Une algèbre pour l'économie de la supply chain
Le premier principe de notre manifeste de la Supply Chain Quantitative stipule que tous les futurs doivent être pris en compte. Ainsi, nous avons étendu Envision il y a deux ans pour travailler nativement avec des variables aléatoires. Cette algèbre probabiliste est la pierre angulaire de notre façon de traiter les futurs incertains.
Ensuite, le deuxième principe stipule que toutes les décisions réalisables doivent être prises en compte, par exemple les quantités à acheter auprès des fournisseurs. Cependant, bien que ces décisions ne soient pas des variables aléatoires, les quantités associées à ces décisions sont indécises et non incertaines. Notre algèbre probabiliste n’était pas suffisante en elle-même pour refléter correctement ces décisions à prendre.
Ainsi, l’année dernière, nous avons discrètement et progressivement déployé une algèbre complémentaire : l’algèbre des zedfuncs. Un zedfunc est un type de données dans Envision destiné à refléter les récompenses ou les pertes économiques associées aux décisions quantifiées. Le principal tour de passe-passe est qu’un zedfunc ne calcule pas le résultat pour une décision, mais pour toutes les décisions ; par exemple, toutes les récompenses de déclenchement d’une production pour 1 unité jusqu’à l’infini [^infini] d’unités.
En combinant les ranvars et les zedfuncs, il est possible de faire face à des complications vicieuses de la supply chain telles que les paliers de prix avec un effort minimal. Les zedfuncs sont un ingrédient essentiel pour une optimisation de la Supply Chain Quantitative afin de produire des listes priorisées de décisions, où toutes les décisions réalisables sont classées par ordre décroissant de retour sur investissement.
Comme inconvénient mineur, les zedfuncs sont assez exigeants en termes de ressources informatiques. Ce sont le genre de types de données numériques avancés qui ne rentrent tout simplement pas dans une feuille de calcul moyenne. Heureusement pour nous, Lokad répartit automatiquement la charge de travail sur une flotte de machines obtenues auprès de notre plateforme de cloud computing préférée et, dans l’ensemble, la puissance de traitement brute n’a jamais été aussi bon marché. Ainsi, en pratique, traiter des centaines de millions de zedfuncs reste un défi non négligeable pour le back-end d’Envision. La conception actuelle des zedfuncs de Lokad nous a demandé beaucoup d’efforts, et nous avons effectué une réécriture complète de notre première tentative. Le cœur du défi était 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 cela importait le plus. La deuxième version a réussi grâce aux connaissances que nous avions acquises dans nos systèmes de production.
Alors que la prévision de la demande probabiliste gagne en popularité parmi les chaînes d’approvisionnement, de nombreuses solutions ne font encore qu’effleurer les nouvelles perspectives offertes. Des outils appropriés sont essentiels. Générer des milliards de probabilités est (relativement) facile ; transformer ces probabilités en décisions qui maximisent votre retour sur investissement est beaucoup plus difficile. C’est là que les zedfuncs entrent en jeu.
Les zedfuncs sont le genre d’outil inestimable qui ne sera probablement jamais inclus dans aucun des nombreux RFP que nous recevons ; et pourtant, la plupart de la Supply Chain Quantitative ne peut pas être réalisée avec ces zedfuncs - ou leurs meilleures alternatives (futures).
