GPAO intelligente sur Dolibarr pour une PMI métallurgie de 120 personnes
Comment une PMI métallurgie a remplacé un projet SAP par une GPAO sur mesure Dolibarr — pilotage des ordres de fabrication en temps réel, -40% de ruptures matières, ROI en 14 mois.
ROI atteint en 14 mois (vs 5 ans pour le SAP envisagé)
-40 % de ruptures matières en 6 mois
Pilotage temps réel de 240 ordres de fabrication/mois
Le contexte
Une PMI de la métallurgie, 120 collaborateurs, deux sites de production en France. L'entreprise utilisait un mix Excel + logiciel comptable + accès à un Dolibarr historique pour le commercial. Aucune GPAO réelle.
Un projet de bascule vers SAP Business One avait été chiffré sur 18 mois, avec 6 mois de paramétrage et un risque de rupture sur les opérations.
La direction a sollicité Naocube pour évaluer une alternative Dolibarr. Audit en 2 semaines, devis en 3 semaines, projet lancé un mois plus tard.
La solution Naocube
Pack GPAO sur mesure NaoFactory sur Dolibarr, structuré en 4 modules complémentaires :
Module 1 — Nomenclatures avancées
Gestion des BOM multi-niveaux avec :
- Variantes (matière, dimension, finition)
- Gammes opératoires associées (séquence d'opérations, postes, temps standards)
- Calcul automatique du coût de revient (matière + main-d'œuvre + machine + sous-traitance)
- Versioning des nomenclatures avec date de validité
- Comparaison de versions et impact sur le stock
Module 2 — Ordres de fabrication
Génération d'OF :
- Depuis une commande client (production sur commande)
- Depuis un seuil de réapprovisionnement (production sur stock)
- Depuis un plan directeur de production manuel
Chaque OF gère :
- Sortie automatique des composants matière
- Réservation capacité atelier
- Suivi avancement par opération
- Déclaration de production (quantité bonne, rebuts, temps réel)
- Calcul du coût de revient réel vs standard
- Génération automatique du bon de réception en stock produit fini
Module 3 — Planning charge / capacité
Diagramme de Gantt drag-and-drop par poste de charge :
- Visualisation hebdomadaire/mensuelle
- Détection automatique des goulots
- Optimisation par algorithme de jobshop scheduling (heuristique)
- Replanification rapide en cas d'urgence client
- Communication automatique des plannings aux équipes atelier
Module 4 — Suivi atelier mobile
Application tablette pour les opérateurs :
- Pointage opération démarrée / terminée
- Saisie des quantités produites et rebuts
- Photo de la pièce ou du défaut
- Signalement de non-conformité avec workflow qualité
- Lecture de QR code pour identification rapide des OF
Stack technique
- Modules Dolibarr PHP custom (15 000 lignes de code)
- Backend planning : algorithme Python + API REST
- App tablette : PWA Vue 3 hors ligne
- Base PostgreSQL pour la logique GPAO complexe
- Hébergement double : prod cloud France + DR site secondaire
Le déploiement
- Phase 1 (mois 1-2) : Audit + cadrage + spec technique
- Phase 2 (mois 3-6) : Build modules + recette pré-prod
- Phase 3 (mois 7-8) : Reprise des données existantes (BOM Excel + historique)
- Phase 4 (mois 9-10) : Pilote site 1 + ajustements
- Phase 5 (mois 11-12) : Déploiement site 2 + formation complète
Coût : significativement inférieur au projet SAP envisagé, pour un périmètre fonctionnel équivalent voire supérieur sur les besoins métiers spécifiques.
Les résultats à 18 mois
- ROI atteint en 14 mois (économies opérationnelles + réduction des stocks dormants)
- -40 % de ruptures matières en 6 mois grâce à la planification réelle
- 240 ordres de fabrication/mois pilotés en temps réel (vs Excel auparavant)
- +12 % de productivité atelier mesurée par DG
- Stocks dormants réduits significativement après 9 mois (rotation accélérée)
- Délais de livraison clients : -25 % en moyenne
« On nous avait dit qu'une GPAO open source dans une vraie usine, c'était impossible. On l'a fait, et on n'imagine plus revenir en arrière. » — Directeur industriel du client
Et la suite
Phase 2 lancée en mai 2026 : intégration d'IA pour la prévision des besoins matière (modèle Prophet entraîné sur 5 ans d'historique) et la maintenance prédictive des machines (pipeline de capteurs IoT → Dolibarr).