Accueil / Factory / Use cases / SUPPLY CHAIN SUPPLY CHAIN · AUTOMOBILE · 4 oct. 2026

Prevoir les ruptures pieces detachees chez les equipementiers auto

Un modele de prevision multi-niveaux reduit les ruptures de pieces detachees et les penalites logistiques concessionnaires.

SUPPLY CHAINAUTOMOBILEComplexité : MOYENNEMise en production : 12 a 16 semaines

LE PROBLÈME

Un equipementier auto livre des pieces detachees a un reseau de concessionnaires et de garages independants. Les ruptures de stock sur des references critiques entrainent des immobilisations de vehicules, des penalites contractuelles et des achats en urgence a cout eleve. Le planning actuel repose sur des moyennes mobiles par reference, sans tenir compte de la saisonnalite des pannes, de l'age du parc roule ou des campagnes de rappel constructeur.

Le cout du statu quo se mesure en taux de service degrade envers les concessionnaires et en surcouts de transport express. Chaque rupture sur une reference a forte rotation genere un cout logistique multiplie par trois a cinq par rapport a un reapprovisionnement planifie. Les equipes approvisionnement arbitrent a la main sur plusieurs milliers de references, sans visibilite fiable sur le risque de rupture a 30 ou 60 jours.

LES DONNÉES

  • Historique des commandes et livraisons par reference et par site logistique
  • Donnees de ventes et de consommation par concessionnaire
  • Parc automobile immatricule par modele et anciennete
  • Calendriers de campagnes de rappel et bulletins techniques constructeur
  • Delais fournisseurs et taux de service historiques par usine
  • Donnees meteo et saisonnalite regionale des pannes
  • Stocks en cours et en transit par entrepot

LES MÉTHODES

  • Clustering k-prototypes pour segmenter les references par profil de demande et de criticite
  • XGBoost pour la prevision de demande sur les references a forte rotation
  • Modele Croston ou TSB pour les references a demande intermittente
  • Optimisation du stock de securite par simulation de Monte Carlo sur les scenarios de demande
  • Detection de derive statistique pour declencher le reentrainement des modeles

L'APPROCHE

La demarche commence par une segmentation des references en familles homogenes selon leur criticite, leur variabilite de demande et leur delai d'approvisionnement, via un clustering k-prototypes qui combine variables numeriques et categorielles. Chaque famille recoit ensuite un traitement de prevision adapte plutot qu'un modele unique applique a tout le catalogue.

Pour les references a forte rotation, un modele de gradient boosting XGBoost integre les variables de parc automobile, de saisonnalite et de campagnes de rappel pour predire la demande a 30 et 60 jours. Pour les references a demande intermittente, un modele de type Croston ou TSB capte mieux les ventes sporadiques que les approches classiques. Les previsions alimentent ensuite un calcul de stock de securite dynamique par site, recalibre chaque semaine.

La boucle de production s'appuie sur des pipelines Airflow orchestrant l'ingestion, l'entrainement et le scoring, avec un monitoring de la derive de prevision par famille de references pour declencher un reentrainement automatique en cas de degradation.

MISE EN ŒUVRE

  1. Cadrage avec les equipes approvisionnement et logistique pour definir les references critiques prioritaires
  2. Audit et consolidation des donnees de ventes, parc et campagnes de rappel
  3. Segmentation des references et choix du modele de prevision par famille
  4. Entrainement, validation croisee temporelle et comparaison avec le modele actuel
  5. Calcul des stocks de securite dynamiques et integration au systeme de planification
  6. Deploiement en production avec tableau de bord Looker Studio pour les planificateurs
  7. Suivi mensuel de la performance et reentrainement automatise en cas de derive

GAINS ATTENDUS

Si 20 pourcent des ruptures critiques actuelles sont evitables par une meilleure anticipation, les penalites contractuelles et les transports express associes pourraient baisser dans une proportion comparable. Une reduction du stock de securite sur les references stables, rendue possible par une prevision plus fiable, pourrait liberer un volume de tresorerie immobilisee sans degrader le taux de service.

KPIS À SUIVRE

  • Taux de service par reference et par site
  • Nombre de ruptures critiques evitees
  • Cout logistique des livraisons express
  • Niveau de stock moyen immobilise
  • Precision de prevision mesuree en MAPE ponderee par criticite

LA STACK

  • Python
  • BigQuery
  • Airflow
  • dbt
  • Vertex AI
  • Looker Studio
  • Docker

RISQUES ET CONFORMITÉ

  • Qualite des donnees de parc automobile heterogenes entre regions, a fiabiliser avant tout entrainement
  • Derive du modele en cas de choc exogene comme une penurie de semi-conducteurs, a surveiller par un suivi d'erreur en continu
  • Dependance a des donnees de campagnes de rappel soumises a des regles de confidentialite constructeur, a encadrer contractuellement
  • Risque d'explicabilite insuffisante pour les planificateurs, a traiter par des valeurs SHAP sur les predictions cles
  • Conformite RGPD sur les donnees de parc automobile si elles sont croisees avec des identifiants individuels de proprietaires

QUESTIONS FRÉQUENTES

Faut-il remplacer notre ERP de gestion des stocks

Non. Le modele vient enrichir les parametres de reapprovisionnement de l'ERP existant, il ne le remplace pas. Les previsions et stocks de securite calcules sont injectes comme donnees d'entree dans les processus actuels.

Combien de references faut-il couvrir au depart

Il est preferable de demarrer sur les familles de references les plus critiques, souvent 10 a 15 pourcent du catalogue qui concentrent la majorite des ruptures couteuses, avant d'etendre progressivement.

Comment geriez-vous l'impact d'un evenement exceptionnel comme une penurie de composants

Le systeme integre une detection de derive qui alerte des que les ecarts de prevision depassent un seuil defini, permettant une intervention manuelle rapide avant que le modele ne se degrade durablement.

CE USE CASE CHEZ VOUS ?

Nous le cadrons, le construisons et le mettons en production. Ou nous formons vos équipes à le faire.

Parlons de votre projet →
← Tous les use cases