Les plateformes de calculs utilisent des planificateurs de charges de travail comme le Slurm Workload Manager pour allouer des travaux aux nœuds de calcul. Ces ordonnanceurs visent à équilibrer l'utilisation des ressources et la satisfaction des utilisateurs (réduire le temps d'attente). Cependant, ces ordonnanceurs ne sont pas conscients des travaux partageant des fichiers d'entrée volumineux. Dans certaines situations, la quantité de tels travaux peut être importante. Le même fichier d'entrée peut être chargé plusieurs fois, menant à une perte de ressources. Nous étudions la création d'un ordonnanceur de travaux utilisant la localité des données capable de garder de larges fichiers d'entrées sur les nœuds de calculs tout en préservant les autres besoins en mémoire, et également capable de réutiliser des fichiers déjà chargés afin de limiter les transferts de données et ainsi réduire le temps d'attente des travaux. Nous présentons trois ordonnanceurs capables de distribuer la charge entre les nœuds de calculs ainsi que de réutiliser le plus possible les fichiers d'entrées déjà chargés en mémoire de certains nœuds. Nous avons effectué des simulations en utilisant l'historique d'une vraie plateforme de calcul afin de comparer nos algorithmes à des ordonnanceurs classiques. Les résultats montrent que garder des données en mémoire entre des travaux successifs et utiliser la localité des données pour ordonner les travaux permettent une réduction du temps d'attente des travaux et une diminution drastique de la quantité de transferts de données.