Les chaînes d’approvisionnement du secteur agro-alimentaire sont extrêmement mondialisées et souvent pointées du doigt pour leur manque de traçabilité, de durabilité et de résilience. Face à ces inquiétudes, les circuits dits « courts » sont envisagés comme une alternative. Toutefois, plusieurs travaux soulignent que la perception positive générale entourant ces circuits n’est basée sur aucune preuve scientifique solide. Dans ce projet doctoral, nous visons àapporter de la matière scientifique pour valider ou invalider l’hypothèse de la durabilité des circuits courts - et donc de leur pertinence en tant qu’alternatives aux circuits traditionnels - ainsi que proposer une méthodologie, à destination des décideurs, permettant d’évaluer l’impact réel d’un circuit court sur les trois piliers du développement durable.

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.

Prodeval est un leader dans la production d’épurateurs de biogaz, mais son système logistique actuel (approvisionnement, production, distribution, installation), bien que performant à petite échelle, montre des limites pour répondre à la demande croissante et doit tripler sa production d'ici 2027, passant de 150 à 450 unités par an.

La production des épurateurs de biogaz est complexe en raison des nombreuses étapes nécessaires pour assurer leur qualité et leur fiabilité, allant de la conception à l'assemblage, en passant par la fabrication des composants et les tests de performance. Chaque étape doit respecter des normes strictes de sécurité et de qualité. De plus, la dépendance à un nombre limité de fournisseurs expose la chaîne logistique à des risques en cas de défaillance d'un acteur clé. Actuellement, la gestion de la chaîne d'approvisionnement ne garantit pas une production résiliente, c’est-à-dire capable de faire face aux imprévus et aux fluctuations du marché.

Pour répondre aux défis posés par l'augmentation de la production et la nécessité de diversifier les fournisseurs, il est impératif de reconfigurer la chaîne logistique actuelle. Cela inclut l'intégration de stratégies de gestion des risques et des perturbations, tout en optimisant les flux logistiques pour assurer la continuité et l'efficacité de la production. En adoptant de bonnes pratiques pour renforcer la résilience de cette chaîne (par exemple, la diversification des sources d'approvisionnement et la standardisation des processus), Prodeval pourra non seulement accroître sa capacité de production, mais aussi mieux gérer les perturbations potentielles.

La thèse vise à (re)concevoir une chaîne logistique résiliente pour Prodeval, capable de gérer les risques et d'assurer la continuité de la production. Les objectifs incluent l'analyse des vulnérabilités actuelles, la définition d'indicateurs de résilience, et le développement de méthodes d'aide à la décision pour renforcer la gestion des perturbations logistiques. La thèse devra également proposer des stratégies innovantes pour anticiper et gérer les incidents logistiques, garantissant ainsi la pérennité des activités de Prodeval dans un secteur en pleine expansion.

La première étape consistera en un état de l’art des travaux liés à la configuration et à la gestion de la logistique dans l'industrie du biogaz. La deuxieme, la modélisation de la chaîne logistique actuelle chez Prodeval sera réalisée pour identifier les acteurs, les processus et les risques potentiels de perturbations, à travers une immersion sur le terrain. La troisième et dernière étape considère des outils d’aide à la décision pour la gestion résiliente de la logistique seront ensuite développés, en utilisant des méthodes statistiques ou des modèles de simulation à événements discrets avec des logiciels comme Flexsim.

Savoye est une entreprise qui propose des solutions matérielles et logicielles pour équiper les entrepôts et, de manière générale, les processus logistiques. Grâce à son élargissement aux marchés américain et asiatique, elle est aujourd'hui en forte croissance.

Le projet FLOWER, coordonné par Savoye, implique les laboratoires LISPEN (ENSAM Lille) et DISP (INSA Lyon) dans l’objectif d’intégrer les critères de coût énergétique dans la conception et la gestion algorithmique des plateformes logistiques pour parvenir à une réduction significative des émissions de CO2. Les plateformes logistiques modernes sont organisées autour du concept « GTP »(Goods-To-Person). Dans cette organisation, la préparation des commandes au détail est réalisée par un opérateur dans un poste dédié, alimenté en permanence par des bacs de stock pour prélever les références, et des cartons de commandes à constituer. L’organisation des rendez-vous entre les casiers et les cartons de commande, au bon moment, dans le bon ordre, et sans jamais débrayer la station GTP, est assurée par des systèmes de stockage/déstockage (ASRS, Automated Storage and Retrieval Systems) à haut débit et supportée par des algorithmes de gestion propriétaires brevetés. La conception actuelle des ASRS et le test de leurs algorithmes de gestion s’appuient sur des simulateurs commerciaux, utilisés pour optimiser les règles de gestion afin de maximiser la productivité. Ansi, les ASRS sont dimensionnés pour supporter un flux de commandes en périodes de pointe, mais ne peuvent ni s’adapter à la variation à la baisse d’un carnet de commandes ni prendre en compte l’impact environnemental des opérations. La crise climatique rend impératif de prendre en compte le coût de l’énergie, pour parvenir à une gestion durable en temps réel de l’ASRS. Cet avis est partagé par un nombre croissant de clients de Savoye, qui commencent à intégrer le coût énergétique des systèmes ASRS dans leurs critères de décision lors des appels à projets. L’objectif de la thèse est donc de formuler des algorithmes capables d’assurer la préparation des commandes tout en réduisant la consommation énergétique des ASRS. Dans ce contexte, le doctorant travaillera avec le service R&D, rattaché à la direction générale du groupe et spécialisé dans l’IA, la recherche opérationnelle et l’optimisation mathématique. Deux approches sont envisagés pour répondre à l'objectif. La première consiste à réduire la vitesse des équipements en mouvement, la seconde consiste à réduire la distance qu’ils parcourent. Nous étudierons d’abord les algorithmes qui influent sur la vitesse afin de réaliser des réductions d’énergie significatives tout en gardant inchangés la plupart des algorithmes de décision. Nous étudierons ensuite des algorithmes agissant sur les distances, pour répondre aux problèmes décisionnels suivants :

Si un article requis par une station de prélèvement est présent à plusieurs endroits dans l’ASRS, à partir de quel emplacement doit-on appeler son bac pour minimiser la consommation d’énergie globale du système ?

Un problème d’attribution d’emplacement de stockage (SLAP, Storage Location Assignement Problem) : dans quel emplacement physique le bac doit-il être restocké après l’opération de prélèvement ?

Cette dernière question consiste non seulement à chercher la meilleure façon d’organiser le stock ASRS pour plus de 100 000 références afin de réduire la consommation d’énergie, mais également à examiner l’impact de cette mission de stockage lorsque les systèmes reviennent à des performances maximales. Une attention particulière sera portée à l’applicabilité des algorithmes développés sur des instances de taille réelle.