Un policier voit un ivrogne chercher quelque chose sous un lampadaire et lui demande ce qu’il a perdu. L’ivrogne répond qu’il a perdu ses clés, et ils regardent ensemble sous le lampadaire. Après quelques minutes, le policier lui demande s’il est certain de les avoir perdues ici, et l’ivrogne répond non, précisant qu’il les a perdues dans le parc. Le policier demande alors pourquoi il cherche ici, et l’ivrogne rétorque : “c’est ici que la lumière est.” David H. Freedman (2010). Wrong: Why Experts Keep Failing Us.

L’une des choses les plus paradoxales concernant les prévisions « classiques » est qu’elles recherchent la valeur moyenne – parfois la médiane – de la demande future, alors que ce cas moyen, comme nous le verrons ci-dessous, est pour la plupart hors de propos. Chaque fois que des prévisions quotidiennes, hebdomadaires ou mensuelles sont utilisées, elles peuvent être considérées comme des prévisions moyennes. Pourquoi ? Parce que d’autres types de prévisions, comme les prévisions quantiles, ne sont pas additives, ce qui les rend assez contre-intuitives. En fait, la plupart des professionnels de la supply chain ne savent même pas que des alternatives aux prévisions « classiques » existent.

Cependant, d’un point de vue commercial, en ce qui concerne les stocks, ce n’est pas le cas moyen qui coûte de l’argent, mais bien les extrêmes. D’une part, il y a la demande exceptionnellement élevée qui cause une rupture de stock. D’autre part, il y a la demande exceptionnellement faible qui engendre des stocks morts. Lorsque le niveau de demande est approximativement celui attendu, les niveaux de stocks fluctuent doucement, et les stocks tournent de façon très satisfaisante.

En conséquence, il n’est pas utile d’optimiser le cas moyen, c’est-à-dire lorsque les stocks tournent de façon très satisfaisante, car il y a peu ou rien à améliorer. Ce sont les extrêmes qui doivent être pris en charge. En réalité, la plupart des praticiens en sont parfaitement conscients, puisque leurs deux principaux problèmes consistent à améliorer la qualité du service d’une part (c’est-à-dire à atténuer la demande exceptionnellement élevée), tout en maintenant les niveaux de stocks sous contrôle d’autre part (c’est-à-dire à atténuer la demande exceptionnellement faible).

Pourtant, puisque nous avons convenu que les défis de la supply chain concernent principalement les extrêmes, pourquoi de nombreuses entreprises continuent-elles de chercher des réponses à travers des prévisions « moyennes » ? Je pense que la gestion de la supply chain en tant qu’industrie souffre d’un mauvais cas de recherche à la manière d’un ivrogne, un problème appelé l’effet de l’éclairage public. Les outils et processus classiques mettent en lumière des situations « moyennes » qui nécessitent à peine d’être éclairées davantage, tout en laissant complètement dans l’ombre ce qui se trouve aux extrêmes.

Une idée reçue fréquente consiste à penser qu’améliorer le cas « moyen » améliorerait aussi marginalement les extrêmes. Hélas, la prévision statistique est contre-intuitive et une analyse numérique élémentaire démontre que ce n’est tout simplement pas le cas. La prévision statistique est comme un microscope : aussi incroyablement précis soit-il, son champ de vision est également incroyablement étroit.

Essayer de résoudre vos problèmes de supply chain via des prévisions « moyennes » classiques revient à tenter de diagnostiquer ce qui ne va pas avec votre voiture, qui refuse de démarrer, en examinant chacune de ses pièces au microscope, en commençant par le moteur. À ce rythme, vous n’arriverez probablement jamais à découvrir que votre voiture ne démarre pas parce qu’il n’y a plus d’essence, ce qui, rétrospectivement, était un problème plutôt évident.

Cependant, ce n’est pas la fin de la folie. Imaginez maintenant que le garagiste, après avoir échoué à diagnostiquer pourquoi votre voiture ne bouge pas, commence à prétendre que son diagnostic a échoué parce que son microscope n’avait pas une résolution suffisante. Et maintenant, le garagiste vous demande plus d’argent afin de pouvoir acheter un microscope de meilleure qualité.

Eh bien, un scénario similaire se produit actuellement dans de nombreuses entreprises : l’initiative de prévision précédente n’a pas permis d’atteindre la performance de stocks souhaitée, et les entreprises redoublent d’efforts avec une nouvelle initiative de prévision suivant exactement les mêmes principes qui ont conduit à l’échec de la première.

Chez Lokad, il nous a fallu 5 ans pour réaliser que l’approche classique de prévision ne fonctionnait pas, et pire encore, qu’elle ne fonctionnerait jamais, quelle que soit la quantité de technologie que nous y ajouterions, tout comme le passage à un microscope ultra haute résolution à 27 millions de dollars n’aurait jamais aidé le garagiste à diagnostiquer votre réservoir vide. En 2012, nous avons découvert des prévisions quantiles que nous avons constamment améliorées; et soudainement, les choses ont commencé à fonctionner.

Ces cinq années d’échecs continus et réguliers ont semblé longues, vraiment longues. Pour notre défense, lorsqu’une industrie entière se fonde sur de fausses promesses dont l’origine remonte aux manuels universitaires, il n’est pas si facile de commencer à penser en dehors de la boîte alors que celle-ci est si immense que l’on peut y errer en cercle toute sa vie sans jamais en toucher les bords.


Commentaires des lecteurs (1)

Très belle analogie, merci Joannes Vermorel. Victor (Il y a un an)