Book

La gestion de stock est un défi important pour les entreprises ayant des ressources financières limitées et opérant dans des environnements instables croissants. Les méthodes classiques, notamment le modèle ABC, permettent de hiérarchiser les articles selon leur importance économique. Toutefois, cette approche présente certaines limites puisqu’elle repose essentiellement sur la valeur de consommation et prend insuffisamment en compte des facteurs tels que la variabilité de la demande, les délais d’approvisionnement, le risque de rupture ou les contraintes budgétaires. Cette étude propose une approche intelligente visant à renforcer le modèle ABC par l’intégration de techniques d’apprentissage automatique. Plusieurs paramètres de gestion des stocks ont été pris en compte, à savoir la demande moyenne, le coefficient de variation, la rotation des stocks, le délai d’approvisionnement, la variabilité du retard, et le coût de pénurie. Trois algorithmes de classification supervisée, à savoir Random Forest, Support Vector Machine (SVM) et k plus proches voisins (k-NN), ont été ensuite testés pour améliorer la classification des produits et aider à la prise de décision au niveau du réapprovisionnement en fonction de ces indicateurs. Les résultats montrent que la classification basée sur des classifieurs automatiques est plus fine et plus proche de la réalité opérationnelle que la méthode traditionnelle ABC. Cette amélioration contribue à une meilleure identification des produits stratégiques, à une allocation plus rationnelle du budget limité, et à un risque de rupture de stock moindre. L’analyse démontre donc que pour améliorer la performance logistique sous contrainte financière, il est intéressant de mettre en synergie les méthodes de gestion des stocks et les méthodes d’intelligence artificielle.