“Pour améliorer votre jeu, vous devez étudier la finale avant tout; car, alors que les finales peuvent être étudiées et maîtrisées de manière autonome, le milieu de partie et l’ouverture doivent être étudiés en relation avec la finale.” Source: Dernières leçons d’échecs de Capablanca (1966), p. 23

Il y a quelques semaines, j’ai participé à un panel lors du 44e Symposium International sur la Prévision à Dijon, France. Le thème du panel était Planification de la demande et le rôle du jugement dans le nouveau monde de l’AI/ML.

En tant qu’ambassadeur de Lokad, vous pouvez imaginer quelle était ma perspective :

  • la prévision et la prise de décision devraient être entièrement automatisées;

  • la qualité des prévisions devrait être évaluée du point de vue de meilleures décisions;

  • le jugement humain devrait être utilisé pour améliorer l’automatisation (et non pour ajuster les prévisions ou les décisions).

une image d'un échiquier.

Étonnamment, ma position sur l’automatisation n’a pas suscité autant de désaccord que vous pourriez le penser. Le président (Responsable Communication de Lokad, Conor Doherty) et les autres panélistes (Sven Crone d’iqast et Nicolas Vandeput de SupChains) étaient presque unanimes pour affirmer que c’était l’avenir de la prévision. Le seul désaccord portait sur la rapidité avec laquelle nous pourrions atteindre cet état (note : je crois que nous y sommes déjà).

Ce qui a provoqué pas mal de désaccord, et peut-être même de la confusion, fut mon argument selon lequel la précision des prévisions n’est pas aussi importante que prendre de meilleures décisions. Ce désaccord ne se limitait pas aux autres panélistes, mais aux membres de l’audience également. Je pense qu’il y a deux raisons majeures à cela :

  1. Lorsque j’ai pris la parole sur scène, je n’avais pas de support visuel pour appuyer ce point. Il y a plusieurs éléments en jeu dans l’explication, ainsi un visuel aurait sans aucun doute aidé le public à comprendre.

  2. L’idée que la précision des prévisions soit moins importante que les décisions contredit la formation, l’éducation et l’expérience de la plupart des professionnels.

À la fin de cet essai, j’espère avoir abordé les deux points mentionnés ci-dessus. En ce qui concerne le premier point, j’ai inclus une explication brève mais systématique ainsi qu’un visuel intuitif. Concernant le second point, je ne peux qu’inviter le lecteur à garder l’esprit ouvert pendant les 5 à 10 prochaines minutes et à aborder ces propos comme si vous n’aviez aucune formation préalable en prévision supply chain.

Questions directrices

Il y a, à mon avis, cinq questions fondamentales auxquelles il faut répondre pour clarifier ma position. Dans cette section, je ferai de mon mieux pour fournir des réponses relativement courtes à chacune d’elles – l’essentiel, pour ainsi dire. Rassurez-vous, Lokad dispose d’une multitude de ressources supplémentaires pour expliquer les aspects techniques, auxquelles je renverrai à la fin de l’essai.

Q1 : Qu’est-ce que cela signifie pour une prévision d’apporter de la valeur ?

Je vais commencer immédiatement par un exemple. Supposons qu’il existe un mécanisme par défaut pour prendre des décisions dans une entreprise (par exemple, une prévision statistique automatisée + une politique automatisée de stocks).

Pour qu’une prévision modifiée apporte de la valeur, elle doit modifier une décision par défaut (générée selon le processus par défaut de l’entreprise) de manière à affecter directement et positivement les retours financiers de l’entreprise (c’est-à-dire, des dollars, des livres ou des euros de retour).

Si une prévision est plus précise (en termes de prédiction de la demande réelle) mais ne conduit pas à une décision différente et meilleure, alors elle n’a apporté de valeur.

De nombreuses entreprises utilisent encore des modèles de prévision basés sur des séries temporelles, tandis que Lokad préfère les prévisions probabilistes pour aider à générer des décisions ajustées au risque. Cependant, la même exigence s’applique aux deux paradigmes de prévision. Pour que l’un ou l’autre type de prévision apporte de la valeur, il doit modifier une décision par défaut de manière à affecter directement et positivement les retours financiers d’une entreprise.

Par exemple, une nouvelle décision (« modifiée ») pourrait éliminer directement une future rupture de stock que la décision par défaut aurait engendrée.

«Directement» est critique ici. En termes très simples, la prévision n’apporte de la valeur que si vous pouvez identifier le changement exact de décision qui a influencé les retours financiers additionnels ou qui a permis d’éviter des pertes financières (par rapport à la décision par défaut).

Pensez causalité, pas corrélation.

Q2 : Une prévision plus précise apporte-t-elle toujours de la valeur ?

Techniquement, non. Une prévision plus précise, en elle-même, n’apporte pas nécessairement de la « valeur ajoutée ». Cela s’explique par le fait que, comme mentionné précédemment, pour qu’une chose (dans ce cas une prévision) apporte de la valeur, elle doit affecter directement et positivement les retours financiers d’une entreprise via une meilleure décision.

Contrairement aux prévisions, les décisions en supply chain sont soumises à des contraintes de faisabilité (par exemple, les MOQs, multiplicateurs de lots, tailles de lots, etc.) et à des incitations financières (par exemple, remises sur les prix, conditions de paiement, etc.). Il peut y avoir bien plus de prévisions que de décisions réalisables.

Cela signifie que les décisions en supply chain peuvent parfois être (et le sont très souvent) insensibles aux variations de la précision des prévisions. Cela est vrai tant pour les prévisions basées sur des séries temporelles que pour les prévisions probabilistes.

La raison de cette insensibilité réside dans les contraintes de prise de décision (par exemple, les MOQs). Il est tout à fait possible qu’une prévision plus précise (par exemple, 10 % de précision en plus) conduise exactement à la même décision qu’une prévision moins précise. Le graphique ci-dessous illustre ce point.

Un graphique illustrant l'absence d'impact de la précision des prévisions sur les décisions en présence de quantités minimales de commande.

Dans l’exemple ci-dessus, disons que la prévision consensuelle de 55 unités était plus précise que la prévision automatisée de 50 unités. D’un point de vue financier, l’augmentation de la précision n’a pas conduit à une décision différente (en raison de la présence d’une MOQ). Ainsi, la prévision plus précise n’a pas apporté de valeur.

En fait, on peut soutenir que la prévision consensuelle plus précise a conduit à une valeur ajoutée négative. En effet, les étapes supplémentaires de révision (selon un processus standard de Forecast Value Added) coûtent de l’argent (temps et effort supplémentaires) à l’entreprise, sans déboucher sur une meilleure décision. D’un point de vue strictement financier, ces étapes manuelles de révision représentent un coût net négatif.

Considérons également un cas où il n’y a pas de contrainte de MOQ.

Imaginez le même scénario global, mais avec un multiplicateur de lots au lieu d’une MOQ. Les décisions réalisables se font par incréments de 50 unités (par exemple, 50 unités dans une boîte ou sur une palette). Dans ce cas, il faudrait acheter soit 50 soit 100 unités (1 ou 2 boîtes ou palettes).

Un graphique illustrant l'absence d'impact de la précision des prévisions sur les décisions en présence de multiplicateurs de lots pour l'achat de marchandises.

En réalité, il pourrait être moins rentable d’acheter 100 unités (pour couvrir la suggestion de 55 unités de la prévision consensuelle) que d’acheter 50 unités (un peu moins que ce que suggère la prévision « plus précise »). On pourrait essayer de couvrir la demande restante avec des commandes en souffrance ou simplement perdre des ventes (par exemple, lors de la vente de produits périssables comme des aliments frais).

D’un point de vue économique, la meilleure décision financière pourrait ne pas consister à suivre la prévision « plus précise ». Dans ce scénario, la prévision automatisée (50 unités de demande) et la prévision consensuelle (55 unités de demande) aboutissent à la même décision (commander 50 unités). Ainsi, la prévision « plus précise » n’a pas entraîné une augmentation de la valeur financière.

Certes, toutes les situations ne sont pas soumises aux mêmes contraintes strictes, cependant la supply chain regorge de ce type de scénarios. Bien sûr, je reconnais que différentes prévisions aboutiront à des décisions différentes, mais la question de la valeur demeure. À chaque instant, nous devrions considérer si le retour financier additionnel attendu de l’achat d’unités supplémentaires est supérieur aux ressources additionnelles consommées pour améliorer la précision des prévisions.

Peut-être que l’extra précision en vaut la peine dans certaines situations. Cependant, les prévisionnistes et les praticiens de la supply chain semblent assumer réflexivement que cela l’est en termes absolus, en dépit du fait qu’il existe des scénarios évidents où ce n’est pas le cas.

Un graphique illustrant la difficulté d'évaluer l'impact financier de la précision des prévisions dans une situation sans contrainte.

Si vous avez envisagé un scénario qui ne correspond pas exactement aux exemples décrits ici, ce n’est pas grave. Rappelez-vous, l’objectif aujourd’hui est de démontrer un point général (à savoir qu’il existe des situations où une précision supplémentaire des prévisions ne vaut pas la peine d’être poursuivie), et non d’analyser en profondeur chaque scénario possible de prise de décision en supply chain.

Q3 : Comment pouvons-nous nous assurer que la valeur obtenue vaut le coût de l’intervention du jugement ?

Un élément central de la discussion en panel à Dijon était la valeur (ou son absence) de l’intervention du jugement (ou des « interventions humaines ») dans le processus de prévision. Pour paraphraser l’autre camp, « nous devons avoir des personnes impliquées pour corriger lorsque la prévision automatisée a manqué quelque chose ».

C’est une perspective très intéressante pour moi, car elle suppose que l’intervention humaine apporte de la valeur – sinon, pourquoi diable quelqu’un le ferait-il ?

Pour cette section, je vais mettre de côté la discussion sur la capacité ou non des humains à surpasser (occasionnellement ou même souvent) une prévision automatisée (en termes de précision). En fait, je suis prêt à reconnaître que, sur un SKU isolé, un humain peut être aussi performant, voire meilleur qu’une prévision automatisée en termes de précision.

Note : Je ne pense pas que cela soit vrai si l’on considère la prévision de des dizaines de milliers de SKUs pour des centaines de magasins, chaque jour, dans le cadre d’une importante supply chain1. Dans ce dernier scénario, une prévision automatisée surpasse de loin des équipes entières de prévisionnistes et d’autres experts fonctionnels incroyablement qualifiés, simplement parce que la grande majorité des SKUs ne peuvent pas être examinés manuellement en raison des contraintes de temps.

Je concède que le jugement humain peut parfois égaler ou surpasser la prévision automatisée pour deux raisons :

  1. À mon avis, cela rend l’essai plus intéressant, et;

  2. La force de mon argument ne repose sur aucune discussion de la « précision ».

Ma position est, comme vous pouvez probablement le deviner à ce stade, que les interventions humaines n’« apportent de la valeur » que si elles… apportent une valeur financière – une valeur qui perdure au-delà d’un simple cycle de réapprovisionnement. Ceci est totalement indépendant de tout bénéfice en termes de précision.

Cette valeur peut être comprise comme « produire directement de meilleures décisions que celles qui étaient initialement prises – en tenant compte des profits supplémentaires générés par la meilleure décision et en soustrayant le coût de l’intervention ».

En termes simples, les interventions basées sur le jugement (les interventions humaines) sont coûteuses, ainsi une entreprise devrait s’attendre à un retour sur investissement significatif. C’est pourquoi je soutiens que la précision des prévisions est une mesure arbitraire (lorsqu’elle est évaluée de manière isolée des décisions), et que les entreprises devraient se concentrer sur les actions qui augmentent les retours financiers.

L’intervention humaine peut très bien augmenter la précision des prévisions (encore une fois, je concède cela pour le bien de la discussion), cependant elle n’augmente pas nécessairement le retour financier. Cela ne devrait vraiment pas être une proposition radicale, de la même manière que quelqu’un peut être à la fois la personne la plus grande dans une pièce et la plus petite dans une autre.

Veuillez noter qu’il n’incombe pas à moi de fournir des preuves que l’augmentation de la précision ne se traduit pas par une augmentation des profits. C’est, par définition, la responsabilité des personnes qui soutiennent que l’augmentation de la précision est en soi profitable de fournir des preuves concrètes, directes et incontestables à l’appui de cette affirmation.

Encore une fois, cela ne devrait pas être une position radicale ou anticonformiste. À mon avis, cela devrait être la position par défaut de toute personne impliquée concrètement.

Gardez à l’esprit que, pour que les interventions humaines soient rentables, nous devons prendre la totalité des interventions en considération. C’est-à-dire, peser la valeur financière générée par tous les succès et soustraire toutes les pertes financières causées par les échecs.

Cette expérimentation devrait également être réalisée à grande échelle, pour un réseau immense de magasins (clients entreprise dans le cas du B2B) et sur l’ensemble de leur catalogue de SKUs, chaque jour, pendant une période considérable.

“Combien de temps cette expérimentation devrait-elle durer, Alexey ?” À ce sujet, je suis ambivalent. Disons un an, mais je suis tout à fait ouvert à la discussion sur ce point. Cela dépend de plusieurs facteurs, y compris du nombre de cycles de décision par an, ainsi que des délais d’approvisionnement, bien entendu.

Cela dit, toute cette discussion soulève la question de savoir quel est le seuil d’erreur acceptable pour les interventions humaines.

  • Si les réussites l’emportent légèrement sur les échecs, est-ce acceptable ?
  • Qu’en est-il du coût des interventions humaines elles-mêmes ?
  • Comment intégrer ces coûts directs et indirects dans le calcul ?

Ce ne sont pas là des questions triviales, d’ailleurs. Ce sont le genre de questions qu’un étudiant de première année poserait dans n’importe quel cours d’introduction à une discipline STEM (ou proche des STEM).

Jusqu’à ce que quelqu’un fournisse la preuve définitive que l’intervention humaine, déployée à grande échelle, est financièrement rentable, la position la plus économiquement intelligente est de présumer que ce n’est pas le cas et de continuer à s’appuyer sur des prévisions automatisées et la prise de décision automatisée.

Q4 : Comment déterminer quand une prévision plus précise doit remplacer la prévision actuelle à des fins de prise de décision ?

En bref, la manière la plus simple de savoir est de se poser la question suivante : la nouvelle prévision conduit-elle à de meilleures décisions ? La métrique d’évaluation dans ce cas devrait être le retour sur investissement financier (ROI).

Pour être un peu plus précis, le remplacement doit être effectué en se basant sur l’utilité comparative globale du nouveau modèle (par exemple, ROI, applicabilité, maintenabilité, etc.), et pas seulement en fonction de son gain d’exactitude actuel. Le ROI est ce qui oriente l’entreprise vers le succès. L’applicabilité, comme je vais le démontrer ci-dessous, est conçue en gardant le ROI à l’esprit. Rappelez-vous : l’exactitude est, si elle est recherchée isolément, un KPI arbitraire.

Par exemple, imaginez que nous ayons deux modèles : l’un qui peut gérer explicitement l’historique des ruptures de stocks et un autre qui ignore les ruptures de stocks (en utilisant quelques astuces de prétraitement des données). Il se peut que les ruptures de stocks ne se soient pas produites très souvent, et, du point de vue de la prise de décision, les deux modèles performent presque de manière équivalente. Cependant, il serait tout de même plus prudent de privilégier le modèle capable de gérer les ruptures de stocks. Cela s’explique par le fait que, si elles commencent à se produire plus fréquemment, ce modèle sera plus fiable.

Cela démontre un autre aspect de la philosophie de Lokad : la correction par conception. Cela signifie qu’au niveau de la conception, nous cherchons à élaborer un modèle qui anticipe de manière proactive – et est capable de réagir – aux événements probables et improbables. Cela revêt une importance capitale puisque les plus lourdes pénalités financières se situent souvent aux extrêmes – c’est-à-dire aux événements improbables.

Q5 : Comment passer d’un modèle de prévision à un autre en production ?

Il est important de rappeler que la prévision n’est qu’une partie du moteur global de prise de décision. Ainsi, la mise à jour de certaines composantes peut avoir des impacts mineurs ou majeurs sur la performance globale du système. Le passage d’un ancien modèle à un nouveau peut s’avérer problématique, même si ce dernier génèrera finalement de meilleures décisions (et donc procurera davantage de profits).

Cela s’explique par le fait que les décisions améliorées, en théorie, peuvent se heurter à des contraintes inédites dans la réalité si leur mise en œuvre est trop rapide.

Par exemple, un nouveau modèle de prévision peut aider à générer des POs nettement améliorés, mais l’espace nécessaire pour stocker les stocks supplémentaires n’existe peut-être pas encore ou les fournisseurs ne peuvent pas ajuster immédiatement leur supply chain pour répondre à l’augmentation de la demande. Se précipiter pour valider les POs dès maintenant, dans une quête de profits immédiats, peut entraîner des pertes ailleurs, comme des stocks endommagés ou se périmant plus rapidement en raison d’un manque d’espace warehouse adéquat (ou de limites de capacité de la main-d’œuvre).

Dans un tel scénario, il pourrait être judicieux de passer progressivement d’un modèle à l’autre. En pratique, cela pourrait impliquer de passer quelques POs consécutifs légèrement plus importants pour corriger progressivement les positions de stocks, plutôt que de finaliser immédiatement un seul énorme.

Les personnes ayant une expérience pratique pour s’attaquer à l’effet bullwhip (y compris les défenseurs du DDMRP) devraient immédiatement comprendre pourquoi il s’agit d’une tactique judicieuse.

Conclusion

Si vous avez lu jusqu’ici, j’apprécie votre attention. Si vous avez exprimé des désaccords en cours de route, j’apprécie encore plus votre attention.

Pour ceux qui sont en désaccord, permettez-moi une dernière tentative : la valeur signifie plus d’argent, et plus d’argent découle de meilleures décisions. Pour moi, rien ne peut se substituer à de bonnes (voire de meilleures) décisions. Pas une prévision plus précise. Pas un processus S&OP plus efficace.

Si nous sommes encore en désaccord, qu’il en soit ainsi, mais au moins nous savons où nous en sommes tous les deux.

Merci d’avoir lu.

Avant de partir

Voici quelques ressources supplémentaires que vous pourriez trouver utiles (surtout si vous avez été en désaccord avec moi) :

Notes


  1. Les plus grandes supply chains représentent des chiffres encore plus impressionnants : des dizaines de milliers de magasins dans plus d’une centaine de pays, avec plusieurs centaines de centres de distribution. Les catalogues de ces géants contiennent souvent des centaines de milliers (voire des millions) de produits différents. ↩︎