Au-delà des séries temporelles

Joannes Vermorel

Quand on a un marteau, tout ressemble à un clou. Le marteau depuis longtemps privilégié par la communauté de la supply chain a été les séries temporelles et, par conséquent, dans les cercles de la supply chain, tous les problèmes ressemblent à des prévisions de séries temporelles. La tentation de marteler est renforcée par la vaste littérature existante sur la prévision des séries temporelles au-delà des cas d’utilisation de la supply chain. Ce n’est pas seulement le marteau que nous avons déjà : nous sommes également au milieu d’un centre commercial entier rempli de marteaux brillants, de toutes formes, tailles et couleurs.

Cependant, les séries temporelles sont largement inadaptées pour modéliser raisonnablement autre chose que les situations de supply chain les plus simples. Par conséquent, les meilleures prévisions de séries temporelles, aussi précises soient-elles, sont régulièrement défaites par les aspects banals des supply chains. Pourtant, face à ces situations, la réaction instinctive de la communauté - les entreprises opérant des supply chains, leurs fournisseurs de logiciels, et les professeurs enseignant la supply chain - est de chercher des prévisions plus précises. Après tout, qu’est-ce qui pourrait exister d’autre que des prévisions plus précises ?

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

Prenons de plus près la perspective des séries temporelles et ses cas d’utilisation dans la supply chain. Jusqu’à présent, j’ai présenté trois personnages de la supply chain nommés respectivement Paris, Miami et Amsterdam (d’autres suivront). Ces personnages représentent des représentations fictives mais réalistes de supply chains du monde réel. Les séries temporelles peuvent-elles être utilisées pour refléter quelque chose qui ressemble vaguement à la “demande” dans l’une de ces trois situations ? Pour chacune de ces trois situations, la réponse est négative :

• Paris, un réseau de mode, implique des effets massifs de substitution et de cannibalisation. L’essence du mécanisme en jeu, la perception floue par les clients de l’assortiment dans son ensemble, est perdue lorsque les séries temporelles sont adoptées.
• Miami, un MRO (Maintenance, Repair and Overhaul) de l’aviation, implique des incidents AOG (avion au sol), où une pièce manquante finit par immobiliser tout l’avion. Les AOG et la nature cyclique des réparations de pièces sont également perdus lorsqu’une prévision basée sur les séries temporelles est adoptée.
• Amsterdam, une marque de fromage, est rigoureusement contrainte à la fois du côté de l’offre et de la demande. En conséquence, bien que l’offre et la demande puissent éventuellement être représentées sous forme de séries temporelles, les seules pièces d’intérêt se situent entre ces séries.

Pourtant, les manuels de gestion de la chaîne d’approvisionnement regorgent d’exemples qui impliquent l’analyse des séries temporelles et les prévisions basées sur les séries temporelles. Cependant, la validité de ces exemples est préoccupante. Ces exemples présentent des entreprises non spécifiées qui produisent et/ou vendent “quelque chose”, sans donner de détails précis. Pourtant, le diable se cache dans les détails. Chaque fois que nous commençons à découvrir les petits caractères, comme c’est le cas avec les personnages de la chaîne d’approvisionnement présentés ci-dessus, il devient évident que la perspective des séries temporelles est essentiellement une collection de problèmes fictifs, qui vont occuper les étudiants et les professeurs, mais qui ne conviennent pas vraiment à une utilisation réelle.

La perspective des séries temporelles est l’une des causes fondamentales² qui explique l’utilisation omniprésente des tableurs dans les chaînes d’approvisionnement, malgré la disponibilité des systèmes de planification avancée (APS) depuis trois décennies dans la plupart des grandes entreprises. Les praticiens de la chaîne d’approvisionnement reviennent à leurs tableurs parce que les APS ne répondent pas à leurs besoins.

Le cas spécifique de l’exactitude des prévisions est intéressant. Les praticiens ne sont pas capables de surpasser l’exactitude des APS (à l’exception peut-être des cas vraiment dysfonctionnels). Cela a été le cas depuis des décennies. Même dans les années 1990, les modèles paramétriques des séries temporelles raisonnablement ajustés surpassaient déjà les humains en termes d’exactitude. La réticence des praticiens de la chaîne d’approvisionnement à abandonner leurs tableurs ne peut pas être expliquée par leur réticence au changement, pas sur trois décennies.

Un problème de conception fondamental réside dans les APS eux-mêmes, tels que l’orientation de l’ensemble du logiciel autour des séries temporelles, ce qui ne correspond pas au problème - offre une explication beaucoup plus simple et convaincante. Cependant, cela nous laisse avec le problème de savoir pourquoi autant d’entreprises ont adopté des APS (fréquemment, plusieurs) si les APS apportent si peu.

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

Les séries temporelles échouent dans les chaînes d’approvisionnement et pourtant, comme il est difficile de penser à autre chose, les praticiens et leur direction ont fréquemment l’opinion par défaut que la perspective des séries temporelles est ce dont ils ont réellement besoin ; malgré leur routine quotidienne et les heuristiques mises en œuvre dans leurs tableurs qui contredisent cette opinion. De plus, les préoccupations de visualisation des données tendent à être confondues avec les préoccupations de modélisation des données. Peu importe la perspective de modélisation adoptée, les séries temporelles sont un mécanisme de visualisation qui est susceptible de rester, en effet la vision humaine est principalement en 2D, et la plupart des problèmes de chaîne d’approvisionnement impliquent le temps comme dimension d’intérêt. Ce n’est pas parce qu’une approche est bonne pour la visualisation que ses avantages s’appliqueront automatiquement à la modélisation.

La forme la plus pure de la chaîne d’approvisionnement du paradigme des séries temporelles est probablement le Flowcasting, qui réifie l’ensemble de la chaîne d’approvisionnement sous forme de séries temporelles. D’après les discussions avec les directeurs de chaîne d’approvisionnement, il apparaît que le flowcasting a échoué à chaque fois qu’il a été tenté. Mettre les séries temporelles au premier plan était clairement 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 toute la problématique de l’effet de lumière de rue : une fois que vous savez que vous ne regardez pas au bon endroit, vous devriez regarder ailleurs, peu importe à quel point ces autres endroits peuvent sembler sombres.

Dans ma série de conférences sur la chaîne d’approvisionnement, j’introduirai progressivement des éléments pour aller au-delà du paradigme des séries temporelles. Ces éléments reflètent les orientations que Lokad a commencé à prendre il y a des années. Cependant, j’invite mes lecteurs à essayer d’imaginer à quoi pourrait ressembler leur pratique de la chaîne d’approvisionnement s’ils opéraient au-delà des limites du paradigme des séries temporelles.