Montrez-moi l'argent : Réflexions sur l'ISF 2024
“Pour améliorer votre jeu, vous devez étudier la fin de partie avant tout ; car, alors que les fins de partie peuvent être étudiées et maîtrisées par elles-mêmes, le milieu de partie et l’ouverture doivent être étudiés par rapport à la fin de partie.” Source : Dernières conférences d’échecs de Capablanca (1966), p. 23
Il y a quelques semaines, j’ai participé à une table ronde lors du 44e Symposium international sur les prévisions à Dijon, en France. Le sujet de la table ronde était la planification de la demande et le rôle du jugement dans le nouveau monde de l’IA/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 des meilleures décisions ;
-
le jugement humain devrait être utilisé pour améliorer l’automatisation (pas pour ajuster les prévisions ou les décisions).
Étrangement, ma position sur l’automatisation n’a pas suscité autant de désaccord que vous pourriez le penser. Le président (Conor Doherty, responsable de la communication chez Lokad) et les autres intervenants (Sven Crone d’iqast et Nicolas Vandeput de SupChains) étaient presque tous d’accord sur le fait que c’était l’avenir de la prévision. Le seul désaccord portait sur la rapidité avec laquelle nous pourrions atteindre cet état (note : je pense que nous y sommes déjà).
Ce qui a suscité beaucoup de désaccord, voire de confusion, c’est mon argument selon lequel l’exactitude des prévisions n’est pas aussi importante que la prise de meilleures décisions. Ce désaccord ne se limitait pas aux autres intervenants, mais aussi aux membres de l’auditoire. Je pense qu’il y a deux raisons principales à cela :
-
Lorsque j’ai pris la parole sur scène, je n’avais pas d’élément visuel pour étayer ce point. L’explication comporte quelques éléments complexes, donc un élément visuel aurait certainement aidé les gens à comprendre.
-
L’idée que l’exactitude des prévisions est moins importante que les décisions contredit l’éducation, la formation 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 courte mais systématique et une illustration intuitive. En ce qui concerne le deuxième point, je ne peux demander au lecteur que de garder l’esprit ouvert pendant les 5 à 10 prochaines minutes et d’essayer d’aborder ces mots comme s’il n’avait aucune formation préalable en prévision de la chaîne d’approvisionnement.
Questions directrices
À mon avis, il y a cinq questions fondamentales qui doivent être répondues pour clarifier ma position. Dans cette section, je ferai de mon mieux pour fournir des réponses courtes à chacune d’entre elles - la “substance”, pour ainsi dire. Soyez assuré que Lokad dispose de nombreuses ressources supplémentaires pour expliquer les aspects techniques, que je lierai à la fin de l’essai.
Q1 : Que signifie “ajouter de la valeur” pour une prévision ?
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 de stock automatisée).
Pour qu’une prévision modifiée ajoute de la valeur, elle doit modifier une décision par défaut (générée à l’aide du processus par défaut de l’entreprise) de manière à affecter directement et positivement les résultats financiers de l’entreprise (c’est-à-dire les dollars, les livres ou les euros de rendement).
Si une prévision est plus précise (en termes de prédiction de la demande réelle) mais n’entraîne pas une décision différente et meilleure, alors elle n’a pas ajouté de valeur.
De nombreuses entreprises utilisent encore des modèles de prévision séries temporelles, tandis que Lokad préfère les prévisions probabilistes pour aider à générer des décisions ajustées au risque. Cependant, la même norme s’applique aux deux paradigmes de prévision. Pour que l’un ou l’autre type de prévision ajoute de la valeur, il doit modifier une décision par défaut de manière à affecter directement et positivement les résultats financiers d’une entreprise.
Par exemple, une nouvelle décision (“modifiée”) pourrait directement éliminer une future rupture de stock que la décision par défaut aurait présentée.
“Directement” est crucial ici. En termes très simples, la prévision n’ajoute de valeur que si vous pouvez indiquer le changement de décision exact qui a influencé les rendements financiers supplémentaires ou a empêché les pertes financières (par rapport à la décision par défaut).
Pensez à la causalité, pas à la corrélation.
Q2 : Une prévision plus précise ajoute-t-elle toujours de la valeur ?
Techniquement, non. Une prévision plus précise, en soi, ne “ajoute pas nécessairement de valeur”. Cela est dû au fait que, comme mentionné précédemment, pour qu’une chose (dans ce cas une prévision) ajoute de la valeur, elle doit affecter directement et positivement les résultats financiers d’une entreprise grâce à une meilleure décision.
Contrairement aux prévisions, les décisions de la chaîne d’approvisionnement sont soumises à des contraintes de faisabilité (par exemple, les MOQs, les multiplicateurs de lots, les tailles de lots, etc.) et à des incitations financières (par exemple, les réductions de prix, les conditions de paiement, etc.). Il peut y avoir beaucoup plus de prévisions que de décisions réalisables.
Cela signifie que les décisions de la chaîne d’approvisionnement peuvent parfois être (et sont très souvent) insensibles aux changements de précision des prévisions. Cela est vrai pour les prévisions de séries temporelles et les prévisions probabilistes.
La raison de cette insensibilité est due aux contraintes de prise de décision (par exemple, les MOQs). Il est tout à fait possible qu’une prévision plus précise (par exemple, 10% de plus de précision) conduise à la même décision qu’une prévision moins précise. Le graphique ci-dessous illustre ce point.
Dans l’exemple ci-dessus, supposons que la prévision consensuelle de 55 unités était plus précise que la prévision automatisée de 50 unités. Du point de vue financier, la précision accrue n’a pas entraîné une décision différente (en raison de la présence d’un MOQ). Ainsi, la prévision plus précise n’a pas ajouté de valeur.
En fait, on peut soutenir que la prévision consensuelle plus précise a entraîné une valeur ajoutée négative. Cela est dû au fait que les étapes supplémentaires de révision (selon un processus standard de création de valeur des prévisions) coûtent de l’argent (temps et effort supplémentaires) à l’entreprise, sans pour autant aboutir à une meilleure décision. D’un point de vue purement financier, ces étapes de révision manuelle étaient un bilan négatif.
Prenons également en compte un cas où il n’y a pas de contrainte MOQ.
Imaginez le même scénario global, mais avec un multiplicateur de lots au lieu d’un MOQ. Les décisions réalisables sont des incréments de 50 unités (par exemple, 50 unités dans une boîte ou sur une palette). Dans cette situation, nous devrions acheter soit 50, soit 100 unités (1 ou 2 boîtes ou palettes).
En réalité, il pourrait être moins rentable d’acheter 100 unités (couvrant la suggestion de prévision consensuelle de 55 unités) que d’acheter 50 unités (légèrement moins que ce que la prévision “plus précise” suggère). On pourrait essayer de couvrir la demande restante avec des commandes en souffrance ou simplement perdre des ventes (par exemple, si l’on vend des produits périssables comme des produits frais).
D’un point de vue économique, la meilleure décision financière pourrait ne pas être de suivre la prévision “plus précise”. Dans ce scénario, à la fois 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 valeur financière accrue.
Certes, toutes les situations ne sont pas également strictes en termes de contraintes, mais la supply chain est remplie de ce type de scénarios. Bien sûr, je concède que différentes prévisions entraîneront des décisions différentes, mais la question de la valeur reste ouverte. À tout moment, nous devrions considérer si le rendement supplémentaire attendu de l’achat d’unités supplémentaires est supérieur aux ressources supplémentaires consommées pour améliorer la précision des prévisions.
Peut-être que la précision supplémentaire en vaut la peine dans certaines situations. Cependant, les prévisionnistes et les praticiens de la supply chain semblent supposer de manière réflexe que c’est le cas en termes absolus, malgré le fait qu’il existe des scénarios évidents dans lesquels ce n’est pas le cas.
Si vous avez pensé à un scénario qui ne correspond pas parfaitement aux exemples décrits ici, c’est bien. Rappelez-vous, l’objectif aujourd’hui est de démontrer un point général (qu’il existe des situations où une précision accrue des prévisions ne vaut pas la peine d’être poursuivie), et non d’analyser en profondeur chaque scénario de prise de décision de la supply chain possible.
Q3 : Comment pouvons-nous nous assurer que la valeur obtenue vaut le coût de l’intervention judiciaire ?
Un élément essentiel de la discussion en panel à Dijon était la valeur (ou non) de l’intervention judiciaire (ou des “modifications humaines”) dans le processus de prévision. Pour paraphraser l’autre côté, “nous devons avoir des personnes dans la boucle 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 ajoute de la valeur - sinon, pourquoi diable quelqu’un le ferait-il ?
Pour cette section, je vais ignorer la discussion sur le fait que les humains peuvent (occasionnellement ou même souvent) surpasser une prévision automatisée (en termes de précision). En fait, je suis prêt à admettre que, sur n’importe quel SKU isolé, un humain peut aussi bien, voire mieux, qu’une prévision automatisée en termes de précision.
Note : Je ne pense pas que cela soit vrai si nous considérons la prévision de dizaines de milliers de SKUs pour des centaines de magasins, chaque jour, selon une supply chain de taille conséquente1. Dans ce dernier scénario, une prévision automatisée surpasse largement des équipes entières de prévisionnistes incroyablement compétents et d’autres experts fonctionnels simplement parce que la grande majorité des SKUs ne peuvent pas être examinés manuellement en raison de contraintes de temps.
Je fais cette concession que le jugement humain peut parfois correspondre ou dépasser les prévisions automatisées pour deux raisons :
-
À mon avis, cela rend l’essai plus intéressant, et ;
-
La force de mon argument ne repose pas sur une discussion de “précision”.
Ma position est, comme vous pouvez probablement le deviner maintenant, que les remplacements humains n’apportent une “valeur ajoutée” que s’ils…apportent une valeur financière - une valeur qui dure plus longtemps qu’un seul cycle de réapprovisionnement. Cela est complètement indépendant de tout avantage en termes de précision.
Cette valeur peut être comprise comme “produisant directement de meilleures décisions que celles qui ont été initialement générées - en tenant compte des bénéfices supplémentaires de la meilleure décision et en soustrayant le coût du remplacement”.
En d’autres termes, les interventions basées sur le jugement (remplacements humains) sont coûteuses, donc une entreprise devrait vouloir obtenir un retour sur investissement significatif. C’est donc mon argument que la précision des prévisions est une mesure arbitraire (lorsqu’elle est évaluée isolément des décisions), et les entreprises devraient se concentrer sur des actions qui augmentent les rendements financiers.
Le remplacement humain peut très bien augmenter la précision des prévisions (encore une fois, je fais cette concession pour le bien de la discussion), cependant cela n’augmente pas nécessairement le rendement 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 personne la plus petite dans une autre.
Veuillez noter que la responsabilité ne me revient pas 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 affirmant que l’augmentation de la précision est en soi rentable de fournir des preuves concrètes, directes et indiscutables de cette affirmation.
Encore une fois, cela ne devrait pas être une position radicale ou contraire. Cela devrait, à mon avis, être la position par défaut de toute personne “impliquée dans le jeu”.
Gardez à l’esprit que, pour que les remplacements humains soient rentables, nous devons prendre en compte l’ensemble des remplacements. Cela signifie évaluer la valeur financière générée par tous les “succès” et soustraire toutes les pertes financières infligées par les “échecs”.
Cette expérience devrait également être réalisée à grande échelle, pour un réseau énorme de magasins (clients entreprises dans le cas du B2B) et sur l’ensemble de leur catalogue de SKUs, chaque jour, pendant une période considérable.
“Combien de temps cette expérience devrait-elle durer, Alexey ?” À ce sujet, je suis ambivalent. Disons un an, mais je suis très ouvert à la discussion sur ce point. Cela dépend de nombreux facteurs, y compris le nombre de cycles de décision par an, ainsi que les délais d’approvisionnement, naturellement.
Cela dit, toute cette discussion soulève la question de quel est le seuil acceptable d’erreur pour les remplacements humains.
- Si les succès l’emportent légèrement sur les échecs, est-ce acceptable ?
- Qu’en est-il du coût des remplacements humains eux-mêmes ?
- Comment devons-nous prendre en compte ces coûts directs et indirects dans le calcul ?
Ce ne sont pas des questions triviales, d’ailleurs. Ce sont les types de questions qu’un étudiant de première année poserait dans n’importe quel cours d’introduction dans un domaine STEM (ou STEM-adjacent).
Jusqu’à ce que quelqu’un apporte une preuve définitive que le remplacement humain, déployé à grande échelle, est financièrement rentable, la position économiquement la plus intelligente est de présumer que ce n’est pas le cas et de continuer à s’appuyer sur des prévisions automatisées et une 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 le savoir est de se poser la question suivante : la nouvelle prévision permet-elle de prendre 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 devrait être effectué en fonction de l’utilité comparative globale du nouveau modèle (par exemple, le ROI, l’applicabilité, la maintenabilité, etc.), et pas seulement en fonction de son gain de précision actuel. Le ROI est ce qui guide l’entreprise vers le succès. L’applicabilité, comme je le démontrerai ci-dessous, est conçue en gardant à l’esprit le ROI. Rappelez-vous : la précision est, si elle est poursuivie de manière isolée, un indicateur de performance arbitraire.
Par exemple, imaginons que nous ayons deux modèles : l’un qui peut traiter explicitement l’historique des ruptures de stock et un autre qui ignore les ruptures de stock (en utilisant quelques astuces de prétraitement des données). Il se peut que les ruptures de stock ne se soient pas produites si souvent, et du point de vue de la prise de décision, les deux modèles fonctionnent presque de la même manière. Cependant, il serait quand même plus prudent de favoriser le modèle qui peut traiter les ruptures de stock. C’est parce que, si les ruptures de stock 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 visons à concevoir un modèle qui prend en compte de manière proactive - et est capable de répondre à - à la fois les événements probables et improbables. Cela est d’une importance capitale car les plus grandes pénalités financières se trouvent souvent aux extrêmes - autrement dit, les événements improbables.
Q5 : Comment passer d’un modèle de prévision à un autre en production ?
Il est important de se rappeler que la prévision n’est qu’une partie du moteur global de prise de décision. Ainsi, la mise à jour de certaines parties peut avoir des impacts mineurs ou majeurs sur les performances globales du moteur. La transition d’un ancien modèle à un nouveau peut poser problème, même si le nouveau modèle générera finalement de meilleures décisions (et donc plus de profits).
Cela est dû au fait que les décisions améliorées en théorie peuvent rencontrer des contraintes sans précédent dans la réalité si elles sont mises en œuvre trop rapidement.
Par exemple, un nouveau modèle de prévision peut aider à générer des commandes d’achat beaucoup améliorées, mais l’espace nécessaire pour stocker le stock supplémentaire peut ne pas encore exister ou les fournisseurs ne peuvent pas ajuster immédiatement leurs chaînes d’approvisionnement pour satisfaire la demande accrue. Se précipiter pour finaliser les commandes d’achat maintenant, à la recherche de profits immédiats, peut entraîner des pertes ailleurs, telles que des stocks endommagés ou périssables plus rapidement en raison d’un manque d’espace d’entrepôt adéquat (ou de limites de capacité de 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 commandes d’achat consécutives légèrement plus grandes pour corriger progressivement les positions des stocks, plutôt que de passer immédiatement une seule commande énorme.
Les personnes ayant une expérience pratique de la gestion de l’effet coup de fouet (y compris les partisans du DDMRP) devraient immédiatement comprendre pourquoi il s’agit d’une tactique judicieuse.
Réflexion finale
Si vous avez lu jusqu’ici, je vous remercie de votre attention. Si vous avez été en désaccord en cours de route, je vous remercie encore plus de votre attention.
Pour ceux qui sont en désaccord, permettez-moi une dernière remarque : la valeur signifie plus d’argent, et plus d’argent provient de meilleures décisions. En ce qui me concerne, rien ne peut remplacer de bonnes (ou meilleures) décisions. Pas une prévision plus précise. Pas un processus de S&OP plus efficace.
Si nous sommes toujours en désaccord, soit, mais au moins nous savons où nous en sommes tous les deux.
Merci de m’avoir lu.
Avant de partir
Voici quelques ressources supplémentaires qui pourraient vous être utiles (surtout si vous n’êtes pas d’accord avec moi) :
-
En ce qui concerne la façon dont Lokad prévoit réellement toutes les sources d’incertitude (par exemple, la demande, les délais de livraison, les taux de retour, etc.), consultez nos vidéos sur les prévisions probabilistes et la prévision des délais de livraison.
-
En ce qui concerne la façon dont Lokad prend réellement des décisions ajustées au risque, consultez notre tutoriel éducatif sur l’optimisation des achats et la vidéo sur l’allocation des stocks de détail.
-
En ce qui concerne la façon dont Lokad gère la demande et optimise les stratégies de tarification, consultez notre vidéo sur l’optimisation des prix.
Notes
-
Les plus grandes chaînes d’approvisionnement représentent des chiffres encore plus importants - 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. ↩︎