Compte-rendu des présentations et des échanges
(Voir les présentations)
Quand et comment utiliser des outils analytiques dans un projet d'amélioration des
performances ?
Les outils analytiques performants permettent de mener des analyses de processus ou de résoudre
des problèmes quantitatifs difficiles dans des situations complexes qu'il est impossible de traiter sans
un formalisme mathématique adapté.
A partir des quelques illustrations présentées ici, il est possible de transposer ces approches à
d'autres problématiques d'une entreprise ou d'une organisation en raisonnant par analogie.
En s'appuyant sur des méthodologies rigoureuses et des outils analytiques performants, le consultant
peut résoudre bien des questions. Mais au-delà de la connaissance des différents outils analytiques,
la difficulté est souvent de reconnaître quand et où ces outils peuvent être efficaces.
Heureusement, la démarche scientifique peut être très utile : le raisonnement par analogie cher au
physicien peut alors venir au secours du consultant...
En ce qui concerne les processus, de nombreux modèles ont été développés et appliqués avec
succès dans le domaine industriel (6 sigmas, TRIZ, SCOR).
Forts de ses succès, leur formalisme est aujourd'hui en train de se diffuser vers les activités de
service telles que la banque, la restauration, le milieu médical, la gestion des conflits sociaux, voire la
pédagogie.
Les outils analytiques doivent être réservés aux cas où le « bon sens » ne suffit pas à mettre d'accord
les responsables chargés d'améliorer les performances, ou lorsque l'expérimentation de diverses
solutions intuitives bute sur des limites apparemment infranchissables.
Exemple de l'amélioration des processus chez un opérateur téléphonique après sa fusion avec
un concurrent
En s'appuyant sur le formalisme du modèle SCOR - Supply Chain Organization Referential -, Pascal
Rybak a pu segmenter l'ensemble des processus de cet opérateur depuis la prise de commande
jusqu'à à la livraison des terminaux et analyser les écarts de performance entre les deux Supply
Chains. Le modèle SCOR définit de manière rigoureuse un ensemble d'indicateurs de performance
qui permet de quantifier de nombreux préceptes un peu « mous » tels que la réactivité ou la flexibilité
de la Supply Chain.
Cung Dinh Dang souligne à juste titre que ce modèle est un modèle d'analyse et de prescription des
meilleures pratiques mais ne peut être considéré comme la solution aux problèmes de l'entreprise. Il
permet de comparer efficacement deux sociétés ou deux Supply Chain au sein d'une même société
en adoptant rigoureusement les mêmes métriques.
Ce modèle a été utilisé par certains consultants de XMC, avec d'autres modèles d'analyse pour définir
l'ensemble des indicateurs d'un manuel de qualité de PME.
Exemple de la planification des opérations de maintenance des équipements militaires
Alain Fedon transpose le formalisme de la planification industrielle qui intègre l'exploitation des
équipements, l'investissement et la maintenance.
Dans le domaine des équipements militaires, la maintenance est souvent réalisée selon un mode
réactif. En raison des très longs délais d'approvisionnement de certaines pièces (supérieurs à 2 ans
parfois), le taux de disponibilité de certains équipements militaires se dégrade alors fortement alors
même que certains stocks de pièces détachées explosent en volume et en valeur, au point de devoir
être déclassés en raison de l'obsolescence des équipements de rechange à durée de vie limitée.
Le parallèle avec la production est évident : les temps de réapprovisionnement étant trop longs, une
politique exclusivement tirée par la demande de réparation est impossible. Il faut donc lui substituer
une politique dite « push » c'est-à-dire une politique de maintenance pilotée par des prévisions de
défaillance à l'instar des politiques de production sur stock pilotées par des prévisions de demande.
L'amélioration de la disponibilité des matériel et la réduction importante des stocks de pièces
détachées ainsi que des risques de dépréciation de stocks est économiquement très intéressante.
Exemple d'application d'un modèle quantitatif à l'amélioration du processus d'investissement
sur des sites industriels multiples
Thibault Quiviger présente l'étude réalisée pour transformer le processus de planification des
investissements à moyen terme d'un groupe industriel européen de premier plan.
Ce groupe résulte de la fusion, au début des années 2000, de sociétés disposant chacune de
plusieurs sites de production et de leurs propres méthodes de planification des investissements.
Pour réaliser les synergies annoncées lors de la fusion, les demandes d'investissement sont révisées
et manifestement le processus de planification à moyen terme s'essouffle : le principe qui consiste à
planifier l'activité de quelque 26 usines sur un tableur Excel ne permet plus d'identifier les décisions à
prendre en fonction des scénarios envisagés pour l'évolution de la demande, personne ne pouvant
plus maîtriser les centaines de combinaisons possibles.
Pour traiter « manuellement » ce problème, de nombreuses simplifications doivent être introduites, au
point de ne plus rendre compte correctement de la réalité des flux ni des contraintes industrielles liées
à la capacité pratique des équipements. La rentabilité des équipements existants et des
investissements envisagés présente un tel degré d'interdépendance qu'une optimisation devient
pratiquement impossible.
Le modèle développé pour traiter cet exercice est un modèle d'optimisation linéaire capable de
manipuler des dizaines de milliers de variables et d'optimiser l'allocation de production de l'ensemble
de la division en tenant compte des contraintes fines de chaque outil de production. Cet outil, capable
de fournir des scénarios d'analyse de capacité en quelques minutes a transformé le processus de
planification à moyen terme et lui a permis de retrouver le dynamisme nécessaire à son élaboration et
à l'éclosion d'un large consensus indispensable à sa mise en oeuvre. Commandé par le responsable
de la planification à moyen terme des investissements (1-3 ans), ce modèle s'est montré beaucoup
plus pertinent dans ses conclusions que l'exercice manuel d'allocation basé sur des hypothèses
souvent très subjectives.
Ce type d'approche montre combien parfois des outils mathématiques puissants et simples
d'utilisation permettent de revigorer certains processus qui achoppent sur une difficulté technique de
manipulation de données et de calcul.
Ces outils sont aujourd'hui faciles à mettre en œuvre. Ils sont pour certains, voire la plupart, gratuits,
grâce à l'explosion des logiciels libres.
Exemple de dimensionnement de la capacité de production d'une nouvelle usine grâce à un
modèle de simulation par événements discrets
Patrick Rigot-Müller présente le problème d'une société de biotechnologies, forte d'un business plan
de croissance ambitieux pour les prochaines années et d'une prévision de son mix produits futurs :
elle cherche à déterminer le calendrier et l'ampleur des investissements à effectuer au cours des
prochaines années, sachant que la capacité unitaire de chaque investissement supplémentaire
correspond à un module donné.
Pour répondre à cette question, il a fallu construire un modèle de demande, un modèle de stocks, un
modèle d'ordonnancement des commandes et enfin un modèle de la ligne de production. Le couplage
de tous ces modèles permet de mesurer les temps de cycles des commandes et de prendre des
décisions d'investissements au moment où ceux-ci deviennent trop longs.
Cette approche du cadencement des investissements basés sur un profil de demande et surtout sur
un respect du niveau de service est particulièrement originale. Elle a permis non seulement de définir
un calendrier d'investissement futur clair mais elle a aussi mis à jour un gisement d'améliorations
possibles pour la gestion de la ligne de production existante, renforçant la crédibilité de l'approche par
simulation.
Il faut noter que la simulation par évènements discrets, simulation durant laquelle une « horloge »
tourne et déclenche des évènements (demande, production programmée, incidents…) qui se
propagent dans le système modélisé - une usine de production dans l'exemple présenté – s'applique
de plus en plus à des ensembles de plusieurs usines et à des réseaux de distribution complexes. Elle
permet de formuler un diagnostic et d'identifier les voies de progrès dans les projets de réductions de
stock au niveau de l'entreprise élargie et pas seulement d'une unité de production.
De plus en plus, ces méthodes sont utilisées pour identifier les dysfonctionnements et définir les
objectifs de performances dans des organisations complexes de services, comme les banques, les
hôpitaux, les supermarchés, les plates-formes logistiques…
Les enseignements principaux
Ces quelques exemples d'application de cadre formels d'analyse transposés d'un domaine à un autre
ou d'utilisation d'outils mathématiques quantitatifs pour résoudre des problèmes techniques ou
organisationnels ne peut qu'effleurer le sujet du recours à des modèles par le consultant.
D'autres outils mériteraient un examen approfondi, notamment le formalisme de TRIZ qui permet de
trouver des solutions innovantes à des problèmes techniques (procédés industriels, conception de
logiciels, changements d'organisation,…) : en effet il fournit des voies d'analyse systématiques, si
éloignées du « brain storming » traditionnel qui, s'il permet de s'affranchir d'une certaine inertie
psychologique, conduit à d'inévitables campagnes d'essais/erreurs consommatrice de temps et de
ressources.
Mentionnons également toutes les techniques de « data mining » qui permettent, même avec des
outils très simples d'utilisation (arbres de décisions – C4.5, par ex) d'extraire d'inestimables
renseignements cachés dans les bases de données de nos clients et de construire des modèles
prédictifs très performants.
Les participants et les lecteurs sont invités à se référer à différents articles de référence :
- Méthode de résolution de problèmes techniques TRIZ http : //fr.wikipedia.org/wiki/TRIZ
- Théorie des contraintes : http://en.wikipedia.org/wiki/Theory_of_constraints
- Recherche opérationnelle (programmation linéaire, simulation par événements discrets…)
http://en.wikipedia.org/wiki/Operational_research
- Data mining : http://en.wikipedia.org/wiki/Data_mining
|
Réunions 
