???? Sujet : Optimisation Tactique des Stocks de Pièces de Rechange ???? Contexte : La gestion des pièces détachées est un enjeu majeur pour garantir la disponibilité des équipements et limiter les arrêts de production. Au sein de l’environnement client sous CARL Source, des incohérences récurrentes se manifestent : ruptures de pièces critiques, sur-stockage entraînant des coûts élevés et incertitudes dans les réapprovisionnements. Dans une logique Industry 5.0 (résilience, intelligence augmentée, exploitation des données opérationnelles), l’objectif est d’optimiser les niveaux de stock sur un horizon tactique de 3 à 18 mois, en tenant compte de la variabilité réelle de la demande, des délais fournisseurs, et de la criticité des pièces. ???? Objectif :  Développer une méthodologie d’optimisation des stocks de pièces de rechange combinant : Un modèle déterministe de base (seuils, sécurité, service level, coûts), une classification avancée des pièces (ABC étendu, criticité, clustering) et une méthode moderne d’optimisation adaptée aux données (simulation, ML simple ou système multi-agent).   ????️ Missions :  Analyse des données CARL Source Cartographier pièces ↔ équipements ↔ interventions. Étudier la variabilité (demande, délais, criticité). Identifier les familles de pièces à fort enjeu tactique. Classification des pièces Appliquer une analyse étendue (par exemple une ABC étendue intégrant le coût, l’usage et la criticité). Construire une matrice de priorisation pour guider l’optimisation. Modèle déterministe de référence Définir les niveaux de stockage (stocks de sécurité, seuils) pour chaque pièce afin d’optimiser le coût total (stockage, rupture, commandes) tout en satisfaisant les exigences de chaque activité de maintenance. Réaliser une analyse de sensibilité afin d’évaluer les configurations critiques par rapport aux solutions générées par les différents optimiseurs. Module avancé (selon diagnostic des données) Capturer les dynamiques que le modèle déterministe ne gère pas. Simulation événementielle si forte incertitude / délais instables,ou ML simple (prévision, backorder) si patterns détectables,ou système multi-agent si interdépendances entre familles de pièces. Benchmark & recommandations Comparer les politiques selon : le coût global, le taux de service et la résilience aux fluctuations. Proposer des niveaux de stock optimaux par catégorie. Prototype d’aide à la décision Développer un démonstrateur. Visualiser les seuils critiques et les niveaux recommandés.