Quand la recherche opérationnelle rencontre la supply chain réelle
La plupart des gens qui entendent que je travaille sur la Supply Chain Quantitative supposent que je fais de la recherche opérationnelle. En un sens, ils ont raison : je tiens profondément aux modèles mathématiques, à l’optimisation et à l’utilisation des données pour soutenir les décisions. Pourtant, au cours des deux dernières décennies, en collaborant avec des entreprises allant de la mode à l’aéronautique, je me suis assez éloigné de ce qui est aujourd’hui la culture dominante de la recherche opérationnelle.
Dans mon récent livre Introduction to Supply Chain, j’ai tenté de rassembler en un seul lieu la manière dont je conçois désormais les flux de marchandises, l’incertitude et les décisions. Cet essai est un compagnon plus ciblé : je voudrais expliquer comment ma perspective a évolué, pourquoi je considère la supply chain avant tout comme de l’économie appliquée plutôt que comme des mathématiques appliquées, et où je pense que la recherche opérationnelle actuelle aide tout autant qu’elle égare les praticiens.
Ce que promettait la recherche opérationnelle
Historiquement, la recherche opérationnelle avait une mission d’un pragmatisme remarquable. Pendant la Seconde Guerre mondiale, des scientifiques et ingénieurs furent rassemblés en équipes ad hoc pour aider les opérateurs de radar, les planificateurs de convois et les commandants de bombardiers à prendre de meilleures décisions. Le premier manuel de Morse et Kimball définissait le domaine comme « une méthode scientifique fournissant aux départements exécutifs une base quantitative pour les décisions concernant les opérations sous leur contrôle. » Les mots importants ici sont « opérations » et « décisions ». Le but n’était pas de démontrer des théorèmes ; il s’agissait de transformer ce que faisaient réellement les flottes et les usines un lundi matin.
Cet esprit survécut jusque dans les premières décennies d’après-guerre. La recherche opérationnelle était encore décrite comme une approche scientifique et quantitative de la prise de décision, où l’on construit des modèles de situations réelles pour guider l’action. Des résumés modernes par des organisations telles que l’IFORS soulignent toujours ce point de vue : la recherche opérationnelle applique l’analyse des données, la modélisation mathématique et l’optimisation pour aider les managers à choisir parmi diverses alternatives. Sur le papier, c’est presque exactement ce que je souhaite pour la supply chain.
Mais la manière dont ces idées sont généralement mises en pratique aujourd’hui semble très différente.
À quoi ressemble le courant dominant depuis le bureau d’un opérateur de supply chain
Lorsque je rencontre des personnes formées en recherche opérationnelle, nous sommes généralement d’accord sur la grammaire d’un problème. Il y a des décisions à prendre (quoi acheter, produire, déplacer, tarifer), des contraintes à respecter (capacité, réglementations, délais de livraison) et un objectif à optimiser. Dans les manuels et de nombreuses missions de conseil, cela devient un schéma familier : définir des variables de décision, rédiger les contraintes, choisir un objectif et tout transmettre à un solveur à usage général. La programmation linéaire et en nombres entiers mixtes sont les outils centraux ; les simulations et heuristiques gravitent autour d’eux.
Il n’y a rien d’intrinsèquement faux dans ce schéma. Il brille dans des problèmes tels que la conception de réseaux ou la planification stratégique de capacité, où l’on souhaite vraiment choisir une configuration une fois pour toutes et s’y tenir pendant des années. Cela a également du sens dans des environnements industriels aux contraintes serrées où les lois physiques réelles sont bien comprises et où l’incertitude est modeste.
Le problème commence lorsque cette même façon de penser est reprise, presque inchangée, dans des supply chains extrêmement dynamiques et incertaines : le e-commerce, la mode, les pièces détachées, l’électronique grand public, l’alimentation. Dans ces environnements, je constate régulièrement trois échecs.
Premièrement, la fonction objectif est rarement exprimée en argent. Nous optimisons les coûts sous réserve d’un taux de service cible, ou nous maximisons un score de service sous contrainte de capacité, ou nous minimisons l’erreur de prévision comme si cela avait une valeur intrinsèque. Ce qui manque souvent, c’est un grand livre monétaire unique dans lequel les ruptures de stock, le surstock, la manutention, le capital et toutes les autres douleurs et gains sont exprimés en unités comparables. Sans un tel grand livre, les gens débattent des « compromis » indéfiniment, sans qu’aucun ne puisse véritablement arbitrer entre eux.
Deuxièmement, l’incertitude est traitée comme une réflexion après coup. Les prévisions sont produites sous forme de nombres uniques, et toute reconnaissance de la variabilité est intégrée dans des marges de sécurité ou des tampons choisis plus par habitude que par calibration. Pourtant, dans la plupart des entreprises que je rencontre, le profit ou la perte d’une saison est déterminé par des événements relativement rares : une tendance inattendue, une grève chez un fournisseur clé, une période de mauvais temps au mauvais moment. Réduire l’incertitude à une unique valeur « la plus probable » et à une mince couche de sécurité est une manière polie de faire comme si cette réalité n’existait pas.
Troisièmement, le temps est traité comme un horizon de planification plutôt que comme une succession d’opportunités de réexamen. Nous élaborons un plan mensuel ou trimestriel, lançons une grande optimisation pendant la nuit, puis traitons le résultat comme un scénario à suivre. Le fait que demain matin nous en saurons plus qu’aujourd’hui, et que nous pourrions en principe re-optimiser, est reconnu mais pas systématiquement exploité.
De loin, tout cela ressemble encore à de la recherche opérationnelle. Du point de vue d’un opérateur de supply chain, cela paraît étrangement déconnecté des problèmes qui font réellement gagner ou perdre de l’argent.
Pourquoi je conçois la supply chain comme de l’économie appliquée
Mon propre parcours est en mathématiques et en informatique, et pendant de nombreuses années j’ai tenté d’aborder les problèmes de supply chain avec la boîte à outils standard : prévisions, stocks de sécurité, minimisation des coûts, contraintes de service, algorithmes astucieux. Progressivement, client après client, il est devenu évident que je résolvais le mauvais problème.
Ce avec quoi les praticiens de la supply chain luttent réellement n’est pas le manque de modèles ; c’est l’absence d’une vision économique claire. Ils disposent de ressources rares et polyvalentes : des stocks pouvant être déployés dans de nombreux endroits, des machines capables de produire divers articles, et un transport pouvant servir plusieurs canaux. Chaque jour, ils sont confrontés à plus d’actions possibles qu’ils ne peuvent en énumérer. Ils évoluent dans une incertitude profonde, notamment en ce qui concerne la demande et les délais de livraison. Et, en fin de compte, ils sont jugés en unités monétaires.
Une fois cela accepté, la supply chain ressemble bien moins à une branche des mathématiques appliquées et davantage à une branche de l’économie appliquée. La question centrale devient : compte tenu de ce que nous savons et de ce que nous pouvons raisonnablement attendre, quelles actions d’aujourd’hui sont susceptibles de créer plus de valeur économique qu’elles n’en détruisent ?
Ce point de vue a des conséquences pratiques.
J’essaie d’exprimer chaque compromis important en termes monétaires, même si les prix sont d’abord approximatifs. La douleur des ventes perdues, le coût de l’obsolescence, la valeur de la fraîcheur, le fardeau du fonds de roulement, la gêne causée par la congestion dans un quai : tous ces éléments peuvent être traduits en prix par unité ou par période. Une fois qu’ils sont sur une échelle unique, nous pouvons laisser les mathématiques faire leur travail et classer les décisions candidates selon leur contribution attendue.
J’insiste également pour modéliser explicitement l’incertitude là où cela compte. Plutôt que de considérer la demande comme une prévision ponctuelle assortie d’un facteur de sécurité, je souhaite disposer d’une distribution complète des résultats futurs possibles. Il en va de même pour les délais de livraison, les retours, la fiabilité des fournisseurs, et parfois même les prix. Cela n’a pas besoin d’être ésotérique. Des modèles probabilistes simples et bien calibrés changent déjà radicalement les décisions, car ils nous permettent de voir où se situent les extrémités de la distribution – les scénarios plus rares mais coûteux.
Enfin, je conçois les décisions de supply chain comme des paris répétés plutôt que comme des plans ponctuels. Chaque jour, de nouvelles informations arrivent : ventes, retards, perturbations, opportunités. La bonne question n’est pas « Quel est le plan optimal pour le prochain trimestre ? » mais « Étant donné ce que nous savons actuellement, et compte tenu d’une vision raisonnable de la manière dont l’avenir pourrait se dérouler, quels engagements devrions-nous prendre aujourd’hui et lesquels devrions-nous reporter jusqu’à en savoir plus ? » La capacité de dire « pas encore » et de laisser des ressources non engagées est en soi une option précieuse.
Une fois que la supply chain est ainsi conçue, la recherche opérationnelle est toujours présente, mais dans un rôle différent.
Des solveurs aux moteurs de décision
La recherche opérationnelle dominante prend souvent le solveur comme point d’ancrage. Nous formulons un programme mathématique, l’envoyons à un solveur à usage général, et jugeons notre réussite en partie par la taille et la complexité des cas que nous pouvons traiter. Plus les contraintes sont complexes et l’algorithme sophistiqué, plus nous nous sentons performants.
Dans mon travail quotidien, je trouve plus fructueux de considérer le solveur comme un composant d’un « moteur de décision » plus vaste. Ce moteur a plusieurs responsabilités.
Il doit assimiler des données d’entreprise désordonnées et incohérentes pour les transformer en une vision cohérente du monde : quels produits existent, où ils se trouvent, à quoi ressemblent les délais de livraison, et quels sont les engagements en cours. Il doit fournir des visions probabilistes des incertitudes pertinentes : demande, offre, retours, temps de transport. Il doit tenir un grand livre monétaire de tous les coûts et bénéfices importants, avec une attribution claire pour chaque prix. Et il doit produire des décisions concrètes et lisibles par machine : bons de commande, transferts, ordres de production, modifications de tarification.
À l’intérieur de ce moteur, nous utilisons absolument des algorithmes d’optimisation, y compris des méthodes classiques. Mais ils ne sont plus les héros de l’histoire. Ce qui importe tout autant, ce sont les choix concernant ce qu’il faut tarifer, ce qu’il faut considérer comme une contrainte stricte, ce qu’il faut traiter comme une pénalité souple, la fréquence de re-calcul, la manière d’attribuer les conséquences des décisions dans le temps, et le moment de refuser d’agir parce que l’incertitude est trop grande.
Vu sous cet angle, les questions de conception intéressantes se rapprochent davantage de l’économie et de l’architecture logicielle que de l’algorithmique pure. Comment faire en sorte que chaque compromis important dans le système soit exprimé en argent ? Comment nous assurer que le moteur puisse être invalidé par l’expérience, que les mauvaises décisions soient traçables jusqu’aux hypothèses que nous pouvons examiner et réviser ? Comment rendre économique l’exécution d’expériences – des moteurs challengers face aux moteurs en place – afin que nous puissions apprendre ce qui fonctionne vraiment dans une entreprise donnée ?
Ce ne sont pas des questions que la recherche opérationnelle ignore, mais elles ne sont pas non plus au cœur de la manière dont les institutions du domaine se présentent aujourd’hui.
Un désaccord constructif : les décisions séquentielles
Ces dernières années, Warren Powell a prôné l“Analytics de Décision Séquentielle”, un cadre qui tente d’unifier les nombreuses approches de l’optimisation stochastique, de l’apprentissage par renforcement et de la théorie du contrôle sous un même parapluie pour les décisions dans le temps. J’ai écrit séparément sur les points sur lesquels je suis d’accord avec cette approche et ceux où je diverge.
De manière générale, nous partageons la conviction que la plupart des problèmes d’affaires intéressants sont séquentiels : vous prenez une décision, le monde évolue, vous observez, puis vous décidez à nouveau. Là où je diverge, c’est que j’insiste sur la tarification (les évaluations) comme principal outil pour comprimer le futur en quelque chose de gérable.
Dans la supply chain, vous pouvez souvent « racheter » la complexité des conséquences à long terme en choisissant aujourd’hui des prix de réserve appropriés. Par exemple, si servir un client aujourd’hui épuise des stocks qui pourraient être plus précieux pour un autre client demain, cette tension devrait apparaître sous forme d’un prix sur la détention des stocks, ou sur leur consommation, et non comme un arbre de scénarios gigantesque s’étendant sur plusieurs mois. Bien sûr, ces prix sont imparfaits. Mais la discipline de les exprimer en argent engendre des conversations utiles : qui est disposé à accepter quel compromis, et pourquoi ?
L“Analytics de Décision Séquentielle”, tel que je le conçois, tend à débuter avec un modèle riche comprenant des états, des actions, des transitions et des objectifs, puis à rechercher des politiques au sein de cette structure. Ma pratique commence une étape plus tôt : avec une réflexion sur ce qui doit être tarifé, ce qui doit être considéré comme une contrainte réelle, et sur la durée pendant laquelle une décision donnée sera tenue responsable de ses conséquences. Une fois ces choix effectués, la nature séquentielle du problème devient souvent bien plus gérable.
Je ne considère pas cela comme un rejet du cadre plus large, mais comme une position particulière, axée sur la supply chain, au sein de celui-ci.
Ce que cela laisse à la recherche opérationnelle
De l’extérieur, il peut sembler que je sois opposé à la recherche opérationnelle. Ce n’est pas le cas. Je vois encore une énorme valeur dans sa boîte à outils et dans son ambition historique de soutenir de vraies décisions. Je crois tout simplement que, dans de nombreux contextes de supply chain, le domaine est devenu trop attaché à des modèles trop déterministes, trop statiques et trop déconnectés de l’économie réelle des entreprises qu’ils sont censés aider.
Si nous revenons à l’aspiration initiale – fournir une base quantitative pour les décisions concernant les opérations – alors je pense que nous devons procéder différemment sur trois points.
Nous devons traiter l’argent, et non des indicateurs clés de performance abstraits, comme le langage principal des compromis. Nous devons prendre l’incertitude au sérieux, non pas comme un terme d’erreur mais comme une donnée de premier ordre. Et nous devons accepter que la plupart de nos problèmes intéressants ne sont pas des optimisations ponctuelles, mais des séquences continues de paris, où la capacité à reconsidérer et à s’adapter est aussi importante que toute solution unique que nous calculons aujourd’hui.
En ce sens, mon travail n’est pas une évasion de la recherche opérationnelle, mais une tentative de la reconnecter avec la réalité désordonnée, incertaine et profondément économique des supply chains modernes.
