Chaque semaine, un certain nombre d’entreprises nous contactent pour savoir si Lokad pourrait prendre en charge leurs prévisions hebdomadaires ou mensuelles roulantes, disons quelques trimestres à l’avance. En effet, il y a une dizaine d’années, Lokad a été fondée autour de l’idée d’être une application forecast as a service. Malheureusement, cette idée s’est avérée largement dysfonctionnelle, et nous sommes passés à de meilleures approches. Certains des problèmes posés par les prévisions sont simples - de manière trompeuse - mais aussi fondamentaux. Quelle que soit la qualité de la technologie, cela ne servira à rien si ses fondements commerciaux sont erronés.

Clarifions les choses : Lokad effectue des prévisions de la demande, et predictive optimization demeure notre compétence essentielle, mais il existe une méthode ; et cette méthode commence par reconnaître que les prévisions sont en grande partie une prophétie auto-réalisatrice, et que de nombreuses boucles de rétroaction sont impliquées.

Illustrons cet angle de manière plus détaillée. Si l’on cherche à prévoir les ventes d’une marque de mode, il suffit de regarder les quantités initialement achetées : les quantités vendues pendant la saison sont invariablement égales aux quantités qui ont été initialement commandées auprès des fournisseurs (moins les pertes). Pourtant, fréquemment, le stock ne se vend pas au prix fort, ou inversement, le stock s’épuise à mi-saison. Cette prévision soi-disant “parfaite” n’est qu’un mirage et ne reflète pas la réalité de la performance financière de l’entreprise.

La demande future est intrinsèquement liée aux futures supply chain decisions. Pourtant, de nombreuses entreprises agissent comme s’il était possible de prévoir d’abord (c’est-à-dire la demande hebdomadaire) et ensuite de décider (c’est-à-dire les quantités de commandes d’achat). Cette approche est imprudente car cette dernière a un impact profond sur la première.

partners watching crystal ball

À titre d’anecdote, ce couplage entre la demande future et la décision future explique pourquoi tant de projets de prévisions “avancées” échouent : les backtest benchmarks “prouvaient” que la nouvelle prévision était meilleure que l’ancienne et pourtant, une fois en production, tout a commencé à se dégrader, apparemment sans raison. La réalité est que, sans une attention appropriée, les prévisions “stupides” tendent à générer moins d’effets de second ordre négatifs, c’est-à-dire des conséquences imprévues provoquées par les prévisions elles-mêmes.

En pratique, la boucle de rétroaction entre les prévisions et les décisions prend plusieurs formes :

  • L’introduction d’une nouvelle référence dans l’assortiment cannibalise le reste de l’assortiment. Ainsi, augmenter la prévision de demande pour une référence devrait diminuer (d’une certaine manière) la prévision pour tous les produits concurrents.
  • L’augmentation de la demande résultant d’une promotion pour un produit donné dépend fortement du contexte global. Si le produit se trouve être le seul à être en promotion dans le magasin, l’augmentation qui en résulte pourrait être importante. Si tous les produits du magasin sont en promotion, l’augmentation sera probablement beaucoup plus faible.
  • Le lead time doit être prévu, mais l’entreprise pourrait avoir un certain contrôle sur les lead times si elle peut décider d’expédier les marchandises par voie maritime ou aérienne. Les deux modalités nécessitent leurs propres prévisions de lead time ; cependant, la demande à prendre en compte pour le stock dépend des lead times.
  • L’achat de quantités plus importantes offre généralement une forme d’économies d’échelle, matérialisée notamment par des remises sur les prix. Un prix d’achat plus bas peut ensuite être transformé en un prix de vente inférieur, stimulant ainsi la demande pour correspondre à la quantité plus importante initialement acquise ou produite.
  • Offrir une remise aux clients augmente les ventes, mais modifie également les attentes futures des clients. Ces derniers s’attendront de plus en plus à une remise et retarderont leur décision d’achat jusqu’à ce qu’une remise soit proposée.

Toutes ces boucles de rétroaction sont l’une des raisons principales pour lesquelles nous, chez Lokad, sommes devenus très réticents à fournir des prévisions “nues”. Nous avons la ferme intention de ne jamais répéter les erreurs de nos premières années, et dans l’esprit du serment d’Hippocrate, fournir de la valeur à nos clients commence par ne pas semer le chaos dans leurs supply chains à travers des approches malavisées.

Ce n’est pas un hasard si notre manifeste de la Supply Chain Quantitative s’appuie fortement sur les décisions. Ce sont les conséquences, parfois de grande ampleur, des décisions qui doivent être prédites avec précision, et non pas une sorte de demande abstraite. À cet égard, notre approche est alignée avec les idées dévoilées dans les années 1830 par Jean Baptiste Say, selon lesquelles l’offre crée sa propre demande.

Compte tenu des progrès actuels de pointe en apprentissage automatique et en logiciels, il n’existe pas de solution “clé en main” pour aborder les boucles de rétroaction via le logiciel. Il faut un Supply Chain Scientist ayant une compréhension approfondie des défis commerciaux, ainsi qu’une bonne dose de discussions avec des praticiens expérimentés, pour élaborer des heuristiques et des modèles qui soient au moins approximativement corrects dans leur capacité à mettre les capacités prédictives de Lokad à profit pour le client.