Effet du réverbère et prévisions
Un policier voit un homme ivre chercher quelque chose sous un réverbère et lui demande ce que l’ivrogne a perdu. Il dit qu’il a perdu ses clés et ils regardent tous les deux sous le réverbère. Après quelques minutes, le policier demande s’il est sûr de les avoir perdues ici, et l’ivrogne répond que non, qu’il les a perdues dans le parc. Le policier demande pourquoi il cherche ici, et l’ivrogne répond : “c’est là où il y a de la lumière.” David H. Freedman (2010). Wrong: Why Experts Keep Failing Us.
L’une des choses les plus paradoxales à propos des prévisions “classiques” est qu’elles recherchent la valeur moyenne - parfois médiane - de la demande future, alors que ce cas moyen, comme nous le verrons ci-dessous, est principalement sans importance. Chaque fois que des prévisions quotidiennes, hebdomadaires ou mensuelles sont utilisées, celles-ci 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 praticiens de la supply chain ne sont même pas conscients de l’existence de solutions alternatives aux prévisions “classiques” en premier lieu.
Cependant, du point de vue commercial, en ce qui concerne les stocks, ce n’est pas le juste milieu qui coûte de l’argent, mais les extrêmes. D’une part, il y a la demande inattendue élevée qui provoque une rupture de stock. D’autre part, il y a la demande inattendue faible qui provoque un stock mort. Lorsque le niveau de demande est à peu près là où il était prévu, les niveaux de stock fluctuent légèrement et le stock tourne de manière très satisfaisante.
Par conséquent, il est inutile d’optimiser le cas moyen, c’est-à-dire lorsque le stock tourne de manière très satisfaisante, car il y a peu ou rien à améliorer en premier lieu. Ce sont les extrêmes qui doivent être pris en charge. En fait, la plupart des praticiens sont parfaitement conscients de ce problème, car leurs deux principaux problèmes consistent à améliorer la qualité de service d’une part (c’est-à-dire atténuer la demande inattendue élevée), tout en maintenant les niveaux de stock sous contrôle d’autre part (c’est-à-dire atténuer la demande inattendue faible).
Pourtant, puisque nous avons convenu que les défis de la supply chain sont principalement liés aux “extrêmes”, pourquoi de nombreuses entreprises continuent-elles de chercher des réponses à travers des prévisions “moyennes” ? Je crois que la gestion de la supply chain, en tant qu’industrie, souffre d’un grave cas de recherche de l’ivrogne, un problème appelé l’effet du réverbère. Les outils et processus classiques éclairent les situations “moyennes” qui n’ont guère besoin d’être éclairées davantage, tout en laissant complètement dans l’obscurité tout ce qui se trouve aux extrêmes.
Une idée fausse fréquente consiste à penser que l’amélioration du cas “moyen” améliorera également marginalement les extrêmes. Hélas, les prévisions statistiques sont contre-intuitives et une analyse numérique de base montre que ce n’est tout simplement pas le cas. Les prévisions statistiques sont comme un microscope : tout en étant incroyablement précises, elles ont également un champ de vision incroyablement étroit.
Essayer de résoudre les problèmes de votre supply chain grâce à des prévisions “moyennes” classiques revient à essayer de diagnostiquer ce qui ne va pas avec votre voiture qui refuse de démarrer en passant chaque pièce de la voiture au microscope, en commençant par le moteur. À ce rythme, vous ne parviendrez probablement jamais à diagnostiquer que votre voiture ne bouge pas parce qu’il n’y a plus d’essence, ce qui, rétrospectivement, était un problème assez évident.
Cependant, ce n’est pas la fin de la folie. Imaginez maintenant que le mécanicien, après avoir échoué à diagnostiquer pourquoi votre voiture ne bouge pas, prétende que son diagnostic a échoué parce que son microscope n’avait pas assez de résolution. Et maintenant, le mécanicien vous demande plus d’argent pour qu’il puisse acheter un meilleur microscope.
Eh bien, un scénario similaire se produit actuellement dans de nombreuses entreprises : l’initiative de prévision précédente n’a pas réussi à fournir les performances d’inventaire souhaitées, et les entreprises persistent avec une autre initiative de prévision sur les mêmes bases qui ont causé l’échec de la première initiative.
Chez Lokad, il nous a fallu 5 ans pour réaliser que l’approche de prévision classique ne fonctionnait pas, et pire encore, qu’elle ne fonctionnerait jamais, quelle que soit la technologie que nous ajouterions, tout comme passer à un microscope ultra haute résolution de 27 millions de dollars n’aurait jamais aidé le mécanicien à diagnostiquer votre réservoir vide. En 2012, nous avons découvert les prévisions quantiles que nous avons continuellement améliorées ; et soudain, les choses ont commencé à fonctionner.
Ces cinq années d’échecs continus ont été longues, très longues. En notre défense, lorsque toute une industrie travaille sur de fausses promesses qui remontent aux manuels universitaires, il n’est pas si facile de commencer à penser en dehors du cadre lorsque le cadre lui-même est si énorme que vous pouvez passer votre vie à errer en cercles à l’intérieur sans jamais toucher les murs.
Commentaires des lecteurs (1)
Très belle analogie, merci Joannes Vermorel. Il y a un an | Victor
