République Algérienne Démocratique Et Populaire

Ministère de l’Enseignement Supérieur et de la Recherche Scientifique

Université A. MIRA - BEJAIA

Faculté Des Sciences Exactes
Département de Recherche Opérationnelle

THÉME

R APPORT DU MODULE DE
TECHNIQUE DE RECHERCHE ET
DE RÉDACTION SCIENTIFIQUE

Présenté par : dirigé par :

1-LAIB ITHRY MAJID Pr.Aoudia
JUNIOR
2-IDIRI SOFIANE
 Table des matières

Introduction générale 1
.1 Contexte global et Problématique . . . . . . . . . . . . . . . . . . . . . . . . . 2
.1.1 Contexte Global . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
.1.2 Problématique des Perturbations de la Chaîne d’Approvisionnement . . 2
.1.3 Problématique de la Gestion des Risques . . . . . . . . . . . . . . . . 3
.1.4 Problématique Spécifique de l’Article . . . . . . . . . . . . . . . . . . 4
.1.5 Enjeux pour les Entreprises . . . . . . . . . . . . . . . . . . . . . . . 4
.2 Objectif de la Recherche . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
.2.1 Identifier les Types de Perturbations . . . . . . . . . . . . . . . . . . . 5
.2.1.1 Contexte . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
.2.1.2 Objectif . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
.2.1.3 Exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
.2.2 Utiliser un Modèle d’Apprentissage Automatique Modifié . . . . . . . 6
.2.2.1 Contexte . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
.2.2.2 Objectif . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
.2.2.3 Exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
.2.3 Intégrer le Clustering K-means pour Améliorer la Précision . . . . . . 6
.2.3.1 Contexte . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
.2.3.2 Objectif . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
.2.3.3 Exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
.2.4 Appliquer le Modèle à l’Industrie Pharmaceutique . . . . . . . . . . . 7
.2.4.1 Contexte . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
.2.4.2 Objectif . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
.2.4.3 Exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
.2.5 Améliorer la Résilience et la Réactivité des Entreprises . . . . . . . . . 8
 .2.5.1 Contexte . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
.2.5.2 Objectif . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
.2.5.3 Exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
.2.6 Contribuer à la Littérature Scientifique . . . . . . . . . . . . . . . . . . 8
.2.6.1 Contexte . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
.2.6.2 Objectif . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
.2.6.3 Exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
.2.7 Fournir des Recommandations pour les Décideurs . . . . . . . . . . . 9
.2.7.1 Contexte . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
.2.7.2 Objectif . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
.2.7.3 Exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
.2.8 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
.3 Méthodologie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
.3.1 Introduction des Fonctions et Concepts Clés . . . . . . . . . . . . . . . 10
.3.1.1 Support Vector Machines (SVM) . . . . . . . . . . . . . . . 10
.3.1.2 Multi-Category SVM (MC-SVM) . . . . . . . . . . . . . . . 10
.3.1.3 Clustering K-means . . . . . . . . . . . . . . . . . . . . . . 10
.3.2 Étapes de la Méthodologie . . . . . . . . . . . . . . . . . . . . . . . . 11
.3.2.1 Collecte des Données . . . . . . . . . . . . . . . . . . . . . 11
.3.2.2 Prétraitement des Données . . . . . . . . . . . . . . . . . . 11
.3.2.3 Entraînement du Modèle MC-SVM . . . . . . . . . . . . . . 11
.3.2.4 Fonction Objectif . . . . . . . . . . . . . . . . . . . . . . . 12
.3.2.5 Classification des Perturbations . . . . . . . . . . . . . . . . 12
.3.2.6 Validation du Modèle . . . . . . . . . . . . . . . . . . . . . 13
.3.3 Avantages de la Méthodologie . . . . . . . . . . . . . . . . . . . . . . 13
.3.4 Limites de la Méthodologie . . . . . . . . . . . . . . . . . . . . . . . 13
.4 Collecte des Données . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
.4.1 Origine des données . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
.4.2 Indicateurs clés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
.4.3 Classes de perturbations identifiées . . . . . . . . . . . . . . . . . . . 15
.4.4 Répartition des perturbations . . . . . . . . . . . . . . . . . . . . . . . 15
.5 Résultats et Analyse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
.5.1 Classification des perturbations . . . . . . . . . . . . . . . . . . . . . 16
 .5.1.1 Valeurs du POD (Pourcentage de Commandes Livrées à Temps) 16
.5.1.2 Taux de Rotation des Stocks (ITR) . . . . . . . . . . . . . . 17
.5.1.3 Niveau de Service Client (CSL) . . . . . . . . . . . . . . . . 18
.5.1.4 Écart-Type de la Demande (Std) . . . . . . . . . . . . . . . 18
.5.1.5 Graphique de Contrôle np (Analyse des Erreurs) . . . . . . . 19
.5.2 Synthèse des Résultats . . . . . . . . . . . . . . . . . . . . . . . . . . 20
.6 Conclusion et Perspectives Futures . . . . . . . . . . . . . . . . . . . . . . . . 21
.6.1 Identification des perturbations . . . . . . . . . . . . . . . . . . . . . . 21
.6.1.1 Prise de décision rapide . . . . . . . . . . . . . . . . . . . . 21
.6.1.2 Amélioration de la résilience . . . . . . . . . . . . . . . . . 21
.6.2 Limitations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
.6.2.1 Non-détection des combinaisons de perturbations multiples . 21
.6.2.2 Précision perfectible . . . . . . . . . . . . . . . . . . . . . . 21
.6.3 Pistes pour les recherches futures . . . . . . . . . . . . . . . . . . . . 21
.6.3.1 Algorithmes plus sophistiqués . . . . . . . . . . . . . . . . . 21
.6.3.2 Intégration de données diversifiées . . . . . . . . . . . . . . 22
.6.3.3 Données en temps réel . . . . . . . . . . . . . . . . . . . . . 22
.7 Apprentissages Clés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
.7.1 Application de l’apprentissage automatique à la gestion des risques . . 22
.7.2 Importance des données . . . . . . . . . . . . . . . . . . . . . . . . . 22
.7.3 Renforcement de la résilience et de l’agilité . . . . . . . . . . . . . . . 22
.8 Limites et Améliorations Possibles . . . . . . . . . . . . . . . . . . . . . . . . 23
.8.1 Combinaison de perturbations multiples . . . . . . . . . . . . . . . . . 23
.8.2 Données supplémentaires . . . . . . . . . . . . . . . . . . . . . . . . . 23
.9 Implications pour la Recherche Future . . . . . . . . . . . . . . . . . . . . . . 23
.9.1 Algorithmes avancés . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
.9.2 Données en temps réel . . . . . . . . . . . . . . . . . . . . . . . . . . 23
.10 Conclusion Générale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
.10.1 Principaux apports . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
.10.1.1 Identification des perturbations . . . . . . . . . . . . . . . . 24
.10.1.2 Renforcement de la résilience . . . . . . . . . . . . . . . . . 24
.10.2 Perspectives pour l’amélioration . . . . . . . . . . . . . . . . . . . . . 24
.10.3 Impact global . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
CHAPITRE TABLE DES MATIÈRES

Introduction générale
La pandémie de COVID-19 a engendré des perturbations sans précédent dans les chaînes
d’approvisionnement à l’échelle mondiale, exposant les vulnérabilités des systèmes logistiques
et de production. Les entreprises, en particulier celles dépendantes de fournisseurs internatio-
naux, ont été confrontées à des défis majeurs tels que des retards de production, des ruptures de
stocks, et des perturbations dans la distribution. Ces disruptions ont non seulement affecté la
capacité des entreprises à répondre à la demande, mais ont également eu un impact significatif
sur leurs performances économiques et leur résilience opérationnelle.

Dans ce contexte, la gestion des risques liés à la chaîne d’approvisionnement est devenue
une priorité pour les entreprises cherchant à atténuer les effets de ces perturbations. Les ap-
proches traditionnelles de gestion des risques se sont avérées insuffisantes face à la complexité
et à l’imprévisibilité des crises récentes. Par conséquent, les méthodes basées sur l’intelligence
artificielle et l’apprentissage automatique ont gagné en popularité pour leur capacité à analy-
ser de vastes ensembles de données et à identifier des modèles complexes qui échappent aux
analyses conventionnelles.

Cet article, intitulé "Assessing Disruptive Crises of Supply Chain in Firms Amidst Covid-
19 : An application of Multi Category-SVM using k-means Clustering", propose une approche
innovante pour évaluer et classifier les perturbations dans les chaînes d’approvisionnement en
utilisant des techniques avancées d’apprentissage automatique. Les auteurs combinent l’algo-
rithme des Machines à Vecteurs de Support Multi-Catégories (MC-SVM) avec la méthode de
clustering k-means pour améliorer la précision de la classification des types de perturbations.
Cette méthode permet de regrouper les entreprises en fonction de leurs profils de perturbation,
ce qui facilite une réponse plus rapide et plus ciblée aux défis opérationnels.

L’objectif principal de cette recherche est de fournir aux gestionnaires des outils pour iden-
tifier rapidement les types de perturbations auxquels leurs entreprises sont confrontées, afin de
prendre des décisions éclairées et de mettre en œuvre des mesures correctives adaptées. En se
concentrant sur l’industrie pharmaceutique, un secteur critique pendant la pandémie, les au-
teurs démontrent l’efficacité de leur modèle à travers une étude de cas basée sur des données
réelles.

Dans ce rapport, nous allons analyser en profondeur cette étude, en examinant les mé-
thodologies employées, les résultats obtenus, et les implications pratiques pour la gestion des

1
CHAPITRE Contexte global et Problématique

chaînes d’approvisionnement. Nous explorerons également les limites de l’approche proposée

et discuterons des pistes de recherche futures pour améliorer la résilience des chaînes d’appro-
visionnement face à des crises similaires.

.1 Contexte global et Problématique

.1.1 Contexte Global

La pandémie de COVID-19, qui a débuté fin 2019, a provoqué une crise sanitaire mondiale
sans précédent, mais elle a également déclenché des perturbations majeures dans les chaînes
d’approvisionnement à l’échelle mondiale. Ces perturbations ont touché presque tous les sec-
teurs économiques, de la production industrielle à la distribution de biens essentiels, en passant
par les services logistiques. Les chaînes d’approvisionnement, qui sont des réseaux complexes
reliant les fournisseurs, les fabricants, les distributeurs et les clients, ont été particulièrement
vulnérables aux chocs externes causés par la pandémie.
Exemple concret : Pendant la pandémie, de nombreuses usines en Chine, qui est un hub
majeur de production mondiale, ont dû fermer temporairement en raison des mesures de confi-
nement. Cela a eu un effet domino sur les industries dépendantes de ces usines, comme l’au-
tomobile, l’électronique et même l’industrie pharmaceutique. Par exemple, la pénurie de semi-
conducteurs, principalement produits en Asie, a ralenti la production de voitures dans le monde
entier.

.1.2 Problématique des Perturbations de la Chaîne d’Approvisionnement

Les perturbations de la chaîne d’approvisionnement (Supply Chain Disruptions, SCD) peuvent

être causées par divers facteurs, tels que des catastrophes naturelles, des conflits géopolitiques,
des crises sanitaires (comme la COVID-19), ou même des pannes technologiques. Ces pertur-
bations ont des conséquences économiques graves, notamment :

— Retards de production : Lorsque les matières premières ou les composants ne par-

viennent pas à temps aux usines, la production est ralentie ou arrêtée.
Exemple : Pendant la pandémie, les fabricants de médicaments ont eu des difficultés à se
procurer des ingrédients actifs produits en Inde ou en Chine, ce qui a retardé la production
de médicaments essentiels.

2
CHAPITRE Contexte global et Problématique

— Pénuries de produits : Les perturbations peuvent entraîner des pénuries de produits finis,
affectant à la fois les entreprises et les consommateurs.
Exemple : Au début de la pandémie, la demande en masques médicaux et en équipe-
ments de protection individuelle (EPI) a explosé, mais les chaînes d’approvisionnement
n’étaient pas préparées à répondre à cette demande soudaine, entraînant des pénuries
mondiales.

— Augmentation des coûts : Les perturbations peuvent entraîner une hausse des coûts de
transport, des prix des matières premières et des frais de stockage.
Exemple : Les coûts du fret maritime ont augmenté de manière significative pendant la
pandémie en raison de la réduction des capacités de transport et des retards dans les ports.

— Fluctuations de la demande : La pandémie a provoqué des changements soudains dans

les habitudes de consommation, avec une augmentation de la demande pour certains pro-
duits (comme les produits sanitaires) et une baisse pour d’autres (comme les vêtements
ou les voitures).
Exemple : La demande en produits électroniques (ordinateurs, tablettes) a augmenté en
raison du télétravail, tandis que la demande en vêtements de luxe a chuté.

.1.3 Problématique de la Gestion des Risques

La gestion des risques dans les chaînes d’approvisionnement est devenue une priorité pour
les entreprises, en particulier dans un contexte de crise comme la pandémie de COVID-19.
Cependant, les méthodes traditionnelles de gestion des risques ne suffisent pas pour faire face
à des perturbations aussi complexes et imprévisibles. Les entreprises doivent donc adopter des
approches innovantes pour :

— Identifier les types de perturbations : Les perturbations peuvent être de nature diffé-
rente (perturbation de la demande, de l’inventaire, de la distribution, etc.), et chaque type
nécessite une réponse spécifique.
Exemple : Une perturbation de la demande (comme une augmentation soudaine de la
demande en masques) nécessite une augmentation rapide de la production, tandis qu’une
perturbation de la distribution (comme la fermeture des ports) nécessite une réorganisa-
tion des routes logistiques.

— Prédire les impacts : Les entreprises doivent être capables de prédire les impacts des
perturbations sur leurs opérations pour prendre des décisions éclairées.

3
CHAPITRE Contexte global et Problématique

Exemple : Une entreprise pharmaceutique doit pouvoir anticiper les retards dans la li-
vraison des ingrédients actifs pour ajuster ses plans de production et éviter des pénuries
de médicaments.

— Améliorer la résilience : La résilience de la chaîne d’approvisionnement est la capacité

à absorber les chocs et à se rétablir rapidement après une perturbation. Cela nécessite une
planification stratégique et l’adoption de technologies avancées.
Exemple : Certaines entreprises ont diversifié leurs sources d’approvisionnement pour
réduire leur dépendance à un seul fournisseur ou à une seule région géographique.

.1.4 Problématique Spécifique de l’Article

L’article se concentre sur l’industrie pharmaceutique, un secteur critique où les perturba-

tions de la chaîne d’approvisionnement peuvent avoir des conséquences graves sur la santé
publique. Par exemple, une pénurie de médicaments essentiels peut mettre des vies en danger.
Cependant, il existe peu d’études sur les perturbations spécifiques à ce secteur, en particulier
dans le contexte de la pandémie de COVID-19.
Exemple : Au Bangladesh, plus de 82 % des médicaments sont produits localement, ce
qui rend les entreprises pharmaceutiques vulnérables aux perturbations internes (comme les
grèves) et externes (comme les pénuries de matières premières importées). L’article vise à
combler cette lacune en proposant un modèle d’apprentissage automatique pour identifier et
classer les perturbations dans ce secteur.

.1.5 Enjeux pour les Entreprises

Les entreprises doivent faire face à plusieurs défis pour gérer les perturbations de leur chaîne
d’approvisionnement :

— Complexité des réseaux : Les chaînes d’approvisionnement modernes sont souvent glo-
balisées et interconnectées, ce qui les rend vulnérables aux perturbations à l’autre bout
du monde.
Exemple : Une entreprise européenne dépendant de composants électroniques produits
en Asie peut être gravement affectée par un confinement en Chine.

— Manque de visibilité : De nombreuses entreprises ont une visibilité limitée sur leur
chaîne d’approvisionnement, ce qui les empêche de détecter rapidement les perturba-
tions.

4
CHAPITRE Objectif de la Recherche

Exemple : Une entreprise peut ne pas savoir qu’un de ses fournisseurs secondaires est en
difficulté jusqu’à ce que la perturbation atteigne son propre réseau.

— Dépendance à la technologie : Les technologies de l’information jouent un rôle crucial

dans la gestion des chaînes d’approvisionnement, mais elles peuvent aussi être une source
de vulnérabilité (cyberattaques, pannes techniques).
Exemple : Une cyberattaque sur un système de gestion des stocks peut paralyser toute la
chaîne d’approvisionnement.

En résumé, la pandémie de COVID-19 a mis en lumière la fragilité des chaînes d’approvi-

sionnement mondiales et la nécessité pour les entreprises d’adopter des approches innovantes
pour gérer les risques. L’article propose une solution basée sur l’apprentissage automatique
pour identifier et classer les perturbations, en se concentrant sur l’industrie pharmaceutique.
Cette approche vise à améliorer la résilience des entreprises face aux crises futures et à mini-
miser les impacts économiques et sociaux des perturbations.

.2 Objectif de la Recherche
L’objectif principal de cette recherche est de développer et d’appliquer un modèle d’ap-
prentissage automatique innovant pour identifier et classer les différents types de perturbations
de la chaîne d’approvisionnement (SCD) auxquelles les entreprises sont confrontées pendant
la pandémie de COVID-19. Plus précisément, l’article vise à :

.2.1 Identifier les Types de Perturbations

.2.1.1 Contexte

Les perturbations de la chaîne d’approvisionnement peuvent prendre plusieurs formes, no-

tamment des perturbations de la demande, de l’inventaire, de la distribution, ou encore des
perturbations liées à des événements externes comme une pandémie. Chaque type de perturba-
tion nécessite une réponse spécifique de la part des entreprises.

.2.1.2 Objectif

L’article cherche à classer les perturbations en catégories distinctes pour permettre aux
entreprises de mieux comprendre les défis auxquels elles sont confrontées et de prendre des
décisions éclairées.

5
CHAPITRE Objectif de la Recherche

.2.1.3 Exemple

Une perturbation de la demande (comme une augmentation soudaine de la demande en

masques médicaux) nécessite une augmentation rapide de la production, tandis qu’une pertur-
bation de la distribution (comme la fermeture des ports) nécessite une réorganisation des routes
logistiques.

.2.2 Utiliser un Modèle d’Apprentissage Automatique Modifié

.2.2.1 Contexte

Les méthodes traditionnelles de gestion des risques dans les chaînes d’approvisionnement
ne suffisent pas pour faire face à des perturbations aussi complexes et imprévisibles que celles
causées par la pandémie de COVID-19. Les techniques d’apprentissage automatique, en re-
vanche, offrent des outils puissants pour analyser et prédire les perturbations.

.2.2.2 Objectif

L’article propose d’utiliser un modèle d’apprentissage automatique modifié, appelé Multi-

Category Support Vector Machines (MC-SVM), pour classer les perturbations. Ce modèle est
particulièrement adapté pour traiter des données déséquilibrées, ce qui est souvent le cas dans
les scénarios de perturbations.

.2.2.3 Exemple

Si une entreprise a principalement des données sur des périodes sans perturbation, mais très
peu de données sur des périodes de crise, le MC-SVM peut quand même fonctionner efficace-
ment.

.2.3 Intégrer le Clustering K-means pour Améliorer la Précision

.2.3.1 Contexte

L’algorithme de clustering k-means est une technique de regroupement de données qui

permet de regrouper des points de données similaires en clusters. Cette technique peut être
utilisée pour améliorer la précision des modèles de classification en regroupant les données en
fonction de leurs caractéristiques communes.

6
CHAPITRE Objectif de la Recherche

.2.3.2 Objectif

L’article propose d’intégrer le clustering k-means au modèle MC-SVM pour regrouper les
données en clusters partageant des profils de perturbation similaires. Cela permet d’accélérer
la classification et d’améliorer la précision des prédictions.

.2.3.3 Exemple

Si plusieurs entreprises partagent des caractéristiques similaires en termes de perturbations

(par exemple, des retards de livraison fréquents), elles seront regroupées dans le même cluster,
ce qui permettra au modèle de mieux prédire les perturbations futures pour ces entreprises.

.2.4 Appliquer le Modèle à l’Industrie Pharmaceutique

.2.4.1 Contexte

L’industrie pharmaceutique est un secteur critique où les perturbations de la chaîne d’ap-

provisionnement peuvent avoir des conséquences graves sur la santé publique. Par exemple,
une pénurie de médicaments essentiels peut mettre des vies en danger.

.2.4.2 Objectif

L’article se concentre sur l’application du modèle MC-SVM à l’industrie pharmaceutique,

en utilisant des données réelles provenant d’entreprises de ce secteur. L’objectif est de montrer
comment le modèle peut être utilisé pour identifier et classer les perturbations spécifiques à ce
secteur.

.2.4.3 Exemple

Une entreprise pharmaceutique peut utiliser le modèle pour identifier si elle est confrontée
à une perturbation de la demande (par exemple, une augmentation soudaine de la demande en
vaccins) ou à une perturbation de la distribution (par exemple, des retards dans la livraison des
ingrédients actifs).

7
CHAPITRE Objectif de la Recherche

.2.5 Améliorer la Résilience et la Réactivité des Entreprises

.2.5.1 Contexte

La résilience de la chaîne d’approvisionnement est la capacité à absorber les chocs et à se

rétablir rapidement après une perturbation. Une meilleure compréhension des types de pertur-
bations permet aux entreprises de prendre des décisions plus rapides et plus efficaces.

.2.5.2 Objectif

L’article vise à fournir aux entreprises un outil pour améliorer leur résilience et leur réac-
tivité face aux perturbations. En identifiant rapidement le type de perturbation, les entreprises
peuvent prendre des mesures correctives ciblées pour minimiser les impacts.

.2.5.3 Exemple

Si une entreprise identifie qu’elle est confrontée à une perturbation de la demande, elle peut
augmenter sa production ou diversifier ses sources d’approvisionnement pour répondre à la
demande accrue.

.2.6 Contribuer à la Littérature Scientifique

.2.6.1 Contexte

Il existe peu d’études sur les perturbations spécifiques à l’industrie pharmaceutique, en par-
ticulier dans le contexte de la pandémie de COVID-19. La plupart des recherches se concentrent
sur des secteurs plus traditionnels comme l’automobile ou l’électronique.

.2.6.2 Objectif

L’article vise à combler cette lacune en proposant une analyse approfondie des perturbations
dans l’industrie pharmaceutique et en démontrant l’efficacité du modèle MC-SVM dans ce
contexte.

.2.6.3 Exemple

L’article fournit des données et des analyses qui peuvent être utilisées par d’autres cher-
cheurs pour approfondir la compréhension des perturbations dans ce secteur.

8
CHAPITRE Méthodologie

.2.7 Fournir des Recommandations pour les Décideurs

.2.7.1 Contexte

Les décideurs dans les entreprises ont besoin d’outils et de méthodes pour gérer les risques
liés aux perturbations de la chaîne d’approvisionnement. Cependant, les méthodes tradition-
nelles ne suffisent pas dans un contexte de crise comme la pandémie de COVID-19.

.2.7.2 Objectif

L’article vise à fournir des recommandations pratiques pour les décideurs, en montrant com-
ment le modèle MC-SVM peut être utilisé pour identifier et classer les perturbations, et ainsi
prendre des décisions plus éclairées.

.2.7.3 Exemple

Un décideur dans une entreprise pharmaceutique peut utiliser les résultats du modèle pour
décider d’investir dans des stocks de sécurité ou de diversifier ses sources d’approvisionnement.

.2.8

En résumé, l’objectif de cette recherche est de développer un modèle d’apprentissage auto-

matique innovant pour identifier et classer les perturbations de la chaîne d’approvisionnement,
en se concentrant sur l’industrie pharmaceutique. Le modèle MC-SVM, combiné avec le cluste-
ring k-means, permet d’améliorer la précision des prédictions et de fournir des outils pratiques
pour les décideurs. L’article vise également à contribuer à la littérature scientifique en comblant
une lacune dans la recherche sur les perturbations spécifiques à l’industrie pharmaceutique.

.3 Méthodologie
La méthodologie de cet article repose sur l’utilisation d’un modèle d’apprentissage auto-
matique innovant, appelé Multi-Category Support Vector Machines (MC-SVM), combiné avec
l’algorithme de clustering k-means. Cette approche permet de classer les perturbations de la
chaîne d’approvisionnement en plusieurs catégories et d’améliorer la précision des prédictions.
Voici une explication détaillée de la méthodologie utilisée dans l’article :

9
CHAPITRE Méthodologie

.3.1 Introduction des Fonctions et Concepts Clés

.3.1.1 Support Vector Machines (SVM)

Définition : Les SVM sont des algorithmes d’apprentissage supervisé utilisés pour la clas-
sification et la régression. Ils cherchent à trouver un hyperplan optimal qui sépare les données
en différentes classes.
Fonctionnement : Les SVM transforment les données en un espace de dimension supé-
rieure pour trouver une séparation linéaire entre les classes. Les points de données les plus
proches de l’hyperplan (appelés vecteurs de support) sont utilisés pour définir la frontière de
décision.
Application dans l’article : Les SVM sont utilisés pour classer les perturbations de la
chaîne d’approvisionnement en différentes catégories (par exemple, perturbations de la de-
mande, de l’inventaire, de la distribution).

.3.1.2 Multi-Category SVM (MC-SVM)

Définition : Le MC-SVM est une extension des SVM traditionnels qui permet de gérer des
problèmes de classification multi-classes (c’est-à-dire plus de deux classes).
Fonctionnement : Le MC-SVM utilise deux approches principales pour la classification
multi-classes :

— One-Against-All (OAA) : Un classifieur est entraîné pour chaque classe, en considérant

les échantillons de cette classe comme positifs et les autres comme négatifs.

— One-Against-One (OAO) : Un classifieur est entraîné pour chaque paire de classes, et

la décision finale est prise par vote majoritaire.

Application dans l’article : Le MC-SVM est utilisé pour classer les perturbations en quatre
catégories : absence de perturbation, perturbation de la demande, perturbation de l’inventaire
et perturbation de la distribution.

.3.1.3 Clustering K-means

Définition : Le clustering k-means est un algorithme de regroupement non supervisé qui

divise un ensemble de données en k clusters, où chaque point de données appartient au cluster
dont le centre (ou centroïde) est le plus proche.

10
CHAPITRE Méthodologie

Fonctionnement : L’algorithme commence par initialiser k centroïdes de manière aléatoire,

puis il itère pour ajuster les centroïdes jusqu’à ce que les clusters soient stables.
Application dans l’article : Le clustering k-means est utilisé pour regrouper les données en
clusters partageant des profils de perturbation similaires. Cela permet d’améliorer la précision
du modèle MC-SVM en réduisant le bruit dans les données.

.3.2 Étapes de la Méthodologie

.3.2.1 Collecte des Données

Description : Les données utilisées dans l’article proviennent de différentes entreprises de

l’industrie pharmaceutique. Les indicateurs clés utilisés pour la classification sont :

— POD (Percentage of Order Fulfillment on Time) : Le pourcentage de commandes

livrées à temps.

— ITR (Inventory Turnover Ratio) : Le taux de rotation des stocks.

— CSL (Customer Service Level) : Le niveau de service client.

— Std (Standard Deviation of Demand) : L’écart-type de la demande.

Exemple : Une entreprise avec un POD élevé, un ITR stable, un CSL élevé et un Std faible
est classée comme "sans perturbation".

.3.2.2 Prétraitement des Données

Normalisation : Les données sont normalisées pour s’assurer que toutes les caractéristiques
ont la même échelle.
Clustering K-means : Les données sont regroupées en clusters à l’aide de l’algorithme
k-means. Chaque cluster regroupe des entreprises ayant des profils de perturbation similaires.
Exemple : Les entreprises ayant des retards fréquents dans les livraisons sont regroupées
dans un cluster spécifique.

.3.2.3 Entraînement du Modèle MC-SVM

Initialisation : Le modèle MC-SVM est initialisé avec les données regroupées en clusters.
Entraînement : Pour chaque cluster, un classifieur linéaire est entraîné. Le classifieur final
est une combinaison des classifieurs locaux, pondérés par une fonction indicatrice.

11
CHAPITRE Méthodologie

Fonction indicatrice : La fonction indicatrice 1(x ∈ Cm ) est utilisée pour déterminer si un

point de données x appartient au cluster Cm .
Fonction de décision : La fonction de décision finale est définie comme suit :

k
X
f (x) = fm (x) · 1(x ∈ Cm )
m=1

T
où fm (x) = wm x est le classifieur linéaire pour le cluster m.

.3.2.4 Fonction Objectif

Description : La fonction objectif du modèle combine une régularisation globale pour évi-
ter le surajustement (overfitting) et une classification locale pour chaque cluster.
Formulation mathématique :

k k Xrm
λ 1X X
arg minm ∥w∥2 + ∥wm − w∥2 + C ξim
w,wm ,ξi ≥0 2 2 m=1 m=1 i=1

Termes :

— w : est le vecteur de poids global.

— wm :est le vecteur de poids local pour le cluster m.

i
— ξm :sont les variables d’ajustement (slack variables) pour le cluster m

— λ et Csont des hyperparamètres qui contrôlent l’importance de la régularisation et des

erreurs de classification.

— Régularisation globale : λ2 ∥w∥2 pénalise les poids élevés pour éviter le surajustement.

— Régularisation locale : 21 km=1 ∥wm − w∥2 aligne les poids locaux wm avec le poids
P

global w.
Pk Prm m
— Terme de marge : C m=1 i=1 ξi pénalise les erreurs de classification, où ξim sont
les variables d’ajustement (slack variables).

.3.2.5 Classification des Perturbations

Description : Une fois le modèle entraîné, il est utilisé pour classer les perturbations en
quatre catégories : absence de perturbation, perturbation de la demande, perturbation de l’in-
ventaire et perturbation de la distribution.
Exemple : Une entreprise avec un POD faible, un ITR élevé, un CSL faible et un Std élevé
est classée comme "perturbation de la demande".

12
CHAPITRE Collecte des Données

.3.2.6 Validation du Modèle

Description : Le modèle est validé en utilisant des données de test pour évaluer sa précision
et sa robustesse.
Méthode : Un graphique de contrôle np est utilisé pour vérifier la stabilité des résultats.
Aucun échantillon ne dépasse les limites de contrôle, ce qui indique que le modèle est statisti-
quement stable.

.3.3 Avantages de la Méthodologie

— Précision améliorée : L’utilisation du clustering k-means permet de regrouper les don-

nées en clusters similaires, ce qui améliore la précision du modèle MC-SVM.

— Gestion des données déséquilibrées : Le MC-SVM est particulièrement efficace pour

traiter des données déséquilibrées, ce qui est souvent le cas dans les scénarios de pertur-
bations.

— Application pratique : Le modèle est appliqué à des données réelles provenant de l’in-
dustrie pharmaceutique, ce qui montre son utilité dans un contexte concret.

.3.4 Limites de la Méthodologie

— Combinaison de perturbations multiples : Le modèle ne peut pas identifier des com-

binaisons de perturbations multiples, ce qui limite son applicabilité dans des situations
complexes.

— Données limitées : L’étude repose sur un nombre limité de données, ce qui peut affecter
la généralisation des résultats.

— Complexité du modèle : Le modèle MC-SVM combiné avec le clustering k-means est

relativement complexe et nécessite une expertise technique pour être mis en œuvre.

.4 Collecte des Données

.4.1 Origine des données

Les données de cette étude ont été collectées auprès d’entreprises de l’industrie pharma-
ceutique, un secteur crucial pour la santé publique. Ces entreprises ont été sélectionnées afin

13
CHAPITRE Collecte des Données

d’analyser les perturbations auxquelles elles ont été confrontées durant la pandémie de COVID-
19. Le choix de l’industrie pharmaceutique repose sur son rôle central dans la fourniture de
médicaments essentiels et sa sensibilité aux perturbations de la chaîne d’approvisionnement.

.4.2 Indicateurs clés

Les données incluent quatre indicateurs principaux permettant d’évaluer les performances
des entreprises face aux perturbations :

— Taux de Rotation des Stocks (Inventory Turnover Ratio - ITR) :

— Défini comme le nombre de fois qu’une entreprise renouvelle son stock sur une
période donnée.
— Importance : Un ITR faible peut indiquer des perturbations liées à un excès ou une
pénurie de stocks, souvent causées par des retards dans l’approvisionnement.
— Exemple : Une entreprise dont l’ITR chute de 10 à 4 durant la pandémie peut
signaler une perturbation critique de l’inventaire.

— Pourcentage de Commandes Livrées à Temps (Percentage of Orders Delivered -

POD) :

— Mesure la proportion des commandes livrées dans les délais impartis.

— Importance : Une baisse du POD reflète des perturbations dans la distribution ou
la logistique.
— Exemple : Une entreprise passant d’un POD de 95% à 70% pourrait indiquer une
perturbation critique de la distribution.

— Niveau de Service Client (Customer Service Level - CSL) :

— Évalue la capacité de l’entreprise à répondre aux besoins des clients en termes de

disponibilité des produits.
— Importance : Un faible CSL est un indicateur d’une mauvaise gestion des stocks
ou de retards dans la chaîne logistique.
— Exemple : Une entreprise dont le CSL chute de 90% à 60% peut être confrontée à
des perturbations de l’inventaire ou de la demande.

— Écart-Type de la Demande (Standard Deviation of Demand - Std) :

— Représente la variabilité de la demande des clients.

14
CHAPITRE Collecte des Données

— Importance : Une demande instable ou fortement fluctuante est souvent liée à des
perturbations externes, comme les changements de comportement des consomma-
teurs.
— Exemple : Une augmentation significative de l’écart-type de la demande (de 0.8 à
2.5) peut signaler une perturbation critique de la demande.

.4.3 Classes de perturbations identifiées

Les entreprises sont classées en quatre catégories selon les types de perturbations obser-
vées :

1. Absence de perturbation : Les entreprises fonctionnent normalement, avec des indica-

teurs stables proches de leurs niveaux habituels.

— Exemple : Une entreprise ayant un POD supérieur à 95% et une faible variabilité
de la demande (Std < 1).

2. Perturbation de l’inventaire : Difficultés à maintenir les stocks nécessaires.

— Exemple : Une entreprise affichant un ITR de 0.88 et un CSL de 65% pourrait être
affectée par des retards d’approvisionnement.

3. Perturbation de la distribution : Problèmes logistiques pour acheminer les produits.

— Exemple : Une entreprise avec un POD de 70% et un CSL de 80% peut signaler
des problèmes dans la chaîne de transport.

4. Perturbation de la demande : Fluctuations importantes dans les besoins des clients.

— Exemple : Une entreprise ayant un Std = 3.3 pourrait subir des perturbations
critiques liées à des variations soudaines des besoins des clients.

.4.4 Répartition des perturbations

Les données recueillies auprès de 2673 entreprises ont permis d’identifier les proportions
suivantes :

— 915 entreprises fonctionnent normalement.

— 577 entreprises sont confrontées à des perturbations de la demande.

— 513 entreprises subissent des perturbations de l’inventaire.

— 668 entreprises rencontrent des perturbations de la distribution.

15
CHAPITRE Résultats et Analyse

Cette collecte de données fournit une base solide pour entraîner le modèle MC-SVM et le
clustering k-means, permettant de classer les entreprises de manière précise et d’identifier les
principaux points d’amélioration pour renforcer leur résilience face aux crises.

.5 Résultats et Analyse

.5.1 Classification des perturbations

Le modèle combiné MC-SVM et k-means regroupe les entreprises selon les types de per-
turbations en utilisant des indicateurs clés (POD, ITR, CSL, et Std). Les résultats sont illustrés
par des graphiques pour chaque indicateur.

.5.1.1 Valeurs du POD (Pourcentage de Commandes Livrées à Temps)

Contenu du graphique :

— L’axe des abscisses représente les entreprises regroupées par clusters.

— L’axe des ordonnées montre les valeurs du POD (en pourcentage).

— Les points sont regroupés selon les clusters : Cluster 1 (pas de perturbation), Cluster 2
(perturbation de la demande), Cluster 3 (perturbation de l’inventaire), et Cluster 4 (per-
turbation de la distribution).

Analyse des clusters :

— Cluster 1 (Pas de perturbation) :

— POD supérieur à 95 %.
— Ces entreprises livrent presque toutes leurs commandes à temps, indiquant une
chaîne logistique stable.

— Cluster 2 (Perturbation de la demande) :

— POD compris entre 90 % et 95 %.

— Les entreprises subissent des fluctuations de la demande, mais leurs capacités lo-
gistiques leur permettent encore d’assurer des livraisons relativement efficaces.

— Cluster 3 (Perturbation de l’inventaire) :

— POD autour de 85 %.
— Les retards sont liés à des problèmes d’approvisionnement, affectant les livraisons.

16
CHAPITRE Résultats et Analyse

— Cluster 4 (Perturbation de la distribution) :

— POD inférieur à 80 %.
— Les problèmes logistiques majeurs entraînent des retards importants.
Conclusion et action associée :

— Identifier et résoudre les problèmes logistiques dans le Cluster 4 pour augmenter les
valeurs de POD.

— Optimiser les stocks dans le Cluster 3 pour réduire les délais.

.5.1.2 Taux de Rotation des Stocks (ITR)

Contenu du graphique :

— L’axe des abscisses montre les entreprises regroupées par clusters.

— L’axe des ordonnées représente l’ITR, qui mesure la fréquence de renouvellement des
stocks.

Analyse des clusters :

— Cluster 1 (Pas de perturbation) :

— ITR proche de 1.
— Les stocks sont gérés efficacement et renouvelés régulièrement.
— Cluster 2 (Perturbation de la demande) :
— ITR légèrement supérieur à 1.
— Ces entreprises augmentent leurs stocks pour anticiper les fluctuations de la de-
mande.
— Cluster 3 (Perturbation de l’inventaire) :
— ITR inférieur à 0.9.
— Indique une mauvaise gestion des stocks ou des difficultés d’approvisionnement.
— Cluster 4 (Perturbation de la distribution) :
— ITR stable mais inférieur à Cluster 1.
— Les problèmes logistiques limitent la rotation des stocks.
Conclusion et action associée :

— Améliorer la gestion des stocks pour le Cluster 3 (par exemple, diversification des four-
nisseurs).

— Réduire les incertitudes liées à la demande pour le Cluster 2.

17
CHAPITRE Résultats et Analyse

.5.1.3 Niveau de Service Client (CSL)

Contenu du graphique :

— L’axe des abscisses présente les entreprises regroupées par clusters.

— L’axe des ordonnées montre les valeurs du CSL (en pourcentage).

Analyse des clusters :

— Cluster 1 (Pas de perturbation) :

— CSL supérieur à 95 %.
— Les entreprises satisfont pleinement leurs clients grâce à une chaîne d’approvision-
nement efficace.

— Cluster 2 (Perturbation de la demande) :

— CSL autour de 80 %.
— Les fluctuations de la demande entraînent une insatisfaction modérée chez les clients.

— Cluster 3 (Perturbation de l’inventaire) :

— CSL compris entre 70 % et 80 %.

— Les clients sont impactés par les retards ou la disponibilité réduite des produits.

— Cluster 4 (Perturbation de la distribution) :

— CSL autour de 85 %.
— Les retards logistiques affectent la satisfaction des clients, mais moins sévèrement
que les perturbations d’inventaire.

Conclusion et action associée :

— Mettre en place des outils de prévision pour stabiliser la demande (Cluster 2).

— Renforcer les stocks stratégiques pour les entreprises du Cluster 3.

.5.1.4 Écart-Type de la Demande (Std)

Contenu du graphique :

— L’axe des abscisses regroupe les entreprises par clusters.

— L’axe des ordonnées représente les valeurs de l’écart-type (Std), indiquant la variabilité
de la demande.

Analyse des clusters :

18
CHAPITRE Résultats et Analyse

— Cluster 1 (Pas de perturbation) :

— Std < 1, indiquant une demande stable et prévisible.

— Cluster 2 (Perturbation de la demande) :

— Std > 3.
— Les entreprises subissent des fluctuations majeures dans la demande, rendant la
planification difficile.

— Cluster 3 (Perturbation de l’inventaire) :

— Std modéré (entre 1 et 2).

— Des problèmes de gestion des stocks peuvent affecter légèrement la demande per-
çue.

— Cluster 4 (Perturbation de la distribution) :

— Std variable, mais inférieur à Cluster 2.

— Les fluctuations sont moins prononcées, mais les retards logistiques amplifient leur
effet.

Conclusion et action associée :

— Proposer des outils analytiques avancés pour anticiper les fluctuations de la demande
dans le Cluster 2.

— Réduire l’impact des retards logistiques pour stabiliser les opérations du Cluster 4.

.5.1.5 Graphique de Contrôle np (Analyse des Erreurs)

Contenu du graphique :

— Ce graphique représente un contrôle statistique de qualité pour vérifier la stabilité des

résultats du modèle.

— L’axe des abscisses montre les échantillons de données (regroupés par clusters).

— L’axe des ordonnées indique le nombre d’échantillons non conformes détectés (np).

— Les lignes de contrôle supérieures (UCL) et inférieures (LCL) définissent les limites
acceptables pour les résultats du modèle.

Analyse des clusters :

— Cluster 1 (Pas de perturbation) :

— Tous les points du cluster sont bien en dessous de la limite UCL.

19
CHAPITRE Résultats et Analyse

— Cela montre que les entreprises de ce cluster fonctionnent de manière stable et sont
correctement classées par le modèle.

— Cluster 2 (Perturbation de la demande) :

— Les points s’approchent de la limite supérieure, mais restent dans les bornes accep-
tables.
— La forte variabilité de la demande explique cette proximité, mais cela ne compromet
pas la fiabilité du modèle.

— Cluster 3 (Perturbation de l’inventaire) :

— Quelques points se situent près de la LCL.

— Ces variations indiquent que le modèle est légèrement sensible aux variations dans
la gestion des stocks, mais reste globalement robuste.

— Cluster 4 (Perturbation de la distribution) :

— Les points sont répartis de manière uniforme sous l’UCL, montrant une classifica-
tion correcte.
— Les entreprises de ce cluster montrent un modèle de distribution logistique cohérent.

Conclusion et action associée :

— Aucun échantillon ne dépasse les limites de contrôle (UCL ou LCL), ce qui confirme la
stabilité statistique du modèle MC-SVM combiné avec le clustering k-means.

— Cependant, une analyse plus fine des clusters 2 et 3 pourrait être effectuée pour com-
prendre et réduire la variabilité dans les perturbations de la demande et de l’inventaire.

.5.2 Synthèse des Résultats

: Les clusters montrent clairement une distinction entre les différents types de perturbations.
Les clusters 1 et 4 montrent une stabilité et une performance élevées, alors que les clusters 2
et 3 demandent des ajustements stratégiques pour réduire les fluctuations et les retards. Le
graphique de contrôle confirme que le modèle est statistiquement fiable, avec des résultats
cohérents pour toutes les classes.

20
CHAPITRE Conclusion et Perspectives Futures

.6 Conclusion et Perspectives Futures

.6.1 Identification des perturbations

Le modèle combiné MC-SVM et k-means offre une méthode efficace pour identifier le type
de perturbation prédominante dans une chaîne d’approvisionnement. Cela permet :

.6.1.1 Prise de décision rapide

Les entreprises peuvent réagir rapidement aux perturbations identifiées, comme ajuster les
approvisionnements en cas de perturbation d’inventaire ou adapter la production face à une
variation de la demande.

.6.1.2 Amélioration de la résilience

En connaissant les failles spécifiques, les entreprises peuvent élaborer des stratégies ciblées
pour limiter les impacts des crises futures.

.6.2 Limitations

.6.2.1 Non-détection des combinaisons de perturbations multiples

Le modèle classe les perturbations dans des catégories exclusives, ce qui limite son effica-
cité lorsqu’une entreprise subit plusieurs types de perturbations simultanément.

.6.2.2 Précision perfectible

Le modèle pourrait être renforcé avec davantage de données et de caractéristiques comme

les coûts logistiques ou les données en temps réel.

.6.3 Pistes pour les recherches futures

.6.3.1 Algorithmes plus sophistiqués

L’adoption d’approches avancées, comme les réseaux de neurones profonds (deep learning),
permettrait une meilleure analyse des perturbations complexes.

21
CHAPITRE Apprentissages Clés

.6.3.2 Intégration de données diversifiées

Ajouter des indicateurs spécifiques à chaque industrie améliorerait la précision des prédic-
tions.

.6.3.3 Données en temps réel

L’inclusion de flux en temps réel permettrait une détection et une réponse plus rapides aux
perturbations émergentes.

.7 Apprentissages Clés

.7.1 Application de l’apprentissage automatique à la gestion des risques

Le MC-SVM et le k-means démontrent comment les technologies d’apprentissage automa-

tique peuvent être utilisées pour classifier et regrouper efficacement les perturbations dans les
chaînes d’approvisionnement.
Exemple : Une entreprise pharmaceutique peut anticiper des pénuries en analysant les pro-
fils de perturbations et ajuster ses décisions en conséquence.

.7.2 Importance des données

La qualité des données influence directement la précision du modèle. Des données erronées
ou incomplètes peuvent fausser les résultats. L’ajout de données provenant de différentes in-
dustries renforcerait la robustesse du modèle, permettant de mieux généraliser ses conclusions.

.7.3 Renforcement de la résilience et de l’agilité

La détection rapide des perturbations aide les entreprises à élaborer des stratégies rési-
lientes, par exemple en ajustant les routes logistiques ou en révisant la production pour faire
face à des fluctuations de la demande. Cela améliore leur capacité à s’adapter et à réagir effica-
cement aux crises, comme celle observée durant la pandémie de COVID-19.

22
CHAPITRE Limites et Améliorations Possibles

.8 Limites et Améliorations Possibles

.8.1 Combinaison de perturbations multiples

Le modèle actuel ne peut pas gérer plusieurs perturbations simultanées (par exemple, in-
ventaire et distribution), ce qui limite sa précision.
Amélioration possible : Utiliser des algorithmes multi-labels pour identifier et classer les
combinaisons de perturbations.

.8.2 Données supplémentaires

Le modèle est principalement basé sur des données du secteur pharmaceutique, ce qui res-
treint sa généralisation.
Amélioration possible : Ajouter des données d’autres secteurs (logistique, agroalimen-
taire) et intégrer des indicateurs spécifiques (comme les coûts logistiques ou les délais de tran-
sit).

.9 Implications pour la Recherche Future

.9.1 Algorithmes avancés

L’utilisation de techniques comme le deep learning (RNN ou CNN) permettrait une analyse
plus fine des perturbations complexes et des relations entre elles.

.9.2 Données en temps réel

Intégrer des flux de données en temps réel permettrait aux entreprises de réagir immédiate-
ment aux perturbations, réduisant les délais de réponse et améliorant leur résilience.

.10 Conclusion Générale

Cet article démontre l’efficacité et le potentiel des techniques d’apprentissage automa-
tique, comme le MC-SVM et le clustering k-means, dans la gestion des perturbations des
chaînes d’approvisionnement, en particulier dans des contextes de crise comme la pandémie

23
CHAPITRE Conclusion Générale

de COVID-19. Ces approches permettent d’identifier et de classifier les perturbations (inven-

taire, demande, distribution) de manière précise, offrant ainsi aux entreprises des outils concrets
pour prendre des décisions rapides et ciblées.

.10.1 Principaux apports

.10.1.1 Identification des perturbations

Le modèle aide les entreprises à reconnaître le type dominant de perturbation auquel elles
font face, améliorant ainsi leur capacité à réagir efficacement.

.10.1.2 Renforcement de la résilience

En classifiant clairement les types de perturbations, les entreprises peuvent élaborer des
stratégies adaptées, augmentant leur agilité et leur résistance face aux crises.

.10.2 Perspectives pour l’amélioration

Bien que le modèle soit prometteur, certaines limitations, comme l’incapacité à gérer des
combinaisons de perturbations et la dépendance à des données sectorielles spécifiques, doivent
être surmontées. Des algorithmes plus avancés (deep learning) et l’intégration de données en
temps réel sont des pistes d’évolution importantes.

.10.3 Impact global

Les résultats de l’étude montrent que l’adoption de ces technologies peut transformer la
gestion des chaînes d’approvisionnement, permettant aux entreprises d’anticiper et d’atténuer
les perturbations avec plus d’efficacité. Cela améliore leur compétitivité dans un monde où les
crises deviennent de plus en plus fréquentes et complexes.
En conclusion, cet article apporte une contribution significative à la recherche sur la ges-
tion des risques dans les chaînes d’approvisionnement et ouvre des voies pour des innovations
futures, alliant avancées technologiques et pratiques stratégiques.

24