Flowcasting une percée dans l’intégration de la chaîne logistique

Centre de cas HEC Montréal
Ce cas porte sur la l’intégration de la chaîne logistique à travers le défi d’André Martin : convaincre un important fournisseur de Sam’s Club d’implanter un pilotage de la chaine logistique complète à partir des prévisions produites au niveau des points de vente jusqu’à l’usine (flowcasting) en invoquant les bénéfices qui y sont associés.
Boutique evalorix
Vous pourrez trouver une version PDF de cette étude de cas ainsi que les notes de cours pédagogique qui l’accompagnent à cette adresse de la boutique evalorix

En ce jour d’automne 2006, André Martin est fébrile. Quelques jours plus tôt, il avait reçu un appel de Todd Harbaugh, vice-président principal, Inventory Management, Supply Chain, Planning & Execution, chez Sam’s Club, une filiale de Walmart. Ce dernier lui avait organisé une rencontre avec un des principaux fournisseurs de Sam’s Club, un géant de l’industrie alimentaire. Cette rencontre était une occasion unique pour André Martin d’exposer les résultats d’une démarche qu’il avait expérimentée récemment au Mexique avec un autre important fournisseur de Sam’s Club, Procter & Gamble. Cette fois, il avait l’appui de Sam’s Club en la personne de Todd Harbaugh qui avait été fort impressionné par les résultats de l’expérience mexicaine présentés en introduction du dernier livre d’André Martin1 . En effet, on y décrivait les premiers résultats d’une expérimentation tendant à démontrer que des améliorations substantielles pouvaient être obtenues en pilotant la chaîne logistique à partir des prévisions produites au niveau des points de vente. Jusqu’alors, cette image d’une chaîne intégrée où la prévision (Forecasting) est remplacée par le pilotage des flux (Flowcasting) était en grande partie limitée à de rares initiatives ponctuelles, d’où le titre du livre retenu par André Martin et ses collaborateurs : Flowcasting the retail supply chain.

Dans l’avion qui l’amène à Bentonville, Arkansas, au siège social de Walmart, André Martin révise les arguments qu’il doit faire valoir à cet important fournisseur de Sam’s Club pour l’amener à implanter le Flowcasting. Heureusement, il peut compter sur l’appui de Todd Harbaugh.

L’intégration de la chaîne logistique : les défis du commerce de détail

Voilà plus de 30 ans qu’André Martin poursuivait un rêve inspiré par le professeur du MIT, Jay Forrester, celui d’une chaîne logistique intégrée. Ce dernier, dans un article publié dans la Harvard Business Review en 1958, pressentait l’imminence d’une percée majeure dans l’intégration des flux d’un réseau de production et de distribution (production-distribution system2). Il insistait sur l’importance pour les gestionnaires des différents acteurs du système d’adopter certains comportements pour éviter l’amplification des variations de la demande ou l’effet bullwhip. De fait, lorsque l’on observe un réseau logistique, plusieurs auteurs ont montré que les erreurs de prévisions, jumelées à d’autres éléments tels que les tailles de lot ou les promotions, ont tendance à s’amplifier de l’aval vers les entreprises en amont de la chaîne logistique. Cet effet d’amplification illustre très bien les problèmes associés au fonctionnement d’une chaîne en silos où les pénuries et les stocks excessifs se côtoient, problèmes nourris par la multiplication des prévisions tout au long de la chaîne. En multipliant ainsi les prévisions, on multiplie par la même occasion les erreurs de prévisions. À l’inverse, à l’intérieur d’une chaîne intégrée, les données sur la consommation aux points de vente circulent rapidement vers les partenaires en amont afin de procurer à ces derniers une meilleure lecture des besoins exprimés et d’éliminer les activités sans valeur ajoutée.

« La lecture de l’article de Jay Forrester publié dans la Harvard Business Review en 1958 m’a fait comprendre certaines choses que les gens comprennent mal ou pas du tout encore aujourd’hui. Il m’a fait comprendre qu’un réseau de distribution est naturellement intégré, qu’on le réalise ou non, il l’est. Et ce sont les êtres humains qui créent des règles et des normes qui nous causent toutes sortes de malaises et toutes sortes de problèmes. » Dans cet article intitulé Industrial Dynamics, Forrester donnait notamment l’exemple d’une augmentation de 10 % des ventes d’un détaillant œuvrant dans un réseau logistique à quatre échelons (détaillant, distributeur, centre de distribution et fabricant) qui pouvait se traduire par une augmentation de la production du fabricant de l’ordre de 40 % près de six mois plus tard à cause des systèmes de gestion des stocks alors utilisés et des modes de communication.

Une fois ce constat établi, il fallait trouver la solution et cette percée que Forrester croyait imminente aura pris plus de 40 ans à se réaliser! Pour expliquer ce constat, André Martin mentionnait « avoir frappé le mur technologique » : « Lorsqu’arrivés au niveau des magasins nous avons voulu utiliser les mêmes outils de planification des stocks que ceux utilisés par les manufacturiers, j’ai réalisé qu’on n’avait pas les outils informatiques pour le faire! »

En effet, les outils implantés dans le secteur manufacturier au fil des ans n’étaient pas directe¬ment applicables et transposables dans le secteur du commerce du détail. André Martin en était très conscient, car il a participé activement au développement et à l’implantation de ces outils tout au long de sa brillante carrière (voir son cheminement de carrière à l’annexe 1). Ce qui distingue le secteur du commerce de détail du secteur manufacturier, c’est avant tout le nombre d’établissements (points de vente) à desservir. En effet, des chaînes comme Loblaws et Alimen¬tation Couche-Tard comptent respectivement plus de 1 000 et 2 000 magasins au Canada. Ces points de vente sont situés près des consommateurs et sont généralement approvisionnés par des centres de distribution régionaux assurant un service de livraison rapide. Aux États-Unis, les magasins Sam’s Club peuvent compter sur un réseau de 40 centres de distribution régionaux desservant chacun entre 75 et 100 magasins.

En plus du nombre de points de vente, ce qui caractérise le commerce de détail est le nombre élevé de produits qui sont offerts en magasins. On n’a qu’à se placer devant le comptoir des jus dans un supermarché pour constater le nombre et la variété des produits offerts : jus d’orange sans pulpe, avec pulpe, avec beaucoup de pulpe, avec calcium, etc. En moyenne, un magasin Walmart compte plus de 80 000 produits différents (ou Stock Keeping Units – SKU) alors qu’un magasin entrepôt comme Sam’s Club ou Costco en offre entre 5 000 et 7 000. Les magasins Supercenters de Walmart en offrent encore plus avec près de 150 000 produits différents. Quand on multiplie le nombre de produits par le nombre d’emplacements, on obtient un nombre astronomique de produits-emplacements qui doivent faire l’objet de prévisions, de suivis, de commandes, etc. On arrive facilement à un chiffre de 80 millions de produits-emplacements pour une chaîne comme Loblaws au Canada. On s’approche des 500 millions de couples produits-emplacements pour Walmart aux États-Unis!

De plus, ces milliers de produits que l’on retrouve chez les détaillants ont des profils de ventes très différents les uns des autres, une majorité d’entre eux ayant souvent un faible taux de rotation. Néanmoins, ces derniers doivent être présents sur les tablettes pour compléter une offre de produits et occuper l’espace à des fins promotionnelles et à la place d’un produit concurrent. Un bon exemple est celui du rouge à lèvres où un produit donné peut être offert dans une gamme de plus de 50 couleurs, la couleur la plus populaire pouvant occasionner des ventes des dizaines de fois plus élevées que la moins populaire. La prévision de ventes de ces produits dont on ne vend qu’une unité par semaine ou quelques unités par mois dans un magasin donné représente un défi de taille qui est amplifié par les fluctuations saisonnières, les promotions (cf. effet bullwhip), etc.

Dans ce contexte, les progiciels de gestion intégrée de type ERP (Enterprise Resource Planning), développés pour répondre aux impératifs des entreprises manufacturières depuis les premiers balbutiements de la planification des besoins matières (PBM ou MRP; Material Requirements Planning), ne peuvent suivre la cadence que leur impose le commerce de détail. Ainsi, les stocks sont encore aujourd’hui gérés de façon plutôt traditionnelle. C’est le cas notamment des Walmart, K-Mart et Sears, entre autres, dont les prévisions en magasin sont fournies par le système Inforem qui repose lui-même sur une méthodologie développée par IBM dans les années 1960 et qui modélise essentiellement la méthode du point de commande en gestion des stocks. Diverses initiatives ont été proposées au fil des ans (Vendor Managed Inventory ou VMI; Collaborative, Planning, Forecasting and Replenishment ou CPFR), mais elles se sont très souvent heurtées à la résistance des gestionnaires concernés, découragés par l’ampleur de la tâche (nombre de produits-emplacements à gérer) et par la difficulté de telles approches à s’adapter aux règles du jeu en vigueur dans le commerce de détail (escomptes de quantité, promotions, etc.).

Bien sûr, des entreprises comme Walmart, Target, Home Depot, Lowe’s et Sears, entre autres, mettent à la disposition de leurs fournisseurs des mises à jour quotidiennes des données sur les ventes de leurs produits, par emplacement, mais peu nombreux sont ceux qui peuvent tirer profit de cette information, faute de moyens (ou de volonté) pour traiter un tel volume de données. Enfin, malgré le fait que la lecture de codes à barres des produits vendus aux caisses enregis¬treuses puisse fournir des mises à jour des stocks en magasin, cette fonction est de nos jours rarement utilisée à cette fin de crainte que des erreurs se produisent, par manque de discipline et aussi par incompréhension de la réelle valeur de ces données de la part de certains détaillants.

Il fallait donc résoudre ce problème en développant une application informatique exempte de tout biais manufacturier afin de pouvoir traiter autant de données à l’intérieur d’un délai raisonnable et à peu de frais. Ces efforts déployés sur plusieurs années par André Martin et quelques collègues dont Darryl Landvater, donnèrent naissance au progiciel Flowcasting – néologisme exprimant l’importance du pilotage des flux à travers la chaîne logistique – développé spécifiquement pour répondre à ces défis avec un seul objectif en tête : celui d’intégrer la chaîne, du manufacturier à la « tablette » du détaillant3.

L’expérience mexicaine

Au printemps 2005, André Martin proposait à Procter & Gamble (P&G), avec qui il entretenait des contacts, de procéder à une simulation visant à démontrer l’efficacité du Retail Resource Planning (RRP) qui allait être rebaptisé Flowcasting l’année suivante.

Pour ce faire, André Martin envoya une proposition formelle à P&G, le 14 avril 2005, faisant valoir les avantages d’une simulation qui modéliserait les quantités commandées par Walmart durant une période de quatre semaines, et ce, pour un petit nombre de produits livrés à partir d’un même centre de distribution. Les niveaux de stocks ainsi que les commandes prévues seraient calculés par le système RRP durant cette période d’expérimentation. L’objectif était de comparer les quantités commandées prévues par le système Retail Resource Planning avec celles couram¬ment utilisées par P&G et de comparer les deux prévisions avec les commandes réelles provenant du centre de distribution de Walmart durant la simulation. Le choix de P&G et Walmart n’était pas sans intérêt, ces deux sociétés étant reconnues comme des entreprises innovantes en matière de chaîne logistique et comme étant à l’origine des premières initiatives de collaboration ayant donné naissance au CPFR.

Chez P&G, on a choisi les activités mexicaines comme territoire d’expérimentation. Ce choix était motivé essentiellement par les contacts étroits qu’entretenait Franz A. Dill, gestionnaire du projet chez P&G, avec ses collègues mexicains et la bonne volonté ainsi que l’ouverture d’esprit démontrées par ces derniers. Initialement, on voulait inclure à la fois les magasins Walmart et ceux de sa filiale Sam’s Club. Cependant, on a constaté dès les premières semaines de la simulation que les paramètres fournis par Walmart sur les règles de fonctionnement de ses magasins (voir le tableau 1) variaient de façon inexpliquée dans le cas de Walmart tandis qu’ils étaient fixes pour les magasins Sam’s Club. Au final, on a donc choisi de ne retenir que les 63 magasins Sam’s Club du Mexique pour la simulation, lesquels étaient desservis par un seul centre de distribution (CD) de Walmart. Le troisième échelon était constitué d’un CD de P&G qui réapprovi¬sionnait le CD de Walmart. De plus, Franz Dill a retenu huit produits, jugés suffisamment représentatifs de la gamme des produits de P&G, pour cette expérimentation. Grâce au système Retail Link4, on pouvait simuler les activités de réapprovisionnement sans que Walmart ne soit impliquée dans le projet (ni même informée!), ce qui simplifiait les choses pour les gens de P&G.

Le tableau 1 décrit les données requises pour la simulation. L’établissement de cette liste a fait l’objet de nombreux échanges entre les membres de l’équipe d’André Martin et ceux de Franz Dill.

Tableau 1 – Données requises pour l’expérimentation

Flowcasting - Tableau 1

La figure 1 illustre le calcul des besoins multi-échelons piloté par le système RRP à partir d’une seule prévision réalisée au niveau de chaque magasin. Ainsi, pour les centres de distribution de Walmart et P&G, la prévision est remplacée par une demande de distribution calculée à partir des lancements planifiés des maillons en aval, c’est-à-dire à partir des lancements planifiés des maga-sins, pour le centre de distribution de Walmart, et des lancements planifiés de ce dernier, pour le centre de distribution de P&G (voir l’annexe 2 pour plus de renseignements sur les objectifs du RRP/Flowcasting et les principales étapes de fonctionnement). Pour la simulation, les prévisions des magasins Sam’s Club étaient initialement fournies par le système Inforem de Walmart. Or, il s’est avéré que l’exactitude de ces prévisions laissait à désirer et l’équipe d’André Martin a dû procéder à l’établissement de ses propres prévisions à partir des données historiques de ventes des produits retenus au cours de deux années précédentes. Cette situation a engendré des délais imprévus, mais en agissant de la sorte, on a réussi à améliorer sensiblement l’exactitude des prévisions. À titre d’exemple, la figure 2 illustre la prévision de Walmart pour un certain produit dénommé X alors que la figure 3 montre la prévision du système RRP pour ce même produit. Le degré d’exactitude affiché par la prévision de Walmart est de 63 % alors que celui obtenu par RRP est de 82 %. À noter que la prévision fournie par RRP est établie pour les douze prochains mois.

Figure 1 – Calcul des besoins de distribution par le système RRP

Flowcasting - Figure 1

Figure 2 – Prévision des ventes de Walmart pour un produit X

Flowcasting - Figure 2

Figure 3 – Prévision des ventes de RRP pour un produit X

Flowcasting - Figure 3

En fait, la méthode de prévision utilisée par le système RRP reposait sur l’établissement d’une prévision hebdomadaire de base qui tenait compte des tendances et des variations saisonnières. Cette tendance de base était ensuite ajustée pour tenir compte des promotions planifiées au cours des douze prochains mois. On répartissait ensuite ces prévisions hebdomadaires selon l’importance relative des ventes quotidiennes pour obtenir des prévisions journalières par produit et par magasin. En pratique, cette tâche s’est avérée plus difficile que prévu. Par exemple, André Martin se souvient que « pour certains produits, il n’existait pas de données historiques pour les deux dernières années; dans d’autres cas, il fallait composer avec des ventes nulles durant certaines semaines; enfin, il fallait établir des prévisions pour de nouveaux magasins ayant ouvert leurs portes au cours des deux dernières années ». Finalement, deux produits ont dû être retirés de la simulation, faute de données réalistes et valides.

La simulation s’est déroulée du 12 novembre au 31 décembre 2005. Durant cette période, le système RRP a effectué les tâches suivantes :
• Au départ, RRP a établi des prévisions de vente pour les 8 produits retenus et pour chacun des 63 magasins Sam’s Club participants et ce, pour une période de 52 semaines.
• Initialement, RRP a également produit des projections des niveaux de stocks et des réapprovisionnements requis pour chaque magasin sur une base quotidienne.
• Durant l’expérimentation, RRP a recalculé quotidiennement les niveaux de stocks et les réapprovisionnements requis pour chaque magasin à partir des données issues des points de vente.
• Chaque jour, RRP procédait à une agrégation des données obtenues pour les magasins afin de produire une prévision des commandes devant être reçues au centre de distribution de Walmart (cf. Demande de distribution, figure 1).

Chaque semaine, le système RRP recalculait les prévisions pour tous les magasins participants. Durant cette période, plusieurs enjeux ont dû être résolus. Par exemple, Franz Dill était préoccupé par le traitement que l’on devait accorder aux fluctuations imprévues de prix chez Sam’s Club, en réaction notamment aux actions de ses concurrents. De tels rabais ou promotions venaient perturber les meilleurs plans et risquaient de provoquer des pénuries. En effet, de l’aveu même d’André Martin : « Aucun système au monde ne pouvait corriger ce genre de problèmes; il fallait nécessairement que les personnes concernées s’impliquent dans le processus et collaborent pour résoudre ces difficultés. »

L’expérience mexicaine : des résultats probants

Pour mettre en perspective les résultats obtenus par André Martin et son équipe au Mexique, on peut se référer à une étude du laboratoire d’analyses marketing de Georgia Tech5 à laquelle André Martin réfère également dans son livre. Cette étude a mesuré la performance de quarante entreprises œuvrant dans les produits de consommation en termes d’exactitude obtenue dans la prévision des ventes selon le niveau d’agrégation retenu (voir le tableau 2).

Tableau 2 – Analyse comparative de la performance de 40 entreprises dans l’exactitude des prévisions de ventes dans le secteur des produits de consommation

Flowcasting - Tableau 2

Ces résultats sont logiques puisqu’on peut s’attendre à un plus haut degré d’exactitude au fur et à mesure que le niveau d’agrégation des données augmente. Mais qu’en est-il de l’exactitude des prévisions pour les produits par magasin ou par emplacement? On peut présumer que ce niveau d’exactitude sera plutôt faible même s’il n’est pas disponible au tableau 2. C’est ce défi qu’André Martin a relevé avec brio au Mexique. En comparant les prévisions du système RRP avec les commandes réelles du détaillant, on constate que le degré d’exactitude obtenu variait de 83 % à 97 % selon les résultats présentés au tableau 3, soit un degré d’exactitude de loin supérieur aux attentes découlant du tableau 2 pour un tel niveau de détail.

Tableau 3 – Comparaison des commandes prévues par le système RRP avec les commandes réelles recues au CD de Walmart

Flowcasting - Tableau 3

En examinant de plus près les données du tableau 3, on constate que pour tous les produits, à l’exception du no 16, les commandes réelles sont supérieures aux prévisions ce qui pouvait s’expliquer par une tendance observée chez Sam’s Club de commander davantage de produits en vue de la période des Fêtes de Noël. Étant donné que cette expérimentation a été conduite à l’insu des gens de Walmart, on ne pouvait pas intégrer un tel comportement dans les prévisions du système RRP. Il fallait néanmoins réaliser que toute information de ce type, incluant les plans de promotions, pouvait être intégrée au système RRP dans un contexte normal d’exploitation où détaillants et fournisseurs collaborent en partageant ce type d’informations.

Le 31 janvier 2006, André Martin concluait sa présentation devant les responsables de P&G en énonçant les principaux bénéfices pouvant être obtenus à court terme à la suite de l’expérience mexicaine :
• Un meilleur contrôle de la chaîne d’approvisionnement qui se traduit par la minimisation des pénuries;
• Un degré d’exactitude supérieur des prévisions obtenues par le système RRP;
• De meilleurs taux d’exécution des commandes (Fill Rate) et une gestion des stocks améliorée grâce à un degré d’exactitude supérieur des données utilisées et à leur disponibilité;
• Des employés plus productifs occupant leur temps à planifier plutôt qu’à gérer des crises;
• Une visibilité accrue de la chaîne d’approvisionnement de Walmart et P&G;
• Des données fiables et précises qui facilitent la collaboration entre P&G et Walmart.

À plus long terme, André Martin prévoyait les avantages suivants :
• P&G pourrait collaborer avec Walmart afin d’améliorer la qualité des prévisions au niveau des magasins;
• P&G et Walmart pourraient retirer des avantages concurrentiels de cette qualité accrue des prévisions alors que leurs concurrents continuent à utiliser des approches plus conventionnelles;
• Le système RRP, et maintenant le Flowcasting, faciliterait la mise en application de démarches collaboratives comme le Co-Managed Inventory (CMI);
• P&G pourrait utiliser le Flowcasting avec d’autres clients pourvu que ces derniers soient en mesure de fournir des données aux points de vente (POS);
• Sur le plan financier, l’utilisation du Flowcasting pourrait se traduire par des bénéfices de l’ordre de 1 % à 7 % des ventes, soit de 15 à 105 millions de dollars, uniquement pour P&G au Mexique!

Arrivée à Bentonville

« Ladies and gentlemen, Please fasten your seat belts, as we will be landing shortly at Northwest Arkansas Regional Airport. »

André Martin est tiré de ses pensées et se met à réfléchir à l’avenir. Voilà l’occasion qu’il attend depuis toutes ces années; celle de déployer le Flowcasting auprès d’un important manufacturier du secteur de l’alimentation avec le soutien d’un détaillant de premier plan. Malgré les excellents résultats obtenus jusqu’à présent, il ne peut s’empêcher de penser aux obstacles potentiels :

• Le nombre de produits à gérer : des millions de combinaisons produits-localisations par rapport à des milliers du côté manufacturier;
• Les enjeux organisationnels : résistance au changement, réticences des experts en prévi¬sion du siège social du géant de l’alimentation; comment réagiront-ils à la notion d’un seul ensemble de prévisions aux points de vente?
• Les infrastructures technologiques en place. En préparant sa rencontre, André Martin avait appris que ce fournisseur de Sam’s Club avait récemment initié un projet visant l’intégration de sa chaîne logistique à partir de la demande au détail. Ce projet était réalisé en collaboration avec un important partenaire dans le domaine des technologies de l’information. Il reposait sur une approche plus conventionnelle basée sur le point de commande en utilisant un horizon de 31 jours.

L'étude de cas complète
Vous appréciez cette étude de cas? Bénéficiez du cas complet incluant les annexes suivantes (4 pages au total)sur la boutique:
  • Cheminement de carrière d’André Martin
  • Retail Resource Planning/Flowcasting
Afin d’acheter l’étude de cas dans son intégralité, rendez-vous à cette adresse de la boutique evalorix
  1. En fait, avant de rencontrer André Martin quelques semaines plus tôt, Todd ignorait que le détaillant dont il était anonymement question dans ce livre était nul autre que la chaîne de magasins Sam’s Club au Mexique!
  2. L’expression chaîne logistique ou Supply Chain Management allait voir le jour beaucoup plus tard.
  3. Ainsi, l’expression Flowcasting désigne à la fois le progiciel et la démarche d’intégration des flux logistiques.
  4. Retail Link est le système d’information utilisé par Walmart pour diffuser les données de vente et autres informations utiles à ses fournisseurs.
  5. Kenneth B. Khan, « Benchmarking Sales Forecasting Performance Measures », Journal of Business Forecasting, hiver 1998-1999, p. 19-23.