Soutenance de thèse de Wassim GARRED

Composition du jury

    •    M. Matthieu LAURAS : Professeur Kedge Business School - Directeur de thèse
    •    M. Raphaël OGER : Maître assistant Centre Génie Industriel IMT Mines Albi - Co-encadrant de thèse
    •    M. Raul POLER : Professeur Polytechnic University of Valencia - Rapporteur
    •    Mme Martina COMES : Professeur Delft University of Technology - Rapporteure
    •    M. Zied BABAI : Professeur Kedge Business School - Examinateur
    •    M. Francesco LOLLI : Professeur associé University of Modena and Reggio Emilia - Examinateur
    •    M. Nikolaos KOURENTZES : Docteur University of Skövde - Examinateur
    •    Mme Maria RIVEIRO : Professeure Jönköping University - Invitée

Résumé

Les chaînes logistiques modernes évoluent dans des environnements volatils, incertains, complexes et ambigus (VUCA), où la demande est de plus en plus influencée par des perturbations telles que les grèves, les pénuries, les instabilités géopolitiques ou les évolutions rapides des marchés. 

Dans ce contexte, la prévision de la demande devient à la fois plus essentielle et plus difficile. Des prévisions fiables sont nécessaires pour soutenir les décisions de planification en matière de production, de gestion des stocks et d’allocation des ressources opérationnelles. Toutefois, les pratiques actuelles de prévision présentent plusieurs limites structurelles. Premièrement, la sélection des modèles de prévision est souvent manuelle, chronophage et dépendante de l’expertise humaine, ce qui limite sa mise à l’échelle sur de larges portefeuilles de produits. Deuxièmement, les approches classiques de sélection de modèles supposent généralement des environnements stables et ne prennent pas explicitement en compte les incertitudes issues de conditions externes futures susceptibles d’influencer le contexte de prévision. Les modèles sont ainsi fréquemment sélectionnés sur la base de leur performance historique moyenne, plutôt que sur leur comportement face à d’éventuelles perturbations ou changements de régime. Troisièmement, les environnements opérationnels tels que les entrepôts nécessitent des prévisions multi-variables afin de soutenir l’équilibrage de la charge de travail et la planification opérationnelle. En pratique, les décisions ne reposent pas uniquement sur les volumes agrégés de demande, mais également sur d’autres variables telles que le nombre de lignes de commande, les quantités par ligne ou les types d’emballage. Or, la plupart des modèles traditionnels de séries temporelles sont conçus pour produire des prévisions univariées, ce qui limite leur applicabilité directe aux contextes opérationnels. 

Cette thèse vise à contribuer à la conception de systèmes de prévision de la demande adaptés aux chaînes logistiques en environnement VUCA à travers trois axes de recherche complémentaires. La première contribution propose une approche automatique de sélection de modèles de prévision intégrant des modèles statistiques et de machine learning avec des techniques d’optimisation d’hyperparamètres. Cette approche évalue les stratégies de prévision selon une perspective de valeur ajoutée et permet une sélection scalable et fondée sur les données. La deuxième contribution développe une approche de sélection robuste intégrant des scénarios de perturbation afin de simuler les incertitudes environnementales. Cette approche permet d’évaluer et de sélectionner les modèles en fonction de leur performance dans des conditions volatiles et changeantes, en déplaçant l’attention de la seule précision moyenne vers la robustesse. La troisième contribution propose une approche de prévision multivariable des commandes, adaptée aux contextes opérationnels des chaînes logistiques, permettant la prédiction cohérente de plusieurs variables nécessaires à la planification des entrepôts et à la gestion de la charge de travail. Située à l’intersection du management de la chaîne logistique et de la prévision des séries temporelles, cette recherche contribue à l’avancement méthodologique de la conception des systèmes de prévision tout en proposant des outils d’aide à la décision adaptés aux environnements incertains. 

Mots clés

Prévision de la demande, planification des chaines d'approvisionnement, Séries temporelles, robustesse, Incertitudes, Systèmes d'aide à la décision.