Stock de sécurité : comment le calculer sans gonfler inutilement vos stocks ?

Définir le risque à couvrir avant de choisir une formule

Ajouter dix jours de stock à toutes les références rassure, jusqu’au moment où les entrepôts débordent et où certaines pièces manquent encore. Un stock de sécurité sert à absorber l’écart entre les besoins anticipés et ce qui se produit avant de pouvoir être réapprovisionné. Il ne remplace ni la couverture de la demande prévue ni une correction des erreurs de stock.

L’ASCM le rattache aux incertitudes de demande et de prévision. En pratique, nous recommandons de commencer par une fiche article-site : quel service protège-t-on, contre quelles incertitudes et avec quelle réponse possible en cas de rupture ? Une pièce immobilisant une ligne de production, une référence substituable et un produit périssable ne justifient pas le même compromis.

Séparez aussi les causes. Un pic promotionnel connu appartient à la prévision ; une quantité minimum imposée par le fournisseur relève de la politique d’achat ; une palette introuvable relève de la fiabilité du stock physique. Augmenter indistinctement la réserve transforme ces problèmes en immobilisation financière. Les formules qui suivent concernent un article et un point de stockage ; leurs limites deviennent essentielles dans un réseau de plusieurs entrepôts.

Distinguer service par cycle et taux de satisfaction des quantités

Un objectif de service de 95 % reste ambigu tant que son dénominateur est inconnu. Le cycle service level, ou CSL, est la probabilité de traverser un cycle de réapprovisionnement sans rupture. Le fill rate en unités mesure la part des quantités demandées servies immédiatement sur stock. Le premier compte des cycles ; le second pondère par les volumes. Ils ne sont pas interchangeables.

Exemple entièrement fictif : sur vingt cycles, une seule rupture empêche de servir immédiatement vingt unités sur mille demandées. Le CSL observé est de 19 ÷ 20 = 95 %, tandis que le fill rate est de 980 ÷ 1 000 = 98 %. Si cette même rupture concerne deux cents unités, le CSL reste identique et le fill rate tombe à 80 %. La durée du retard reste encore une autre information.

Le coefficient z utilisé dans les formules normales ci-dessous correspond à une probabilité de couverture, pas directement au fill rate. Pour viser un fill rate, il faut évaluer les quantités manquantes avec la politique de commande, notamment sa taille de lot. Distinguez enfin les ventes perdues des commandes conservées en attente : une livraison ultérieure ne transforme pas une demande initialement non servie en disponibilité immédiate.

Calculer sur la position de stock et le bon horizon

La position de stock ajoute au stock utilisable toutes les commandes fournisseurs ouvertes valides, puis retranche les demandes engagées non encore satisfaites. Elle diffère du stock physiquement présent. En revue continue de type (s, Q), une commande de quantité Q se déclenche lorsque cette position atteint le seuil s ; celui-ci couvre la demande pendant le délai L, plus une marge de sécurité. Le MIT formalise ces distinctions dans son cours de gestion des stocks.

Dans votre ERP, précisez si les réservations sont déjà déduites du disponible et si les reliquats sont inclus dans les commandes ouvertes. Une demande engagée ne doit être comptée ni deux fois dans les déductions ni une nouvelle fois dans la prévision des besoins restants. Un lot en quarantaine ou une commande fournisseur annulée ne crée pas de disponibilité utilisable. Une réception tardive reste dans la position agrégée ; la projection datée révèle qu’elle ne protège pas le besoin imminent et évite de commander deux fois le même manque.

Fixez les conventions de temps : jours calendaires ou ouvrés, heure limite de commande, transport et contrôle à réception. Le délai utile court de la décision effectivement transmissible jusqu’à la mise à disposition utilisable. Si le système n’agit que chaque lundi, une actualisation des données chaque minute ne constitue pas une revue continue. L’horizon doit refléter la décision opérationnelle réelle.

Utiliser la formule à délai fixe sous des hypothèses explicites

Notons μd la demande moyenne par période, σd l’écart-type des quantités demandées par période et L le nombre de périodes du délai. Si ces demandes sont indépendantes, de même distribution et stationnaires, leur somme a pour moyenne μd × L et pour variance σd² × L. Avec une demande cumulée approximativement normale, le stock de sécurité est SS = z × σd × √L. Le point de commande est s = μd × L + SS.

Le coefficient z est le quantile de la loi normale centrée réduite correspondant au CSL retenu : environ 1,645 pour 95 %, 1,960 pour 97,5 % et 2,326 pour 99 %. Il ne s’agit pas d’un intervalle de confiance bilatéral. Si σd décrit des quantités journalières, L doit être exprimé dans le même calendrier de jours ; ne mélangez pas un écart-type hebdomadaire et un délai quotidien.

Cette formule suppose des paramètres connus ou correctement estimés, sans tendance ni saisonnalité non traitée. Elle peut servir de référence explicable, pas de garantie universelle. Si les demandes de jours voisins évoluent ensemble, les covariances contribuent à la variance cumulée et la règle en racine carrée ne suffit plus. Une demande par gros lots peut également faire franchir le seuil de commande de plusieurs unités : ce dépassement mérite une simulation.

Exemple chiffré : comparer trois objectifs de service

Tous les nombres de cet exemple sont hypothétiques. Considérons une demande de 40 unités par jour, avec un écart-type journalier de 12 unités, un délai fixe de 9 jours et une revue continue. Supposons les demandes quotidiennes indépendantes, les paramètres connus et l’approximation normale pertinente. La demande attendue pendant le délai vaut 360 unités ; son écart-type vaut 12 × √9 = 36 unités.

Pour un CSL de 95 %, la marge théorique vaut 1,64485 × 36 = 59,21 unités. Le seuil théorique vaut donc 419,21 unités. Pour des articles indivisibles, nous arrondissons le seuil final au supérieur : 420 unités. La marge effectivement embarquée dans ce seuil est alors de 60 unités. Ce seuil déclenche une commande ; il ne signifie pas qu’il faut commander 420 unités ni conserver toujours 420 unités physiques.

Passer de 95 % à 99 % ajoute ici 24 unités au seuil arrondi. À un coût d’achat fictif de 25 € par unité, cela représente 600 € de valeur supplémentaire associée à la marge. Ce montant ne constitue ni le coût annuel de possession ni une économie réalisable garantie : il faut simuler le stock moyen, les ruptures et les effets du lot de commande.

Intégrer la variabilité des délais sans masquer les dépendances

Lorsque L est aléatoire, une moyenne fournisseur ne décrit plus toute l’exposition. Pour un délai exprimé en nombre de périodes, indépendant d’une demande par période indépendante et identiquement distribuée, la variance de la demande cumulée vaut E[L] × σd² + μd² × Var(L). La moyenne vaut μd × E[L]. Une approximation normale donne SS ≈ z × √(E[L] × σd² + μd² × Var(L)). La somme aléatoire n’est toutefois pas automatiquement normale.

Reprenons notre exemple fictif avec un délai moyen de 9 jours et un écart-type de délai de 2 jours. La variance cumulée vaut 9 × 12² + 40² × 2² = 7 696 unités², soit un écart-type de 87,73 unités. Au CSL de 95 %, la marge théorique atteint 144,30 unités et le point de commande arrondi 505 unités, contre 420 lorsque le délai était fixe. L’écart vient ici de l’hypothèse de variabilité ajoutée.

Ce résultat n’autorise pas à supprimer les retards exceptionnels du fichier pour réduire le stock calculé. Vérifiez leur cause et leur pertinence future. Si les délais augmentent justement pendant les pics de demande, l’indépendance est fausse. Conservez alors les relations observées dans des scénarios conjoints. Les livraisons partielles et le dépassement d’une commande ancienne par une commande plus récente exigent aussi de simuler les réceptions dans leur véritable ordre.

En revue périodique, couvrir le délai plus l’intervalle de revue

Dans une politique (R, S), la position de stock est revue tous les R jours et la commande vise une cible S. Pour un délai fixe L, la période de protection couvre R + L. La cible théorique devient S = μd × (R + L) + z × σd × √(R + L), sous les mêmes hypothèses d’indépendance et de normalité approchée. La quantité proposée à la revue est max(0, S − position de stock), avant contraintes de commande.

Toujours dans notre exemple fictif, avec une revue tous les 5 jours et un délai fixe de 9 jours, l’horizon atteint 14 jours. On suppose les demandes non satisfaites conservées en attente et les commandes sans plafond de quantité. La demande attendue vaut 560 unités, l’écart-type 44,90 unités et la marge à 95 % vaut 73,85 unités. La cible S arrondie est donc de 634 unités. Si la position de stock vaut 470 unités, la proposition est de 164 unités, hors minimum de commande et conditionnement.

L’écart de 214 unités entre la cible périodique de 634 et le seuil continu de 420 n’est pas une augmentation de 214 unités du stock de sécurité : il inclut 200 unités de demande attendue pendant les cinq jours de revue supplémentaires. Comparez les deux politiques par simulation, en intégrant les coûts de commande et de transport, plutôt qu’en comparant leurs seuls seuils.

Avec une prévision, mesurer l’erreur à l’horizon de protection

Une demande saisonnière peut varier fortement tout en restant prévisible. Son écart-type brut mélange alors fluctuations anticipées et incertitude résiduelle. Pour une décision utilisant une prévision, construisez l’erreur cumulée de protection : demande réellement constatée sur l’horizon moins prévision de cette même somme, produite à la date de décision. La distribution de ces erreurs renseigne la marge au-delà du besoin prévu.

Ne remplacez pas automatiquement σd par le RMSE à un jour dans une formule en √L. Les erreurs entre horizons peuvent être corrélées, notamment parce qu’elles partagent une estimation de niveau. Les travaux de Prak, Teunter et Syntetos montrent précisément ce problème, même avec une demande initialement indépendante. Mesurer directement les erreurs cumulées sur l’horizon utilisé évite cette simplification, sous réserve d’un historique représentatif.

Définissez le signe de l’erreur : ici, positif signifie sous-prévision. Si sa moyenne est durablement positive, corrigez le biais du modèle ou du processus métier avant d’augmenter indéfiniment la réserve. Pour des erreurs approximativement normales de moyenne b et d’écart-type σe, le quantile vaut b + z × σe. L’expression z × σe seule suppose des erreurs centrées ; le biais ne doit pas être ajouté deux fois à une prévision déjà corrigée.

Remplacer la recette normale lorsqu’elle décrit mal le risque

Pour une demande intermittente, quelques consommations importantes entre de longues périodes nulles rendent une moyenne et un écart-type peu descriptifs. Examinez la distribution de la demande cumulée sur la période de protection. Une cible fondée sur son quantile, ou sur celui de l’erreur de prévision cumulée, peut constituer un point de départ. Elle doit ensuite être évaluée dans la politique réelle : tailles de lots, délais, ventes perdues ou commandes en attente.

Un quantile empirique élevé estimé sur peu de cycles reste fragile. Vingt observations ne permettent pas de caractériser solidement un événement très rare. Affichez le nombre de situations comparables et testez des scénarios de stress distincts de la calibration courante. Si vous rééchantillonnez l’historique, préservez les séquences et les dépendances pertinentes ; tirer tous les jours indépendamment peut effacer les vagues de demande et les retards associés.

Traitez enfin les ventes censurées par les ruptures : zéro vendu ne signifie pas forcément zéro demandé, comme l’illustre la documentation AWS. Reconstituez les reliquats connus et distinguez les pertes de demande seulement estimées. Comparez plusieurs hypothèses de reconstruction. Une cible optimisée sur des ventes artificiellement faibles peut prolonger la rupture qui a produit ces faibles ventes.

Construire un contrat de données qui rend chaque calcul explicable

Le calcul doit pouvoir être reproduit pour une référence, un site et une date. Conservez les paramètres, la version du modèle, la fenêtre historique, les exclusions justifiées, le résultat avant arrondi et la règle d’arrondi. Une modification manuelle doit avoir un auteur, une raison et une date de réexamen. Ces informations rendent possible la distinction entre une recommandation défectueuse et une consigne non appliquée.

La supply chain valide les conventions de demande et de délai ; les achats confirment les contraintes fournisseurs ; la finance définit les coûts ; les équipes data assurent les contrôles et la traçabilité. Un défaut bloquant doit suspendre la nouvelle recommandation et déclencher une décision explicite. Reconduire temporairement le dernier paramètre validé peut être pertinent, mais sa date et son ancienneté doivent rester visibles.

Rejouer les décisions sans apprendre avec le futur

Évaluez plusieurs dates de décision successives : à chaque date, estimez les paramètres avec le passé disponible, calculez la recommandation, puis observez la suite. Cette validation temporelle, décrite par Hyndman et Athanasopoulos, doit respecter l’horizon opérationnel. Gardez une période finale distincte du réglage des paramètres pour ne pas choisir une politique uniquement parce qu’elle explique bien son échantillon de calibration.

Le simulateur doit tenir compte du stock initial, des commandes déjà ouvertes, des réceptions, des demandes et des règles de rupture. Une demande perdue disparaît ; une commande en attente reste à servir. Faites varier le stock initial ou prévoyez une phase de stabilisation pour qu’un entrepôt initialement surchargé ne donne pas artificiellement l’avantage à une politique trop faible. Comparez les politiques avec les mêmes scénarios.

Ne réutilisez pas aveuglément les anciens délais comme s’ils étaient indépendants des nouvelles quantités commandées. Une commande plus grosse peut changer le fournisseur, le transport ou le délai. Présentez ces limites et testez des scénarios plausibles. Le choix final doit montrer une courbe de compromis entre service et stock moyen, avec les coûts d’urgence et les pertes, plutôt qu’un unique score d’erreur de prévision.

Arbitrer les contraintes avant de pousser les paramètres dans l’ERP

Segmentez les cibles selon la conséquence d’une rupture, la substituabilité, la marge, la durée de vie et la possibilité de dépannage. Le classement ABC par valeur ne suffit pas à identifier une pièce critique. Faites valider les exceptions par une personne responsable du risque opérationnel. Un objectif très élevé doit être associé à des scénarios de continuité ; il ne se résume pas à augmenter z.

Appliquez ensuite les minimums de commande, multiples de conditionnement, capacités et dates de péremption. Si un minimum fournisseur représente des mois de consommation, réduire le stock de sécurité changera peu le surstock : négociation, fréquence de livraison ou mutualisation deviennent les vrais leviers. Si une capacité rend la cible impossible, explicitez le service réalisable et l’arbitrage retenu au lieu de plafonner silencieusement le calcul.

Dans un réseau, évitez d’ajouter une réserve indépendante à chaque étage sans examiner les dépendances. Le stock central, les stocks locaux et le transport forment un système : une pièce disponible au centre peut rester trop loin d’un besoin urgent. Une réduction du délai ou de sa variabilité peut libérer davantage de marge qu’une optimisation fine du coefficient de service, mais son effet doit être mesuré avec les données du flux concerné.

Déployer un pilote et suivre des indicateurs aux dénominateurs explicites

Commencez avec un périmètre limité où les équipes peuvent expliquer les mouvements de stock. Reconstituez l’état initial, testez les politiques, puis comparez les recommandations au processus courant avant activation. Passez ensuite à une application contrôlée, avec responsables d’exception et possibilité de revenir aux paramètres précédents. La fréquence de recalcul dépend du rythme des besoins et des changements fournisseurs ; elle ne doit pas dépendre uniquement de la capacité technique à recalculer.

Pour chaque dérive, distinguez données incorrectes, hypothèse devenue fausse, paramètre mal appliqué et événement réellement exceptionnel. Publiez le service et le stock conjointement, par segment et avec la taille d’échantillon. Une moyenne globale peut cacher les ruptures des pièces critiques derrière de gros volumes faciles à servir. Une réduction apparente du stock à un instant donné ne prouve pas une amélioration durable.

• Avant activation : faire signer les définitions du service, les règles de stock et les hypothèses de demande.
• À chaque recalcul : archiver les entrées, expliquer les fortes variations et contrôler la faisabilité des commandes.
• Lors de la revue métier : décider ensemble des cibles, des actions fournisseurs et des corrections de données, au lieu d’ajuster automatiquement toutes les réserves.

Questions fréquentes