Back to blog

Supposons qu’un fournisseur baisse son prix unitaire de 10 € à 9 €, mais double la commande minimale, qui passe de 100 à 200 unités. Le montant minimal à engager passe de 1 000 € à 1 800 €. Le logiciel peut parfaitement traiter ces nouvelles conditions tout en réalisant un moins bon investissement.

Les Supply Chain Scientists de Lokad ont pour responsabilité de préserver la pertinence économique de la logique de décision après la mise en production. Une initiative dispose généralement d’un scientifique référent et d’un suppléant, qui peut couvrir ses absences ou prendre le relais en cas de départ. Les clients qui font appel à ce service n’ont pas besoin de recruter leur propre équipe d’ingénierie.

Une palette de marchandises à prix réduit avec de l’argent immobilisé en dessous

Dans cet exemple, une remise de 10 % augmente de 80 % le montant minimal à engager. Le rendement attendu doit justifier cet engagement.

Préserver la cohérence économique

La recette numérique doit privilégier les décisions dont le taux de rendement attendu est le plus élevé, en tenant compte de l’incertitude sur la demande, les délais et les autres risques.

Pour l’offre fournisseur ci-dessus, le scientifique doit examiner combien de temps le stock supplémentaire immobilisera du capital, ce qui risque de rester invendu et quels autres achats seraient évincés par cette commande plus importante. La recette doit tenir compte de ces conséquences pour déterminer s’il faut accepter l’offre. Mettre à jour les champs du prix et de la commande minimale ne fait qu’enregistrer les nouvelles conditions. Le travail de maintenance consiste à vérifier que le calcul évalue toujours correctement l’investissement.

Le scientifique doit aussi suivre les décisions jusqu’à leurs résultats. Un lot invendu ne prouve pas qu’un achat était une erreur : l’incertitude faisait partie du calcul. Mais si les commandes rapportent régulièrement moins que le rendement estimé, le scientifique doit enquêter. Les livraisons ont-elles pris plus de temps que prévu par le modèle ? Les invendus ont-ils été surévalués ? Une option d’achat moins chère a-t-elle été négligée ? Chaque constat appelle une correction différente de la recette.

Le même travail s’impose lorsqu’un concurrent modifie son assortiment, que les clients deviennent moins disposés à attendre ou qu’un nouveau canal de vente modifie les coûts de traitement des commandes. Le scientifique travaille avec les équipes métier du client pour comprendre ces évolutions et réviser la recette. Cette combinaison d’ingénierie et de jugement métier est au cœur du rôle du Supply Chain Scientist.

Dans une grande entreprise, le système d’information évolue en permanence, même entre deux mises à niveau de l’ERP. Par exemple, un champ de stock se met à inclure les marchandises en quarantaine. Le fichier se charge toujours, mais la recette comptabilise comme disponible un stock qui ne peut pas être vendu. Les scientifiques doivent suivre ces changements et adapter la manière dont la recette interprète les données.

Tester et documenter les changements

Lokad conserve les versions des données ainsi que des scripts Envision qui les traitent. Lorsqu’un résultat semble incorrect, un scientifique peut retrouver les données d’entrée et le code qui l’ont produit, reproduire le calcul et vérifier ce qui a changé. Cette fonctionnalité est intégrée à la plateforme.

Une correction proposée peut être testée sur les mêmes données que l’ancienne recette. Dans notre exemple d’achat, le scientifique peut examiner les effets de la commande plus importante sur le budget restant et sur les achats qu’elle évince. Comparer les deux versions avec des données d’entrée identiques permet de distinguer l’effet de la modification du code de celui des évolutions de l’activité.

Le scientifique met également à jour le manuel de procédures conjoint, qui consigne les hypothèses et le raisonnement à l’origine de la recette. Le scientifique suivant peut ainsi comprendre pourquoi la recette traite les remises fournisseurs de cette manière, en s’appuyant également sur le code qui met ce raisonnement en œuvre. Lokad réserve du temps au scientifique suppléant pour qu’il reste au fait de l’initiative et qu’une passation commence avec une bonne compréhension de la recette en place.

Le travail après la mise en production

Lokad génère chaque jour des prévisions et des décisions sans intervention humaine. Les scientifiques améliorent les recettes ; ils ne surveillent pas les prévisions référence par référence. Ils corrigent les données mal interprétées, révisent les hypothèses de coûts et analysent les décisions qui immobilisent de l’argent dans les mauvais stocks.

Le client apporte sa connaissance du métier et fixe les priorités. Les équipes financières et opérationnelles doivent informer les scientifiques de toute nouvelle stratégie commerciale ou de tout nouvel engagement de service ; les historiques de transactions ne permettent pas de les déduire de manière fiable. La section consacrée à la maintenance dans Introduction to Supply Chain explique cette collaboration continue.

Tout logiciel de supply chain entraîne des coûts de maintenance. Avec les produits configurables, les planificateurs passent du temps à entretenir des paramètres, des exceptions et des feuilles de calcul qui pallient les lacunes du produit. Ce travail figure rarement sur la facture du logiciel. Chez Lokad, la maintenance de la recette relève explicitement de la responsabilité des Supply Chain Scientists. Le code, la gestion des versions et la documentation réduisent le temps nécessaire pour retrouver l’origine d’un problème et réviser la logique. Le critère reste économique : les décisions continuent-elles à justifier l’argent qu’elles engagent ?