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’intention est de permettre aux organisations d’atteindre une performance de supply chain supérieure, dans le monde réel. 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, PDG et fondateur de Lokad. Les conférences sont illustrées par des supply chains réelles sur lesquelles Lokad intervient 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 aux étudiants. Les conférences incluent une série de « cours de rattrapage » pour réduire au minimum les connaissances prérequises.

1. Prologue

1.1 Les fondements de la supply chain

La supply chain est la maîtrise quantitative tout en étant astucieuse de l’optionalité 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, la promotion, … - mais avec un accent sur la préservation et la sélection d’options, plutôt que sur la gestion directe des opérations sous-jacentes. Nous verrons comment la perspective de la Supply Chain Quantitative, 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 souligne une courte série de points saillants pour saisir comment cette théorie alternative, proposée et pionnière par Lokad, diverge de la théorie dominante de la supply chain. Elle pourrait être résumée ainsi : chaque décision est évaluée face à tous les futurs possibles selon les moteurs économiques. Cette perspective a progressivement émergé 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

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 considérée comme un produit à concevoir. Alors que la théorie dominante de la supply chain peine à s’imposer dans les entreprises en général, 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 produit 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 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 un produit logiciel packagé (cf. conférence précédente), les approches de programmation dominantes impliquent des couches de complexités accidentelles qui sont gravement préjudiciables aux initiatives de supply chain. Nous présentons une série de paradigmes de programmation particulièrement adaptés aux supply chains réelles. Cette conférence est illustrée par 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 supply chain

Quelques grandes tendances ont dominé l’évolution des supply chains au cours des dernières décennies, remodelant en grande partie le mélange des défis auxquels les entreprises font face. Certains problèmes se sont largement estompés, tels que les risques physiques et les problèmes de qualité. Certains problèmes ont émergé, comme la complexité globale et l’intensité de la concurrence. Notamment, le logiciel révolutionne 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 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 primordial car ils peuvent être utilisés pour faciliter l’élaboration 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 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. Cependant, il est peu probable que ces pratiques parviennent à démontrer l’inexactitude de l’économie de base. De plus, les supply chains sont complexes. Ce sont des systèmes, un concept relativement moderne qui est également trop peu connu et trop souvent mal interprété. L’objectif 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 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 comme le symbole de la « science ». Cependant, la supply chain n’a pas connu un tel progrès, du moins pas encore, et la majeure partie de la faute 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 souligner ce qui mérite l’attention d’un point de vue supply chain. Cependant, le persona n’est pas idéalisé dans le sens de simplifier les défis de la supply chain. Au contraire, l’intention est d’amplifier les aspects les plus difficiles de la situation, les aspects 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. En supply chain, les études de cas - lorsqu’une ou plusieurs parties sont nommées - sont sujettes à de sérieux conflits d’intérêts. Les entreprises, ainsi que leurs fournisseurs de services (logiciels, consulting), ont un intérêt acquis à présenter le résultat sous un jour positif. De plus, les supply chains réelles souffrent ou bénéficient généralement de conditions accidentelles sans rapport 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 grand 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 levier 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 défis principaux.

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 nécessite un processus itératif. Chaque itération est utilisée pour identifier les décisions « insensées » qui doivent être examinées et corrigées. La cause première est souvent liée à des moteurs économiques inappropriés, qui doivent être réévalués quant à leurs conséquences imprévues. La nature des itérations change lorsque les recettes numériques ne produisent plus de résultats incohérents.

Références :

• The Logic of Scientific Discovery, Karl Popper, 1934

2.3 Connaissance négative

Les antipatterns sont les stéréotypes de solutions qui semblent efficaces mais qui ne fonctionnent pas en pratique. L’étude systématique des antipatterns a été initiée à la fin des années 1990 par le domaine de l’ingénierie logicielle. Lorsque cela est applicable, les antipatterns sont supérieurs aux simples résultats négatifs, car ils sont plus faciles à mémoriser et à analyser. La perspective antipattern 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 cette tâche. La pratique traditionnelle de la recherche de marché part d’une bonne intention mais se solde invariablement par de mauvais résultats, car les cabinets d’études de marché finissent par agir comme des vitrines marketing pour les entreprises qu’ils sont censés analyser. L’espoir de voir émerger un cabinet de recherche impartial est mal placé. Toutefois, 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 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 peinent souvent lamentablement en ce qui concerne leurs compétences en communication écrite. Examinons ce que les études d’utilisabilité, ainsi que quelques experts notables, ont à dire à ce sujet. De plus, les initiatives en supply chain, exécutées dans le cadre d’une approche d’optimisation expérimentale, doivent être documentées de manière exhaustive. Les formules et le code source répondent aux questions du quoi et du comment, mais ils n’apportent pas la réponse au pourquoi. La documentation doit permettre aux Supply Chain Scientists de comprendre le problème auquel ils sont confrontés. Avec le temps, cette documentation devient la clé pour assurer une transition fluide d’un Supply Chain Scientist à l’autre.

Références:

• The Elements of Style (Première édition), William Strunk Jr, 1918
• Le 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 aéronautique fictif aux États-Unis, desservant une grande flotte d’avions commerciaux. En aviation, la sécurité est primordiale. Les pièces et composants doivent être inspectés régulièrement et, le cas échéant, réparés. Miami a pour mission de maintenir les avions en vol en permanence, 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 gère un vaste portefeuille de marques dans plusieurs pays. De nombreux objectifs commerciaux conflictuels doivent être équilibrés avec soin : qualité, prix, fraîcheur, gaspillage, diversité, proximité, etc. Par conception, la production laitière 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 pour la 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 est en concurrence avec des marques externes, tant en interne qu’en externe. Afin de rester compétitif face à des acteurs plus grands et à bas prix, la supply chain de San Jose tente d’offrir un taux de service élevé, qui se manifeste sous bien des formes, bien au-delà de la simple livraison en temps voulu 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, 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 véhicules d’occasion. Stuttgart tente d’offrir un taux de service élevé sur le marché automobile européen, complexe et compétitif, qui réunit des dizaines de milliers de véhicules distincts et des centaines de milliers de pièces automobiles différentes.

3.5 Genève - un fabricant de montres hard-luxury

TBD

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 mûrement 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, 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 – explique en grande partie cet état de choses. La conception logicielle sous-jacente aux recettes numériques ne doit pas antagoniser le substrat informatique.

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 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 améliorée de manière spectaculaire, 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 de 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, en son cœur, sur l’optimisation mathématique. Les problèmes de supply chain impliquent souvent de nombreuses variables et 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: 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 février 2018

4.4 Machine learning

Les prévisions sont irréductibles en supply chain, car chaque décision (achat, 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 champ 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, il nous faut formuler des énoncés précis à propos de données que nous ne possédons pas. Deuxièmement, nous devons aborder des problèmes dans lesquels le nombre de variables dépasse de loin le nombre d’observations. Troisièmement, nous devons travailler avec des modèles dont le nombre de paramètres excède de loin celui des variables ou des observations. Nous tenterons de saisir ce que signifie vraiment une anticipation du futur basée sur les données dans une perspective moderne d’“apprentissage”.

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 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 avril 2018
• BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding, Jacob Devlin, Ming-Wei Chang, Kenton Lee, Kristina Toutanova, dernière révision 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), alors que les systèmes d’entreprise existent depuis une, deux, parfois trois décennies – censés les remplacer. En effet, les tableurs offrent une expressivité programmatique accessible, alors que ces systèmes, en général, ne le font pas. Plus généralement, depuis les années 1960, on observe 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 dictée 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 donc, soumises aux mêmes problèmes. Ces problèmes s’intensifient à mesure que la sophistication des recettes numériques croît. Une ingénierie logicielle adéquate est pour les supply chains ce que l’asepsie est pour les hôpitaux : prise isolément, elle ne fait rien – comme traiter des patients – mais sans elle, tout s’écroule.

4.7 Cybersécurité

La cybercriminalité est en hausse. Les ransomwares représentent un secteur en plein essor. En raison de leur nature physiquement distribuée, les supply chains sont particulièrement exposées. De plus, la complexité ambiante offre un terrain fertile aux problèmes de sécurité informatique. La sécurité informatique est contre-intuitive par conception, car c’est précisément l’angle adopté par les attaquants pour détecter et exploiter les failles. Selon les spécificités des 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 pyramidaux étaient monnaie courante. Du point de vue de l’entreprise, la “blockchain” est l’euphémisme poli utilisé pour introduire des idées et des technologies similaires tout en établissant 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

L’anticipation quantitative appropriée des événements futurs est au cœur de l’optimisation de toute supply chain. La pratique de la prévision des séries temporelles a émergé au XXe 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 départ majeur par rapport à cette perspective. Premièrement, elle aborde un ensemble de 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 chez Lokad a obtenu la 5ème place sur 909 équipes concurrentes lors du M5, une compétition mondiale de prévision. Cependant, au niveau d’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 avérée atypique, et différente des autres méthodes utilisées par les 50 autres meilleurs concurrents. De multiples leçons peuvent être tirées de cet exploit comme prélude pour 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 (DP) est un paradigme génératif permettant de concevoir une très large classe de modèles statistiques qui se révèlent être extrêmement 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 intense focalisation sur la structure des problèmes d’apprentissage. La DP surpasse presque toute la littérature “classique” de prévision basée sur des modèles paramétriques. La DP 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 dans la supply chain, y compris la facilité d’adoption par les praticiens.

5.2 Prévision probabiliste

L’optimisation 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 au fil du temps – par exemple la demande en unités pour un produit – est projetée dans le futur. On dit qu’une prévision est 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 lorsqu’il s’agit de systèmes complexes. Pour les supply chains, 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 plupart des situations en supply chain. Les délais peuvent et doivent être prévus tout comme la demande. Des modèles de prévision probabilistes, 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, délais et demande, constitue une pierre angulaire de la modélisation prédictive en supply chain.

6. Decision making

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’optimization de la supply chain vise à 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 toute décision, puis le déploiement des recettes d’optimisation numérique adaptées aux problèmes de supply chain.

6.1 Allocation de stocks au détail avec des prévisions probabilistes

Les décisions supply chain nécessitent des évaluations économiques ajustées au risque. La conversion des prévisions probabilistes en évaluations économiques n’est pas triviale et requiert des outils dédiés. Cependant, la priorisation économique résultante, illustrée par les allocations de stocks, s’avère plus puissante que les techniques traditionnelles. Nous commençons par le défi de l’allocation de stocks au détail. Dans un réseau à 2 niveaux qui comprend à la fois un centre de distribution (CD) et plusieurs magasins, nous devons décider comment allouer les stocks du CD aux magasins, sachant que tous les magasins sont en concurrence pour le même stock.

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

L’équilibre entre l’offre et la demande dépend fortement des prix. Ainsi, l’optimisation de la tarification appartient au 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 dans l’après-marché automobile. À travers cet exemple, nous constaterons le danger associé à des 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 en tant que pratique et domaine d’étude, a pour objectif d’être un levier et un avantage concurrentiel pour l’entreprise dans son ensemble. D’un point de vue de la haute direction, deux axes dominent : faire de la supply chain un actif accretif et débloquer des moyens supérieurs d’exécuter le business. En pratique, les résultats se résument principalement au choix des bons membres d’équipe.

Une initiative visant à améliorer la performance de la supply chain par le biais de recettes numériques supérieures peut, si elle réussit, transformer profondément la supply chain elle-même. Cette perspective comporte deux importantes mises en garde. Premièrement, les recettes numériques doivent être conçues d’un point de vue design pour faciliter le processus ; il y a plus que cela en apparence. Deuxièmement, le simple processus d’introduction des recettes numériques reconfigure ces dernières ; ce qui, à première vue, est assez contre-intuitif.

7.1 Démarrer une initiative quantitative

Réaliser une optimisation prédictive réussie d’une supply chain est un mélange de problèmes de type soft et hard. Malheureusement, il est impossible de dissocier ces aspects. Les aspects soft et hard sont étroitement imbriqués. Habituellement, cet enchevêtrement se heurte frontalement à la division du travail telle que définie par l’organigramme de l’entreprise. Nous observons que, lorsque les initiatives de supply chain échouent, les causes profondes de l’échec sont généralement des erreurs commises aux premiers stades du projet. De plus, les erreurs précoces tendent à façonner l’ensemble de l’initiative, rendant leur correction quasi impossible ex post. Nous présentons nos principales conclusions pour éviter ces erreurs.

7.2 Mettre les décisions en production

Nous recherchons une recette numérique pour piloter une catégorie entière de décisions banales, telles que les réapprovisionnements de stocks. L’automatisation est essentielle pour faire de la supply chain une entreprise capitalistique. Toutefois, elle comporte des risques substantiels de causer des dommages à grande échelle si la recette numérique est défectueuse. « Fail fast and break things » n’est pas l’état d’esprit approprié pour approuver une recette numérique pour la 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 la recette numérique qui s’avère de qualité 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 de supply chain est le produit final du travail réalisé par le SCS. Le SCS prend en charge les décisions générées. Le SCS délivre une intelligence humaine amplifiée par la puissance de traitement des machines.