Modélisation des processus de prévision de la chaîne logistique pour l'amélioration des performances industrielles

Supply chain forecasting processes modeling for industrial performances improvement

• Auteur / Autrice : Mohamed Sameh Belaid
• Direction : Stéphane Lecœuche, Anthony Fleury
• Type : Thèse de doctorat
• Discipline(s) : Automatique - Productique
• Date : Soutenance le 30/03/2022
• Etablissement(s) : Ecole nationale supérieure Mines-Télécom Lille Douai
• Ecole(s) doctorale(s) : École graduée Mathématiques, sciences du numérique et de leurs interactions (Lille ; 2021-....)
• Partenaire(s) de recherche : Laboratoire : Centre for Digital Systems / CERI SN - IMT Nord Europe
• Jury : Président / Présidente : Bertrand Rose
• Jury : Examinateurs / Examinatrices : Aurélie Montarnal, Michel Philippart
• Jury : Rapporteur / Rapporteuse : Allou Badara Samé

Mots clés

Mots clés libres

Chaîne logistique

Prévision des ventes

Amélioration

Science des données

Intelligence artificielle

Performances industrielles

Modélisation

Supply Chain

Sales forecasting

Improvement

Data science

Artificial intelligence

Industrial performances

Modeling

Résumé

Quel que soit le secteur d’activités des entreprises industrielles aujourd’hui, ces dernières doivent faire face à plusieurs enjeux et challenges économiques pour garantir leur pérennité et compétitivité sur leur marché. L’amélioration continue des processus de production et la gestion efficiente de la Supply Chain sont des pistes incontournables pour une bonne maîtrise des coûts et des risques associés à l’activité de chaque entreprise. Avec l’avancement technique et technologique, plusieurs pistes à fort potentiel telles que l’intelligence artificielle, se présentent comme des opportunités intéressantes et innovantes permettant de répondre à des problématiques industrielles complexes. Parmi ces dernières, les tâches de planification de la demande, de la production ou encore la gestion des stocks représentent des éléments clés pour une bonne maîtrise de la Supply Chain. C’est dans ce cadre que les travaux menés dans cette thèse s’intègrent, en ayant comme objectif de mettre en place un outil d’aide à la décision permettant de fiabiliser, faciliter et automatiser la préparation des prévisions des ventes. Nous proposons donc une approche guidée par les données permettant de répondre à cette problématique dans un cadre d’application industrielle chez l’entreprise elm.leblanc du groupe Bosch. Notre méthodologie proposée est complétée par une mise en œuvre à travers un développement sur une plateforme de service cloud dans l’entreprise.

Whatever the sector of activity of industrial companies is today, they must face several economic challenges to ensure their sustainability and competitiveness on their market. The continuous improvement of the production processes and the efficient management of the Supply Chain are essential tracks for a good control of the costs and the risks associated with the activity of each company. With the advancement of techniques and technologies, several high-potential avenues such as artificial intelligence, present themselves as interesting and innovative opportunities to respond to complex industrial problems. Among these, the tasks of demand planning, production or inventory management are key elements for a good control of the Supply Chain. It is within this framework that the work carried out in this thesis is integrated, with the objective of setting up a decision support tool allowing to make the preparation of sales forecasts more reliable, easier and more automated. We therefore propose a data-driven approach to address this issue in an industrial application framework at the elm.leblanc company of the Bosch group. Our proposed methodology is completed by an implementation through a development on a cloud service platform in the company.