DDMRP : différences MRP et approche IA probabiliste

Depuis vingt ans, on présente le DDMRP aux Supply Chain Directors comme le remplacement moderne du material requirements planning (MRP) classique. Les buffers stratégiques remplacent la prévision push, la gestion par exception remplace le replanning massif, le flux remplace les urgences. Tout cela est vrai. Mais ce que la communication autour du DDMRP discute rarement, c'est ce que ses buffers sont vraiment : des règles heuristiques bâties sur un facteur de variabilité et un facteur de délai, pas une mesure de distribution de demande. Cet écart compte quand votre portefeuille est creux, votre demande bruitée, ou que le taux de service doit être tenu à la référence.

En résumé : le DDMRP voit juste sur le problème du MRP. Il reste incomplet sur la réponse.

Ce guide s'adresse aux S&OP managers et aux planificateurs qui évaluent le DDMRP face à ses alternatives. Il revient sur ce qu'est le DDMRP, ce qui change par rapport au MRP, où la méthodologie s'arrête, et ce qu'une approche probabiliste apporte, avec ou sans remplacement des systèmes existants.

Pourquoi le DDMRP a émergé après les limites du MRP

Le DDMRP a été publié en 2011 par Carol Ptak et Chad Smith, les auteurs du courant Demand Driven (fondateurs du Demand Driven Institute). Il n'a pas surgi dans le vide. C'est une réponse directe aux faiblesses structurelles du MRP classique, qui sert de colonne vertébrale à la Production Planning depuis les années 1970.

Le MRP classique part d'une prévision et avance. Le système éclate un plan directeur de production à travers chaque niveau des nomenclatures (BOM). Il nette les besoins contre les stocks disponibles et recommande des ordres d'achat ou de production pour couvrir le manque projeté. La logique est rigoureuse, mais le terrain connaît deux modes de défaillance :

Le DDMRP garde la structure de la planification matière mais la découple. Au lieu de faire tourner une seule cascade pilotée par la prévision, il place des buffers stratégiques à des points choisis du réseau : références à long délai, composants communs, produits finis exposés à une demande volatile. Le réapprovisionnement est tiré depuis ces buffers, pas poussé par le plan directeur. Le modèle devient réactif à la consommation réelle tout en protégeant les opérations amont du bruit court terme.

Les 5 piliers du DDMRP

Le Demand Driven Material Requirements Planning s'organise autour de cinq piliers, définis par le Demand Driven Institute.

Le premier est le positionnement stratégique des buffers. On ne place pas des stocks tampons partout : ils s'installent aux points de découplage choisis pour leur effet de levier sur les délais, la tolérance client et la complexité des nomenclatures.

Le deuxième est le dimensionnement et profilage des buffers. Chaque buffer est calibré en trois zones (vert, jaune, rouge) à partir de la consommation moyenne journalière, du délai et d'un facteur de variabilité. Ce facteur est une hypothèse de niveau catégorie, pas une mesure à la référence.

Le troisième est l'ajustement dynamique. Les buffers évoluent avec les événements planifiés : saisonnalité, promotions, lancements de nouveaux produits. Le système recalcule les zones vert, jaune et rouge à une cadence définie.

Le quatrième est la planification axée sur la demande, exécutée par la Net Flow Equation :

Net Flow = Stock disponible + En commande - Demande qualifiée

Quand le Net Flow tombe dans la zone jaune, le système signale un ordre de réapprovisionnement. Quand il tombe en rouge, l'ordre est priorisé.

Le cinquième est l'exécution visuelle et collaborative. Les buffers sont affichés visuellement aux opérations, le plus souvent sur des tableaux de bord en code couleur, pour que les planificateurs agissent sur les exceptions plutôt que de courir derrière chaque ordre.

Ces cinq piliers font passer la planification du « faire selon la prévision » au « faire selon la consommation réelle, protégée par buffers ».

‍

‍

DDMRP vs MRP : ce qui change vraiment

Comparer le DDMRP et le MRP au niveau méthodologique est trivial. Les comparer au niveau du planificateur est plus utile.

Sous MRP

Dans un environnement MRP, le plan directeur fait foi. Chaque recommandation de réapprovisionnement découle de la prévision poussée à travers les nomenclatures. Quand la prévision bouge, les recommandations bougent avec elle. Le planificateur dispose d'un plan complet, mais fragile. Chaque ajustement génère une nouvelle vague d'ordres, y compris dans les périodes gelées. Il passe une part non négligeable de sa semaine à négocier avec le système pour qu'il arrête de réagir.

Sous DDMRP

Dans un environnement DDMRP, le plan directeur existe toujours, mais ce n'est plus le levier quotidien. La Net Flow Equation l'est. Les décisions de réapprovisionnement se prennent à chaque référence bufferisée à partir de la consommation réelle, de la demande qualifiée et de l'en-cours. La journée du planificateur devient pilotée par exception : il traite les références qui ont basculé en jaune ou rouge, et laisse le reste tranquille. Les délais sont découplés à travers le réseau : un retard à une étape ne se répercute plus automatiquement sur chaque ordre aval.

Ce changement entraîne deux conséquences concrètes. Les niveaux de service sur les références bufferisées deviennent plus stables, parce que les buffers dynamiques absorbent le bruit court terme que le MRP aurait propagé. Le besoin en fonds de roulement (BFR) tend à baisser sur les références où l'ancien setup MRP sur-protégeait via des marges de sécurité. Il peut au contraire grimper là où les buffers sont sur-dimensionnés aux points de découplage. Le résultat net dépend largement de la façon dont les buffers ont été positionnés et dimensionnés, et c'est plus difficile qu'il n'y paraît.

Là où le DDMRP voit juste, et là où il s'arrête

Le DDMRP voit juste sur trois points, et ils comptent.

Là où le DDMRP s'arrête, c'est sur la quantification de l'incertitude. Le facteur de variabilité au cœur du dimensionnement des buffers est une règle heuristique de niveau catégorie, pas une mesure du comportement réel de la demande à la référence. Le facteur de délai est tout aussi heuristique. La critique du DDMRP par Lokad, la plus rigoureuse publiquement, le formule sans détour. La méthode propose des recettes numériques sans le formalisme qu'une approche probabiliste exigerait. Ses hypothèses de dimensionnement peuvent se tromper de beaucoup sur les références (SKU) peu fréquentes ou erratiques.

L'écart n'est pas théorique. Il se manifeste sur les SKU les plus exposés : les références à longue traîne où les buffers heuristiques sur-protègent (capital immobilisé en stock) ou sous-protègent (ruptures sur des articles qui comptaient pour le client). Notre webinar sur le réapprovisionnement des matières premières au-delà du MRP traditionnel détaille comment cela se joue sur le terrain.

Buffers heuristiques vs prévision probabiliste : le vrai débat

Le débat intéressant en 2026 n'est pas DDMRP vs MRP. Les deux sont des méthodologies heuristiques construites avant que l'infrastructure de données nécessaire pour faire mieux ne soit largement accessible. Le débat est buffers heuristiques contre prévision probabiliste.

Comment fonctionne un buffer heuristique

Un buffer heuristique pose la question :

étant donné une demande moyenne de X par jour et un délai de Y jours, avec un facteur de variabilité de Z %, quel stock dois-je tenir ?

Il renvoie un nombre. Le nombre est défendable, mais il est aveugle à la forme de la demande. Deux SKU avec la même moyenne peuvent avoir des profils de risque radicalement différents. L'heuristique ne le voit pas.

Comment fonctionne une approche probabiliste

Une approche probabiliste pose une autre question :

compte tenu de tout ce que l'on sait d'une référence (historique, saisonnalité, variabilité des délais, comportement fournisseur), quelle est la distribution complète de demande possible sur le délai d'approvisionnement ?

À partir de cette distribution, on dérive le stock qui couvre votre taux de service cible pour cette référence précise.

Même taux de service, moins de stock

La conséquence pratique n'est pas subtile. Au même taux de service cible, la prévision probabiliste dimensionne moins de stock là où la référence est régulière, et plus de stock là où elle est volatile. Une heuristique fait la moyenne des deux et sur- ou sous-protège chaque côté. C'est pour cela que les équipes qui font tourner un algorithme probabiliste au-dessus de leurs systèmes existants voient le stock baisser et le taux de service monter en même temps. Il n'y a pas d'arbitrage entre les deux.

Les clients de Flowlity réduisent typiquement leurs stocks jusqu'à 40 % avec cette approche. La fourchette dépend du profil portefeuille et du point de départ, mais le mécanisme est le même : remplacer des règles de catégorie par des distributions à la référence.

‍

‍

Une alternative pragmatique : la surcouche probabiliste sur vos systèmes existants

Le DDMRP est une transformation. Mené correctement, il exige le repositionnement des buffers sur le réseau, la refonte des workflows planificateurs, la formation des équipes, et souvent le remplacement ou la reconfiguration substantielle des couches enterprise resource planning (ERP) et Production Planning. Le Demand Driven Institute certifie les praticiens sur plusieurs jours de programme. Les implémentations qui réussissent sont réelles, mais elles ne sont pas légères.

Il existe une voie plus pragmatique. C'est le territoire des Advanced Planning Systems (APS) modernes, la couche qui se pose au-dessus de l'ERP, du MRP ou du DDMRP, et qui prend en charge la logique de planification de bout en bout. Le marché se sépare en deux : les APS legacy bâtis avant que l'IA ne soit largement utilisable (Kinaxis, o9, Blue Yonder, Slim4), et les APS AI-native bâtis directement sur une logique probabiliste (Lokad, Flowlity).

Au lieu de restructurer le modèle de planification, on ajoute une surcouche probabiliste au-dessus des systèmes existants. L'algorithme de prévision produit toujours un plan directeur. L'ERP gère toujours les transactions. Le MRP tourne toujours. Une couche probabiliste de prévision de demande et de stock recalcule le stock de sécurité et les recommandations de réapprovisionnement à la référence, à partir de la distribution réelle de la demande. Le planificateur travaille toujours dans la même interface, juste avec des recommandations plus précises.

Flowlity est une plateforme de planification Supply Chain construite nativement sur l'IA, autour d'une conviction : plus de 95 % du travail d'un planificateur peut et doit être automatisé. L'algorithme produit une prévision probabiliste à la référence, dimensionne dynamiquement les stocks tampons sur la plage d'incertitude, et automatise les décisions de réapprovisionnement routinières. Les planificateurs ne traitent que les exceptions qui nécessitent un arbitrage humain, dans une interface intuitive pensée pour être prise en main directement par les équipes Supply Chain sans formation préalable.

Magotteaux, fournisseur industriel des secteurs ciment et minier, a ajouté une couche probabiliste sur ses systèmes de planification existants plutôt que d'effectuer une transition vers le DDMRP. Les équipes ont réduit leurs stocks de 13 %, leur couverture de 22 % et leurs ruptures de 8 %, sans modifier les systèmes en dessous.

Dans l'agroalimentaire, Danone a digitalisé son réapprovisionnement matières premières et emballages de la même manière : automatisation ajoutée par-dessus la stack de planification existante, plutôt qu'une refonte des systèmes sous-jacents.

‍

‍

Choisir son approche : DDMRP, MRP ou IA probabiliste

Le choix n'est pas « quelle méthodologie gagne ». C'est quelle configuration colle à votre portefeuille, à la maturité de vos équipes et à vos délais.

Le MRP seul, sans buffers ni logique probabiliste, fonctionne dans les environnements stables, à faible diversité et à faible volatilité, où la prévision est suffisamment fiable pour que la nervosité ne pose pas problème. Ce périmètre est devenu plus étroit qu'il y a vingt ans, mais il existe.

Le DDMRP s'adresse aux industriels avec des nomenclatures profondes, des délais longs et une organisation prête à investir dans un changement méthodologique. Il donne le meilleur de lui-même dans les usines de procédé et chez les industriels discrets avec une demande catégorielle stable, là où les hypothèses heuristiques de dimensionnement tiennent bien.

Une approche probabiliste, qu'elle soit en surcouche ou en remplacement, convient aux équipes qui veulent agir sur le risque à la référence plutôt que sur des règles de catégorie. Elle est particulièrement adaptée quand l'équipe vise un déploiement rapide et que le portefeuille comporte des SKU à longue traîne sur lesquels les buffers heuristiques se trompent. Sur les réseaux multi-étages, l'optimisation multi-échelon des stocks coordonne les buffers à travers les niveaux. Un logiciel d'optimisation des stocks piloté par IA s'inscrit dans cette voie.

Lire le DDMRP comme un planificateur devrait

Le DDMRP est un bon diagnostic. Il vise le bon problème (le push piloté par la prévision génère nervosité et sur-protection) et propose une réponse structurée (découpler, bufferiser, gérer par exception). Cela mérite reconnaissance.

Ce que le DDMRP ne fait pas, et que la communication marketing autour de lui zappe le plus souvent, c'est quantifier l'incertitude que ses buffers absorbent. Le facteur de variabilité est une hypothèse de niveau catégorie. Le facteur de délai est similaire. Ce sont des heuristiques défendables, mais ce sont des heuristiques, et c'est la partie la plus exposée quand le portefeuille est creux ou la demande erratique.

Pour les équipes de planification, la question productive n'est pas « faut-il passer du MRP au DDMRP ». C'est de savoir si vos buffers doivent être dimensionnés par règles de catégorie ou par distributions à la référence, et si vous voulez un changement méthodologique sur plusieurs années ou une surcouche probabiliste que vous pouvez déployer maintenant. Les deux voies ont servi des clients. La surcouche probabiliste tend à être plus légère, plus rapide à valeur, et plus simple à concilier avec les investissements ERP et MRP que les équipes utilisent déjà.

Prêt à voir comment Flowlity remplace les règles de catégorie par des buffers probabilistes à la référence ? Demander une démo.