🔎 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.

• Vous êtes étudiant(e) en Master 2 informatique, data science, optimisation ou génie industriel.

• Vous recherchez un stage de 6 mois débutant au printemps 2026

• Vous maîtrisez Java et/ou Python.

• Vous disposez de compétences solides en analyse de données.

• Vous possédez des bases solides en modèles déterministes appliqués à la gestion des stocks (ROP, stock de sécurité, EOQ).

• Vous avez une bonne compréhension de la formulation et de la modélisation en modèles Recherche Opérationnelle (Programmation Linéaire et Programmation par contraintes).

• Vous avez un intérêt pour la Supply Chain et l’Industrie 5.0, et une familiarité avec les environnements industriels ou les solutions de GMAO.

• Vous avez idéalement des connaissances en simulation, en ML ou en systèmes multi-agents.

DIVERSITE ET INCLUSION : CHEZ NOUS, C’EST PLUS QU’UNE POLITIQUE, C’EST UNE FORCE !

Nous nous engageons à :

Parce que la singularité de chacun est une richesse, nous mettons tout en place pour que chaque collaboratrice et collaborateur puisse s'exprimer et s'épanouir pleinement.