Analyse des résultats :

• Pour le produit P2, nous remarquons que la filiale F2 a livré seulement 4 commandes en retard devant 11 livrées par F1. La différence entre les deux nombres est relativement importante. Ceci montre très bien que la filiale F2 et ses grossistes ont bénéficié de prévisions de ventes et de commandes plus précises puisqu’ils mettent en œuvre le processus CPFR, surtout que la nature des commandes du produit P2 est aléatoire uniforme. Ce type de commandes est relativement difficile à maîtriser, car les acteurs (maison-mère, filiales et grossistes) n’ont pas l’idée du comportement du produit sur le marché. C’est le cas de plusieurs produits de mode dans le domaine du textile et d’habillement.
• Pour le produit P1, la filiale F2 a livré une seule commande en retard devant 4 livrées par F1. La différence n’est pas relativement grande, car les commandes concernant le produit P1 et passées par le client final sont pseudo-cycliques. C’est-à-dire qu’au niveau des acteurs, les variations de ces commandes sont connues. C’est le cas de plusieurs produits de textile et d’habillement dont la demande varie selon les saisons de l’année (tee-shirt pour la saison d’été, Manteau pour la saison d’hiver, etc).

Nous déduisons donc que le processus CPFR mis en place entre la filiale F2 et ses grossistes a réduit considérablement le nombre des commandes livrées en retard. En conséquence, le nombre de rupture en linéaire chez les grossistes sera réduit, ceci se traduira par un bon niveau de service dans l’optique de la fidélisation du client final.

Cette étude de cas qui a pour objectif d’expérimenter les protocoles proposés, nous montre que lorsque le niveau de collaboration augmente, le nombre des commandes livrées en retard diminue. Le niveau de collaboration peut augmenter en choisissant des pratiques et méthodes de collaboration reposant sur le partage des données (comme le CPFR) et en intégrant plusieurs acteurs dans la prise de décision.