Probabilités, pas scénarios
Le supply chain est souvent décrit comme l’art d’équilibrer la demande et l’offre. Pour ma part, je le perçois de manière plus brutale : chaque bon de commande, chaque lot de production, chaque modification de prix est un pari sur un futur que nous ne contrôlons pas. Nous engageons des stocks, des capacités, de la trésorerie et de l’attention aujourd’hui, en espérant que le monde de demain récompensera ces engagements plutôt que de les punir.
Parce que ces décisions sont des paris, la manière dont nous envisageons l’avenir n’est pas une question secondaire. C’est le cœur même de la discipline. Dans mon livre Introduction to Supply Chain, j’affirme que le but n’est pas de préserver l’harmonie autour d’un plan, mais d’engager les ressources là où le rendement espéré, ajusté au risque, est le plus élevé face à l’incertitude. Tout le reste n’est que décoration.
Pourtant, la majeure partie du monde de la supply chain fonctionne encore avec une logique de planification qui considère l’avenir comme un ensemble de « scénarios » soigneusement scénarisés. Mon point de vue, forgé en près de deux décennies chez Lokad, est que cette mentalité centrée sur les scénarios n’est pas simplement sous-optimale ; elle est structurellement en désaccord avec ce qu’est réellement une supply chain. Les supply chains évoluent dans des espaces de probabilités, et non dans des storyboards.
Dans cet essai, je veux expliquer pourquoi je crois que le probabilistic forecasting est le langage naturel de la supply chain, et pourquoi le courant dominant centré sur les scénarios – notamment tel qu’incarné dans de nombreux processus IBP et S&OP – ne peut être transformé en quelque chose d’adapté. Il doit être remplacé.
La manière dont le courant dominant envisage l’avenir
Si l’on observe comment les grandes entreprises planifient aujourd’hui, le schéma est remarquablement cohérent à travers les industries et les éditeurs de logiciels.
Il existe généralement une prévision de base, souvent une seule série temporelle par famille de produit ou région, générée par un module de planification de la demande. Autour de cette base, les processus d’Integrated Business Planning (IBP) orchestrent un rituel mensuel ou trimestriel où les ventes, les opérations et la finance négocient un plan « consensus » ou « unique ». Des suites logicielles telles que SAP Integrated Business Planning présentent explicitement la planification par scénarios et les simulations « what‑if » comme des capacités essentielles : les planificateurs sont incités à lancer des scénarios alternatifs de demande ou d’offre, à les comparer sur des tableaux de bord, et à choisir celui qu’ils jugent le plus approprié.
Conceptuellement, l’avenir se décline en un petit ensemble de mondes nommés : cas de base, cas optimiste, cas pessimiste, peut-être un ou deux scénarios de perturbation pour faire bonne mesure. Les prévisions dans ces mondes sont déterministes ; l’incertitude est prise en charge implicitement à travers des objectifs de taux de service, des formules de stocks de sécurité et un certain jugement. Une fois le scénario préféré choisi, l’organisation est censée s’y « aligner » et mesurer l’adhérence à l’aide d’indicateurs clés de performance familiers.
Le processus semble structuré et collaboratif. Il produit des plans qui peuvent être expliqués dans PowerPoint. Il satisfait le désir humain compréhensible de se raconter une histoire sur demain.
Mais c’est une mauvaise manière de concevoir un système qui fabrique, déplace et tarifie des millions d’unités sous une variabilité incessante.
L’incertitude irréductible des supply chains
Dans la fabrication, il est souvent possible d’acheter sa stabilité. Investissez dans de meilleures machines, des tolérances plus strictes, davantage de capteurs, et les taux de défauts diminuent. L’aléa se réduit.
Les supply chains n’offrent pas ce confort. L’incertitude qui compte réside dans le comportement humain et en politique : changements de demande, actions des concurrents, promotions, modifications de prix, pénuries en amont, grèves, surprises réglementaires. Vous pouvez améliorer vos données et vos modèles, et vous le devez absolument, mais vous n’achèterez jamais un avenir déterministe.
Si vous acceptez cela, cela conduit naturellement à une question différente. Plutôt que de demander : « Quel est notre plan pour le trimestre prochain ? », vous commencez à vous demander : « Étant donné tout ce que nous savons aujourd’hui, comment l’avenir se répartira-t-il probablement, et sur quoi devrions-nous parier ? »
C’est là que le probabilistic forecasting entre en jeu.
Ce qu’est vraiment le probabilistic forecasting
Le probabilistic forecasting est souvent perçu à tort comme une manière sophistiquée de tracer des intervalles de confiance autour d’une prévision traditionnelle. Ce n’est pas le but.
Pour une supply chain, une prévision probabiliste attribue des probabilités à toutes les issues qui comptent : combien d’unités nous pourrions vendre la semaine prochaine, combien de temps un fournisseur pourrait réellement mettre pour livrer, quelle est la probabilité qu’un produit soit retourné, à quelle fréquence une machine clé pourrait tomber en panne. Au lieu d’un seul chiffre prédit pour la demande et d’un délai moyen, nous obtenons des distributions complètes de probabilités pour les deux.
Cette perspective n’est pas nouvelle en statistiques, mais elle représente un véritable changement de paradigme pour la pratique de la supply chain. Dans des conférences et des interviews, j’ai décrit le probabilistic forecasting comme l’un des changements les plus importants en plus d’un siècle de science de la prévision, non pas parce que les mathématiques sont exotiques, mais parce qu’il nous permet enfin de relier la prévision à la prise de décision de manière rationnelle.
Une fois que nous disposons de distributions au lieu de chiffres uniques, nous pouvons faire quelque chose que la planification par scénarios ne peut pas : nous pouvons évaluer une décision sur tous les futurs plausibles simultanément.
Des décisions comme des paris économiques sur des distributions
Prenons un exemple très simple. Vous décidez de la quantité d’un produit à commander pour le mois prochain.
Si vous vous fiez à une prévision unique, vous obtenez un chiffre – par exemple, 1 000 unités – et vous ajoutez un stock de sécurité « au cas où ». Vous pourriez également examiner quelques scénarios : et si la demande était 20 % plus élevée, et si un fournisseur était en retard. Chaque scénario ressemble à un monde différent. Vous ajustez la quantité commandée à la hausse ou à la baisse, négociez, et finissez par choisir un chiffre.
Si vous vous fiez aux prévisions probabilistes, la logique est différente. Vous disposez d’une distribution pour la demande ; il y a peut-être une faible probabilité que les ventes soient extrêmement élevées, et une probabilité non négligeable qu’elles soient très faibles. Vous disposez d’une distribution pour le délai de livraison ; certaines livraisons sont rapides, d’autres non. Vous avez des quantités économiques associées aux résultats : la marge que vous réalisez en cas de vente, la pénalité (explicite ou implicite) en cas de rupture de stock, le coût du capital immobilisé dans les stocks, le risque d’obsolescence.
Maintenant, vous pouvez calculer le rendement économique attendu de la commande de 800 unités, 900 unités, 1 000 unités, etc. Chaque quantité commandée devient un pari dont le gain est évalué sur l’ensemble de l’espace de probabilités, et non pas seulement sur quelques scénarios choisis au hasard. Vous pouvez privilégier les décisions qui performent bien en moyenne et qui sont robustes aux extrêmes, plutôt que celles qui paraissent intéressantes dans un scénario PowerPoint, mais qui s’effondrent lorsque la réalité s’écarte légèrement du script.
Cela ne se limite pas aux stocks. La même logique s’applique à la conception de réseaux, à la réservation de capacité, à la sélection de l’assortiment, et même à la tarification. Partout où nous allouons des ressources rares sous incertitude, nous pouvons nous poser la même question : compte tenu de la vision probabiliste de l’avenir et de nos hypothèses économiques, quelle décision présente le rendement espéré, ajusté au risque, le plus élevé ?
La planification par scénarios, telle qu’elle est généralement pratiquée, ne possède pas un tel calcul. Au mieux, elle offre quelques instantanés isolés et laisse la direction juger les compromis visuellement.
Pourquoi quelques scénarios ne suffisent pas
Le premier problème de la planification par scénarios est la granularité. Les supply chains modernes opèrent à une échelle qui rend l’approche par scénarios presque comiquement grossière. Nous pourrions avoir des millions de combinaisons SKU–emplacement–temps à décider, chacune avec son propre schéma de demande, son propre profil de délai de livraison, ses propres sensibilités au prix et à la promotion. Face à cette réalité très détaillée, nous établissons peut-être trois ou quatre récits sur l’avenir.
Même si ces récits étaient parfaits, ils seraient néanmoins trop rares. Mais ils ne sont pas parfaits. Ils sont le résultat du jugement, de la politique et de l’habitude. Le choix des scénarios consignés est lui-même un processus aléatoire, influencé davantage par les angoisses organisationnelles que par des preuves statistiques.
Le deuxième problème est que les scénarios se voient rarement attribuer des probabilités explicites. Nous avons le « cas de base », « cas optimiste », « cas pessimiste », mais nous ne précisons pas si le cas optimiste a 5 % de probabilité ou 50 %. La littérature sur l’IBP parle chaudement de la planification continue par scénarios, mais en pratique, cela signifie davantage et plus rapides simulations, et non des distributions de probabilités calibrées.
Le troisième problème est que la planification par scénarios a tendance à opérer à un niveau élevé d’agrégation. Nous appliquons des scénarios sur le chiffre d’affaires total, la capacité totale, peut-être quelques clients clés ou familles de produits. Pendant ce temps, les véritables dommages économiques dans une supply chain sont causés par des déséquilibres locaux : le composant manquant qui immobilise l’avion, l’article de mode qui est acheté en excès, la région qui est constamment sous‑desservie. Ces défaillances ne se manifestent presque jamais clairement dans les graphiques de scénarios agrégés.
Les scénarios nous séduisent parce qu’ils sont narratifs, nommables et débattables. Ils correspondent à nos limites cognitives. Mais les supply chains ne sont pas des objets narratifs ; ce sont des systèmes stochastiques avec de nombreux degrés de liberté. Une poignée d’histoires ne peut rendre justice à cette réalité.
Le coût caché de la quête de précision et de scénarios
Pendant des décennies, les entreprises ont investi des efforts pour améliorer la précision des prévisions comme s’il était évident que cela allait de pair avec de meilleures performances économiques. Nous mesurons le MAPE et d’autres indicateurs similaires, lançons des initiatives de Forecast Value Add, et célébrons de légères améliorations comme des victoires. Pourtant, sur le terrain, la corrélation entre une précision « meilleure » et un meilleur P&L est souvent faible, parfois négative.
Dans d’autres travaux, j’ai soutenu que cette obsession de la précision est une distraction majeure et lente. Vous pouvez améliorer la précision en prédisant davantage de zéros pour une demande intermittente et, ce faisant, priver votre supply chain des stocks dont elle a besoin. Vous pouvez améliorer la précision en suivant de manière agressive le dernier signal de vente et, involontairement, amplifier les effets fouet. Vous pouvez générer des présentations de scénarios impressionnantes qui conduisent à une exécution médiocre.
Le problème plus profond est que la « précision » et la « couverture des scénarios » sont des indicateurs de planification qui évoluent dans un monde de chiffres déconnecté des prix. Ils évaluent la proximité des prévisions par rapport aux quantités réalisées ou la pertinence avec laquelle les scénarios couvrent les préoccupations d’un manager, mais ils n’évoquent rien des conséquences économiques des décisions. Une petite erreur de prévision sur une pièce de rechange critique peut être bien plus dommageable qu’une grande erreur sur un accessoire à faible rotation, alors que les indicateurs de précision les pondèrent de manière similaire.
Le probabilistic forecasting nous permet de recentrer toute la discussion sur l’économie. Au lieu de nous demander à quel point nous sommes proches du chiffre réalisé, nous nous interrogeons sur le fait que nos décisions, évaluées sur l’ensemble de la distribution des résultats, génèrent de bons rendements ajustés en fonction du risque. La planification par scénarios, même lorsqu’elle est agrémentée d’outils sophistiqués, nous encourage à optimiser les histoires plutôt que l’argent.
Comment la pensée probabiliste change la pratique
Adopter les probabilités plutôt que les scénarios a plusieurs conséquences pratiques.
Premièrement, cela nous oblige à être explicites sur l’endroit où réside réellement l’incertitude. La demande et le délai de livraison ne sont pas des « paramètres » à fixer dans un système de planification ; ce sont des variables aléatoires qui doivent être modélisées et continuellement mises à jour au fur et à mesure de l’arrivée de nouvelles données. Cela est aussi vrai pour la fiabilité et les retours en amont que pour la demande client.
Deuxièmement, cela nous oblige à associer de l’argent aux résultats. Une prévision probabiliste sans perspective économique n’est qu’un peu meilleure qu’une prévision déterministe. Nous devons savoir ce qu’une rupture de stock coûte, ce que coûte un surstock, ce qu’une vente perdue vaut, comment évaluer une capacité inutilisée. Ces quantités sont imparfaites et parfois inconfortables à estimer, mais elles sont la seule manière de comparer les décisions de façon sensée.
Troisièmement, cela conduit naturellement à l’automatisation. Une fois que vous pouvez calculer le rendement espéré, ajusté au risque, d’une commande de réapprovisionnement, d’une modification de prix ou d’un transfert, il n’y a plus de raison de débattre chaque décision lors des réunions. Vous pouvez laisser un logiciel émettre des milliers ou des millions de petites décisions chaque jour, pendant que les humains se concentrent sur la structuration du modèle économique, la validation des hypothèses, et la gestion des situations où la confiance du modèle est faible.
Cela est très différent d’un processus IBP dont le centre de gravité est un atelier mensuel de scénarios. Au lieu d’un rituel de planification qui réautorise périodiquement un plan, nous obtenons un moteur économique qui arbitre continuellement les compromis sous l’incertitude.
Là où les scénarios trouvent encore leur place
Je ne soutiens pas que les entreprises devraient bannir le mot « scénario ». L’imagination est essentielle dans toute entreprise complexe. Les conseils d’administration et les dirigeants ont besoin de récits pour raisonner sur les investissements à long terme, les risques stratégiques, les changements réglementaires et les évolutions technologiques.
Cependant, dans une supply chain probabiliste, les scénarios jouent un rôle différent. Ils ne sont pas des futurs façonnés à la main que le système de planification doit suivre. Ce sont des illustrations extraites de, ou contraintes par, le modèle probabiliste sous-jacent.
Si nous voulons explorer un scénario défavorable sévère mais plausible, nous ne l’inventons pas de toutes pièces ; nous accentuons les distributions de manière cohérente avec l’histoire et le savoir des experts, et nous laissons le même moteur de décision calculer les conséquences. Si nous voulons montrer le potentiel haussier d’une stratégie de tarification plus agressive, nous utilisons le modèle probabiliste pour simuler comment la demande pourrait réagir, et nous quantifions l’éventail des résultats possibles.
De cette manière, les scénarios deviennent des vues pédagogiques sur une réalité probabiliste, et non des substituts à celle-ci.
Aller au-delà des supply chains centrées sur les scénarios
Le mode opératoire dominant a longtemps existé : prévisions déterministes, stocks de sécurité, plans consensuels mensuels, et une poignée de scénarios par-dessus. Il a apporté un certain degré de structure, mais il a également enfermé de nombreuses organisations dans une manière de penser de plus en plus incompatible avec la complexité et la volatilité des supply chains modernes.
L’alternative n’est pas mystique. Il s’agit simplement de prendre l’incertitude au sérieux et de l’exprimer dans le seul langage qui peut être mis à l’échelle : la probabilité. Une fois que nous traitons la demande, les délais de livraison et d’autres leviers clés comme des variables aléatoires ; une fois que nous associons des prix aux résultats ; une fois que nous évaluons les décisions comme des paris sur l’ensemble des distributions plutôt qu’en réponse à quelques histoires ; la planification par scénarios, dans son sens traditionnel, commence à ressembler à ce qu’elle est : un mécanisme d’adaptation face à l’absence d’un véritable moteur décisionnel, probabiliste et centré sur la décision.
Nous n’avons pas besoin de plus de scénarios. Nous avons besoin de meilleures probabilités, et d’une supply chain qui sache en faire.
