Développement et évaluation de la performance des méthodes de classification d'inventaire multi-critères

Abstract

Cette thèse traite du problème de la classification des produits dans les systèmes de gestion de stock. Plus précisément, elle vise à proposer de nouvelles méthodes de classification pour résoudre le problème de la classification multicritères des produits en stock (MCIC). Actuellement, la méthode ABC de classification des produits en stock est largement utilisée pour rationaliser les systèmes de gestion de stock composés de milliers de produits (SKU). Les méthodes de classification des stocks ABC à un seul critère sont souvent utilisées dans la pratique et, récemment, les MCIC ont également attiré l’attention des chercheurs et des industriels. En ce qui concerne les méthodes multicritères MCIC, un grand nombre de méthodes ont été développées dans la littérature, appartenant à trois approches principales, à savoir: (1) l'approche à base de Machine Learning (ML), (2) programmation mathématique (MP), et (3) multicritères d’aide à la décision (MCDM). Dans ML, de nombreuses méthodes de type ML supervisé ont été proposées ainsi qu'un certain nombre de méthodes hybrides. Cependant, à notre connaissance, très peu d'études de recherche ont envisagé le type ML non supervisé. Concernant les approches de type MP, un certain nombre de méthodes ont été développées en utilisant la programmation linéaire et non linéaire, telles que les méthodes Ng et ZF. Cependant, la plupart de ces méthodes doivent encore être améliorées pour en limiter les inconvénients. Sur MCDM, plusieurs méthodes ont été proposées pour fournir des classifications ABC, y compris la méthode TOPSIS (technique for order preference by similarity to ideal solution), qui est bien connue pour son attractivité et son utilisation, ainsi que certaines méthodes hybrides combinées avec TOPSIS. Il convient de noter que la plupart des études publiées se sont uniquement concentrées sur la proposition de méthodes de classification pour classer les SKUs dans un système de gestion de stock avec un intérêt limité par rapport à l'objectif initial et le plus important de notre travail, qui est la performance en termes de coûts et de niveau de service de la méthode proposée. De plus, la plupart des études existantes n'ont pas considéré des systèmes de gestion de stock avec un grand nombre de données réelles (un grand nombre de références) pour évaluer empiriquement leurs performances et recommander l'utilisation d’une méthode particulière pour des mises en pratique réelles. Ainsi, cette thèse propose d'abord d'évaluer la performance (coût et service) des méthodes MCIC existantes et de proposer diverses méthodes de classification alternatives qui réduisent les coûts et conduisent à des niveaux de service plus élevés. Plus précisément, trois méthodes de type ML non supervisées sont proposées et analysées : Agglomerative hierarchical clustering, Gaussian mixture model et K-means. En outre, d'autres méthodes hybrides dans les approches de type MP et MCDM sont également développées. Ces méthodes proposées représentent une hybridation des méthodes TOPSIS et Ng avec la méthode Triangular distribution, la méthode Simple additive weighting (SAW) et la méthode Multi-Objective Optimization Method by Ratio Analysis (MOORA). Pour mener nos recherches, la thèse analyse empiriquement les performances des méthodes considérées au moyen de deux jeux de données. Le premier jeu de données est un jeu de données benchmark qui provient d’une unité d’hôpital, souvent utilisé dans la littérature traitant des méthodes MCIC, composé de 47 SKUs. Le deuxième jeu de données se compose de 9086 SKUs et provient d'un détaillant aux Pays-Bas qui vend des produits de bricolage. Les performances des méthodes proposées sont comparées à celles des méthodes de classification MCIC existantes dans la littérature. Les résultats empiriques révèlent que les méthodes proposées donnent des performances prometteuses en conduisant à une plus grande efficacité combinée service-coût, notamment pour le second jeu de données très significatif