Comprendre la Supply Chain

Cette série continue 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, réelle. La vision présentée dans ces conférences diverge de la théorie dominante de la supply chain et est désignée sous le nom de la Supply Chain Quantitative. Les conférences sont présentées par Joannes Vermorel, CEO et fondateur de Lokad. Elles sont illustrées par des supply chains réelles que Lokad exploite pour le compte de ses clients.

Public visé : Ces conférences s’adressent à tous ceux qui ont l’ambition d’améliorer la supply chain, des cadres supérieurs aux analystes débutants et étudiants. Les conférences incluent une série de « cours intensifs » afin de réduire au minimum les connaissances préalables requises.

1. Prologue

1.1 Les fondements de la supply chain

La 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, les achats, la production, le transport, la distribution, la promotion, … – mais avec un accent sur la valorisation et la sélection 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, diverge profondément de ce que l’on considère 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 série de points saillants permettant de comprendre comment cette théorie alternative, proposée et initiée par Lokad, diverge de la théorie dominante de la supply chain. Il pourrait se résumer ainsi : chaque décision est évaluée par rapport à tous les futurs possibles selon les leviers économiques. Cette perspective a progressivement émergé chez Lokad en tant que théorie dominante de la supply chain, et son implémentation par (presque ?) tous les fournisseurs de logiciels reste un défi.

1.3 Livraison orientée produit

L’objectif 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 exemple, les réapprovisionnements de stocks, les mises à jour de tarification). 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 – à savoir Microsoft Excel – a connu un succès opérationnel considérable. La ré-implémentation 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 passé en pratique, malgré la connaissance de la théorie. Nous démontrons que les tableurs ont gagné en adoptant des paradigmes de programmation qui se sont révélés supérieurs pour fournir des résultats en matière de 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’approche « programmatique » ne puisse être évitée dans un produit logiciel packagé (cf. conférence précédente), les approches de programmation traditionnelles impliquent des couches de complexités accidentelles qui nuisent gravement aux initiatives en 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, conçu par Lokad sur la base de ces paradigmes de programmation.

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

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

1.5 Les tendances du XXIe siècle en matière de 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 les entreprises sont confrontées. Certains problèmes se sont en grande partie estompés, tels que les risques physiques et les problèmes de qualité. D’autres ont émergé, comme la complexité globale et l’intensité de la concurrence. Notamment, le logiciel est également en train de transformer les supply chains de manière profonde. Un rapide survol de ces tendances nous aide à comprendre sur quoi devrait se concentrer une théorie de la supply chain.

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

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

1.6 Principes quantitatifs pour la supply chain

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 être utilisés pour faciliter la conception des recettes numériques destinées à l’optimisation prédictive des supply chains, mais ils peuvent également être utilisés pour rendre ces recettes numériques plus puissantes dans l’ensemble. 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 sont trop peu connus et trop souvent mal interprétés. Les pratiques populaires de la supply chain et leurs théories contredisent souvent ce qui est généralement admis en économie. Toutefois, il est peu probable que ces pratiques parviennent jamais à démontrer que les fondements de l’économie sont erronés. De plus, les supply chains sont complexes. Ce sont des systèmes, un concept relativement moderne qui est également trop méconnu et trop fréquemment mal interprété. 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 appropriée a connu les progrès fantastiques que nous reconnaissons comme étant le privilège de la « science ». Cependant, la supply chain n’a pas encore connu de tels progrès, et une grande partie de la responsabilité peut être attribuée 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. Pourtant, bien que l’entreprise soit fictive, cette fiction est conçue pour mettre en lumière ce qui mérite une attention particulière du point de vue de la supply chain. Cependant, le persona n’est pas idéalisé au point de simplifier les défis de la supply chain. Au contraire, l’intention est d’exagérer les aspects les plus difficiles de la situation, ceux qui résisteront le plus obstinément à toute tentative de modélisation quantitative et à toute initiative d’amélioration de la supply chain. Dans la supply chain, les études de cas – lorsque une ou plusieurs parties sont nommées – souffrent de sérieux conflits d’intérêts. Les entreprises, et leurs prestataires (logiciels, conseil), ont intérêt à présenter les résultats sous un jour favorable. De plus, les supply chains réelles souffrent ou bénéficient généralement de conditions fortuites qui n’ont rien à voir avec la qualité de leur exécution. Les personae de la supply chain constituent la réponse méthodologique à ces problèmes.

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 s’adresse aux femmes et se positionne comme relativement abordable. Bien que la ligne de design soit plutôt classique et sobre, le principal moteur commercial 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 est l’un des principaux défis.

2.2 Optimisation expérimentale

Loin de la perspective cartésienne naïve selon laquelle l’optimisation consisterait simplement à déployer un optimiseur pour une fonction de score donnée, la supply chain requiert un processus itératif. Chaque itération est utilisée pour identifier les décisions “insensées” qui doivent être analysées et corrigées. La cause première réside fréquemment dans des leviers économiques inappropriés, lesquels doivent être réévalués quant à leurs conséquences imprévues. La nature des itérations change lorsque les recettes numériques ne produisent plus de résultats insensés.

Références :

• The Logic of Scientific Discovery, Karl Popper, 1934

2.3 Connaissance négative

Les antipatterns sont les stéréotypes de solutions qui semblent bonnes mais ne fonctionnent pas en pratique. L’étude systématique des antipatterns a été initiée à la fin des années 1990 dans le domaine du génie logiciel. Le cas échéant, les antipatterns se révèlent supérieurs à de simples résultats négatifs, car ils sont plus faciles à mémoriser et à analyser. La perspective des antipatterns est d’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, en raison du grand nombre de fournisseurs, les entreprises ont besoin d’une approche systématique dans cette entreprise. La pratique traditionnelle de la recherche de marché part d’une bonne intention mais se termine invariablement par de mauvais résultats, les cabinets de recherche finissant par servir de façade marketing pour les entreprises qu’ils sont censés analyser. L’espoir qu’un cabinet de recherche impartial émerge est illusoire. Cependant, l’évaluation fournisseur à fournisseur est une méthodologie qui permet même à un cabinet de recherche biaisé de produire des résultats impartiaux.

Références :

• Corruption épistémique, l’industrie pharmaceutique et le corps de la science médicale. Sergio Sismondo, 2021 (text)
• Influence : La psychologie de la persuasion. Robert B. Cialdini, 1984
• Guide d’approvisionnement, conflit d’intérêts, The World Band, 2020 (PDF)

2.5 Rédiger pour les supply chains

Les supply chains impliquent la coordination de grandes équipes. Ainsi, le support écrit est roi. Les supply chains modernes ne sont tout simplement pas compatibles avec la tradition orale. Cependant, les praticiens de la supply chain se débrouillent souvent affreusement en ce qui concerne leurs compétences en communication écrite. Examinons ce que les études d’utilisabilité, ainsi que certains experts notables, ont à dire sur ces questions. De plus, les initiatives de supply chain, exécutées par le biais de l’approche d’optimisation expérimentale, doivent être documentées en profondeur. Les formules et le code source répondent aux questions du quoi et du comment, mais ils ne répondent pas au pourquoi. La documentation doit permettre aux supply chain scientists de comprendre le problème auquel ils font face. Au fil du 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 (Première édition), William Strunk Jr, 1918
• Motif en F pour la lecture du contenu Web, 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 d’aviation fictif (maintenance, réparation, révision) aux USA servant une large flotte d’avions commerciaux. Dans l’aviation, la sécurité est primordiale. Les pièces et composants doivent être inspectés régulièrement et, le cas échéant, réparés. Miami a pour vocation de maintenir les avions en vol en tout temps, évitant ainsi les incidents AOG (aircraft on ground) qui surviennent dès 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 exploite un large portefeuille de marques dans de nombreux pays. De nombreux objectifs commerciaux conflictuels doivent être minutieusement équilibrés : qualité, prix, fraîcheur, gaspillage, diversité, ancrage local, etc. Par conception, 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 son propre marché en ligne. Sa marque de distributeur concurrence les marques externes, tant en interne qu’en externe. Afin de rester compétitif face à des acteurs plus importants et proposant des prix plus bas, la supply chain de San Jose s’efforce d’offrir un taux de service élevé qui revêt de multiples formes, bien au-delà de la simple livraison en temps voulu des marchandises commandées.

3.4 Stuttgart - une entreprise d’après-vente automobile

Stuttgart est une entreprise fictive du marché de l’après-vente automobile. Elle exploite un réseau d’agences proposant des réparations automobiles, des pièces détachées et des accessoires pour voitures. Au début des années 2010, Stuttgart a également lancé deux canaux e-commerce, l’un pour acheter et vendre des pièces automobiles, et l’autre pour acheter et vendre des voitures d’occasion. Stuttgart s’efforce d’offrir un taux de service élevé dans le marché automobile européen, complexe et compétitif, qui compte des dizaines de milliers de véhicules distincts et des centaines de milliers de pièces automobiles différentes.

3.5 Paris - un réseau de vente au détail de mode

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 commercial a toujours été la nouveauté. Plusieurs collections par an sont utilisées pour lancer des vagues de nouveaux produits. Commercialiser le bon produit, au bon moment, au bon prix et avec la bonne quantité de stocks est l’un des défis majeurs.

4. Sciences auxiliaires

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

4.1 Ordinateurs modernes

Les supply chains modernes nécessitent des ressources informatiques pour fonctionner, tout comme les convoyeurs motorisés requièrent de l’électricité. Pourtant, les systèmes de supply chain lents restent omniprésents, tandis que la puissance de traitement des ordinateurs a été multipliée par 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 être antagoniste envers le substrat informatique sous-jacent.

4.2 Algorithmes modernes

L’optimization des supply chains 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 de meilleurs résultats 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 de plusieurs ordres de grandeur. Les algorithmes de “supply chain” doivent également intégrer 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 et Clifford Stein, 2009

4.3 Optimisation mathématique

L’optimisation mathématique consiste à minimiser une fonction mathématique. Presque toutes les techniques modernes d’apprentissage statistique – c’est-à-dire la prévision si nous adoptons 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, en son cœur, sur l’optimisation mathématique. Les problèmes de supply chain impliquent fréquemment de nombreuses variables. Ils sont également 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, février 1979
• LocalSolver 1.x: A black-box local-search solver for 0-1 programming, Thierry Benoist, Bertrand Estellon, Frédéric Gardi, Romain Megel, Karim Nouioua, septembre 2011
• Automatic differentiation in machine learning: a survey, Atilim Gunes Baydin, Barak A. Pearlmutter, Alexey Andreyevich Radul, Jeffrey Mark Siskind, dernière révision en février 2018

4.4 Apprentissage machine

Les prévisions sont irréductibles dans la supply chain car chaque décision (achat, production, stockage, etc.) reflète une anticipation d’événements futurs. L’apprentissage statistique et l’apprentissage machine ont largement supplanté le domaine classique de la « prévision », tant d’un point de vue théorique que pratique. Ce domaine d’étude a connu des améliorations spectaculaires, qui restent largement 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 concernant des données dont nous ne disposons pas. Deuxièmement, nous devons aborder des problèmes où le nombre de variables dépasse largement le nombre d’observations. Troisièmement, nous devons travailler avec des modèles où le nombre de paramètres dépasse largement celui des variables ou des observations. Nous tenterons de comprendre ce que signifie, d’un point de vue moderne de l’apprentissage, une anticipation du futur basée sur les données.

Références:

• A theory of the learnable, L. G. Valiant, novembre 1984
• Support-vector networks, Corinna Cortes & Vladimir Vapnik, septembre 1995
• Random Forests, Leo Breiman, octobre 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, dernière révision en décembre 2017
• Deep Double Descent: Where Bigger Models and More Data Hurt, Preetum Nakkiran, Gal Kaplun, Yamini Bansal, Tristan Yang, Boaz Barak, Ilya Sutskever, décembre 2019
• Generative Adversarial Networks, Ian J. Goodfellow, Jean Pouget-Abadie, Mehdi Mirza, Bing Xu, David Warde-Farley, Sherjil Ozair, Aaron Courville, Yoshua Bengio, juin 2014
• Unsupervised Machine Translation Using Monolingual Corpora Only, Guillaume Lample, Alexis Conneau, Ludovic Denoyer, Marc’Aurelio Ranzato, dernière révision en avril 2018
• BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding, Jacob Devlin, Ming-Wei Chang, Kenton Lee, Kristina Toutanova, dernière révision en mai 2019
• A Gentle Introduction to Graph Neural Networks, Benjamin Sanchez-Lengeling, Emily Reif, Adam Pearce, Alexander B. Wiltschko, septembre 2021

4.5 Langages et compilateurs

La majorité des supply chains est encore gérée via des feuilles de calcul (c’est-à-dire Excel), alors que des systèmes d’entreprise existent depuis une, deux, parfois même trois décennies – censés les remplacer. En effet, les feuilles de calcul offrent une expressivité programmatique accessible, tandis que ces systèmes, en général, ne le font pas. Plus généralement, 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 existe des preuves que la prochaine étape de la performance de la supply chain sera largement animée par le développement et l’adoption de langages de programmation, ou plutôt d’environnements programmables.

4.6 Ingénierie logicielle

Maîtriser 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 d’entreprise 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 sont donc soumises exactement aux mêmes problèmes. Ces problèmes s’intensifient avec la sophistication croissante des recettes numériques elles-mêmes. Une ingénierie logicielle adéquate est pour les supply chains ce que l’asepsie est pour les hôpitaux : par elle-même, elle ne fait rien – comme soigner des patients – mais sans elle, tout s’effondre.

4.7 Cybersécurité

La cybercriminalité est en hausse. Les ransomwares sont un business florissant. En raison de leur nature physiquement distribuée, les supply chains sont particulièrement exposées. De plus, la complexité ambiante est un terrain 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 types de recettes numériques impliquées dans l’optimisation de la supply chain, le risque peut être accru ou diminué.

4.21 Blockchains

Cryptocurrencies have attracted a lot of attention. Fortunes were made. Fortunes were lost. Pyramid schemes were rampant. From a corporate perspective, the “blockchain” is the polite euphemism used to introduce similar ideas and technologies while establishing a distanciation with those cryptocurrencies. Supply chain use cases exist for the blockchain but challenges abound as well.

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

The proper quantitative anticipation of future events is at the core of any supply chain’s optimization. The practice of time-series forecasting emerged in the 20th century and had enormous influence on most large supply chains. Predictive modelling is both the descendent of time-series forecasting, but also a massive departure from this perspective. First, it tackles a much more diverse set of problem instances. Second, due to the nature of supply chain problems, a programmatic paradigm is needed. Third, as uncertainty is usually irreducible, probabilistic forecasts are needed as well.

5.0. N°1 au niveau SKU dans la compétition de prévision M5

In 2020, a team at Lokad achieved No5 over 909 competing teams at the M5, a worldwide forecasting competition. However, at the SKU aggregation level, those forecasts landed No1. Demand forecasting is of primary importance for supply chain. The approach adopted in this competition proved to be atypical, and unlike the other methods adopted by the other top 50 contenders. There are multiple lessons to be learned from this achievement as a prelude to tackle further predictive challenges for 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

Differentiable Programming (DP) is a generative paradigm to engineer a very broad class of statistical models that turn out to excellently suited to address predictive supply chain challenges. DP is the descendent of deep learning, but it departs from deep learning by its intense focus on the structure of learning problems. DP supersedes almost all the entire “classic” forecasting literature based on parametric models. DP is also superior “classic” machine learning algorithms - up to the late 2010s - in virtually every dimension that matter for a practical usage for supply chain purposes, including ease of adoption by practitioners.

5.2 Prévision probabiliste

The optimization of supply chains relies on the proper anticipation of future events. Numerically, these events are anticipated through forecasts, which encompass a large variety of numerical methods used to quantify these future events. From the 1970s onward, the most widely used form of forecast has been the point time-series forecast: a quantity measured over time - for example the demand in units for a product - is projected into the future. A forecast is said to be probabilistic if it returns the probabilities associated with all possible future outcomes, instead of pinpointing one particular outcome as “the” forecast. Probabilistic forecasts are important whenever uncertainty is irreducible, which is nearly always the case whenever complex systems are concerned. For supply chains, probabilistic forecasts are essential to produce robust decisions against uncertain future conditions.

5.3 Prévision du délai de livraison

Lead times are a fundamental facet of most supply chain situations. Lead times can and should be forecast just like demand. Probabilistic forecasting models, dedicated to lead times, can be used. A series of techniques are presented to craft probabilistic lead time forecasts for supply chain purposes. Composing those forecasts, lead time and demand, is a cornerstone of predictive modeling in supply chain.

6. Prise de décision

Every single day, thousands of supply chain decisions (millions in large companies) are to be made as part of the daily routine of the company’s operations. Each decision comes with alternatives. The supply chain optimization’s goal is to pick the options that turn out most profitable while facing future uncertain conditions. This process presents two keys challenges that we haven’t addressed yet: first, the quantitative assessment of the profitability of any decision, second, the roll-out of the numerical optimization recipes suitable for supply chain problems.

6.1 Allocation de stocks au détail avec des prévisions probabilistes

Supply chain decisions require risk-adjusted economic assessments. Converting probabilistic forecasts into economic assessments is nontrivial and require dedicated tooling. However, the resulting economic prioritization, illustrated by stock allocations, proves itself more powerful than traditional techniques. We start with the retail stock allocation challenge. In a 2-echelon network that includes both a distribution center (DC) and multiple stores, we need to decide how to allocate the stock of the DC to the stores, knowing that all stores compete for the same stock.

6.2 Optimisation de la tarification pour l’après-vente automobile

The balance of supply and demand very much depends on prices. Thus, pricing optimization belongs to the realm of supply chain, at least to a sizeable extent. We will present a series of techniques to optimize the prices of a fictitious automotive aftermarket company. Through this example, we will see the danger associated with abstract lines of reasoning that fail to see the proper context. Knowing what ought to be optimized is more important than the fine print of the optimization itself.

7. Exécution tactique et stratégique

La supply chain, à la fois en tant que pratique et domaine d’étude, vise à être un facilitateur et un avantage concurrentiel pour l’ensemble de l’entreprise. Du point de vue de la haute direction, deux angles dominent : faire de la supply chain un atout accréditif et débloquer des moyens supérieurs d’exécuter l’activité. En pratique, les résultats se résument souvent au choix des bons membres de l’équipe.

Une initiative visant à améliorer la performance de la supply chain grâce à des recettes numériques supérieures peut, si elle réussit, modifier profondément la supply chain elle-même. Cette perspective comporte deux grandes réserves. Premièrement, les recettes numériques doivent être conçues de manière à faciliter le processus ; il y a plus qu’il n’y paraît. 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 une optimisation prédictive réussie d’une supply chain consiste en un mélange de problèmes dits « soft » et « hard ». Malheureusement, il n’est pas possible de séparer ces aspects. Les aspects soft et hard sont étroitement imbriqués. Habituellement, cet enchevêtrement entre en collision frontale avec la répartition du travail telle que définie par l’organigramme de l’entreprise. Nous constatons que, lorsque les initiatives supply chain échouent, les causes profondes de cet échec sont généralement des erreurs commises aux tout débuts du projet. De plus, les premières erreurs tendent à façonner l’ensemble de l’initiative, ce qui les rend quasiment impossibles à corriger a posteriori. Nous présentons nos principales conclusions pour éviter ces erreurs.

7.2 Mettre en production les décisions

Nous cherchons une recette numérique pour piloter une catégorie entière de décisions routinières, telles que le réapprovisionnement des stocks. L’automatisation est essentielle pour faire de la supply chain une démarche capitalistique. Cependant, elle comporte des risques importants de causer des dommages à grande échelle si la recette numérique est défectueuse. La mentalité du « fail fast and break things » n’est pas la bonne approche pour donner le feu vert à une recette numérique en production. Par ailleurs, de nombreuses alternatives, telles que le modèle en cascade, sont encore pires car elles donnent généralement une 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 Quantitative Supply Chain, 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 supply chain est le produit final du travail réalisé par le SCS. Le SCS prend en charge les décisions générées. Le SCS offre une intelligence humaine amplifiée par la puissance de traitement des machines.