Demand Management optimise les ressources et réduire le gaspillage

"Pourquoi c’est la précision des prévisions, et non pas seulement la discipline en atelier, qui détermine la quantité de matière et de capacité que vous gaspillez

Une chaîne de production ne gaspille pas de matières premières parce que les opérateurs sont négligents. Elle en gaspille parce que le plan transmis à l'atelier était déjà erroné. Lorsqu’une prévision de la demande présente un écart de 10 % ou plus, les conséquences se traduisent rarement par une ligne comptable intitulée « erreur de prévision ». Elles se traduisent par des commandes urgentes, des expéditions accélérées, des machines à l’arrêt entre des changements de série imprévus, et des matières premières qui restent en entrepôt jusqu’à ce qu’elles périment ou soient passées en perte. Pour un directeur d’usine ou un responsable de production, ce gaspillage est attribué à l’atelier car c’est là qu’il devient visible, même si la cause profonde se situe une étape en amont, dans le plan lui-même. Le logiciel de gestion de la demande de sedApta s’attaque directement à cette cause profonde, transformant la précision des prévisions, qui n’était jusqu’alors qu’un indicateur interne du service de la chaîne d’approvisionnement, en un levier d’optimisation des ressources dont l’ensemble de l’usine peut tirer parti.

Points clés à retenir

• Remontez la piste du gaspillage de matériaux et de capacité jusqu’à la précision des prévisions, au lieu de limiter l’analyse à l’exécution en atelier.

• Réduisez les erreurs de prévision à l’aide de modèles statistiques, de prévisions intelligentes et de contributions collaboratives, plutôt que de vous limiter à une feuille de calcul statique.

• Réduisez les stocks tampons et les stocks de sécurité en reliant directement les signaux de demande à la planification des ressources et des capacités.

• Libérez le fonds de roulement actuellement immobilisé dans les excédents de matières premières et de produits finis.

• Suivez l'impact à l'aide des jours d'approvisionnement en stock, de la précision des prévisions et du coût total de la chaîne d'approvisionnement exprimé en pourcentage du chiffre d'affaires.

• Organisez le déploiement en commençant par les références et les lignes de production qui génèrent le plus de gaspillage à l’heure actuelle.

Pourquoi le gaspillage des ressources trouve son origine dans un problème de demande

Les industriels ont réalisé de réels progrès en matière de gaspillage au cours des deux dernières décennies. Les données d’Eurostat montrent que l’activité manufacturière dans l’UE a généré 166 millions de tonnes de déchets en 2022 (hors déchets minéraux majeurs), ce qui représente 10,4 % de la production totale de déchets de l’UE et une baisse de 30,7 % par rapport aux niveaux de 2004 (Eurostat, Statistiques sur les déchets (). Cette baisse reflète des investissements concrets dans des processus plus rationnels, de meilleurs équipements et un contrôle qualité plus rigoureux. Cela ne signifie pas pour autant que le volet « planification » ait rattrapé son retard.

La majeure partie de ce qui est encore gaspillé dans une usine trouve son origine dans une décision prise plusieurs semaines auparavant : quelle quantité produire, quand et à partir de quelles matières premières. Lorsque cette décision repose sur un chiffre de demande qui s’avère erroné, c’est l’usine qui en subit les conséquences. Si la demande est surestimée, des matières premières sont achetées, transformées et stockées pour des commandes qui n’arrivent jamais, immobilisant ainsi des capacités qui auraient pu servir à fabriquer un autre produit nécessaire. Si elle est sous-estimée, la même usine se retrouve en situation d’urgence : heures supplémentaires, commandes d’urgence à des prix majorés et transport accéléré pour combler un déficit qu’une meilleure planification aurait permis de détecter des mois à l’avance.

Les recherches de McKinsey sur les prévisions basées sur l’IA chiffrent l’ampleur des corrections possibles dans ce domaine : l’application de prévisions basées sur l’IA à la gestion de la chaîne d’approvisionnement peut réduire les erreurs de prévision de 20 à 50 %, ce que McKinsey associe à une diminution des pertes de chiffre d’affaires et de l’indisponibilité des produits pouvant atteindre 65 %, ainsi qu’à une réduction des coûts d’entreposage de 5 à 10 % (McKinsey, « Des prévisions plus fiables dans la gestion des opérations, même avec des données insuffisantes »). Ce sont là des chiffres théoriques relatifs à la chaîne d’approvisionnement, mais chacun d’entre eux a une correspondance concrète sur le site de production : moins de matériaux stockés en entrepôt, moins de productions d’urgence, moins d’heures d’inactivité passées à attendre l’arrivée des composants nécessaires.

Prenons l’exemple d’un fabricant de produits discrets exploitant une gamme de produits à volume moyen. Les prévisions tablent sur 12 000 unités pour le mois prochain, sur la base d’une moyenne mobile des six derniers mois. Les commandes réelles s’élèvent à 9 500 unités. L’usine a déjà prélevé et mis à disposition les matières premières pour 12 000 unités, effectué un changement de ligne pour les produire et affecté deux équipes de travail au planning. L’écart de 2 500 unités ne disparaît pas. Il se transforme en produits finis stockés dans un entrepôt, immobilisant le fonds de roulement et l’espace physique, jusqu’à ce que quelqu’un décide de les vendre à prix réduit, de les mettre au rebut ou d’attendre une reprise de la demande qui pourrait ou non se produire au volume initialement prévu. Imaginons maintenant le même scénario dans le sens inverse, avec une demande réelle de 15 000 unités au lieu de 9 500, que l’usine absorbe sous forme de commande urgente : des heures supplémentaires approuvées à la dernière minute, un fournisseur contacté pour une livraison accélérée à un prix majoré, et un planning de réoutillage remanié à la va-vite, au détriment du produit qui devait être fabriqué ensuite. Aucun de ces deux scénarios n’a nécessité qu’un seul opérateur commette une erreur. Tous deux ont été déclenchés par une prévision qui s’est écartée d’environ la même marge que celle citée par McKinsey comme étant la fourchette corrigible par l’IA.

Ce schéma se retrouve dans tous les secteurs, mais il est plus marqué lorsque le produit lui-même a une durée de conservation limitée. Dans l’industrie agroalimentaire, une erreur de prévision de la demande ne se limite pas à l’immobilisation d’espace d’entreposage : elle se traduit par la détérioration des produits et une dépréciation directe. L’optimisation des chaînes d’approvisionnement F&B à l’aide de modules avancés de gestion de la chaîne logistique (SCM) pour la planification et la gestion de la demande examine comment la combinaison de la planification de la demande et des ressources réduit ce risque spécifique dans les catégories de produits périssables. Le mécanisme qui y est décrit, à savoir la précision des prévisions alimentant directement l’allocation des ressources, est le même que celui abordé dans cet article pour la fabrication discrète et la fabrication en continu de manière plus générale.

 

Le coût caché des erreurs de prévision en atelier

Demandez à un directeur d’usine d’où proviennent les gaspillages et la réponse désignera généralement l’atelier lui-même : taux de rebut, pertes liées aux changements de production, pics de consommation d’énergie pendant les périodes d’inactivité. Ces problèmes sont réels et méritent d’être résolus en tant que tels. Mais une grande partie de ce qui ressemble à un problème d’exécution est en réalité un problème de planification déguisé en problème d’exécution.

Les données d’analyse comparative issues de l’étude SCORmark menée par l’ASCM et PwC illustrent l’écart entre les chaînes d’approvisionnement moyennes et celles les plus performantes précisément sur ce point. Les entreprises aux performances médianes (niveau « Parité ») disposent de 63,3 jours de stock en main ; les plus performantes (niveau « Supérieur ») n’en disposent que de 23,5 jours (résultats de l’analyse comparative ASCM/PwC SCORmark). Les données SCORmark n’identifient pas de cause unique à cet écart, mais elles s’inscrivent dans une tendance plus générale : les chaînes d’approvisionnement qui obtiennent de meilleurs scores en matière de maturité de la planification et des prévisions sont également associées à des stocks tampons nettement moins importants, la différence ne résidant pas principalement dans la gestion des entrepôts. Ce même ensemble de références montre que le coût total de gestion de la chaîne d’approvisionnement varie de 4,2 % du chiffre d’affaires des produits (médiane) à 2,7 % pour les plus performantes, un écart qui se répercute directement sur la marge.

Au niveau de l’usine, cet écart se traduit par des événements concrets et quantifiables : un changement de ligne de production pour un produit qui reste ensuite invendu, une facture de transport express pour pallier une rupture de stock qu’une meilleure prévision aurait signalée trois semaines plus tôt, une équipe de surtemps approuvée pour rattraper le retard sur une commande urgente que le plan n’avait pas anticipée. Aucun de ces éléments n’est comptabilisé comme « erreur de prévision » dans un rapport de coûts. Ils sont comptabilisés comme des frais de transport, de main-d’œuvre et des dépréciations de stocks, ce qui explique précisément pourquoi la cause profonde est si facile à négliger et si difficile à anticiper dans le budget.

La main-d’œuvre absorbe une partie de ce même coût qui est rarement imputée correctement. Une équipe d’opérateurs prévue pour un cycle de production planifié représente, dans tous les cas, un coût fixe. Une équipe d’opérateurs amenée à effectuer des heures supplémentaires parce qu’une commande urgente est arrivée avec un préavis de deux jours, ou maintenue inactive parce que les composants pour la prochaine série prévue ne sont pas arrivés, représente un coût évitable. Aucun de ces deux cas n’apparaît dans un rapport sur la précision des prévisions, mais tous deux figurent chaque mois dans un rapport sur les coûts de main-d’œuvre, ce qui explique en partie pourquoi le lien entre les deux n’est si souvent pas établi au niveau de l’usine.

Le module « Resource & Supply Planning » de sedApta comble directement cette lacune au niveau de l’usine. Il planifie en fonction des contraintes physiques, logiques et financières réelles plutôt que d’une capacité théorique, équilibre la demande de manière dynamique entre plusieurs sites de production lorsqu’une commande peut être prise en charge par plusieurs usines, et vérifie la disponibilité des matériaux avant qu’un goulot d’étranglement dans l’ordonnancement ne devienne un problème de production concret. Le module est conçu pour réduire le nombre de corrections d’urgence, précisément parce que le plan qu’il génère ne nécessite pas d’être corrigé aussi souvent.

Comment sedApta Demand Management améliore la précision des prévisions

Si le gaspillage trouve son origine dans un problème de demande, c’est là aussi que la solution doit commencer. sedApta Demand Management s’articule autour de cinq fonctionnalités, chacune ciblant une cause spécifique d’erreur dans les prévisions avant même qu’elles n’atteignent l’atelier de production.

La prévision statistique génère une courbe de prévision de référence à l’aide d’algorithmes qui s’adaptent à la saisonnalité, aux tendances et aux anomalies de la demande historique, remplaçant ainsi une moyenne mobile linéaire par un modèle qui reflète réellement le comportement de la demande d’un produit. La prévision collaborative intègre les données des ventes dans le même processus, au lieu de les laisser dans une feuille de calcul distincte dont le service de planification ne prend connaissance qu’après coup, permettant ainsi d’établir un chiffre consensuel sur lequel s’appuient la production, l’approvisionnement et les ventes. La prévision intelligente applique des modèles d’apprentissage automatique aux données en temps réel ainsi qu’aux variables externes, aux évolutions du marché, aux tendances de consommation et à d’autres signaux de demande, de sorte que la prévision s’adapte en continu plutôt que d’attendre le prochain cycle mensuel pour rattraper la réalité. La modélisation de scénarios simule l’impact sur la demande d’un lancement de produit, d’une promotion ou d’une évolution du marché avant qu’il ne se produise, ce qui permet aux planificateurs d’adapter leurs ressources en conséquence à l’avance plutôt que de réagir a posteriori. La gestion des exceptions signale automatiquement les prévisions qui s’écartent des seuils attendus, en proposant des corrections, de sorte que l’attention du planificateur se porte sur les quelques références qui s’écartent réellement plutôt que sur une révision complète de chaque ligne.

sedApta expose clairement les enjeux sur la page dédiée à son produit : une erreur de prévision de 10 % n’est pas qu’un simple détail technique, elle entraîne des excédents de stock, des commandes urgentes et une érosion des marges. Chacune des cinq fonctionnalités ci-dessus vise à combler cette lacune spécifique, et chacune y parvient plus tôt dans le processus qu’une correction effectuée en atelier ne pourrait jamais le faire.

Ces cinq fonctionnalités sont conçues pour fonctionner comme un ensemble plutôt que comme un menu dans lequel on choisirait des éléments individuellement. Une base statistique solide s’améliore rapidement dès que les contributions collaboratives corrigent les variations de la demande qu’un modèle historique ne peut anticiper, telles que le retrait d’un concurrent d’une catégorie ou l’ouverture d’un nouveau canal de distribution. La prévision intelligente maintient ensuite cette base améliorée à jour entre les cycles de planification, en tenant compte des signaux en temps réel et externes, afin qu’une usine ne continue pas à fonctionner sur la base d’une prévision qui était exacte il y a trois semaines mais qui s’est depuis décalée. La modélisation de scénarios et la gestion des exceptions viennent compléter ces deux éléments, offrant aux planificateurs un moyen de tester un changement avant d’y consacrer des ressources, ainsi qu’un moyen d’identifier les références pour lesquelles le modèle commence à perdre en précision avant que cela ne se traduise par une rupture de stock ou un surstock en magasin.

 

De la prévision à la production : transformer les signaux de demande en décisions

Une meilleure précision des prévisions ne réduit le gaspillage que si elle modifie concrètement ce qui est produit, commandé et pris en charge par le personnel. C’est dans ce maillon, entre un chiffre de demande et une décision relative aux ressources, que se perd discrètement une grande partie de la valeur de la planification. Une équipe peut disposer d’une excellente prévision et continuer à détenir un stock tampon excédentaire, simplement parce que personne n’a révisé la politique de stock de sécurité pour tenir compte de cette précision accrue.

C’est précisément ce problème que le module DDMRP (Demand-Driven Material Requirements Planning) de sedApta a été conçu pour résoudre. Plutôt que de dimensionner le stock de sécurité à partir d’une formule statique supposant partout la variabilité de demande la plus défavorable, le DDMRP met en place des stocks tampons stratégiques, gérés de manière dynamique, en fonction de la variabilité réelle de la demande et des délais de livraison à chaque maillon de la chaîne d’approvisionnement. Ainsi, les matériaux sont stockés là où la variabilité est réellement élevée et mis à disposition là où elle ne l’est pas. Comme ces niveaux de stock tampon sont déterminés par les signaux réels de l’offre et de la demande plutôt que par les chiffres prévisionnels eux-mêmes, l’exécution au quotidien dépend moins de la précision des prévisions. C’est le tampon, et non une prévision parfaitement exacte, qui absorbe les fluctuations qu’une prévision seule ne pourrait pas anticiper ; c’est là que l’écart en jours de stock évoqué précédemment commence à se réduire.

Une fois que la couche de planification est correcte, le gaspillage restant a tendance à se concentrer au niveau de la couche d’exécution : l’énergie consommée lors d’un changement de ligne imprévu, les rebuts générés par un cycle de production précipité, deux problèmes qui sont plus faciles à résoudre dès lors qu’ils ne sont plus aggravés par un mauvais plan sous-jacent. La réduction de la consommation d’énergie et du gaspillage en atelier grâce au MES sedApta couvre en détail cette partie du problème liée à la couche d’exécution, en établissant une corrélation entre les données de production en temps réel et les événements liés à l’énergie et aux rebuts au fur et à mesure qu’ils se produisent. Ces deux couches sont conçues pour fonctionner de concert : la précision de la phase de planification issue de la gestion de la demande et de la planification de l’offre de ressources & contribue à réduire le gaspillage causé par un plan erroné, tandis que la visibilité en atelier permet de réduire le gaspillage lié à la manière dont un plan correct est exécuté.

Mesurer l’impact : les indicateurs clés de performance (KPI) essentiels à l’optimisation des ressources

Rien de tout cela ne vaut la peine d’être mis en œuvre sans moyen de vérifier si cela fonctionne. Un directeur d’usine ou de production qui évalue un programme d’optimisation des ressources axé sur la demande devrait se concentrer sur un petit ensemble d’indicateurs plutôt que sur un vaste tableau de bord que personne ne consulte régulièrement.

La précision des prévisions, mesurée au niveau des références (SKU) et des familles de produits, est l’indicateur avancé : elle évolue en premier et prédit la majeure partie de ce qui va suivre. La durée d’approvisionnement des stocks, ventilée entre matières premières, en-cours de fabrication et produits finis, est l’indicateur qui reflète le plus directement si les décisions en matière de ressources s’alignent sur la réalité de la demande ou si elles continuent de se prémunir contre l’incertitude en constituant des stocks supplémentaires. Le coût total de gestion de la chaîne d’approvisionnement, exprimé en pourcentage du chiffre d’affaires des produits, résume l’impact financier de tous les éléments ci-dessus en un seul chiffre que les dirigeants suivent déjà. Le taux de rebuts et de déchets par gamme de produits établit un lien entre les améliorations apportées au niveau de la planification et ce qui quitte effectivement l’usine sous forme de matériaux invendables. Les dépenses liées aux heures supplémentaires et au transport express, suivies spécifiquement en tant que catégorie de coûts plutôt que d’être intégrées aux dépenses logistiques générales, mettent en évidence les coûts réactifs qu’une meilleure prévision est censée éliminer.

Le moment choisi pour commencer à suivre ces chiffres n’est pas anodin. Gartner prévoit que 70 % des grandes entreprises adopteront des prévisions basées sur l’IA pour anticiper la demande d’ici 2030 (communiqué de presse de Gartner, septembre 2025), ce qui signifie que le niveau de référence concurrentiel en matière de précision des prévisions va s’élever à l’échelle du secteur au cours des prochaines années, et non rester stable. Parallèlement, les perspectives 2026 de Deloitte pour le secteur manufacturier indiquent que les industriels s’attendent à une hausse moyenne de 5,4 % des coûts des intrants au cours de l’année à venir, 80 % des dirigeants interrogés prévoyant de consacrer au moins 20 % de leurs budgets d’amélioration à des initiatives de fabrication intelligente (Deloitte, Perspectives 2026 pour le secteur manufacturier). La hausse des coûts des intrants rend chaque tonne de matière première gaspillée plus coûteuse, alors même que les concurrents investissent pour en gaspiller moins.

Pour commencer : une approche par étapes de l’optimisation des ressources pilotée par la demande

Un programme d’optimisation des ressources piloté par la demande échoue le plus souvent lorsqu’il est lancé partout en même temps : pour chaque référence, chaque usine, chaque planificateur, le même jour. Cette approche disperse tellement les efforts d’amélioration que personne ne peut mettre en avant de résultat six mois plus tard, et elle rend visibles les inévitables imperfections d’un nouveau processus de prévision sur l’ensemble du catalogue, au lieu de les limiter à un projet pilote restreint. Un déploiement par étapes, commençant par les produits qui génèrent le plus de gaspillage aujourd’hui, donne au programme une chance de présenter un résultat mesurable avant de solliciter un engagement plus large.

• Récupérez douze mois de données comparatives entre prévisions et résultats réels au niveau des références (SKU) et identifiez les produits présentant l’erreur de prévision la plus importante et la plus constante. Ce sont là les principaux candidats au gaspillage et le bon point de départ, et non pas, par défaut, les produits les plus vendus.

• Quantifiez concrètement le coût actuel de cette erreur : factures de transport en urgence, heures supplémentaires approuvées pour les commandes urgentes et dépréciations de stock liées aux matières premières périmées ou obsolètes. Ce montant constituera la référence que le programme devra dépasser.

• Mettez en place une méthode de prévision statistique et collaborative pour l’ensemble de produits identifié avant de l’étendre à l’ensemble de l’entreprise, afin que les services commerciaux, de planification et de production travaillent d’abord tous à partir d’un chiffre consensuel pour ce sous-ensemble.

• Redéfinissez la politique de stocks de sécurité et de marges de sécurité pour ce même ensemble de produits une fois que la précision des prévisions se sera améliorée, plutôt que de conserver par défaut les niveaux de marge hérités du passé.

• Reliez les prévisions améliorées à la planification des ressources et des capacités afin que les décisions d’allocation des matériaux et d’ordonnancement évoluent réellement en fonction de ces chiffres plus précis, plutôt que de rester cantonnées au plan de demande sur papier.

• Suivez la précision des prévisions, la durée d’approvisionnement des stocks et le taux de rebut ou de gaspillage pour l’ensemble de produits pilote à une fréquence fixe, et comparez ces chiffres à la référence établie à l’étape 2.

• Étendez le projet à la catégorie suivante de produits générant beaucoup de déchets dès que le projet pilote affiche une réduction mesurable, en suivant la même séquence plutôt que de déployer l’ensemble du catalogue dès le premier jour.

Conclusion

Les programmes de réduction des déchets qui commencent en atelier et s’y arrêtent s’attaquent à un problème réel, mais seulement à la moitié de celui-ci. L’autre moitié commence plusieurs semaines plus tôt, au niveau d’un chiffre prévisionnel qui reflète la demande réelle ou non. Combler cet écart modifie ce qui est commandé, produit et pourvu en personnel avant même qu’une seule unité n’atteigne la chaîne de production ; il est en effet moins coûteux de résoudre un problème de gaspillage à ce stade qu’après que les matières premières ont déjà été transformées en quelque chose dont personne n’a besoin.

Les fabricants qui lient directement la précision des prévisions aux décisions relatives aux ressources et aux capacités ne se contentent pas d’améliorer un indicateur de la chaîne d’approvisionnement. Ils contribuent à réduire un coût qui, sans cela, se traduirait par des frais de transport, des heures supplémentaires et des rebuts, à un moment où les coûts des intrants augmentent et où les concurrents investissent activement dans la même solution.

À découvrir ensuite

Pour la partie « exécution » de ce problème, la réduction en temps réel de la consommation d’énergie et des rebuts directement en atelier, consultez

«Réduction de la consommation d’énergie et des rebuts en atelier avec sedApta MES ». Pour mieux comprendre comment cette même combinaison de planification de la demande et des ressources fonctionne dans un environnement de produits périssables, consultez
« Optimisation des chaînes d’approvisionnement F&B grâce à des modules SCM avancés pour la planification et la gestion de la demande ».