l’estimation des couts dans la filiere …€¦ · client-fournisseur 3 marketing remise plan de...
TRANSCRIPT
L’ESTIMATION DES COUTS DANS LA FILIERE TEXTILE HABILLEMENT
Mauricio [email protected]
Tel 33 (0) 320 25 64 91Laboratoire GEMTEX-ENSAIT (EA 2461)
École Nationale Supérieure des Arts et Industries Textiles9 rue de l’Ermitage, Roubaix, France
Journées du GDR MACS. GdR. (M.A.C.S.)
GT IS3C Ingénierie des systèmes de conception et conduite du cycle de vie produit
Thème : Valeurs, indicateurs, évaluation et décision Nantes Mars 25-26 2004
Axes de recherche en LogistiqueOutils pour la réactivité de la filière textileSupports de la stratégie industrielle
Dir: Prof. B. RABENASOLO
Prévision de la demande Optimisation de la chaîne d’approvisionnement basée sur des informations prévisionnelles
planification et ordonnancement dynamique
Indicateurs de performance, benchmarkingTableau de bord avec les indicateurs de performance adéquats pour le pilotage et l’amélioration de la filière
Intégration des méthodes de conception et de productionEstimation de coûts d'articles textiles dès la phase de conceptionMéthodologie de capitalisation de connaissance
L’ESTIMATION DES COUTS DANS LA FILIERE TEXTILE HABILLEMENT
1. Introduction, contexte2. Fonctions d’estimation des coûts (FECs)3. Exemple4. Conclusions
Contexte de la filière Textile-Habillement
Évolution des métiers en Europe : conception, développement, pilotage de la chaîne logistique
Réactivité à la demande, diversités de produitsAugmentation de la complexité de la chaîne d’approvisionnement
Augmentation des composantesde coûts indirects (40% -> 60 %)
Augmentation de la complexité de l’activité « Estimation de coûts »
Contexte de la filière Textile-Habillement
• Diminution des prix de produits finis
• Rapidité de conception
• Personnalisation du produit
• Diversification de l’application des matériaux textiles
Concepts de Base
Possibilité d’influencer le coût
Definition duproduit
Evolution relative des dépenses
Coût engagéCoût total
Cycle de vie
100 %
80 %
60 %
40 %
20 %
Conception Cycle de
vie
Coût d’une modification
Conception Fabrication Fabrication
Figure 1 : Evolution des dépenses et d’engagement des coûts d’un produit
Figure 2 : Efficacité des modifications
Blanchard, B. S. Design and manage to Life Cycle Cost. Portland OR.M/A Press. 1978
Domaines d’application de l’estimation de coûts dans le textile et textile/habillement
Conceptionde produits
1
Conceptiondu processus
2
NégociationClient-Fournisseur3
Marketing Remise plan de collection
Prévision
Développement Sélection de matières Affectation mat. Première, calcul besoins Création fiches de produits
PrototypageValidation patronage Prototype Détermination de tempsValidations de PRIEnvoi des dossiers techniques.
Processus à l ’interne
Achats Commande Matières ModificationsRéajustements
Définition Stratégie de production Processus
externesChoix des fournisseurs
LogistiqueVérification, contrôle Réception des accessoires Collection
Livraison et Distribution,Vente
Données:Prix du marché
(Design to Cost)
Coût Transformation Coût
Global
Quelle méthode ?
Phase Conceptuelle Préliminaire Détaillé
Utilisateur Designer Planificateur processus Gestion production
Activité Design conceptuel
Design de détail
Macro planification
Micro planification
Planification d’atelier
Résultat Concepts Géométrie Processus Ressources Ressources
Modèles de coûts
conceptuels de détails Macro Modèle Micro modèle Micro modèle
Méthode d’estimation
Paramétrique
Paramétrique/ Analytique
Analytique Analytique Analytique
Précision Précision conceptuelle
Assigné à un produit
Précision macro budget prévisionnel
Précision micro planification
Précision micro Gamme opératoire
Inducteurs Concepts, caractéristiques et fonctionnalités
Dimension, tolérances
Caractéristiques du processus
Temps de production, temps, taux de coût indirect
Temps de production, temps, taux de coût indirect
Objectifs du projet
Étudier et comprendre les possibilités d’application de l’estimation des coûts dans le contexte de la filière textile.
Étudier les méthodes de calcul et l’allocation des coûts directs et indirects
Récupérer, stocker et reproduire le savoir faire au niveau de laproduction et de la conception
Analyser les techniques d’estimation afin de trouver des modèlesspécifiques de l’environnement de la filière textile.
Développer un outil pour des problématiques et produits représentatif.
Objectifs…
Établissement de corrélation entre paramètres de
conception et coût final
1
Conception produit
Calcul du PRI
assignation de charges indirectes
2
Le Coût de Développer un produit • étapes pour développer un produit• Origine de la conception • consommation de ressources
(quantification)• profil du concepteur • pratiques d’évaluation économique
d ’un produit (estimation)
fonctionnelsutilisation finale Capacité de filtrationrésistance chimique...
EsthétiquestoucherGammenombre couleurs ...
Définition des inducteurs de Coûts
Simplification de variables Classification ACP
Objectifs…
Définition des Inducteurs de Coûts Méthodes pour identifier et simplifier FEC
HNFLS RBCRL RNL RN HNF
Recherche du meilleur modèle permettant de valider, stocker et reproduire du savoir faire
Validation du Modèle Pour le développeur:Précision, adaptabilité, facilité mise à jour type de base de données, capacité d’apprentissage et représentation du savoir fairePour l’utilisateur : Précision, fiabilité, flexibilité, facilité d’interprétation et utilisation
choix du modèle le plus adaptéTechnique Robustesse Convenable
face à bases de données limitées
Flexibilité d’ajustement
Visibilité du processus de raisonnement
Capacité de traiter
des modèles
complexes
Capacité d’intégration
du savoir-faire.
Régression Moindres Carrés. Non Non Non Oui Non Partiale
Régression Robuste (Median Last Squares) Oui Partiale Non Oui Non Partiale
Réseaux Neuronaux Non Non Partiale Non Oui Partiale
Logique Floue ( Fuzzy ) Partiale Oui Partiale Oui Oui Oui
Systèmes Hybrides (Neuro-Fuzzy) Partiale Partiale Partiale Partiale Oui Oui
Raisonnement à base de cas (CBR) Partiale Partiale Oui Partiale Oui Non
Arbres de décision. Oui Partiale Oui Partiale Oui Partiale
Processus de développement d’une FEC Sélection des Inducteurs de
coûts
entrées du modèle
Normalisation et classification des
données
Pertinence Technique et statistique du
modèle
Modèle d’estimation
Point de vue des experts relations
logiques
-Enregistrements comptables
Bases de données descriptives et
techniques
Récolte d’information
Développement du modèle
Modèles candidats
FEC’s (linéaire ou non linéaire)
softcomputing logique floue, Réseau de
Neurones, CBR
Modèle « correct »
Méthodes de sélection
Techniques de mise à jour
Validation et application du
modèle
Modèles proposés…
5
4
3
2
1
No
Early Stopping (HNF) Modèle Hybride- Neuro-Flous
Algorithme à deux étapes(HLFS) Modèle Hybride floue simplifié
Régularisation Bayésienne
(RNA) Réseau de Neurones
Itération Gauss- Newton (RNL) Régression non linéaire
Régression Stepwise(RL) Régression linéaire multiple
Technique de Généralisation
Modèle
(RL) Régression linéaire multiple
Le principe de base est la supposition que les n observations satisfassent
ipipii bxxy εββ ++++= ....11
0,0
0,2
0,4
0,6
0,8
1,0
Nombre de parameters descripteurs
Erre
ur d
'est
imat
ion
de c
oût acceptable
Error depending on applicationminimal Error
due a estimation uncertainties (forecasting errors : sales, production, etc.)
Où yi est le i-éme coût observé (la variable expliquée), nij est la valeur du j-éme inducteur de coûts, j=1 jusqu’à p (les variables explicatives) et εi le vecteur centre de dimension n des erreurs.
2. Régression non linéaire (RNL)
Y est le vecteur n-dimensionnel des réponses, est le vecteur, de dimension p, des paramètres inconnus du modèle et est le vecteur IRn de composantes f (xi,), i =1,…n. appelé aussi fonction vectorielle ou fonction de régression. .
εβη += )(Y
β)(βη
)1(211 .... += p
ippii xxY ββ ββ [Bellut, 1990]
3 (RNA) Réseau de Neurones
Tecnique de généralisation: Regularisation Bayésiénne”[MACKAY, 1992], [FORESEE & al,1997] [BAILER-JONES & al, 1998] basée sur la modification et optimisation de la fonction de performance dans notre cas MSE
2
1
2
1)ˆ(1)(1 ∑∑
==
−===N
iii
N
ii yy
Ne
NmseF
mswmsemsereg )1( λλ −+=Ajustement du modèle : ajoutant un terme égal à la somme des carrés des poids (W) et des biais (b), pour obtenir une fonction mse « régulée »
Où λ est l’indice de performance et MSW,
Régularisation Bayesiènne, minimise la combinaison linéaire de msereg pour obtenir une valeur optimale de λ.
∑=
=n
jjw
nmsw
1
21
La régularisation est résolue avec un algorithme de Levenberg-Marquardt. Cette modification, provoque une diminution des poids et biais et « force » le réseau à’avoir une meilleure réponse, en évitant le sur-entraînement
3 (RNA) Réseau de Neurones Architecture
Cost / Time
Inputs Hidden Layer ‘tansig'
weight
Output layer, 'purelin'
x1
x2
x3
x4
ijW
ei
Cost / Time
Inputs Hidden Layer ‘tansig'
weight
Output layer, 'purelin'
x1
x2
x3
x4
ijW
ei
1 2 3 4 5 6 7 8 9 1 00 .1
0 .2
0 .3
0 .4
0 .5
0 .6
0 .7
0 .8
0 .9
Neurons in the hidden layer
Rm
se
Rmset
Rmsev
1 2 3 4 5 6 7 8 9 1 00 .1
0 .2
0 .3
0 .4
0 .5
0 .6
0 .7
0 .8
0 .9
1 2 3 4 5 6 7 8 9 1 00 .1
0 .2
0 .3
0 .4
0 .5
0 .6
0 .7
0 .8
0 .9
Neurons in the hidden layer
Rm
se
Rmset
Rmsev
[Wang , 2000]
4. (HNF) Modèle Hybride- Neuro-Flous
1. Méthode de classification « Subclustering » [Chiu, 1994].
2. Fuzzyfication des entrées
3. Identification des règles et entraînement. Adaptative Network Based Fuzzy Interference System, (ANFIS) (Jang, 1993)
0 2 0 4 0 6 0 8 0 1 0 0 1 2 0 1 4 0 1 6 0 1 8 0 2 0 00 . 3 0 5
0 . 3 1
0 . 3 1 5
0 . 3 2
0 . 3 2 5
0 . 3 3
0 . 3 3 5
0 . 3 4
0 . 3 4 5
0 . 3 5
Stop Learning point
epochs
0 2 0 4 0 6 0 8 0 1 0 0 1 2 0 1 4 0 1 6 0 1 8 0 2 0 00 . 3 0 5
0 . 3 1
0 . 3 1 5
0 . 3 2
0 . 3 2 5
0 . 3 3
0 . 3 3 5
0 . 3 4
0 . 3 4 5
0 . 3 5
Stop Learning point
0 2 0 4 0 6 0 8 0 1 0 0 1 2 0 1 4 0 1 6 0 1 8 0 2 0 00 . 3 0 5
0 . 3 1
0 . 3 1 5
0 . 3 2
0 . 3 2 5
0 . 3 3
0 . 3 3 5
0 . 3 4
0 . 3 4 5
0 . 3 5
Stop Learning point
epochs
DéfuzzificationFuzzification Inférence
Entrées réelles Sorties réelles
DéfuzzificationFuzzification Inférence
Entrées réelles Sorties réelles
5. (HNF) Modèle Hybride- Neuro-Flous Simplifié
Modèle initial
Réduction des MFsAlgorithme 1
Calcul d’un critère de performance
Réduction des règlesAlgorithme 2
Modèle finalModèle final
4. (HNF) Modèle Hybride- Neuro-Flous
algorithme 1 Simplification des Fonctions d’appartenance
Le principe est de fixer une distance de groupement entre deux fonctions d’appartenance (i,j) définie par :
Le couple (i,j) est choisi en faisant un test de précision pour le nouveau groupe des fonctions d’appartenance. La distance est définie comme:
( ) ( ) ( ) dxxjxijik µµ −=∆ ∫+∞
∞−
,
( )jik ,∆
algorithme 2 : recherche d’un ensemble de règles, qui satisfasse un critère de performance de précision choisi préalablement, le RMSE dans notre cas
Estimation des coûts
Estimationde coût
Application au secteur textileÉvaluation rapide d’un produit ou de la collection
Conception à coût objectifMaîtrise de la sous-traitance
Processus de conception
Gamme Opératoire Stock écrus Stock écrus
Enroulage Enroulage
Blanchiment Blanchiment
SéchageSéchage
Impression CPImpression CP
Polymérisation Polymérisation
Impression RotoImpression Roto
FinitionFinition
CalandrageCalandrage
conditionnement conditionnement
Préparation
Impression
Finition
Nom Produit Fantasy RedSupport LVO
Quantité à lancer (mètres) 1000Nombres de couleurs 7
gamme operatoire Classe Vitesse Vitesse UO CUUO NUO CTUO
m/min €/min min €Preparation Ecrus 34 min 2,5 29,41 73,53
Flambage/Désencollage 100 min 3 10,00 30,00
Lavage Préparation B 45 min 4 22,22 88,89
Séche Préparation C 70 min 3 14,29 42,86
Impresssion Roto A 25 min 5,5 40,00 220,00
Appret Rame C 25 min 4,5 40,00 180,00
Calandrage E 110 min 3 9,09 27,27
Conditionnement 30 min 2 33,33 66,67
729,21
€/m 0,73
Une situation particulière...Développement d ’un dessin
En général :
une gamme produit = normalement a1 designs originaux avec un "focus" sur un style ou thème en particulier
chaque design au minimum a2 options de couleurs
Chaque design avec a3 possibilités de couleurs
Production prévue a4
Une situation particulière...Développement d ’un dessin
En particulier :l ’intensité de la couleur du dessin (claire, moyenne, foncé, métallique...) et le nombre de couleursla couleur de base écru, blanche, pré-teinté (claire, moyenne, foncé) variété de finissage ( fluorocarbon, anti-feu, antibactérien, adoucissant ...)
Résultats
RMSE CV MBE RMSE90%RCV MBE90%
MLR 7.5393 0.3681 5.8462 7.1206 0.3406 5.5674NLR 0.9569 0.0218 0.7559 0.8112 0.0359 0.6433NN 1.6025 0.0653 0.9196 1.2047 0.0532 0.7700HNF 1.9052 0.0712 1.1333 1.3308 0.0514 0.8669
SHNF 2.8873 0.1044 1.6571 2.3190 0.0866 1.4160
Model Validation Robustness
RMSE, racine carré de la moyenne des erreurs carrées , CV coefficient de variation MBE erreur moyen des erreurs
Robustesse : RMSE, CV et MBE du 90% des écarts le plus petits.
Multiple linear regressionMLR
Non linear regression NLR
Simplified Hybrid Neuro-Fuzzy SHNF
Neural Network NN
Simplified Hybrid Neuro-Fuzzy Model
Inputs MF’s ( µa) Rules RMSE SNER
HNFCEM 1234
11111111
11 1.9052 0.0712
SHNFCEM 1234
4435
7 2.8873 0.1044
Conclusions
Adaptation de la FEC pour des situations particulières et àdivers moments dans le cycle de vie d’un produit.
Amélioration de la visibilité du concepteur en prenant en compte les paramètres de conception ( fonctionnels, esthétiques et structuraux)
Amélioration de la communication et de la coordination entre le concepteur et l’ingénieur (client fournisseur).
Réduction du temps et gains d’efficacité dans le processus de conception.
Intégrer au plutôt l’analyse économique dans les processus d’externalisation.
L’ESTIMATION DES COUTS DANS LA FILIERE TEXTILE HABILLEMENT
Mauricio CAMARGOLaboratoire GEMTEX-ENSAIT (EA 2461)
École Nationale Supérieure des Arts et Industries Textiles9 rue de l’Ermitage, Roubaix, France