Comprendre la Supply Chain

Cette série de conférences présente les fondements de la gestion de la supply chain : les défis, la méthodologie et les technologies. L’objectif est de permettre aux organisations d’atteindre une performance de supply chain supérieure, ancrée dans la réalité. La vision présentée dans ces conférences diverge de la théorie de la supply chain, et est désignée par la Supply Chain Quantitative. Les conférences sont présentées par Joannes Vermorel, PDG et fondateur de Lokad. Les conférences sont illustrées par des exemples réels de supply chain sur lesquels Lokad intervient pour le compte de ses clients.

Public visé: Ces conférences s’adressent à tous ceux qui ont l’ambition d’améliorer les supply chains, depuis les cadres supérieurs jusqu’aux analystes juniors et étudiants. Les conférences incluent une série de cours intensifs permettant de réduire au minimum les connaissances préalables.

1. Prologue

1.1 Les fondements de la supply chain

Supply chain est la maîtrise quantitative mais pragmatique de l’optionnalité face à la variabilité et aux contraintes liées au flux de biens physiques. Elle englobe l’approvisionnement, l’achat, la production, le transport, la distribution, promotion, … - mais avec l’accent mis sur la sélection et l’entretien des options, plutôt que sur la gestion directe des opérations sous-jacentes. Nous verrons comment la perspective « quantitative » de la supply chain, présentée dans cette série, s’écarte radicalement de ce qui est considéré comme la théorie dominante de la supply chain.

Références (livres):

• Inventory Management and Production Planning and Scheduling, Edward A. Silver, David F. Pyke, Rein Peterson, 1998
• Fundamentals of supply chain theory, Lawrence V. Snyder, Zuo-Jun Max Shen, 2011

1.2 La Supply Chain Quantitative en bref

Le manifeste de la Supply Chain Quantitative met en avant une courte série de points saillants pour comprendre comment cette théorie alternative, proposée et initiée par Lokad, diverge de la théorie dominante de la supply chain. On pourrait le résumer ainsi : chaque décision individuelle est évaluée face à tous les futurs possibles en fonction des leviers économiques. Cette perspective s’est progressivement imposée chez Lokad comme la théorie dominante de la supply chain, et sa mise en œuvre par (presque) tous les fournisseurs de logiciels, reste un défi.

1.3 Livraison orientée produit

Le but d’une initiative de supply chain quantitative est soit de livrer, soit d’améliorer une application logicielle qui robotise un ensemble de décisions routinières (par ex. les réapprovisionnements de stocks, mises à jour des prix). L’application est envisagée comme un produit à concevoir. Alors que la théorie dominante de la supply chain peine à s’imposer dans les entreprises, un outil – notamment Microsoft Excel – a rencontré un succès opérationnel considérable. La réimplantation des recettes numériques de la théorie dominante de la supply chain via des tableurs est triviale, pourtant, ce n’est pas ce qui s’est produit en pratique, malgré la connaissance de la théorie. Nous démontrons que les tableurs ont connu le succès en adoptant des paradigmes de programmation qui se sont révélés supérieurs pour obtenir des résultats en supply chain.

Référence (livre):

• Joel on Software: And on Diverse and Occasionally Related Matters That Will Prove of Interest to Software Developers, Designers, and Managers, and to Those Who, Whether by Good Fortune or Ill Luck, Work with Them in Some Capacity, Joel Spolsky, 2004

1.4 Paradigmes de programmation pour la supply chain

L’optimisation prédictive des supply chains requiert des paradigmes de programmation spécifiques. En effet, bien que l’angle « programmatique » soit inévitable dans le cadre d’un logiciel tout-en-un (cf. conférence précédente), les approches de programmation dominantes impliquent des couches de complexités accidentelles qui sont fortement préjudiciables aux initiatives supply chain. Nous présentons une série de paradigmes de programmation particulièrement adaptés aux supply chains réelles. Cette conférence est illustrée avec Envision, le DSL (langage de programmation spécifique au domaine) dédié à l’optimisation des supply chains, développé par Lokad sur la base de ces paradigmes de programmation.

Référence (livre, mentionné dans la partie Q&R de la conférence):

• Dynamic Supply Chains: How to design, build and manage people-centric value networks, John Gattorna, 2015

1.5 Tendances du XXIe siècle en supply chain

Quelques grandes tendances ont dominé l’évolution des supply chains au cours des dernières décennies, remodelant en grande partie l’ensemble des défis auxquels sont confrontées les entreprises. Certains problèmes, tels que les risques physiques et les questions de qualité, se sont largement atténués. D’autres, comme la complexité globale et l’intensité de la concurrence, ont fait leur apparition. Notamment, le logiciel transforme également les supply chains de manière profonde. Un rapide tour d’horizon de ces tendances nous aide à déterminer sur quoi doit se focaliser une théorie de la supply chain.

Référence (article, mentionné dans la partie Q&R de la conférence):

• Tokeda, Viable token-driven metadata within Bitcoin, Joannes Vermorel, 2018, (cas d’usage blockchain pour lutter contre la contrefaçon à la page 28)

1.6 Principes quantitatifs pour les supply chains

Bien que les supply chains ne puissent être caractérisées par des lois quantitatives définitives - contrairement à l’électromagnétisme - des principes quantitatifs généraux peuvent néanmoins être observés. Par « généraux », nous entendons applicables à (presque) toutes les supply chains. Découvrir de tels principes revêt un intérêt majeur, car ils peuvent servir à faciliter la conception des recettes numériques destinées à l’optimisation prédictive des supply chains, tout en renforçant globalement la puissance de ces recettes. Nous passons en revue deux courtes listes de principes : quelques principes d’observation et quelques principes d’optimisation.

1.7 Sur la connaissance, le temps et le travail pour les supply chains

Les supply chains se conforment aux principes économiques généraux. Pourtant, ces principes demeurent trop méconnus et trop souvent mal interprétés. Les pratiques populaires de la supply chain et leurs théories contredisent fréquemment ce qui est généralement admis en économie. Cependant, il est peu probable que ces pratiques parviennent à démontrer un jour l’inexactitude des fondements économiques. De plus, les supply chains sont complexes. Ce sont des systèmes, un concept relativement moderne qui reste également trop méconnu et trop souvent déformé. Le but de cette conférence est de comprendre ce que l’économie et les systèmes apportent lorsqu’il s’agit de résoudre des problèmes de planification pour une supply chain réelle.

2. Méthodologie

L’étude et la pratique de la supply chain doivent être ancrées dans la science, c’est-à-dire soutenues par des méthodes scientifiques. En effet, au cours des trois derniers siècles, chaque domaine qui a su s’élever grâce à une pratique expérimentale adéquate a connu le fantastique progrès que nous reconnaissons comme l’apanage de la « science ». Cependant, la supply chain n’a pas encore connu un tel progrès, et une grande partie des responsabilités peut être imputée à des méthodologies expérimentales inappropriées. La nature complexe de la supply chain exige des méthodes adaptées, que nous explorons dans ce chapitre.

2.1 Personae de la supply chain

Un « persona » de la supply chain est une entreprise fictive. Toutefois, bien que l’entreprise soit imaginaire, cette fiction est conçue pour souligner ce qui mérite d’être pris en compte du point de vue de la supply chain. Cependant, le persona n’est pas idéalisé dans le sens de simplifier les défis de la supply chain. Au contraire, l’objectif est de mettre en lumière les aspects les plus complexes de la situation, ceux qui résistent le plus obstinément à toute tentative de modélisation quantitative et à tout essai de pilotage d’une initiative d’amélioration de la supply chain. Dans la supply chain, les études de cas – lorsque une ou plusieurs parties sont nommées – souffrent de graves conflits d’intérêts. Les entreprises, ainsi que leurs fournisseurs (logiciels, conseil), ont intérêt à présenter les résultats sous un jour favorable. De plus, les supply chains réelles subissent ou bénéficient généralement de conditions accidentelles qui n’ont rien à voir avec la qualité de leur exécution. Les personae de la supply chain constituent la réponse méthodologique à ces enjeux.

Références:

• An introduction to the study of Experimental Medicine (English version), (original French version), Claude Bernard, 1865
• The Phoenix Project: A Novel about IT, DevOps, and Helping Your Business Win, Gene Kim, Kevin Behr, George Spafford, 2013
• Unsupervised Machine Translation Using Monolingual Corpora Only, Guillaume Lample, Alexis Conneau, Ludovic Denoyer, Marc’Aurelio Ranzato, 2018

2.1.1 Paris - une marque de mode avec un réseau de distribution

Paris est une marque de mode européenne fictive exploitant un vaste réseau de distribution. La marque cible les femmes et se positionne comme relativement abordable. Bien que la ligne de design soit assez classique et sobre, le principal moteur économique a toujours été la nouveauté. Plusieurs collections par an sont utilisées pour lancer des vagues de nouveaux produits. Proposer le bon produit, au bon moment, au bon prix et avec la bonne quantité de stocks constitue l’un des défis majeurs.

2.2 Optimisation expérimentale

Loin de la perspective cartésienne naïve selon laquelle l’optimisation se résumerait à déployer un optimiseur pour une fonction de score donnée, la supply chain exige un processus itératif. Chaque itération permet d’identifier des décisions « insensées » à examiner et à corriger. La cause fondamentale réside souvent dans des leviers économiques inadaptés, qu’il convient de réévaluer au regard de leurs conséquences imprévues. La nature des itérations évolue lorsque les recettes numériques ne produisent plus de résultats aberrants.

Références:

• The Logic of Scientific Discovery, Karl Popper, 1934

2.3 Connaissance négative

Les antipatterns sont les stéréotypes de solutions qui semblent efficaces mais ne fonctionnent pas en pratique. L’étude systématique des antipatterns a été initiée à la fin des années 1990 dans le domaine de l’ingénierie logicielle. Lorsque cela est pertinent, les antipatterns se révèlent supérieurs aux simples résultats négatifs, car ils sont plus faciles à mémoriser et à analyser. La perspective antipattern revêt une importance capitale pour la supply chain et doit être considérée comme l’un des piliers de sa connaissance négative.

Références:

• AntiPatterns: Refactoring Software, Architectures, and Projects in Crisis. y William J. Brown, Raphael C. Malveau, Hays W. “Skip” McCormick, Thomas J. Mowbray, 1998

2.4 Recherche de marché antagoniste

Les supply chains modernes dépendent d’une myriade de produits logiciels. Choisir les bons fournisseurs est une question de survie. Cependant, comme le nombre de fournisseurs est important, les entreprises ont besoin d’une approche systématique dans cette entreprise. La pratique traditionnelle d’étude de marché part d’une bonne intention mais se termine invariablement par de mauvais résultats, car les sociétés d’études de marché finissent par agir en tant que devantures marketing pour les entreprises qu’elles sont censées analyser. L’espoir qu’une société d’études impartiale émerge est mal placé. Cependant, l’évaluation fournisseur à fournisseur est une méthodologie qui permet même à une société d’études de marché biaisée de produire des résultats impartiaux.

Références:

• Epistemic Corruption, the Pharmaceutical Industry, and the Body of Medical Science. Sergio Sismondo, 2021 (text)
• Influence: The Psychology of Persuasion. Robert B. Cialdini, 1984
• Procurement Guidance, Conflict of Interest, The World Band, 2020 (PDF)

2.5 Écrire pour les supply chains

Les supply chains impliquent la coordination de grandes équipes. Ainsi, les documents écrits sont primordiaux. Les supply chains modernes ne sont tout simplement pas compatibles avec la tradition orale. Pourtant, les praticiens de la supply chain s’en sortent souvent très mal en ce qui concerne leurs compétences en communication écrite. Passons en revue ce que les études d’usabilité et quelques experts notables ont à dire sur ces sujets. De plus, les initiatives supply chain, exécutées à travers l’approche d’optimisation expérimentale, doivent être documentées de façon exhaustive. Les formules et le code source répondent aux questions de quoi et comment, mais ils ne répondent pas au pourquoi. La documentation doit garantir que les supply chain scientists comprennent le problème auquel ils font face. Avec le temps, cette documentation devient la clé pour assurer une transition en douceur d’un supply chain scientist à l’autre.

Références:

• The Elements of Style (First Edition), William Strunk Jr, 1918
• F-Shaped Pattern For Reading Web Content, Jakob Nielsen, 2006 (text)

3. Personae

Une série de supply chain personae suivant la méthodologie définie dans le chapitre précédent.

3.1 Miami - un MRO aéronautique

Miami est un MRO aéronautique fictif aux USA, desservant une grande flotte d’avions commerciaux. Dans l’aviation, la sécurité est primordiale. Les pièces et composants doivent être inspectés régulièrement et potentiellement réparés. Miami oeuvre pour maintenir les avions en l’air en tout temps, évitant ainsi les incidents AOG (aircraft on ground) survenant chaque fois qu’une pièce nécessaire à une opération de maintenance manque.

3.2 Amsterdam - marques de fromage

Amsterdam est une entreprise FMCG fictive spécialisée dans la production de fromages, de crèmes et de beurres. Elle gère un large portefeuille de marques dans plusieurs pays. De nombreux objectifs commerciaux contradictoires doivent être soigneusement équilibrés : qualité, prix, fraîcheur, gaspillage, diversité, localité, etc. Par nature, la production de lait et les promotions en point de vente placent l’entreprise entre le marteau et l’enclume en termes d’offre et de demande.

3.3 San Jose - e-commerce d’articles de maison

San Jose est un e-commerce fictif qui distribue une variété d’articles d’ameublement et d’accessoires. Il exploite sa propre place de marché en ligne. Sa marque privée concurrence les marques externes, tant en interne qu’en externe. Afin de rester compétitif face à des acteurs plus importants et à bas prix, la supply chain de San Jose tente d’offrir un service de haute qualité qui revêt de multiples formes, bien au-delà de la livraison à temps des marchandises commandées.

3.4 Stuttgart - une entreprise de l’après-vente automobile

Stuttgart est une entreprise fictive de l’après-vente automobile. Elle exploite un réseau d’agences offrant des services de réparation automobile, de pièces détachées et d’accessoires automobiles. Au début des années 2010, Stuttgart a également lancé deux canaux e-commerce, l’un pour l’achat et la vente de pièces automobiles, et l’autre pour l’achat et la vente de voitures d’occasion. Stuttgart s’efforce d’offrir un service de haute qualité sur le marché automobile européen, complexe et compétitif, qui compte des dizaines de milliers de véhicules distincts et des centaines de milliers de pièces automobiles distinctes.

3.5 Genève - un horloger de luxe

TBD

4. Sciences auxiliaires

La maîtrise de la supply chain repose fortement sur plusieurs autres domaines. Présenter la théorie de la supply chain comme une variante des mathématiques appliquées est fréquent, mais malavisé. Ces cours intensifs sont destinés à fournir le bagage culturel nécessaire à une pratique réfléchie de la supply chain, qui ne peut et ne doit pas être réduite à une série de « modèles ».

4.1 Ordinateurs modernes

Les supply chains modernes nécessitent des ressources informatiques pour fonctionner tout comme les tapis roulants motorisés nécessitent de l’électricité. Pourtant, des systèmes supply chain lents demeurent omniprésents, alors que la puissance de traitement des ordinateurs a augmenté d’un facteur supérieur à 10 000 depuis 1990. Un manque de compréhension des caractéristiques fondamentales des ressources informatiques modernes - même parmi les cercles IT ou data science - contribue grandement à expliquer cet état de choses. La conception logicielle sous-jacente aux recettes numériques ne devrait pas antagoniser le substrat informatique sous-jacent.

4.2 Algorithmes modernes

L’optimisation de la supply chain repose sur la résolution de nombreux problèmes numériques. Les algorithmes sont des recettes numériques hautement codifiées destinées à résoudre des problèmes computationnels précis. Des algorithmes supérieurs signifient que des résultats supérieurs peuvent être obtenus avec moins de ressources informatiques. En se concentrant sur les spécificités de la supply chain, la performance algorithmique peut être considérablement améliorée, parfois d’ordres de grandeur. Les algorithmes « supply chain » doivent également adopter la conception des ordinateurs modernes, qui a considérablement évolué au cours des dernières décennies.

Références (livre):

• Introduction to Algorithms, Thomas H. Cormen, Charles E. Leiserson, Ronald L. Rivest, and Clifford Stein, 2009

4.3 Optimisation mathématique

L’optimisation mathématique est le processus de minimisation d’une fonction mathématique. Presque toutes les techniques modernes d’apprentissage statistique - c’est-à-dire la prévision si l’on adopte une perspective supply chain - reposent fondamentalement sur l’optimisation mathématique. De plus, une fois les prévisions établies, l’identification des décisions les plus rentables repose également, dans leur essence, sur l’optimisation mathématique. Les problèmes de supply chain impliquent fréquemment de nombreuses variables. Ils sont aussi généralement de nature stochastique. L’optimisation mathématique est une pierre angulaire d’une pratique moderne de la supply chain.

Références:

• The Future of Operational Research Is Past, Russell L. Ackoff, February 1979
• LocalSolver 1.x: A black-box local-search solver for 0-1 programming, Thierry Benoist, Bertrand Estellon, Frédéric Gardi, Romain Megel, Karim Nouioua , September 2011
• Automatic differentiation in machine learning: a survey, Atilim Gunes Baydin, Barak A. Pearlmutter, Alexey Andreyevich Radul, Jeffrey Mark Siskind, last revised February 2018

4.4 Machine learning

Les prévisions sont irréductibles en supply chain, car chaque décision (achat, production, stockage, etc.) reflète une anticipation d’événements futurs. L’apprentissage statistique et le machine learning ont largement supplanté le domaine classique de la « prévision », tant sur le plan théorique que pratique. Ce domaine d’étude a connu des améliorations spectaculaires, qui restent en grande partie méconnues dans les cercles des « data scientist ». Nous explorerons ce domaine à travers la résolution de trois paradoxes. Premièrement, nous devons formuler des affirmations précises sur des données dont nous ne disposons pas. Deuxièmement, nous devons aborder des problèmes où le nombre de variables dépasse de loin le nombre d’observations. Troisièmement, nous devons travailler avec des modèles dont le nombre de paramètres dépasse largement celui des variables ou des observations. Nous tenterons de comprendre ce que signifie une anticipation future basée sur les données, du point de vue du « learning » moderne.

Références:

• A theory of the learnable, L. G. Valiant, November 1984
• Support-vector networks, Corinna Cortes & Vladimir Vapnik, September 1995
• Random Forests, Leo Breiman, October 2001
• LightGBM: A Highly Efficient Gradient Boosting Decision Tree, Guolin Ke, Qi Meng, Thomas Finley, Taifeng Wang, Wei Chen, Weidong Ma, Qiwei Ye, Tie-Yan Liu, 2017
• Attention Is All You Need, Ashish Vaswani, Noam Shazeer, Niki Parmar, Jakob Uszkoreit, Llion Jones, Aidan N. Gomez, Lukasz Kaiser, Illia Polosukhin, last revised December 2017
• Deep Double Descent: Where Bigger Models and More Data Hurt, Preetum Nakkiran, Gal Kaplun, Yamini Bansal, Tristan Yang, Boaz Barak, Ilya Sutskever, December 2019
• Generative Adversarial Networks, Ian J. Goodfellow, Jean Pouget-Abadie, Mehdi Mirza, Bing Xu, David Warde-Farley, Sherjil Ozair, Aaron Courville, Yoshua Bengio, June 2014
• Unsupervised Machine Translation Using Monolingual Corpora Only, Guillaume Lample, Alexis Conneau, Ludovic Denoyer, Marc’Aurelio Ranzato, last revised April 2018
• BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding, Jacob Devlin, Ming-Wei Chang, Kenton Lee, Kristina Toutanova, last revised May 2019
• A Gentle Introduction to Graph Neural Networks, Benjamin Sanchez-Lengeling, Emily Reif, Adam Pearce, Alexander B. Wiltschko, September 2021

4.5 Langages et compilateurs

La majorité des supply chains est encore gérée à l’aide de tableurs (c’est-à-dire Excel), tandis que les systèmes d’entreprise existent depuis une, deux, voire parfois trois décennies - censés les remplacer. En effet, les tableurs offrent une expressivité programmatique accessible, alors que ces systèmes ne le font généralement pas. De manière plus générale, depuis les années 1960, il y a eu un co-développement constant de l’industrie du logiciel dans son ensemble et de ses langages de programmation. Il est avéré que la prochaine étape de la performance supply chain sera en grande partie dictée par le développement et l’adoption des langages de programmation, ou plutôt des environnements programmables.

4.6 Ingénierie logicielle

Dompter la complexité et le chaos est la pierre angulaire de l’ingénierie logicielle. Étant donné que les supply chains sont à la fois complexes et chaotiques, il n’est guère surprenant que la plupart des problèmes logiciels des entreprises rencontrés par les supply chains se résument à une mauvaise ingénierie logicielle. Les recettes numériques utilisées pour optimiser la supply chain sont des logiciels, et donc, soumises aux mêmes problèmes. Ces problèmes gagnent en intensité avec la sophistication des recettes numériques elles-mêmes. Une ingénierie logicielle appropriée est pour les supply chains ce que l’asepsie est pour les hôpitaux : en soi, elle ne fait rien - comme soigner les patients - mais sans elle, tout s’effondre.

4.7 Cybersécurité

La cybercriminalité est en hausse. Les ransomwares constituent un secteur en plein essor. En raison de leur nature physiquement distribuée, les supply chains sont particulièrement exposées. De plus, la complexité ambiante est un terreau fertile pour les problèmes de sécurité informatique. La sécurité informatique est contre-intuitive par conception, car c’est précisément l’angle adopté par les attaquants pour trouver et exploiter les failles. Selon les variantes des recettes numériques impliquées dans l’optimisation de la supply chain, le risque peut être accru ou réduit.

4.21 Blockchains

Les cryptomonnaies ont attiré beaucoup d’attention. Des fortunes ont été faites. Des fortunes ont été perdues. Les systèmes pyramidaux étaient monnaie courante. Du point de vue de l’entreprise, le “blockchain” est le poli euphémisme utilisé pour présenter des idées et technologies similaires tout en établissant une distanciation par rapport à ces cryptomonnaies. Des cas d’usage supply chain existent pour le blockchain, mais les défis abondent également.

References:

• Bitcoin: A Peer-to-Peer Electronic Cash System, Satoshi Nakamoto, Oct 2008
• Majority is not Enough: Bitcoin Mining is Vulnerable, Ittay Eyal, Emin Gun Sirer, Nov 2013
• Elliptic Curve Multiset Hash, Jeremy Maitin-Shepard, Mehdi Tibouchi, Diego Aranha, Jan 2016
• Graphene: A New Protocol for Block Propagation Using Set Reconciliation, A. Pinar Ozisik, Gavin Andresen, George Bissias, Amir Houmansadr, Brian Levine, Sep 2017
• Snowflake to Avalanche: A Novel Metastable Consensus Protocol Family for Cryptocurrencies, Team Rocket, May 2018
• Tokeda, Viable token-driven metadata within Bitcoin, Joannes Vermorel, March 2018
• A taxonomy of the Bitcoin applicative landscape, Joannes Vermorel, May 2018

5. Modélisation prédictive

La bonne anticipation quantitative des événements futurs est au cœur de l’optimization de la supply chain. La pratique de la prévision des séries temporelles est apparue au 20e siècle et a eu une influence énorme sur la plupart des grandes supply chains. La modélisation prédictive est à la fois la descendante de la prévision des séries temporelles, mais aussi un éloignement massif de cette perspective. Premièrement, elle aborde un ensemble de problèmes beaucoup plus diversifié. Deuxièmement, en raison de la nature des problèmes de supply chain, un paradigme programmatique est nécessaire. Troisièmement, comme l’incertitude est généralement irréductible, des prévisions probabilistes sont également nécessaires.

5.0. No1 au niveau SKU dans la compétition de prévision M5

En 2020, une équipe de Lokad a obtenu la 5e place sur 909 équipes concurrentes lors du M5, une compétition mondiale de prévision. Cependant, au niveau d’agrégation SKU, ces prévisions se sont hissées en première position. La prévision de la demande est d’une importance primordiale pour la supply chain. L’approche adoptée dans cette compétition s’est avérée être atypique, et différente des autres méthodes adoptées par les 50 meilleurs concurrents. De multiples leçons peuvent être tirées de cet exploit en prélude à relever de nouveaux défis prédictifs pour la supply chain.

References:

• A white-boxed ISSM approach to estimate uncertainty distributions of Walmart sales, Rafael de Rezende, Katharina Egert, Ignacio Marin, Guilherme Thompson, December 2021 (link)
• The M5 Uncertainty competition: Results, findings and conclusions, Spyros Makridakis, Evangelos Spiliotis, Vassilis Assimakopoulos, Zhi Chen, November 2020 (link)

5.1 Modélisation prédictive structurée

La programmation différentiable (DP) est un paradigme génératif permettant de concevoir une très large classe de modèles statistiques qui se révèlent être particulièrement adaptés pour relever les défis prédictifs de la supply chain. La DP est la descendante du deep learning, mais elle se distingue du deep learning par son accent marqué sur la structure des problèmes d’apprentissage. La DP surpasse presque toute la littérature de prévision « classique » basée sur des modèles paramétriques. Elle est également supérieure aux algorithmes « classiques » de machine learning - jusqu’à la fin des années 2010 - dans pratiquement toutes les dimensions qui importent pour un usage pratique en supply chain, y compris la facilité d’adoption par les praticiens.

5.2 Prévision probabiliste

L’optimization des supply chains repose sur une bonne anticipation des événements futurs. Numériquement, ces événements sont anticipés par des prévisions, qui regroupent une grande variété de méthodes numériques utilisées pour quantifier ces événements futurs. Depuis les années 1970, la forme de prévision la plus utilisée est la prévision ponctuelle des séries temporelles : une quantité mesurée dans le temps - par exemple, la demande en unités pour un produit - est projetée dans le futur. Une prévision est dite probabiliste si elle renvoie les probabilités associées à tous les résultats futurs possibles, au lieu de désigner un résultat particulier comme « la » prévision. Les prévisions probabilistes sont importantes chaque fois que l’incertitude est irréductible, ce qui est presque toujours le cas pour les systèmes complexes. Pour la supply chain, les prévisions probabilistes sont essentielles pour produire des décisions robustes face à des conditions futures incertaines.

5.3 Prévision des délais de livraison

Les délais d’approvisionnement sont une facette fondamentale de la plupart des situations de supply chain. Les délais d’approvisionnement peuvent et doivent être prévus tout comme la demande. Des modèles de prévision probabiliste, dédiés aux délais, peuvent être utilisés. Une série de techniques est présentée pour élaborer des prévisions probabilistes des délais à des fins de supply chain. La composition de ces prévisions, délai et demande, constitue une pierre angulaire de la modélisation prédictive en supply chain.

6. Prise de décision

Chaque jour, des milliers de décisions supply chain (des millions dans les grandes entreprises) doivent être prises dans le cadre de la routine quotidienne des opérations de l’entreprise. Chaque décision s’accompagne d’alternatives. L’objectif de l’optimization de la supply chain est de choisir les options qui s’avèrent les plus rentables face à des conditions futures incertaines. Ce processus présente deux défis clés que nous n’avons pas encore abordés : d’abord, l’évaluation quantitative de la rentabilité de chaque décision, ensuite, le déploiement des recettes numériques d’optimization adaptées aux problèmes de supply chain.

6.1 Allocation de stocks de détail avec des prévisions probabilistes

Les décisions supply chain requièrent des évaluations économiques ajustées au risque. Convertir des prévisions probabilistes en évaluations économiques n’est pas trivial et nécessite des outils dédiés. Cependant, la priorisation économique résultante, illustrée par les allocations de stocks, se révèle plus puissante que les techniques traditionnelles. Nous commençons par le défi de l’allocation de stocks chez un distributeur. Dans un réseau à 2 niveaux qui comprend à la fois un centre de distribution (DC) et plusieurs magasins, nous devons décider comment allouer les stocks du DC aux magasins, sachant que tous les magasins se font concurrence pour le même stock.

6.2 Optimisation des prix pour l’après-marché automobile

L’équilibre entre l’offre et la demande dépend en grande partie des prix. Ainsi, l’optimisation des prix relève du domaine de la supply chain, du moins dans une large mesure. Nous présenterons une série de techniques pour optimiser les prix d’une entreprise fictive de l’après-marché automobile. À travers cet exemple, nous verrons le danger associé aux raisonnements abstraits qui ne parviennent pas à saisir le contexte approprié. Savoir ce qui doit être optimisé est plus important que les détails de l’optimisation elle-même.

7. Exécution tactique et stratégique

La supply chain, à la fois comme pratique et comme domaine d’étude, se veut être un levier et un avantage compétitif pour l’ensemble de l’entreprise. Du point de vue de la direction générale, deux angles dominent : faire de la supply chain un atout accréditif et débloquer des moyens supérieurs d’exécuter le business. En pratique, les résultats se résument souvent au choix des bons membres de l’équipe.

Une initiative qui a pour but d’améliorer la performance de la supply chain grâce à des recettes numériques supérieures peut, si elle réussit, transformer profondément la supply chain elle-même. Cette perspective s’accompagne de deux mises en garde majeures. Premièrement, les recettes numériques doivent être conçues, du point de vue du design, pour faciliter le processus ; il y a plus que ce que l’on pourrait croire. Deuxièmement, le simple fait d’introduire des recettes numériques reconfigure ces mêmes recettes, ce qui, à première vue, est assez contre-intuitif.

7.1 Démarrer une initiative quantitative

Réaliser avec succès une optimisation prédictive d’une supply chain est un mélange de problèmes « soft » et « hard ». Malheureusement, il n’est pas possible de dissocier ces aspects. Les aspects soft et hard sont profondément imbriqués. Habituellement, cet enchevêtrement entre directement en collision avec la division du travail telle que définie par l’organigramme de l’entreprise. Nous constatons que, lorsque les initiatives en supply chain échouent, les causes profondes de cet échec sont généralement des erreurs commises aux premiers stades du projet. De plus, les erreurs précoces tendent à façonner l’ensemble de l’initiative, les rendant presque impossibles à corriger ex post. Nous présentons nos principales conclusions pour éviter ces erreurs.

7.2 Mettre en production les décisions

Nous recherchons une recette numérique capable de piloter une classe entière de décisions banales, telles que les réapprovisionnements de stocks. L’automatisation est essentielle pour faire de la supply chain une entreprise capitalistique. Cependant, elle comporte d’importants risques de causer des dégâts à grande échelle si la recette numérique est défectueuse. Adopter le principe du “fail fast and break things” n’est pas l’état d’esprit approprié pour valider une recette numérique en production. Cependant, de nombreuses alternatives, comme le modèle en cascade, sont encore pires car elles donnent généralement l’illusion de rationalité et de contrôle. Un processus hautement itératif est la clé pour concevoir une recette numérique qui s’avère être de niveau production.

7.3 The Supply Chain Scientist

Au cœur d’une initiative de la Supply Chain Quantitative, se trouve le Supply Chain Scientist (SCS) qui exécute la préparation des données, la modélisation économique et le reporting des KPI. L’automatisation intelligente des décisions en supply chain est le produit final du travail effectué par le SCS. Le SCS assume la responsabilité des décisions générées. Le SCS livre une intelligence humaine amplifiée par la puissance de traitement des machines.