S&OP des pièces de rechange : prévoir l'imprévisible
Un actionneur qui sort trois fois par an ne se pilote pas comme un filtre qui sort tous les jours. Ce laboratoire montre comment classer la demande, choisir la bonne méthode de prévision et dimensionner un stock qui protège l'avion au sol sans immobiliser le BFR.
1. Le problème : une demande qui ne ressemble à aucune autre
En après-vente aéronautique, la majorité des références ont une demande intermittente : des mois à zéro, puis une commande urgente. Les outils classiques (moyenne, lissage) lissent ces zéros et se trompent au pire moment. Un stock trop bas, c'est un AOG et un client immobilisé ; un stock trop haut, ce sont des centaines de milliers d'euros qui dorment sur une étagère.
Le constat se vérifie sur des données réelles. Dans le jeu public carparts (2 509 pièces de rechange suivies sur 51 mois, une référence de la recherche en prévision), aucune série n'est régulière : 86 % sont intermittentes et 13 % sporadiques. L'après-vente aéronautique présente le même profil, avec des enjeux financiers plus lourds.
👇 Choisissez une des 4 séries réelles : tout le laboratoire se recalcule.
2. Classer la demande, puis choisir la méthode
La matrice de Syntetos-Boylan croise deux mesures : l'intervalle moyen entre deux demandes (ADI) et la variabilité des quantités (CV²). Elle indique la famille de méthodes adaptée ; l'erreur mesurée sur les 12 derniers mois le confirme, ou non. La MASE compare chaque méthode à une prévision naïve : en dessous de 1, la méthode fait mieux que « même chose que le mois dernier ».
Et sur les 2 483 séries intermittentes ou sporadiques du jeu ?
Part des séries où chaque méthode obtient la meilleure MASE sur les 12 derniers mois :
| Moyenne mobile | SBA | Lissage | Croston | |
|---|---|---|---|---|
| Intermittentes (2 146) | 41 % | 39 % | 17 % | 3 % |
| Sporadiques (337) | 37 % | 37 % | 20 % | 6 % |
Aucune méthode ne gagne partout. La classification oriente, la mesure tranche, référence par référence : c'est exactement ce que doit automatiser un outil de planification. Les résultats de cette page ont été recalculés par un second programme indépendant (Python) : écart nul.
3. Dimensionner le stock : le prix du dernier point de service
Le point de commande est calculé comme dans un ERP : demande pendant le délai + stock de sécurité (loi normale). Puis la politique est rejouée sur 10 ans de demande ré-échantillonnée à partir des 51 mois réels (bootstrap) pour mesurer le service réellement obtenu. C'est là que la théorie et la réalité divergent.
s = μLT + z × σLTz dépend du service visé, σLT de la variabilité sur le délai4. Faire vivre le S&OP : un cycle mensuel en 5 temps
Les calculs ne servent à rien s'ils ne débouchent pas sur une décision. Voici le cycle que je mettrais en place, avec une question claire à chaque étape.
Données
Historique nettoyé, AOG isolés, flotte en service mise à jour. « Peut-on croire les chiffres ? »
Revue de la demande
Prévision statistique + informations du terrain (visites de maintenance, campagnes). « Que va-t-on consommer ? »
Revue de l'approvisionnement
Capacités fournisseurs, délais de réparation, pièces en boucle MRO. « Peut-on suivre ? »
Pré-S&OP
Arbitrages chiffrés : service, stock, coûts, scénarios. « Quelles options, à quel prix ? »
Décision
La direction tranche, les actions sont suivies le mois suivant. « Qui fait quoi, pour quand ? »
5. Ce que j'en retiens
- Segmenter avant de prévoir : une seule méthode pour tout le catalogue garantit des erreurs sur la moitié des références.
- Mesurer le service obtenu, pas le service promis : sur la pièce irrégulière, la formule de l'ERP vise 95 % et n'en livre que 82 %.
- Chiffrer le dernier point de service : sur ces séries, passer de 95 % à 99 % coûte de 24 à 32 % de stock en plus. C'est une décision de direction, pas un paramètre technique.
- Pour les pièces chères et rares : mutualiser (pool de pièces entre clients, échange standard) vaut souvent mieux qu'empiler du stock de sécurité.
Sources
- Hyndman, R.J., Koehler, A.B., Ord, J.K., Snyder, R.D. (2008). Forecasting with Exponential Smoothing: The State Space Approach. Springer. Jeu de données « carparts » (package R expsmooth).
- Croston, J.D. (1972). Forecasting and stock control for intermittent demands. Operational Research Quarterly, 23(3).
- Syntetos, A.A., Boylan, J.E. (2005). The accuracy of intermittent demand estimates. International Journal of Forecasting, 21(2).
- Syntetos, A.A., Boylan, J.E., Croston, J.D. (2005). On the categorization of demand patterns. Journal of the Operational Research Society, 56.
- Hyndman, R.J., Koehler, A.B. (2006). Another look at measures of forecast accuracy. International Journal of Forecasting, 22(4).
- Willemain, T.R., Smart, C.N., Schwarz, H.F. (2004). A new approach to forecasting intermittent demand for service parts inventories. International Journal of Forecasting, 20(3).