La manière classique de penser au réapprovisionnement consiste à établir une quantité cible par SKU. Cette quantité cible prend généralement la forme d’un point de reapprovisionnement qui est ajusté dynamiquement en fonction de la prévision de la demande pour le SKU. Cependant, au fil des années chez Lokad, nous nous sommes rendu compte que cette approche était très faible en pratique, quelle que soit la qualité des prévisions (classiques).

Les praticiens avisés de la supply chain ont généralement tendance à surpasser cette approche (classique) avec une astuce simple : au lieu de considérer les SKU isolément, ils prennent du recul et examinent le tableau d’ensemble, tout en tenant compte du fait que tous les SKU se font concurrence pour le même budget. Ensuite, les praticiens choisissent les SKU qui semblent être les plus urgents. Cette approche surpasse la méthode habituelle du point de reapprovisionnement car, contrairement à celle-ci, elle accorde la priorité à certains réapprovisionnements. Et comme le sait tout gestionnaire, même une priorisation des tâches très basique est préférable à l’absence totale de priorisation.

Pour reproduire cette jolie “astuce”, début 2015, nous avons fait évoluer Lokad vers une forme plus puissante de politique de commande connue sous le nom de prioritized ordering. Cette politique adopte précisément le point de vue selon lequel tous les SKU se font concurrence pour la prochaine unité à acheter. Grâce à cette politique, nous obtenons le meilleur des deux mondes : des prévisions statistiques avancées combinées à ce type d’expertise métier qui était jusqu’alors inaccessible au logiciel.

Cependant, la politique de prioritized ordering requiert une scoring function pour fonctionner. Tout simplement, cette fonction convertit les prévisions ainsi qu’un ensemble de variables économiques en une valeur de score. En attribuant un score spécifique à chaque SKU et à chaque unité de ces SKU, cette scoring function offre la possibilité de classer toutes les décisions d’achat “atomiques”. Par “atomique”, nous entendons l’achat d’une unité supplémentaire pour un SKU. Par conséquent, la scoring function devrait être aussi alignée que possible sur les facteurs économiques. Cependant, bien que la création de scoring functions “approximatives” basées sur des règles de base soit relativement simple, définir une scoring function correcte est un exercice non trivial. Sans entrer trop dans les détails techniques, le principal défi réside dans l’aspect “itéré” des réapprovisionnements où les coûts de stocks continuent d’engendrer des frais jusqu’à ce que les unités soient vendues. Calculer 1 étape en avance est facile, 2 étapes en avance est un peu plus difficile, et N étapes en avance est en réalité assez compliqué.

Il n’y a pas si longtemps, nous avons réussi à résoudre ce problème grâce à la fonction de récompense des stocks. Cette fonction décompose les défis à travers trois variables économiques : la marge bénéficiaire par unité, le coût par unité de rupture de stock, et le coût de portage par unité. Grâce à la fonction de récompense des stocks, on peut obtenir l’impact économique réel décomposé en marges, ruptures de stock et coûts de portage.

La fonction de récompense des stocks représente une alternative supérieure à toutes les scoring functions que nous avons utilisées jusqu’à présent. En fait, elle peut même être considérée comme un mini-framework qui peut être ajusté avec un ensemble restreint (mais assez expressif) de variables économiques afin de mieux répondre aux objectifs stratégiques des commerçants, fabricants ou grossistes. Nous recommandons d’utiliser cette fonction chaque fois que des prévisions probabilistes sont impliquées.

Au cours des prochaines semaines, nous mettrons progressivement à jour tous nos modèles Envision et nos documents de documentation afin de refléter cette nouvelle capacité de Lokad.