Prévisions probabilistes pour les Supply Chains

00:00:03 Prévisions probabilistes : introduction et aperçu.
00:01:34 Incertitude et précision dans les prévisions probabilistes.
00:02:25 Prévisions probabilistes : gestion des asymétries de la supply chain.
00:04:33 Limites insaisissables et événements improbables dans les prévisions probabilistes.
00:07:43 Le rôle des modèles mathématiques dans les prévisions probabilistes.
00:09:15 Évaluation de la précision d’une prévision probabiliste.
00:11:14 Inconvénients des prévisions classiques par rapport aux prévisions probabilistes.
00:13:07 Dépendance des industries vis-à-vis des prévisions classiques et limites d’Excel.
00:15:23 Meilleures applications des prévisions probabilistes.
00:18:43 Industries où les prévisions probabilistes ne sont pas nécessaires.
00:20:03 Adoption et raisons des prévisions probabilistes.
00:22:34 Perspectives futures des prévisions probabilistes.
00:24:27 Méthodes futures : omission du calcul explicite des probabilités.
00:25:37 Zoom sur les futurs et les demandes pertinents.
00:26:14 Incertitudes dans la chronologie de la demande de produits.
00:27:03 Scénarios “Et si” : impact des ajustements de prix.
00:27:56 Importance de l’exploration sélective.

Résumé

Dans cette discussion avec Kieran Chandler, Joannes Vermorel, fondateur de Lokad, éclaire la nature et les avantages des prévisions probabilistes pour les supply chains. Contrairement aux prévisions déterministes, les prévisions probabilistes sont considérées comme offrant une gamme de résultats, chacun avec une certaine probabilité. Cette approche est considérée comme une meilleure façon de traiter les asymétries de la supply chain, telles que les différentes implications de la surestimation et de la sous-estimation de la demande. Elle ne se limite pas aux moyennes, mais évalue un continuum de scénarios potentiels. Bien que complexe, les avancées en matière de puissance de calcul et d’apprentissage profond rendent les prévisions probabilistes plus accessibles. Vermorel prédit un avenir où les prévisions intègrent l’incertitude et intègrent une multitude de variables, offrant une représentation plus détaillée et réaliste des futurs possibles.

Résumé étendu

Dans cet épisode de Lokad TV, Kieran Chandler entame un dialogue avec Joannes Vermorel, fondateur de Lokad, pour discuter des prévisions probabilistes, de leurs avantages, de leur mise en œuvre et de leur utilisation dans les entreprises.

Vermorel explique que les prévisions probabilistes désignent un type de prédictions où la connaissance future reste imparfaite. Contrairement aux prévisions déterministes qui prédisent un seul résultat définitif, les prévisions probabilistes décrivent un éventail de résultats potentiels, chacun étant associé à une probabilité particulière. L’idée est d’embrasser l’incertitude inhérente aux événements futurs. Cette méthode ne garantit pas une précision absolue, mais elle offre potentiellement une meilleure chance de pertinence pour la prise de décision.

Selon Vermorel, l’avantage principal des prévisions probabilistes par rapport aux prévisions traditionnelles réside dans la capacité à gérer les asymétries dans les chaînes d’approvisionnement. Il souligne que la surestimation et la sous-estimation de la demande peuvent entraîner des résultats asymétriques. Par exemple, dans le secteur aérospatial, surestimer la demande pourrait entraîner un surplus de vis coûtant 50 euros, tandis que la sous-estimation pourrait entraîner l’immobilisation d’un avion, entraînant des coûts de retard de plusieurs centaines de milliers d’euros.

Vermorel souligne que les méthodes de prévision traditionnelles visent souvent un résultat moyen. Cependant, il fait remarquer que dans les chaînes d’approvisionnement, les coûts sont généralement davantage influencés par des événements extrêmes. Il illustre davantage le problème avec des exemples des secteurs aérospatial et de la grande distribution alimentaire, où un inventaire excessif peut entraîner des pertes financières.

En discutant des extrêmes, Vermorel précise qu’il n’y a pas de limites strictes, mais plutôt un continuum d’événements peu fréquents. Pour un produit typique, il peut y avoir une probabilité de 5% de constater une demande quotidienne deux fois supérieure, une probabilité de 1% d’observer une demande quotidienne quatre fois supérieure, et une probabilité minuscule d’observer une demande quotidienne dix fois supérieure. Les prévisions probabilistes ne se limitent pas aux moyennes, mais examinent une gamme de résultats possibles.

Bien que Vermorel reconnaisse le défi d’évaluer les possibilités futures infinies, il soutient que les ressources informatiques modernes permettent d’incorporer un large éventail de risques. Des événements extrêmes tels qu’un naufrage de navire sont peu probables, mais des retards aux douanes ou d’autres problèmes logistiques pourraient être pris en compte, car ils peuvent avoir des effets similaires sur l’approvisionnement.

Vermorel poursuit en dévoilant la nature intrigante des prévisions probabilistes. Il souligne la nécessité de disposer de mesures appropriées pour évaluer la précision des prévisions probabilistes, en attribuant idéalement plus de poids aux événements ayant des probabilités plus élevées attribuées par le modèle.

En établissant un parallèle avec une prédiction hypothétique sur la victoire de l’Italie à la Coupe du Monde, Vermorel démontre que la précision d’un modèle se reflète dans la proximité entre les probabilités attribuées par le modèle et les événements réels. Il compare les prévisions probabilistes aux prévisions traditionnelles, affirmant que si les premières ne sont pas intrinsèquement plus précises, elles fournissent des informations plus riches en considérant une plus large gamme de résultats potentiels.

Vermorel explique ensuite que les prévisions probabilistes peuvent être “réduites” à des prévisions classiques en prenant une moyenne. Cependant, ce processus omet des informations précieuses sur les événements extrêmes ou “en queue de distribution” - ceux avec une demande étonnamment élevée ou faible. Ces événements ont souvent un impact financier plus important dans les contextes de chaîne d’approvisionnement, où les écarts par rapport à la moyenne peuvent entraîner des résultats coûteux tels que des ruptures de stock ou des dépréciations d’inventaire.

Malgré ces avantages, Vermorel reconnaît que de nombreuses industries continuent d’utiliser des techniques de prévision classiques, souvent en utilisant Excel. Il précise que cela est dû à l’accessibilité et à la facilité d’utilisation d’Excel pour créer des prévisions simples. Passer à des prévisions probabilistes nécessiterait d’abandonner Excel en raison de la complexité et de l’intensité de calcul liées à la prise en compte d’un grand nombre de futurs potentiels.

Vermorel souligne que les industries marquées par une grande incertitude, telles que la mode, la maintenance aérospatiale, le e-commerce et la vente au détail au niveau des magasins, sont idéalement adaptées à la prévision probabiliste. Ces industries luttent contre l’imprévisibilité, des tendances de la mode capricieuses aux besoins sporadiques de pièces d’avion spécifiques, en passant par la longue traîne des ventes en ligne et les ventes fluctuantes au niveau des magasins dans les grands marchés.

Vermorel identifie des situations où la prévision probabiliste peut être moins adaptée, comme les industries ou les cas où les résultats futurs peuvent être prédits avec précision. Par exemple, la production de ciment ou certaines lignes de production automobile, où les contrats à long terme offrent une visibilité claire sur les besoins futurs. Ici, les méthodes de prévision traditionnelles sont suffisantes. La véritable valeur de la prévision probabiliste, note Vermorel, émerge dans des situations d’incertitude importante, où les résultats futurs ne peuvent pas être précisément anticipés.

La conversation se tourne ensuite vers la raison pour laquelle la prévision probabiliste est de plus en plus populaire, malgré le fait de ne pas être un concept nouveau. Vermorel identifie deux facteurs principaux : la diminution du coût de la puissance de traitement et l’émergence de méthodes statistiques telles que le deep learning. Il y a une décennie, les ressources informatiques nécessaires aux calculs probabilistes étaient excessivement coûteuses. Avec la baisse des coûts, ces méthodes sont devenues plus accessibles. De plus, les avancées dans le deep learning, une sous-discipline de l’IA propulsée par la modélisation probabiliste, ont encore renforcé la montée de la prévision probabiliste.

La discussion se conclut par Vermorel dressant un tableau de la façon dont la prévision future pourrait prendre en compte l’incertitude et intégrer des variables complexes. En envisageant tous les futurs potentiels, y compris les variations de la demande de produits, les délais d’approvisionnement et les ajustements de prix, les possibilités deviennent pratiquement illimitées. Cependant, Vermorel souligne que l’objectif ne devrait pas être d’examiner chaque futur potentiel individuellement, mais d’utiliser des techniques mathématiques qui permettent l’exploration de nombreux scénarios possibles sans nécessairement les énumérer. Bien que cette approche pose de nombreux défis, elle ouvre également de nouvelles opportunités d’exploration dans le domaine de la prévision.

En discutant de l’avenir de la prévision probabiliste, Vermorel affirme avec confiance qu’il n’y a pas de retour aux méthodes classiques. La prévision probabiliste offre plus d’informations sur l’avenir, ce qui rend contre-productif de revenir à des méthodes offrant moins d’informations. Cependant, il reconnaît les complexités impliquées, notamment lorsque les scénarios de prévision impliquent plusieurs facteurs ou produits. Les scénarios à explorer se multiplient de manière exponentielle avec chaque élément ajouté, rendant les calculs de probabilité explicite presque impossibles. Cela, selon Vermorel, orientera les méthodes futures vers des calculs qui ne cherchent pas à exprimer toutes les probabilités, une approche déjà utilisée par le deep learning.

La discussion se termine par Vermorel décrivant comment la prévision future pourrait prendre en compte l’incertitude et intégrer des variables complexes. En envisageant tous les futurs potentiels, y compris les variations de la demande de produits, les délais d’approvisionnement et les ajustements de prix, les possibilités deviennent pratiquement illimitées. Cependant, Vermorel souligne que l’objectif ne devrait pas être d’examiner chaque futur potentiel individuellement, mais d’utiliser des techniques mathématiques qui permettent l’exploration de nombreux scénarios possibles sans nécessairement les énumérer. Bien que cette approche pose de nombreux défis, elle ouvre également de nouvelles opportunités d’exploration dans le domaine de la prévision.

Transcription complète

Kieran Chandler : Aujourd’hui sur Lokad TV, nous allons discuter de ce que sont exactement les prévisions probabilistes, pourquoi elles peuvent être bénéfiques et comment elles peuvent être mises en œuvre dans les entreprises pour améliorer leur fonctionnement. Alors Joannes, un sujet d’intérêt en ce moment, nous avons tellement de fans de sport et de bookmakers qui essaient de déterminer exactement qui va gagner la Coupe du Monde. Peut-être un bon point de départ est : Qu’est-ce que les prévisions probabilistes ?

Joannes Vermorel : Les prévisions probabilistes représentent une classe de prévisions où vous avez des informations imparfaites sur l’avenir. Vous avez une idée des futurs probables, des futurs qui ont une chance de se produire, par rapport aux futurs qui n’ont aucune chance de se produire. Généralement, lorsque les gens pensent aux prévisions, ils les considèrent comme définitives, du genre “Cette équipe va gagner”. Mais le point, c’est que vous n’en êtes pas sûr ; c’est juste une probabilité certaine que cette équipe va gagner. Une prévision plus précise consiste à avoir une liste restreinte d’équipes très fortes qui ont collectivement une très forte probabilité de gagner. Ce n’est pas aussi satisfaisant que de connaître le vainqueur, mais personne ne peut jamais le savoir en raison de l’incertitude en jeu. Les prévisions probabilistes consistent à faire une déclaration sur l’avenir qui implique des probabilités. Cela embrasse l’idée même que vous ne savez pas tout sur l’avenir et que vous ne prétendez pas tout savoir.

Kieran Chandler : Quel est donc le principal avantage par rapport aux techniques de prévision plus traditionnelles ?

Joannes Vermorel : Le principal avantage est que les prévisions probabilistes vous donnent un angle d’approche pour toutes les asymétries que vous avez dans la supply chain. Par asymétries, j’entends le fait que le coût de la surestimation ou de la sous-estimation de la demande n’est pas symétrique. Par exemple, prenons l’aérospatiale. Si vous surestimez votre demande, vous pouvez avoir une vis en stock que vous n’utilisez jamais. Mais si vous sous-estimez votre besoin en vis, vous pouvez avoir un avion cloué au sol simplement parce qu’il manque une vis, et cela pourrait vous coûter des centaines de milliers d’euros en réacheminement des passagers et en retards. Le problème avec les prévisions classiques, c’est que vous visez la moyenne. Mais dans la supply chain, ce n’est pas nécessairement la moyenne que vous voulez sécuriser. Vos coûts sont généralement beaucoup plus influencés par les extrêmes. Si vous avez trop de stocks dans la vente au détail alimentaire, vous pourriez devoir les jeter entièrement, perdant ainsi tout l’investissement.

Kieran Chandler : Donc, si nous parlons de ces extrêmes, ce sont essentiellement des limites, n’est-ce pas ? Comment pouvons-nous établir où se situent ces limites ?

Les limites peuvent être difficiles à définir ; c’est une question de probabilité. Par exemple, si vous avez généralement dans un magasin une demande de, disons, cinq unités par jour pour un produit donné, alors vous pourriez avoir 5% de chances d’observer dix unités demandées un jour donné, 1% de chances d’avoir 20 unités demandées, et presque zéro pour cent de chances d’avoir, par exemple, 50 unités demandées un jour donné. Ainsi, il n’y a pas de limite finale, c’est un continuum d’événements de plus en plus rares, et vous pouvez évaluer les probabilités de cela. Cependant, dans ce continuum, voulez-vous dire que vous prédisez chaque possibilité ? Bien sûr, vous devez tracer une ligne quelque part. Vous ne pouvez pas savoir exactement ce qui va se passer demain. Par exemple, si vous recevez des produits livrés, il y a une probabilité que le navire sur lequel ils arrivent puisse couler. Pouvez-vous vraiment envisager tous les futurs possibles ?

Joannes Vermorel: Il y a une limite à ce que nous pouvons évaluer en raison des ressources informatiques. Oui, nous avons des ordinateurs avec beaucoup de mémoire et de puissance de traitement, mais nous devons limiter le nombre de caractéristiques que nous évaluons à un nombre fini. Cependant, les ordinateurs disposent de ressources de calcul considérables. Ainsi, même si le nombre de futurs qu’ils peuvent évaluer est fini, il peut encore être extrêmement élevé. Par exemple, pour un produit qui se vend habituellement seulement quelques unités par jour, vous pouvez toujours évaluer de manière abordable la probabilité de vendre mille unités même si c’est une chance mince d’une sur un million. De même, pour le risque de naufrage d’un navire, c’est peut-être une chance sur un million, mais un ordinateur peut effectuer des milliards de calculs par seconde.

Bien que nous ne puissions pas prendre en compte le risque de naufrage d’un navire, nous pouvons évaluer le risque qu’un navire soit détenu indéfiniment en douane. Cela peut arriver et cela peut causer un retard de trois mois en raison de problèmes avec le processus douanier. Un tel retard serait presque équivalent à un naufrage du navire, en ce qui concerne votre expédition. Par exemple, si vous attendez des maillots de bain, la saison sera terminée au moment où vous les recevrez. Ce sera l’hiver et votre produit sera inutile.

Kieran Chandler: Oui, un navire au fond de l’océan est en effet un exemple extrême. Parlons des modèles mathématiques dont vous avez parlé. Comment savons-nous lequel est le meilleur à utiliser ? D’après ce que je comprends, il existe différentes prévisions et différentes techniques de prévision en fonction du modèle mathématique que nous utilisons.

Joannes Vermorel: Tout d’abord, vous avez besoin d’un modèle mathématique qui génère des distributions de probabilité, ce qui est très différent des modèles que vous pourriez utiliser dans Excel. Lorsque les gens pensent à la prévision, ils imaginent généralement une sorte de moyenne mobile. Ils considèrent ce que la demande était la semaine dernière ou l’année dernière, font la moyenne sur la période de temps pertinente, et cela leur donne une prévision. Ce n’est pas une mauvaise méthode, mais elle produit une seule estimation ponctuelle.

Lorsque vous voulez vous orienter vers le monde probabiliste, vous avez besoin de quelque chose qui génère une distribution de probabilités. Vous avez plusieurs modèles mathématiques disponibles. Le plus célèbre est le modèle de Poisson, ou si vous voulez être vraiment sophistiqué, vous pouvez jeter un coup d’œil aux modèles binomiaux négatifs. Ce sont des classes différentes de modèles paramétriques, mais vous pouvez également avoir des modèles non paramétriques.

Kieran Chandler: Je comprends que l’utilisation d’un modèle mathématique plus sophistiqué peut générer des probabilités qui peuvent aider à prédire la demande. Cependant, cela ne semble pas être la fin du processus. Quoi qu’il arrive, votre modèle peut toujours dire “Je vous l’avais bien dit”. S’il prédit une demande de 10 unités et que nous observons 10 unités, le modèle a raison. Si nous observons 100 unités, le modèle dit toujours qu’il y avait une probabilité que cela se produise. Alors comment savons-nous si un modèle est bon ou non ?

Joannes Vermorel: Vous avez raison. C’est pourquoi nous avons besoin de meilleures mesures, de mesures adaptées aux prévisions probabilistes. Si votre modèle attribue une probabilité élevée à un événement qui se produit réellement, alors votre modèle fonctionne bien. Par exemple, si je prédis que l’Italie a 80% de chances de remporter la Coupe du Monde et qu’elle ne gagne pas, le modèle est imprécis. Cependant, si je dis que l’Italie a 5% de chances et qu’elle ne gagne pas, alors le modèle est raisonnablement précis. Ces mesures évaluent combien de poids, en termes de probabilité, vous accordez aux événements qui se produisent réellement.

Kieran Chandler: C’est intéressant que vous mentionniez la précision. Comment la précision d’une prévision probabiliste se compare-t-elle à celle d’une prévision traditionnelle ? Elles semblent mesurer des choses très différentes.

Joannes Vermorel: En effet, elles le sont. Une prévision probabiliste n’est pas, par conception, plus précise qu’une prévision classique. Cependant, une distribution de probabilités peut être réduite à une prévision classique en prenant la moyenne. Le problème avec cela, c’est que vous perdez toutes les informations sur les queues - les événements où la demande pourrait être étonnamment élevée ou basse. Vous pouvez mesurer la précision d’une prévision probabiliste avec une mesure traditionnelle comme l’erreur moyenne absolue en pourcentage, mais cela n’a pas vraiment de sens. L’objectif est de capturer plus d’informations sur les événements surprenants. Vous voulez que votre prévision soit précise là où cela compte vraiment financièrement. Dans la gestion de la supply chain, ce n’est pas toujours la situation moyenne.

Kieran Chandler: Donc, en essence, l’avantage de la prévision probabiliste est qu’elle vous permet de voir une image plus large et de produire des prévisions plus riches ?

Joannes Vermorel: Oui, exactement. Cela vous donne plus de dimensions, plus de profondeur pour comprendre l’avenir.

Kieran Chandler: Mais malgré cela, beaucoup dans l’industrie continuent d’utiliser des techniques de prévision traditionnelles. Pourquoi les gens sont-ils toujours satisfaits d’utiliser ces méthodes ?

Joannes Vermorel: Je ne dirais pas nécessairement qu’ils sont heureux d’utiliser ces techniques. La réalité est que la plupart des chaînes d’approvisionnement s’appuient encore largement sur des outils comme Excel, qui ne sont pas spécialement conçus pour produire des prévisions probabilistes.

Kieran Chandler: Les prévisions, je veux dire qu’il est possible de produire des prévisions poétiques mais ce n’est pas aussi pratique. Produire une prévision classique consiste simplement à construire une sorte de recette de moyenne mobile et ensuite c’est bon. Cependant, lorsque vous voulez vous orienter vers le monde probabiliste, vous devez renoncer à Excel. Non seulement vous devez arrêter de générer la prévision dans Excel, mais vous devez également arrêter de prendre les décisions dans Excel. Pourquoi cela ?

Joannes Vermorel: Votre décision sera une exploration de tous les futurs possibles. Vous allez évaluer toutes les décisions possibles et réfléchir à ces décisions par rapport à tous les futurs possibles pour évaluer le résultat économique de chaque décision individuelle. De cette manière, vous pouvez directement sélectionner la meilleure décision en fonction de tous les résultats possibles. Soudain, vous voyez, vous avez un grand nombre de caractéristiques à prendre en compte et un grand nombre de décisions à évaluer par rapport à des futurs encore plus nombreux. Cela devient beaucoup plus intensif en termes de calcul et fondamentalement incompatible avec Excel.

Kieran Chandler: Donc, si je comprends bien, la raison pour laquelle les gens ne le font pas est principalement parce qu’ils manquent d’outils nécessaires. Ils se tournent vers Excel non pas parce qu’ils le préfèrent, mais parce que les ERP n’ont pas réussi à fournir le type d’analyse de risque sophistiquée dont ils ont besoin pour prendre les bonnes décisions pour leur chaîne d’approvisionnement. Donc, si nous parlons de ces industries, dans quelles industries les prévisions probabilistes fonctionnent-elles le mieux ? Où obtenez-vous les meilleurs résultats pour une prévision probabiliste ?

Joannes Vermorel: Les prévisions probabilistes brillent vraiment lorsqu’il y a de l’incertitude. Par exemple, si vous voulez produire des prévisions de consommation d’électricité à l’échelle nationale, vous pouvez le faire avec un degré de précision élevé. Vous pouvez avoir une prévision précise à 0,5% si vous voulez prévoir la consommation d’électricité de la France par tranche d’une heure, probablement jusqu’à 48 heures à l’avance. C’est une situation où vous connaissez presque parfaitement l’avenir. Même chose si vous voulez prévoir combien de trafic vous aurez sur les routes, vous pouvez avoir des prévisions très précises car c’est très prévisible. Mais si vous vous orientez vers des domaines où l’incertitude est plus grande, c’est là que les prévisions probabilistes deviennent plus précieuses.

Kieran Chandler: Pouvez-vous donner quelques exemples de ces domaines ?

Joannes Vermorel: Absolument. Des industries comme la mode, où les tendances sont très erratiques, sont de bons exemples. La mode comporte beaucoup d’incertitude irréductible. L’aérospatiale et la maintenance en général comportent également une grande quantité d’incertitude, non pas parce que les avions sont incertains, mais parce que vous avez de nombreuses pièces qui sont rarement nécessaires. Vous ne savez pas quand vous aurez besoin d’une pièce, et vous avez tellement de pièces de rechange et d’avions que ce n’est pas comme vendre des bouteilles de lait sur un marché ouvert où vous vendez des centaines d’unités chaque jour. C’est beaucoup plus erratique.

Le commerce électronique en général est un autre exemple. La longue traîne des produits est en réalité très longue et la plupart de vos ventes proviennent de produits qui ont des ventes intermittentes et erratiques. Et n’oublions pas tout ce qui se passe au point de vente et au niveau du magasin. Même si vous regardez ce qui se passe dans un magasin, même dans un hypermarché qui peut avoir jusqu’à cent mille références, vous n’avez, en Europe par exemple, qu’environ 2 000 produits où vous allez vendre cinq unités ou plus chaque jour. Tous les autres produits vont se vendre moins de cinq unités par jour. Donc, ce sont de petits chiffres, et la nature erratique est grande. Les prévisions probabilistes brillent ici car elles vous donnent un aperçu des risques que vous avez pour les décisions d’inventaire que vous prenez.

Kieran Chandler: Donc, en fin de compte, les prévisions probabilistes sont efficaces dans les domaines où il y a un niveau élevé d’incertitude ?

Joannes Vermorel: C’est exact.

Kieran Chandler: Quand vous avez beaucoup d’incertitude et que vous devez optimiser vos décisions en tenant compte de toutes les possibilités, d’un côté une demande étonnamment faible et de l’autre une demande étonnamment élevée. D’accord, nous avons beaucoup parlé des avantages des prévisions probabilistes. Nous avons parlé des domaines où elles fonctionnent bien. Mais qu’en est-il des industries où il n’est pas tout à fait approprié de les utiliser ? Y a-t-il des industries où les prévisions classiques conviennent ?

Joannes Vermorel: Oui, par exemple, si vous produisez du ciment et que vous avez des clients qui vous donnent un carnet de commandes pour les trois prochaines années, alors vous n’avez pas besoin de prévisions. Si vous connaissez l’avenir, cela peut également se produire pour certaines lignes de production de l’industrie automobile. Lorsque vous savez qu’à 12 mois à l’avance, vous savez exactement ce que vous allez produire parce que c’est un grand constructeur automobile qui vous donne une feuille de route très précise et qui ne peut dévier que de cinq pour cent au maximum. S’il ne reste aucune incertitude résiduelle concernant vos plans et qu’il s’agit simplement d’une question d’exécution pure, alors en effet, les prévisions probabilistes ne vont pas vous aider. Les prévisions probabilistes ne vont vous aider que s’il y a une sorte d’erraticité. Si vous ne pouvez pas connaître parfaitement l’avenir, si vous avez déjà votre feuille de route figée pour les 12 prochains mois, alors en gros, vous vous moquez des prévisions probabilistes.

Kieran Chandler: D’accord, et pourquoi les entreprises commencent-elles à utiliser des prévisions probabilistes maintenant ? Je veux dire, ce n’est pas une technologie particulièrement nouvelle, n’est-ce pas ? Alors pourquoi est-ce maintenant le moment où elles commencent à le voir utilisé plus couramment dans l’industrie ?

Joannes Vermorel: Il y a probablement plusieurs raisons. Tout d’abord, cela nécessite beaucoup plus de puissance de calcul, ce qui signifie que vous vous retrouvez avec des modèles statistiques qui consomment de 100 à 1 000 fois plus de puissance de calcul. La bonne nouvelle, c’est que la puissance de traitement n’a jamais été aussi bon marché, donc ce n’est généralement pas un obstacle. Mais cela signifie quand même qu’il y a dix ans, la plupart de ces calculs de probabilité étaient extrêmement coûteux. C’est très différent de pouvoir exécuter votre chaîne d’approvisionnement avec un budget de 2 000 euros par mois pour la puissance de calcul, ou de deux millions d’euros par mois pour la puissance de calcul. Cela fait une grande différence en pratique. C’est ce que signifient trois ordres de grandeur en termes de coût. Donc, clairement, le fait que la puissance de calcul soit beaucoup moins chère a beaucoup aidé à rendre ces méthodes beaucoup plus pratiques. La deuxième chose est qu’il existe une classe entière de méthodes statistiques appelées deep learning, qui est à l’origine de ce terme à la mode “intelligence artificielle”. Tout tourne autour du deep learning et le deep learning repose entièrement sur des prévisions probabilistes. Vous pouvez ne pas vous soucier ou ne pas comprendre les détails techniques, vous pouvez simplement apprécier le fait que vous disposez d’un logiciel qui effectue une reconnaissance vocale pour vous, mais cela repose en réalité sur des calculs probabilistes en interne. D’abord, nous avons eu plus de puissance de calcul, puis nous avons eu des théories mathématiques comme le deep learning qui ont pris le dessus en termes de références en intelligence artificielle. Par exemple, lorsque l’intelligence artificielle a réussi à surpasser des joueurs comme le champion du monde de Go, c’est une méthode probabiliste qui a été utilisée, pas une méthode combinatoire.

Kieran Chandler: D’accord, donc il semble que les prévisions probabilistes soient vraiment d’actualité, mais qu’en est-il de l’avenir ? Je veux dire, quelles sont les prochaines étapes pour les prévisions probabilistes ? Pensez-vous qu’elles vont durer longtemps, ou comment voyez-vous cela ?

Joannes Vermorel: Oui, je pense que le chat est sorti du sac et qu’il ne reviendra pas en arrière. Nous ne reviendrons probablement pas aux prévisions classiques. Une fois que vous avez une prévision probabiliste, vous en savez beaucoup plus sur l’avenir, il serait donc très étrange de revenir à une approche qui vous donnait fondamentalement beaucoup moins d’informations.

Kieran Chandler: Moins d’informations sur l’avenir maintenant, même si vous dites que nous voulons explorer tous les futurs possibles. En pratique, nous n’explorons pas toutes les possibilités. Par exemple, nous pouvons dire que j’ai une probabilité de vendre zéro, une unité, deux unités, trois unités de ce produit et je peux faire une analyse similaire pour un autre produit. Mais qu’en est-il de la probabilité conjointe pour ces deux produits ensemble ?

Joannes Vermorel: En effet. Tout à coup, je dois estimer peut-être une centaine de scénarios pour prendre en compte toute la demande pour mon produit A. Je dois évaluer une centaine de scénarios pour toute la demande de produit B. Mais qu’en est-il de l’examen de tous les scénarios pour les produits A et B ensemble ? C’est comme regarder dix mille scénarios. Et si j’ajoute un troisième produit avec une centaine de scénarios, cela ferait un million de scénarios à examiner. La situation devient rapidement plus compliquée si vous voulez exprimer toutes les probabilités explicitement. Je pense que ce que nous verrons de plus en plus à l’avenir, ce sont des méthodes qui n’essaient même pas d’exprimer ces probabilités. Vous n’essayez même pas de calculer toutes les possibilités pour toutes les choses qui peuvent se produire. Vous avez des méthodes qui effectuent réellement ces calculs sans indiquer explicitement les probabilités. C’est ce que sont le deep learning et les techniques d’intelligence artificielle. Ils calculent des probabilités, mais sans tout exprimer en termes de probabilité. Le gros avantage, c’est que vous pouvez explorer des scénarios sur l’avenir qui sont extrêmement compliqués, bien au-delà des capacités de n’importe quel ordinateur raisonnable, ou même d’une flotte d’ordinateurs.

Vous pouvez toujours explorer toutes ces fonctionnalités avec des astuces mathématiques intelligentes. L’essence de l’apprentissage profond est que vous n’explorerez pas l’avenir au hasard. Vous voulez vous concentrer sur les futurs les plus susceptibles d’être pertinents pour les prévisions. Donc, vous voulez vous concentrer sur les zones qui sont relativement denses, où il y a une plus grande chance d’être un futur d’intérêt, au lieu d’essayer aléatoirement d’explorer tout.

Cette approche débloquera des tonnes de scénarios. Par exemple, l’une des choses que nous essaierons probablement d’explorer cette année sera d’explorer non seulement tous les niveaux de demande possibles pour les produits, mais aussi de regarder tous les horizons possibles dans le temps. Vous voulez une prévision de la demande qui peut commencer à n’importe quel moment et se terminer à n’importe quel moment, tous deux de manière aléatoire.

C’est une façon, par exemple, de refléter un scénario où vous avez un envoi qui arrive par bateau et vous avez de l’incertitude. Vous ne savez pas exactement quand le produit cessera d’être disponible à la vente dans votre magasin, en ligne ou hors ligne, et vous voulez prendre en compte cette incertitude lorsque vous élaborez vos plans d’inventaire.

Vous devez prendre en compte le fait que vous avez une incertitude quant à la réception des marchandises et à la date à laquelle la demande commencera et se terminera réellement. Si vous voulez aller encore plus loin, il serait très intéressant de commencer à explorer des scénarios du type “et si”.

Dans le cadre de notre feuille de route à long terme, nous prévoyons même de commencer à explorer tous les futurs possibles si vous considérez tous les ajustements de prix que vous pouvez apporter à vos produits. Vous voulez voir quels sont tous les futurs possibles pour la demande si vous laissez vos prix tels quels et quels sont les futurs possibles si vous commencez à explorer toutes les possibilités pour tous les ajustements de prix que vous pouvez apporter en plus.

Lorsque vous commencez à penser à tous ces futurs possibles, les chiffres deviennent extrêmement grands. Le truc, c’est que vous ne voulez pas essayer d’itérer individuellement sur tous ces futurs. Vous voulez avoir des techniques mathématiques qui vous permettent d’en explorer beaucoup sans essayer de les énumérer.

Kieran Chandler: Eh bien, il semble qu’il y ait tellement de possibilités. Je suis content que cela soit laissé aux ordinateurs car sinon, mon cerveau va probablement exploser. Mais nous devons en rester là pour aujourd’hui. Merci d’avoir pris le temps de nous parler de la prévision probabiliste. C’était vraiment intéressant. Merci. C’est tout pour l’épisode d’aujourd’hui. Nous serons de retour la semaine prochaine, mais d’ici là, assurez-vous d’être abonné à nos vidéos et nous vous reverrons bientôt. Au revoir pour le moment.