L'algèbre pour l'économie de supply chain

Joannes Vermorel

Le premier principe de notre manifeste Supply Chain Quantitative stipule que tous les futurs doivent être considérés. Ainsi, nous avons étendu Envision il y a deux ans pour fonctionner nativement avec variables aléatoires. Cette algèbre probabiliste est la pierre angulaire de notre approche des futurs incertains.

Ensuite, le deuxième principe stipule que toutes les décisions réalisables doivent être considérées, par exemple les quantités à acheter auprès des fournisseurs. Pourtant, bien que ces décisions ne soient pas des variables aléatoires, les quantités associées à ces décisions sont non décidées et non incertaines. Notre algèbre probabiliste n’était pas suffisante en elle-même pour refléter correctement ces décisions à venir.

Ainsi, l’année dernière, nous avons déployé, de manière silencieuse et progressive, une algèbre complémentaire : l’algèbre des zedfuncs. Un zedfunc est un type de donnée dans Envision destiné à refléter les gains ou pertes économiques associés aux décisions quantifiées. L’astuce principale est qu’un zedfunc ne calcule pas le résultat pour une décision, mais pour toutes les décisions ; par exemple, tous les gains issus du déclenchement d’une production de 1 unité jusqu’à une infinité ¹ d’unités.

En combinant ranvars et zedfuncs, il est possible de faire face à de vicieuses complications de supply chain telles que les remises de prix avec un minimum d’effort. Les zedfuncs constituent un ingrédient essentiel pour une optimization de la supply chain afin de produire des listes prioritaires de décisions, où toutes les décisions réalisables sont ordonnées par retour sur investissement décroissant.

Comme inconvénient mineur, les zedfuncs sont assez gourmands en ressources informatiques. Ce sont le genre de types de données numériques avancés qui ne rentrent tout simplement pas dans un tableur classique. Heureusement pour nous, Lokad répartit de manière transparente la charge de travail sur une flotte de machines obtenue via notre plateforme favorite de cloud computing et, dans l’ensemble, la puissance brute de calcul n’a jamais été aussi abordable. Ainsi, en pratique, gérer des centaines de millions de zedfuncs reste un non-problème pour le back-end Envision. La conception actuelle des zedfuncs de Lokad nous a demandé de sérieux efforts, et nous avons procédé à une réécriture complète de notre première tentative. Le cœur du défi résidait dans notre propre algorithme de compression avec perte utilisé pour les zedfuncs - un composant nécessaire pour maîtriser l’empreinte mémoire des zedfuncs - qui n’était pas suffisamment performant. Plus précisément, notre première version ne conservait pas une précision numérique suffisante là où c’était le plus important. La seconde version a réussi, grâce aux enseignements que nous avions tirés de nos systèmes de production.

Alors que la prévision de la demande probabiliste gagne en popularité au sein des supply chains, de nombreuses solutions n’en effleurent encore que la surface lorsqu’il s’agit de tirer pleinement parti de ces nouvelles perspectives. Des outils adaptés sont essentiels. Générer des milliards de probabilités est (un peu) facile ; les transformer en décisions qui maximisent votre ROI est beaucoup plus difficile. C’est à cela que servent les zedfuncs. Les zedfuncs sont le genre d’outil inestimable qui n’apparaîtront probablement jamais dans l’un des nombreux RFP que nous recevons ; et pourtant, la majeure partie de la Supply Chain Quantitative ne peut être réalisée qu’avec ces zedfuncs - ou leurs meilleures alternatives (à venir). Les zedfuncs sont le genre d’outil inestimable qui n’apparaîtront probablement jamais dans l’un des nombreux RFP que nous recevons ; et pourtant, la majeure partie de la Supply Chain Quantitative ne peut être réalisée qu’avec ces zedfuncs - ou leurs meilleures alternatives (à venir).