Conférences sur la Supply Chain

Prochaine conférence en DIRECT : 21 juillet, 15h00, CET (Paris) - Regarder le live sur YouTube

Notre série de conférences présente les fondements du Supply Chain Management (SCM) : les défis, la méthodologie et les technologies. Régulièrement actualisée, son objectif est de permettre aux organisations d'atteindre une meilleur rendement pour leur supply chain dans le "monde réel". La conception présentée dans ces conférences se démarque de la théorie dominante de la supply chain et est désignée sous le nom de Supply Chain Quantitative. Les conférences sont présentées par Joannès Vermorel, PDG et fondateur de Lokad. Elles sont illustrées par des supply chains réelles que Lokad gère pour le compte de ses clients.

Image

Public cible :Ces conférences sont destinées à tous ceux qui ont l'ambition d'améliorer les supply chains, des cadres supérieurs aux analystes débutants et aux étudiants. Les conférences comprennent une série de "cours accélérés" afin de réduire au minimum les connaissances préalables.

1. Prologue
   1.1 Les fondements de la supply chain
   1.2 La Supply Chain Quantitative en quelques mots
   1.3 Des prestations tournées vers le produit
   1.4 Paradigmes de programmation pour la Supply Chain
   1.5 Tendances du XXI ème siècle pour la supply chain
   1.6 Les principes quantitatifs des supply chains
2. Méthodologie
   2.1 Les profils de la supply chain
      2.1.1 Paris - une marque de mode avec un réseau de vente au détail
   2.2 L’optimisation expérimentale
   2.3 La connaissance en négatif
   2.4 Etudes de marché contradictoires
   2.5 Rédiger pour la supply chain
3. Profils
   3.1 Miami – un MRO d’aviation
   3.2 Amsterdam – marques de fromage
   3.3 Santa Clara – un commerce électronique d’accessoires
   3.4 Stuttgart - un distributeur de pièces détachées pour automobiles
   3.5 Geneva – un horloger de grand luxe
4. Sciences auxiliaires
   4.1 Les ordinateurs modernes
   4.2 Les algorithmes modernes
   4.3 L’optimisation mathématique
   4.4 L’apprentissage statistique
   4.5 Economie quantitative
   4.6 Science et rationalité
   4.7 Environnements programmables et compilateurs
   4.8 Génie logiciel
   4.9 Logiciels d’entreprise
   4.10 Structure de l’entreprise et incitations
   4.11 Sécurité informatique
   4.12 Théorie de l’information
   4.13 Psychologie
   4.2 Blockchains
5. Modélisation prédictive
   5.1 La programmation différentiable
      5.1.1 Prévision de la demande pour Paris (sans cannibalisation)
      5.1.2 Comprendre la programmation différentiable (DP)
      5.1.3 La DP, élément primordial pour Envision
      5.1.4 Intégration de connaissances structurelles préalables avec la DP
      5.1.5 Affinité client-produit pour Paris (vers la cannibalisation)
   5.2 Prévisions probabilistes
      5.2.1 Prévisions déterministes et prévisions probabilistes
      5.2.2 La précision des prévisions probabilistes
      5.2.3 Réparations non programmées pour Miami
      5.2.4 L’algèbre de variables aléatoires
   5.3 Programmation probabiliste
      5.3.1 Prévision de la demande pour Miami
      5.3.2 Modèles générateurs
      5.3.3 Modèles d’espace en état d’innovation
   5.4 Interlude : repenser les prévisions
      5.4.1 Le Whiteboxing
      5.4.2 Boucles de rétroaction
      5.4.3 Des sources de données au-delà des données transactionnelles
      5.4.4 La modification manuelle des prévisions (antimodèle)
6. Optimisation financière
   6.1 Affectation des stocks par boutique pour Paris
   6.2 Décisions discrètes univariées
      6.2.1 Les Zedfuncs
      6.2.2 Fonction de récompense du stock
      6.2.3 Fonction de récompense de l’action
      6.2.4 Les MOQ et autres contraintes
   6.3 Les moteurs économiques
   6.4 Programmation différentiable (2ème phase)
      6.4.1 La fin du pilotage par remise de prix sur les collections pour Paris
      6.4.2 Tarification concurrentielle pour Stuttgart
   6.5 Interlude : repenser l’optimisation
      6.5.1 L’exécution automatisée
      6.5.2 Cultiver des options
      6.5.3 Une culture de la connaissance
7. Infrastructure logicielle
   7.1 La propriété des recettes numériques
   7.2 L’exactitude à la conception
   7.3 Mutualisation et miscibilité du matériel
   7.4 Un système intégré pour de meilleures applications de prévisions
   7.5 Le relationnel d'abord pour préparer, apprendre et optimiser
   7.6 Maintenabilité approfondie
   7.7 Sécurité approfondie
8. Exécution tactique
   8.1 Etablir un champ d’application
   8.2 Les participants et leur rôle
   8.3 Chronologie typique d’une initiative
   8.4 Préparation des données
      8.4.1 Mise en place du pipeline de données
      8.4.2 Santé des données de bas niveau et de haut niveau
      8.4.3 Inspecteurs des données
   8.5 Déploiement de la production
   8.6 La routine quotidienne
9. Exécution stratégique
   9.1 Embauche d'un directeur de la supply chain
   9.2 Embaucher et former une équipe
   9.3 Coopération entre l'informatique et la supply chain
   9.4 Au-delà du S&OP
10. La connaissance en négatif
   10.1 Une mauvaise exécution
      10.1.1 Des classiques toxiques
      10.1.2 UX et workflow obscurs
      10.1.3 Des logiciels en porcelaine
   10.2 Un mauvais leadership
      10.2.1 De l'indécision et de l'ignorance aux appels d'offres et aux prototypes
      10.2.2 Le jugement de Salomon inversé
      10.2.3 Offrandes sacrificielles aux dieux de la prévision
   10.3 Une pseudo-science
      10.3.1 Des théories simplistes qui suggèrent une sophistication
      10.3.2 Théories obscures pour se sentir initié


1. Prologue

1.1 Les fondements de la supply chain

La supply chain est la maîtrise quantitative mais judicieuse 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, etc. mais en mettant l'accent sur le développement et la sélection des 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 (ouvrages):
  • 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 quelques mots

Le manifeste de la SCM met l'accent sur une courte série de points saillants qui permettent de comprendre en quoi cette théorie alternative, lancée par Lokad, diverge de la théorie traditionnelle de la supply chain. On pourrait la résumer ainsi : chaque décision est évaluée par rapport à tous les futurs possibles en fonction des moteurs économiques. Cette perspective s'est progressivement imposée à Lokad, car la théorie dominante de la supply chain et sa mise en œuvre par (presque ?) tous les fournisseurs de logiciels reste difficile.

1.3 Des prestations tournées vers le produit

L'objectif d'une initiative quantitative pour la supply chain est soit de livrer une application logicielle qui robotise une série de décisions de routine (comme le réapprovisionnement des stocks ou la mise à jour des prix) ou de l'améliorer. L'application est considérée comme un produit à concevoir. Alors que la théorie dominante de la supply chain peine à s'imposer dans les grandes entreprises, un outil, à savoir Microsoft Excel, a connu un succès opérationnel considérable. Réimplémenter les recettes numériques de la théorie traditionnelle de la supply chain via des tableurs est trivial, mais ce n'est pas ce qui s'est passé dans la 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 fournir des résultats en matière de supply chain.

Référence (ouvrage):
  • 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 nécessite des paradigmes de programmation spécifiques. En effet, bien que l'aspect "programmatique" ne puisse être évité par le biais d'un produit logiciel packagé (cf. conférence précédente), les approches de programmation traditionnelles impliquent des couches de complications accidentelles qui nuisent gravement aux initiatives de la supply chain. Nous présentons une série de paradigmes de programmation qui sont particulièrement bien adaptés aux supply chains du monde réel. Cette présentation 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 (ouvrage, évoqué pendant la session de questions-réponses lors de la conférence):
  • Dynamic Supply Chains: How to design, build and manage people-centric value networks, John Gattorna, 2015

1.5 Tendances du XXIème siècle pour la supply chain

Quelques tendances majeures ont dominé l'évolution des supply chains au cours des dernières décennies, remodelant largement l'ensemble des défis auxquels sont confrontées les entreprises. Certains problèmes ont largement disparu, comme les risques physiques et les problèmes de qualité. D'autres ont augmenté, comme la complexité globale et la pression concurrentielle. Il est à noter que les logiciels remodèlent aussi profondément les supply chains. Un rapide tour d'horizon de ces tendances nous aide à comprendre ce sur quoi doit porter la théorie de la supply chain.

Référence (article, évoqué pendant la session de questions-réponses lors de la conférence):

1.6 Les principes quantitatifs des supply chains

Si les supply chains ne peuvent être caractérisées par des lois quantitatives absolues - contrairement à l'électromagnétisme - des principes quantitatifs généraux peuvent néanmoins être observés. Par "généraux", nous entendons applicables à (presque) toutes les supply chains. La découverte de tels principes est d'un intérêt primordial car ils peuvent être utilisés pour faciliter l'ingénierie des recettes numériques destinées à l'optimisation prédictive des supply chains, mais ils peuvent également être utilisés pour rendre ces recettes numériques plus puissantes en général. Nous passons en revue deux courtes listes de principes : quelques principes d'observation et quelques principes d'optimisation.

2. Méthodologie

L’étude et la pratique de la supply chain doivent se fonder sur la science et donc s’appuyer sur des méthodes scientifiques. En effet, au cours des trois derniers siècles, chaque domaine qui a su s’élever par le biais d'une pratique expérimentale adéquate a connu des progrès fantastiques, que nous avons fini par reconnaître comme étant la marque de la "science". Cependant, la supply chain n'a pas connu de tels progrès, du moins pas encore, et une grande partie de la faute peut être attribuée à des méthodologies expérimentales adaptées. La nature perverse de la supply chain exige des méthodes appropriées, que nous explorons dans ce chapitre.

2.1 Les profils de la supply chain

Dans une supply chain, un profil est une entreprise fictive, conçue pour souligner ce qui mérite l'attention du point de vue de la supply chain. Cependant, le profil n'est pas idéalisé dans le sens où il simplifierait les défis de la supply chain. Au contraire, l'intention est de magnifier les aspects les plus difficiles de la situation, ceux qui résistent 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 chains, les études de cas - lorsqu'une ou plusieurs parties sont nommées - souffrent de graves conflits d'intérêts. Les entreprises, et les fournisseurs qui les soutiennent (logiciels, conseils), ont tout intérêt à présenter le résultat sous un jour favorable. En outre, les supply chains réelles souffrent ou bénéficient généralement de conditions accidentelles qui n'ont rien à voir avec la qualité de leur exécution. L’élaboration de profils pour la supply chain constitue donc la réponse méthodologique à ces questions.

Références:
  • Introduction à l'étude de la médecine expérimentale (version française originale), 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 vente au détail

Paris est une marque de mode européenne fictive qui gère un large réseau de vente au détail. La marque cible les femmes et se présente comme étant relativement abordable. Si la gamme de produits est relativement classique et sobre, le principal moteur de l'activité a toujours été la nouveauté. Plusieurs collections par an sont utilisées pour pousser des vagues de nouveaux produits. L'un des principaux défis consiste à proposer le bon produit, au bon moment, au bon prix et avec la bonne quantité de stock.

2.2 L’optimisation expérimentale

Loin de la perspective cartésienne naïve pour laquelle l'optimisation consisterait simplement à déployer un optimiseur pour une fonction de score donnée, la supply chain nécessite un processus itératif. Chaque itération permet d'identifier les décisions "insensées" qui doivent être examinées et corrigées. La cause première est souvent l'existence de moteurs économiques inadaptés, qui doivent être réévalués en fonction de leurs conséquences accidentelles. Les itérations changent de nature lorsque les recettes numériques ne produisent plus de résultats insensés.

Références:
  • The Logic of Scientific Discovery, Karl Popper, 1934

2.3 La connaissance en négatif

Les antimodèles sont l’archétype des solutions qui semblent bonnes mais qui ne fonctionnent pas dans la pratique. L'étude systématique des anti-modèles a été lancée à la fin des années 1990 dans le domaine du génie logiciel. Lorsqu'ils sont applicables, les antimodèles sont supérieurs aux résultats négatifs bruts, car ils sont plus faciles à mémoriser et à raisonner. La perspective des antimodèles est de première importance pour la supply chain et devrait être considérée comme l'un des piliers de la connaissance en négatif.

Références:
  • AntiPatterns: Refactoring Software, Architectures, and Projects in Crisis. y William J. Brown, Raphael C. Malveau, Hays W. "Skip" McCormick, Thomas J. Mowbray, 1998
  • La liste des antimodèles de Lokad

2.4 Etudes de marché contradictoires

Les supply chains modernes dépendent d'une multitude de produits logiciels. Choisir les bons fournisseurs est une question de survie. Cependant, comme le nombre de fournisseurs est important, les entreprises ont besoin d'une approche systématique dans cette démarche. La pratique traditionnelle des études de marché part d'une bonne intention mais aboutit invariablement à de mauvais résultats, car les sociétés d'études de marché finissent par servir de façade marketing aux entreprises qu'elles sont censées analyser. L'espoir de voir émerger une société d'études impartiale est déplacé. Cependant, l'évaluation fournisseur-par-fournisseur est une méthodologie qui permet même à une société d'études de marché biaisée de produire des résultats impartiaux..

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

2.5 Rédiger pour la supply chain

Les supply chains exigent la coordination de grandes équipes.Les supports écrits sont donc primordiaux. Les supply chains modernes ne sont tout simplement pas compatibles avec la tradition orale. Pourtant, les praticiens de la supply chain s'en sortent souvent très mal en ce qui concerne leurs compétences en communication écrite. Passons en revue ce que les études de fonctionnalité et certains experts de renom ont démontré sur ces questions. En outre, les initiatives de la supply chain, exécutées par une approche d'optimisation expérimentale, doivent être soigneusement documentées. Les formules et le code source répondent aux questions "quoi" et "comment", mais pas au "pourquoi". La documentation doit permettre aux scientifiques de la supply chain de comprendre 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 (First Edition), William Strunk Jr, 1918
  • F-Shaped Pattern For Reading Web Content, Jakob Nielsen, 2006 (text)

3. Profils

Une série de profils de supply chains suivant la méthodologie déterminée dans le chapitre précédent.

3.1 Miami – un MRO d’aviation

Miami est un MRO (maintenance, réparation, révision) d'aviation fictif situé aux États-Unis et desservant une grande flotte d'avions commerciaux. Dans l'aviation, la sécurité est primordiale. Les pièces et les composants doivent être inspectés régulièrement et éventuellement réparés. Miami a pour mission de maintenir les avions en vol à tout moment, en évitant les incidents AOG (aircraft on ground), qui se produisent lorsqu'une pièce nécessaire à une opération de maintenance n’est pas disponible.

3.2 Amsterdam – marques de fromage

Amsterdam est une entreprise fictive de produits de grande consommation spécialisée dans la production de fromages, de crèmes et de beurres. Elle exploite un vaste portefeuille de marques dans plusieurs pays. De nombreux objectifs commerciaux contradictoires doivent être soigneusement équilibrés : qualité, prix, fraîcheur, gaspillage, diversité, proximité, etc. Par conception, la production de lait et les promotions au détail placent l'entreprise entre le marteau et l'enclume en termes d'offre et de demande.


3.3 Santa Clara – un commerce électronique d’accessoires

A venir.

3.4 Stuttgart - un distributeur de pièces détachées pour automobiles

A venir.

3.5 Geneva – un horloger de grand luxe

A venir.

4. Sciences auxiliaires

La maîtrise de la supply chain s'appuie fortement sur plusieurs autres domaines. Présenter la théorie de la supply chain comme un dérivé des mathématiques appliquées est fréquent mais malavisé. Ces cours accélérés sont destinés à fournir le contexte culturel nécessaire à une pratique réfléchie de la supply chain, qui ne peut et ne doit pas être réduite à une série de "modèles".

4.1 Les ordinateurs modernes

Les supply chains modernes ont besoin de moyens informatiques pour fonctionner, tout comme les tapis roulants motorisés ont besoin d'électricité. Pourtant, de nombreux systèmes de supply chains restent peu performants, alors que la puissance de traitement des ordinateurs a été multipliée par plus de 10 000 depuis 1990. La méconnaissance des caractéristiques fondamentales des ressources informatiques modernes - même dans les milieux de l'informatique ou de la science des données - explique en grande partie cet état de fait. La conception logicielle qui sous-tend les recettes numériques ne doit pas contrarier le substrat informatique sous-jacent.

4.2 Les algorithmes modernes

L'optimisation des supply chains repose sur la résolution de nombreux problèmes numériques. Les algorithmes sont des solutions numériques hautement codifiées qui visent à résoudre des problèmes de calcul précis. Une qualité supérieure d’algorithme signifie que des résultats supérieurs peuvent être obtenus avec de moindres ressources informatiques. En se concentrant sur les spécificités de la supply chain, les performances algorithmiques peuvent être considérablement améliorées, parfois de manière considérable. Les algorithmes de la supply chain doivent également tenir compte de la performance des ordinateurs modernes, qui a considérablement évolué au cours des dernières décennies.

Références (ouvrage):
  • Introduction to Algorithms, Thomas H. Cormen, Charles E. Leiserson, Ronald L. Rivest, and Clifford Stein, 2009

4.3 L’optimisation mathématique

L'optimisation mathématique est le processus consistant à minimiser une fonction mathématique. Presque toutes les techniques modernes d'apprentissage statistique - c'est-à-dire, si nous adoptons une perspective de supply chain - les prévisions reposent essentiellement sur l'optimisation numérique. De plus, une fois les prévisions établies, l'identification des décisions les plus rentables découle également fondamentalement de l'optimisation numérique. Nous utiliserons abondamment ces techniques dans les paragraphes qui suivent.

4.4 L’apprentissage statistique

Les problèmes de prévision auxquels se confronte la supply chain peuvent être considérés comme des problèmes d'apprentissage statistique de grande dimension. Ce domaine d'étude a connu des améliorations spectaculaires, qui restent largement incomprises dans les cercles des "data scientists". Nous allons parcourir ce domaine en résolvant trois paradoxes. Premièrement, nous devons faire des déclarations "probablement approximativement" correctes sur des données que nous ne possédons pas. Deuxièmement, nous devons nous attaquer à des problèmes où le nombre de variables dépasse largement le nombre d'observations. Troisièmement, la solution peut résider dans des modèles où le nombre de paramètres dépasse largement celui des variables ou des observations.

4.5 Economie quantitative

Les lois de l'économie sont loin d'être aussi robustes ou unifiées que leurs équivalentes dans le champ de la physique, néanmoins ces lois caractérisent profondément le paysage dans lequel les supply chains fonctionnent. Ces lois fournissent des connaissances préalables qui s'avèrent très utiles lors de la modélisation quantitative des supply chains. À l'inverse, elles permettent également de comprendre pourquoi certaines méthodes, bien que séduisantes sur le plan mathématique, ne sont pas adaptées aux supply chains.

4.6 Science et rationalité

L’existence de problèmes pervers engendre une réflexion approfondie sur ce que nous pouvons scientificiser. Une méthodologie rationnelle positive est nécessaire. Le formalisme strict qui sévit dans les milieux universitaires n'est rien d'autre qu'un rationalisme naïf. Une perspective "visionnaire" - répandue parmi les vendeurs de "solutions" - risque de n'être rien d'autre que des "discussions heureuses". Ces problèmes sont exacerbés par la nature des supply chains, où la reproduction des résultats s'avère très difficile. Pourtant, la supply chain n’est pas la première discipline à être confrontée à de tels problèmes. Voyons comment l'épistémologie traite le cas particulier de la connaissance des supply chains.

4.7 Environnements programmables et compilateurs

La majorité des supply chains sont encore gérées par feuilles de calcul (c'est-à-dire par Excel), alors que les systèmes d'entreprise sont en place depuis une, deux, parfois trois décennies afin de les remplacer. En effet, les feuilles de calcul offrent une expressivité programmatique accessible, alors que ces systèmes ne le font généralement pas. Plus généralement, depuis les années 1960, on assiste à un co-développement constant de l'industrie du logiciel dans son ensemble et de ses langages de programmation. Tout porte à croire que la prochaine étape de la performance de la supply chains sera largement déterminée par le développement et l'adoption de langages de programmation ou plutôt d'environnements programmables.

4.8 Génie logiciel

Maîtriser la complexité et le chaos sont les deux pierres angulaires du génie logiciel. Étant donné que les supply chains sont à la fois complexes et chaotiques, il n'est pas 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 sujettes aux mêmes problèmes. Ces problèmes s'intensifient avec la sophistication des solutions numériques. Une ingénierie logicielle appropriée est aux supply chains ce que l'asepsie est aux hôpitaux : en soi, elle ne fait rien - comme traiter les patients - mais sans elle, tout s'écroule.

4.9 Logiciels d’entreprise

Le paysage des applications d’entreprises modernes façonne de manière profonde et souvent contre-intuitive la façon dont les méthodes quantitatives peuvent être mises en œuvre, exploitées et maintenues. L'idée qu'une théorie de la supply chain puisse en quelque sorte être isolée des contingences économiques qui régissent les marchés des logiciels d'entreprise est erronée pour deux raisons. Tout d'abord, d'un point de vue académique, cela conduit à un gaspillage des efforts de recherche sur les supply chains car les problèmes ne sont pas abordés correctement. Deuxièmement, du point de vue des entreprises, qu'il s'agisse de l'acheteur ou du vendeur de logiciels, cela conduit à des technologies de supply chain mal conçues, qui n’apportent pas les résultats escomptés.

4.10 Structure de l’entreprise et incitations

Pour qu'une supply chain puisse être optimisée de manière significative, les intérêts de l'entreprise doivent prévaloir sur ceux des nombreuses personnes et parties impliquées dans l'exécution de la supply chain elle-même : employés, cadres, consultants, fournisseurs de logiciels, fournisseurs de matériel, etc. L'organisation elle-même conditionne dans une large mesure le degré d'optimisation qui peut être atteint en premier lieu. Inversement, l'organisation peut être repensée pour atteindre une performance supérieure de supply chain. Une fois encore, une théorie appropriée de la supply chain ne peut être isolée du substrat (humain) dans lequel les supply chains opèrent.

4.11 Sécurité informatique

La cybercriminalité est en hausse et les rançongiciels en plein essor. En raison de la nature matérielle de leur distribution, les supply chains sont particulièrement exposées. De plus, la complexité de leur environnement est un terrain fertile pour les problèmes de sécurité informatique. La sécurité informatique est contre-intuitive par nature, car c'est précisément l'angle adopté par les attaquants pour trouver et exploiter les brèches. Selon les variations des solutions numériques impliquées dans l'optimisation de la supply chain, le risque peut être augmenté ou diminué.

4.12 Théorie de l’information

La prévision transforme les données historiques, un type d'information, en données prévisionnelles, un autre type d'information. La "quantité d'information" des prévisions ne peut pas dépasser la "quantité d'information" des données d'origine : la logique de la prévision ne fait que transformer les données. La théorie de l'information fournit de profonds aperçus sur la nature de l'information elle-même. En particulier, l'entropie informationnelle s'avère être un outil de première importance pour évaluer la "profondeur" des données, qui peut être utilisée à des fins d'optimisation de la chaîne logistique.

4.13 Psychologie

A venir.

4.2 Blockchains

Les cryptomonnaies ont généré beaucoup d’attention. Des fortunes se sont constituées et des fortunes ont été perdues. Les ventes pyramidales étaient monnaie courante. Du point de vue des entreprises, la "blockchain" est l'euphémisme poli utilisé pour présenter des idées et des technologies similaires tout en établissant une distanciation avec ces crypto-monnaies. Il existe des cas d'utilisation de la supply chain pour la blockchain, mais les défis ne sont pas rares non plus.


5. Modélisation prédictive

Une anticipation quantitative correcte des événements futurs est au cœur de l'optimisation de toute supply chain. La pratique de la prévision par séries chronologiques est apparue au XXème siècle et a eu une énorme influence sur la plupart des grandes supply chains. La modélisation prédictive constitue à la fois le prolongement de la prévision par séries temporelles, mais aussi un changement conséquent par rapport à cette approche. Tout d'abord, elle s'attaque à un ensemble beaucoup plus diversifié de problèmes. Deuxièmement, en raison de la nature des problèmes de la supply chain, un paradigme programmatique est nécessaire. Troisièmement, l'incertitude étant généralement irréductible, les prévisions probabilistes sont également inévitables.

5.1 La programmation différentiable

La programmation différentiable (DP) est un paradigme " générateur " permettant de concevoir une très large classe de modèles statistiques qui s'avèrent parfaitement adaptés aux défis dans la prévision de la supply chain. La programmation différentiable est le prolongement du Deep Learning, mais elle s'en distingue par l'importance qu'elle accorde à la structure des problèmes d'apprentissage. La DP remplace la quasi-totalité de la littérature de prévision "classique" basée sur des modèles paramétriques. La DP est également supérieure aux algorithmes d'apprentissage automatique "classiques" – y compris ceux de la fin des années 2010 - dans pratiquement toutes les dimensions importantes pour une utilisation pratique de la supply chain, y compris en termes de facilité d'adoption par les praticiens.

5.1.1 Prévision de la demande pour Paris (sans cannibalisation)

Construisons notre premier modèle de prévision de la demande par programmation différentiable (DP) pour le profil de Paris, le réseau de distribution d’une marque de mode. Le cours est illustré par du code écrit en Envision, le DSL (domain specific programming language) développé par Lokad pour l'optimisation prédictive des supply chains. Comme nous n'avons pas encore formellement introduit le langage de programmation spécifique au domaine, certains aspects de cet exposé risquent de paraître un peu obscurs. Nous reviendrons sur ces aspects lors de la prochaine session, une fois que nous aurons couvert ce qu'est la DP.

5.1.2 Comprendre la programmation différentiable (DP)

La DP est un paradigme de programmation où le programme lui-même devient le modèle d'intérêt - que ce soit dans une perspective d'apprentissage ou d'optimisation. La DP réunit la différenciation automatique et la descente de gradient stochastique. Bien que le DP puisse sembler intimidant, l'approche est plus simple que la plupart des algorithmes d'apprentissage automatique. DP incarne le profond changement qui s'est opéré dans le domaine de l'apprentissage automatique, passant des "programmes" aux "paradigmes de programmation".

5.1.3 La DP, élément primordial pour Envision

Au cours des cinq dernières décennies, chaque paradigme de programmation critique a profondément remis en question les langages de programmation existants : la programmation orientée objet, le ramassage des déchets, les liaisons tardives, etc. La programmation orientée objet présente de sérieux défis pour les langages de programmation existants. Envision, développé par Lokad, considère la DP comme un élément primordial afin de tirer le meilleur parti de ce paradigme. Nous clarifions certains des aspects syntaxiques de la DP tels qu'ils sont implémentés dans Envision.

5.1.4 Intégration de connaissances structurelles préalables avec la DP

Jusqu'à la fin des années 1980, une partie de la communauté du Machine Learning a essayé - sans grand succès - d'intégrer des connaissances préalables dans des logiciels "intelligents" via des systèmes experts, au lieu d'extraire les connaissances des données elles-mêmes. Cependant, trois décennies plus tard, le deep learning a connu un succès considérable grâce aux couches convolutionnelles, qui représentent une approche intermédiaire de la connaissance préalable : l'expert fournit la "structure" de ce qui doit être appris à partir des données. Cette approche se révèle parfaitement adaptée aux supply chains, notamment en ce qui concerne l'efficacité des données et le whiteboxing.

5.1.5 Affinité client-produit pour Paris (vers la cannibalisation)

L'historique complet des transactions qui relient les clients et les produits offre une perspective beaucoup plus riche sur la demande par rapport à l'approche classique de séries chronologiques agrégées quotidiennes, hebdomadaires ou mensuelles. Cet historique se présente plutôt comme un graphique temporel bipartite entre les clients et les produits. En particulier, cette perspective aborde la question de longue date de la "source" de la demande avec une perspective plus satisfaisante. La DP banalise (presque) les techniques d'apprentissage de graphe telles que le filtrage collaboratif, tout en fournissant les bases pour exploiter ces résultats à de nombreuses fins de la supply chain telles que la planification, la tarification ou l'optimisation de l’agencement.

5.2 Prévisions probabilistes

Une prévision est dite probabiliste plutôt que déterministe si elle contient un ensemble de probabilités associées à tous les résultats futurs possibles, au lieu de désigner un résultat particulier comme "la" prévision. Les prévisions probabilistes sont importantes lorsque 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.

5.2.1 Prévisions déterministes et prévisions probabilistes

L'optimisation des supply chains repose sur une bonne anticipation des événements futurs. Numériquement, ces événements sont anticipés par 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 répandue est la prévision déterministe par séries chronologiques : une quantité mesurée dans le temps - par exemple, la demande en unités d'un produit - est projetée dans le futur. Toutefois, cette perspective écarte (presque) entièrement la notion d'incertitude, alors qu'elle est prise en compte par la prévision probabiliste.

5.2.2 La précision des prévisions probabilistes

Quoi qu'il arrive, une prévision probabiliste raisonnablement bien conçue indique qu'il y a bien une probabilité non nulle que le résultat se produise. Ceci est intrigant car, à première vue, on pourrait croire que les prévisions probabilistes sont en quelque sorte imperméables à la réalité, comme une diseuse de bonne aventure qui fait des déclarations prophétiques très ambiguës dont on ne pourra jamais prouver qu'elles sont fausses, car une explication ultérieure peut toujours être fournie pour interpréter la prophétie rétrospectivement. En réalité, il existe de multiples façons d'évaluer quantitativement la qualité d'une prévision probabiliste.

5.2.3 Réparations non programmées pour Miami

Les réparations non programmées de composants ont un impact important sur les coûts de maintenance des avions. Cependant, l'analyse de surface du problème est largement perturbée par le biais du survivant : l'historique des réparations des composants ne tient pas compte des réparations non programmées qui n'ont pas eu lieu - seulement celles qui ont effectivement eu lieu. Grâce à la DP, nous pouvons fournir un modèle à queue de distribution épaisse pour les réparations non programmées. En particulier, nous illustrerons que l'idée MTBUR (temps moyen entre les réparations non programmées) est une abstraction assez peu fiable, car beaucoup de ces distributions n'ont même pas de moyenne statistique bien définie.

5.2.4 L’algèbre de variables aléatoires

L'incertitude doit faire l’objet de plus qu'une simple estimation, les prévisions probabilistes ont besoin d'un outil dédié pour être d'une utilité pratique pour la supply chain. L’algèbre de variables aléatoires travaille généralement sur des fonctions de densité de probabilité explicites. L'algèbre supporte les opérations arithmétiques habituelles (addition, soustraction, multiplication, etc.) mais transposées à leurs contreparties probabilistes, traitant fréquemment les variables aléatoires comme statistiquement indépendantes. Ce cours est illustré par le type de données ranvar dans Envision, qui fournit une algèbre de variables aléatoires efficace et adaptée aux besoins de la supply chain.

5.3 Programmation probabiliste

A venir.

5.3.1 Prévision de la demande pour Miami

A venir.

5.3.2 Modèles générateurs

A venir.

5.3.3 Modèles d’espace en état d’innovation

A venir.

5.4 Interlude : repenser les prévisions

À ce stade, nous avons déjà présenté une courte série de méthodes de prévision, ou plutôt nous avons introduit un paradigme de programmation - la programmation différentiable - capable de les créer selon les besoins en épousant structurellement le contexte. Il est temps de prendre du recul et d'explorer les angles de prévision de la chaîne logistique au-delà des aspects techniques des solutions numériques elles-mêmes.

5.4.1 Le Whiteboxing

Toute solution numérique non triviale, en dehors des moyennes glissantes, devrait être "opaque par défaut" pour les praticiens de la supply chain. Pourtant, lorsqu'ils sont confrontés à l'opacité numérique, les praticiens de la supply chain devraient mettre leur veto sur les résultats qui ne sont pas dignes de confiance, et ils le font en pratique. Le whiteboxing, qui se présente comme la réponse à ce problème, est fondamentalement un tel processus, mais il peut toutefois être radicalement simplifié si l'infrastructure logicielle est correctement conçue.

5.4.2 Boucles de rétroaction

Les prévisions ne sont pas produites dans le vide, elles ont des conséquences sur la supply chain. Souvent, ces conséquences finissent par avoir un impact sur l'élément spécifique de la supply chain que les prévisions tentaient d'appréhender au départ. En pratique, ces boucles de rétroaction sont omniprésentes et pourtant, elles sont trop souvent ignorées. Certaines boucles de rétroaction ont des conséquences positives pour l'entreprise (par exemple, les effets de prophéties auto-réalisatrices sur les ventes), mais ce n'est pas le cas pour toutes (par exemple, les achats retardés jusqu'aux soldes). Dans tous les cas, la méthode de prévision doit tenter de prendre en compte ces effets.

5.4.3 Des sources de données au-delà des données transactionnelles

L'exploitation correcte des données transactionnelles présentes dans les systèmes de l'entreprise permet d'améliorer l'optimisation de la supply chain de manière surprenante. Cependant, ces données peuvent parfois être complétées par des sources de données "externes", la plus notable étant les données de veille concurrentielle. Certaines sources de données sont notoirement difficiles à exploiter à des fins de supply chain. Nous passons en revue les avantages et les inconvénients associés à ces sources de données.

5.4.4 La modification manuelle des prévisions (antimodèle)

En raison de la conception défectueuse de la couche logicielle, de nombreuses entreprises ont pris l'habitude d'appliquer systématiquement des modifications manuelles à leurs prévisions. Ces modifications manuelles nuisent à la supply chain parce qu'elles ne sont pas rentables : le temps investi pour identifier les corrections nécessaires et les appliquer mériterait de fait d'être utilisé pour corriger les formules numériques qui sont à la source des erreurs. Ainsi, pour éliminer les modifications manuelles, nous devons d'abord éliminer les causes profondes du problème.

6. Optimisation financière

Chaque jour, des milliers de décisions relatives à la supply chain (voire des millions dans les grandes entreprises) doivent être prises dans le cadre des opérations de routine de l'entreprise. Chaque décision implique des alternatives. L'objectif de l'optimisation de la supply chain est de choisir les options qui semblent les plus rentables tout en faisant face à des conditions futures incertaines. Ce processus présente deux défis clés que nous n'avons pas encore abordés : premièrement, l'évaluation quantitative de la rentabilité de toute décision, deuxièmement, le déploiement des formules d'optimisation numérique adaptées aux problèmes de la chaîne logistique.

6.1 Affectation des stocks par boutique pour Paris

Construisons notre premier modèle d'optimisation financière pour le réapprovisionnement des stocks en magasin pour le profil Paris, le réseau de distribution d'une marque de mode. Cet exposé est illustré par du code écrit en Envision, le DSL (domain specific programming language) développé par Lokad pour l'optimisation prédictive des supply chains. Nous présentons le schéma de priorisation économique et montrons comment ce schéma traite également les problèmes au niveau des entrepôts sans effort supplémentaire.

6.2 Décisions discrètes univariées

De nombreuses décisions relatives à la supply chain se présentent comme des problèmes discrets et univariés, comme lorsqu'il faut décider de la quantité à acheter, à déplacer, à transformer, à emballer, à mettre au rebut, ... pour une SKU (Unité de Gestion de Stocks) donnée gérée par l'entreprise. En raison de la fréquence et de la multiplicité de ces décisions, il est intéressant d'établir des outils polyvalents permettant de traiter non pas une instance particulière du problème, mais des familles entières de problèmes.

6.2.1 Les Zedfuncs

Dans Envision, le type de données "zedfunc" est un utilitaire algébrique qui offre la possibilité de travailler sur ‘toutes les décisions possibles‘ à la fois (cas univarié). C'est le pendant du type de données ranvar - introduit dans le chapitre précédent - qui offre la possibilité de travailler sur tous les futurs possibles. Associée à des techniques de hiérarchisation, l'algèbre zedfunc jette les bases d'une optimisation financière de part en part des supply chains.

6.2.2 Fonction de récompense du stock

La fonction de rémunération du stock peut être considérée comme un petit modèle mathématique permettant de combiner une prévision probabiliste de la demande avec trois moteurs économiques du stock (la marge brute, la pénalité pour rupture de stock et le coût de portage) afin d'évaluer le résultat financier anticipé pour chaque position du niveau de stock. La récompense du stock a été introduite par Lokad il y a quelques années comme une alternative supérieure aux méthodes naïves de notation qui étaient utilisées auparavant.

6.2.3 Fonction de récompense de l’action

La fonction de récompense de l'action est le successeur spirituel de la fonction de récompense du stock. Elle répond à de nombreuses limitations initiales de la fonction de récompense du stock, telles que les prévisions probabilistes non stationnaires de la demande, les délais probabilistes, la perspective sans regret, les pertes irrécupérables de la demande non satisfaite, etc. La récompense de l'action a également été introduite par Lokad afin de profiter des nouvelles capacités offertes par les modèles prédictifs de DP.

6.2.4 Les MOQ et autres contraintes

Malgré sa simplicité, le schéma de priorisation économique s'avère capable de traiter de nombreuses contraintes non linéaires courantes dans les chaînes d'approvisionnement. À première vue, on ne s'attendrait pas nécessairement à cela de la part d'un processus algorithmique glouton. Nous montrons comment de nombreuses contraintes courantes de type MOQ (Quantité Minimale de Commande) peuvent être traitées sans grande complication. Cela jette également une nouvelle lumière sur la nature même du problème de l'optimisation numérique dans la supply chain.

6.3 Les moteurs économiques

Les performances de la supply chain doivent être évaluées financièrement - et non par des pourcentages comme cela est couramment fait (comme la MAPE ou les niveaux de service). Optimiser des pourcentages est doublement néfaste : d'abord par l'illusion du progrès et ensuite par les bureaucraties qui émergent invariablement pour la soutenir. En revanche, l'évaluation financière est conçue pour être alignée sur les intérêts stratégiques de l'entreprise. En particulier, l'impact financier d'une décision doit être décomposé en ses moteurs économiques sous-jacents.

6.4 Programmation différentiable (2ème phase)

La programmation différentiable (DP) incarne la convergence entre les deux grands domaines que sont l'apprentissage statistique et l'optimisation numérique. Jusqu'à présent, ce paradigme de programmation a été appliqué aux problèmes d'apprentissage statistique, et nous allons maintenant voir comment il peut être appliqué aux problèmes d'optimisation numérique tels qu'on les trouve dans les supply chains.

6.4.1 La fin du pilotage par remise de prix sur les collections pour Paris

Construisons un modèle de pilotage par remise par le biais de la DP pour le profil Paris, le réseau de distribution d’une marque de mode. La conférence est illustrée par du code écrit en Envision. L'objectif est de tirer le meilleur parti du stock détenu par l'entreprise, tout en ajustant le niveau de remise pour assurer une liquidation en temps voulu avant la fin de la saison.

6.4.2 Tarification concurrentielle pour Stuttgart

Construisons une stratégie de tarification concurrentielle par le biais de la DP pour le profil Stuttgart, le distributeur de pièces automobiles. La conférence est illustrée par du code écrit en Envision. L'objectif est de mettre en œuvre une stratégie de tarification bien conduite face à des concurrents qui bénéficient également de données de veille concurrentielle.

6.5 Interlude : repenser l’optimisation

Nous avons présenté une courte série de techniques d'optimisation capables d'aborder des situations de supply chain très diverses. De la même manière que nous avons abordé la modélisation prédictive, l'optimisation est abordée via des paradigmes de programmation plutôt que des formules numériques spécifiques. Une fois encore, il est temps de prendre du recul et d'élargir notre horizon sur l'approche même de l'optimisation.

6.5.1 L’exécution automatisée

Traiter les experts comme des coprocesseurs humains de systèmes d'entreprise dysfonctionnels est un gaspillage. La pratique de la supply chain doit s'assurer que le temps des experts est rentabilisé, et non consommé. L'automatisation de bout en bout du processus qui génère les décisions est la clé de la mise en place d'une pratique rentable de supply chain. En effet, l'automatisation est la clé pour que les experts se concentrent sur l'amélioration continue des solutions numériques, par opposition à la lutte contre les nouveaux problèmes qui se déclarent.

6.5.2 Cultiver des options

Les options - achat, production, etc. - présentées à la recette d'optimisation numérique ne sont pas tombées du ciel : elles ont d'abord été conçues ou négociées. Ainsi, ces options peuvent être améliorées, indépendamment du processus d'optimisation qui se déroule par la suite. Si l'amélioration des options et celle de l'optimisation numérique sont complémentaires, la première a tendance à être négligée.

6.5.3 Une culture de la connaissance

Les données historiques obtenues par l'entreprise sont le résultat de ses décisions antérieures. Ces décisions façonnent ce qui peut être observé et ce qui ne pourra pas l'être. Expérimenter avec des options "risquées" est un mécanisme qui permet d'en savoir plus sur le marché, mais il y a un équilibre à trouver dans la quantité de risque à prendre. Ce problème est connu sous le nom de compromis entre l'exploration et l'exploitation et se trouve au cœur d'un domaine connu sous le nom d'apprentissage par le renforcement.

7. Infrastructure logicielle

La qualité de l’infrastructure logicielle des supply chains modernes est la clé de l’épanouissement ou de l’écroulement de celles-ci. Déléguer à l'informatique la compréhension de ce qui fait une bonne infrastructure logicielle est un moyen sûr de garantir des problèmes de production sans fin. L'introduction de recettes numériques non triviales, comme évoqué dans les chapitres précédents, amplifie le problème en raison de leur propre complexité interne. L'infrastructure logicielle elle-même doit être conçue avec des caractéristiques adaptées à l'optimisation de la chaîne logistique.

7.1 La propriété des recettes numériques

Des études occasionnelles des supply chains indiquent que le succès opérationnel des recettes numériques dépend fortement de l'existence d'un petit groupe de personnes au sein de l'organisation qui possède ces recettes. En pratique, il s'avère que l'infrastructure logicielle elle-même détermine dans une large mesure si l’on peut posséder les recettes numériques ou non. Cette perspective fournit un premier aperçu des propriétés souhaitables de l'infrastructure logicielle en ce qui concerne l'optimisation de la supply chain.

7.2 L’exactitude à la conception

Au XXIe siècle, nous prenons pour acquis la qualité du design pour pratiquement tous les objets de notre quotidien. Pourtant, lorsqu'il s'agit de logiciels, en particulier les logiciels "scientifiques" utilisés pour mettre en œuvre des solutions numériques, le manque de réflexion est stupéfiant. Fail fast and break things est peut-être l'état d'esprit approprié pour déployer une application de jeu, mais ce n'est certainement pas le bon état d'esprit pour les supply chains où l'échec a tendance à être extrêmement coûteux.

7.3 Mutualisation et miscibilité du matériel

L'optimisation de la supply chain diffère grandement de la gestion de la supply chain par ses besoins très irréguliers en ressources informatiques. Les paradigmes matériels et logiciels mis en place par les géants du cloud computing s'avèrent être d'une importance capitale pour les supply chains. La mutualisation du matériel met l'accent sur une allocation dynamique des ressources. La miscibilité du matériel met l'accent sur une perspective où un type de ressources peut être échangé contre un autre.

7.4 Un système intégré pour de meilleures applications de prévisions

Les conceptions par couches multiples superposées sont un poison pour les logiciels modernes, nuisant à presque tous les aspects essentiels de leur activité : fiabilité, performances de calcul, productivité et performances commerciales. Le problème est amplifié pour la supply chain, en raison de la complexité générale tant au niveau du matériel que du logiciel. Pire, plus les recettes numériques sont sophistiquées, plus le nombre de couches qu'elles comportent est élevé. La déstratification des couches via une intégration centrale s'avère être la solution dont les supply chains ont besoin.

7.5 Le relationnel d'abord pour préparer, apprendre et optimiser

La quasi-totalité des données de la supply chain sont des données relationnelles hautement structurées. Ainsi, sans surprise, une "bonne" infrastructure logicielle est celle qui adopte une perspective relationnelle pour le traitement des données. Le paradigme du "cadre de données" est un pas important dans cette direction. Cependant, ce paradigme peut et doit être étendu au-delà du cas de la table unique pour supporter la plupart des situations de supply chains. En outre, l'approche relationnelle doit également imprégner les aspects d'apprentissage statistique et d'optimisation numérique de l'infrastructure logicielle.

7.6 Maintenabilité approfondie

La maintenabilité des logiciels est une question de survie pour les supply chains. Pourtant, les universitaires comme les consultants sont structurellement incités à ignorer complètement le problème. Même les fournisseurs de logiciels d'entreprise peuvent être encouragés à passer outre cet élément selon la façon dont leur structure de prix est établie. Malheureusement, du point de vue de la conception, la maintenabilité ne peut pas être une réflexion après coup. Une série de principes de conception améliorent considérablement la maintenabilité de l'infrastructure logicielle.

7.7 Sécurité approfondie

Le déploiement de rançongiciels en entreprise est en augmentation et un examen des causes profondes laisse voir qu’il y a peu de raisons de croire que ce problème disparaîtra au cours des deux prochaines décennies. L'optimisation de la supply chain présente des défis uniques en ce qui concerne ses exigences en matière d'expressivité programmatique. En particulier, l'urgence fréquemment associée aux corrections quotidiennes des recettes numériques telles qu'on les trouve dans la supply chain n'est pas compatible avec les pratiques habituelles adoptées par l'industrie du logiciel pour assurer la sécurité d’un logiciel. Une fois de plus, les solutions doivent être trouvées dans une conception sécurisée de l'infrastructure logicielle elle-même.

8. Exécution tactique

Une initiative qui vise à améliorer les performances de la supply chain grâce à des recettes numériques améliorées peut, si elle réussit, modifier profondément la supply chain elle-même. Cette perspective s'accompagne de deux mises en garde majeures. Premièrement, les recettes numériques doivent être conçues de manière à faciliter le processus, ce qui est plus compliqué qu'il n'y paraît. Deuxièmement, l’introduction de recettes numériques remodèle les recettes elles-mêmes, ce qui est assez contre-intuitif à première vue.

8.1 Etablir un champ d’application

La portée d'une initiative doit être rattachée à une décision de routine banale. Se concentrer sur des artefacts numériques intermédiaires tels que les prévisions est fréquent mais peu judicieux. En outre, la malédiction de la supply chain est que les solutions locales déplacent les problèmes au lieu de les résoudre. Cependant, un champ d'application trop vaste peut également nuire au processus. La portée de l’application doit être conçue en prêtant attention aux compromis impliqués.

8.2 Les participants et leur rôle

Bien que les entreprises modernes soient incroyablement diverses, il existe des points communs organisationnels qui sont quasi omniprésents, comme la présence d'un département informatique sous une forme ou une autre. Les rôles typiques de l'initiative sont le coordinateur, le responsable des données, le responsable de la supply chain et le Supply Chain Scientist.

8.3 Chronologie typique d’une initiative

En supposant qu'une infrastructure logicielle adéquate soit disponible, le calendrier d'une Supply Chain Quantitative n'a pas grand-chose à voir avec la technologie : le facteur humain devient le goulot d'étranglement à chaque étape - ce qui est tout à fait normal. Une organisation complexe ne peut subir qu'un nombre limité de changements en un court laps de temps tout en maîtrisant les risques. Une infrastructure logicielle inadéquate fait généralement dérailler le calendrier en raison de l'introduction accidentelle de complexité.

8.4 Préparation des données

A venir.

8.4.1 Mise en place du pipeline de données

La nouveauté des données est d'une importance capitale car les données périmées découragent les praticiens de la supply chain. C'est pourquoi un pipeline de données est nécessaire, au-delà d’une simple extraction de données, même si l'initiative est modeste. Le pipeline de données doit refléter les données de production (y compris les anomalies) et ne pas tenter de "corriger" les données. C'est aussi l'occasion d'effectuer un premier tour de qualification des données en se concentrant sur leur sémantique.

8.4.2 Santé des données de bas niveau et de haut niveau

La notion de "santé des données" cherche à déterminer si les données peuvent être exploitées à des fins de supply chain. Cette approche s'écarte considérablement de la perspective traditionnellement associée au "nettoyage des données" et à la "préparation des données". La santé des données de bas niveau se concentre sur la capture des problèmes à caractère informatique, généralement causés par des problèmes survenant aux frontières du système. Les données de haut niveau se concentrent sur la capture des problèmes liés à l'entreprise, généralement causés par un décalage entre la réalité de l'entreprise et sa contrepartie numérique dans les systèmes.

8.4.3 Inspecteurs des données

Une correspondance stricte doit être établie entre ce qui est vu dans les systèmes de gestion d'évaluation (ERP, MRP, WMS, etc.) et ce qui est vu dans le système d'optimisation prédictive. En outre, les informations doivent être consolidées en unités significatives - appelées "inspecteurs" - qui fournissent une vue consolidée des éléments principaux au sein de la supply chain (par exemple, les produits, les emplacements, les clients), etc.

8.5 Déploiement de la production

Fail fast and break things n'est pas l'état d'esprit approprié pour faire évoluer le système d'optimisation des prévisions vers la production au sein de la supply chain. Pire encore, les processus en cascade sont risqués dans la pratique, tout en donnant l'impression que les risques sont sous contrôle. Réduire les risques associés à la mise en production est avant tout une question de processus adéquat soutenu par les bons outils.

8.6 La routine quotidienne

La journée d'un planificateur "classique" de l'offre et de la demande comprend principalement des tâches administratives qui sont entièrement automatisées grâce à une conception délibérée des recettes numériques, comme le préconise la supply chain quantitative. Cependant, alors qu’une plus grande automatisation réduit considérablement les besoins bruts en jours-hommes pour faire fonctionner une supply chain donnée, il existe des catégories d'opérations qui échapperont à l'automatisation, du moins pour les prochaines décennies.

9. Exécution stratégique

La supply chain, à la fois comme pratique et comme domaine d'étude, vise à être un catalyseur et un avantage concurrentiel pour l'entreprise dans son ensemble. Du point de vue de la direction générale, deux aspects dominent : faire de la supply chain un actif rentable et trouver des moyens plus performants pour mener à bien l'activité. Dans la pratique, les résultats se résument le plus souvent au choix des bons acteurs de l'équipe.

9.1 Embauche d'un directeur de la supply chain

Le responsable de la supply chain a une mission : rendre la supply chain aussi rentable que possible pour l'ensemble de l'entreprise. Premièrement, cette personne doit mettre fin aux pratiques de lutte contre le feu, s'il y en a, car elles empêchent les améliorations capitalistiques d'avoir lieu. Deuxièmement, cette personne doit être capable de recruter une excellente équipe, ce qui revient généralement à montrer l'exemple.

9.2 Embaucher et former une équipe

Les pôles de la supply chain devraient recruter des personnes ingénieuses et capables de faire avancer les choses. La supply chain est en concurrence avec le marché dans son ensemble pour ces profils. Les sociétés de conseil en gestion et les entreprises de logiciels ont fait leurs preuves depuis plusieurs décennies en se démarquant du reste du marché en ce qui concerne ces profils. Cela devrait vous inciter à vous méfier des personnes très "intelligentes" (docteurs, scientifiques des données) qui se trouvent être encore disponibles et qui postulent à vos postes.

9.3 Coopération entre l'informatique et la supply chain

La supply chain doit prendre en main ses pratiques logicielles. Cette approche (re)définit profondément la relation entre l'informatique et la supply chain. L'informatique reste présente pour soutenir l'infrastructure logicielle de base et fournir tout l'encadrement nécessaire lorsqu'une expertise au niveau du système est requise.

9.4 Au-delà du S&OP

Le S&OP (planification des ventes et des opérations) a raison de mettre l'accent sur l'alignement de l'entreprise de bout en bout pour bien servir le marché. Toutefois, ses pratiques - généralement axées sur les réunions - sont dépassées. Les capacités des logiciels modernes vous permettent de repenser en profondeur la façon dont la synchronisation peut être réalisée de manière plus rentable. Une simple mise à niveau du S&OP via des outils logiciels n'apporte qu'une fraction des avantages qui peuvent être obtenus par une refonte plus radicale de la pratique.

10. La connaissance en négatif

En règle générale, les connaissances négatives - les idées qui ne fonctionnent pas - sont plus stables que les connaissances positives. Si elles ont jusqu'ici échoué à répétition, il y a de fortes chances qu'elles continuent à échouer indéfiniment. Les connaissances négatives sont très précieuses pour la supply chain, précisément parce qu'elles sont plus fiables que leurs homologues positives.

10.1 Une mauvaise exécution

De nombreuses initiatives en matière de supply chain échouent en raison d'aspects assez banals dans leur exécution quotidienne. Dans ces situations de "mort à petit feu", le personnel et sa direction passent la plupart de leur temps et de leur énergie à éteindre les incendies, tout en restant aveugles à leurs causes profondes.

10.1.1 Des classiques toxiques

Les niveaux de service, les stocks de sécurité, l’analyse ABC, la formule EOQ – entre autres classiques d’antan – sont à la fois très répandues et largement dysfonctionnelles dans un contexte réel. Ces recettes numériques classiques ont toutes en commun l'idée d'être fondées sur des supply chains idéalisées, qui en réalité ne ressemblent guère aux supply chains réelles.

10.1.2 UX et workflow obscurs

Les alertes et les exceptions sont omniprésentes dans les logiciels de supply chain, et pourtant, ces schémas d'UX (expérience utilisateur) conduisent systématiquement à une faible productivité et à la quasi-impossibilité d'améliorer la supply chain en continu. Plus généralement, de nombreux workflows donnent l'apparence de la "rationalité" parce qu'ils sont entièrement " spécialisés ", mais ils ne sont rien d'autre que des bureaucraties réifiées.

10.1.3 Des logiciels en porcelaine

Chaque fois qu'un logiciel présente un "bug" quelque part dans le paysage de la chaîne logistique, les opérations sont perturbées, les équipes cessent de travailler à l'amélioration continue pour passer à la lutte contre les incendies. L'élimination de ces problèmes devrait être une priorité absolue. Pourtant, les approches les plus courantes sont mal ciblées et finissent par aboutir à l'inverse.

10.2 Un mauvais leadership

Comme pour presque tous les problèmes d'entreprise, la cause profonde réside en fin de compte dans une mauvaise gestion supérieure. Pourtant, la devise "work smarter, work harder" est moins qu'utile dans la pratique. Néanmoins, un certain nombre de mauvaises pratiques sont devenues extrêmement populaires, principalement parce qu'elles jouent sur la peur, l'incertitude et les doutes qui assaillent les personnes situées plus haut dans la hiérarchie.

10.2.1 De l'indécision et de l'ignorance aux appels d'offres et aux prototypes

Les responsables de la supply chain peuvent manquer de profondeur dans leur vision de ce que devrait être leur propre supply chain. Cette profondeur fait généralement défaut sur deux plans : le plan technique et le plan commercial. Sur le plan technique, un manque de compréhension mécanique conduit à des problèmes de logiciels. Sur le plan commercial, un manque d'acuité conduit à une supply chain bloquée dans un rôle de soutien, au mieux. L'indécision et l'ignorance se manifestent par des appels d'offre et des prototypes mal structurés.

10.2.2 Le jugement de Salomon inversé

Le jugement de Salomon porte, entre autres, sur le fait de garder ensemble ce qui n'était pas censé être divisé au départ. Pourtant, l'approche "diviser pour mieux régner" est largement utilisée par les grandes entreprises pour fragmenter les décisions et les répartir entre de nombreux groupes. Cette fragmentation est alimentée par une mauvaise compréhension des avantages de la spécialisation, et détruit également de nombreuses mesures incitatives sur son passage.

10.2.3 Offrandes sacrificielles aux dieux de la prévision

Pendant des centaines d'années, les généraux de la Rome antique ont sondé l'avenir par le biais des augures et des haruspices. Plus récemment, les hommes politiques se sont tournés vers la lecture des cartes, qui se pratique plus facilement en intérieur. Cependant, la cartomancie manquant toujours de précision, certains dirigeants d'entreprise ont modernisé l'ensemble de l'affaire, qui est peut-être en train de prendre le nom de S&OP.

10.3 Une pseudo-science

Les pseudo-sciences font des ravages dans les sphères de la supply chain. En effet, les personnes confrontées à des problèmes difficiles sont des proies reltivement plus faciles pour les charlatans, ayant plus de mal à démasquer ces derniers. De plus, même lorsque la fraude est exposée, un peu de mauvaise foi permet de détourner toute critique.

10.3.1 Des théories simplistes qui suggèrent une sophistication

Les problèmes de la supply chain sont à la fois incroyablement variés et techniques. C'est pourquoi tous les dix ans environ émerge une théorie qui propose une simplification radicale. Ces théories doivent être juste "assez complexes" pour ne pas être manifestement simplistes, mais suffisamment simples pour être facilement adoptées car elles ne demandent que des efforts minimes de la part des praticiens de la chaîne logistique. C'est dans ce contexte que nous aborderons le DDMRP et le flowcasting.

10.3.2 Théories obscures pour se sentir initié

À l'inverse, tous les dix ans environ, une théorie ou une tendance de la supply chain émerge et va dans la direction exactement opposée à celle indiquée dans la conférence précédente. Comme les problèmes de la supply chain semblent opaques, il n'est pas déraisonnable de s'attendre à ce que la solution le soit également. En jouant la fameuse carte de la "peur de manquer quelque chose" (FOMO), les acteurs s'imposent dans les cercles de la supply chain en promettant une initiation. Trois exemples récents notables sont l'IA, la blockchain et la détection de la demande.