FAQ: Glossaire

L’approche de Lokad pour optimiser les décisions supply chain s’appuie sur plusieurs perspectives et outils issus de différents domaines, et pas uniquement sur la supply chain elle-même. Ceux-ci incluent, entre autres, machine learning (ML), intelligence artificielle (AI), prévisions probabilistes, philosophie et économie. En conséquence, notre terminologie est influencée par une multitude de disciplines. Cette page vise à expliquer comment (et pourquoi) Lokad utilise ces termes dans le contexte de l’optimisation de la supply chain – ainsi que la nuance spécifique que nous souhaitons transmettre lorsque nous les employons.

Public visé: Les départements supply chain et/ou de planification.
Dernière modification: Mai 2024

Que signifie “Supply Chain” ?

Pour Lokad, la supply chain est à la fois une pratique et un domaine d’étude que l’on peut définir comme suit :

La supply chain est la maîtrise de l’optionalité face à la variabilité lors de la gestion du flux de biens physiques.

Optionalité désigne la capacité à choisir la bonne “option” parmi de nombreuses alternatives concurrentes. Cette “option” choisie devient la “décision”. Toutes les décisions qui influent sur le flux de biens physiques sont considérées, comme les commandes de réapprovisionnement, les ordres de production et les variations de prix. Par ailleurs, l’optionalité consiste d’abord à rendre ces options disponibles. Par exemple, investir des ressources pour identifier des fournisseurs alternatifs vise à créer de nouvelles options pour l’entreprise.

Variabilité désigne l’incertitude irréductible associée à l’état futur du marché, c’est-à-dire que les conditions peuvent fluctuer de manière significative d’un instant à l’autre. Cela s’explique par le fait que les supply chain sont, par conception, exposées à des forces que l’entreprise ne peut pas totalement contrôler. Ces forces incluent la demande client, les prix des matières premières, les délais de livraison des fournisseurs, etc. Ainsi, quelles que soient les méthodes ou les techniques utilisées pour la supply chain, elles doivent directement aborder le problème de la connaissance imparfaite et du risque inhérent aux supply chain.

Enfin, le flux de biens physiques est crucial et distingue la maîtrise de la supply chain de, par exemple, la négociation financière. Les supply chain sont, naturellement, contraintes par leur dimension physique – les parties prenantes (ex. : clients, fournisseurs, grossistes, transporteurs, producteurs, etc.) sont géographiquement dispersées. Quelles que soient les méthodes ou les outils employés pour connecter ces parties prenantes, ils doivent répondre de façon directe (et adéquate) aux nombreuses contraintes qui se dressent généralement sur le chemin. Parmi ces contraintes figurent le Minimal Order Quantity (MOQ), le Minimal Order Value (MOV), les chargements complets de camions, l’espace restreint en entrepôt et la capacité globale d’une entreprise à gérer les commandes entrantes/sortantes, etc.

Quelle est la « perspective supply chain classique »?

La perspective supply chain classique (MSCP), ou perspective supply chain classique, renvoie à plusieurs hypothèses erronées et pratiques auxquelles on est généralement confronté, notamment :

• MSCP part du principe que l’avenir est parfaitement connaissable. Des méthodes telles que la prévision des séries temporelles classiques tentent d’exprimer l’avenir par une valeur unique (ex. : demande, retours, taux de rebut, délais, etc.). Cela est erroné, car l’avenir est, par nature, inconnaissable (c’est-à-dire que l’incertitude future ne peut être totalement éliminée par la prévision). Ainsi, identifier une seule valeur future est sous-optimal du point de vue de la gestion des risques (puisque certaines dimensions de probabilité sont absentes).

• MSCP part du principe que la supply chain elle-même n’est pas sujette à des comportements antagonistes. À aucun moment le MSCP ne prend en compte que les parties prenantes (ex. : employés, clients, fournisseurs, partenaires, concurrents, etc.) peuvent avoir leurs propres agendas, lesquels peuvent impacter négativement leur supply chain.

• MSCP part du principe de l’observabilité. La réalité est que chaque grande entreprise fonctionne au moyen d’un paysage applicatif d’une opacité exaspérante (applications logicielles), rendant ainsi l’observation directe de la supply chain extrêmement difficile.

• MSCP ne présente pas de falsifiabilité. Elle est à l’abri de la réalité. Peu importe à quel point les techniques présentées dans les manuels grand public ou les argumentaires commerciaux se révèlent inefficaces en pratique, aucune d’entre elles ne peut être réfutée par le retour d’expérience réel.

Depuis 2024, la plupart des grandes entreprises ont mis en place plusieurs solutions d’optimisation de la supply chain depuis les années 1980, et pourtant beaucoup (voire la majorité) de ces entreprises utilisent encore des tableurs. C’est un autre aspect clé du MSCP : les éditeurs de logiciels sont devenus experts dans l’art de détourner les responsabilités, et ils reprochent invariablement aux praticiens de la supply chain de ne pas savoir « suivre le processus » ou « utiliser des paramètres adéquats ».

Cependant, la réalité est plus simple : la théorie du MSCP ne fonctionne pas, et les praticiens de la supply chain se rabattent sur leurs tableurs car, quelles que soient les heuristiques rudimentaires dont ils disposent, ces heuristiques (bien qu’imparfaites) surpassent les « méthodes sophistiquées » que l’on retrouve dans les manuels du MSCP.

C’est précisément pour cette raison que Lokad a entrepris une refondation de la supply chain en 2011, tant comme domaine d’étude que comme pratique. Nous appelons cette réforme la Supply Chain Quantitative.

Le MSCP est parfaitement illustré par une série de manuels classiques :

• Production and Operations Analysis, Seventh Edition, par Steven Nahmias et Tava Lennon Olsen, 2015
• Inventory and Production Management in Supply Chains, Fourth Edition, par Edward A. Silver, David F. Pyke, et Douglas J. Thomas, 2016
• Fundamentals of Supply Chain Theory, Second Edition, par Lawrence V. Snyder et Zuo-Jun Max Shen, 2019

Qu’est-ce que le Demand Planning ?

Du point de vue de la perspective supply chain classique, le Demand Planning est l’ensemble des processus utilisés par une entreprise pour quantifier la demande future. L’idée implicite qui sous-tend le Demand Planning est qu’une fois la demande future évaluée avec précision, une gestion adéquate de la supply chain relève principalement de l’allocation correcte et en temps voulu des ressources, afin que l’entreprise fournisse « juste ce qu’il faut » pour le marché.

Les processus de Demand Planning incluent des techniques rétrospectives, telles que l’analyse statistique des ventes historiques et la prévision des séries temporelles associées. Ils englobent également des approches prospectives, comme la collaboration avec les équipes commerciales et marketing pour ajuster les chiffres en fonction des objectifs fixés par l’entreprise.

Cependant, du point de vue de la Supply Chain Quantitative (QSC) de Lokad, le Demand Planning est un concept désuet qui n’a pas sa place dans la supply chain moderne. Au lieu de cela, la QSC affirme que l’exécution de la supply chain devrait être robotisée, guidée par des recettes numériques qui comportent typiquement une phase de modélisation prédictive, suivie d’une phase d’optimisation stochastique.

La phase de modélisation prédictive englobe tous les aspects de la “prévision”, non seulement en ce qui concerne la demande future, mais également toutes les autres sources d’incertitude (ex. : délais futurs, prix futurs des matières premières, retours clients futurs, etc.). La phase d’optimisation stochastique regroupe toutes les étapes de “prise de décision” (ex. : choisir les quantités à réapprovisionner, allouer les stocks disponibles via le réseau de vente, réajuster les prix) – un aspect traditionnellement séparé du Demand Planning.

Le Demand Planning est dépassé pour plusieurs raisons.

Premièrement, il suppose que des personnes doivent intervenir dans l’exécution de « l’évaluation quantitative du futur ». C’est une perte totale de temps et d’énergie. Les individus devraient certes participer à l’élaboration des recettes numériques qui soutiennent les modèles prédictifs (comme c’est le rôle des Supply Chain Scientists de Lokad). Cependant, les modèles prédictifs devraient fonctionner de manière entièrement autonome, car il n’y a aucune valeur ajoutée à ce que des personnes interfèrent manuellement dans un processus qui génère typiquement des milliers – voire des millions – de chiffres quotidiennement.

Deuxièmement, la “planification manuelle de la demande” étant déjà lente et coûteuse, les entreprises se retrouvent généralement sans ressources pour traiter toutes les autres sources d’incertitude (ex. : délais, retours, qualité, etc.). Bien que l’évaluation de la demande future soit cruciale, ce n’est pas la seule source d’incertitude. Les délais futurs, les prix futurs des matières premières, les prix futurs des concurrents, les retours futurs des clients, etc., constituent d’autres sources clés d’incertitude qui doivent être quantifiées.

En conclusion, le Demand Planning est une approche dépassée pour orchestrer les supply chain. Cette perspective est apparue avant l’avènement des ordinateurs et a perduré quelques décennies de trop. À ce stade, elle devrait être remplacée par des approches plus adaptées, telles que la perspective QSC de Lokad.

Qu’est-ce que la Qualité de Service ?

Dans le contexte de l’optimisation de la supply chain, la “qualité de service” (QoS) désigne la capacité de l’entreprise à satisfaire son client tout en répondant à ses attentes implicites. La QoS n’est ni un indicateur ni quelque chose de tangible : elle reflète l’intention de l’entreprise de servir ses clients de manière adéquate. La QoS est donc une notion directionnelle mais vague.

Tenter de découvrir les attentes implicites des clients est un problème vaste et multifacette. Interroger les clients est semé d’embûches. Ils peuvent poliment déclarer être entièrement satisfaits du service et continuer à fréquenter la concurrence. À l’inverse, certains peuvent se plaindre bruyamment tout en restant fidèlement loyaux.

De plus, la QoS n’est jamais un problème unidimensionnel. La cannibalisation et la substitution, ainsi que les différences de prix, obscurcissent généralement ce que “disponibilité” signifie réellement pour les clients. Souvent, des préoccupations spécifiques au domaine doivent également être prises en compte. Par exemple, bien qu’il reste de nombreux yaourts sur les étagères, les clients peuvent les juger inacceptables s’ils expirent tous dans trois jours.

En pratique, des indicateurs permettant d’approcher raisonnablement la QoS ne peuvent être identifiés qu’à travers une analyse minutieuse et intelligente de l’entreprise. Cela requiert une réflexion approfondie et de l’empathie envers les clients. Certaines méthodologies permettent d’identifier des indicateurs approximatifs de haute qualité, comme l’optimisation expérimentale – une approche pionnière de Lokad.

L’une des plus grandes erreurs de la perspective supply chain classique est de présenter les taux de service – c’est-à-dire la probabilité de ne pas être en rupture de stock – comme si ces taux constituaient un indicateur raisonnable de la QoS. Cela est presque toujours incorrect. Les taux de service ignorent complètement la cannibalisation et la substitution omniprésentes dans la plupart des secteurs. Ils négligent également la demande irrégulière, c’est-à-dire la situation où le client a besoin que de nombreux articles soient disponibles simultanément pour être satisfait (ex. : un professeur achetant des livres pour toute une classe, ou plusieurs interrupteurs identiques indispensables à un projet de rénovation). De plus, ils omettent la disposition du client à payer plus pour être servi plus rapidement, ou inversement à payer moins si le service est retardé.

En conclusion, la QoS est une perspective ambitieuse. Elle reflète ce que l’entreprise souhaite optimiser, même si les critères d’optimisation restent insaisissables face à un problème épineux. La QoS constitue le principe directionnel qui orientera la recherche d’indicateurs crédibles servant de proxys à cette ambition. Les taux de service, ainsi que d’autres indicateurs naïfs, ne doivent pas être confondus avec un indicateur raisonnable de la QoS.

Qu’est-ce qu’un “AI Pilot”?

Cela désigne l’automatisation générale de l’orchestration d’une supply chain grâce à l’IA. L’AI Pilot englobe les processus de prise de décision (ex. : combien devrais-je produire ?) ainsi que les processus de support routiniers (ex. : obtenir les MOQs actualisés pour un fournisseur donné). Lokad a inventé ce terme au début de 2024. L’AI Pilot, en tant que logiciel, est conçu par les Supply Chain Scientists de Lokad. Nous créons un pilot par entreprise cliente, bien qu’il existe de nombreuses similitudes entre nos implémentations. L’AI Pilot fonctionne sur la plateforme de Lokad, dotée de capacités de big data et de machine learning. L’AI Pilot est un service fourni par Lokad et facturé généralement sur une base mensuelle.

Pour en savoir plus sur le fonctionnement des AI Pilots, consultez notre podcast long format sur le sujet.

Que signifie « la Supply Chain Quantitative » ?

La « Supply Chain Quantitative » (QSC) est un ensemble de méthodologies et de technologies que Lokad a réunies durant les années 2010. Elle comprend une série de techniques telles que les prévisions probabilistes, l’optimisation stochastique et le differentiable programming, absentes de la perspective supply chain classique. Elle comporte également diverses méthodologies comme l’optimisation expérimentale, les personae de la supply chain et la recherche de marché antagoniste, qui sont aussi absentes de la perspective supply chain classique.

Le terme « la Supply Chain Quantitative » a été inventé en 2017 dans le livre du fondateur de Lokad, Joannes Vermorel, The Quantitative Supply Chain. Le manifeste de la QSC peut se résumer comme suit :

1. Tous les futurs possibles doivent être pris en compte ; une probabilité pour chaque possibilité
2. Toutes les décisions réalisables doivent être envisagées ; possibilités vs. probabilités
3. Les moteurs économiques doivent être utilisés pour prioriser les décisions réalisables
4. Garder le contrôle nécessite l’automatisation de chaque tâche banale
5. Un Supply Chain Scientist doit assumer la responsabilité des résultats numériques

La Supply Chain Quantitative peut être considérée comme le domaine d’étude qui regroupe tous les éléments nécessaires à la mise en œuvre pratique d’un AI Pilot pour une supply chain donnée.

Qu’est-ce que le “Supply Chain as a Service”?

De loin, Lokad peut être décrit comme une entreprise de logiciels d’entreprise. Toutefois, de près, Lokad est tout autre que ce que l’on pourrait attendre d’un fournisseur de logiciels. Lokad ne propose pas uniquement des décisions supply chain robotisées, mais assume également la performance de la supply chain résultant de ces décisions. Nos Supply Chain Scientists veillent en continu à surveiller et à affiner l’automatisation que nous avons mise en place pour chacun de nos clients. Ainsi, un abonnement à Lokad offre à nos clients une exécution plus profitable de leur supply chain.

Cette approche est très différente, par exemple, d’une offre SaaS (software as a service) dans laquelle l’entreprise cliente reste en dernier ressort responsable de tout ce qui importe. Avec le SaaS, le département IT est soulagé de la gestion d’une application supplémentaire, mais c’est à peu près tout. Si quelque chose tourne mal, comme une demande erratique, des approvisionnements chaotiques, des données incomplètes, etc., il incombe entièrement aux équipes de la supply chain de trouver une solution. En revanche, dans le cas du SCaaS, c’est au tour de Lokad de s’en occuper. Naturellement, en pratique, il s’agit d’un effort collaboratif entre Lokad et son client. Toutefois, Lokad s’engage à obtenir des résultats, et non pas simplement à maintenir les serveurs en fonctionnement.

Qu’est-ce qu’une “recette numérique” ?

Lokad automatise les processus de prise de décisions supply chain, et nous appelons communément les morceaux de logiciels qui réalisent effectivement cette automatisation nos “recettes numériques”. Ces recettes numériques sont généralement assez complexes, car elles reflètent les complexités inhérentes aux supply chains elles-mêmes. Les recettes constituent un mélange d’une myriade d’étapes banales de préparation de données entrecoupées d’étapes analytiques sophistiquées – typiquement des algorithmes de machine learning ou d’optimisation mathématique.

Nous utilisons le terme “recette” plutôt que “algorithme” car ces recettes ne sont en aucun cas aussi “pures” que ce à quoi la plupart des ingénieurs logiciels s’attendraient en parlant d’algorithmes. De plus, alors qu’un algorithme est censé répondre à un problème bien défini, ce n’est généralement pas le cas pour nos recettes. En fin de compte, la performance end-to-end de la supply chain est en jeu, et il s’agit d’un problème ouvert et mal défini. Ainsi, l’évaluation de la recette est aussi complexe, voire plus, que sa conception même.

Quelles sont les décisions supply chain « (banales) » ?

Une décision supply chain est une décision qui a de réelles conséquences sur la circulation des biens. Par exemple, les réapprovisionnements de stocks, les ordres de production et les changements de prix sont des décisions qui impactent profondément la circulation des biens.

Les supply chains modernes impliquent typiquement des dizaines de milliers, voire parfois des millions, de décisions par jour. En règle générale, chaque SKU (storage keeping unit) englobe environ une demi-douzaine de décisions, y compris le fait de ne rien faire, ce qui est également une décision (bien que triviale).

Ces décisions (quotidiennes) sont souvent qualifiées de « banales » car elles peuvent être entièrement automatisées. Dans ce sens, « banales » ne signifie pas « insignifiantes ».

Les décisions s’opposent aux « artefacts numériques » (des éléments qui paraissent importants mais n’ont aucun impact substantiel sur la supply chain concernée). En effet, avec plus d’analytics, il y a généralement une grande confusion entre les deux. Par exemple, une prévision de demande, une classe ABC, un stock de sécurité, un taux de service peuvent être considérés comme des artefacts numériques. Ces éléments peuvent certes être déterminants dans le calcul des décisions effectives, mais pris isolément, ils sont entièrement insignifiants. Peu importe si la prévision est erronée tant que le réapprovisionnement de stocks est adéquat, cependant l’inverse n’est évidemment pas vrai.

Lokad se concentre sur les « décisions » plutôt que sur les « artefacts numériques », car trop d’entreprises ne voient pas la forêt pour les arbres. Au contraire, elles disposent de tant d’indicateurs de performance (artefacts) qu’elles ne peuvent même plus discerner ce qui se passe réellement avec les décisions qu’elles prennent. Notre focalisation sur les « décisions » est ce qui garantit que Lokad poursuit ce qui importe réellement pour nos clients (une meilleure performance de la supply chain) plutôt que de courir après des indicateurs arbitraires (artefacts numériques).

Qu’est-ce qu’un « artefact numérique » ?

Un artefact numérique désigne un chiffre perçu comme important, même si ce chiffre n’a aucune conséquence directe ou tangible sur la supply chain de l’entreprise. Par exemple, les taux de service sont des artefacts numériques. Les artefacts numériques ne sont pas réels, ils sont plutôt des abstractions – souvent sélectionnées de manière arbitraire par un praticien.

Par exemple, un taux de service de 98 % peut masquer le fait que de nombreux clients ont déjà cessé de commander complètement en raison d’une qualité de service médiocre par le passé. De plus, les artefacts numériques ne peuvent être contrôlés directement. Une entreprise peut passer plus d’ordres de réapprovisionnement, mais elle ne peut pas décider unilatéralement que les taux de service seront de 98 %, car ce sont les clients qui décident en fin de compte de la quantité consommée d’un produit donné.

Les artefacts numériques s’opposent par définition aux « décisions », qui ont de réelles conséquences pour l’entreprise. Les décisions relèvent également entièrement de la discrétion de l’entreprise. Les décisions supply chain typiques incluent les commandes de réapprovisionnement, les ordres de production, les changements de prix, etc. Contrairement aux artefacts numériques, chaque mauvaise décision représente une perte irrémédiable pour l’entreprise. Par exemple, la classe ABC (artefact numérique) d’un article peut être complètement incorrecte ou inexacte, mais tant qu’il n’y a ni surstock ni rupture de stock, cela n’a pas d’importance. En revanche, un seul ordre d’achat d’une taille démesurée (décision) peut transformer un article bien approvisionné en une dépréciation massive.

Au fil des années, Lokad a appris à ses dépens que les indicateurs numériques sont pour la plupart illusoires et mal orientés. Le plus souvent, la précision des prévisions et les taux de service caractérisent complètement mal le problème d’intérêt (à savoir, anticiper et satisfaire la demande de manière rentable pour une entreprise). Nous devons nous concentrer sur les « dollars d’erreur » pour une décision donnée, et non sur les « pourcentages d’erreur » pour un artefact numérique.

Que signifie « robotisé » ?

Lokad robotise (« automatise ») les décisions supply chain répétitives en les rendant banales. Cela signifie que toutes les décisions quotidiennes confiées à Lokad (par exemple, ordres de production, changements de prix, allocations de stocks) sont générées de manière entièrement autonome. En règle générale, la plupart de nos clients peuvent fonctionner pendant des semaines sans intervention directe de Lokad – à condition que les conditions du marché ne changent pas trop radicalement. Nos Supply Chain Scientists améliorent continuellement les recettes numériques que nous avons mises en place, mais aucun Supply Chain Scientist n’est nécessaire pour générer les décisions supply chain d’un jour donné – nos recettes numériques sont conçues pour fonctionner de manière autonome.

Cette approche est radicalement différente de ce que nos pairs (autres fournisseurs de logiciels d’entreprise) offre. Dans leur cas, les praticiens supply chain sont traités comme les “coprocessseurs humains” de leur système. Dès que les praticiens cessent de travailler avec un logiciel, rien ne se passe dans l’entreprise, leur temps étant entièrement consacré à la production des décisions supply chain.

En revanche, Lokad transforme chaque minute des praticiens supply chain en un investissement pour l’amélioration de la recette numérique qui permet la robotisation des décisions. Si les praticiens supply chain cessaient de travailler, cela n’aurait aucun impact sur l’exécution robotisée de la recette numérique. La recette numérique cesse alors de s’améliorer. Si cela devait se poursuivre pendant un certain temps, cela entraînerait inévitablement une dégradation de la qualité des décisions, la recette numérique perdant ainsi de sa pertinence (en raison des évolutions des conditions du marché).

Cependant, Lokad a mis en place une série de mécanismes d’auto-surveillance pour la détection précoce d’une telle dégradation de la qualité, et peut ainsi déclencher une inspection humaine de la recette numérique (d’abord par un Supply Chain Scientist, puis par un praticien de l’entreprise cliente).

Qu’est-ce qu’une initiative supply chain ?

Cela fait spécifiquement référence à un projet supply chain piloté par la perspective de Lokad sur la Quantitative Supply Chain (QSC). L’objectif d’une telle initiative est de robotiser une certaine catégorie de décisions supply chain et d’atteindre une performance dépassant celle de l’humain dans le processus. L’objectif d’une telle initiative n’est pas seulement d’améliorer un problème spécifique au sein de la supply chain du client, mais de fournir une amélioration systémique à l’échelle de l’entreprise.

Les initiatives supply chain de Lokad s’attaquent typiquement aux commandes d’achat, aux ordres de production, aux allocations de stocks, aux changements de prix, aux plannings de production détaillés, etc. En essence, nous traitons toutes les décisions banales et répétitives nécessaires pour maintenir la supply chain du client en fonctionnement.

L’initiative supply chain est censée être menée par les Supply Chain Scientists de Lokad (SCSs). Un SCS est chargé d’élaborer toutes les recettes numériques nécessaires pour automatiser les décisions supply chain concernées. De plus, le SCS est responsable de la visualisation (par exemple, via des rapports et des tableaux de bord) des recettes numériques afin que les clients (en particulier la direction) comprennent à la fois comment et pourquoi l’automatisation procure une performance dépassant celle de l’humain.

Le livrable d’une initiative supply chain de Lokad consiste à mettre en production la ou les recette(s) numérique(s) que le SCS a élaborée pour le client. Ce livrable automatise les décisions et convertit efficacement la supply chain en un atout productif pour le client (de la même manière qu’un équipement automatise la production de biens physiques).

Qu’est-ce que l’« optimisation expérimentale » ?

L’optimisation expérimentale est une méthodologie, utilisée par Lokad, pour s’attaquer à des problèmes où la notion même d’« amélioration » est floue au début du processus d’optimisation. Cette absence de clarté s’explique par le fait que les critères d’optimisation (métriques) et leurs niveaux favorables ne sont pas connus, ou, même s’ils sont préalablement fixés à certains niveaux, ne peuvent être immédiatement justifiés en termes financiers (par exemple, rentabilité, ROI, etc.). L’intérêt de « l’optimisation expérimentale » est d’établir une méthode rigoureuse (certains diraient « scientifique ») pour quantifier ce que signifie « amélioration » pour une supply chain d’un point de vue financier.

Par exemple, considérez une boutique de mode qui souhaite améliorer sa qualité de service. L’un des principaux problèmes est que déterminer ce que signifie réellement la « qualité de service » pour le client moyen est difficile, compte tenu de la nature différente des habitudes d’achat des hommes et des femmes, ainsi que de l’influence des substitutions. Les substitutions, par nature, rendent difficile l’identification de la perception qu’ont les clients de votre offre, même s’ils ont effectué un achat – par exemple, acheter un t-shirt noir uni au lieu d’un t-shirt blanc uni en rupture de stock. Sur le papier, une vente a été réalisée, mais l’absence du t-shirt blanc uni peut signaler la fin de la fidélité du client, particulièrement si cela se produit régulièrement. De plus, les hommes sont moins enclins à passer du temps à parcourir plusieurs articles que les femmes, ainsi, ne pas obtenir l’article exact qu’ils désirent (ou une substitution adéquate) peut être décisif lors de l’achat. Ainsi, ce que la direction pense savoir de sa propre entreprise (et de ses clients) pourrait être incroyablement trompeur, ce qui, en retour, peut orienter leurs stratégies de stockage dans la mauvaise direction.

À cette fin, l’optimisation expérimentale consiste à mener une série d’expériences qui remettent en question les critères d’optimisation eux-mêmes – l’instrument même qui quantifie si la supply chain est meilleure ou pire (par exemple, la « qualité de service »). L’essentiel de la méthode consiste à choisir un critère, lancer une optimisation mathématique (ou plus précisément une optimisation stochastique) sur ce critère, et évaluer les décisions supply chain résultantes. Cette évaluation ne se fait pas de manière agrégée, mais en comparaison avec les décisions les plus insensées qui simplement ne peuvent pas être correctes. Le critère doit alors être modifié afin d’éliminer progressivement ces décisions insensées, jusqu’à ce qu’il n’en reste plus aucune.

Le critère résultant a donc été obtenu par le biais d’une série d’expériences. Contrairement à la perspective classique de l’optimisation qui suppose que les critères sont connus à l’avance, et jamais remis en question par la réalité, l’optimisation expérimentale dévoile les critères en les confrontant de manière répétée aux situations réelles.

Pour reprendre l’exemple de la boutique de mode précédent, une optimisation expérimentale peut indiquer que redistribuer les stocks préexistants entre les magasins est la solution optimale, ou peut-être que simplement réaménager les présentoirs dans chaque magasin suffit à stimuler un trafic plus important et une meilleure qualité de service perçue. Ces conclusions ne sont découvrables qu’après avoir expérimenté de manière répétée (en « ajustant ») la recette numérique qui génère la ou les recommandations d’optimisation.

La supply chain, comme tout autre système, est plus que la somme de ses parties. En fait, la malédiction de la supply chain est que la plupart des améliorations supposées ne font que déplacer les problèmes au lieu de les résoudre, car ces problèmes sont traités comme des questions locales plutôt que comme l’expression de problèmes à l’échelle du système. Par exemple, augmenter les taux de service implique généralement d’accroître également les dépréciations de stocks. Ainsi, il est impossible de nudger ou d’ajuster un élément isolé au sein d’un système sans impacter le reste du système également. Il est donc invariablement difficile de quantifier si quelque chose améliore ou détériore le système (la supply chain).

De plus, dans le cas particulier des supply chains, cette difficulté est accentuée car il faut généralement beaucoup de temps pour que les événements se déroulent. Pour la boutique de mode évoquée précédemment, les hommes peuvent être incroyablement fidèles à un magasin qui dispose constamment des articles qu’ils désirent, motivés par la simplicité de ne pas avoir à passer trop de temps à faire leurs achats. Par conséquent, vivre des situations de rupture de stock peut être dévastateur pour la fidélité des clients et mettre longtemps à se manifester (les hommes pouvant n’acheter que quelques fois par an, tout en achetant de nombreux articles à chaque visite pour maximiser la valeur de chaque déplacement). Ces considérations et contingences rendent caduques toutes les approches naïves de quantification de la performance supply chain, d’où Lokad préconise une solution basée sur l’optimisation expérimentale.

Pour une perspective plus détaillée, il existe une conférence complète sur Experimental Optimization for Supply Chain.

Qu’est-ce que la « prévision probabiliste » ?

La prévision probabiliste est le processus consistant à identifier toutes les valeurs/scénarios/résultats futurs possibles (par exemple, la demande pour un SKU donné) et à attribuer à chaque valeur une probabilité. Cette probabilité représente la vraisemblance que cette valeur devienne « réelle » (par exemple, on pourrait avoir une probabilité de 3 % de vendre 4 unités, 4 % de vendre 5 unités, 2 % de vendre 6 unités, etc.). Numériquement, lorsque l’on additionne ces probabilités, cette répartition (alias « prévision probabiliste ») couvre 100 % des valeurs potentielles (par exemple, la demande).

Une prévision est dite « probabiliste » si la valeur prévue est une répartition de probabilités plutôt qu’un point unique. Les prévisions probabilistes sont l’inverse des prévisions ponctuelles traditionnelles qui dominent la théorie mainstream de la supply chain. L’avantage principal des prévisions probabilistes est qu’elles intègrent l’incertitude irréductible du futur, au lieu de prétendre que la prévision « parfaite » est juste au coin de la rue, si seulement un modèle légèrement plus précis pouvait être découvert. Les prévisions probabilistes quantifient l’incertitude, et cette quantification est fondamentale pour pouvoir ensuite produire des décisions supply chain ajustées en fonction du risque. Sans prévisions probabilistes, les décisions sont fragiles car elles ignorant totalement les variations banales (par exemple, la demande, le délai de livraison) que l’on s’attend à observer même dans des conditions de marché régulières.

Il est à noter que toute prévision ponctuelle de séries temporelles peut être transformée « mathématiquement » en une répartition de probabilités. C’est exactement ce qui se fait avec les stocks de sécurité, puisque la demande et le délai de livraison peuvent être associés à des distributions normales (gaussiennes). Toutefois, bien que ces techniques génèrent nominalement des répartitions de probabilités, elles passent complètement à côté de l’essentiel. L’enjeu principal d’une prévision probabiliste est de produire une prévision plus riche – une prévision qui contient plus d’informations qu’une prévision ponctuelle. Cette prévision probabiliste n’est pas nécessairement plus précise, tout comme une photographie en couleur n’a pas forcément une meilleure résolution qu’une photographie en noir et blanc. Cependant, par construction, une prévision ponctuelle manque de cette dimension supplémentaire. Même si un tour de passe-passe mathématique peut être utilisé pour ajouter des probabilités, ces probabilités seront presque entièrement fictives, tout comme la colorisation d’une image peut sembler très plausible tout en étant factuellement incorrecte.

En bref, les prévisions probabilistes représentent l’une des étapes clés du traitement des données nécessaire à l’optimisation prédictive de la supply chain.

Qu’est-ce que la « prévision générale » ?

Une technique de prévision est dite « générale » si elle prend en charge des données qui ne se présentent pas sous forme de séries temporelles. En effet, bien que les prévisions de séries temporelles soient très utiles à des fins de visualisation, elles constituent au final un modèle simpliste et unidimensionnel qui ne parviennent pas à refléter les événements tels qu’ils se déroulent dans une supply chain réelle.

La considération de plusieurs séries temporelles ne résout pas non plus le problème.

Par exemple :

• achats répétés des mêmes clients ne peuvent pas être modélisés avec des séries temporelles, car une série temporelle de la demande aplatit complètement l’origine de chaque unité achetée.
• cannibalisation ou substitution ne peuvent pas être représentées sous forme de séries temporelles, car les dépendances entre les articles se perdent.
• concurrence entre concurrents sur les prix, les remises sur volume, les taux de service, etc., ne peuvent être capturées par une série temporelle, celle-ci n’étant pas en mesure de refléter ces facteurs causals.

Dans la théorie mainstream de la supply chain, les prévisions de séries temporelles sont l’alpha et l’oméga. Pourtant, un examen attentif des situations réelles devrait démontrer que les prévisions de séries temporelles ne sont, en réalité, qu’une simplification gravement erronée de la situation – voir les exemples mentionnés ci-dessus. Dans la théorie de la Supply Chain Quantitative (QSC) de Lokad, il vaut mieux être approximativement correct que précisément faux. Faire comme si un problème réel (par exemple, les substitutions) n’existait pas ne fait pas disparaître le problème.

C’est pourquoi, depuis le début des années 2010, Lokad a développé et innové une série entière de technologies de prévision supérieures qui offrent des formes de prévisions plus générales (au-delà des prévisions de séries temporelles de base). Selon notre QSC, chaque source d’incertitude nécessite sa propre prévision probabiliste. Ces « prévisions générales » ne sont pas fournies par des « modèles de prévision », mais via des paradigmes de machine learning programmatique, tels que differentiable programming.

Qu’est-ce que la « prévision classique » ?

Par « prévision classique » nous entendons la prévision ponctuelle de séries temporelles. Les prévisions ponctuelles de séries temporelles sont si omniprésentes dans la théorie mainstream de la supply chain que beaucoup de personnes, y compris de nombreux supply chain practitioners, ne réalisent pas qu’elles ne représentent qu’une forme de prévisions statistiques. Il existe, en fait, une multitude d’autres formes de prévisions statistiques, la prévision ponctuelle de séries temporelles étant l’une des plus simplistes.

Note : Une prévision simpliste n’est pas nécessairement une mauvaise chose. En effet, Lokad estime que les logiciels de prévision ne devraient pas être plus compliqués que nécessaire pour accomplir leur tâche. Cela dit, les prévisions ponctuelles de séries temporelles sont d’une simplicité insupportable, comme cela a été démontré dans « Qu’est-ce que la prévision générale ? ».

Les prévisions ponctuelles de séries temporelles ont gagné en popularité dès le début du 20e siècle, soit un demi-siècle avant l’avènement des ordinateurs d’entreprise. Jusqu’à ce que des ordinateurs puissants deviennent largement abordables, les prévisions ponctuelles de séries temporelles étaient le seul type de prévisions statistiques réalisable. Malgré leur extrême simplicité, la production de prévisions de séries temporelles demandait déjà un travail considérable, d’autant plus qu’elle se faisait sans la puissance de calcul des ordinateurs d’entreprise. En conséquence, la plupart des entreprises recouraient à toutes sortes d’astuces pour éliminer complètement le besoin de prévoir quoi que ce soit de manière statistique dès le départ.

Il existe deux voies distinctes et complémentaires pour aller au-delà des prévisions classiques. La première consiste à remplacer l’approche de la « prévision ponctuelle » par celle de la « prévision probabiliste ».

Les prévisions probabilistes, contrairement à leurs homologues « ponctuelles », fournissent des densités de probabilité complètes. Elles intègrent l’incertitude irréductible du futur et la quantifient frontalement. Dans le domaine de la supply chain, les prévisions probabilistes sont nettement supérieures aux prévisions ponctuelles car elles permettent ensuite de calculer des décisions supply chain ajustées en fonction du risque. À l’inverse, les prévisions ponctuelles ignorent toutes les sources d’incertitude et aboutissent à des décisions fragiles par conception.

La deuxième voie consiste à remplacer l’approche « séries temporelles » par une alternative de dimension supérieure. Les séries temporelles sont unidimensionnelles par conception. Cette limitation inhérente signifie qu’elles sont tout simplement incapables de saisir même les interdépendances les plus élémentaires observables dans l’écoulement des biens de la supply chain.

Par exemple, les prévisions de séries temporelles ne peuvent pas appréhender la cannibalisation et la substitution. Elles ne peuvent pas appréhender le risque d’un volume de ventes constant entièrement dépendant d’un seul grand client (par exemple, dans des situations B2B). Elles ne peuvent pas appréhender la perspective panier d’un client faisant ses achats dans un hypermarché, qui a besoin de tous les ingrédients nécessaires pour réaliser une recette (c’est-à-dire, l’absence d’un seul article signifie qu’aucun achat n’est effectué). Lokad utilise la differentiable programming pour concevoir des modèles prédictifs qui vont au-delà de la perspective unidimensionnelle des séries temporelles et capturent la véritable information d’intérêt.

En conclusion, la prévision classique est une approche statistique désuète qui n’a pas sa place dans une supply chain moderne. Se reposer sur des prévisions classiques – alias les prévisions ponctuelles de séries temporelles – est une recette d’échec, ces prévisions menant, au mieux, à des décisions fragiles et, au pire, à des décisions carrément incorrectes. Nous recommandons donc d’utiliser la prévision probabiliste générale, en s’appuyant typiquement sur un paradigme de machine learning programmatique tel que la differentiable programming.

Qu’est-ce que la « perspective panier » ?

La perspective panier est une préoccupation de première importance pour tous les secteurs où il est attendu que les clients achètent de nombreux articles en une seule transaction, plutôt qu’un article unique. Elle se réfère à la valeur perçue des achats réalisés en combinaison plutôt que de manière isolée. En d’autres termes, la valeur de l’ensemble des articles disponibles dans leur intégralité pourrait être supérieure à la somme des valeurs disjointes des articles achetés séparément. Cette perspective est cruciale dans de nombreux secteurs comme, par exemple, le commerce de détail général. Reconnaître cette interdépendance dans la demande conduit à des décisions supply chain supérieures par rapport aux méthodes traditionnelles qui considèrent l’achat de chaque SKU comme un événement isolé.

Par exemple, considérez un client entrant dans un supermarché pour acheter plusieurs articles. Ces articles représentent un mélange de produits de première nécessité (par exemple, lait, pain et œufs) et d’achats discrétionnaires (par exemple, glace et chocolat). Si le supermarché connaît une rupture de stock pour un article discrétionnaire (par exemple, le chocolat), il est probable que le client achète quand même les autres articles (lait, pain, œufs et glace). Cependant, s’il y a une rupture de stock pour un produit de première nécessité (par exemple, le lait), le client pourrait repartir sans rien acheter et se tourner vers un concurrent pour compléter ses achats. Ainsi, la pénalité financière de la rupture de stock pour l’article essentiel s’étend au-delà de celui-ci, impactant l’ensemble du panier de ventes.

Essentiellement, il existe des relations entre les produits, et l’absence de certains articles influence la probabilité que les clients en achètent d’autres. Lokad intègre ce phénomène subtil mais déterminant dans ses recommandations de décisions supply chain afin d’optimiser les stocks et de réduire les ruptures de stock (classées de celles qui auraient le plus d’impact à celles qui en auraient le moins), améliorant ainsi les ventes globales, les profits des clients et leur satisfaction.

Qu’est-ce qu’un « Supply Chain Scientist » ?

Un Supply Chain Scientist (SCS) est la personne qui pilote l’une des initiatives de Supply Chain Quantitative (QSC) de Lokad auprès d’un client, par exemple, la fourniture de bons de commande ajustés au risque, de listes d’allocation de stocks, de prix, etc. Le terme « Supply Chain Scientist » a été inventé par Joannes Vermorel, PDG et fondateur de Lokad, en 2017. L’engagement principal du SCS est la génération, la maintenance et la responsabilité des recettes numériques qui sous-tendent le processus décisionnel dans une initiative supply chain.

Contrairement à un data scientist, dont la responsabilité principale consiste à produire des modèles pour soutenir le processus décisionnel, le SCS assume personnellement la responsabilité de la qualité des recommandations générées par ces recettes numériques. De plus, le SCS est également responsable de la conception de toute l’instrumentation (par exemple, tableaux de bord, rapports) qui explique la logique et l’adéquation des décisions émises. Cela peut sembler quelque peu paradoxal, mais alors que Lokad met en avant la robotisation des processus décisionnels banals, nous plaçons également la responsabilité personnelle au premier plan. Une QSC n’est pas un « système » responsable de la performance de la supply chain, mais bien une personne qui conduit la QSC.

Cependant, bien qu’un SCS assume une responsabilité personnelle, il n’est pas seul dans sa mission. Lokad se consacre entièrement à faire en sorte que chaque SCS bénéficie du maximum de soutien possible. Cela implique de fournir au SCS tous les outils logiciels nécessaires, les instruments mathématiques, les méthodologies, la formation et le suivi par des SCS seniors.

Une description plus détaillée de ce que fait un SCS se trouve dans notre article dédié de la base de connaissances The Supply Chain Scientist.

Qu’est-ce qu’un « supply chain practitioner » ?

Le terme « supply chain practitioner » désigne généralement toutes les personnes traditionnellement impliquées dans, ou responsables de la prise des décisions supply chain nécessaires au fonctionnement de l’entreprise. Comme il n’existe pas de terminologie unifiée, le titre varie selon les secteurs et d’une entreprise à l’autre. Les variations courantes de « supply chain practitioner » incluent supply and demand planner, analyste des stocks, demand forecaster, category manager, manager des stocks, production manager, purchasing manager, pricing manager, etc.

La Supply Chain Quantitative (QSC) offre une vision modernisée du rôle du supply chain practitioner. Alors que le praticien supply chain traditionnel est directement responsable d’appuyer manuellement le processus décisionnel, la QSC recommande de mécaniser entièrement toutes les tâches répétitives. Grâce à cette robotisation, les praticiens supply chain peuvent se concentrer sur des missions apportant une valeur ajoutée accrue pour l’entreprise. En particulier, ils sont en première ligne pour remettre en question les recettes numériques (les outils logiciels qui soutiennent la robotisation de la supply chain) en recueillant les retours et l’intelligence stratégique des clients et fournisseurs.

Que signifie « supply chain executive » ?

Pour Lokad, ce terme désigne spécifiquement une personne en position d’arbitrer des propositions conflictuelles au sein de l’entreprise concernant les processus de prise de décision robotisés qui orchestrent la supply chain.

Ce rôle est essentiel dans une la Supply Chain Quantitative (QSC) initiative, qui unifie les processus de prise de décision de la supply chain grâce à des évaluations financières explicites réalisées via une logique logicielle. Le QSC révèle toutes les contradictions et ambiguïtés qui préexistent typiquement dans l’entreprise. En conséquence, afin de s’assurer qu’une initiative de supply chain ne soit pas paralysée par une indécision pure, il faut nommer un cadre de supply chain ayant le pouvoir d’arbitrer des propositions conflictuelles d’un point de vue stratégique (par exemple, atteindre le taux de service attendu à tout prix contre la recherche d’un ensemble de décisions optimisées dans le cadre d’un budget contraint).

Note: Le QSC ne suppose pas que le responsable de la supply chain possède une capacité innée à avoir toujours raison. Distinguer ce qui fonctionne de ce qui ne fonctionne pas relève de la méthodologie d’optimisation expérimentale utilisée par Lokad, et non du responsable de la supply chain.

Qu’est-ce qu’une décision ajustée au risque ?

Dans le contexte de l’optimisation de la supply chain, on dit qu’une décision est ajustée au risque si elle équilibre soigneusement les coûts économiques associés à l’incertitude quant à l’état futur du marché et de la supply chain elle-même. Une décision ajustée au risque est « meilleure » dans la mesure où, en prenant en compte tous les futurs possibles et leurs probabilités associées, le résultat financier moyen lié à cette décision se révélera supérieur à celui des alternatives.

De plus, les décisions ajustées au risque tendent à être des décisions anti-fragiles (par opposition aux décisions fragiles). Cela signifie que leurs gains économiques attendus restent relativement bons (ou simplement acceptables) pour une large gamme de variations futures. Cette propriété est obtenue en prenant en compte toutes les contraintes et coûts non linéaires (par exemple, la périssabilité).

L’hypothèse implicite derrière l’idée même des décisions ajustées au risque est que les coûts économiques sérieux se situent aux extrêmes : c’est une demande exceptionnellement élevée qui cause des ruptures de stocks, et c’est une demande exceptionnellement faible qui provoque le surstock. Entre les deux, tout se passe à peu près comme prévu, et les améliorations apportées au cas « comme prévu » sont en grande partie négligeables pour l’entreprise.

En revanche, la plupart des processus de prise de décision recommandés par la théorie dominante de la supply chain ne génèrent pas de décisions ajustées au risque. En effet, les décisions sont généralement fragiles. Elles sont fragiles (voir l’explication complète ci-dessous) faute de l’ingrédient critique nécessaire à la génération d’une décision ajustée au risque dès le départ : une prévision probabiliste. En effet, si la seule prévision disponible est une prévision ponctuelle de séries temporelles, alors le processus de prise de décision mise implicitement tout sur une seule valeur future (par exemple, la demande) supposée parfaitement connue. Cette approche conduit invariablement à des décisions fragiles, car elles deviennent immédiatement inadéquates dès qu’une exception ou un risque imprévu se présente – quelque chose de trop fréquent dans la supply chain, et trop facile à anticiper avec une prévision probabiliste.

Une illustration plus détaillée (quoique plus technique) de la manière dont les décisions ajustées au risque sont élaborées en pratique se trouve dans notre tutoriel Reapprovisionnement priorisé des stocks dans Excel avec des prévisions probabilistes et dans notre conférence QSC Allocation de stocks chez un distributeur avec des prévisions probabilistes.

Qu’est-ce qu’une décision fragile ?

Dans le contexte de l’optimisation de la supply chain, une décision est fragile si de légères variations des conditions du marché ou de l’état de la supply chain elle-même compromettent les gains économiques initialement attendus de cette décision. Les processus de prise de décision promus par la théorie dominante de la supply chain produisent invariablement des décisions fragiles – même en considérant des conditions de marché modérées où rien de notable ne se produit.

À notre avis, les décisions doivent être ajustées au risque. C’est l’approche recommandée par la philosophie de la Supply Chain Quantitative (QSC) de Lokad. En pratique, produire une décision ajustée au risque requiert deux ingrédients notables : d’abord la prévision probabiliste, puis l’optimisation stochastique.

La prévision probabiliste quantifie l’incertitude future sous forme d’une distribution de probabilité. L’optimisation stochastique calcule la décision qui s’avérera être “la meilleure” en moyenne lorsqu’on considère tous les futurs possibles et leurs probabilités respectives. Elle le fait en combinant les moteurs économiques, les contraintes et les prévisions probabilistes.

Qu’est-ce que la corruption épistémique ?

La corruption épistémique survient lorsqu’un ensemble de connaissances perd son intégrité et cesse d’être utile pour les personnes ou l’organisation qui s’appuient sur ces connaissances pour améliorer leur activité.

La supply chain, en tant que domaine d’étude, a malheureusement subi un cas sévère de corruption épistémique depuis la fin de la Seconde Guerre mondiale. Il existe deux causes principales à cet état de choses actuel :

Premièrement, le monde académique, pour la plupart involontairement, a défailli il y a des décennies. Alors que des dizaines de milliers d’articles sont publiés chaque année, pratiquement aucun de ces articles ne peut être reproduit ou falsifié (au sens poppérien de la falsification*). Contrairement à d’autres domaines qui ne souffrent pas d’une corruption épistémique généralisée (par exemple, l’étude des algorithmes), les articles sur la supply chain sont presque jamais utilisés dans des contextes réels, et encore moins durablement lorsqu’ils le sont.

Deuxièmement, les analystes de marché, les éditeurs de logiciels et les consultants agissent comme des adversaires depuis des décennies. En effet, il y a des profits à réaliser en prolongeant les problèmes plutôt qu’en les résolvant. Des méthodes obsolètes qui auraient disparu il y a longtemps ont été maintenues artificiellement en vie par des acteurs trop désireux de conserver le statu quo. Étonnamment, le statu quo est présent depuis si longtemps que la plupart de ces personnes peuvent honnêtement affirmer que, de leur point de vue, les méthodes ont « toujours » existé – car, techniquement, les problèmes les précèdent effectivement.

La solution aux cas généralisés de corruption épistémique réside dans des méthodologies et des méthodes plus efficaces permettant aux entreprises de trier plus rapidement (et mieux) le bon grain de l’ivraie. À cette fin, Lokad mène depuis 2011 un effort de refondation de la supply chain. Cette approche novatrice est nommée “Quantitative Supply Chain” (QSC). Elle propose des techniques et méthodologies alternatives, telles que la prévision probabiliste et l’optimisation expérimentale.

*Le “sens poppérien de la falsification” ici se réfère à la philosophie des sciences développée par Karl Popper. Selon Popper, pour qu’une théorie soit considérée comme scientifique, elle doit être falsifiable — c’est-à-dire, il doit être possible d’imaginer une observation ou une expérience qui pourrait prouver que la théorie est fausse. En d’autres termes, les théories scientifiques devraient formuler des prédictions qui peuvent être testées et potentiellement réfutées. Ce concept est essentiel pour distinguer les théories scientifiques des théories non scientifiques. La recherche en supply chain (typiquement) manque de falsifiabilité, car les théories ne peuvent être testées et potentiellement démenties, ce qui sape leur valeur scientifique et contribue à la corruption épistémique du domaine.

Qu’est-ce que la correction par conception ?

La correction par conception est un principe qui souligne l’importance de s’assurer que la conception d’un système empêche intrinsèquement certains types d’erreurs ou de défaillances. Cette approche contraste avec la pratique plus courante de se fier à des tests approfondis et à un contrôle qualité pour détecter et corriger les problèmes après leur survenue. L’objectif de la correction par conception est de minimiser le besoin de maintenance continue et de réduire le risque d’échecs catastrophiques pouvant résulter de systèmes complexes. Dans le contexte de l’optimisation de la supply chain, la correction par conception est particulièrement pertinente car la couche analytique (celle responsable des processus de prise de décision) ne doit pas accentuer le chaos endémique de la supply chain – un environnement déjà, il faut l’admettre, chaotique.

Les formules numériques – destinées à soutenir les processus de prise de décision de la supply chain – sont souvent mises en œuvre avec des outils génériques qui n’offrent aucune correction par conception. En conséquence, ces formules échouent généralement pour une multitude de raisons. La production échoue en raison d’erreurs d’index hors limites, d’erreurs de mémoire, de conditions de course, de dépassements ou de sous-flux numériques, etc. « Bougez vite et cassez tout » est une philosophie d’ingénierie acceptable pour une application de style de vie, mais pas pour un système d’entreprise critique.

Pour cette raison, Lokad a conçu Envision, son DSL (langage de programmation spécifique au domaine) dédié à l’optimisation prédictive de la supply chain, en tenant compte de la correction par conception. Lokad n’a pas commencé avec Envision lors de sa fondation en 2008. Pendant des années, nous nous sommes appuyés sur des langages de programmation généralistes comme Python. Il nous a fallu des années pour réaliser que nos tentatives échouaient la plupart du temps à cause de Python.

Ce qui est encore plus déconcertant, la situation était exactement la même pour les équipes data science de nos propres clients. L’histoire se déroulait presque toujours de la même manière : en trois semaines, l’équipe data science élaborait ce qui semblait être un prototype très prometteur. Pourtant, après un an d’efforts intenses pour s’assurer qu’il fonctionnerait dans des environnements de production réels, le projet était abandonné car il n’avait jamais atteint le niveau requis de « productionnalité ».

Ainsi, après des années de souffrances, nous avons conclu en 2012 que le langage de programmation lui-même constituait le problème central à résoudre. Autrement dit, Python n’était pas la solution, mais le problème. Ainsi, faute de meilleure alternative, l’équipe d’ingénierie de Lokad a lancé un effort d’ingénierie de dix ans pour créer un DSL dédié à la supply chain qui traiterait, « par conception », tous ces problèmes dans toute leur ampleur. C’est ainsi qu’Envision est né.

Plus d’une décennie plus tard, nous gérons désormais plusieurs milliards (en USD et EUR) de stocks sous le contrôle direct des formules numériques étendues écrites en Envision. Envision a considérablement amélioré non seulement la productivité des Supply Chain Scientists de Lokad, mais il a également réduit de manière énorme la fréquence des erreurs « stupides » et très coûteuses.

En conclusion, la correction par conception est une exigence fondamentale pour tout langage de programmation destiné à piloter des supply chains réelles. De nombreux éditeurs de logiciels, par pure négligence ou incompétence, n’abordent pas ce problème de front, causant invariablement d’immenses dégâts pour leurs clients.

Qu’est-ce que la « maintenabilité » ?

La maintenabilité, dans le contexte des logiciels de supply chain, fait référence à la capacité de l’entreprise et de ses éditeurs de logiciels à maintenir son environnement applicatif en état de fonctionnement.

En ce qui concerne la « gestion » de la supply chain, la « maintenabilité » est une affaire relativement simple. Il s’agit d’une série interminable de correctifs de sécurité et de compatibilité pour maintenir le logiciel en état de marche dans des conditions changeantes (par exemple, les changements de systèmes d’exploitation, de navigateurs, de versions de bases de données, etc.). À moins que l’entreprise ne souhaite apporter des modifications fonctionnelles à ses applications de « gestion », la maintenabilité est en grande partie acquise si l’éditeur est ne serait-ce qu’un peu compétent.

Cependant, l’optimisation de la supply chain est un problème tout à fait différent. Les formules numériques qui automatisent les processus de prise de décision perdent invariablement de leur pertinence avec le temps. La cause de cette dégradation n’est pas tant la fluctuation du marché, puisqu’il est assez simple d’intégrer ce type de variation dans le cadre de formules numériques statiques (par exemple, une moyenne mobile le fait, quoique de manière approximative).

Plutôt, la cause de cette dégradation réside dans l’évolution des problèmes à résoudre. Les conditions de marché en évolution ne requièrent pas seulement des réponses qui diffèrent quantitativement, mais des types de réponses entièrement différents. Par exemple, les entreprises de vente par correspondance n’ont jamais eu à faire face au problème de piloter leurs investissements en SEM (search engine marketing) pour soutenir la liquidation d’excès de stocks – une situation couramment rencontrée par les entreprises de le e-commerce.

Les logiciels d’optimisation de la supply chain sont bien plus sensibles aux évolutions des conditions de marché que les logiciels de gestion de la supply chain. En 2024, il n’est pas rare de rencontrer des entreprises qui utilisent encore un système de gestion de stocks déployé dans les années 1990 (qui peut sembler fonctionner parfaitement bien), étant donné que les tâches administratives de suivi des stocks sont restées pratiquement inchangées au cours des 30 dernières années. Cependant, une logique d’optimisation de la supply chain capable de rester pertinente pendant 3 ans est extrêmement rare.

La plupart des éditeurs de logiciels d’optimisation de la supply chain ne reconnaissent pas ce problème fondamental. En conséquence, les investissements tendent à être fortement concentrés dès le départ, lors de l’intégration de l’entreprise cliente par les éditeurs. Pendant les premiers mois, alors que l’éditeur est encore fortement impliqué dans une configuration en évolution, la solution donne l’illusion d’être satisfaisante. Cependant, 18 mois après la fin de la phase d’intégration par l’éditeur, les formules numériques se sont dégradées au point de devenir obsolètes. Invariablement, les praticiens de la supply chain reviennent à leurs tableurs qui, malgré leur rudimentarité, peuvent être maintenus pour rester quelque peu pertinents.

Le problème de la maintenabilité est l’une des raisons principales qui ont conduit Lokad en 2012 à créer Envision – un DSL (langage de programmation spécifique au domaine) dédié à l’optimisation prédictive de la supply chain. En effet, durant les premières années de Lokad (fondée en 2008), nous avons réalisé que, quelle que soit la qualité des formules numériques que nous pouvions concevoir, la plupart du temps, et quel que soit le niveau de qualité de notre implémentation initiale, ces formules devraient être entièrement réécrites tous les 18 mois environ. C’était le prix à payer pour maintenir l’automatisation en parfaite adéquation avec la stratégie et les priorités constamment évolutives de nos clients.

En conclusion, la maintenabilité, en ce qui concerne l’optimization de la supply chain, est largement définie par la capacité de l’entreprise à réécrire régulièrement les recettes numériques qui régissent l’exécution de sa propre supply chain. While this capacity hinges on the size of the Supply Chain Scientist team that can be allocated for the task, it is also heavily dependent on the quality of the programming language used to implement the numerical recipes in the first place.