L'effet lampadaire et la prévision
Un policier voit un homme ivre cherchant quelque chose sous un lampadaire 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 lampadaire. 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.
Une des choses les plus paradoxales à propos des prévisions “classiques” est qu’elles cherchent 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 que des alternatives aux prévisions “classiques” existent en premier lieu.
Cependant, du point de vue commercial, en ce qui concerne les stocks, ce ne sont pas les situations intermédiaires qui coûtent 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 stocks fluctuent doucement et les stocks tournent de manière très satisfaisante.
Par conséquent, il est inutile d’optimiser le cas moyen, c’est-à-dire lorsque les stocks tournent 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 sont d’améliorer la qualité de service d’une part (c’est-à-dire atténuer la demande inattendue élevée), tout en maintenant les niveaux de stocks 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 cherchent-elles encore 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 lampadaire. Les outils et processus classiques éclairent des situations “moyennes” qui n’ont guère besoin d’être éclairées davantage, laissant ainsi entièrement dans l’obscurité ce qui se trouve aux extrêmes.
Une idée fausse fréquente consiste à penser qu’améliorer le cas “moyen” devrait également améliorer marginalement les extrêmes. Hélas, la prévision statistique est contre-intuitive et une analyse numérique de base montre que ce n’est tout simplement pas le cas. La prévision statistique est comme un microscope : tout en étant incroyablement précis, son focus est également incroyablement étroit.
Tenter de résoudre vos problèmes de supply chain à travers des prévisions classiques “moyennes” 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, avec du recul, 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, commence à prétendre que son diagnostic a échoué parce que son microscope n’avait pas une résolution suffisante. 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 redoublent d’efforts 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 classique de la prévision ne fonctionnait pas, et pire encore, qu’elle ne fonctionnerait jamais, peu importe la technologie que nous ajouterions au cas, 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 paru longues, très longues. En notre défense, lorsque toute une industrie repose sur de fausses promesses qui remontent aux manuels universitaires, il n’est pas si facile de commencer à penser différemment lorsque la boîte elle-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.
Victor (Il y a un an)
