à être meilleure que les
6
autres équipes, les participants peuvent avoir accès aux performances détaillées de tous les
acteurs de leur chaîne comme montré à la Figure 4.
Figure 4: Performance individuelle et performance de la chaîne logistique
Scénario de jeu
Le scénario de jeu utilisé dans les simulations du Beer Game traditionnel considère un seul
produit avec un patron de demande simple et déterministe, correspondant à une demande
stable suivie d’un saut de palier en milieu de joute, puis d’une autre période stable. Dans le
cas du XBeerGame, il est possible de configurer des patrons plus complexes, et ce pour
plusieurs produits. Les autres options du scénario de jeu sont l’accès à un historique pré-joute,
la configuration des délais dans le réseau, de même que la capacité de production et
d’entreposage, tel que montré à la Figure 5.
7
Patron de demande
• D0 : Stable
• D1 : Stable avec saut de palier
• D2 : Saisonnière
• D3 : Lancement nouveaux produits
Incertitude demande
• I0 : Demande déterministe
• I1 : Demande légèrement
incertaine
• I2 : Demande à forte incertitude
Historique pré-joute
• H0 : Aucun historique
• H1 : Historique local
• H2 : Historique du marché
• H3 : Historique partenaires
• H4 : Historique chaîne complète
Réseau
• R0 : Réseau simplifié, avec délais
identiques entre tous les
centres
• R1 : Réseau local, avec délais courts
mais variables selon les centres
• R2 : Réseau outremer, l’usine a un
long délai de livraison
• R3 : Réseau global, avec plusieurs
des centres qui sont dispersés
et de longs délais
Capacité de production
• U0 : Capacité de production
illimitée
• U1 : Capacité de production limitée
par une cadence journalière
Capacité d’entreposage
• E0 : Capacité d’entreposage
illimitée
• E2 : Capacité d’entreposage limitée
par un nombre d’unités total
(entreposage partagé)
• E3 : Capacité d’entreposage limitée
par produit (entreposage dédié)
Figure 5: Paramètres de configuration pour le scénario de jeu
Outre les demandes stables et celles avec saut de palier qui sont plus conventionnelles, nous
avons développé des scénarios de demandes saisonnières qui sont plus représentatives du
marché des biens de consommation. Une autre innovation dans l’approche d’apprentissage est
la demande de lancement de nouveaux produits pour laquelle les participants doivent lancer la
production et déployer le stock dans la chaîne logistique avant la date de mise en marché
anticipée. Au début de la simulation, les participants ont accès à des prévisions du marketing
pour chacun des produits ainsi que tous les coûts et délais afin de déployer la stratégie qu’ils
estiment la plus profitable. Pour tous les patrons de demande il est possible d’associer une
incertitude plus ou moins grande, et de donner accès à un historique pré-joute. L’historique
pré-joute peut être local et donner des informations sur le centre seulement, il peut cibler tous
les partenaires d’affaires (voisins dans la chaîne) ou être plus collaboratif et donner accès à
l’historique complet de tous les acteurs de la chaîne logistique. Des exemples de demandes
avec variabilité, incertitude et historique, sont illustrés à la Figure 6.
Figure 6: Exemples de demande a) par palier, sans historique, faible variabilité, faible incertitude
b) saisonnière, avec historique, grande variabilité et incertitude pour un produit
8
Pour simuler la mondialisation des marchés et le dispersement géographique des entreprises,
il est possible de configurer les paramètres et les délais du réseau. Dans le Beer Game le
réseau est simplifié et le délai entre chacun des acteurs est fixe. Ce scénario peut être
reproduit avec le XBeerGame, de même qu’un réseau local où tous les acteurs sont à
proximité mais dans lequel les délais varient d’un centre à l’autre. Dans le cas d’un réseau
global où les fournisseurs et les clients sont géographiquement dispersés partout sur la
planète, certains avec des délais de transport longs (par exemple des conteneurs qui transitent
de l’Asie vers l’Amérique), le maître de jeu peut initialiser la simulation avec des commandes
en transit qui arriveront dans les prochains jours.
Finalement, le scénario de jeu permet également de configurer la capacité d’entreposage des
différents centres ainsi que la capacité de production de l’usine. Celle-ci peut être illimitée
dans les scénarios de base ou limitée selon une cadence maximale par jour. Selon les objectifs
d’apprentissage visés, la demande moyenne peut fluctuer au dessus et en dessous de la
capacité journalière de l’usine, ce qui exige une anticipation des participants. Cette situation
est représentative des produits ayant des demandes saisonnières et des évènements spéciaux
(fêtes ou autres congés) dans le contexte des produits de biens de consommation. Lorsque la
capacité d’entreposage est restreinte pour l’un des centres de la chaîne, les options de
configuration d’entreposage incluent l’entreposage partagé et l’entreposage dédié par produit.
Lorsque le centre atteint la capacité qui lui est allouée, le gestionnaire du centre doit rediriger
les produits excédentaires soit vers son client (si des commandes existent), soit vers un centre
de stockage externe (avec des coûts associés), soit se départir des produits (rebus).
Outils de pilotage
Divers outils de pilotage peuvent être mis à disposition des participants selon les objectifs
d’apprentissage et la complexité du scénario de jeu souhaité. Le niveau de base est le cockpit
transactionnel dont les deux seules actions permises sont la passation de commandes au
fournisseur et la livraison de produits au client. Dans ce mode, le joueur est en situation de
réaction et doit prendre manuellement chacune des décisions. Le cockpit opérationnel propose
un ensemble d’outils d’aide à la décision qui permettent au joueur de faire le suivi des
décisions associées à son centre.
Le cockpit de pilotage permet alternativement au joueur de prendre des décisions de
paramétrage de politiques de gestion. Dans ce mode tactique, le joueur est responsable du
9
choix des politiques et des seuils de commandes et d’expédition qui vont s’effectuer
automatiquement selon les paramètres définis. En tout temps, il peut outrepasser le mode
automatique et gérer manuellement les transactions comme dans les modes précédents.
Pilotage
• P0 : Cockpit transactionnel
• P1 : Cockpit opérationnel avec outil
d’aide à la décision
• P2 : Cockpit de pilotage avec des
politiques de gestion
Communication
• C0 : Aucune
• C1 : Clavardage avec partenaires
directs
• C2 : Clarvadage chaîne
• C3 : Appels avec partenaires directs
(par vidéo conférence de type
skype)
• C4 : Appels avec chaîne
• C5 : De vive voix en personne
Graphiques et inventaires
• G0 : Aucun
• G1 : Centre (rôle)
• G2 : Partenaires
• G3 : Chaîne complète
Localisation des participants en salle
• L0 : Aléatoire
• L1 : Répartie
• L2 : Adjacente pour une chaîne
• L3 : Salle dédiée par équipe
Visibilité de la coloration
• V0 : Aucun
• V1 : Commandes et livraisons
• V2 : Inventaire net centre
• V3 : Inventaire net partenaires
• V4 : Inventaire net chaîne
Stratégie
• S0 : Aucune
• S1 : Solo sans réajustement
• S2 : Solo avec réajustement
• S3 : Stratégie d’équipe préalable à
la joute
• S4 : Stratégie d’équipe préalable à
la joute, avec réajustement
• S5 : Stratégie intégrée et évolutive
d’équipe collaborative
Figure 7: Paramètres de configuration pour les outils de pilotage et de collaboration
Afin d’améliorer le pilotage des flux, différents outils d’aide à la décision peuvent être
intégrés dans les cockpits opérationnel et de pilotage. Un ensemble de graphiques et de
statistiques, tels que l’inventaire net, l’inventaire en main, les jours de couvertures, ainsi que
l’historique des commandes reçues de son client depuis le début de la joute, peuvent être
rendus disponibles ou non. La coloration des indicateurs permet aux participants un repérage
plus rapide des zones qui sont hors contrôle, par exemple la coloration des commandes et des
livraisons permet respectivement d’identifier lorsque notre fournisseur est en retard dans les
produits qui lui ont été commandés et lorsque le joueur lui-même est en retard dans ses
livraisons face à son client. Une coloration blanc signifie qu’il n’y pas de retard actuellement,
une coloration jaune signifie que la commande aurait due être expédiée (retard anticipé), alors
qu’une coloration rouge indique que la date de livraison promise est atteinte (retard effectif).
Stratégie et collaboration
Divers degrés de collaboration et de stratégies sont permis selon les objectifs visés par le
cadre de formation. La collaboration entre les participants est favorisée par les outils de
visualisation des informations des partenaires et de la chaîne, mais elle se concrétise par les
relations entre les gestionnaires des centres. Dans le cas où le degré de communication est
inexistant, les participants sont en mode isolé face à leurs décisions d’approvisionnement et
de livraison, ils sont généralement peu conscients de leur environnement et la collaboration
est très limitée voire inexistante. Lorsque des outils de communication dont le clavardage
avec les partenaires directs dans le simulateur ou la téléconférence (ex: skype) sont autorisés,
10
le pilotage sera souvent plus efficace, et ce même si les participants n’ont pas défini de
stratégies à priori. L’espace d’apprentissage définit également la stratégie que les participants
peuvent préparer en lien avec une simulation. Cette stratégie peut être faite seul ou en groupe,
préalablement à la joute (avec historiques ou prévisions marketing) ou en cours de joute. Des
réajustements de stratégie peuvent être autorisés en continu au cours de joute ou à des
moments préétablis du déroulement de la simulation. La collaboration totale s’expérimente
lorsque les participants d’une même équipe ont un temps de préparation stratégique
collective, suivi d’une simulation où ils sont localisés dans une même salle et peuvent
communiquer directement de vive voix afin de mettre en place une stratégie intégrée et
évolutive d’équipe collaborative.
Pour permettre aux participants de mieux gérer leurs flux de produits, réduire leurs arrérages
et leurs surplus d’inventaire dans la chaîne, sous certaines conditions les clients peuvent
annuler des commandes à leur fournisseur si celui-ci est en retard. Cette annulation de
commandes peut être avec ou sans pénalité selon les paramètres choisis par le maître de jeu.
Inversement un fournisseur peut refuser des commandes à son client si celui-ci ne respecte
pas les règles préalablement entendues, en particulier concernant la taille maximale des lots.
Lorsque les refus sont effectués durant le délai spécifié, il n’y a pas de coûts associés.
La configuration de l’ensemble de ces paramètres permet d’orchestrer des scénarios et des
expérimentations favorisant d’une part le développement de compétences individuelles et des
compétences collectives dans la gestion des chaînes logistiques.
CADRE EXPÉRIMENTAL
Lors d’une formation de grande envergure, un scénario pédagogique spécifiant des acquis
d’apprentissage progressifs doit préalablement être établi à l’aide d’un plan systématique. Le
défi consiste ensuite à concevoir des joutes ciblées qui exploitent des simulations de durée
variable, souvent de 30 à 90 minutes, et permettent de garantir l’apprentissage expérientiel
spécifié dans le scénario pédagogique. Chaque joute doit être validée de façon expérimentale,
calibrée et réajustée au besoin avant utilisation effective dans un programme de formation.
Les jeux de simulation en gestion des opérations des chaînes d’approvisionnement permettent
aux étudiants de prendre conscience de l’importance de la collaboration. Cette collaboration a
été classée dans la littérature selon différents axes. Par exemple, Holweg et al. (2005)
11
identifient quatre différentes configurations des chaînes d’approvisionnement selon deux
dimensions: la planification collaborative et la collaboration en gestion de l’inventaire. Ovalle
et Marquez (2003) prônent l’utilisation des outils de e-collaboration pour la gestion des
chaînes d’approvisionnement et soulignent que la collaboration passe par le partage de
l’information. Pour mettre en place ces outils, les partenaires doivent passer par deux étapes à
partir de la non-collaboration, aux prévisions collaboratives, puis enfin à la planification
collaborative. Simatupang et Sridharan (2005) proposent un indice pour quantifier le niveau
de collaboration dans une chaîne d’approvisionnement. Ils le mesurent selon trois dimensions
inter-reliées: le partage de l’information, la synchronisation de la décision et l’alignement des
motivations qui est le degré avec lequel les partenaires de la chaîne partagent les coûts,
risques et bénéfices. Meca et Timmer (2008) précisent que la collaboration peut se faire de
manière verticale, entre client et fournisseur. Elle peut aussi bien se faire de manière
horizontale c'est-à-dire entre plusieurs fournisseurs au même niveau de la chaîne.
Conception expérientielle
Le scénario pédagogique proposé doit prévoir une progression de la complexité et des
objectifs d’apprentissage afin de permettre aux participants de comprendre et d’expérimenter
les techniques de base avant de s’engager dans des expériences plus évoluées misant sur la
visibilité, le partage d’information et la collaboration dans la chaîne logistique. Pour décrire
cette démarche de conception, nous expliquerons comment nous avons exploité les
paramètres de l’espace apprentissage afin de concevoir une semaine d’intégration en
logistique dans le cadre l’Executive Master in Global Supply Chain Management (EMGSC)
de l’École Polytechnique Fédérale de Lausanne (EPFL).
Afin d’explorer l’espace d’apprentissage incluant différents niveaux de complexité, nous
avons élaboré et proposé un ensemble de treize expériences de simulations basé sur quatre
blocs, tel qu’illustré au Tableau 1. Le premier bloc focalise sur l’apprentissage individuel
dans un contexte simplifié d’une chaîne à un seul centre, où les approvisionnements sont
fiables. Un deuxième bloc introduit la dynamique des chaînes logistiques et vise à démontrer
les impacts de la non-disponibilité des stocks chez le(s) fournisseur(s). Dans le troisième bloc,
les participants sont introduits aux spécificités de chacun des rôles dans la chaîne logistique
ainsi qu’aux règles d’affaires qui régissent le système. Dans ce bloc les participants doivent
optimiser leur centre dans la chaîne afin d’être le meilleur pour leur type de centre.
Finalement un quatrième bloc introduit des outils de collaboration intégrée permettant aux
12
membres de chaque équipe de travailler ensemble dans un objectif commun d’optimisation
des performances de la chaîne.
Le cheminement proposé dans le premier bloc met l’emphase sur les différents patrons de
demande et d’incertitude, les historiques, la visibilité ainsi que la localisation du réseau de
fournisseurs. Le bloc débute en 1.1 avec une demande stable (D0) et des fournisseurs locaux
(R1). Les fournisseurs outremer (R2) sont introduits en 1.2, alors qu’en 1.3 une demande
saisonnière (D2) est proposée en combinaison avec un fournisseur local et l’autre outremer
(R1 + R2). Bien que la demande est saisonnière dès le scénario 1.3 les participants n’en ont
aucune connaissance à priori (H0), et ce n’est qu’en 1.4 que les historiques de demandes (H1)
deviennent disponibles afin d’aider les participants dans le pilotage de leur centre.
Dans les scénarios du bloc 2, la chaîne passe à 4 acteurs et différents paramètres de demandes
sont exploités. En 2.1, un patron de demande simple avec saut de palier (D1) sans historique
(H0) est utilisé, alors qu’en 2.2 il s’agit d’une demande saisonnière (D2) avec historique local
(H1). Le détaillant est le seul acteur de la chaîne à connaitre l’historique du marché, alors que
les autres ont une information partielle sur les commandes reçues qui peuvent être, ou non,
une amplification de la demande réelle. En 2.3, tous les participants sont identifiés dans la
chaîne (SC2), mais ils n’ont aucun outil de communication (C0) leur permettant de collaborer.
Ils ont en plus de leur historique local (H1), une information générale sur le patron de la
demande au niveau du marché. Finalement en 2.4, les participants doivent gérer la chaîne
pour le lancement de deux nouveaux produits (D3) dans une chaîne identifiée mais noncollaborative (SC2). Ils sont informés des phases possibles suite au lancement (croissance,
stabilité, maturité et déclin) par l’équipe marketing mais n’ont pas d’historique (H0) leur
permettant d’en estimer l’amplitude. L’annulation et le refus de commandes sont autorisés
entre les clients et les fournisseurs, sujet à des coûts de pénalité.
13
Tableau 1: Paramètres des différents blocs
Bloc 1
Individuel
paramètre
Objectifs de
performance
Scénario
de jeu
Outils de
pilotage et de
collaboration
Bloc 2
Individuel dans
une chaîne
2.1 2.2 2.3 2.4
Bloc 3
Bloc 4
Rôle dans Chaîne intégrée
une chaîne
3.1 3.2 4.1 4.2 4.3
code
1.1
1.2
1.3
1.4
Objectif
O
0
0
0
0
1
1
2
2
3
3
3
3
3
Chaîne logistique
SC
0
0
1
1
0
0
1
1
1
1
2
2
2
D
0
0
2
2
1
2
2
3
2
2
2
2
3
I
0-1
0-2
1-2
1-2
0-2
1
1-2
0-2
0-1
1-2
1-2
1-2
0-1
H
0
0
0
1
0
1
1
0
0
0
2
2
0
R
1
2
1-2
1-2
1-2
1
1
1
1
2
1-2
3
2
U+E
0
0
0
0
0
0
0
0
0
0
0
0
0
P
0
0
0
0
0
1
1
1
1
1
1
1
1
---
n
n
n
n
n
n
n
o
o
o
o
o
o
G
0
0
1
1
0
1
1
1
2
2
3
3
3
V
0
0
1+3
1+3
1+4
C
-
-
-
-
0
0
0
0
1
1
L
0
0
0
0
1
1
1
1
1
1
1
2
3
S
0
0
0
1
0
1
1
1
0
2
3
3
4
Patron de
demande
Incertitude
demande
Historique
pré-joute
Réseau
Capacité de
production et
d’entreposage
Pilotage
Annulation et
refus
Graphiques et
inventaire
Visibilité de la
coloration
Communication
Localisation
participants
Stratégie
1+2 1+2 1+2 1+2 1+2 1+2
1+4 1+4
1/3 1/3 3/5
Dans le bloc trois, toutes les chaînes sont identifiées (SC3), les participants ont une visibilité
(V2) sur les demandes et les inventaires de leurs partenaires d’affaires directs (client et
fournisseur) et ils sont encouragés à collaborer par l’utilisation du clavardage (C1). En 3.1,
une demande saisonnière (D2) sans historique (H0), mais avec une connaissance générale du
patron est proposée, de plus tous les délais dans la chaîne sont courts et connus (R1). En 3.2,
les caractéristiques des demandes sont similaires, mais l’usine a un délai de livraison de 21
jours représentant une localisation outremer (R2). Le temps de réponse de la chaîne est plus
long et le déploiement stratégique des inventaires selon les délais peut faire la différence entre
une équipe performante et une équipe ayant constamment des arrérages.
Finalement le bloc 4 mise sur les stratégies d’équipe (S3 et S4) afin de créer des chaînes
logistiques performantes peu importe la complexité du scénario de jeu (D2-D3, I0-I2, H0-H2,
R1-R3). Pour ce bloc, l’objectif devient la performance de la chaîne (SC4) par rapport aux
autres chaînes, la Figure 9 montre les outils supplémentaires qui sont disponibles. Dans le
scénario 4.1 l’usine est localisée outremer (physiquement au Québec) et les joueurs sur le
même site sont physiquement ensemble (distributeur, grossiste et détaillant en Suisse). Avant
de démarrer cette joute, les membres de sites différents communiquent par Skype et ils ont
14
généralement de 20 à 50 minutes pour établir collectivement une stratégie d’équipe. Tous
connaissent l’historique de demande du marché (H2) dont le patron est saisonnier (D2). En
4.2, le réseau devient global (R3) avec l’usine en Asie, le distributeur en Europe, le grossiste
et le détaillant en Amérique. Les joueurs ont jusqu’au lendemain pour établir leur stratégie. Le
match 4.3 propose un scénario de lancement de nouveaux produits (D3) pour lequel
l’historique est remplacé par une prévision large bande du marketing pour les deux produits.
L’usine est localisée en Asie (R2) et les participants ont 50 minutes pour établir une stratégie
d’équipe (S4).
Tel que montré par l’exemple des ateliers du EMGSC, le programme d’apprentissage élaboré
doit prévoir une introduction graduelle des différents outils de pilotage. La Figure 8 montre
l’évolution des différents cockpits de gestion à partir du cockpit transactionnel du premier
bloc jusqu’au cockpit collaboratif du quatrième bloc.
Figure 8: Interface du cockpit de gestion individuel (a) sans identification du réseau - scénario 1.1 et 1.2
(b) avec visibilité du réseau et outils avancés - bloc 4
Validation
Afin de s’assurer que les paramètres choisis et que la progression dans l’espace
d’apprentissage permettent d’atteindre les objectifs fixés de l’expérience d’apprentissage, il
est important de valider chacun des scénarios de façon expérimentale. Ceci permet de calibrer
et de réajuster au besoin un ou plusieurs des paramètres de scénarios. Le mode de validation
le plus simple à mettre en place est celui de la simulation par des agents virtuels. Les agents
virtuels peuvent reproduire des comportements typiques de joueurs ou appliquer les
techniques mondialement reconnues afin de générer des comparatifs de performances. Le
scénario peut également être mis à l’épreuve par une équipe experte de joueurs humains.
Ceux-ci ont l’avantage de pouvoir communiquer directement de façon verbale ou écrite afin
de s’échanger des messages contenant divers types d’informations permettant une meilleure
prise de décision collaborative au sein de l’équipe. La validation idéale consiste à utiliser un
groupe de joueurs humains qui ont les mêmes connaissances et compétences que le groupe
15
ciblé lors de l’expérience. Ceci permet d’anticiper les résultats et de s’assurer que les objectifs
visés seront réellement atteints par le groupe. Toutefois cette approche de validation est plus
difficile à mettre en place.
Figure 9: Interfaces et outils des participants – bloc 4
RÉSULTATS ET EXPÉRIENCES ACQUISES
Afin de s’assurer de l’atteinte des objectifs par les participants, un mode d’évaluation hybride
a été mis en place dans le cadre des ateliers EMGSC. D’un part la performance obtenue
(profits ou pertes) est compilée, basé sur l’objectif de la simulation qui peut être soit
individuel, de centre ou de chaîne. D’autre part les participants sont évalués sur leur
comportement et leur participation individuelle ou au sein de leur équipe. Finalement des
rapports de stratégies et d’apprentissage sont produits afin de synthétiser les leçons apprises.
L’utilisation d’un simulateur participatif tel que le XBeerGame, dans le cadre d’un
programme d’apprentissage structuré, basé sur l’introduction progressive des notions en
gestion des chaînes logistiques, permet aux participants d’expérimenter et d’améliorer leurs
techniques de gestion des approvisionnements et des stocks lors des premières joutes, mais
16
également de réaliser les impacts des décisions individuelles sur l’ensemble d’une chaîne ou
d’une entreprise lors des simulations suivantes.
Nous avons réussi avec le premier bloc à montrer le compromis entre la satisfaction des
consommateurs et le niveau d’inventaire requis pour répondre à la demande. En vivant les
effets des surplus d’inventaire et ceux des arrérages dans une chaîne toujours fiable, un des
participants nous a confié avoir compris en temps réel ce compromis crucial dans les
entreprises. « Il faut faire des compromis pour atteindre les objectifs et savoir s’adapter en
fonction de l’évolution du marché et des ressources disponibles ».
Figure 10: Profits individuels par joueur - bloc 1
Cet effet de compromis est particulièrement ressenti au cours de la joute 1.1 où les
participants n’avaient aucune information sur le volume de la demande et devaient réagir aux
commandes passées par leur client. Leur défi était d’interpréter correctement les informations
à disposition pour en extraire une stratégie flexible permettant d’optimiser la gestion du centre
de façon à maximiser le niveau de service et minimiser les coûts. Par la suite, lorsque des
informations sur la demande ont été rendues disponibles (ex: historique à la joute 1.4), une
stratégie individuelle a pu être élaborée et les performances se sont améliorées, tel que montré
sur la Figure 10. Les résultats montrent clairement une amélioration dans le premier bloc
entre les joutes 1.1 et 1.4, dont la médiane des profits grimpe de -179 123$ à 412 390$, ce qui
est attribuable principalement par l’accès à des informations supplémentaires de pilotage dont
les graphiques locaux et l’historique de demande.
Le deuxième bloc a introduit les participants dans des chaînes non-collaboratives et a permis
de démontrer les impacts de la non-disponibilité des stocks chez les fournisseurs en amont
dans cette chaîne. Chaque participant devait maximiser son profit individuel ou de centre,
17
ainsi certains d’entre eux ont fait du profit au détriment de leurs collègues en misant sur des
commandes impossibles à satisfaire qui ont engendré des revenus d’arrérage élevés. Les
étudiants ont ainsi appris que, peu importe leur stratégie, ils sont toujours dépendants des
comportements des autres acteurs dans la chaîne, de leur interprétation de la demande, des
prévisions et des règles du jeu. Même une stratégie parfaite ne peut pas atteindre les résultats
anticipés si le fournisseur est lourdement en retard ou que le client commande des lots horsnormes sans avertissement. Les participants ont compris les enjeux de chacun des différents
rôles de la chaîne logistique et l’importance d’adapter leur stratégie de pilotage au centre dont
ils sont responsables, selon les paramètres de revenus et de coûts associés (voir Figure 11). De
plus, au travers l’expérience ils ont réalisé de façon concrète que tous les acteurs peuvent
influencer le succès ou l’échec de la chaîne de par les interrelations de leur comportement.
2.1
2.2
2.3
2.4
Figure 11: Coûts et revenus par centre - bloc 2
Dans les chaînes logistiques collaboratives d’entreprises indépendantes du bloc 3, les
participants ont réalisé l’importance de viser des buts communs malgré les objectifs
individuels, et d’avoir une communication efficace. Ils ont pu échanger avec leurs partenaires
d’affaires (client, fournisseur) par l’interface de clavardage intégrée au jeu, mais dans certains
cas l’information ne s’est pas propagée dans la chaîne, ou s’est propagée avec un délai tel que
l’information transmise était désuète. De plus, il a été difficile pour plusieurs joueurs de
définir une stratégie commune au sein de leur équipe, certains joueurs ne faisant preuve
d’aucune souplesse, ce qui a créé des conflits et des tensions au sein de certaines chaînes.
L’objectif du bloc 4 a été d’apprendre aux participants à travailler en collaboration dans un
objectif commun de maximiser la performance de la chaîne. Pour la joute finale (4.3), chaque
équipe a été installée dans une salle distincte, ce qui leur a permis de discuter directement
18
entre eux. Cette proximité des coéquipiers, le partage d’information et le réajustement de
stratégie en cours de simulation s’est effectué de façon plus efficace que dans les blocs
précédents. Ils ont réalisé l’importance de prévoir des plans de contingence en cas
d’évènements hors des zones de prévision et de faire preuve de flexibilité.
SYNTHÈSE ET CONCLUSION
L’exploitation de simulateurs participatifs pour la formation en gestion des chaînes
logistiques offre un potentiel d’innovation pédagogique et d’amélioration d’efficacité
d’enseignement. Nous avons proposé une nouvelle approche d’apprentissage basée sur une
progression structurée des participants dans un espace rigoureusement défini. Le cadre
expérimental présenté permet aux participants de vivre des parcours de formation basés sur
des scénarios pédagogiques préalablement établis, plutôt que de simples expériences
ponctuelles. Nous avons montré comment concevoir, exploiter et valider ce cadre
expérimental en utilisant en exemple la semaine d’intégration de l’Executive Master in Global
Supply Chain Management de l’EPFL. L’ensemble des simulations XBeerGame réalisées au
cours de ce parcours de formation ont été présentées afin de démontrer le potentiel de
l’apprentissage expérientiel et de l’impact des différents paramètres sur le pilotage des flux et
la performance de gestion des chaînes logistiques.
Dans une société de savoir, où l’esprit des gens est l’un des facteurs différenciateur pour les
entreprises, le succès de ces ateliers a permis de réaffirmer une motivation conjointe entre
l’Université Laval et l’EPFL de poursuivre le développement et l’exploitation des simulations
pour la formation des gestionnaires. Au cours des prochaines années, l’espace d’apprentissage
sera enrichi par l’introduction de nouvelles fonctionnalités telles que la variabilité de la
demande du marché en fonction des performances de service de la chaîne logistique. De plus
les scénarios pédagogiques seront renforcés en fonction des expériences acquises et des
évaluations des formations expérientielles réalisées.
REMERCIEMENTS
Les auteurs remercient la Chaire de Recherche du Canada en Ingénierie d’Entreprise, le Fonds
APTIC de l’Université Laval pour le support financier des recherches, ainsi que la Fondation
Canadienne de l’Innovation pour le financement d’infrastructure des laboratoires. Les auteurs
remercient également Anne-Sylvie Borter, Marc Matthey, Souleiman Naciri de l’EPFL ainsi
qu’Alexandre Morneau de l’Université Laval pour leur implication lors des ateliers EMGSC.
19
RÉFÉRENCES
Chen F., Drezner Z., Ryan J.K., Simchi-Levi D. (2000), Quantifying the bullwhip effect in
a single supply chain: The impact of forecasting, lead times, and information, Management
Science, Vol. 46, N°3, pp. 436–443.
Dobson M., Kyrylov V., Kyrylova T. (2004), Decision training using agent-based business
strategy games, Proceedings of the seventh IASTED International Conference Computers and
Advanced Technology in Education, Kuai, Hawaii (USA), August 16-18, pp. 67-71.
Forrester J.W. (1958), Industrial dynamics: A major breakthrough for decision makers,
Harvard Business Review, Vol.36, N°4, pp. 37-66.
Forrester J.W. (1961), Industrial Dynamics. Cambridge, MA: MIT Press.
Gee J. (2003), What video games have to teach us about learning and literacy, Computers in
Entertainment (CIE), Vol. 1, N°1, pp. 20-23.
Gentry J.W., McGinnis L.P. (2008), Thoughts on How to Motivate Students Experientially,
Developments in Business Simulation and Experiential Learning, Vol. 35, Charleston, SC,
pp.73-77.
Gentry J.W., McGinnis L.P. (2009), Movement toward increased student roles in the design
of experiential exercices, Developments in Business Simulations and Experiential Exercises,
Vol. 36, pp. 44-47.
Hall J.S.B. (2009), Existing and emerging business simulation-game design movements,
Developments in Business Simulations and Experiential Exercises, Vol. 36, pp. 133-136.
Holweg M., Disney S., Holmström J., Småros J. (2005), Supply chain collaboration:
making sense of the strategy continuum. European Management Journal. Vol. 23, N° 2, pp.
170-181.
Jacobs F. R. (2000), Playing the beer distribution game over the Internet, Production and
Operations Management, Vol. 9, N°1, pp. 31-39.
Lee H.L., Padmanabhan V., Whang S. (1997), The Bullwhip Effect in Supply Chains,
Sloan Management Review, Spring 1997, Vol. 38, N°3, pp. 93-102.
Lee H.L., Padmanabhan V., Whang S. (2004), Information distortion in a supply chain: The
Bullwhip Effect, Management Science, Vol. 50, N°12, pp. 1875-1886.
Manske M., Conati C. (2005), Modelling learning in an educational game. Proceedings of
International Conference on Artificial Intelligence in Education (AIED), Amsterdam
(Netherlands), July 18-22.
Meca A., Timmer J. (2008), Supply chain collaboration. Supply Chain, Theory and
Applications. I-Tech Education and Publishing, Vienna, Austria, pp. 1-18.
20
Montreuil B., Brotherton E., Labarthe O., Morneau A. (2009), XBeerGame: simulations
participatives pour le pilotage et l'analyse de chaînes logistiques, Actes de CIGI 2009 - 8e
Congrès international de génie industriel, Tarbes (France), 10-12 juin.
Nienhaus J., Ziegenbein A., Schoensleben P. (2006), How human behaviour amplifies the
bullwhip effect - A study based on the beer distribution game online. Production Planning &
Control, Vol. 17, N°6, pp. 547-557.
Oblinger D. (2004), The next generation of educational engagement. Journal of Interactive
Media in Education, Special Issue on the Educational Semantic Web, Vol. 8, pp. 1-18.
Ovalle O.R., Marquez A.C. (2003), The effectiveness of using e-collaboration tools in the
supply chain: an assessment study with system dynamics. Journal of Purchasing and Supply
Management. Vol. 9, pp. 151-163.
Rieber, L. (2005), Multimedia Learning in Games, Simulations, and Microworlds in R.
Mayer (Ed.), The Cambridge handbook of multimedia learning, New York: Cambridge
University Press, pp. 549-567.
Ryan R.M., Deci E.L. (2000), Self-Determination Theory and the Facilitation of Intrinsic
Motivation, Social Development, and Well-Being, American Psychologist, Vol. 55, pp. 68-78
Shaffer D., Squire K.R., Halverson R., Gee J.P. (2005), Video games and the future of
learning, The Phi Delta Kappan, Vol. 87, N° 2, pp.104–111.
Simatupang T.M., Sridharan R. (2005), The collaboration index: a measure for supply
chain collaboration. International Journal of Physical Distribution and Logistics
Management, Vol. 35, N° 1, pp. 44-62.
Smith R. (2010), The Long History of Gaming in Military Training, Simulation & Gaming,
Vol. 41, N° 1, pp. 6-19.
Sterman J.D. (1992), The Beer Distribution Game: An annotated bibliography covering its
history and use in education and research, System Dynamics Group, M.I.T., U.S.A.
21
RIRL 2010 The 8th International Conference on Logistics and SCM Research BEM Bordeaux Management School September 29, 30 and October 1st 2010 Modélisation de la demande et du comportement des consommateurs
pour la simulation de chaînes logistiques de biens de consommation à
haute valeur ajoutée
Caroline Cloutier
[email protected]
Benoit Montreuil
Benoit.Montreuil @cirrelt.ulaval.ca
Olivier Labarthe
Olivier.Labarthe @cirrelt.ulaval.ca
Jonathan Loubier
Jonathan.Loubier @cirrelt.ulaval.ca
Centre Interuniversitaire de Recherche sur les Réseaux d'Entreprise, la Logistique et les Transports,
Chaire de Recherche du Canada en Ingénierie d'Entreprise,
Faculté des Sciences de l'Administration, Université Laval, Québec, Canada
Résumé
Cet article propose une approche de modélisation de la demande permettant de représenter
explicitement le comportement des consommateurs dans le cadre de simulations holistiques de
chaînes logistiques de biens de consommation à haute valeur ajoutée. La demande globale sur une
période de simulation est détaillée de façon à considérer les besoins personnalisés de
consommateurs interagissant avec un réseau de détaillants. L’approche de modélisation des
comportements clients, l’approche de génération de la demande ainsi que des résultats de
simulation représentatifs sont présentés dans cet article.
Mots clés: Chaînes logistiques, Modélisation et Simulation holistiques, Génération de la demande,
Modélisation de la demande, Modélisation des clients, Représentations comportementales des
consommateurs.
1
INTRODUCTION
Les transformations environnementales, tant économiques que technologiques, forcent les
entreprises à améliorer et à repenser de manière continue leurs chaînes d’approvisionnement et de
demande. Face à des clients disséminés à travers le monde et de plus en plus volatiles, les chaînes
logistiques visent à se centrer sur les consommateurs en répondant à une demande toujours plus
personnalisée, tout en étant collaboratives, innovantes et agiles. Dans le but d’estimer leurs
performances, la simulation s’inscrit naturellement auprès des décideurs afin de valider ou encore
d’évaluer diverses transformations organisationnelles et/ou décisionnelles.
Comme outil d’aide à la décision, la simulation favorise la compréhension et l’analyse par
l’établissement de différents scénarios. Dans leurs processus de décisions, les membres d’une
chaîne logistique cherchent à considérer toutes les facettes des entités d’affaires qui la composent
afin d’en assurer un pilotage efficient (Cloutier et al., 2001). Les simulations de chaînes
logistiques présentées dans la littérature se concentrent généralement sur des facettes spécifiques
ou proposent une vision agrégée du problème. Afin d’adapter la modélisation et la simulation
holistique requise pour en contraster les performances opérationnelles (exemple : production de
masse versus personnalisation de masse), les limites du niveau de granularité atteignable doivent
être repoussées. Il s’agit de couvrir le spectre de la chaîne logistique étudiée dans sa globalité
reposant sur une description détaillée de chacun de ses membres. La plateforme de simulation et
de pilotage d’entreprises étendues SPEE, décrite dans Montreuil et al. (2006a), exploite l’approche
orientée agent pour maximiser la profondeur de modélisation réalisable dans le cas de chaînes
logistiques de biens de consommation à haute valeur ajoutée. Ses nombreuses interfaces de
visualisation permettent aux décideurs d'atteindre une visualisation holistique requise pour
soutenir décisions ou analyses, (Montreuil et al., 2009). L’obtention de tels résultats repose en
premier lieu sur une riche représentation de la demande.
Au cours de cet article, une approche de modélisation de la demande est introduite, permettant
ainsi de représenter explicitement le comportement de multiples consommateurs. La demande est
générée pour un ensemble de clients qui disposent de profils différents et, par conséquent,
d’attentes différentes. La première étape de cette approche permet de répartir la demande globale
sur le territoire de vente de l’entreprise. La demande est ensuite distribuée dans le temps selon une
répartition hebdomadaire, journalière et horaire. Chaque demande est attribuée à un client. La
2
deuxième étape propose un ensemble de paramètres définissant le comportement de chaque client
demandeur, lui permettant ainsi d’évaluer les biens de consommation offerts par les détaillants, de
comparer les offres reçues et de prendre une décision d’achat.
L’article est structuré de la manière suivante. Une revue de littérature permet de positionner le
contexte de la recherche ainsi que les besoins qui découlent de la prise en compte des clients dans
une démarche holistique de modélisation et de simulation. La section suivante présente
l’environnement développé pour la génération de la demande et la conduite de différentes
expérimentations au sein de la plateforme SPEE. La section Modélisation des consommateurs
s’intéresse à la représentation et à la spécification des comportements clients. Ensuite, une section
est dédiée à la présentation des résultats obtenus selon l’approche de génération de la demande
proposée. Enfin, nous concluons sur les travaux de recherche pouvant bénéficier d’une
modélisation explicite de la demande et du comportement des consommateurs pour la simulation
de chaînes logistiques et nous identifions des pistes de recherche prometteuses.
REVUE DE LITTERATURE
La revue de littérature s’intéresse à la génération et à la modélisation de la demande selon trois
perspectives dans le contexte des chaînes logistiques. Dans un premier temps, la notion de chaîne
de demande (Demand Chain) est abordée afin de montrer comment cette approche exploite le
comportement des consommateurs. Ensuite, la génération de la demande est étudiée sur la base de
travaux de recherche relatifs à la simulation de systèmes manufacturiers et aux progiciels de
gestion. Enfin, la modélisation de la demande est traitée en présentant diverses études qui reposent
sur la définition de profils et de comportements de consommateurs.
La chaîne de demande est définie dans Treville et al. (2004) comme étant une chaîne
d’approvisionnement qui accorde une plus grande importance à la médiation de marché qu’à son
rôle d’assurer un approvisionnement physique efficient du produit. Afin de déterminer l’habilité de
médiation de marché entre paires de type client-fournisseur au sein d’une chaîne logistique, les
auteurs proposent une typologie de chaîne de demande qui repose sur : (i) différents modes de
transfert de la demande d’aval en amont (demande complète, partielle, voire inexistante), et (ii) la
disponibilité temporelle de l’information. Les conclusions de l’article dressent des concepts
managériaux généraux afin d’aider les gestionnaires et les décisionnaires dans la gestion de la
chaîne de demande. Heikkilä (2002) démontre à travers une étude de cas, qu’un des facteurs de
3
succès d’une telle approche de gestion repose en premier lieu sur l’établissement de bonnes
relations de type client-fournisseur, ainsi que sur l’échange efficace et fiable d'informations entre
collaborateurs. L’auteur précise que l'amélioration de la chaîne d'approvisionnement commence à
partir du client final et que le concept de Supply Chain Management doit être changé au profit de
la gestion de la chaîne de demande. Van Landeghem et Vanmaele (2002) présentent une seconde
étude de cas s’appuyant sur la simulation pour démontrer la robustesse d’une planification de
chaîne de demande. Dans les deux études de cas, les clients retenus correspondent à des
entreprises et non à des consommateurs aux besoins personnalisés.
La prise en compte de multiples consommateurs et l’impact de leur intégration au sein de chaînes
de demande sont abordés dans Montreuil (2005). L’auteur illustre les nombreux défis et impacts
organisationnels qui découlent du passage d’une chaîne de demande et d’approvisionnement
orientée production et distribution de masse, à une chaîne de demande et d’approvisionnement
orientée sur la personnalisation de masse. Selon Montreuil et al. (2006a), afin d’exploiter une
information sur la demande qui soit fiable et efficace, il apparait primordial pour l’ensemble des
membres d’une chaîne logistique de disposer d’applications informatiques qui appréhendent la
demande de manière holistique. Au niveau de la prise en considération et/ou de la génération de la
demande dans les chaînes logistiques, trois classes d’applications informatiques sont généralement
identifiées, à savoir : (i) les systèmes d’information permettant de regrouper, de classifier et de
diffuser les données relatives à la demande, (ii) les progiciels de gestion permettant de gérer des
processus opérationnels en intégrant l'ensemble des fonctions d’une ou de plusieurs entreprises, et
(iii) les environnements de simulation, permettant de prédire le comportement des systèmes
complexes (Labarthe, 2007).
L’un des éléments fondamentaux dans la définition de comportements de consommateurs pour
représenter la demande par simulation réside dans la difficulté de faire appel à des participants
humains afin de décrire des expériences réalistes. Généralement les travaux de recherche portant
sur la conception de chaînes logistiques considèrent la demande comme une fonction de
probabilité avec une moyenne et une variance, comme récemment présenté dans Bashiri et Tabrizi
(2010). Ce constat s’applique aussi aux travaux recensés au sein des revues de littérature de Terzi
et Cavalieri (2004) traitant de la simulation dans un contexte de chaîne logistique, de Monostori et
al. (2006) portant sur les systèmes multi-agents pour modéliser et simuler des systèmes
4
manufacturiers, et enfin de Ko et al. (2010) traitant des applications informatiques dédiées à la
gestion des chaînes logistiques. Afin de modéliser et de simuler de manière individuelle les
attentes et les comportements, de nombreux travaux s’appuient sur le paradigme agent pour
représenter à large échelle de multiples consommateurs (Ben Said et al., 2002), la dynamique du
système induite par leurs interactions avec un marché économique (Chaturvedi et al., 2005), ou
avec une chaîne logistique (Labarthe et al., 2007). Toute la difficulté de représentation réside alors
dans la définition de profils de consommateurs et dans les caractéristiques qui leurs sont associées.
Les travaux de recherche qui s’intéressent aux problématiques relatives à la modélisation de la
demande reposent sur la définition des comportements de consommateurs. L’approche de
modélisation à choix discrets (discrete choice modeling), originalement orientée vers les domaines
de l’économétrie et du transport, définit, pour un ensemble de choix offerts au décideur, les
attributs qui caractérisent chaque alternative ainsi que les attributs socio-économiques qui
décrivent le comportement du décideur afin de prédire l’alternative qu’il choisira. Au niveau du
transport, on évalue l’impact des changements de politiques ou des installations physiques du
système de transport sur le choix des individus pour un mode de transport ou pour un trajet routier
(Kitamura et al., 1997). Cette approche est présente dans plusieurs autres domaines dont les
industries de service qui ont recourt à cette approche pour définir les attentes des clients et ainsi
peaufiner leurs offres de service (i.e. gestion du revenu et des prix, définition des services offerts)
afin de maximiser leur chance d’être choisies parmi l’ensemble des options disponibles aux
preneurs de décision (Verma et al., 2008; Garrow, 2010).
Helander et Khalid (2000) représentent le consommateur selon trois processus de traitement de
l'information : perception des détails d’un e-magasin, prise de décisions et contrôle (action). À ceci
s’ajoutent des caractéristiques telles que les besoins individuels, les attitudes et la motivation, qui
permettent de définir différents comportements. Dans une chaîne logistique liée au secteur du
détail, Gómez et al. (2004) lient des attributs tels que la perception, la satisfaction et les ventes
afin de mesurer les décalages entre des changements de la satisfaction des consommateurs et des
changements de la performance des ventes en magasin. Montreuil et al. (2006b) définissent quatre
profils de consommateurs génériques permettant de définir un processus de génération de la
demande donnant lieu à des profils uniques par rapport aux attentes de délai de livraison :
Maintenant, Au Plus Tôt, Date Cible et Fenêtre de Temps Cible. Chaque profil est caractérisé par
5
un ensemble de paramètres qui permettent de montrer l’évolution de la satisfaction des
consommateurs dans le temps face à l’offre en termes de délai de livraison. Ce mode de
représentation de la demande par profil se retrouve dans Lee et Lodree (2010) par la définition de
trois comportements de consommateurs (neutre, impatient et patient) et Chan et al. (2010) (actifs
qui répètent leurs achats, des potentiels qui peuvent possiblement concrétiser un achat, et des
consommateurs qui initient un premier achat relativement à un premier produit). Dans Chan et al.
(2010) les auteurs s’intéressent à l’influence de multiples facteurs tels que l’attractivité, la qualité
et le prix des produits, sur les décisions stratégiques relatives aux perspectives de développement
de produits et leur commercialisation.
Les travaux de modélisation de la demande présentés ne répondent pas ou difficilement aux
besoins exprimés en introduction pour la modélisation et la simulation holistiques de chaînes
logistiques de biens de consommation à haute valeur ajoutée. Ainsi, la section suivante décrit la
principale contribution relative à la modélisation de la demande globale sur une période de
simulation. Il s’agit donc de proposer une approche permettant de représenter un ensemble de
consommateurs aux besoins personnalisés. Ainsi, chaque client est modélisé et simulé par un agent
disposant d’un comportement propre et unique. Les prochaines sections présentent la méthode
utilisée pour générer la demande du SPEE et celle utilisée pour modéliser l’ensemble des clients.
GENERATION DE LA DEMANDE POUR LA SIMULATION
L’approche holistique de modélisation et de simulation au sein de la plateforme SPEE repose en
premier lieu sur la génération de la demande. Cette section introduit l’approche utilisée pour
structurer cette génération, et illustre son application à l’aide d’un exemple de chaîne logistique
spécialisée dans l’assemblage et la distribution de motoneiges. Le paramétrage d’un scénario pour
une nouvelle simulation nécessite la définition d’un historique de demande et la création de la
demande pour la période simulée. L’historique peut provenir directement de la base de données de
l’entreprise lorsque disponible. Sinon, le SPEE guide l’utilisateur dans le paramétrage de la
demande pour les années précédant le début de la simulation afin de générer un historique de
demande. Ainsi, une base de données est créée donnant le détail des produits demandés auprès de
chaque détaillant pour les années précédentes. Le SPEE se sert de l’historique pour générer des
patrons de scénarios de demande qui servent de référence pour générer des instances de demande
lors de la conduite de travaux de simulation (Montreuil et al., 2006a).
6
La première étape de génération de la demande construit de façon stochastique la demande globale
pour la période simulée en appliquant aléatoirement un facteur de tendance à la demande
historique définie préalablement. Par exemple, le facteur de tendance peut être choisi selon une loi
normale avec une moyenne de 105% et un écart-type de 10%. Une fois la demande globale
générée, l’approche génère l’ensemble de clients demandeurs pour la période simulée. Par la suite,
l’approche définit la répartition de la demande sur le territoire par variation aléatoire autour des
proportions des années antérieures. Ainsi, la demande est répartie par pays, par régions dans
chaque pays, par provinces ou états par région de chaque pays. Une fois ces répartitions générées,
il s’agit d’affecter chaque client demandeur à une province ou un état spécifique.
Par la suite, la répartition hebdomadaire de demande est générée pour chaque état/province en
fonction d’une déviation probabiliste par rapport à l’historique fourni. La figure 1 représente un
exemple de répartition hebdomadaire générée pour le cas illustratif. La répartition journalière de la
demande de chaque semaine se fait selon un processus identique. La figure 2 illustre un exemple
pour une semaine particulière dans une province spécifique. De façon similaire, pour chaque jour
la répartition horaire de la demande est générée. En combinant ces répartitions, le temps ciblé
d’achat de chaque client demandeur est établi, en termes de date et d’heure.
9,00%
100,00%
90,00%
% cumul
80,00%
70,00%
Ventes
6,00%
60,00%
5,00%
50,00%
4,00%
40,00%
3,00%
30,00%
2,00%
20,00%
1,00%
10,00%
0,00%
0,00%
V e n te s
7,00%
% ventes
35%
30%
25%
20%
15%
10%
5%
0%
100%
% cumul
80%
60%
40%
20%
0%
D
L
Ma
Me
J
V
C u m u l d e s v e n te s
% ventes
Cumul des ventes
8,00%
S
Semaine
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51
Semaine
Fig. 1. Pourcentage des ventes par semaine
Fig. 2. Pourcentage des ventes par jour
Enfin, le pourcentage historique de fidélité des clients, par état/province si disponible, est utilisé
pour définir de façon stochastique le statut de chaque client demandeur, à savoir s’il s’agit d’un
nouveau client potentiel ou d’un client ayant déjà acheté un produit de l’entreprise étudiée. Le
résultat de cette première étape s’avère un ensemble de clients demandeurs pour la période
simulée, répartis dans des états ou provinces des régions des pays servis par l’entreprise, chacun
7
ayant un temps ciblé d’achat, ainsi qu’un statut à titre de nouveau client potentiel ou de client
existant. La prochaine étape modélise chacun des clients générés.
MODELISATION DES CONSOMMATEURS
L’approche de modélisation du consommateur repose sur la prise en compte de plusieurs
paramètres qui permettent de reproduire fidèlement le comportement décisionnel lors de l’achat
potentiel d’un bien à haute valeur ajoutée. En premier lieu, il s’agit d’identifier chaque client en
s’appuyant sur son statut (nouveau client potentiel ou client existant). Pour un client existant, un
choix aléatoire est réalisé parmi une banque de clients historiques de l’état ou de la province
concernée, le client prenant son identité et son comportement. Sinon, il s’agit de procéder à son
identification en tant que nouveau client potentiel en lui attribuant aléatoirement un nom et un
prénom parmi une banque préétablie, ainsi qu’une adresse représentée par un code postal.
L’adresse est sélectionnée à partir de la liste des codes postaux de l’état ou de la province, en
considérant la répartition de population si elle est disponible. Par la suite, pour chacun des clients
un profil d’interaction avec les détaillants est créé considérant la tendance des consommateurs à
visiter plusieurs détaillants avant d’acheter. S’ensuit la configuration des paramètres nécessaires
pour conférer aux clients la capacité de comparer les offres de produits avant de prendre une
décision d’achat. Les trois sections suivantes décrivent les éléments à considérer pour définir le
comportement du client au niveau du profil d’interaction avec les détaillants, de la comparaison
des offres et de la prise de décision.
Profil d’interaction avec les détaillants
Au sein de l’approche proposée, un nouveau client dispose d’un profil d’interaction avec les
détaillants qui est utilisé pour fixer la date et l’heure de début de ses visites en fonction du temps
ciblé d’achat. Le profil d’interaction d’un client avec les détaillants établit de façon stochastique le
nombre minimal et maximal de détaillants à visiter avant de prendre une décision d’achat. Ainsi,
l’intervalle du nombre d’interactions pour un client impulsif serait [1,1] puisqu’il visiterait qu’un
seul détaillant pour prendre sa décision d’achat. Un client à la recherche d’un meilleur prix serait
plutôt représenté par un intervalle [5,10]. Toutefois, l’approche accorde également un rayon
d’action maximale pour chaque client pour limiter la distance qu’il serait prêt à parcourir, ce qui
peut réduire le nombre maximal de détaillants visités. De plus, le nombre de jours entre les visites
chez les détaillants doit être spécifié selon une distribution représentative. Pour le cas illustré, le
8
nombre de jours varie entre 0 et 30 selon une loi gamma (X = (Nombre jours + 3), α = 6, β = 2.1).
Chaque client dispose d’une liste de détaillants triée par ordre de visite, parmi un ensemble de
détaillants potentiels à l’intérieur de son rayon d’action, et ce, selon une probabilité inversement
proportionnelle à la distance entre le détaillant et le domicile du client.
Ainsi, le profil d’interactions avec les détaillants permet de générer un calendrier d‘événements
qui précise pour chaque client, la date et l’heure exacte de la visite auprès du premier détaillant. Si
le client décide de visiter un autre détaillant, la date et l’heure seront établies en fonction de la
distribution caractérisant le nombre de jours entre les visites. Cette prochaine interaction avec un
détaillant sera insérée dans le calendrier.
Individualisation des offres
L’approche de modélisation est orientée vers un contexte multi produits où chaque produit est
défini par une agrégation d’un ensemble de caractéristiques. Pour le cas illustratif, l’entreprise
offre une gamme de 126 modèles de motoneige. Au départ le client n’est pas focalisé sur un
modèle en particulier. Il est plutôt à la recherche de certaines fonctionnalités qui seront propres au
bien de consommation simulé. Pour une motoneige, les fonctionnalités suivantes sont identifiées:
(i) Sécurité, (ii) Durabilité, (iii) Performance, (iv) Manœuvrabilité, (v) Apparence, (vi) Confort, et
(vii) Économie. Le client peut accorder plus ou moins d’importance à chacune des sept
fonctionnalités. Afin de maintenir une cohérence dans l’importance accordée à chaque
fonctionnalité, il s’agit d’attribuer un profil produit à chaque client et de spécifier le pourcentage
de la demande qui sera affecté à chaque type de profil. Dans l’exemple proposé, les profils produit
utilisés sont : (i) Sportif, (ii) Randonnée, (iii) Soigné, (iv) Familiale, (v) Travailleur, (vi)
Compétition de saut, (vii) Course sur glace, et (viii) Enfant. Les profils sont attribués de façon
probabiliste aux clients en fonction de la répartition indiquée. Pour chaque profil produit,
l’approche requiert de spécifier l’importance minimale et maximale que chaque fonctionnalité peut
représenter. Lors de la création du client, il s’agit d’affecter aléatoirement l’importance de chaque
fonctionnalité selon l’intervalle permis. L’importance est en pourcentage et la somme pour les
fonctionnalités doit correspondre à 100%. Par exemple, un client avec un profil produit Sportif
peut accorder une importance de 45% à la performance, 35% à la manœuvrabilité et 20% à
l’apparence. De cette façon, les clients ont tous des besoins individualisés, voire uniques. Outre les
fonctionnalités du produit recherché, le client dispose d’un budget à respecter. Afin d’éviter les
9
incongruités, le budget d’un client est fixé de façon probabiliste en se basant sur son profil produit.
Pour chaque profil, l’approche requiert de spécifier une distribution probabiliste du budget d’un
client représentative des modèles ciblés, la plus simple étant une distribution uniforme entre un
minimum et un maximum.
Comparaison des offres
Au sein de l’approche de modélisation, une évaluation de la satisfaction du client envers l’offre
d’un détaillant est réalisée en considérant le modèle, le prix et le délai de livraison. Un autre aspect
qui influence la satisfaction globale du client est le détaillant lui-même. Ainsi, le client retient la
satisfaction globale obtenue pour chacun des modèles présentés tout au long de son interaction
avec les détaillants afin d’acheter le modèle lui procurant la plus grande satisfaction globale
(combinaison produit et détaillant).
Caractéristique
Fonctionnalité
Sécurité
Performance
Durabilité
Confort
Économie
Apparence
Manœuvrabilité
Plateforme
Moteur
Couleur
Suspension
Chenille
Banc
0.33
0.3
0.5
0.3
0.3
0.4
0.5
0.17
0.5
0.5
0
0.6
0
0
0
0
0
0
0
0.6
0
0.17
0.1
0
0.5
0
0
0.2
0.25
0.1
0
0
0.1
0
0.3
0.08
0
0
0.2
0
0
0
Tableau 1 : Importance relative (IRF/C) de la caractéristique (C) du modèle de motoneige par
rapport à la fonctionnalité (F) recherchée par le client
Pour déterminer la satisfaction du client envers les modèles proposés, des tableaux d’importance
relative sont utilisés pour caractériser les fonctionnalités que le client recherche. Puisqu’un produit
est une agrégation de plusieurs caractéristiques, un premier tableau détaille l’importance relative
(IRF/C) de chaque caractéristique (C) du produit par rapport aux fonctionnalités (F) que recherchent
les clients. Ensuite est précisée la satisfaction (SF/TC) que chaque possibilité (ou type) de la
caractéristique (TC) représente pour chacune des fonctionnalités (F) que recherche le client.
Habituellement, des études de marché sont utilisées pour développer ces tableaux.
Type de
plateforme
Sécurité
Performance
Durabilité
Confort
Économie
Apparence
Manœuvrabilité
Course sur glace
Compétition saut
0
0
1
1
1
1
0
0.2
0
0.1
0.3
1
0.3
1
Fonctionnalité
10
Super performance
Performance
Montagne
Promenade de luxe
Promenade
Familiale
Travail
Enfant
0.1
0.9
0.4
0.5
0.3
1
1
0.2
0.8
0.6
0.6
0.4
0.8
0.8
0.4
0.7
0.6
0.7
0.6
0.7
0.7
1
0.5
1
1
0.8
0.5
0.5
0.9
0.4
0.8
0.9
1
0.4
0.4
1
0.4
1
0.8
0.9
0.3
0.4
0.7
0.6
0.7
0.5
0.7
0.2
1
1
0
0.7
0.8
1
0
0.4
Tableau 2 : Satisfaction (SF/TC) du type de plateforme de motoneige (TC) pour la fonctionnalité (F)
recherchée par le client
Dans ce cas-ci, les motoneiges sont caractérisées par les aspects suivants : (i) Plateforme (10
types), (ii) Moteur (13 types), (iii) Suspension (3 types), (iv) Chenilles (2 types), (v) Banc (3
types), et (vi) Couleur (4 types). Par exemple, la deuxième ligne du tableau 1 indique que la
fonctionnalité Performance découle directement du moteur, de la plateforme, de la suspension et
de la chenille. De même, chaque plateforme affectera la performance. Le tableau 2 montre, pour
chaque fonctionnalité recherchée par le client, la satisfaction qu’il obtient dépendant du type de
plateforme.
Lorsqu’un détaillant propose un modèle, la formule suivante est utilisée pour calculer la
satisfaction du client envers ce modèle :
S modèle = ∑∑ I F (IRF / C (S F / TC ))
F
où
(1)
C
S : Satisfaction du modèle
F : Fonctionnalité
C : Caractéristique du produit
TC : Type de la caractéristique C
IF : Importance accordée à la fonctionnalité F par le client
IRF/C : Importance relative de la caractéristique C pour la fonctionnalité F
SF/TC : Pourcentage de satisfaction du type de la caractéristique TC pour la fonctionnalité F
De plus, le prix du modèle offert influence la satisfaction du client (Sprix) en fonction du budget.
Plusieurs fonctions peuvent être utilisées pour calculer cette satisfaction. Dans ce cas-ci :
(i) Sprix = 1.05 si le Prix < Budget – 500 $,
(ii) Sprix = 1 si le Prix = Budget +/- 500$,
(iii) Sprix = 1 / (1 + (Prix – Budget - 500) / 1000) si le Prix > Budget + 500$.
11
La satisfaction du client envers le délai de livraison proposé par un détaillant est déterminée selon
la méthode présentée dans Montreuil et al. (2006b). Le temps zéro correspond au moment présent
dans la simulation et à un niveau de satisfaction de 100%. L’approche précise pour chaque client
un temps de décrochage ultime (Tdec) qui correspond à un niveau de satisfaction de 0%. Dans ce
cas-ci, le Tdec est fixé aléatoirement entre 0 et 30 jours. La fonction de satisfaction du client envers
le délai est paramétrée en fonction de son Tdec et de son degré de non linéarité (DNL). Le DNL est
une valeur comprise entre ]-1,1[ qui mesure la non linéarité de la décroissance de la satisfaction du
client. Un client dont le DNL = 0 a une décroissance linéaire dans le temps jusqu’à son Tdec. Plus
le DNL tend vers 1, plus le client est impatient puisque son niveau de satisfaction diminue
rapidement en fonction du temps. Plus le DNL tend vers -1, plus le client sera patient et ouvert aux
délais de livraison. La figure 3 illustre trois courbes de satisfaction de clients qui ont tous un temps
de décrochage ultime normalisé en fonction d’une fraction du délai maximal. On remarque que
pour un même seuil correspondant au degré de tolérance à l’insatisfaction (DTI) du client, le délai
qui sera accepté (DR) par celui-ci est très différent entre les trois cas modélisés.
NS
NS
NS
DTI
temps
DR
temps
DR
temps
DR
Figure 3 : Évolution de la satisfaction du client en fonction du délai d’attente (DNL > 0, DNL=0 et
DNL < 0), Source : Montreuil et al. 2006b
La satisfaction du client envers l’offre du détaillant (Soffre) est calculée en fonction de la
satisfaction envers le prix du produit (Sprix), la satisfaction envers le modèle (Smodèle) et la
satisfaction envers le délai de livraison proposé (Sdélai) selon la formule suivante :
S offre =
S prix + S mod èle xS délai
2
(2)
Le détaillant a également une influence sur la satisfaction globale et la décision d’achat du client
dont les éléments sont : (i) l’accueil, (ii) la salle de montre, (iii) les modèles proposés, et (iv) la
fidélité. La satisfaction du client envers l’accueil est fonction du nombre de vendeurs, leur
formation et leur comportement, ainsi que l’historique des ventes du détaillant.
12
•
Nombre de vendeurs : un vendeur correspond à un chiffre d’affaires entre une valeur
minimum et maximum. Si le nombre de vendeurs correspond au chiffre d’affaires, le client
sera satisfait. Il sera moins satisfait si le nombre de vendeurs est inférieur et plus satisfait si
le nombre de vendeurs est supérieur.
•
Formation du vendeur : elle influencera l’aptitude du vendeur à proposer des modèles
correspondant aux besoins du client. La satisfaction du client sera proportionnelle à la
formation du vendeur (i.e. formation 95% = satisfaction 95%). La formation du vendeur est
fixée dans les paramètres du détaillant.
•
Comportement du vendeur : chaque vendeur est également caractérisé par un
comportement de vente (passif, réactif, ou proactif). Un vendeur passif suggère
uniquement les modèles en inventaire qu’il juge approprié pour le client (selon son
interprétation des besoins du client). Le client perçoit une satisfaction de 25% pour ce type
de vendeur passif. Le vendeur réactif offrira également les produits en inventaire qui
répondent au besoin du client. De plus, certains vendeurs réactifs offriront des modèles de
substitution (qu’ils ont en inventaire mais qui correspondent moins aux besoins) tandis que
les autres offriront des modèles qui ne sont pas en inventaire avec un délai de livraison. Le
client obtient une cote de satisfaction de 50% avec un vendeur réactif. Le vendeur proactif
utilisera les trois approches : les produits en inventaire qui semblent correspondent aux
besoins, les produits de substitution et les délais de livraison. Le client obtient une
satisfaction de 100% avec un vendeur agressif.
•
Appréciation générale du détaillant: le client sera généralement plus satisfait de son
accueil auprès d’un détaillant ayant une solide réputation et ayant le vent dans les voiles.
L’augmentation du chiffre d’affaires (CA) du détaillant au cours des années précédentes,
basée sur l’historique, sert à approximer l’appréciation générale du détaillant. Pour calculer
la satisfaction par rapport à cette facette, un pourcentage des écarts sur l’historique est
utilisé, soit (CA-1 – CA-n) / CA-1 où n est le nombre d’années d’historique disponible.
La satisfaction totale du client envers l’accueil du détaillant (Saccueil) est estimée par la moyenne
des satisfactions obtenues pour le nombre de vendeurs (S#vendeurs), leur formation (Sformation) et leur
comportement (Scomportement), ainsi que l’appréciation générale (Shistorique) du détaillant.
13
S accueil =
S # vendeurs + S formation + S comportement + S historique
4
(3)
La satisfaction envers la salle de montre (Ssalle) est fonction du nombre de modèles différents en
inventaire. La méthode utilisée doit être représentative du bien de consommation simulé. Dans le
cas des motoneiges, le pointage suivant est utilisé pour calculer le taux de satisfaction du client
envers la salle de montre : (i) premier modèle de motoneige avec une plateforme particulière
donne un pointage de 6 %, (ii) deuxième modèle avec la même plateforme obtient un pointage de
3 %, (iii) troisième modèle avec la même plateforme, le pointage est de 1 %, (iv) quatrième
modèle avec la même plateforme, le pointage est de 0 %, et (v) deuxième exemplaire d’un modèle,
le pointage est de 0 %. L’inventaire du détaillant est parcouru en allouant les points correspondant
à chaque modèle pour trouver le pointage total de satisfaction. Toutefois, la satisfaction ne peut
pas être supérieure à 100%.
La satisfaction du client envers les modèles proposés dépend de l’habileté du vendeur à interpréter
les besoins du client et à proposer des modèles appropriés. La satisfaction du client envers les
propositions (Spropositions) du vendeur diminue à chaque fois qu’on lui propose un modèle qui ne
correspond pas à ses besoins, et ce, jusqu’à ce qu’un modèle approprié soit proposé. La fidélité du
client envers le détaillant a pour effet d’augmenter sa satisfaction. On détermine, de manière
stochastique, si le client est fidèle et, si oui, à quel point (Sfidelité). La distribution utilisée doit bien
représenter la réalité du produit simulé. Dans tous les cas, le client sera fidèle uniquement envers
le premier détaillant dans sa liste de visites. Ainsi, la satisfaction du client envers le détaillant est
obtenue avec l’équation suivante :
⎛
⎞
+ S salle + Svendeur ⎤
⎡S
S détaillant = min⎜⎜100%, ⎢ accueil
* (1 + S fidélité )⎟⎟ (4)
⎥
3
⎣
⎦
⎝
⎠
La satisfaction globale (Sglobale) du client pour l’offre que lui fait le vendeur est donc fonction de la
satisfaction face à l’offre (Soffre) et celle face au détaillant (Sdétaillant). Chaque client accorde un
pourcentage d’importance (α) envers la satisfaction de l’offre et le restant envers le détaillant (1α). Encore une fois, il s’agit de reproduire la réalité en attribuant une fonction probabiliste
appropriée. Dans le cas étudié, l’importance accordée à l’offre varie aléatoirement entre 50% et
100%. Le client calcule sa satisfaction globale envers un modèle avec l’équation suivante :
14
S globale = αS offre + (1 − α ) S détaillant
(5)
Décision d’achat
Chaque client peut prendre une décision d’achat une fois que le nombre minimal d’interactions
avec les détaillants est atteint. Un seuil de satisfaction minimal du client est spécifié ainsi que son
seuil de satisfaction incontournable, qui est obligatoirement supérieur au seuil minimal. Lorsque la
satisfaction globale d’une offre est supérieure au seuil de satisfaction incontournable du client, le
client achète immédiatement le modèle proposé. Toutefois, si le client ne reçoit pas d’offre
incontournable, il poursuit ses visites jusqu’au nombre maximal d’interactions avec les détaillants.
Par la suite, si une ou des offres ont généré une satisfaction globale supérieure à son seuil de
satisfaction minimal, le client négociera l’achat du modèle pour lequel il a la plus grande
satisfaction globale, chez le détaillant qui lui a fait l’offre. À l’arrivée du client, si le détaillant a
toujours le modèle en inventaire, la vente a lieu. Sinon, le vendeur peut proposer d’autres modèles
ou un certain délai de livraison. Le client compare sa satisfaction envers cette nouvelle offre aux
autres qu’il a recueillies. Il cherchera ensuite à acheter le prochain modèle ayant obtenu la plus
grande satisfaction globale, chez le détaillant correspondant, et ce, jusqu’à ce qu’aucune offre
n’atteigne son seuil de satisfaction minimal. Finalement, si aucune offre n’atteint le seuil de
satisfaction minimal du client, il quitte le réseau de détaillants sans acheter.
RESULTATS DE SIMULATION
Lors de la conduite de simulations, il apparait primordial pour les décideurs d’accéder et de
visualiser les évènements macroscopiques qui se déroulent sur le territoire. Plusieurs visualisateurs
couvrant l’ensemble des enjeux logistiques simulés par le SPEE (consommateurs, réseau de détail,
distribution, entreposage, finances, transport, production et fournisseurs) ont été développés afin
de bien synthétiser ce qui se passe durant la conduite de simulations (Montreuil et al., 2009). Ces
visualisateurs sont holistiques et offrent une vue d’ensemble de la situation mais permettent de
creuser chaque aspect en profondeur pour atteindre une vue détaillée de chaque événement. Cette
section décrit les trois visualisateurs qui ont été développés spécifiquement pour représenter
l’interaction des consommateurs avec le réseau des détaillants.
15
La carte des événements clients, illustrée à la figure 4, est un visualisateur qui utilise l’affichage
cartographique pour représenter les interactions client/détaillant en cours et la satisfaction du client
à l’issue d’une négociation d’achat. Chaque étoile représente la localisation géographique d’un
détaillant. Au début de la simulation, il n’y a pas de clients chez les détaillants et ces derniers sont
représentés par des étoiles bleu marin. Chaque fois qu’un client visite un détaillant, l’issue de la
visite influencera la couleur de l’étoile et une description s’affichera au bas de l’écran. Une étoile
grise indique que le client décide de ne pas acheter tout de suite mais de continuer à visiter
d’autres détaillants et une description de l’événement s’affiche au bas de l’écran (i.e. 2006-10-31 –
09 :58 : Moïse Rossignon magasine chez le détaillant 185). Lorsque le client achète le produit qui
correspond le mieux à ses besoins parmi ceux offerts par le détaillant, l’étoile du détaillant devient
momentanément verte. Une étoile bleu clair s’affiche si le client achète le produit idéal qui
correspond exactement à ses besoins. L’étoile devient jaune si le client a acheté un produit de
substitution et la description est plutôt du type : Maddy Lhoest a acheté le produit 2797 à la place
du produit 2799 chez le détaillant 149. Une étoile orange indique que le client a accepté un certain
délai de livraison. Lorsque la négociation d’achat échoue et que le client décide de quitter le réseau
de détaillants sans acheter, l’étoile devient rouge. Finalement, une étoile noire correspond à un
client dont aucun modèle offert par le détaillant ne comble ses besoins.
16
Figure 4 : Carte des événements clients
Le graphique des événements clients présenté à la figure 5 affiche les informations précédentes
sous forme d’histogramme selon le même code de couleur. Il est mis à jour en continu pendant la
simulation et donne une vue d’ensemble sur l’issue des événements clients pour tout le réseau. Il
permet également de forer l’information pour détailler les résultats selon certains détaillants,
certaines régions, certains produits ou une combinaison de ceux-ci.
17
Figure 5 : Graphique des événements clients
Étant donné la possibilité de reconnaître un client ayant acheté le produit répondant le mieux à ses
besoins ou plutôt un produit de substitution, l’option Matrice de Substitution du visualisateur
Aperçu des ventes affiche cette information. La figure 6 illustre le cas où la substitution de
plateformes de motoneige est analysée. L’abscisse représente la plateforme achetée tandis que
l’ordonnée représente la plateforme qui correspond la mieux aux besoins du client. Le cercle dans
la cellule indique par son diamètre la quantité de ventes correspondant à cette situation. Idéalement
le réseau a des ventes uniquement sur la diagonale (cellules ombragées) puisque cela correspond
aux clients qui ont acheté la plateforme qui répondait le mieux à leurs besoins. Encore une fois, ce
visualisateur peut donner une vue d’ensemble mais peut aussi détailler les informations selon
certains modèles, certaines caractéristiques, certains détaillants ou certaines régions.
18
Figure 6 : Correspondance des achats avec les besoins des clients
CONCLUSION
La simulation holistique d’une chaîne logistique de biens de consommation à haute valeur ajoutée
nécessite une représentation spécifique des besoins et du comportement des consommateurs. Au
cours de cet article, une approche de modélisation de la demande est proposée permettant de
générer une demande globale pour une période simulée pour ensuite la subdiviser
géographiquement et temporellement. La seconde partie de l’approche de modélisation repose sur
une représentation explicite du comportement de chaque client. Chaque comportement est spécifié
selon un ensemble de paramètres qui permettent à chaque client d’évaluer de manière individuelle
les produits offerts sur le marché, de comparer les offres reçues et de prendre une décision d’achat.
L’article introduit un ensemble de visualisateurs permettant, en cours de simulation ou après celleci, d’analyser l’évolution de la demande, le comportement des clients et leur degré de satisfaction.
19
L’approche de modélisation proposée nécessite la configuration de plusieurs paramètres afin que
les comportements des agents clients puissent être représentatifs de ceux des consommateurs réels
de la chaîne logistique simulée. Une fois la clientèle bien représentée, le SPEE peut être utilisé
pour vérifier l’impact de changements ciblés par rapport au réseau de l’entreprise sur la
satisfaction des clients, ouvrant de nombreuses pistes de recherche empirique. Par exemple, il
devient possible d’estimer l’impact de la réduction ou de l’augmentation de la gamme de produits
offerts sur le nombre de véhicules vendus, la profitabilité et la satisfaction globale des clients. Il
devient aussi possible de simuler des clientèles différentes pour un même réseau logistique afin
d’analyser la polyvalence des modèles du produit.
RÉFÉRENCES
Bashiri M., Tabrizi M.M. (2010), Supply chain design: A holistic approach, Expert Systems with
Applications, Vol. 37, n° 1, pp. 688-693.
Ben Said L., Bouron T., Drogoul A. (2002), Agent-based interaction analysis of consumer
behavior, Proceedings of the 1st International Conference AAMAS, Bologna (Italy), July 15 - 19.
Chan S.L., Ip W.H., Cho V. (2010), A model for predicting customer value from perspectives of
product attractiveness and marketing strategy, Expert Systems with Applications, Vol. 37, n° 2, pp.
1207-1215.
Chaturvedi S., Mehta D., Dolk D., Ayer R. (2005), Agent-based simulation for computational
experimentation: Developing an artificial labor market, European Journal of Operational
Research, Vol. 166, n° 3, pp. 694–716.
Cloutier L., Frayret J.-Y., D'Amours S., Espinasse B., Montreuil B. (2001). A CommitmentOriented Approach to Networked Manufacturing, International Journal of Computer Integrated
Manufacturing . Vol. 14, n° 6, pp. 522-534.
Garrow L.A. (2010), Discrete Choice Modelling and Air Travel Demand : Theory and
Application, Ashgate Publishing: Aldershot, United Kingdom, 272 pages.
Gómez M. I., McLaughlin E. W., Wittink D. R. (2004), Customer satisfaction and retail sales
performance: an empirical investigation, Journal of Retailing, Vol. 80, n° 4, pp. 265-278.
Heikkilä J. (2002), From supply to demand chain management: efficiency and customer
satisfaction, Journal of Operations Management, Vol. 20, n° 6, pp. 747-767.
20
Helander M. G., Khalid H.M. (2000), Modeling the customer in electronic commerce, Applied
Ergonomics, Vol. 31, n° 6, pp. 609-619.
Kitamura R., Mokhtarian P.L., Laitet L. (1997), A Micro-Analysis of Land Use and Travel in
Five Neighborhoods in the San Francisco Bay Area, Transportation Vol. 24, n° 2, pp. 125-158.
Ko M., Tiwaria A., Mehnen J. (2010), A review of soft computing applications in supply chain
management, Applied Soft Computing, Article in press.
Labarthe O. (2006), Modélisation et Simulation Orientées Agents de Chaînes Logistiques dans
un Contexte de Personnalisation de Masse : Modèles et Cadre Méthodologique, Thèse de doctorat,
Université Paul Cézanne et Université Laval.
Labarthe O., Espinasse B., Ferrarini A., Montreuil B. (2007), Toward a methodological
framework for agent-based modelling and simulation of supply chains in a mass customization
context, Simulation Modelling Practice and Theory, Vol. 15, n° 2, pp. 113 – 136.
Lee H., Lodree E.J. (2010), Modeling customer impatience in a newsboy problem with timesensitive shortages, European Journal of Operational Research, Article in press.
Monostori L., Vancza J., Kumara S.R.T. (2006), Agent-Based Systems for Manufacturing,
CIRP Annals - Manufacturing Technology, Vol. 55, n° 2, pp. 697-720.
Montreuil B. (2005), Production planning optimization modeling in demand and supply chains of
high-value consumer products, in Logistics Systems: Design and Optimization, Springer.
Montreuil B., Cloutier C., Labarthe O., Loubier J. (2006a), Holistic agent-oriented modelling
of demand and supply chains, Proceedings of ILS, Lyon (France), May 15-17.
Montreuil B., Labarthe O., Cloutier C., Zheng X. (2006b), Modélisation des clients pour la
simulation de dates de livraison, MOSIM, Rabat (Maroc), 3-5 Avril.
Terzi S., Cavalieri S. (2004), Simulation in the supply chain context: a survey, Computers in
Industry, Vol. 53, n° 1, pp. 3-16.
de Treville S., Shapiro R. D., Hameri A.P. (2004), From supply chain to demand chain: the role
of lead time reduction in improving demand chain performance, Journal of Operations
Management, Vol. 21, n° 6, pp. 613-627.
Van Landeghem H., Vanmaele H. (2002), Robust planning: a new paradigm for demand chain
planning, Journal of Operations Management, Vol. 20, n° 6, pp. 769-783.
Verma R., Plaschka G.R., Hanlon B., Livingston A., Kalcher K. (2008), Predicting customer
choice in services using discrete choice analysis, IBM Systems Journal, Vol. 47, n° 1, pp. 179-190.
21

training and simulation in supply chain management

Transcription

Documents pareils

Prochain atelier du jeudi soir au CIJA

Arnautu Galette Bordeaux

Formation Expériences professionnelles Compétences Centres d`intérêt

La Suisse est online

Réflexion sur la création d`une formation en ligne dans le cadre d`un

Information du Proviseur concernant la rentrée

Plan tram et hôtels

Maisons et villas sur Lege Cap Ferret Réf

Martine Marcuz - AMBG-Flam