Facteurs de succès dans les supply chain prédictives

Joannes Vermorel

Mettre les supply chain en pilote automatique grâce aux technologies prédictives et atteindre des performances supérieures à celles des humains à grande échelle demeure un objectif lointain pour presque toutes les entreprises, à l’exception des suspects habituels (par ex. Amazon). Ce constat est d’autant plus surprenant compte tenu du nombre immense de vendeurs de logiciels qui promettent des réductions radicales des stocks et des ruptures de stock - entre autres choses. La plaisanterie de longue date chez Lokad a toujours été que la seule façon pour Lokad de rivaliser avec les prétentions de nos concurrents serait de commencer à dire que nous guérissons le cancer aussi.

Pourtant, mes observations occasionnelles parmi les expériences passées¹ tirées de la clientèle de Lokad indiquent que la grande majorité des initiatives de supply chain prédictives échouent. Par échouer, j’entends spécifiquement que ces solutions n’arrivent même pas à obtenir un score de 10 sur 12 lors de notre test de performance supply chain de 5 minutes. Un critère de succès plus strict serait une amélioration durable de la performance financière globale de la supply chain, mais pour l’instant, notre modeste test de 5 minutes suffit à fournir une limite supérieure raisonnable sur les taux de succès.

Il est difficile de chiffrer le taux réel, les succès étant si rares que je crois que le taux global de succès sur le marché² est inférieur à un sur dix. Cependant, comme à la loterie, le gagnant (singulier) fait la une, tandis que les perdants (en masse) sont ignorés. Le problème est amplifié par le fait que les deux parties, client et fournisseur, sont fortement incitées à se présenter comme des réussites, quel que soit le résultat réel du projet. Pour le fournisseur, un succès constitue évidemment un excellent matériel de relations publiques. Pour les employés du client³, le succès signifie de meilleures perspectives professionnelles⁴. Pire encore, laisser le reste de l’entreprise se rendre compte qu’un investissement de plusieurs millions a été gaspillé est trop souvent synonyme de risque de licenciement ou de déroutement de carrière. Heureusement, mesurer quantitativement la performance de la supply chain est un objectif remarquablement insaisissable - principalement en raison des effets de réseau. Ainsi, il faut vraiment une bourde épique⁵ pour ne pas être capable de dissimuler le désordre en manipulant un peu les chiffres.

La première exception notable est celle des solutions « AI »⁶ - dans l’optimisation de la supply chain - qui affiche un taux de succès spectaculaire de zéro pour cent d’après mes vastes observations⁷. Patrick Cousot, l’un de mes anciens professeurs d’informatique, m’a dit en 2002 qu’en informatique, une « solution » était qualifiée d’« AI » tant que nous n’avions aucune idée de comment la faire fonctionner. Dès qu’une voie pratique est découverte pour la faire fonctionner, la solution prend un autre nom : optimisation convexe, analyse statique, reinforcement learning, etc. Quatre ans plus tard, Mehryar Mohri, mon directeur de recherche de l’époque, m’a répété la même chose. Deux décennies plus tard, ces insights se sont révélés perspicaces⁸, et en effet, ces vendors AI ne semblent pas avoir la moindre idée de comment faire en sorte que leur « AI » fournisse quelque chose qui pourrait être considéré comme de qualité production du point de vue de la supply chain.

Si ce n’était pas un tel gaspillage de ressources, la situation serait perçue comme comique. Prenons, par exemple, le récent concours mondial de prévision de la demande de Walmart : sur deux douzaines de « fournisseurs notables » de supply chain répertoriés par, disons, Gartner, aucun ne parvient à entrer dans le Top 100 parmi plus de 900 équipes. L’écart entre ce qui fonctionne objectivement et ce que le marché achète ou promeut est stupéfiant. Néanmoins, les marchés libres sont d’incroyables tamis : avec le temps, ce qui ne fonctionne pas suffisamment bien est éliminé. Ce n’est pas parce que les gens reviennent à la raison et changent d’avis, mais simplement parce que les entreprises accrochées à des méthodes inefficaces finissent par disparaître et être remplacées par leurs concurrents - la destruction créatrice telle qu’identifiée par Schumpeter.

La deuxième exception notable est Lokad⁹. Au cours des deux dernières années, notre taux de succès a été constamment supérieur à trois sur quatre. Les risques demeurent, mais nous sommes désormais un ordre de grandeur moins risqués que nos concurrents. Historiquement, cela n’a pas toujours été le cas. Selon les mêmes critères de succès énoncés ci-dessus, durant les trois premières années, de 2008 à 2011, nous avons enregistré exactement zéro succès. Il nous a fallu près d’une décennie atroce pour gagner péniblement chaque pourcentage de succès supplémentaire, à travers des dizaines d’améliorations progressives. Il serait épuisant de tenter de cataloguer l’ensemble de l’affaire, mais passons en revue une liste triée sur le volet d’insights notables.

• Nous encourageons les clients à résilier dès qu’ils sont insatisfaits. Point final. Depuis 2008, Lokad promeut des abonnements mensuels, tandis que nos concurrents continuent de proposer des engagements annuels ou pluriannuels. Ce n’est pas un hasard. Lorsqu’un client se retire, cela envoie un signal clair que cela ne fonctionne pas. Cela se résume généralement à une technologie défaillante, ou à un manque de compétence (ou les deux). Il n’y a rien à enjoliver. C’est difficile, mais nous pouvons en tirer des leçons. En revanche, il y a généralement rien à apprendre des points de douleur polis inventés un an après les faits pour donner à l’histoire l’air meilleur qu’elle ne l’était réellement¹⁰.

• La bonne technologie de prévision est plus importante qu’une technologie simplement précise. Il nous a fallu des années pour réaliser que les prévisions nues classiques étaient carrément nuisibles. Nous avons résolu ce problème grâce aux prévisions probabilistes et à des algèbres spécialisées pour attribuer des scores financiers aux décisions.

• La bonne plateforme d’analyse de données est plus importante que de simples capacités brutes. Les données de la supply chain sont complexes, hétérogènes et mal comprises. Il y a une multitude de problèmes assez banals à résoudre pour éviter les écueils du « garbage in, garbage out ». Faciliter la documentation in situ des données est un bon début et éviter les fautes de frappe stupides grâce à l’autocomplétion devient rapidement indispensable.

• Dans la plus large mesure, la correction doit être obtenue par conception. Fail fast and break things n’est pas une option pour les supply chain. Les erreurs d’achat ou de production sont extrêmement coûteuses. Il est déjà suffisamment difficile d’exploiter une supply chain dans un monde hautement chaotique, une technologie prédictive ne devrait pas aggraver les choses en ajoutant sa propre couche d’entropie.

• Approximativement correct vaut mieux qu’exactement faux. Des problèmes complexes comme lead time — variabilité, mouvements de prix des concurrents, cannibalisation au sein de l’assortiment, effets auto-prophétiques, … — devraient être acceptés plutôt que rejetés. De plus, il est facile de faire dérailler une initiative en se concentrant sur les mauvais défis, tels que factoring the weather (/tv/2019/7/19/can-you-use-the-weather-to-forecast-demand) parce que c’est cool, tout en rejetant tail risks car planifier pour le pire requiert du sang-froid et de la détermination.

La plupart des éléments ayant joué un rôle décisif dans l’amélioration du taux de succès de nos initiatives pour les supply chain prédictives se sont avérés être des concepts basiques - voire fondamentaux - tels que revisiter la notion même de ce à quoi une prévision devrait ressembler, et réorganiser notre technologie ainsi que nos processus depuis zéro, en nous basant sur la nouvelle compréhension autant de fois que nécessaire. Nous continuerons à le faire à l’avenir. Notre engagement porte sur la résolution du problème, et non sur les spécificités de la solution actuelle.