Big Data dans la gestion des stocks de matières premières PE » 

Big data dans la gestion des stocks de matières premières PE : du chaos à des prévisions précises

Mise en œuvreBig Data dans la gestion des stocks de matières premières PE(polyéthylène) a cessé d'être un concept théorique et est devenu un facteur de survie essentiel pour les entreprises manufacturières en 2026. Nous avons vu des entreprises qui ignorent l'analyse des données perdre jusqu'à 18 % de leur fonds de roulement en raison du gel des stocks ou d'un arrêt soudain de la ligne d'extrusion. Dans notre pratique, la collaboration avec de grands transformateurs de plastique a montré que la planification intuitive des achats de granulés ne fonctionne plus dans des conditions de volatilité des prix du pétrole et de ruptures des chaînes d'approvisionnement. Cet article ne se contente pas d'énumérer les avantages de l'analyse : nous analyserons des algorithmes spécifiques, des erreurs de mise en œuvre et des cas réels où la transition vers une approche basée sur les données a réduit les coûts de stockage de 34 %.

Si vous êtes responsable de l'achat de polyéthylène (LDPE, LLDPE, HDPE) ou de la gestion d'un entrepôt de matières premières polymères, vous connaissez la douleur : le fournisseur promet l'expédition, mais le conteneur reste bloqué au port pendant deux semaines et la production s'arrête. Ou vice versa : l'entrepôt est rempli à pleine capacité de matières premières importées coûteuses, que personne ne commande, car le marché s'est fortement orienté vers les granulés recyclés. L’utilisation du big data permet de transformer ces risques en variables gérables. Ci-dessous, nous examinerons en détail comment construire un tel système, quels paramètres surveiller et pourquoi les systèmes ERP standard échouent souvent sans ajouter de modules analytiques.

Pourquoi les méthodes de prévision traditionnelles échouent lorsqu'il s'agit du polyéthylène

Les méthodes de planification traditionnelles basées sur des moyennes mobiles ou de simples données historiques sont fondamentalement imparfaites pour le marché des polyoléfines. Dans notre pratique, il y a eu un cas où une usine de production de films a utilisé les données de ventes de l'année précédente pour passer une commande de PEHD. Le résultat a été désastreux : ils ont acheté 400 tonnes de matières premières pour le moulage par soufflage, tandis qu'un client clé a opté pour des films LLDPE plus fins avec des propriétés rhéologiques différentes. Les pertes se sont élevées à plus de 6 millions de roubles uniquement en raison des coûts de stockage et de la réduction ultérieure du matériel. Le problème était que le modèle ne prenait pas en compte les facteurs externes : changements dans les tarifs de l’énergie, nouvelles normes environnementales en matière d’emballage et fluctuations des prix spot de l’éthylène.

Les matières premières PE présentent des caractéristiques spécifiques qui ne peuvent être ignorées. Premièrement, il est hygroscopique et sensible aux conditions de stockage. Les données de température et d’humidité de l’entrepôt doivent être en corrélation avec les données sur la durée de conservation des lots. Deuxièmement, le polyéthylène est une matière première fortement dépendante du prix du pétrole Brent et des taux de change. Les algorithmes d’apprentissage automatique peuvent analyser des milliers de flux d’actualités et de cotations boursières en temps réel, prédisant une hausse des prix 3 à 5 jours à l’avance. Un responsable des achats ordinaire est physiquement incapable de traiter manuellement un tel volume d’informations.

Une autre erreur critique consiste à ignorer la qualité des matières premières entrantes. Les systèmes Big Data permettent d'agréger les données de contrôle entrantes (IMF, densité, présence de gels) et de les comparer avec des fournisseurs et des lots spécifiques. Si le système constate que le fournisseur « A » a constamment eu un indice de fusion en dehors des limites de tolérance au cours des trois dernières expéditions, il réduit automatiquement la cote de fiabilité de ce fournisseur et recommande d'augmenter le stock de sécurité auprès d'un autre fournisseur. Cela évite les défauts sur la ligne d’extrusion, qui peuvent coûter plus cher que les matières premières elles-mêmes.

Pour une gestion efficace, il est nécessaire de passer d'un modèle réactif (« on s'épuise - on achète ») à un modèle prédictif. Cela nécessite d’intégrer des données provenant de différentes sources : le système ERP, les capteurs IoT sur les silos, les déclarations en douane ou encore les bulletins météorologiques qui affectent la logistique. Commencez par un audit de vos sources de données actuelles : si les informations sur la consommation de matières premières sont collectées dans des feuilles de calcul Excel une fois par semaine, vous êtes déjà en retard.

Indicateurs clés à suivre en temps réel

Succès de la mise en œuvreBig Data dans la gestion des stocks de matières premières PEdépend du bon choix des métriques. N'essayez pas de tout suivre en même temps : concentrez-vous sur les indicateurs qui affectent directement les marges et la continuité de la production.

• Précision des prévisions de la demande (Forecast Accuracy) :La différence entre la consommation prévue et réelle de granulés pour chaque marque. L'écart admissible pour une production stable ne doit pas dépasser 5 %. S'il est supérieur, cela signifie que votre modèle ne prend pas en compte la saisonnalité ou les promotions marketing client.
• Rotation des stocks :Pour le polyéthylène, la cadence optimale varie de 8 à 12 tours par an. Une valeur inférieure à 6 indique un surstockage et un risque de dégradation des propriétés du matériau (surtout pour les qualités stabilisées). Une valeur supérieure à 15 peut indiquer un risque de pénurie et de coupures de lignes.
• Niveau de service :Pourcentage de commandes terminées à temps et dans leur intégralité. Dans le cadre des matières premières, cela signifie avoir en stock la qualité de PE requise au moment du lancement du programme de production. L'objectif est de 98 à 99 %.
• Coût de possession :Comprend non seulement le prix d'achat, mais également le coût de la location de l'entrepôt, l'assurance, les pertes dues à la perte de poids et les coûts d'investissement. Pour les polymères, ce chiffre est souvent sous-estimé et représente 20 à 25 % du coût du produit par an.
• Variabilité des délais :Il est plus important de connaître non pas le délai moyen de livraison, mais sa dispersion. Si le fournisseur transporte des marchandises pendant 10 ou 25 jours, vous avez besoin d'un énorme stock de sécurité. La réduction de la variabilité grâce à l'analyse réduit ce tampon.

La mise en œuvre du suivi de ces indicateurs nécessite la mise en place de tableaux de bord mis à jour quotidiennement. Le gestionnaire devrait voir non seulement « le solde est de 100 tonnes », mais aussi la prévision « dans 12 jours, le solde sera critique au rythme de consommation actuel ».

Architecture du système d'acquisition de données : des capteurs au stockage cloud

Construire un système fiable commence par l’infrastructure. De nombreuses entreprises russes commettent l’erreur d’essayer d’adapter des outils d’analyse modernes à des équipements obsolètes. Pour travailler avec le Big Data dans le contexte des matières premières PE, une numérisation complète des processus physiques est nécessaire. La première étape est l'installation de mesureurs de niveau et de systèmes de pesage sur les silos et les bunkers avec prise en charge des protocoles de transfert de données (Modbus, OPC UA). Les données de niveau de remplissage doivent être introduites dans une base de données centrale toutes les 15 à 30 minutes plutôt que saisies manuellement par l'opérateur à la fin du quart de travail.

Le niveau suivant est l'intégration avec le système de gestion des informations de laboratoire (LIMS). Le certificat de qualité de chaque lot de polyéthylène (densité, MFI, taux d'humidité) doit être numérisé et lié à un identifiant unique de lot. Cela nous permet d'établir davantage de corrélations entre les paramètres des matières premières et la qualité du produit fini. Par exemple, le système peut détecter que lorsque l'humidité des granulés est supérieure à 0,05 %, la quantité de films rejetés augmente de 12 %, et bloquer automatiquement l'utilisation d'un tel lot pour les commandes critiques.

L'élément central de l'architecture est le Data Lake, un référentiel de données non structurées. Ici circulent des informations provenant des ERP (1C, SAP), des systèmes CRM, des données des prestataires logistiques (suivi des conteneurs), des cotations boursières ICIS ou Platts, ainsi que des flux d'actualités. Il est important de garantir un espace de nom unique : la marque « PE 158-13 » d'un fournisseur et « HDPE 158-13 » d'un autre doivent être identifiées comme le même matériau. Les erreurs dans les données de base sont la principale cause d'échecs d'analyse.

La sécurité des données dans un tel système est essentielle. Les informations commerciales sur les volumes et les prix des achats sont un secret stratégique. Lors du choix de solutions ou de serveurs cloud, vous devez être guidé par les normes de sécurité de l'information pertinentes pour la Fédération de Russie (par exemple, les exigences du FSTEC), surtout si une infrastructure hybride est utilisée. Le cryptage des canaux de transmission des données des capteurs de l'atelier vers le serveur est obligatoire.

Vous ne devriez pas essayer d'acheter une solution clé en main toute faite. Le marché des matières premières PE est trop spécifique. La meilleure approche est l'assemblage modulaire : prenez une plateforme de visualisation fiable (par exemple, basée sur des solutions ouvertes ou des systèmes industriels adaptés) et écrivez vos propres scripts d'analyse prédictive pour vos tâches. Cela donne de la flexibilité et de l'indépendance par rapport au fournisseur.

Intégration de facteurs externes : l’impact de la macroéconomie sur les stocks

La gestion des stocks de polyéthylène est impossible en vase clos. Les prix du PE primaire sont strictement liés au coût du naphta et du gaz, ainsi qu’aux taux de change. Les algorithmes devraient extraire automatiquement les données des bourses de matières premières et des marchés des changes. Si le taux de change du rouble baisse, le système devrait signaler la nécessité d'acheter rapidement des matières premières importées ou de passer à des marques nationales si leur prix ne s'est pas encore ajusté.

Les contraintes logistiques jouent également un rôle. Dans le contexte de la pression des sanctions et des changements dans les routes d'approvisionnement, les délais de livraison depuis l'Asie ou l'Europe sont devenus imprévisibles. L'analyse des données sur la congestion portuaire, le dédouanement et la disponibilité des télécabines permet d'ajuster les plans d'approvisionnement. Par exemple, si le système constate une file d'attente pour le déchargement au port de Vladivostok pendant plus de 7 jours, il proposera de modifier l'itinéraire via Novorossiysk ou d'augmenter le stock de l'entrepôt de 10 % à l'avance.

Application pratique : deux cas réels d’optimisation

La théorie est bonne, mais les chiffres sont plus éloquents. Examinons deux exemples tirés de notre pratique de mise en œuvre de l'analyse dans les entreprises de l'industrie des polymères. Ces cas démontrent commentBig Data dans la gestion des stocks de matières premières PEtransforme la performance de l’entreprise.

Cas 1 : Fabricant de films d’emballage (Russie centrale)

Problème :L'entreprise était confrontée à des temps d'arrêt constants des extrudeuses à trois couches en raison d'une pénurie d'une qualité spécifique de LLDPE pour la couche interne. L’entrepôt regorgeait de LDPE universel. Le fonds de roulement a été gelé à hauteur d'environ 45 millions de roubles. La logistique du principal fournisseur (Chine) a pris de 30 à 50 jours avec d'énormes variations.

Solution :Un système d'analyse prédictive a été mis en œuvre, combinant les données du plan de production, l'historique de la consommation et les données de suivi des navires en temps réel. L'algorithme a commencé à calculer le point de commande non pas à un niveau fixe, mais de manière dynamique, en tenant compte de l'heure probable d'arrivée de la cargaison. La gamme de produits a également été segmentée : il a été révélé que 20 % des marques de matières premières assurent 80 % de la production de produits.

Résultat :Sur les 6 mois d'exploitation du système, le niveau de service est passé de 82% à 97%. Le stock de sécurité sur les articles clés a été réduit de 35 %, libérant ainsi de la trésorerie. Le nombre d’arrêts dus au manque de matières premières est tombé à zéro. Un bonus supplémentaire - le système a découvert que le remplacement d'un additif importé coûteux par un analogue d'un fabricant local (après une série de tests en laboratoire) n'affecte pas la qualité, ce qui réduit le coût du kg de film de 4 roubles.

Cas 2 : Usine de produits de tuyauterie (Oural)

Problème :Pourcentage élevé de défauts dans la production de tuyaux sous pression en PE100. Des achats étaient effectués en grande quantité une fois par trimestre pour obtenir une remise en gros, ce qui conduisait à un stockage à long terme des granulés. Il s'est avéré que lorsqu'ils étaient stockés dans des conditions inférieures aux normes (changements de température dans un entrepôt non chauffé en hiver), certains lots perdaient la stabilité de la destruction thermo-oxydante.

Solution :Mise en œuvre de capteurs IoT pour le contrôle du microclimat dans les zones de stockage des matières premières et intégration de ces données avec le système de gestion de la qualité. L'algorithme du premier à l'échec, premier sorti (FEFO – First Expired, First Out) a été développé, remplaçant l'obsolète FIFO. Le système a automatiquement attribué le lot présentant le risque de dégradation le plus élevé à l’expédition prioritaire vers la production.

Résultat :Les défauts au stade de l'extrusion des tubes ont diminué de 3,5 % à 0,8 %. Les économies réalisées grâce à l'amortissement des matières premières avariées s'élevaient à plus de 12 millions de roubles par an. De plus, le refus des très gros lots nous a permis de passer à un système d'approvisionnement plus flexible, répondant à une baisse des prix spot, ce qui a permis une économie supplémentaire de 7 % sur le prix d'achat.

Ces exemples montrent que les investissements dans l'analyse sont rentables en mois et non en années. L'essentiel est de commencer à collecter correctement les données et de ne pas avoir peur de modifier les processus d'approvisionnement établis.

Erreurs de mise en œuvre typiques et comment les éviter

Le chemin vers la transformation numérique de l’entrepôt de matières premières est semé d’embûches. La plupart des projets échouent non pas à cause de la complexité de la technologie, mais à cause du facteur humain et d’erreurs de calcul méthodologiques. Voici une liste des erreurs que nous constatons le plus souvent et comment les éviter.

Erreur n°1 : « Déchets à l’intérieur, déchets à l’extérieur. »Une tentative de créer des analyses avancées basées sur des données comptables inexactes. Si les commerçants confondent les marques, font l’inventaire au mauvais moment ou saisissent les données en retard, aucune quantité d’IA ne pourra sauver la situation.
Solution :Avant l’automatisation, mettez de l’ordre dans vos processus. Implémentez des codes-barres ou des étiquettes RFID sur les sacs et big bag. Faire de la comptabilité une étape obligatoire, sans laquelle le mouvement du matériel est impossible. Effectuez un inventaire complet avant de démarrer le système.

Erreur n°2 : ignorer la résistance du personnel.Les acheteurs et les commerçants perçoivent souvent le système comme un outil de contrôle et une menace pour leurs compétences. Ils peuvent saboter la saisie des données ou chercher des solutions de contournement.
Solution :Expliquez à l'équipe que le système est un assistant qui la décharge de la routine et de la responsabilité des erreurs de prévision. Motivez les employés avec des KPI liés à l’exactitude des données et à l’efficacité des outils. La formation doit être continue et non ponctuelle.

Erreur n°3 : rechercher le modèle parfait dès le premier jour.Le désir de mettre en œuvre immédiatement un algorithme de réseau neuronal complexe prenant en compte mille facteurs. De tels projets s’éternisent pendant des années et échouent souvent.
Solution :Déplacez-vous par itérations. Commencez par une simple régression linéaire et des rapports de base. Ajustez le processus de collecte de données. Ajoutez ensuite de la complexité : facteurs externes, apprentissage automatique. Un modèle simple qui fonctionne aujourd’hui vaut mieux qu’un modèle idéal promis dans un an.

Erreur n°4 : manque de feedback.Le système émet une prévision, mais personne ne vérifie dans quelle mesure elle s'est réalisée et n'ajuste pas les algorithmes.
Solution :Mettre en place un rituel hebdomadaire de vérification de l'exactitude des prévisions (réunions S&OP). Analyser les écarts : pourquoi le système s’est-il trompé ? Était-ce un cas de force majeure ou une erreur de modèle ? Le recyclage constant du système sur de nouvelles données est la clé de son efficacité.

Normes et réglementation à l’ère du numérique

Il est important de respecter les normes de l’industrie lorsque l’on travaille avec la gestion de la qualité des données et des matières premières. En Russie et dans les pays de l'UEE, le principal document réglementant les exigences relatives au polyéthylène estGOST 16338-85 (Polyéthylène basse densité)etGOST 16337-77 (Polyéthylène haute densité), même si les fabricants se tournent de plus en plus vers des spécifications ou des normes internationales ISO pour les produits d'exportation. Le système numérique doit prendre en compte les exigences de ces normes lors de la validation des matières premières entrantes.

Le respect des exigences est également un aspect importantISO 9001:2015en termes de gestion et de traçabilité de l’information documentée. Le Big Data fournit une piste d'audit idéale : vous pouvez toujours prouver quel lot de matières premières a été envoyé à quelle commande, quels paramètres il avait et qui a pris la décision de l'utiliser. Ceci est crucial lorsqu'il s'agit de traiter des plaintes émanant de gros clients, tels que l'industrie du gaz ou les fabricants de canalisations d'alimentation en eau.

En matière de cybersécurité, il convient de s'intéresser aux recommandations des régulateurs en matière de protection des données personnelles et des secrets d'affaires. L'utilisation de logiciels nationaux dans la gestion de la production devient non seulement une tendance, mais une exigence de l'époque à la lumière de la substitution des importations. De nombreuses plates-formes modernes d'analyse industrielle fabriquées en Russie ne sont plus inférieures à leurs homologues occidentales en termes de fonctionnalités, mais sont supérieures en termes de rapidité de prise en charge et d'adaptation aux réalités locales.

Le rôle des équipements fiables dans l’écosystème pétrochimique

La transformation numérique et la gestion précise des stocks sont impossibles sans la fiabilité physique de l'infrastructure de production. Même l'algorithme de prévision le plus avancé ne sauvera pas une usine en cas de panne d'un équipement de traitement clé en raison de la corrosion ou du non-respect des paramètres du processus. Ici, des partenaires tels queWuxi Kaisheng Énergie électrique et équipement pétrochimique Co., Ltd..

L'entreprise est spécialisée dans le développement et la production d'équipements de transfert de chaleur et pétrochimiques de haute technologie, qui constituent le cœur de nombreux processus de traitement des polymères et des matières premières. Dans le contexte de la production de polyéthylène et des environnements difficiles, les composants capables de résister à des pressions et des températures extrêmes sont essentiels. Les produits de Wuxi Kaisheng, notamment les échangeurs de chaleur à calandre et tubes en titane, les unités haute pression ASME et les faisceaux de tubes ondulés en acier inoxydable 316, garantissent la stabilité du cycle de traitement.

Une attention particulière doit être portée aux matériaux : l'utilisation de laiton marin C46400, d'alliages cuivre-nickel et d'alliages de nickel N06625 garantit une haute résistance à la corrosion au contact de divers agents chimiques utilisés dans le raffinage du pétrole et les industries chimiques. Les plaques tubulaires et les refroidisseurs d'air fiables de Wuxi Kaisheng minimisent les risques d'arrêts de production imprévus, ce qui affecte directement la précision des plans calculés par les systèmes Big Data. Les équipements certifiés PED et ASME de la société sont largement utilisés non seulement dans le secteur pétrochimique, mais également dans le dessalement de l'eau, la construction navale et les économies d'énergie, offrant ainsi aux clients du monde entier des solutions personnalisées pour des applications complexes.

L’avenir de la gestion des stocks : ce qui nous attend en 2026-2027

Le marché ne reste pas immobile. Les technologies qui semblaient futuristes hier deviennent aujourd’hui la norme. Qu’est-ce qui va changer dans un futur proche dans la gestion des matières premières PE ?

Achats autonomes.Les systèmes atteindront un point où ils pourront générer et envoyer des commandes aux fournisseurs de manière indépendante lorsque les seuils seront atteints, nécessitant une confirmation humaine uniquement pour les situations non standard. Les contrats intelligents sur la blockchain peuvent automatiser le paiement dès confirmation de l'expédition.

Jumeaux numériques de l'entrepôt.Créer une copie virtuelle de l'entrepôt permettra de simuler différents scénarios : « Que se passera-t-il si le fournisseur retarde la cargaison d'une semaine ? », « Comment optimiser la disposition des big bags pour minimiser le temps de chargement ? Cela permettra de prendre des décisions sans risquer la production réelle.

Intégration avec l’économie circulaire.Avec la part croissante du polyéthylène (PE) recyclé, les systèmes de gestion devront prendre en compte l'hétérogénéité de cette matière première. Les algorithmes sélectionneront des mélanges de granulés primaires et secondaires pour atteindre les propriétés cibles du produit à un coût minimum, en analysant les données sur la qualité de chaque lot de recyclat.

Les entreprises qui commenceront dès maintenant à mettre en œuvre ces technologies bénéficieront d’un avantage concurrentiel significatif. Ceux qui restent coincés avec des journaux papier et Excel risquent de perdre des marges et des parts de marché au profit d’acteurs plus agiles.

Foire aux questions

Combien de temps faut-il pour mettre en œuvre un système Big Data pour la gestion des stocks ?

La période dépend du niveau initial de numérisation de l'entreprise. Si vous disposez d'un ERP moderne et d'une comptabilité d'entrepôt automatisée, un système d'analyse de base peut être déployé en 2 à 3 mois. Le cycle complet, comprenant l’installation des capteurs, les données de nettoyage et les modèles de formation, prend généralement entre 6 et 9 mois. Ne croyez pas les vendeurs qui promettent «une mise en œuvre en 2 semaines» - une personnalisation de haute qualité pour les spécificités du polyéthylène nécessite du temps pour collecter des statistiques.

Les directeurs d’achats doivent-ils être licenciés après avoir mis en œuvre l’IA ?

Non, le rôle de l’acheteur se transforme, mais ne disparaît pas. L'intelligence artificielle se charge des calculs et du suivi de routine, libérant ainsi du temps spécialisé pour des tâches stratégiques : négociations avec les fournisseurs, recherche de nouveaux matériaux, résolution de problèmes logistiques complexes et établissement de relations. La personne reste le décideur final dans les situations non standards que l’algorithme ne peut pas prévoir.

Est-il possible d'utiliser des services cloud pour stocker des données sur les achats de matières premières ?

Oui, vous pouvez, mais sous réserve. Il est nécessaire de choisir des fournisseurs qui assurent le stockage des données sur le territoire de la Fédération de Russie (conformément au 152-FZ) et disposent de certificats de sécurité. Pour les informations particulièrement sensibles (recettes, volumes exacts de consommation pour certaines commandes gouvernementales), il est conseillé d'utiliser un modèle hybride : données critiques sur des serveurs locaux, analyses et données non critiques dans le cloud.

Quelle est la quantité minimale de données nécessaire pour que les algorithmes commencent à fonctionner ?

Pour construire un modèle de prévision de base, il est conseillé de disposer d'au moins 12 à 18 mois d'historique des données pour tenir compte de la saisonnalité. Cependant, vous devez commencer dès maintenant à collecter et à structurer les données, même si elles sont peu nombreuses. Les méthodes modernes permettent de recycler les modèles à mesure que de nouvelles informations deviennent disponibles. Attendre « l’ensemble parfait de données » est une erreur qui entraîne un retard interminable dans le démarrage.

Conclusion : votre prochaine étape vers l'efficacité

La gestion des stocks de matières premières en polyéthylène est entrée dans une nouvelle ère où ceux qui possèdent les données gagnent.Big Data dans la gestion des stocks de matières premières PEn'est pas seulement un terme à la mode, mais un outil de travail qui permet aujourd'hui de réduire les coûts, d'éviter les temps d'arrêt et d'augmenter les marges commerciales. Nous avons vu des entreprises perdre des millions à cause de mauvaises prévisions, et d’autres ont réalisé des bénéfices supplémentaires grâce à des analyses précises.

N'attendez pas que vos concurrents vous battent. Commencez petit : auditez vos données, vérifiez l'exactitude des enregistrements de votre entrepôt et sélectionnez une tâche pilote à automatiser. Même de petites améliorations dans la prévision de la demande auront un impact économique rapide. N'oubliez pas que dans l'industrie d'aujourd'hui, les données sont le nouveau pétrole, et pour les recycleurs de polyéthylène, cette affirmation est littéralement vraie.

Si vous êtes prêt à discuter de la possibilité de mettre en œuvre des systèmes analytiques dans votre production ou si vous avez besoin de conseils pour optimiser votre chaîne d'approvisionnement en matières premières polymères, nos experts sont prêts à vous aider. Nous avons une profonde expérience dans l’industrie et comprenons les spécificités du travail avec le PE, le PP et d’autres thermoplastiques.

Contactez-nous aujourd'huipour recevoir une feuille de route personnalisée pour la digitalisation de votre entrepôt. Nous vous recommandons également de lire notre documentation surTendances du marché du polyéthylène en 2026pour rester au courant des derniers développements de l’industrie.