Comprendre la Supply Chain

Cette série de conférences en cours 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’obtenir une performance supérieure de la supply chain en conditions réelles. La vision présentée dans ces conférences diverge de la théorie dominante de la supply chain, et est appelée la Supply Chain Quantitative. Les conférences sont présentées par Joannes Vermorel, PDG et fondateur de Lokad. Elles sont illustrées par des supply chains en conditions réelles sur lesquelles Lokad opère au nom de ses clients.

Public visé : Ces conférences s’adressent à toutes celles et ceux qui ont l’ambition d’améliorer les supply chains, des cadres supérieurs aux analystes juniors et étudiants. Les conférences incluent une série de cours intensifs afin de réduire au minimum les prérequis.

1. Prologue

1.1 Les fondements de la supply chain

La supply chain est la maîtrise quantitative mais pragmatique de l’optionalité face à la variabilité et aux contraintes liées à l’écoulement des biens physiques. Elle englobe l’approvisionnement, l’achat, la production, le transport, la distribution, la promotion, … - mais avec un accent sur le développement et la sélection d’options, par opposition à 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 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 saisir comment cette théorie alternative, proposée et initiée par Lokad, diverge de la théorie dominante de la supply chain. On pourrait la résumer ainsi : chaque décision est évaluée par rapport à tous les futurs possibles selon les leviers économiques. Cette perspective a progressivement émergé chez Lokad comme la théorie dominante de la supply chain, et son implémentation par (presque?) tous les éditeurs 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 exemple les réapprovisionnements de stocks, les mises à jour de tarification). L’application est considérée comme un produit à concevoir. Alors que la théorie dominante de la supply chain a du mal à s’imposer dans les entreprises, un outil, à savoir Microsoft Excel, a connu un succès opérationnel considérable. La réimplémentation 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 avérés supérieurs pour obtenir des résultats 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 avec un produit logiciel packagé (cf. conférence précédente), les approches de programmation dominantes impliquent des couches de complexités accidentelles qui nuisent gravement aux initiatives supply chain. Nous présentons une série de paradigmes de programmation particulièrement adaptés aux supply chains en conditions réelles. Cette conférence est illustrée avec Envision, le DSL (Domain-Specific programming Language) 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&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 matière de supply chain

Quelques grandes tendances dominent l’évolution des supply chains depuis plusieurs décennies, remodelant en grande partie le mélange des défis auxquels sont confrontées les entreprises. Certains problèmes ont largement disparu, tels que les risques physiques et les problèmes de qualité. D’autres problèmes ont émergé, tels que la complexité globale et l’intensité de la concurrence. Notamment, le logiciel transforme également 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&R de la conférence) :

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

1.6 Principes quantitatifs pour les supply chains

Bien que les supply chains ne puissent pas 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 est d’un intérêt primordial car ils peuvent être utilisés pour faciliter la mise au point de recettes numériques destinées à l’optimisation prédictive des supply chains, tout en rendant ces recettes numériques globalement plus puissantes. 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 méconnus et trop souvent mal interprétés. Les pratiques populaires de la supply chain et leurs théories contredisent souvent ce qui est généralement accepté en économie. Toutefois, il est peu probable que ces pratiques parviennent un jour 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 également trop méconnu et trop souvent 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 en conditions réelles.

2. Méthodologie

L’étude et la pratique de la supply chain doivent être enracinées dans la science, c’est-à-dire soutenues par des méthodes scientifiques. En effet, au cours des trois derniers siècles, chaque domaine ayant réussi à s’élever grâce à une pratique expérimentale appropriée a connu le progrès fantastique que nous reconnaissons aujourd’hui comme étant le signe distinctif de la science. Cependant, la supply chain n’a pas connu un tel progrès, du moins pas encore, 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. Toutefois, même si l’entreprise est fictive, cette fiction est conçue pour mettre en évidence ce qui mérite l’attention d’un point de vue supply chain. Cependant, ce persona n’est pas idéalisé dans le sens de simplifier les défis de la supply chain. Au contraire, l’objectif est de magnifier les aspects les plus difficiles de la situation, ceux qui résisteront le plus obstinément à toute tentative de modélisation quantitative et à toute tentative de pilotage d’une initiative visant à améliorer la supply chain. Dans la supply chain, les études de cas - lorsque une ou plusieurs parties sont nommées - souffrent de sévères conflits d’intérêts. Les entreprises, ainsi que leurs fournisseurs (logiciels, conseil), ont un intérêt à présenter les résultats sous un jour positif. De plus, les supply chains actuelles souffrent 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 problématiques.

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 qui exploite un vaste réseau de distribution. La marque cible les femmes et se positionne comme relativement abordable. Bien que la ligne de design soit plutôt classique et sobre, le principal moteur économique a toujours été la nouveauté. Plusieurs collections par an sont utilisées pour déployer 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 défis essentiels.

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 des décisions « insensées » qui doivent être investiguées et corrigées. La cause profonde réside souvent dans des leviers économiques inappropriés, qui doivent être réévalués en fonction de leurs conséquences inattendues. 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 qui ne fonctionnent pas en pratique. L’étude systématique des antipatterns a été initiée à la fin des années 1990 par le domaine du génie logiciel. Lorsque cela est applicable, les antipatterns sont supérieurs aux simples résultats négatifs, car ils sont plus faciles à mémoriser et à analyser. La perspective des antipatterns est d’une importance primordiale pour la supply chain, et devrait 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 pour mener à bien cette tâche. La pratique traditionnelle de la recherche de marché commence avec de bonnes intentions mais se termine invariablement par de mauvais résultats, les cabinets d’études de marché finissant par agir comme de simples relais marketing pour les entreprises qu’ils sont censés analyser. L’espoir qu’un cabinet de recherche impartial émerge est mal placé. Cependant, l’évaluation de fournisseurs par les pairs est une méthodologie qui permet même à un cabinet de recherche biaisé de produire des résultats objectifs.

Références :

• Corruption épistémique, l’industrie pharmaceutique, et le corpus 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 Écrire pour les supply chains

Les supply chains impliquent la coordination de grandes équipes. Ainsi, les supports écrits sont primordiaux. Les supply chains modernes ne sont tout simplement pas compatibles avec la tradition orale. Pourtant, les praticiens de la supply chain échouent souvent lamentablement en ce qui concerne leurs compétences en communication écrite. Passons en revue ce que les études d’utilisabilité et certains experts notables ont à dire à ce sujet. De plus, les initiatives supply chain, exécutées à travers l’approche d’optimisation expérimentale, doivent être documentées minutieusement. Les formules et le code source répondent aux questions du quoi et du comment, mais ils ne répondent pas au pourquoi. La documentation doit garantir que les Supply Chain Scientist comprennent le problème auquel ils sont confrontés. 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
• Le modèle 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 aéronautique fictif (maintenance, réparation, révision) aux USA, servant une grande flotte d’avions commerciaux. Dans l’aviation, la sécurité est primordiale. Les pièces et composants doivent être inspectés régulièrement et parfois réparés. Miami a pour mission de garder les avions en vol à tout moment, évitant ainsi les incidents AOG (aircraft on ground) qui surviennent lorsqu’une pièce nécessaire à une opération de maintenance manque.

3.2 Amsterdam - marques de fromage

Amsterdam est une entreprise fictive de FMCG 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 conflictuels doivent être soigneusement équilibrés : qualité, prix, fraîcheur, gaspillage, diversité, proximité, etc. Par nature, la production de lait et les promotions en magasin placent l’entreprise entre le marteau et l’enclume en termes d’offre et de demande.

3.3 San Jose - e-commerce d’articles pour la maison

San Jose est une plateforme d’e-commerce fictive qui distribue une variété d’articles de décoration et d’accessoires. Elle exploite sa propre place de marché en ligne. Sa marque privée concurrence les marques externes, tant à l’interne qu’à l’externe. Afin de rester compétitif face à des acteurs plus grands et moins chers, la supply chain de San Jose tente de fournir un taux de service élevé qui prend de multiples formes, bien au-delà de la simple livraison dans les délais 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 fournissant des réparations automobiles, des pièces automobiles et des accessoires automobiles. Au début des années 2010, Stuttgart a également lancé deux canaux d’e-commerce, l’un pour acheter et vendre des pièces automobiles, et l’autre pour acheter et vendre des voitures d’occasion. Stuttgart tente de fournir un taux de service élevé 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.

4. Auxiliary sciences

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 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 se réduire à une série de « modèles ».

4.1 Ordinateurs modernes

Les supply chains modernes nécessitent des ressources informatiques pour fonctionner, tout comme les convoyeurs motorisés nécessitent de l’électricité. Pourtant, les systèmes de supply chain lents demeurent omniprésents, alors que la puissance de calcul 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 au sein des cercles IT ou de data science - contribue grandement à expliquer cet état de choses. La conception logicielle sous-jacente aux recettes numériques ne devrait pas être antagoniste au 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 conçues pour résoudre des problèmes informatiques précis. Des algorithmes supérieurs signifient que des résultats supérieurs peuvent être obtenus avec moins de ressources de calcul. En se concentrant sur les spécificités de la supply chain, les performances algorithmiques peuvent être considérablement améliorées, parfois de plusieurs ordres de grandeur. Les algorithmes « 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 est le processus de minimisation d’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 au cœur sur l’optimisation mathématique. De plus, une fois les prévisions établies, l’identification des décisions les plus rentables repose également, fondamentalement, sur l’optimisation mathématique. Les problèmes de supply chain impliquent souvent de nombreuses variables. Ils sont 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 : Un solveur de recherche locale en boîte noire pour la programmation 0-1, 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 essentielles dans la supply chain, car chaque décision (approvisionnement, production, stockage, etc.) reflète une anticipation des événements futurs. L’apprentissage statistique et le machine learning ont largement supplanté le domaine classique de la « prévision », tant du point de vue théorique que pratique. Ce domaine d’étude a connu d’importantes améliorations, qui restent largement méconnues des cercles de « data scientist ». Nous explorerons ce domaine à travers la résolution de trois paradoxes. Premièrement, nous devons formuler des énoncés précis sur des données que nous ne possédons 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 de loin celui des variables ou des observations. Nous tenterons de comprendre ce que signifie réellement une anticipation des événements futurs basée sur les données, dans une perspective d’apprentissage moderne.

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 tableurs (c’est-à-dire Excel), tandis que les systèmes d’entreprise existent depuis une, deux, parfois trois décennies - supposément pour les remplacer. En effet, les tableurs offrent une expressivité programmatique accessible, alors que ces systèmes ne le font généralement pas. Plus généralement, depuis les années 1960, il y a eu un co-développement constant de l’industrie logicielle dans son ensemble et de ses langages de programmation. Il est évident que la prochaine étape de la performance supply chain sera largement dictée par le développement et l’adoption des langages de programmation, ou plutôt des 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 de 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 aux mêmes problèmes. Ces problèmes s’intensifient au fur et à mesure que la sophistication des recettes numériques augmente. Une ingénierie logicielle adéquate est pour la supply chain ce que l’asepsie est pour les hôpitaux : par elle-même, elle ne fait rien - comme soigner des patients - mais sans elle, tout s’écroule.

4.7 Cybersécurité

La cybercriminalité est en hausse. Les ransomwares constituent un secteur en plein essor. En raison de leur nature physiquement répartie, les supply chains sont particulièrement exposées. De plus, la complexité ambiante offre un terreau fertile aux problèmes de sécurité informatique. La sécurité informatique est, par conception, contre-intuitive, car c’est précisément l’angle adopté par les attaquants pour détecter et exploiter des 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

Les cryptomonnaies ont attiré beaucoup d’attention. Des fortunes ont été faites. Des fortunes ont été perdues. Les systèmes de type pyramidal étaient monnaie courante. D’un point de vue corporate, le “blockchain” est l’euphémisme poli employé pour introduire des idées et technologies similaires tout en créant une distance avec ces cryptomonnaies. Des cas d’usage de la supply chain existent pour la blockchain, mais les défis abondent également.

Références:

• 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

Une anticipation quantitative appropriée des événements futurs est au cœur de l’optimization de la supply chain. La pratique de la prévision des séries temporelles a émergé au 20ème siècle et a exercé 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 départ massif par rapport à cette perspective. Premièrement, elle aborde un ensemble de cas problématiques 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 5ème place sur 909 équipes concurrentes lors du M5, une compétition mondiale de prévision. Cependant, au niveau de l’agrégation SKU, ces prévisions se sont classées No1. La prévision de la demande est d’une importance primordiale pour la supply chain. L’approche adoptée dans cette compétition s’est révélée atypique, et différente des autres méthodes adoptées par les 50 meilleurs concurrents. De multiples leçons peuvent être tirées de cette performance en prévision d’aborder d’autres défis prédictifs pour la supply chain.

Références:

• 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 (PD) est un paradigme génératif permettant de concevoir une très large classe de modèles statistiques qui se révèlent être parfaitement adaptés pour relever les défis prédictifs de la supply chain. La PD est la descendante du deep learning, mais s’en distingue par son intense focalisation sur la structure des problèmes d’apprentissage. La PD surpasse presque toute la littérature “classique” de prévision basée sur des modèles paramétriques. La PD est également supérieure aux algorithmes “classiques” de machine learning - jusqu’à la fin des années 2010 - dans pratiquement toutes les dimensions qui importent pour une utilisation pratique à des fins de supply chain, notamment la facilité d’adoption par les praticiens.

5.2 Prévision probabiliste

L’optimization des supply chains repose sur la bonne anticipation des événements futurs. Numériquement, ces événements sont anticipés à travers des prévisions, qui englobent une grande variété de méthodes numériques utilisées pour quantifier ces événements futurs. Depuis les années 1970, la forme de prévision la plus utilisée a été 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 toutes les issues futures possibles, plutôt que 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 lorsqu’il s’agit de 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 de livraison sont un aspect fondamental de la majorité des situations de la supply chain. Les délais de livraison peuvent et doivent être prévus tout comme la demande. Des modèles de prévisions probabilistes dédiés aux délais de livraison peuvent être utilisés. Une série de techniques est présentée pour concevoir des prévisions probabilistes des délais de livraison à des fins de supply chain. La composition de ces prévisions, délai de livraison 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 comporte des alternatives. Le but 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’une part, l’évaluation quantitative de la rentabilité de chaque décision, d’autre part, le déploiement des recettes d’optimization numérique adaptées aux problèmes de supply chain.

6.1 Allocation de stocks de détail avec des prévisions probabilistes

Les décisions de supply chain nécessitent des évaluations économiques ajustées au risque. La conversion des prévisions probabilistes en évaluations économiques est complexe et requiert des outils dédiés. Cependant, la priorisation économique qui en résulte, illustrée par les allocations de stocks, s’avère plus puissante que les techniques traditionnelles. Nous commençons par le défi de l’allocation de stocks de détail. Dans un réseau à deux niveaux comprenant à la fois un centre de distribution (DC) et plusieurs magasins, nous devons décider de la manière d’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 à des raisonnements abstraits qui ne prennent pas en compte le contexte approprié. Savoir ce qui doit être optimisé est plus important que les détails fins de l’optimisation elle-même.

7. Exécution tactique et stratégique

La supply chain, à la fois en tant que pratique et en tant que champ d’études, vise à être un levier et un avantage concurrentiel pour l’entreprise dans son ensemble. Du point de vue de la haute direction, deux angles dominent : faire de la supply chain un actif accretif et débloquer des manières supérieures d’exécuter l’entreprise. En pratique, les résultats se résument principalement 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, transformer profondément la supply chain elle-même. Cette perspective comporte deux mises en garde majeures. Premièrement, les recettes numériques doivent être conçues d’un point de vue design pour faciliter le processus ; il y a plus que ce qu’il n’y paraît. Deuxièmement, le simple processus d’introduction des recettes numériques reconfigure ces recettes elles-mêmes ; ce qui, à première vue, est assez contre-intuitif.

7.1 Démarrer une initiative quantitative

La réalisation d’une optimisation prédictive réussie d’une supply chain est un mélange de problèmes « doux » et de problèmes « durs ». Malheureusement, il n’est pas possible de dissocier ces aspects. Les aspects doux et durs sont profondément imbriqués. Habituellement, cet enchevêtrement entre en collision frontale avec la division 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 dès les premières étapes du projet. De plus, les erreurs précoces tendent à façonner l’ensemble de l’initiative, les rendant quasiment impossibles à corriger ex post. Nous présentons nos principales conclusions pour éviter ces erreurs.

7.2 Mettre les décisions en production

Nous recherchons une recette numérique capable de piloter une catégorie entière de décisions routinières, telles que les réapprovisionnements de stocks. L’automatisation est essentielle pour faire de la supply chain une démarche capitalistique. Cependant, elle comporte des risques substantiels de causer des dégâts à grande échelle si la recette numérique est défectueuse. La philosophie du fail fast and break things n’est pas adaptée pour valider une recette numérique en production. Par ailleurs, de nombreuses alternatives, telles que le modèle en cascade, sont encore pires puisque généralement elles procurent une illusion de rationalité et de contrôle. Un processus hautement itératif est la clé pour concevoir la recette numérique qui s’avérera robuste en production.

7.3 The Supply Chain Scientist

Au cœur d’une initiative de la Supply Chain Quantitative, il y a 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 fournit une intelligence humaine amplifiée par la puissance de traitement des machines.