Facteurs Economiques

Du point de vue de la Supply Chain Quantitative, les facteurs économiques représentent la quantification financière des résultats positifs et négatifs d’une décision supply chain. Les facteurs économiques transforment les défis de l’optimisation de la supply chain en problèmes d’optimisation traçables, où la métrique d’optimisation est financière. Grâce à la quantification des facteurs économiques, il devient possible d’évaluer les dollars d’erreur associés à des décisions imparfaites, initialement basées sur des données imparfaites telles que les prévisions de la demande. Ces facteurs économiques sont présentés comme un contrepoids aux métriques agnostiques d’entreprise qui restent largement utilisées, telles que le MAPE (mean absolute percentage error). Ces métriques agnostiques d’entreprise sont fréquemment néfastes, car elles “habillent” les problèmes de supply chain comme des problèmes d’optimisation numérique, tout en reposant sur un critère d’optimisation largement arbitraire.

Les prévisions statistiques sont à un seul œil

Les outils et méthodes de prévision de la demande ont un objectif clair : calculer des prévisions plus précises. Les prévisions sont considérées comme précises, selon diverses métriques reconnues et sélectionnées pour leurs propriétés mathématiques et statistiques. Bien que ces métriques puissent être excellentes d’un point de vue mathématique, elles sont fondamentalement agnostiques au domaine et ignorent, par conception, tout facteur ou toute contrainte spécifique à l’entreprise.

Bien qu’il puisse sembler contre-intuitif, les prévisions statistiques sont fondamentalement guidées par la métrique d’erreur choisie. Choisir le MSE (mean square error) plutôt que le MAE (mean absolute error) a des conséquences drastiques sur la précision d’un modèle donné. À première vue, il pourrait sembler que la métrique d’erreur ait peu d’impact. Après tout, un modèle de prévision produit la même prévision de demande, quelle que soit la métrique utilisée par la suite pour évaluer son résultat. Cependant, toute entreprise qui se fie aux prévisions statistiques est supposée faire des choix – souvent implicites – quant aux modèles de prévision utilisés ; et dès que des mesures de précision sont introduites, l’entreprise commence à privilégier les modèles qui se comportent mieux par rapport aux métriques susmentionnées.

Les métriques statistiques génériques (ex : MAPE, MAE, MSE, etc.) n’ont aucune affinité avec l’entreprise. Simplement dit, ces métriques mettent l’accent sur les pourcentages d’erreur plutôt que sur les dollars d’erreur. Bien que minimiser les pourcentages d’erreur puisse être une bonne chose, il existe malheureusement trop d’exemples contraires à cela. Les métriques statistiques ne garantissent en rien que le résultat financier d’une décision dérivée d’une prévision sera optimal, voire rentable. Parfois, les facteurs économiques se révèlent être seulement faiblement corrélés aux métriques statistiques génériques, mais cela arrive par “hasard”, et se fier au hasard n’est pas une méthodologie appropriée pour l’optimisation de la supply chain. En pratique, ce problème est généralement amplifié par la nature contre-intuitive de la plupart des situations où les métriques purement statistiques divergent des métriques de performance de l’entreprise.

Exemple : Considérons un produit vendu dans un magasin avec en moyenne seulement 1 unité vendue par semaine, avec un délai d’approvisionnement d'1 jour (réapprovisionnement quotidien). La meilleure prévision médiane de la demande pour ce produit pour n’importe quel jour est de zéro unité. Une prévision moyenne aurait pu produire une quantité fractionnaire de 1/7, mais la prévision médiane indique simplement zéro. Bien que la demande sur 1 jour à couvrir soit très proche de zéro, le stock réel à détenir pour bien servir les clients est probablement bien plus élevé ; 2 ou 3 unités sont susceptibles d’être requises afin de répondre aux attentes des clients en termes de qualité de service. Le problème ici n’est pas que la prévision soit inexacte, car si la demande est stationnaire et véritablement aléatoire, alors les prévisions que nous venons de mentionner sont parfaitement exactes, d’un point de vue statistique. Le problème, c’est que les facteurs spécifiques à l’entreprise ont été ignorés.

Découpler la prévision de l’optimisation de la supply chain

Les facteurs économiques représentent une décomposition spécifique des défis de l’optimisation de la supply chain, où les aspects spécifiques à l’entreprise – c’est-à-dire les facteurs économiques – sont dissociés des aspects agnostiques à l’entreprise – c’est-à-dire des prévisions purement statistiques. Dans cette section, nous passons brièvement en revue les avantages de cette décomposition ainsi que ses limitations.

En ce qui concerne l’optimisation numérique, il existe un principe général qui stipule qu’il est toujours préférable d’optimiser le problème dans son ensemble, plutôt que d’optimiser des parties du problème isolément. Cependant, ce point ne reste vrai que tant que l’approche monolithique du défi d’optimisation demeure techniquement faisable. Pourtant, la plupart de la littérature sur la supply chain – y compris ce livre – s’accorde sur le fait que la prévision de la demande est une tâche complexe qui combine statistique, algorithmes, ingénierie logicielle, et possiblement informatique distribuée lorsqu’une plateforme de cloud computing est impliquée. Ainsi, isoler l’aspect de la prévision de la demande du défi offre la possibilité de fournir des prévisions de demande avancées, sans alourdir la technologie avec une myriade de considérations spécifiques au domaine.

De même, un avantage similaire est obtenu en isolant la logique d’optimisation de la supply chain de la logique de prévision de la demande, car l’optimisation de la supply chain reste “protégée” des complexités techniques impliquées dans la prévision de la demande. Cela permet d’approfondir beaucoup plus les détails fins des facteurs économiques : plafonds d’espace de stockage, remises sur prix, coûts variables de rupture de stock, coûts variables d’obsolescence, etc. Une compréhension plus détaillée des facteurs économiques génère de meilleures décisions, qui sont plus étroitement alignées avec les risques et opportunités d’une entreprise.

Exemple : Considérons une entreprise qui dispose de deux entrepôts et fournit exactement les mêmes pièces depuis les deux entrepôts. Les deux entrepôts sont situés à proximité, mais par habitude, tous les clients ont tendance à toujours commander les pièces dont ils ont besoin depuis le même entrepôt. Lorsqu’une pièce n’est plus disponible dans cet entrepôt spécifique, le personnel de l’entrepôt appelle l’autre entrepôt pour vérifier la disponibilité de la pièce, et si la pièce y est disponible, elle est alors expédiée vers l’entrepôt en rupture de stock.

Un cas en faveur des prévisions probabilistes

Comme nous l’avons vu dans la section précédente, séparer la prévision de la demande de l’optimisation de l’entreprise offre la possibilité d’exécuter une stratégie d’optimisation de la supply chain qui exploite à la fois des analyses de prévision avancées et une vision détaillée de l’entreprise elle-même. Cependant, il faut noter que lors de la production des prévisions de la demande, le moteur de prévision ne connaît rien des facteurs spécifiques à l’entreprise qui sont pertinents du point de vue de l’optimisation de la supply chain. Néanmoins, les scénarios commerciaux ayant le plus d’impact financier sont généralement les scénarios extrêmes – “extrêmes” d’un point de vue statistique. Par exemple, c’est la demande exceptionnellement élevée qui cause habituellement des ruptures de stock, tandis que c’est la demande exceptionnellement faible qui provoque généralement la radiation des stocks.

Les outils de prévision classiques mettent un fort accent sur les prévisions moyennes ou médianes ; cela passe complètement à côté du problème d’un point de vue commercial. Peu importe la précision de ce type de prévision, si le scénario commercial d’intérêt se situe à l’extrême statistique, alors l’outil de prévision échouera à fournir la projection statistique pertinente pour évaluer quantitativement le résultat financier probable du scénario commercial. En revanche, les outils de prévision probabilistes évaluent les probabilités respectives pour tous les niveaux de demande possibles, ce qui offre à son tour la possibilité d’évaluer tous les scénarios commerciaux possibles.

Sans surprise, les prévisions probabilistes requièrent beaucoup plus de ressources informatiques que leurs homologues classiques à valeur unique, car, d’une certaine manière, les prévisions probabilistes “bruteforcent” le défi de la prévision. Puisque le moteur de prévision ne connaît pas les scénarios commerciaux pertinents à prendre en compte, il produit simplement une réponse statistique exhaustive qui couvre (approximativement) tous les scénarios possibles. En pratique, grâce à la possibilité d’accéder à d’immenses ressources informatiques à très bas prix via des plateformes de cloud computing, les exigences informatiques accrues nécessaires pour générer des prévisions probabilistes ne posent généralement pas de problème, à condition que la bonne technologie soit disponible.

Un bref aperçu des facteurs économiques courants

Les facteurs économiques définissent les résultats positifs et négatifs d’une décision supply chain. Le calcul de ces résultats nécessite l’observation effective de la demande encore à observer, mais si une prévision de demande est disponible, les résultats peuvent être simulés par la suite. Les facteurs économiques visent à couvrir toutes les ramifications commerciales découlant d’une décision, et non simplement les résultats financiers à court terme. En pratique, établir les facteurs économiques revient fréquemment à effectuer des calculs sommaires qui prennent en considération divers scénarios commerciaux.

L’une des décisions supply chain les plus courantes consiste à commander une unité supplémentaire pour un article. S’il y a une demande immédiate pour l’unité commandée, l’entreprise la traite à profit. Cela représente le gain associé à la décision de commande. S’il n’y a pas de demande immédiate pour l’article, l’entreprise devra supporter les coûts de stockage liés au stockage de cette unité supplémentaire. Cela représente le coût associé à la décision de commande. Établir les facteurs économiques pour une décision de commande consiste à noter à la fois les gains résultants et les coûts engendrés par la décision pour un scénario de demande donné.

Outre les gains et les coûts, les contraintes définissent également l’éventail des décisions supply chain acceptables:

Capacité de stockage : Les magasins et entrepôts disposent de capacités maximales, empêchant toute commande supplémentaire qui dépasserait une certaine quantité de stocks.
MOQs : Les fournisseurs n’acceptent que les commandes dépassant des quantités minimales de commande - exprimées, par exemple, en nombre d’unités ou en montant commandé. Ces MOQs peuvent également être interprétées et modélisées comme des coûts fixes sur les bons de commande des fournisseurs.
Coûts en capital : L’entreprise a un accès limité à la liquidité, et doit donc plafonner son allocation de capital pour les stocks. Obtenir davantage de capital peut être très chronophage pour la direction de l’entreprise, et peut également ne pas être en phase avec ses orientations stratégiques.
Capacité de transport : Lors de l’importation de marchandises de l’étranger, les commandes doivent être correctement dimensionnées afin de s’insérer exactement dans un conteneur. Les conteneurs ont à la fois un poids maximum et un volume maximum. Ceux-ci peuvent également être interprétés comme une forme de coût fixe sur les bons de commande.

Les facteurs économiques doivent tenir compte de toutes les contraintes mentionnées ci-dessus, et de bien d’autres en pratique. Si les contraintes ne sont pas prises en considération, alors le système qui combine les prévisions de la demande avec les facteurs économiques suggérerait très probablement des décisions qui ne pourraient pas être réalisées en réalité, comme tenter de remplir un entrepôt au-delà de sa capacité de stockage.

La perspective de Lokad sur les facteurs économiques

Lokad fournit un moteur de prévision probabiliste. Bien que les données doivent être correctement qualifiées et nettoyées avant d’être injectées dans le moteur de prévision, notre moteur permet ensuite d’automatiser l’opération de prévision statistique dans son intégralité, sans aucune configuration statistique. Le moteur de prévision de Lokad fonctionne immédiatement pour de nombreux secteurs (commerce, fabrication, aéronautique …).

Les facteurs économiques sont pourtant incroyablement diversifiés. Afin de gérer une telle diversité, Lokad a introduit Envision, un langage de programmation spécifique au domaine, dédié à l’optimisation de la supply chain. Le résultat visible d’Envision consiste à produire des dashboards, cependant, la fonction principale d’Envision est d’intégrer les facteurs économiques dans les prévisions via des scripts afin que des décisions optimisées – par exemple, les quantités à commander aujourd’hui – puissent être calculées automatiquement.

La combinaison adéquate des facteurs économiques et des prévisions probabilistes requiert des politiques capables de tirer parti de ces données. Par exemple, la politique de commande priorisée est particulièrement adaptée pour fournir des quantités à commander qui équilibrent parfaitement les risques de stocks commerciaux avec les prévisions de la demande.

En pratique, l’examen et la formalisation des facteurs économiques, la combinaison de ces facteurs avec les prévisions probabilistes, la qualification et la purification des données historiques, ainsi que la génération de décisions optimisées correspondant à l’ensemble exact des contraintes commerciales applicables ; toutes ces tâches sont effectuées par l’équipe de Lokad via un abonnement mensuel à un service d’optimisation de stocks.