Supply Chain as a Service

Joannes Vermorel

En termes d’optimisation prédictive, la plupart des chaînes d’approvisionnement sont bloquées dans les années 1990¹. Les grandes entreprises ont déjà entrepris toute une série d’initiatives “prédictives” au cours des deux dernières décennies. Cependant, peu de ces améliorations ont eu un réel impact sur la chaîne d’approvisionnement.

Il y a une décennie, chez Lokad, alors que nous commencions à aborder les causes profondes de ces échecs, la Supply Chain as a Service (SCaaS) est apparue comme notre modèle d’entreprise, remplaçant le modèle Software as a Service (SaaS). Nous avons commencé à vendre des abonnements “logiciel+expert”. L’expert, à savoir un Supply Chain Scientist, met en œuvre les recettes numériques qui génèrent les décisions, tandis que le logiciel, à savoir la plateforme Lokad, offre à l’expert l’infrastructure dont il a besoin pour opérer rapidement et de manière fiable.

Au cours de cette décennie, notre pratique de SCaaS a été un facteur dominant, voire le plus important, dans l’augmentation du taux de réussite de nos initiatives en matière de chaîne d’approvisionnement. Pourtant, des objections sont fréquemment soulevées contre l’idée même de SCaaS.

Nous n’externaliserons pas notre compétence en chaîne d’approvisionnement. Cette objection implique qu’il existe des compétences stratégiques en chaîne d’approvisionnement internes à préserver. Cela peut être le cas, mais le plus souvent, cette compétence ne peut pas être qualifiée de “stratégique”. La plupart des entreprises, y compris les grandes, n’obtiennent même pas un score de 10 à notre test de performance de la chaîne d’approvisionnement de 5 minutes. Pire encore, des initiatives lourdes comme S&OP ont tendance à diminuer progressivement la compétence réelle en chaîne d’approvisionnement en fragmentant davantage les processus de prise de décision.

Au contraire, SCaaS ouvre la voie à l’émergence d’une véritable compétence stratégique en chaîne d’approvisionnement au sein de l’entreprise. Cela commence par la robotisation des processus de prise de décision. En effet, sans automatisation, les équipes de chaîne d’approvisionnement peuvent à peine se permettre de penser de manière stratégique. Toute l’énergie de l’équipe est consacrée à la résolution des problèmes spécifiques à la chaîne d’approvisionnement. Au contraire, avec SCaaS en place, plusieurs clients nous ont dit que c’était la première fois de leur histoire qu’ils pouvaient prendre le temps de travailler sur des problèmes difficiles tels que les cannibalisations ou l’optimisation des MOQ.

Nous le ferons avec des outils simples. Cette objection considère le manque de compétences en programmation des équipes de chaîne d’approvisionnement comme une axiomatique, et exclut ainsi des catégories entières d’outils. En ce qui concerne la chaîne d’approvisionnement, il existe trois principaux types d’outils “simples” : les applications basiques, les applications à faible code et les feuilles de calcul.

Les applications basiques offrent de nombreuses options et fonctionnalités pour faire face à toutes les variations rencontrées dans la chaîne d’approvisionnement. L’application semble facile à première vue : l’utilisation de l’application se résume simplement à une configuration, puis le workflow prend le relais. Aucune programmation n’est nécessaire. Cependant, en pratique, les situations de la chaîne d’approvisionnement dépassent invariablement les capacités de l’application. Les praticiens qui se retrouvent face à une “application” se rabattent sur les feuilles de calcul pour accomplir leur travail.

Les applications à faible code promettent la puissance de la programmation sans avoir à manipuler un langage de programmation. Les applications à faible code comportent généralement un éditeur visuel de quelque sorte. Malheureusement, l’approche à faible code ne gère pas bien la complexité à laquelle sont confrontées même les chaînes d’approvisionnement les plus banales. Sur un exemple simplifié comportant 2 tables et 10 champs, le faible code semble formidable. Sur un exemple du monde réel comportant 20 tables et 500 champs, le faible code est horrible. Lorsqu’ils ont accès à une application à faible code, les praticiens se rabattent également sur les feuilles de calcul pour accomplir leur travail.

Les feuilles de calcul sont, de loin, l’outil utilisé par les praticiens de la chaîne d’approvisionnement. Bien qu’elles fassent le travail, il existe des nuances qui ne correspondent tout simplement pas au paradigme des feuilles de calcul, que ce soit Microsoft Excel ou une alternative basée sur le web. Les prévisions probabilistes et l’optimisation stochastique ne font tout simplement pas partie du domaine des feuilles de calcul. Tant que les feuilles de calcul sont impliquées, la pratique de la GSC reste bloquée dans les années 1990.

SCaaS est l’étincelle nécessaire pour faire évoluer la chaîne d’approvisionnement. Remettre en question des pratiques qui sont en place depuis les deux ou trois dernières décennies est déjà une bataille difficile. SCaaS est l’opportunité de mener cette bataille avec des vétérans qui ont déjà vécu cela dans d’autres entreprises.

Nous le ferons avec notre propre équipe de data science. Au début des années 2000, l’objection était formulée comme nous le ferons avec notre propre équipe de data mining. Le data mining est mort, vive la data science. Cependant, la plupart des entreprises oublient les leçons de leurs initiatives de data mining ratées d’il y a 20 ans : la technologie n’était presque jamais la cause principale de l’échec, c’était plutôt une tour d’ivoire.

En ce qui concerne la chaîne d’approvisionnement, embaucher des data scientists est presque toujours synonyme d’échec lent et coûteux. Les data scientists sont généralement de jeunes ingénieurs qui ont reçu une formation dans une liste de frameworks et/ou langages open source. En conséquence, le data scientist typique, tout comme son prédécesseur data miner, regarde le monde à travers des lunettes techniques. Une équipe de data science générera un flux continu de “solutions à la recherche de problèmes”. Des présentations seront faites, des démonstrations seront réalisées. Les praticiens de la chaîne d’approvisionnement féliciteront poliment l’équipe de data science et veilleront à ce que aucune de ses “solutions” ne se rapproche jamais de la production réelle. À cet égard, les praticiens font le bon choix.

Les fournisseurs de SCaaS ne peuvent pas se permettre d’être décoratifs. La plupart des entreprises ont du mal à se séparer de leurs talents, comme les data scientists, même si ces personnes ne contribuent pas à l’entreprise. Cependant, la plupart des entreprises n’hésitent pas à mettre fin à un fournisseur de services tiers qui ne fournit pas assez. Les fournisseurs de SCaaS sont des survivants qui parviennent à prouver leur valeur continue encore et encore.

En tant que fournisseur de SCaaS, Lokad n’embauche que rarement des profils de data scientists purs pour ses postes de “scientifiques de la supply chain”. Au lieu de cela, nous privilégions les ingénieurs qui sont prêts à devenir avant tout des experts de la supply chain. Les modèles statistiques sont un moyen, pas une fin en soi. Les data scientists ont trop souvent tendance à pousser les modèles numériques à leurs limites. Les scientifiques de la supply chain ne cherchent pas à publier un article, ils veulent accomplir leur travail avec le moins de tracas possible. En pratique, cela fait toute la différence entre une solution de production et un prototype fantaisiste qui ne voit jamais le jour.