Amélioration de la Supply Chain amont par l'application de l'apprentissage machine : application, SLB NAF

Abstract

Ce travail vise améliorer la stabilité des part de marché des fournisseurs. Nous avons commencé par analyser l'évolution des parts de marché respectives des fournisseurs chez SLB NAF, en étudiant les tendances et les variations par sous catégorie de fournisseurs, et en terminant le diagnostic par une évaluation SCOR pour identifier les raisons de l'instabilité des fournisseurs. Ensuite, nous avons établi et préparé le terrain nécessaire pour stabiliser les parts de marché des fournisseurs par le biais d'engagements de volume. Premièrement, des techniques d'apprentissage non supervisé sont utilisées pour reclasser les pièces, les intégrant dans un système de commande automatisé et par conséquent, stabilisant le flux des commandes. Deuxièmement, une gamme de méthodes de prévision, allant de l'économétrie aux modèles d'apprentissage profond, améliorées grâce à des techniques de génération de données, sont utilisées pour stabiliser la prévision des divers modèles de demande. Ces approches contribuent collectivement à optimiser les opération de Supply Chain et aboutissent à une proposition de stabilisation de la part de marché du fournisseur.