S&OP probabilisé, prise en compte des incertitudes dans le processus de Sales and Operations Planning

La littérature actuelle, bien que relativement restreinte, s'est concentrée sur l'élaboration, la conduite et la coordination du processus S&OP. Après plus de 30 ans d'existence, le processus S&OP semble atteindre un point d'inflexion en raison des évolutions sur les marchés, des avancées technologiques, et de la prolifération des données. Ce tournant est motivé par la nécessité d'une gestion des risques plus efficace pour créer des chaînes d'approvisionnement plus résilientes, surtout face à des facteurs tels que les crises mondiales fréquentes (environnementales, énergétiques, géopolitiques...) qui ont fortement perturbé les flux de 1 produits et de matières premières. On anticipe une fréquence accrue de perturbations à court terme (pics de demande, ruptures de stocks de matières premières) ayant un impact stratégique.
L'intégration du S&OP avec la planification et l'exécution opérationnelle devient alors cruciale. Dans ce contexte, de nombreux projets sont en cours pour repenser les prévisions et la planification dans les chaînes logistiques, en mettant particulièrement l'accent sur l'exploitation de toutes les données disponibles, offrant ainsi une capacité prédictive sans précédent. Nous examinons ici l'état actuel du processus S&OP et des approches de prévision de la demande associées. Dans le but de prévenir les risques et améliorer la prise de décision, plusieurs études ont exploré des approches de prévision, mêlant statistiques et apprentissage automatique (IA). Des travaux de recherche ont examiné des approches basées sur l'apprentissage profond pour prédire les ventes. D’autres travaux ont étudié l'utilité des données et leur exploitation afin d’améliorer les prévisions dans les chaînes logistiques. Par ailleurs, d’autres recherches ont développé des modèles de simulation à événements discrets pour identifier les risques et les scénarios associés dans les chaînes logistiques.
Ce projet de recherche vise à développer des modèles de prévision efficaces intégrant mathématiquement l'incertitude. L'objectif est d'identifier les types de risques et d'opportunités spécifiques à l'industrie automobile, de capturer les données pertinentes, et de les combiner de manière à minimiser l'incertitude globale. La thèse a pour ambition d'améliorer la qualité des prédictions S&OP en élaborant des modèles avancés qui intègrent l'incertitude, identifient les risques et opportunités propres à l'industrie automobile, et proposent des stratégies efficaces pour concilier les visions commerciales et industrielles.