Les facteurs de succès dans les supply chains prédictives

Joannes Vermorel

Avoir des supply chains en pilote automatique grâce aux technologies prédictives et atteindre des performances supérieures à celles des humains à grande échelle reste un objectif lointain pour presque toutes les entreprises, à l’exception des suspects habituels (par exemple, Amazon). Cette situation est d’autant plus surprenante compte tenu du grand nombre de vendeurs de logiciels qui promettent des réductions radicales des stocks et des ruptures de stock - entre autres choses. La blague récurrente chez Lokad a été que le seul moyen pour Lokad de rivaliser avec les affirmations de nos concurrents serait de commencer à dire que nous guérissons également le cancer.

Pourtant, mes observations occasionnelles parmi les expériences passées¹ de la base de clients de Lokad indiquent que la grande majorité des initiatives de supply chain prédictive échouent. Par échec, je veux spécifiquement dire que ces solutions ne parviennent même pas à obtenir une note de 10 sur 12 à notre test de performance de la supply chain de 5 minutes. Un critère plus strict de succès serait une augmentation 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 réussite.

Il est difficile de donner un chiffre précis sur le taux réel, les succès sont si rares que je crois que le taux de réussite global du marché² est inférieur à un sur dix. Cependant, comme à la loterie, le gagnant (au singulier) fait les gros titres, tandis que les perdants (les hordes) sont ignorés. Le problème est amplifié car les deux parties, le client et le vendeur, sont fortement incités à se présenter comme étant couronnés de succès, peu importe le résultat réel du projet. Pour le vendeur, un succès est évidemment un excellent matériel de relations publiques. Pour les employés³ du client, le succès signifie de meilleures perspectives d’emploi⁴. Pire encore, laisser le reste de l’entreprise réaliser qu’un investissement de plusieurs millions a été gaspillé est trop souvent une recette pour être licencié ou pour voir sa carrière dérailler. Heureusement, mesurer quantitativement la performance de la supply chain est un objectif remarquablement difficile à atteindre - principalement en raison des effets de réseau. Ainsi, il faut vraiment une erreur épique⁵ pour ne pas être en mesure de dissimuler le désordre en trichant simplement un peu avec les chiffres.

La première exception notable concerne les solutions “IA”⁶ - dans l’optimisation de la supply chain - qui atteignent un taux de réussite spectaculaire de zéro pour cent selon mes observations approfondies⁷. Patrick Cousot, l’un de mes anciens professeurs d’informatique, m’a dit en 2002 que, en informatique, une “solution” était seulement appelée “IA” tant que nous n’avions absolument aucune idée de comment la faire fonctionner. Dès qu’un chemin pratique est découvert pour la faire fonctionner, la solution prend un autre nom : optimisation convexe, analyse statique, apprentissage par renforcement, etc. Quatre ans plus tard, Mehryar Mohri, mon directeur de recherche à l’époque, m’a répété la même chose. Deux décennies plus tard, ces idées se sont révélées prophétiques⁸, et en effet, ces fournisseurs d’IA ne semblent pas avoir la moindre idée de comment faire en sorte que leur “IA” produise quelque chose qui puisse être qualifié de production-grade du point de vue de la supply chain.

Si cela ne représentait 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 les deux douzaines de fournisseurs de supply chain “notables” répertoriés, par exemple, par Gartner, aucun d’entre eux ne figure parmi les 100 premières équipes sur plus de 900. L’écart entre ce qui fonctionne objectivement et ce que le marché achète ou promeut est stupéfiant. Néanmoins, les marchés libres sont des filtres incroyables : avec le temps, ce qui ne fonctionne pas suffisamment bien est éliminé. Ce n’est pas parce que les gens reprennent leurs esprits et changent d’avis, mais simplement parce que les entreprises qui restent bloquées avec des méthodes inefficaces s’estompent progressivement et sont 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 réussite a été constamment supérieur à trois sur quatre. Les risques sont toujours présents, mais nous sommes maintenant un ordre de grandeur moins risqués que nos concurrents. Historiquement, cela n’a pas commencé ainsi. Selon les mêmes critères de réussite énumérés ci-dessus au cours des trois premières années, de 2008 à 2011, nous avons obtenu exactement zéro succès. Il nous a fallu près d’une décennie éprouvante pour gagner douloureusement chaque pourcentage supplémentaire de réussite, grâce à des dizaines d’améliorations progressives. Il serait épuisant d’essayer de répertorier toute cette affaire, mais passons en revue une liste choisie de remarques notables.

• Nous encourageons les clients à résilier s’ils ne sont pas satisfaits. Point final. Depuis 2008, Lokad promeut les abonnements mensuels, tandis que nos concurrents continuent de pousser des engagements annuels ou pluriannuels. Ce n’est pas un hasard. Lorsqu’un client résilie, cela donne un signal clair que cela ne fonctionne pas. Cela se résume généralement à une technologie défectueuse ou à un manque de compétence (ou les deux). Il n’y a pas de fioritures. C’est difficile, mais nous pouvons en tirer des enseignements. En revanche, il n’y a généralement rien à apprendre des points de douleur polis inventés un an après les événements pour rendre l’histoire meilleure qu’elle ne l’était vraiment¹⁰.

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

• La bonne plateforme d’analyse de données est plus importante que les capacités brutes. Les données de la supply chain sont complexes, hétérogènes et mal comprises. Il y a des tonnes de problèmes assez banals à résoudre pour éviter les pièges du “garbage in, garbage out”. Faciliter la documentation sur place des données est un bon début et éviter les fautes de frappe stupides grâce à l’autocomplétion devient rapidement un must-have.

• Dans la mesure du possible, la correction doit être atteinte par la conception. “Échouer rapidement et casser des choses” n’est pas une option pour les supply chains. Les erreurs d’achat ou de production sont extrêmement coûteuses. Il est déjà assez difficile de gérer 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 est mieux qu’exactement faux. Les problèmes difficiles tels que la variabilité des délais d’approvisionnement, les fluctuations des prix des concurrents, la cannibalisation au sein de l’assortiment, les effets auto-prophétiques, … devraient être acceptés plutôt que rejetés. De plus, il est facile de dérailler une initiative en se concentrant sur les mauvais défis, comme prendre en compte la météo parce que c’est cool, tout en ignorant les risques extrêmes parce que planifier pour le pire nécessite des nerfs et de la force.

La plupart des éléments qui ont joué un rôle décisif dans l’amélioration du taux de réussite de nos initiatives pour les supply chains prédictives se sont révélés être des concepts de base - voire fondamentaux -, tels que revoir la notion même de ce qu’une prévision devrait être attendue d’être, et réinventer notre technologie et nos processus à partir de zéro, en fonction de la nouvelle compréhension autant de fois que nécessaire. Nous continuerons à le faire à l’avenir. Notre engagement est envers la résolution du problème, pas envers les spécificités de la solution du jour.