Le défi
par Rodrigo De la Fuente, Juan Gatica, Raymond L. Smith III
Présenté lors de la Conférence sur la simulation d'hiver 2019
La gestion de la capacité et de la main-d'œuvre dans un centre de distribution peut avoir des répercussions importantes sur l'ensemble de la chaîne d'approvisionnement. Cet article examine les effets des stratégies de dotation en personnel employées dans les opérations d'entrepôt d'un centre de distribution de boissons situé dans la région Bio-Bio, au Chili. La main-d'œuvre est chargée de décharger et de stocker les produits entrants en provenance d'usines de production éloignées, ainsi que de récupérer et de préparer les produits sortants en vue de leur livraison locale. Un modèle de simulation a été utilisé pour déterminer comment améliorer les opérations de l'entrepôt en fonction du temps de préparation des chargements, des coûts de personnel et de l'utilisation maximale de la capacité de stockage. Les résultats recommandent d'augmenter la capacité de stockage des palettes de l'entrepôt pour améliorer l'efficacité. En outre, des scénarios ont été évalués concernant la volonté de l'entreprise de payer pour des améliorations liées au personnel et à la formation. Les résultats indiquent que l'investissement dans la main-d'œuvre réduira le temps de préparation des chargements de l'entreprise de 15 %.
Introduction
La gestion et l'analyse de la chaîne d'approvisionnement est un sujet largement étudié dans la littérature actuelle, principalement en raison de l'environnement dynamique et des complexités imposées par les clients et les caractéristiques des produits. Au sein de la chaîne d'approvisionnement, les opérations d'entreposage et de distribution jouent un rôle essentiel dans la livraison des produits aux clients, mais elles ajoutent également de la complexité au système. L'amélioration de ces environnements complexes nécessite souvent des méthodes avancées, telles que la modélisation de simulation, pour identifier la capacité, les politiques ou les stratégies optimales. Les centres de distribution (CD) jouent un rôle essentiel dans la chaîne d'approvisionnement en reliant les usines de production au réseau de distribution. Les opérations quotidiennes des centres de distribution sont confrontées à des problèmes d'inventaire et de stockage qui, lorsqu'ils sont gérés de manière adéquate, génèrent une valeur ajoutée aux processus et réduisent les temps de réponse (De Koster et al. 2007).
Cette étude examine un conflit primordial entre les opérations d'entreposage et la gestion des ressources humaines. Ce conflit trouve son origine dans la réglementation du travail imposée par le gouvernement chilien, qui stipule que les travailleurs doivent être embauchés avec un contrat de travail à durée indéterminée lors du renouvellement d'un contrat de travail à durée déterminée, qui est fixé à un an. En conséquence, les entreprises choisissent généralement de licencier les membres de leur personnel au cours du onzième mois de leur contrat afin d'éviter d'avoir à adopter un contrat à durée indéterminée et de s'engager sur les coûts. Par conséquent, le licenciement d'un travailleur expérimenté et la formation d'un nouveau travailleur de remplacement ont des répercussions négatives sur les coûts et la productivité. En abordant la question de manière plus stratégique, la direction devrait se demander combien de travailleurs devraient conserver un contrat de travail permanent à temps plein afin d'atteindre et de maintenir les normes de productivité. Cette étude vise à aider la direction à déterminer le nombre d'employés qu'il convient de conserver et la taille appropriée de la capacité de l'installation afin d'améliorer les opérations de l'entrepôt dans le centre de distribution local. Pour mener à bien cette étude, des expériences de simulation ont été réalisées à l'aide d'un modèle de simulation à événements discrets développé avec le logiciel de simulation Simio.
Contexte
Les entrepôts peuvent remplir plusieurs fonctions différentes au sein d'un réseau de chaîne d'approvisionnement. C'est pourquoi on trouve dans la littérature plusieurs systèmes de classification différents. Selon Ghiani et al. (2004), les installations d'entreposage devraient être simplement regroupées en centres de distribution ou en entrepôts de production. Par comparaison, Frazelle (2001) classe les installations d'entreposage en fonction de leur fonction dans le réseau de la chaîne d'approvisionnement, comme l'allocation des matières premières, des produits en cours de fabrication, des produits finis, la distribution, l'exécution, les entrepôts locaux directs pour la demande des clients et le service à valeur ajoutée. Une autre perspective considère les processus d'un entrepôt qui peuvent être classés en trois groupes : (1) les processus de chargement, (2) les processus de service ou de stockage, et (3) les processus de sortie, qui comprennent principalement la fonction d'expédition. Liong et Loo (2009), par exemple, ont étudié les processus de chargement et de déchargement dans les entrepôts en menant des expériences de simulation dans différents scénarios pour quantifier l'utilisation des travailleurs et les délais d'attente. Ces résultats ont permis d'identifier les goulets d'étranglement et d'apporter des améliorations au système. L'une des recommandations portait sur l'augmentation de la capacité de travail manuel afin de réduire le recours excessif aux heures supplémentaires et les délais d'attente subis par les clients.
Il est important de comprendre le processus d'arrivée dans l'entrepôt awarehouse pour développer un modèle de simulation, d'autant plus qu'il influence fortement la dynamique de la capacité de stockage dans les opérations d'entrepôt. Selon Nelson (2013), un processus de Poisson non stationnaire est largement utilisé dans la pratique pour modéliser les processus d'arrivée qui varient dans le temps. En revanche, Gerhardt et Nelson (2009) démontrent que les temps d'arrivée des processus du monde réel ont tendance à s'écarter du processus de Poisson en ayant un coefficient de variation beaucoup plus grand ou plus petit. Un tel cas est décrit par Brown et al. (2005), qui ont analysé les opérations d'un petit centre d'appel bancaire sur une période d'un an. En utilisant l'analyse de la théorie des files d'attente, le processus de service a été divisé en trois composantes fondamentales : (1) l'arrivée des clients, (2) la patience des clients et (3) la durée du service. Des tests statistiques ont été effectués pour chaque composante afin d'évaluer le comportement. Le processus d'arrivée a ensuite été évalué pour déterminer s'il s'agissait d'un processus de Poisson non homogène. Pour ce faire, les données ont été transformées en une séquence de variables aléatoires, indépendantes et identiquement distribuées (i.i.d.), uniformément comprises entre [0,1], qui ont ensuite été évaluées à l'aide du test de Kolmogorov-Smirnov (K-S). Une transformation logarithmique a ensuite été effectuée pour évaluer si le processus était considéré comme un processus de Poisson non homogène (NHPP). Ces procédures conditionnent ce qui aurait pu être considéré comme des données mal conduites dans le but de modéliser de manière fiable un processus d'arrivée.
Enfin, les méthodologies utilisées pour déterminer la taille de la capacité de stockage de l'entrepôt, qui sont fonction de la politique d'inventaire (Ghiani et al. 2004), doivent être soigneusement prises en compte dans l'élaboration d'un modèle de simulation. Dans le cas où les produits se voient attribuer des positions de stockage fixes, l'espace total requis dans l'entrepôt est la somme des stocks maximums pour chaque produit au cours de la période d'évaluation. Dans le cas où les produits se voient attribuer des positions de stockage de manière dynamique ou aléatoire, l'espace total requis dans l'entrepôt est simplement calculé sur la base du stock maximal atteint au cours de la période d'évaluation. En outre, des méthodes mathématiques plus avancées d'approximation de la capacité de stockage maximale ont été proposées dans la littérature. Par exemple, Karakis et al. (2015) ont proposé un modèle non linéaire basé sur les paramètres d'entrée de la capacité de stockage et utilisant les spécifications techniques connues des machines et les tailles des produits pour déterminer les dimensions d'un entrepôt.
La solution
Cadre proposé
Description du processus
La figure 1 illustre la relation entre l'usine de production, le centre de distribution et l'itinéraire de distribution, qui aboutit à la livraison au client. Le processus commence par la programmation de la production par les différentes usines d'approvisionnement en fonction des prévisions mensuelles. Une fois produite, la marchandise est expédiée par camion au centre de distribution où elle est déchargée, mise en stock, puis récupérée pour la préparation du chargement et placée dans un camion de livraison local. Une fois expédié, le camion quitte le centre de distribution pour se rendre à la destination du client selon un itinéraire planifié. Les sites de production fournisseurs gèrent un large éventail de produits, y compris des contenants de bouteilles de différents matériaux, qui sont identifiés de manière unique à l'aide d'un total de 324 unités de gestion des stocks (UGS). Cette diversité contribue à la complexité des opérations d'entreposage, puisqu'il faut tenir compte à la fois du matériau du contenant et des dates de péremption. En outre, les opérations d'entreposage limitent la hauteur maximale d'empilage pour des raisons d'intégrité de l'emballage du produit, ce qui impose une contrainte sur la capacité de stockage. Parallèlement, la politique de l'entreprise stipule que les produits expédiés aux clients doivent être à plus de 30 jours de leur date de péremption. Pour éviter les pénuries qui entraîneraient des pertes de ventes, l'entrepôt doit disposer d'un stock suffisant pour couvrir non seulement la demande des clients, mais aussi pour remplacer les produits vieillis découverts qui ne peuvent pas être expédiés aux clients.
En raison du grand nombre d'UGS, il est utile d'établir des familles de produits dans lesquelles les produits sont regroupés en fonction de leurs caractéristiques. Cela permet d'améliorer les performances de calcul du modèle de simulation et d'abstraire la complexité du problème. Les groupements ont été élaborés sur la base de caractéristiques qui présentent des qualités intéressantes pour la modélisation des opérations. Par exemple : les informations sur le fournisseur peuvent être utilisées pour déterminer le comportement des produits arrivant à l'entrepôt ; le matériau du conteneur fournit des informations sur la capacité nécessaire pour stocker chaque UGS ; la quantité de produit par palette (information utilisée pour calculer les stocks) ; et la saveur du produit permet de représenter l'intention de la demande des clients. Les familles sont donc regroupées en fonction du fournisseur, du matériau du conteneur, de la taille du conteneur et de la saveur du produit. Cette méthode de regroupement a permis d'obtenir un total de 61 familles, dont six étaient des produits multi-packs.
Les niveaux de stock des produits fluctuent pour de nombreuses raisons. Les facteurs observés qui contribuent à la fluctuation globale des niveaux de stock sont l'offre (50 % de l'activité), la demande (41 %), l'expédition (6 %), les emballages multiples (2 %) et divers (< 1 %). En général, les augmentations des niveaux de stock sont largement influencées par l'augmentation de l'offre, tandis que les diminutions des niveaux de stock sont largement influencées par les sorties vers les clients et la construction de produits multi-pack. Le paramétrage de ces opérations est abordé dans les sous-sections suivantes.
Les membres du personnel de l'entrepôt qui effectuent la récupération des produits et la préparation des chargements sont employés dans le cadre de l'un des trois types de contrats suivants : (1) emploi permanent à temps plein, (2) emploi à durée déterminée et (3) contrat de travail occasionnel. Les contrats pour un emploi permanent à temps plein sont les plus coûteux à maintenir car ils nécessitent des cotisations de retraite, des soins de santé, un salaire et le paiement d'heures supplémentaires. Les deux derniers types de contrats sont limités par la réglementation gouvernementale à une durée maximale de onze mois.
La productivité pendant les heures de travail posté est calculée comme la somme des productivités individuelles, qui dépendent directement des niveaux d'expertise et de fatigue de chaque travailleur. Le niveau de connaissance de chaque travailleur est déterminé par son temps de travail dans l'entreprise, tandis que le niveau de fatigue est déterminé en fonction du nombre de quarts de nuit consécutifs effectués. La durée du contrat est un facteur essentiel à prendre en compte dans l'étude, car la productivité pour la récupération des produits et la préparation du chargement est directement liée à la rotation du personnel. Si le taux de rotation est plus élevé, davantage de travailleurs sous contrat à durée déterminée seront licenciés et remplacés par du personnel inexpérimenté qui aura besoin d'une période d'apprentissage avant de devenir pleinement productif.
Paramètres de modélisation
Comme l'indiquent He et al. (2016), le processus de Poisson des arrivées doit respecter les conditions suivantes : N(0) = 0, arrivées indépendantes, les temps inter-arrivées doivent être ajustés à une distribution exponentielle, et le nombre d'événements dans un intervalle de longueur t est distribué de Poisson avec une moyenne l t pour tout s ; t 0 (PfN(t+s)N(s) = ng=elt(lt)n=n !), ce qui indique également qu'un processus de Poisson a des incréments stationnaires avec E[N(t)]=lt. Par conséquent, dans cette enquête, les arrivées ont été considérées comme indépendantes entre les fournisseurs puisqu'ils approvisionnent des familles différentes, et une procédure visant à déterminer le caractère de Poisson des arrivées a été appliquée à chaque fournisseur. Pour vérifier si le processus d'arrivée est de Poisson, la méthodologie décrite par Nelson (2013) a été appliquée, qui détermine le rapport entre la variance du nombre d'arrivées et son nombre attendu. Ainsi, les processus de Poisson non stationnaires qui remplissent le ratio ne devraient pas être significativement différents de un. Cependant, les valeurs observées obtenues diffèrent de manière significative. Par exemple, le ratio calculé pour les produits originaires de la région de Talca est de 2,23, ce qui indique qu'un processus de Poisson non stationnaire est inadéquat. En outre, le nombre d'arrivées à l'entrepôt en provenance de Talca varie tout au long de l'année, bien qu'il y ait toujours une augmentation significative avant les fêtes de Noël et du Nouvel An en décembre et le jour de l'indépendance du Chili en septembre. En outre, pendant la saison hivernale, la demande de produits est historiquement faible.
Pour surmonter l'écart de Poisson, les fluctuations des expéditions de produits arrivant au centre de distribution ont été prises en compte dans le modèle à l'aide de taux hebdomadaires. Cependant, un arrondi inapproprié des valeurs décimales des taux hebdomadaires a entraîné 74 arrivées de camions de plus que ce qui a été observé dans la réalité, ce qui se traduit par une erreur maximale de 74 30 = 2 220 palettes de surstockage (où la plus grande quantité chargée par camion est de 30 palettes). Pour obtenir une meilleure estimation, nous avons procédé à la représentation des nombres décimaux des taux par des distributions discrètes, de telle sorte que le nombre attendu de chaque distribution hebdomadaire soit égal au taux moyen calculé. Par exemple, si le taux est égal à 5,3 arrivées par semaine, la distribution discrète associée est Discrète(5;0:7 ; 6;1) puisque 5 0:7+6 0:3 = 5:3. D'autre part, la méthode mentionnée a obtenu un nombre moyen d'arrivées de 2;085:83 2;086 dans une série de 36 répliques, ce qui signifie un déficit de seulement neuf palettes par rapport à ce qui a été observé et une erreur maximale de 930 = 270 palettes. Cette dernière procédure a été utilisée pour paramétrer le nombre d'arrivées de camions au centre de distribution.
Lorsqu'un camion en provenance de l'usine de production arrive au centre de distribution, il est crucial de déterminer quels produits et dans quelle proportion ils composent le chargement. Pour ce faire, une densité commune a été créée en incorporant trois variables critiques : la taille du camion, les produits qu'il contient et les proportions de la capacité du camion allouées à chaque produit. Il est ainsi possible de déterminer la probabilité qu'un camion arrive avec une capacité de 28 palettes, dont 40 % appartiennent à la famille deux et 60 % à la famille sept (dans ce cas, le mélange est 40-60). Sur la base des données historiques, le tableau 1 présente les mélanges de produits les plus fréquents. En outre, pour modéliser les produits contenus dans le chargement, un vecteur binaire a été utilisé, où chaque position représente le numéro de famille correspondant, la valeur zéro étant attribuée si la famille n'est pas incluse et la valeur un dans la situation inverse.
Ensuite, la combinaison des trois dimensions de la densité commune préparée pour modéliser le contenu des camions à l'arrivée est présentée. Dans la figure 2, l'axe horizontal représente la capacité du camion, et l'axe vertical identifie les trente vecteurs de produits les plus fréquents, ce qui inclut la prédominance des arrivées de camions avec une capacité de 30 palettes et les premiers vecteurs de produits, ce qui se traduit par une probabilité d'occurrence plus élevée. La figure 3 montre la combinaison Mix-Vecteur (la troisième combinaison, Capacité-Mix, n'est pas représentée en raison de la limitation du nombre de pages).
Comme nous l'avons vu précédemment, la sortie du stock de produits est largement influencée par la demande des clients. Pour modéliser cela, les taux hebdomadaires ont été considérés (di), déterminés par dj = å6 i=1 di j=6 où di j correspond à la demande de la semaine i, avec i 2 1;2 ; :::;52 représentant le numéro de semaine de l'année, et le jour j, avec j jours de la semaine j 2 1;2 ; ::: ; 6.
Une procédure similaire a été appliquée aux opérations de dispatching et de multi-packing. Étant donné que ces deux opérations se déroulent occasionnellement au cours d'une semaine, les taux hebdomadaires ont été déterminés sur la base de données historiques et une probabilité d'occurrence quotidienne a été définie. Les montants correspondant aux "autres opérations" ont été ajustés de manière empirique. Comme indiqué précédemment, la productivité de l'équipe dépend du niveau de compétence et de fatigue de chaque travailleur. Le niveau d'expertise dépend du nombre de mois passés par le travailleur dans l'entreprise : de 0 à 3 mois, on considère qu'il s'agit d'un niveau débutant avec une productivité attendue de 1 500 boîtes ; de 4 à 6 mois, d'un niveau moyen avec une productivité attendue de 2 200 boîtes ; et plus de 7 mois, d'un niveau expert avec une productivité attendue de 2 700 boîtes. La variabilité des performances du personnel a été spécifiée par des experts en la matière qui ont fixé la variabilité à 200 boîtes, modélisée à l'aide d'une distribution PERT. Par exemple, les travailleurs ayant un niveau de productivité moyen sont exprimés sous la forme PERT(2 000;2 200;2 400). En outre, un pourcentage de réduction a été défini pour chaque travailleur en fonction du nombre d'équipes de nuit consécutives qu'il a effectuées. Par exemple, plus le nombre de quarts de nuit consécutifs est élevé, plus le pourcentage de réduction de la productivité est important. Le niveau de réduction de la fatigue a été considéré comme étant de 10 %, 20 % ou 30 % selon que le travailleur a travaillé une, deux ou trois nuits consécutives, respectivement.
Une terminologie a été créée pour suivre le personnel pendant les expériences de simulation. Les types de contrats ont été identifiés comme permanents (P), à durée déterminée (F) ou occasionnels (C). Les niveaux d'expertise du personnel ont été classés en niveau expert (E), moyen (M) ou débutant (P). Enfin, les équipes ont été définies comme suit : équipe du matin (M), de l'après-midi (T) ou de la nuit (N). Les combinaisons irréalisables ont été exclues.
Étant donné que la réglementation de l'entreprise interdit de stocker des produits à l'extérieur de l'entrepôt, l'utilisation maximale de l'entrepôt a été utilisée pour déterminer la capacité de stockage. Pour ce faire, il a été nécessaire de surveiller le niveau de stock pendant la période de simulation à l'aide d'une statistique de type Tally, CapBodegaTally.Maximum. Ensuite, la capacité de la plate-forme pour un temps t est calculée comme max C(t), où C(t) est la capacité de l'entrepôt au temps t définie comme C(t) = åni =1 Si(t)=Amax i . En outre, Si(t) est le stock de la famille i à l'instant t, n est le nombre total de familles et, enfin, Amax i est la pile maximale autorisée pour la famille i.
Construction et validation du modèle de simulation
Le modèle de simulation a été construit à l'aide de la plateforme logicielle de simulation Simio en suivant les étapes procédurales décrites par Law (2008). Les données d'appui ont été obtenues à partir du système de gestion d'entreprise SAP de la société pour une période d'un an, d'octobre 2016 à septembre 2017. Les flux de produits quotidiens sont modélisés à partir des différents fournisseurs de l'usine de production, progressant à travers les opérations d'entrepôt du centre de distribution, et se terminant par l'expédition du produit aux clients. En ce qui concerne les opérations d'entreposage, les arrivées de camions et la demande de produits dictent la dynamique des mouvements de produits. Les effectifs et la capacité de stockage déterminent généralement la réactivité et l'efficacité de l'exécution des mouvements de produits requis. La figure 4 illustre le flux de produits représenté dans le modèle, et le tableau 2 fournit une description détaillée des objets de simulation. Le modèle prend en compte les flux de matériaux quotidiens que les travailleurs doivent gérer, tels que la réception, l'emballage et la livraison, tous influencés par les variations de la demande. Ainsi, nous modélisons quotidiennement les niveaux de stock pour chaque famille de produits, afin de calculer l'utilisation de l'entrepôt, les préparations des temps de chargement et, par conséquent, les besoins en main-d'œuvre.
Par exemple, considérons que l'équipe j 2 J compte L travailleurs, et que le niveau de productivité moyen du travailleur l est défini comme NPl ; en outre, la performance du travailleur l est affectée par sa charge de travail accumulée assignée comme fatiguel . Par conséquent, la productivité de l'équipe j est donnée par PROj = åLl =1NPl (1tardinessl). Ensuite, les heures quotidiennes requises pour les opérations de l'entrepôt T peuvent être calculées comme suit : T = åJj =1 minfhj ; Qj PROj hjg, où Qj est la demande totale à livrer pendant l'équipe j et hj est le temps total, en heures, disponible pour les opérations de chargement et d'emballage pendant l'équipe j. Chaque équipe peut fournir le minimum entre le temps total autorisé et le temps total autorisé ajusté par la productivité globale de l'équipe après prise en compte de la fatigue des travailleurs.
La figure 5 illustre le processus de création du type d'entité Produit qui entre dans les opérations de l'entrepôt. Le processus utilise une boucle structurée dans laquelle les entités sont créées et se voient attribuer des propriétés en fonction des informations associées au camion entrant. Lorsqu'un camion arrive à la plate-forme, le produit est déchargé et affecté à la zone de prélèvement ou de réserve, selon le cas.
La validation du modèle de simulation a été réalisée en comparant les résultats hebdomadaires simulés de la capacité de l'entrepôt avec les résultats hebdomadaires réels observés, comme le montre la figure 6. En raison de l'absence de données historiques, le temps de production a été validé sur la base d'un jugement d'expert. En utilisant un test t de Student pour comparer les différences entre les deux moyennes d'échantillons non appariés, l'analyse n'a révélé aucune différence statistiquement significative à un niveau de confiance de 95 % lorsque des variances égales ont été supposées. Les résultats simulés pour les temps de préparation des chargements étaient en moyenne de 15,11 (0,020) heures, ce qui indique que le travail dans la zone de prélèvement se prolongeait souvent bien au-delà des objectifs fixés. Ces dépassements de temps se traduisent par un retard dans le démarrage des itinéraires de livraison sortants. Le personnel administratif de l'entreprise a confirmé que ce résultat se produisait dans le système réel. Les résultats du processus de validation ont permis de conclure que le modèle de simulation est une représentation suffisante du processus réel et qu'il peut être utilisé pour mener des expériences.
L'impact sur l'entreprise
Expériences et résultats
Des expériences ont été réalisées à l'aide d'une série de scénarios définis et configurés dans le modèle de simulation afin d'obtenir des approximations pour le temps de préparation du chargement et la taille maximale de la capacité de l'entrepôt. En outre, trois scénarios de demande, comprenant des niveaux pessimistes, attendus et optimistes, ont été utilisés pour prédire la demande de produits.
Lors de l'élaboration des expériences, il a été nécessaire de définir le comportement de la demande au cours de la période d'évaluation. Pour ce faire, les données historiques mensuelles ont été analysées de janvier 2014 à septembre 2017 et, pour cette période, des prévisions de ventes mensuelles ont été établies pour un horizon temporel d'un an. Le meilleur modèle de prévision a été déterminé sur la base des résultats du critère d'information d'Akaike. Les scénarios de demande de produits ont été définis comme suit : le scénario optimiste a été arbitrairement fixé à 5 % au-dessus des ventes prévues, et le scénario pessimiste a été arbitrairement fixé à 5 % en dessous des ventes prévues. Cela a permis d'obtenir une gamme de variabilité de la demande.
Le tableau 3 fournit une brève description de chacune des expériences. L'expérience I est analysée indépendamment parce qu'elle porte spécifiquement sur l'analyse de la capacité de stockage, alors que toutes les autres expériences portent sur les questions de personnel. Le tableau 4 présente les données d'entrée utilisées dans le modèle de simulation pour l'expérience I. Enfin, le tableau 5 présente les résultats obtenus pour la mesure de la capacité maximale utilisée pendant la période simulée, y compris le nombre de palettes correspondant, pour chacun des scénarios de demande. Dans tous les scénarios, on observe que la capacité maximale requise est inférieure aux données historiques, ce qui s'explique par la présence d'une tendance négative observable dans la série temporelle de la demande de produits.
Les paramètres d'entrée pour chacun des scénarios dans les expériences restantes et les résultats correspondants à ces expériences sont présentés dans le tableau 5, où l'écart-type est indiqué entre parenthèses. Le temps d'exécution souhaité, selon les normes établies par la zone d'exploitation de l'entrepôt, est de 15 heures au total, ce qui signifie que la préparation du chargement est terminée à 9 heures du matin, laissant ainsi à l'équipe du matin suffisamment de temps pour éviter de retarder les opérations de distribution et pour terminer le nettoyage de l'entrepôt. En général, les résultats montrent qu'un investissement dans le personnel augmente le niveau global de productivité et que, par conséquent, le temps de préparation des chargements diminue.
L'expérience V rassemble les scénarios trouvés dans toutes les expériences précédentes où le temps moyen de préparation des charges était supérieur à l'objectif de 15 heures. L'analyse consiste à augmenter le niveau de productivité à 300 boîtes par travailleur, ce qui peut être réalisé par le biais de la formation, de primes de production ou de changements dans les procédures d'exploitation. Ces modifications sont évaluées afin de déterminer si les chargements peuvent être effectués en moins de 15 heures.
Les résultats des expériences II à V sont résumés dans la figure 7. Cette figure illustre l'impact sur le temps moyen de préparation des chargements en heures en raison de l'investissement annuel net consacré à la dotation en personnel, qui comprend également la formation des travailleurs. La situation actuelle est représentée par un cercle noir qui renvoie à la ligne verticale en pointillés (rouge) pour le niveau des dépenses annuelles attribuées au personnel, et la ligne horizontale en pointillés (bleue) identifie le temps cible pour la préparation des chargements, fixé à 15 heures. La figure montre également des cercles de couleur représentant les expériences, l'expérience II étant identifiée en vert, l'expérience III en rouge, l'expérience IV en bleu et, enfin, l'expérience V en gris. En outre, la figure 8 montre la sensibilité du paramètre de formation dans les scénarios où le temps de préparation de la charge n'a pas été atteint ; les travailleurs ont été soumis à une formation supplémentaire pour augmenter leur productivité de 300 boîtes. La figure 8 illustre l'impact de la formation et de la volonté de payer sur le temps de préparation global. La différence verticale entre les marqueurs circulaires indique l'amélioration attendue des performances au fil du temps, à mesure que les nouveaux travailleurs acquièrent de l'expérience, en passant de 0 à l'objectif de 300 boîtes.
D'après la figure 7, toutes les décisions basées sur l'augmentation du nombre de travailleurs bénéficiant de contrats à faible coût sans augmentation des effectifs (expérience II en rouge) présentent des coûts inférieurs à ceux de la situation actuelle. Cependant, tous les scénarios se situent au-dessus de la ligne bleue en pointillés, ce qui indique qu'ils n'atteignent pas l'objectif de temps de préparation de la charge. D'autre part, les scénarios augmentant le nombre de travailleurs sous "contrat de travail permanent à temps plein" sans augmenter les effectifs (expérience III en vert) impliquent une amélioration de la productivité, mais seuls les scénarios 4 et 5 ont un temps de préparation inférieur à 15 heures bien qu'ils correspondent aux niveaux d'investissement les plus élevés pris en compte dans cette étude.
En ce qui concerne les décisions relatives à l'embauche et au licenciement des travailleurs, on observe que la diminution des effectifs génère des résultats similaires à ceux obtenus par l'augmentation du nombre de travailleurs ayant un contrat à faible coût (expérience IV en bleu). Toutefois, c'est l'augmentation des effectifs qui produit les meilleurs résultats, car elle permet d'obtenir le temps de préparation de la charge au coût le plus bas parmi tous les scénarios. Bien que ces scénarios se situent à droite de la ligne rouge en pointillés, ils impliquent une augmentation des coûts.
Enfin, les scénarios d'augmentation de la productivité, par le biais de la formation et/ou d'incitations à la production, présentent le meilleur résultat, puisque la durée de préparation des charges à des niveaux de coûts annuels acceptables est atteinte. En fonction de la méthodologie utilisée pour atteindre une augmentation de la productivité de 300 boîtes, il y aura un coût associé qui se traduira par un déplacement des cercles gris vers la droite. Par exemple, le scénario 5 de l'expérience de formation (cercle gris avec un niveau d'investissement plus faible et proche du temps de préparation cible) dispose de la plus grande marge de manœuvre (18 058 USD) pour investir dans un programme d'amélioration de la productivité, de manière à ne pas dépasser le coût annuel actuellement dépensé. Un tel déplacement placerait ce scénario près de l'intersection de deux lignes en pointillé atteignant une productivité plus élevée que la situation actuelle au même coût. Il est nécessaire de considérer que ces résultats sont basés sur un scénario de demande attendue. Ainsi, dans le cas d'un niveau de demande attendu plus élevé, le scénario 5 ne répondrait pas aux normes de production en raison du manque de marge de manœuvre concernant l'objectif de temps de préparation (ligne pointillée bleue). Par conséquent, les scénarios avec des programmes de productivité qui prennent en compte à la fois les licenciements du personnel "occasionnel" et l'augmentation des contrats à court terme (scénarios 4, 6 et 7 de l'expérience V), ont une plus grande résilience pour absorber la variabilité de la demande et, à leur tour, génèrent un surplus pour les investissements dans la productivité.
En ce qui concerne la capacité de stockage, Tompkins et al. (2010) mentionnent que lorsqu'un entrepôt occupe 80 % de sa capacité, c'est le signe qu'il y a une demande pour plus d'espace. Les résultats montrent que la capacité maximale utilisée par les produits atteint 2 171,7 palettes en moyenne, avec une utilisation de 84,27 %, pour le scénario de demande prévu. Dans le cas d'une demande optimiste, l'utilisation atteint 84,92 % et dans le cas d'un scénario pessimiste, 82,47 %. Ces résultats montrent que l'entrepôt atteint des limites où il a besoin de plus d'espace puisqu'il dépasse 80 % de sa capacité. La capacité de l'entrepôt devrait être de 2;224:7=0:8 = 2;714:63 2;715 palettes. Étant donné que seuls 2 577 emplacements de palettes sont disponibles, il est nécessaire d'augmenter la capacité de l'entrepôt de 138 palettes. Bien que les résultats estimés de la capacité de l'entrepôt ne dépassent pas 90% d'utilisation, actuellement, le centre de distribution doit occasionnellement stocker des produits en dehors de l'entrepôt. Cela peut s'expliquer par la perte de capacité due à la grande variabilité de l'entrepôt. Par exemple, si une certaine UGS a été pré-attribuée pour une capacité de 10 palettes mais que seulement 7 sont en stock, il y a essentiellement une perte de capacité équivalente à 107 = 3 palettes en termes de capacité libre. Par conséquent, pour obtenir un résultat plus spécifique, il convient d'inclure le concept d'affectation des produits afin de saisir la variabilité causée par les restrictions de ce type.
Conclusions de l'étude
Cette étude effectue une analyse quantitative pour conseiller la direction sur la stratégie et les niveaux d'investissement nécessaires pour atteindre les normes de productivité établies pour les opérations d'entreposage. L'élément central de cette étude a été la mise en place d'un cadre pour traiter les complexités d'un processus d'arrivée où les produits entrants sont reçus de plusieurs usines de production distantes à l'aide de camions de tailles différentes, contenant des mélanges de produits différents et des proportions de produits différentes. Pour réduire cette complexité, des groupes de familles de produits ont été créés pour représenter un grand nombre de produits circulant dans l'entrepôt. En outre, trois densités conjointes basées sur les groupes de familles ont été créées pour traiter efficacement la capacité des camions entrants, le mélange de produits et le mélange de capacités. Ces abstractions ont permis d'améliorer les performances de calcul de la simulation globale. En outre, le point de conception du cadre a été utile pour soutenir les procédures décrites afin de traiter le manque de Poisson dans le processus d'arrivée. Le modèle de simulation résultant a été utilisé pour réaliser une série d'expériences basées sur des scénarios bien définis afin d'évaluer l'effet de la capacité de stockage des installations et des stratégies de recrutement de la main-d'œuvre sur la productivité et les coûts.
La capacité de stockage des installations a été étudiée à l'aide d'une prévision de la demande de produits, spécifiée à des niveaux pessimistes, attendus et optimistes, et d'une procédure de planification de la capacité des entrepôts. Les résultats de l'analyse justifient l'augmentation de la capacité de stockage disponible, qui passe de 2 577 emplacements de palettes à 2 715 emplacements de palettes. À ce niveau de capacité, l'utilisation maximale de l'entrepôt sera d'environ 80 % pour le scénario de demande de produits prévu, ce qui est conforme aux lignes directrices de la procédure. Bien que cela dépasse le cadre de cette étude, des travaux futurs devraient être réalisés à l'aide du modèle de simulation afin d'examiner rigoureusement la perte d'espace dans la capacité de stockage due à la variabilité de l'allocation.
Les stratégies de dotation en personnel ont été étudiées à l'aide du modèle de simulation pour réaliser une série d'expériences. En général, les résultats montrent que le licenciement d'un travailleur, quel que soit le type de contrat de travail, permet d'économiser jusqu'à 27 917 USD par an ; toutefois, cette décision aggrave les temps de préparation des chargements avec des dépassements supérieurs à 2,5 heures. Les scénarios de dotation en personnel qui permettent d'atteindre la norme de 15 heures pour la préparation des chargements entraînent une augmentation des coûts annuels d'au moins 6 %. En outre, lorsque des changements dans les types de contrats des travailleurs sont autorisés, tels que la transition d'un "emploi à durée déterminée" ou d'un "arrangement de travail occasionnel" à un "emploi permanent à temps plein", la rotation du personnel diminue et les temps de préparation des chargements satisfont à la norme fixée, bien qu'à des coûts plus élevés (22 809 USD). Enfin, l'amélioration de la formation a un effet favorable : les temps de préparation des chargements respectent la norme fixée et un excédent de 18 058 USD est généré.
La volonté de l'entreprise de payer, ou de faire des investissements, en ce qui concerne la dotation en personnel est un élément essentiel de l'analyse. Si la volonté de payer de l'entreprise est minime, voire nulle, la meilleure solution pour l'entreprise sera de licencier les travailleurs sous contrat de travail à durée déterminée avant leur renouvellement et de réinvestir les économies ainsi réalisées dans un programme de formation visant à accroître la productivité des travailleurs, lorsque l'investissement ne dépasse pas 10 120 USD par an. En conséquence, la rotation du personnel sera élevée et une formation continue des travailleurs sera nécessaire pour améliorer leur productivité et atteindre la norme de temps de préparation de la charge.
Par comparaison, si l'entreprise est disposée à payer pour ses effectifs, l'une des trois solutions suivantes est recommandée : (1) engager un travailleur supplémentaire dans le cadre d'un "contrat de travail occasionnel" pour un coût annuel maximal de 8 862 USD, ce qui permettra de réduire le temps moyen de préparation des chargements à 14,586 heures ; (2) mettre au point un système de gestion de la qualité pour les travailleurs de l'industrie de l'automobile.586 heures ; (2) développer un programme de formation pour améliorer la productivité pour un investissement annuel maximum de 8 862 USD, ce qui permettra de réduire le temps moyen de préparation du chargement à 14,135 heures ; ou (3) autoriser le changement de type de contrat de "travail à durée déterminée" à "travail permanent à temps plein", combiné à l'alternative 2, pour un investissement annuel maximum de 5 415 USD, ce qui permettra de réduire le temps moyen de préparation du chargement à 13,944 heures. Par conséquent, avec une volonté de payer pour la dotation en personnel et la formation, la productivité de l'entrepôt sera considérablement améliorée.
Biographies des auteurs
RODRIGO DE LA FUENTE est professeur assistant au département d'ingénierie industrielle de l'université de Concepci'on (Chili). Il est titulaire d'un doctorat en ingénierie industrielle et des systèmes de l'université d'État de Caroline du Nord. Son adresse électronique est la suivante: rodelafuente@udec.cl.
JUAN GATICA est titulaire d'une licence en génie industriel de l'Universidad de Concepci'on (Chili). Son adresse électronique estjuagatica@udec.cl.
RAYMOND L. SMITH III est professeur adjoint au département d'ingénierie de l'East Carolina University, située à Greenville, en Caroline du Nord. Il est titulaire d'un doctorat en ingénierie industrielle et des systèmes de l'université d'État de Caroline du Nord. Son adresse électronique estsmithraym17@ecu.edu.
Références
De Koster, R., T. Le-Duc, et K. J. Roodbergen. 2007. "Design and Control of Warehouse Order Picking : A Literature Review". European Journal of Operational Research 182(2):481-501.
Frazelle, E. 2001. World-Class Warehousing and Material Handling. New York, New York : McGraw-Hill Education.
Gerhardt, I. et B. L. Nelson. 2009. "Transforming Renewal Processes for Simulation of Nonstationary Arrival Processes". INFORMS Journal on Computing 21(4):630-640.
Ghiani, G., G. Laporte, et R. Musmanno. 2004. Introduction to Logistics Systems Planning and Control (Introduction à la planification et au contrôle des systèmes logistiques). Chichester, West Sussex : John Wiley & Sons.
He, B., Y. Liu, etW. Whitt. 2016. "Staffing a Service System with Non-Poisson Non-Stationary Arrivals". Probability in the Engineering and Informational Sciences 30(4):593-621.
Karakis, I., M. Baskak, et M. Tanyas¸. 2015. "Modèle analytique pour les dimensions optimales des entrepôts". Research in Logistics & Production 5(3):255-269.
Law, A. M. 2008. "Comment construire des modèles de simulation valides et crédibles". In Proceedings of the 2008 Winter Simulation Conference, édité par M. Rossetti, R. R. Hill, B. Johansson, A. Dunkin, et R. G. Ingalls, 39-47. Piscataway, New Jersey : IEEE.
Liong, C. et C. Loo. 2009. "A Simulation Study of Warehouse Loading and Unloading Systems Using Arena". Journal of Quality Measurement and Analysis 5(2):45-56.
Nelson, B. 2013. Fondements et méthodes de la simulation stochastique : A First Course. New York, New York : Springer Science & Business Media.
Tompkins, J., J. White, Y. Bozerm, et J. M. Tanchoco. 2010. Facilities Planning. Hoboken, New Jersey : John Wiley & Sons.