Solution
Après avoir rencontré les différents responsables opérationnels pour comprendre le fonctionnement des opérations, du pricing, des achats, et comprendre les paramètres influençant leurs décisions, nous avons aidé notre client à spécifier le problème à résoudre, en nous orientant vers un problème d’optimisation sous contrainte.
Nous avons donc modélisé l’activité de notre client, et établi une fonction de coût pour chaque station avec comme variable d’entrée le nombre de voitures à allouer sur l’année, et la répartition de cette allocation sur l’année (une voiture peut en effet être détenue entre 6 et 18 mois dans notre cas).
Grâce à une approche mathématique itérative mêlant simulations et optimisations, l’application de certaines heuristiques, nous avons pu déterminer pour chaque station un nombre de véhicules et une répartition de ces véhicules au cours de l’année qui maximise les bénéfices pour chaque station.
Exemple de simulation / optimisation
Résultats
Notre modélisation, bien que présentant certaines limites, a permis de fournir des insights profonds pour l’équipe dirigeante.
Au-delà de l’optimisation, qui a pour objet de fournir une répartition idéale des véhicules à détenir sous certaines conditions, notre approche par simulation a permis à notre client de mieux comprendre les caractéristiques non-linéaires de son métier, et la dynamique de détention de véhicules, notamment dans les stations à forte variabilité de demande pour lesquelles les prévisions sont les plus difficiles, mais aussi pour comprendre l’impact d’un sur-stock dans les stations où la demande est régulière.
Les résultats parfois contre-intuitifs ont permis de mettre en lumière certains aspects du business permettant de mieux préparer le futur.