Return to site

Industrie - optimisation des marges

Il est directeur d'une usine de production de pièces métalliques complexes.

Ses clients sont des grands groupes de l'aéronautique et de l'aérospatial, parfois militaires. Ils sont plutôt tatillons sur la qualité des pièces : certaines seront montées sur des satellites et iront se balader entre le Soleil et la Terre. Dans le secteur, il est d'usage de considérer qu'une fois le système envoyé sur orbite, toute demande de modification ou de remplacement sera refusée. La conception et la fabrication des éléments doivent donc être minutieusement suivie, et les rapports de la qualités sont réellement épluchés.

Les spécifications des pièces varient souvent, pour les besoins des industriels,
et le catalogue des références s'agrandit de milliers d'entrées chaque année. Une pièce est habituellement composée d'une dizaine de sous-pièces, avec différents traitements physiques ou chimiques. Les éléments passent donc de postes en postes, au gré des étapes de conception et des équipes d'ouvriers en place. Les planning de fabrication intègrent, naturellement, la disponibilité des machines, les maintenances programmées, les congés du personnel, l'état des stocks et d'autres contraintes opérationnelles ou logistiques.

Bref

Assurer la production et les délais est parfois complexe, le planning ne tient pas sur des post-it et les imprévus viennent parfois égayer cette belle organisation sans trop prévenir ; d'où leur nom. Il a de bonnes équipes, et l'usine sort les pièces en temps et en heure.

Ses véritables soucis, en ce moment, concernent l'optimisation de sa consommation énergétique et l'augmentation de ses marges commerciales. La législation a récemment évolué et s'il pouvait adapter sa production pour bénéficier des baisses de coûts sur l'énergie, il pourrait monter ses marges substantiellement. Et les délestages seraient moins handicapants. Quant aux marges commerciales, c'est structurel : il ne connait pas le prix de revient de ses pièces. Cela peut paraitre idiot, mais son catalogue est vraiment important et il est complexe de croiser les informations brutes de la production avec les bases de données commerciales. Ses équipes commerciales se débrouillent pour sortir des estimations des marges opérationnelles assurément satisfaisantes, car l'usine est bénéficiaire. Mais quelque part, il sent qu'ils pourraient faire mieux.

Voici la situation. Assurément classique.

Qui dit amélioration, dit optimisation.

Qui dit optimisation, dit outils
numériques.

Qui dit outils numériques, dit, souvent, solution intégrée très
chère, peu adaptée et finalement inutile.

Ce dont il a besoin, c'est d'outils adaptés à son besoin, et pas d'usine à gaz logicielle nécessitant un ingénieur à plein temps, trois mois de mise en forme de ses données pour respecter les formats d'entrées, et six mois avant de pouvoir appliquer les résultats à son cas particulier. Il n'est pas Google ou Amazon, et l'idée n'est pas de mettre par terre la production de l'usine : ce qu'il demande, c'est d’abord une amélioration concrète, pas une révolution totale. Si ça marche, oui, il ira plus loin dans cette "troisième révolution industrielle" dont parlent les journalistes high-tech.

Bonne nouvelle pour les décideurs qui se reconnaissent dans cette situation : ces outils existent ! Sous la forme de briques logicielles à sélectionner, puis assembler, adapter, intégrer. La démarche est classique des projets basés sur la
data : connecter les données existantes au module mathématique de résolution du problème, puis transformation des résultats en informations exploitables. Les modules de résolution sont puissants car conçus par des experts ; la seconde bonne nouvelle, c'est que les classes des problèmes à résoudre ne sont pas infinis. La modélisation mathématique permet dans la majeure partie des cas à se
ramener à un problème connu, pour lequel des algorithmes efficaces existent.

Encore faut-il identifier le bon problème ...

Dans le présent, le data scientist reconnaitra que l'optimisation énergétique se
ramène à la problématique générale de l'optimisation non-linéaire sous contraintes, et choisira le bon algorithme en fonction de la typologie des données et des critères à optimiser. Quelques outils de statistiques descriptives couplés à des techniques de data-mining permettront de déterminer les coûts de revient. Les marges commerciales seront les conséquences de routines d'optimisation linéaire multi-dimensionnelles.

Une fois la démarche enclenchée, pourquoi s’arrêter ?

Les mathématiciens s'échinent à résoudre vos problèmes depuis des siècles : se servir de leurs travaux, c'est leur faire honneur. Et ... s'il y a bien un domaine où l'optimisation est une véritable religion, ce sont les mathématiques !

All Posts
×

Almost done…

We just sent you an email. Please click the link in the email to confirm your subscription!

OKSubscriptions powered by Strikingly