Prévision 3.0 avec les grilles de 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 de quantiles. En termes simples, les grilles de quantiles démontrent 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 disponibles sur le marché, les grilles de quantiles ne fournissent pas une prévision de la demande par produit, mais fournissent la distribution de probabilité complète pour (presque) tous les futurs possibles. Les grilles de quantiles sont rendues possibles grâce à la combinaison de l’apprentissage automatique, du Big Data, du cloud computing et de quelques connaissances en commerce.
Les grilles de quantiles sont désormais disponibles en production pour tous nos clients, accessibles via une nouvelle option Grille de quantiles pour tout projet de prévision des stocks.
Prévision 1.0 : prévisions classiques
Lorsque Lokad a été fondée en 2008, nous avons commencé avec ce que nous appelons maintenant 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 jusqu’à 13 semaines à l’avance. Implicitement, ces prévisions sont des prévisions médianes : des prévisions non biaisées sont censées avoir 50% de chances d’être supérieures ou inférieures à la demande future. Pour le reste du marché, ces prévisions ne sont pas appelées les prévisions classiques, ce sont les seules prévisions car la plupart de nos concurrents n’ont même pas 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 regardent tout simplement pas ce qui compte vraiment. La demande moyenne ou médiane est le cas facile et peu intéressant où tout se passe comme prévu. Les cas difficiles concernent cependant une demande inattendue élevée ou inattendue faible car ils créent respectivement des ruptures de stock et des stocks morts. Ce sont ces types de situations extrêmes qui coûtent vraiment de l’argent. Les prévisions classiques fonctionnent mal, non pas parce que les algorithmes ne sont pas bons, mais parce qu’elles ne regardent pas l’entreprise du bon angle. Ainsi, peu importe les investissements en R&D qu’une entreprise peut consacrer aux prévisions classiques, cela échoue simplement. C’était l’une des leçons les plus difficiles pour Lokad à apprendre dans nos premiers jours.
Prévision 2.0 : prévisions quantiles
En 2012, nous avons réalisé notre première percée avec les prévisions quantiles. Malgré un nom qui peut sembler effrayant, les prévisions quantiles sont quelque chose de beaucoup plus proche de ce que les dirigeants font pour leurs entreprises : ce sont des prévisions scénarisées. Au lieu de se concentrer sur le cas moyen, les prévisions quantiles ont l’objectif suivant : regardons les 5% des perspectives de demande les plus optimistes, allons-nous subir une rupture de stock ? Ensuite, regardons les 5% des perspectives de demande les plus pessimistes, allons-nous devoir faire face à des stocks morts ? Les prévisions quantiles abordent directement les questions difficiles qui importent réellement d’un point de vue commercial. Comme le disent les ingénieurs, il vaut mieux être approximativement correct que précisément faux, et bien que les prévisions quantiles souffrent également de toutes les imprécisions associées aux prévisions classiques, elles surpassent largement les prévisions classiques d’un point de vue opérationnel chaque fois que les stocks sont impliqués.
Pourtant, les prévisions quantiles ne sont pas non plus le summum des prévisions. En surface, notre technologie de prévision quantile souffrait d’anomalies numériques telles que le croisement des quantiles et les instabilités des quantiles. Cependant, étant donné que ces anomalies sont assez visibles, elles peuvent être efficacement atténuées. Cependant, à un niveau plus profond, nous avons réalisé que nos prévisions quantiles n’étaient toujours pas parfaitement alignées sur les véritables problèmes commerciaux. En particulier, les prévisions quantiles laissent la charge de l’optimisation des taux de service au responsable de la chaîne d’approvisionnement. C’est tricher - d’une certaine manière - car une partie considérable de la performance des stocks est en réalité obtenue grâce à un réglage très précis des taux de service les plus rentables qui équilibrent adéquatement les coûts des stocks et la qualité du service.
Prévision 3.0 : grilles quantiles
En février 2015, nous lançons maintenant notre deuxième percée en matière de prévisions : les grilles quantiles. Au fil des années, nous avons accepté le fait que les prévisions ne peuvent être qu’imparfaites. Les prévisions précises sont un conte de fées raconté de manière pratique dans un marché envahi par des vendeurs décevants. Puisque nous ne pouvons pas prédire l’avenir exact, que diriez-vous d’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 exactement ce que sont les grilles quantiles : elles fournissent non seulement une prévision par produit, mais elles fournissent la distribution de probabilité complète de la demande pour chaque produit. Sous le capot, les grilles quantiles sont un peu comme les prévisions quantiles, sauf qu’une prévision de demande est calculée simultanément à tous les niveaux de service.
Optimiser les stocks ou gérer la supply chain consiste à équilibrer les risques et les opportunités : niveaux de stocks vs taux de service, prix d’achat vs délai de livraison du fournisseur, achat en vrac 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 à quel point cette valeur peut être bonne, cette seule valeur ne peut pas capturer toute la diversité des résultats commerciaux possibles. En revanche, les grilles quantiles abordent le problème de front : tous les résultats sont calculés et associés à leurs probabilités respectives. Pour chaque scénario, par exemple pour la demande future de 3 unités, si nous n’avons acheté que 2 unités, il devient alors possible et simple de calculer le résultat commercial net - comme 2 unités vendues et 1 unité manquée. En conséquence, chaque décision d’achat peut être évaluée en déroulant simplement tous les scénarios et en appliquant la probabilité calculée à chaque scénario.
Une percée venant de l’aérospatiale
Alors que Lokad sert principalement les détaillants, nous travaillons également avec d’autres industries, telles que l’aérospatiale. Il y a un an, nous avons commencé à travailler pour une grande coentreprise entre AirFrance Industries et Lufthansa Technik, et nous avons réalisé que notre technologie de prévision quantile n’était pas entièrement à la hauteur du défi. Chaque prévision quantile est comme un seul scénario commercial. Bien qu’il soit possible de combiner 3, 4 ou 5 scénarios commerciaux différents, il faut beaucoup d’efforts pour mettre en œuvre les règles qui lient tous ces scénarios ensemble afin de produire des décisions d’approvisionnement optimisées.
Une solution beaucoup plus élégante, et qui offre également de bien meilleures performances en matière de stocks, consiste à prévoir et évaluer tous les futurs scénarios commerciaux. Fini les scénarios ad hoc que nous essayons désespérément de souder ensemble, mais une liste de (presque) tous les scénarios possibles (certes, c’est 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 encore en chute libre.
Les résultats que nous avons obtenus grâce aux grilles quantiles pour l’aérospatiale se sont révélés bien supérieurs aux performances de notre technologie de prévision quantile phare. Il était temps de ramener la science des fusées (enfin, pas des fusées, des avions de ligne à réaction en réalité) aux commerçants, et les multiples expériences que nous avions réalisées 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 du commerce prédictif
Lorsque nous avons publié nos prévisions quantiles il y a trois ans, j’ai prédit qu’à l’horizon de 10 ans, les prévisions quantiles deviendraient l’outil par défaut pour tout praticien de la supply chain soucieux de ses performances en matière de stocks. Eh bien, il s’est avéré que les efforts de toute l’équipe Lokad, y compris les miens, m’ont donné tort. 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. Cependant, 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 conteneur ou les stratégies de multi-sourcing.
De plus, depuis des années, la prévision des stocks et l’optimisation des prix ont été traitées de manière strictement isolée, comme s’il s’agissait de deux puzzles distincts : le moteur de prévision de la demande ignorait ce qui se passe du côté de la tarification, et pour les équilibrer, le moteur de tarification ne tenait pas compte non plus des contraintes de la supply chain. Cependant, les stocks et les prix sont deux faces d’une même pièce ; et nous réalisons maintenant que toute tentative d’optimisation qui ignore aveuglément l’autre face de la pièce est une tentative naïve au mieux.
Ainsi, bien que j’éviterai de commettre la même erreur et de prédire que les grilles de quantiles sont l’avenir à long terme de la prévision, pour ensuite être contredit par l’équipe de Lokad, je parierai maintenant de manière plus sûre que quelle que soit la technologie prédictive qui émerge de nos efforts, l’analyse des prix sera probablement unifiée avec l’analyse des stocks en cours de route. Nous n’en sommes pas encore là, mais nous progressons régulièrement dans cette direction.
Nouvelle méthodologie : priorisation des achats
Tous les systèmes d’optimisation des stocks (y compris Lokad 2.0) calculent les points de réapprovisionnement. En comparant les points de réapprovisionnement avec les quantités disponibles et en commande, ces systèmes calculent également les quantités de réapprovisionnement suggérées. Au fil des années, nous avons découvert deux limitations majeures de cette approche. Premièrement, ces systèmes ne disent rien sur les niveaux de service cibles et leur optimisation. Deuxièmement, les points de réapprovisionnement se révèlent quelque peu rigides lorsque des contraintes d’achat sont impliquées.
Les systèmes d’optimisation des stocks produisent traditionnellement un ensemble statique de points de réapprovisionnement (un par SKU), principalement basé sur les niveaux de service définis par l’utilisateur respectif. Cependant, cela est trompeur car la charge de déterminer le niveau de service “optimal” revient au planificateur de la supply chain ; et non seulement déterminer les bons niveaux de service s’avère être un exercice très chronophage, mais c’est aussi une source d’inefficacités majeures si les niveaux de service sont inadéquatement choisis.
Avec les grilles de quantiles, la situation est très différente : une liste de priorités d’achat principale 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 - généralement 1 unité si aucune contrainte d’approvisionnement n’est présente. La liste est priorisée, et ce critère de priorisation est d’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 rapporte le plus à l’entreprise ? Cela peut également être formulé comme la marge brute attendue moins les coûts de possession des stocks attendus. Naturellement, à mesure que nous descendons dans la liste, la marge brute attendue diminue fortement, car la probabilité d’avoir une demande suffisamment élevée pour absorber le stock devient très faible. De même, en descendant dans la liste, le coût de possession des stocks augmente fortement, car chaque unité supplémentaire de stock est censée rester dans l’entrepôt plus longtemps. En théorie, la liste n’a pas de fin, car elle descend jusqu’à l’infini. En pratique cependant, nous nous arrêtons simplement à un point bien au-delà de ce qui constituerait des niveaux de stock “raisonnables”. Lorsqu’un achat est effectué, l’objectif n’est pas de descendre dans la liste mais d’acheter des articles selon leurs priorités respectives, et de cesser d’acheter une fois que l’objectif de dépenses est atteint.
Par conséquent, cela élimine complètement la nécessité de spécifier les niveaux de service. Une fois qu’un budget d’achat est défini, une entreprise achète ses marchandises en fonction des priorités établies par la liste de priorités d’achat principale. L’achat des marchandises dans cet ordre garantit que les revenus ou les bénéfices de l’entreprise sont maximisés, en suivant les critères de priorisation spécifiés.
Les grilles de quantiles sont également beaucoup plus polyvalentes dans leur capacité à traiter des scénarios impliquant des contraintes d’approvisionnement. Bien que les prévisions de quantiles soient en effet puissantes, dès que vous avez des quantités de commande minimales, que ce soit par SKU ou par fournisseur, et éventuellement des contraintes de capacité de volume de conteneur, les quantités suggérées ne correspondent pas aux contraintes d’approvisionnement. Il revient alors au planificateur de la supply chain de gérer tous les ajustements, notamment en supprimant certains SKUs ou en augmentant les unités pour d’autres SKUs, afin de composer un lot de commande complexe qui satisfait toutes les contraintes.
Avec les grilles de quantiles, nous avons une expérience utilisateur beaucoup plus convaincante et beaucoup plus simple à proposer. La liste principale facilite l’adaptation aux contraintes de commande. Si des quantités de commande minimales par SKU sont présentes, alors les lignes inéligibles peuvent être supprimées de la liste. De même, si une contrainte de capacité cible existe pour accueillir les expéditions de conteneurs, les entrées d’achat peuvent être traitées en suivant l’ordre de la liste jusqu’à ce que la capacité cible soit atteinte.
Qu’est-ce qui vient ensuite?
Bien que les grilles de quantiles soient déjà en direct et accessibles à toutes les entreprises qui ont un compte Lokad ouvert, il nous manque encore de la documentation qui présente à la fois les aspects techniques, mais aussi les meilleures pratiques de la supply chain liées à cette nouvelle technologie. Ce matériel arrive. Restez à l’écoute.
