Over the last few years, the Demand Driven Material Requirement Planning (DDMRP) method has been considerably extended from the operational range to both tactical and strategic ranges. These extensions are currently named Demand Driven Sales and Operations Planning and Adaptive Sales and Operations Planning. This paper proposes a control system for the Demand Driven Sales and Operations Planning process. The system aims to fill a gap in the tactical stage of the Demand Driven Adaptive Enterprise framework, where efficient decision making is complicated by both the number of evolving parameters and the number of references to deal with. By associating several process control methods into a rule-based system, we propose a first version of a decision support system and its associated knowledge base. The first application of this system shows that, while many hypotheses remain on the data structures, a rule-based system allows for adaptive and easy to maintain control system for the Demand Driven Sales and Operations Planning.
Many decision problems involve nonlinear, resource-constrained dynamical systems whose behavior must be evaluated under alternative policies and uncertain conditions. Detailed simulators can represent these systems accurately, but they are often too slow for large-scale what-if exploration, while generic machine-learning models are usually opaque and difficult to connect explicitly to decision variables. We address this gap with a data-driven surrogate that links a vector of decision parameters directly to full system trajectories and associated performance indicators. The surrogate is learned from time-series data in a transformed state space where the dynamics evolve linearly and depend smoothly on the decision parameters, so that new scenarios can be evaluated through simple linear updates rather than full simulations. This makes extensive scenario analysis, sensitivity studies, and feasibility screening computationally inexpensive, while preserving a clear relationship between decisions and system response. The contribution is a clear decision-oriented surrogate modeling approach that renders complex nonlinear dynamics tractable for fast and transparent policy design.
La méthodologie Demand Driven Material Requirements Planning (DDMRP) est caractérisée par l'utilisation de buffers de stock dont le dimensionnement est dynamique et fait appel à plusieurs paramètres. Décider des valeurs pertinentes pour ces paramètres est une étape essentielle pour que la taille des buffers soit adaptée à la demande sans toutefois être trop élevée. Ces travaux de recherche se concentrent sur la mise à jour dynamique de ces paramètres, dans un contexte où la demande varie. Le processus responsable de cette mise à jour est appelé Demand Driven Sales and Operations Planning (DDS&OP). À travers un ensemble d'expériences de simulation par événements discrets, on se propose de comparer le comportement d'un atelier théorique (cas d'école) géré en DDMRP et régi par diverses combinaisons de politiques de paramétrage. Ces politiques ont été tirées de la littérature, mais également d'entretiens réalisés avec des experts du DDMRP. Cet atelier est également soumis à plusieurs types de demandes, de façon à généraliser les conclusions de l'étude. Ces travaux étendent également les expériences à un cas de taille industrielle afin d'évaluer la pertinence et la faisabilité des politiques proposées. Les résultats expérimentaux montrent un intérêt pour le contrôle dynamique de certains des paramètres des ateliers gérés en DDMRP, principalement dans le cas de demandes connaissant de fortes variations. Ils montrent également la possibilité de simplifier la gestion des paramètres en en gardant une partie constante. Enfin, à partir du cas industriel, on envisage la problématique de la nervosité et de la complexité impliquée par le paramétrage dynamique d'ateliers plus complexes.