Quand tout ce que vous avez est un marteau, tout ressemble à un clou. Le marteau longtemps favorisé par la communauté supply chain a été les séries temporelles et, par conséquent, dans les cercles de supply chain tous les problèmes ressemblent à des prévisions des séries temporelles. La tentation du martèlement est renforcée par l’abondante littérature existante sur la prévision des séries temporelles au-delà des cas d’usage en supply chain. Ce n’est pas seulement le marteau que nous possédons déjà : nous nous trouvons également au milieu d’un centre commercial entier rempli de marteaux brillants, de toutes formes, tailles et couleurs.

Beyond time-series

Cependant, les séries temporelles sont largement insuffisantes pour modéliser raisonnablement quoique ce soit, sauf peut-être les situations supply chain les plus simples. En conséquence, les meilleures prévisions des séries temporelles, aussi précises soient-elles, se trouvent systématiquement déjouées par les aspects banals des supply chains. Pourtant, face à ces situations, la réaction instinctive de la communauté – les entreprises opérant en supply chain, leurs vendeurs de logiciels, et les professeurs enseignant la supply chain – est de rechercher des prévisions plus précises. Après tout, que pourrait-il y avoir d’autre que des prévisions plus précises ?

La démarche la plus difficile pour sortir mentalement du cadre des séries temporelles est de reconnaître l’existence même du problème – c’est-à-dire la limitation des séries temporelles elles-mêmes – sans (encore) pouvoir présenter une solution alternative. En effet, l’histoire de la science nous enseigne que les problèmes ont tendance à être « impensables » jusqu’à ce qu’une solution soit trouvée. Les problèmes dépourvus de solutions1 sont généralement écartés comme étant sans importance. Malheureusement, à moins de partir du postulat qu’une solution pourrait exister, nous ne pouvons même pas commencer à en chercher une.

Examinons de plus près la perspective des séries temporelles et ses cas d’usage en supply chain. Jusqu’à présent, j’ai présenté trois personae respectivement nommées Paris, Miami et Amsterdam (d’autres suivront).

  • Paris, un réseau de mode, implique d’importants effets de substitution et de cannibalisation. L’essence du mécanisme en jeu, à savoir la perception floue par les clients de l’assortiment dans son ensemble, se perd lorsque l’on adopte les séries temporelles.
  • Miami, un MRO aéronautique, entraîne des incidents AOG (avion immobilisé au sol), où une pièce manquante finit par immobiliser l’avion entier. Tant les incidents AOG que la nature cyclique des réparations de pièces sont également perdus lorsque l’on adopte une prévision des séries temporelles.
  • Amsterdam, une marque de fromage, est rigidement contrainte tant du côté de l’offre que de la demande. En conséquence, bien que l’offre et la demande puissent éventuellement être représentées sous forme de séries temporelles, les seules informations intéressantes se situent entre ces séries.

Pourtant, les manuels de supply chain regorgent « d’exemples » impliquant l’analyse des séries temporelles et des prévisions des séries temporelles. Cependant, la validité de ces exemples est source d’inquiétude. Ces exemples présentent des entreprises indéfinies qui se contentent de produire et/ou de vendre « quelque chose », sans aucun détail précis. Pourtant, le diable se cache dans les détails. Dès que nous commençons à découvrir le petit caractère, comme c’est le cas dans les personae de supply chain présentées ci-dessus, il devient évident que la perspective des séries temporelles se résume essentiellement à une collection de problèmes simplistes, qui vont occuper les étudiants et les professeurs, mais ne conviennent guère à une utilisation réelle.

La perspective des séries temporelles est l’une des causes profondes2 qui explique l’utilisation omniprésente des tableurs dans les supply chains malgré la disponibilité, depuis trois décennies, des Advanced Planning Systems (APS) dans la plupart des grandes entreprises. Les praticiens de la supply chain retournent à leurs tableurs parce que les APS les déçoivent.

Le cas particulier de la précision des prévisions est intéressant. Les praticiens ne parviennent pas à surpasser les APS en termes de précision (sauf peut-être les APS véritablement dysfonctionnels). Cela fait des décennies que c’est le cas. Même dans les années 1990, des modèles paramétriques de séries temporelles raisonnablement ajustés battaient déjà les humains en termes de précision. La réticence des praticiens supply chain à renoncer à leurs tableurs ne peut être expliquée par une simple résistance au changement, et ce, depuis plus de trois décennies.

Un problème fondamental de conception réside dans les APS eux-mêmes, tels que l’alignement de l’ensemble du logiciel sur les séries temporelles, ce qui ne correspond pas au problème – offrant une explication bien plus simple et convaincante. Cependant, cela nous laisse face à l’interrogation de savoir pourquoi tant d’entreprises ont adopté les APS (souvent, plusieurs à la fois) si les APS apportent si peu.

Cette situation contre-intuitive est un cas de l’effet de la lumière de rue.

Les séries temporelles échouent à servir les supply chains et pourtant, comme il est difficile de penser à autre chose, les praticiens et leur direction adoptent fréquemment l’avis par défaut que la perspective des séries temporelles est ce dont ils ont réellement besoin ; malgré le fait que leur routine quotidienne et les heuristiques mises en œuvre dans leurs tableurs contredisent cet avis. De plus, les préoccupations en matière de visualisation de données ont tendance à être mêlées à celles de la modélisation des données. Quel que soit le point de vue adopté pour la modélisation, les séries temporelles restent un mécanisme de visualisation qui est amené à perdurer, en effet la vision humaine est majoritairement en 2D, et la plupart des enjeux supply chain impliquent le temps comme dimension d’intérêt. Ce n’est pas parce qu’une approche est efficace pour la visualisation que ses bénéfices s’appliqueront automatiquement à la modélisation.

La forme la plus pure de la supply chain reposant sur le paradigme des séries temporelles est probablement le Flowcasting qui réifie l’ensemble de la supply chain en une collection de séries temporelles. D’après des discussions avec des directeurs supply chain, il apparaît que le flowcasting a échoué à chaque tentative. Mettre les séries temporelles au cœur du dispositif était manifestement un facteur aggravant.

Jusqu’à présent, dans cet article, aucune alternative aux séries temporelles et à la prévision des séries temporelles n’a été proposée. Pourtant, c’est là l’essence de l’effet de la lumière de rue : une fois que vous savez que vous ne regardez pas au bon endroit, vous devriez chercher ailleurs, peu importe l’obscurité de ces autres lieux.

Dans ma série de conférences sur la supply chain, je présenterai progressivement des éléments permettant de dépasser le paradigme des séries temporelles. Ces éléments reflètent des orientations que Lokad a commencé à prendre il y a des années. Cependant, j’invite mes lecteurs à imaginer à quoi pourrait ressembler leur pratique de la supply chain s’ils opéraient au-delà des limitations du paradigme des séries temporelles.


  1. Au début des années 1990, les entreprises de vente par correspondance disposaient de toute l’infrastructure supply chain nécessaire pour devenir des géants du e-commerce. Pourtant, le catalogue de vente par correspondance – la solution pour créer une notoriété de l’offre auprès des consommateurs – existait depuis si longtemps que ces acteurs avaient quasiment perdu de vue le problème qu’ils tentaient de résoudre : vendre à distance. De nouveaux entrants dans le e-commerce sont devenus des leaders du marché alors qu’au départ, ils disposaient de très peu d’avantage concurrentiel, notamment en ce qui concerne leurs infrastructures supply chain. ↩︎

  2. Une autre cause fondamentale, outre les séries temporelles, est la perspective déterministe adoptée par les APS. L’avenir est supposé parfaitement connu, ne laissant aucune place à l’incertitude. Cependant, l’incertitude est irréductible et doit être abordée de front. Lokad y parvient par le biais de la prévision probabiliste, bien que cette préoccupation soit en grande partie orthogonale à celle des séries temporelles. ↩︎