Prévisions 3.0 avec grilles quantiles
Livrer de meilleures prévisions a toujours été l’objectif principal de Lokad. Aujourd’hui, nous dévoilons la troisième génération de notre technologie de prévision basée sur les grilles quantiles. En termes simples, les grilles quantiles offrent un niveau de performance sans précédent, ce qui signifie que votre entreprise peut servir plus de clients, de manière plus fiable et avec moins de stocks. Contrairement à toutes les méthodes de prévision existantes sur le marché, les grilles quantiles ne fournissent pas une seule prévision de demande par produit, mais l’ensemble de la distribution de probabilité pour (presque) tous les futurs possibles. Les grilles quantiles sont rendues possibles grâce à la combinaison du Machine Learning, du Big Data, du cloud computing et de quelques éclairages issus du commerce.
Les grilles quantiles sont désormais disponibles en production pour l’ensemble de nos clients, accessibles via une nouvelle option Quantile Grid pour tout projet de prévision de stocks.
Prévisions 1.0 : prévisions classiques
Lorsque Lokad a été fondé en 2008, nous avons commencé avec ce que nous appelons aujourd’hui les prévisions classiques, notre version 1.0, c’est-à-dire une méthodologie de prévision où chaque produit ou SKU est associé à une valeur périodique; par exemple, des prévisions hebdomadaires allant jusqu’à 13 semaines à l’avance. Implicitement, ces prévisions sont des prévisions médianes : on s’attend à ce que des prévisions sans biais aient 50 % de chances d’être supérieures ou inférieures à la demande future. Pour le reste du marché, ces prévisions ne sont pas qualifiées de classiques, elles sont les seules prévisions car la plupart de nos concurrents n’ont jamais envisagé d’alternatives.
Cependant, en ce qui concerne le commerce, peu importe la précision des prévisions classiques, elles fonctionnent mal en pratique. Intuitivement, les prévisions classiques ne se penchent tout simplement pas sur ce qui compte vraiment. La demande moyenne ou médiane représente le cas facile et peu intéressant où tout se passe comme prévu. Les situations difficiles concernent, en revanche, une demande exceptionnellement élevée ou exceptionnellement faible, car elles engendrent respectivement des ruptures de stock et des stocks morts. Ce sont ces types de situations extrêmes qui coûtent véritablement de l’argent. Les prévisions classiques fonctionnent mal, non pas parce que les algorithmes ne sont pas bons, mais parce qu’ils n’envisagent pas le business sous le bon angle. Ainsi, peu importe l’investissement en R&D qu’une entreprise peut consacrer aux prévisions classiques, cela échoue tout simplement. Ce fut l’une des leçons les plus difficiles que Lokad ait apprises à ses débuts.
Prévisions 2.0 : prévisions quantiles
En 2012, nous avons réalisé notre première percée avec les prévisions quantiles. Malgré un nom qui peut paraître carrément effrayant, les prévisions quantiles se rapprochent beaucoup de ce que font les dirigeants pour leurs entreprises : ce sont des prévisions scénarisées. Plutôt que de se concentrer sur le cas moyen, les prévisions quantiles ont pour objectif de regarder d’abord les 5 % des perspectives de demande les plus optimistes – souffrirons-nous d’une rupture de stock ? – puis d’examiner les 5 % des perspectives de demande les plus pessimistes – serons-nous confrontés à des stocks morts ? Les prévisions quantiles s’attaquent directement aux questions difficiles qui comptent réellement d’un point de vue commercial. Comme le disent les ingénieurs, mieux vaut être approximativement correct que d’être exactement faux, et bien que les prévisions quantiles souffrent aussi de toutes les imprécisions associées aux prévisions classiques, elles surpassent massivement ces dernières d’un point de vue opérationnel chaque fois que des stocks sont impliqués.
Pourtant, les prévisions quantiles ne représentent pas non plus l’apogée des prévisions. En apparence, notre technologie de prévision quantile souffrait d’anomalies numériques telles que le croisement des quantiles et l’instabilité des quantiles. Cependant, puisque ces anomalies sont assez visibles, elles peuvent être atténuées efficacement. Néanmoins, à un niveau plus profond, nous avons réalisé que nos prévisions quantiles n’étaient toujours pas parfaitement alignées avec les véritables points critiques du business. En particulier, les prévisions quantiles laissent la charge de l’optimisation des taux de service au Supply Chain Manager. C’est de la tricherie – en quelque sorte – car une part considérable de la performance des stocks est en réalité assurée par un réglage très précis des taux de service les plus rentables, qui équilibrent de manière appropriée les coûts de stocks et la qualité du service.
Prévisions 3.0 : grilles quantiles
En février 2015, nous lançons notre deuxième percée en matière de prévision : les grilles quantiles. Au fil des années, nous avons accepté que les prévisions ne pouvaient être que imparfaites. Les prévisions précises sont un conte de fées, répété commodément sur un marché inondé de vendeurs décevants. Puisque nous ne pouvons pas prédire l’avenir exact, pourquoi ne pas essayer d’attribuer une probabilité à chaque futur possible ? C’est-à-dire, la probabilité de vendre zéro unité, une unité, deux unités, etc. C’est précisément de cela qu’il s’agit avec les grilles quantiles : fournir non pas une seule prévision par produit, mais l’ensemble de la distribution de probabilité de la demande pour chaque produit. En coulisses, les grilles quantiles ressemblent un peu aux prévisions quantiles, sauf qu’une prévision de la demande est calculée simultanément pour tous les taux de service.
L’optimisation des stocks ou la gestion de la supply chain consiste avant tout à équilibrer risques et opportunités : niveaux de stocks vs taux de service, prix d’achat vs délai d’approvisionnement, achat en gros vs fabrication à la commande, etc. Alors que les prévisions quantiles peuvent identifier un ou deux scénarios problématiques, au final, il ne s’agit que d’une seule valeur de prévision par produit, et peu importe la qualité de cette valeur, elle ne peut capturer toute la diversité des issues commerciales possibles. En revanche, les grilles quantiles abordent le problème de front : toutes les issues sont calculées et associées à leurs probabilités respectives. Pour chaque scénario, par exemple pour une demande future de 3 unités alors que nous n’en avons acheté que 2, il devient alors possible et simple de calculer le résultat net pour l’entreprise – comme 2 unités vendues et 1 unité manquée. Par conséquent, chaque décision d’achat peut être évaluée en déroulant simplement tous les scénarios et en appliquant à chacun la probabilité calculée.
Une percée venue de l’aérospatiale
Bien que Lokad s’adresse principalement aux détaillants, nous intervenons également dans d’autres secteurs, tels que l’aéronautique. Il y a un an, nous avons commencé à travailler pour une grande coentreprise entre AirFrance Industries et Lufthansa Technik, et avons réalisé que notre technologie de prévision quantile n’était pas entièrement à la hauteur du défi. Chaque prévision quantile ressemble à un scénario commercial unique. Bien qu’il soit possible de combiner 3, 4 ou 5 scénarios commerciaux différents, il faut un effort considérable pour mettre en œuvre les règles qui unissent tous ces scénarios afin de produire des décisions d’approvisionnement optimisées.
Une solution bien plus élégante, et qui offre également une bien meilleure performance en matière de stocks, consiste à prévoir et évaluer tous les futurs scénarios commerciaux. Fini les scénarios ad hoc que nous tentons désespérément d’assembler, place à une liste de (presque) tous les scénarios possibles (certes, il s’agit d’une longue liste), tous traités de manière simple et uniforme. Cette approche présente l’inconvénient d’être brutalement plus exigeante en termes de ressources informatiques. Cependant, grâce à notre plateforme de cloud computing préférée - Microsoft Azure - les ressources informatiques n’ont jamais été aussi bon marché, et les prix sont toujours en chute libre.
Les résultats que nous avons obtenus grâce aux grilles quantiles pour l’aéronautique se sont révélés éclipsant la performance de notre technologie phare de prévision quantile. Il était temps de réintroduire la science des fusées (eh bien, pas les fusées, mais bien les avions à réaction) auprès des commerçants, et les multiples expériences menées au cours des derniers mois ont confirmé la supériorité décisive des grilles quantiles par rapport à nos prévisions quantiles d’origine.
L’avenir de l’optimisation prédictive du commerce
Lorsque nous avons lancé les prévisions quantiles il y a trois ans, j’avais prédit qu’en moins de 10 ans, elles deviendraient l’outil par défaut pour tout praticien de la supply chain sérieux quant à la performance de ses stocks. Eh bien, il s’est avéré que les efforts de toute l’équipe de Lokad, y compris les miens, m’ont prouvé le contraire. Comme nous avons découvert une approche supérieure à nos prévisions quantiles initiales, nous en sommes venus à la conclusion que l’avenir à long terme des prévisions quantiles est fragile. Pourtant, l’avenir du descendant des prévisions quantiles est plus prometteur que jamais, car les grilles quantiles résolvent les défis qui nous échappaient depuis des années, tels que l’optimisation des taux de service, les expéditions en conteneurs ou les stratégies de multi-sourcing.
De plus, pendant des années, la prévision de stocks et l’optimisation des prix ont été traitées en stricte isolation, comme s’il s’agissait de deux parties d’un puzzle séparé : le moteur de prévision de la demande ignorait ce qui se passait du côté des prix, et, par souci d’équité, le moteur de tarification ne se préoccupait pas non plus des contraintes de supply chain. Cependant, les stocks et les prix sont les deux faces d’une même médaille ; et nous réalisons désormais que toute tentative d’optimisation qui ignorerait aveuglément l’autre face de la médaille est, au mieux, une tentative naïve.
Ainsi, bien que j’évite de commettre la même erreur en prédisant que les grilles quantiles représentent l’avenir à long terme de la prévision pour être ensuite contredit par l’équipe de Lokad, je parie désormais plus prudemment que, quelle que soit la technologie prédictive qui émerge de nos efforts, l’analyse des prix finira probablement par s’unifier avec l’analyse des stocks. Nous n’y sommes pas encore tout à fait, mais nous faisons des progrès constants dans cette direction.
Nouvelle méthodologie : priorisation des achats
Tous les systèmes d’optimisation des stocks (Lokad 2.0 inclus) calculent des points de réapprovisionnement. En comparant les points de réapprovisionnement aux quantités en stock et en commande, ces systèmes calculent également des quantités de commande suggérées. Au fil des années, nous avons découvert deux limitations majeures de cette approche. Premièrement, ces systèmes ne disent rien concernant les taux de service cibles, ni leur optimisation. Deuxièmement, les points de réapprovisionnement s’avèrent quelque peu rigides dès lors que des contraintes d’achat entrent en jeu.
Les systèmes d’optimisation des stocks produisent traditionnellement un ensemble statique de points de réapprovisionnement (un par SKU), principalement déterminé par les taux de service définis par l’utilisateur. Cependant, cela constitue de la tricherie car la charge de déterminer le taux de service « optimal » revient au planificateur de supply chain ; et non seulement la détermination des taux de service corrects s’avère être un exercice très chronophage, mais c’est également une source majeure d’inefficacités si ces taux sont choisis de manière inappropriée.
Avec les grilles quantiles, le tableau est tout autre : une liste maîtresse de priorisation des achats est calculée. Techniquement, il s’agit d’une liste où chaque SKU apparaît sur de nombreuses lignes, chaque ligne étant associée à une quantité de commande suggérée – typiquement 1 unité en l’absence de contraintes d’approvisionnement. La liste est hiérarchisée, et ce critère de priorisation revêt une importance primordiale.
Pour la plupart des entreprises, cette priorisation répond à la question : pour 1 $ de stock supplémentaire, quelle est la prochaine unité qui offre le rendement le plus élevé à l’entreprise ? Cela peut également se formuler comme la marge brute attendue moins les coûts de détention des stocks attendus. Naturellement, au fur et à mesure que l’on descend dans la liste, la marge brute attendue diminue fortement, car la probabilité d’obtenir une demande suffisamment élevée pour absorber le stock devient très mince. De même, en descendant dans la liste, le coût de détention des stocks augmente fortement, chaque unité supplémentaire de stock étant censée rester plus longtemps dans l’entrepôt. En théorie, la liste n’a pas de fin, puisqu’elle s’étend à l’infini. En pratique, nous nous arrêtons simplement à un point bien au-delà de ce qui constituerait des niveaux de stocks “raisonnables”. Lorsqu’un achat est effectué, l’objectif n’est pas de parcourir toute la liste, mais d’acheter des articles en fonction de leurs priorités respectives, et d’arrêter les achats une fois l’objectif de dépense atteint.
Par conséquent, cela élimine entièrement le besoin de spécifier les taux de service. Une fois qu’un budget de dépenses est défini, une entreprise achète ses marchandises en fonction des priorités établies par la liste maîtresse de priorisation des achats. Acheter des marchandises dans cet ordre garantit que les revenus ou les profits de l’entreprise sont maximisés, conformément aux critères de priorisation spécifiés.
Les grilles quantiles sont également beaucoup plus polyvalentes dans leur capacité à traiter des scénarios impliquant des contraintes d’approvisionnement. Bien que les prévisions quantiles soient effectivement puissantes, dès que vous avez des quantités minimales de commande, que ce soit par SKU ou par fournisseur, et éventuellement certaines contraintes de capacité de volume de conteneur, les quantités suggérées ne correspondent pas aux contraintes d’approvisionnement. Il revient alors au planificateur de supply chain de gérer tous les ajustements, à savoir supprimer certains SKU ou augmenter les unités pour d’autres SKU, afin de composer un lot de commande complexe qui respecte toutes les contraintes.
Avec les grilles quantiles, nous avons une expérience utilisateur beaucoup plus convaincante et directe à proposer. La liste maîtresse facilite l’intégration des contraintes de commande. Si des quantités minimales de commande par SKU sont imposées, les lignes non éligibles peuvent être retirées de la liste. De même, si une contrainte de capacité cible existe pour les expéditions en conteneurs, les entrées d’achat peuvent être traitées en suivant l’ordre de la liste jusqu’à ce que la capacité cible soit atteinte.
Quelle est la suite ?
Alors que les grilles quantiles sont déjà live et accessibles à toutes les entreprises disposant d’un compte Lokad ouvert, il nous manque encore de la documentation qui expose à la fois les aspects techniques, mais également les meilleures pratiques supply chain relatives à cette nouvelle technologie. Ce matériel arrive. Restez à l’écoute.
