La tyrannie des séries temporelles
Peu d’abstractions mathématiques ont nui à la performance de la supply chain de manière aussi pervasivement—and as quietly—as les humbles séries temporelles. En dépit de ce bilan, les séries temporelles restent à la mode. Des catégories entières de logiciels sont construites autour du stockage, de l’analyse et de la prévision des séries temporelles; des cadres de planification tels que S&OP ou IBP sont élaborés presque exclusivement à partir d’eux; et la plupart des programmes académiques considèrent l’étude des supply chains comme guère plus qu’un exercice de composition, de décomposition et d’extrapolation des séries temporelles.

Mais la popularité ne confère pas la validité. Chez Lokad, nous avons renoncé au paradigme des séries temporelles il y a plus d’une décennie parce qu’il ignore systématiquement les forces mêmes qui façonnent les modern supply chains. En réduisant tout à une seule dimension chronologique, il aveugle les praticiens aux interactions multicouches entre clients, produits, fournisseurs et contraintes. Ce qui suit est une visite des angles morts qui surgissent inévitablement lorsque les séries temporelles deviennent la solution unique pour la prise de décision.
1. Séries temporelles et le client qui disparaît
De nombreux manuels—and therefore much commercial software—affirment que les clients perçoivent la « qualité de service » à travers des objectifs numériques de taux de service (e.g., « 95 % de disponibilité »). Traduire la réalité chaotique de l’expérience client en une séries temporelles ordonnée de taux de remplissage peut être commode, mais c’est aussi démontrablement faux.
Paniers
Les clients achètent des paniers, et non pas des SKUs isolés. L’absence d’un seul article peut faire disparaître toute la transaction—and possibly the customer relationship—to evaporate. Parce que les séries temporelles enregistrent des quantités et des dates dépourvues du contexte de la transaction, elles ne peuvent pas reconstituer quels articles étaient censés voyager ensemble, quels substituts ont été proposés, ou comment le client a réagi. La structure de données est, par conception, aveugle au client.
Fidélité
La plupart des entreprises dépendent des achats récurrents. Que vous vendiez des vêtements de mode ou des attaches industrielles, fidéliser une clientèle loyale est primordial. Pourtant, les séries temporelles classiques éliminent l’identité de l’acheteur dès l’enregistrement de la facture. Elles ne peuvent pas détecter qu’un acheteur pour la première fois est devenu un ambassadeur de la marque, ni qu’un client régulier déçu s’est discrètement tourné vers un concurrent. Une fois de plus, le signal décisif se perd.
Substitutions et cannibalisations
Les clients disposent souvent d’une marge de manœuvre dans la façon dont ils satisfont un besoin : ils échangent taille, couleur, marque ou format contre l’immédiateté ou le prix. La modélisation de telles dynamiques de choix nécessite d’observer quelle alternative le client a sélectionnée lorsque l’article préféré n’était pas disponible. Les séries temporelles traditionnelles, limitées à « la demande de SKU X le jour D », sont structurellement incapables de coder ce choix.
En bref, encadrer la « qualité de service » comme une séries temporelles de taux de service efface presque tout ce qui importe pour le client.
2. Séries temporelles et le fournisseur invisible
Les limitations de l’approche par séries temporelles sont symétriques : elle obscurcit les réalités des fournisseurs aussi efficacement qu’elle efface celles des clients que nous cherchons à servir.
Enchevêtrement des délais
Considérer le délai d’approvisionnement comme une séries temporelles indépendante par SKU suppose que chaque bon de commande arrive dans un vide isolé. En pratique, les grosses commandes consomment la capacité du fournisseur, allongent les délais d’approvisionnement suivants et précipitent des retards en cascade. Le couplage de capacité est un phénomène multidimensionnel; il ne peut être compris—sans parler de l’optimiser—lorsque chaque article est cantonné dans sa propre chronologie.
Économie des regroupements
Les achats ne consistent rarement à trouver la « quantité optimale » pour chaque SKU de manière isolée. Le véritable enjeu consiste à synchroniser des centaines de SKUs en chargements économiques pour camions, en charges de conteneurs ou en séries de production. La formulation canonique EOQ, issue de l’approche par séries temporelles, ignore les synergies entre SKU et passe ainsi complètement à côté du problème.
Création de valeur partagée
Les fournisseurs les plus précieux sont des co-innovateurs : ils suggèrent des ajustements de conception, proposent de nouveaux assortiments et partagent le risque. Ces dynamiques collaboratives évoluent sur des trimestres et des années, et non selon un rythme périodique ordonné. En forçant la réalité dans des séries stationnaires, l’analyste rend l’innovation des fournisseurs littéralement invisible.
3. Le confort d’un paradigme introspectif
Pourquoi, alors, le paradigme des séries temporelles persiste-t-il ? Parce qu’il est facile.
-
Le monde académique adore les séries temporelles: elles donnent lieu à des modèles autorégressifs élégants qui sont simples à expliquer en cours, simples à donner en devoir, et simples à noter.
-
Les éditeurs de logiciels adorent les séries temporelles: stocker des données sous forme d’un horodatage plus un nombre est trivial, tout comme ajouter un widget de prévision pour extrapoler la courbe.
-
Les managers adorent les tableaux de bord des séries temporelles: un graphique linéaire soigné offre l’illusion réconfortante que le passé avait du sens et que l’avenir ne différera que marginalement.
Mais la commodité n’est pas synonyme de capacité. Une entreprise introspective peut se convaincre que ces courbes mesurent la performance; le marché, dénué de cette illusion, continuera de punir une mauvaise allocation des stocks, de la capacité et de la trésorerie.
4. Se libérer : embrasser la réalité à haute dimensionnalité
Depuis la fin des années 1990, les avancées en statistiques à haute dimension, en programmation probabiliste et en optimisation à grande échelle ont rendu parfaitement faisable la modélisation de la forme réelle et chaotique des supply chains: transactions, paniers, options, contraintes et boucles de rétroaction. Oui, les modèles qui en résultent sont plus complexes qu’une séries temporelles univariée—but the extra complexity is not a vice; it is the irreducible complexity already present in the business itself.
La propre pile de prédiction-optimisation de Lokad a souvent été qualifiée de « compliquée ». Nous plaidons coupable, avec une mise en garde : nos méthodes reflètent la complexité préexistante du commerce de détail, de la fabrication, de l’aviation, ou du pétrole & gas. Le commerce de détail serait trivial si chaque produit se disputait l’espace sur les étagères dans une isolation splendide. La fabrication serait triviale si les ordres de production ne concouraient jamais pour des machines ou matières premières partagées. La logistique internationale serait triviale si les conteneurs se redimensionnaient magiquement. La réalité refuse d’être aussi accommodante; prétendre le contraire par une sophistique des séries temporelles ne fait qu’aggraver le coût.
5. Conclusion
L’analyse des séries temporelles n’est pas erronée; elle est tout simplement insuffisante. À l’instar d’une carte bidimensionnelle d’une chaîne de montagnes, elle peut être utile pour certaines tâches limitées, mais désastreuse si l’on s’y fie pour naviguer dans le terrain. Une supply chain moderne vit dans un espace où clients, produits, fournisseurs, capacités et contraintes interagissent de manières qu’une seule chronologie ne peut pas encoder.
S’en tenir aux séries temporelles parce qu’elles sont faciles est une abdication. Les outils existent désormais pour affronter de front la complexité des supply chains, et l’avantage concurrentiel qu’ils confèrent ne cesse de croître chaque trimestre. La question n’est plus de savoir si nous pouvons transcender la tyrannie des séries temporelles, mais si nous osons construire des organisations qui privilégient l’insight plutôt que la commodité.