Modéliser le décalage dans la supply chain

Inspiré du Beer Distribution Game — créé à la MIT Sloan au début des années 1960 pour enseigner les dynamiques fondamentales de la gestion de supply chain — Drivetrain raconte la même histoire avec des vélos.

Un petit réseau de nœuds fait circuler le produit vers l’aval : deux fournisseurs (l’un pour les cadres, l’autre pour les kits de composants — roues et dérailleurs) alimentent un entrepôt central unique, qui assemble les vélos finis et les distribue à trois magasins. Seuls les magasins voient la demande client réelle.

Dans ce lab, nous explorons le bullwhip effect — comment de petites fluctuations de la demande au niveau des magasins s’amplifient en oscillations de plus en plus importantes en remontant vers l’entrepôt et les fournisseurs.

Active R&D Lab — Under Construction

Multi-Agent Supply Chain Simulation

We are building an interactive 4-stage supply chain simulator using multi-agent reinforcement learning. This lab will demonstrate how lead-time lag, holding costs, and backorder penalties propagate downstream to produce the classic bullwhip effect, and how AI-driven coordination policies can mitigate it.

Simulation Node Topology

Retailer

Downstream demand

➔

Wholesaler

Local hub

➔

Distributor

Regional logistics

➔

Manufacturer

Production line

Implementation Backlog

⚙

Interactive replenishment control

Allow visitors to manually input orders for one or more supply chain nodes.

⚙

DQN and PPO reinforcement learning agents

Pre-trained agents playing the game with optimal policy weights.

⚙

Live bullwhip plotting with D3

Real-time charts rendering order amplification, inventory levels, and backlogs.

⚙

Dynamic parameter overrides

Configurable lead times, information sharing latency, and demand patterns.

Pourquoi ce phénomène se produit-il ?

Les principaux facteurs du bullwhip effect sont :

Le manque de transparence : chaque nœud ne voit que les commandes de son voisin immédiat en aval, et non la demande réelle du client final.
Les délais de livraison : le délai entre la passation d’une commande et la réception des marchandises provoque des sur-commandes, en particulier lorsque la production et l’expédition s’accumulent.
La commande par lots : commander en gros lots pour économiser sur les coûts de transport distord le signal de la demande.

Essayez d’augmenter le délai de livraison du fournisseur tout en ajoutant de la variabilité de la demande : la courbe des commandes fournisseur dans le graphique d’amplification oscille bien plus fortement que la demande client sous-jacente, et le multiplicateur du bullwhip effect dépasse la valeur de un. En modélisant ces systèmes avec des techniques d’apprentissage par renforcement et de recherche opérationnelle, nous pouvons concevoir des politiques de contrôle qui atténuent considérablement cet effet.