FAQ: Optimisation de stocks

Lokad s’attaque aux défis de stocks en utilisant l’analytique prédictive pour embrasser l’incertitude de la supply chain et optimiser les décisions grâce à des perspectives financières. Elle prend en compte les contraintes uniques des clients et améliore la transparence de la prise de décision grâce à des rapports détaillés et des tableaux de bord intuitifs.

Public visé : praticiens supply chain, experts et cadres.

Dernière modification : January 30th, 2024

Un homme tentant d'optimiser les itinéraires d'allocation pour d'immenses quantités de stocks non expédiés.

Les excès de stocks et les ruptures de stocks sont les deux symptômes les plus évidents de décisions inadéquates relatives aux stocks, et ces problèmes peuvent être retracés à des politiques qui ignorent l’incertitude. Cette incertitude prend de nombreuses formes, notamment une demande variable, des délais de livraison fluctuants et des retours sporadiques. Lokad offre des performances supérieures en matière de stocks précisément parce que ses capacités prédictives programmatiques intègrent l’incertitude de la supply chain plutôt que de l’ignorer. Par exemple, Lokad dispose de capacités de modélisation probabiliste pour refléter tous les leviers économiques liés aux décisions routinières et répétitives de la supply chain d’un client (par exemple, commandes d’achat, ordres de production, allocation de stocks, etc.). Cela nous permet de fournir aux clients une perspective financière à haute résolution sur la valeur en dollars (ou en euros) de chaque décision. Lokad possède également des capacités d’optimisation stochastique pour recommander les décisions maximisant le retour en dollars (ou en euros) pour chaque choix, tout en prenant en compte les contraintes uniques du client. Ces contraintes incluent des préoccupations inter-produits telles que la cannibalisation et la substitution.

À chaque étape du processus, les capacités de reporting étendues et personnalisées de Lokad offrent au client une transparence totale. Des tableaux de bord intuitifs sont élaborés pour exprimer clairement les KPIs que les clients souhaitent et dont ils ont besoin, et pour détailler les calculs de Lokad de manière claire et pragmatique.

Résumé exécutif

En ce qui concerne l’optimisation de stocks, Lokad s’est éloigné de ce qui pourrait être considéré comme l’approche « grand public » il y a plus d’une décennie. Cet écart n’a fait que s’accentuer à mesure que notre technologie s’est améliorée. Cette technologie permet à Lokad d’apporter des améliorations significatives aux supply chains de ses clients, cependant le défi le plus grand est souvent d’expliquer ces améliorations – une tâche d’autant plus difficile que l’approche de Lokad diffère radicalement de ce que les praticiens supply chain attendent.

Le conte de fées grand public concernant l’optimisation de stocks se présente ainsi : le fournisseur de logiciels (du quadrant magique) fournit des prévisions 20 % plus précises, et ces prévisions se traduiront par 20 % de ruptures de stocks en moins et 20 % de stocks en moins. Ce conte de fées comporte généralement plusieurs mots à la mode : intelligence artificielle, demand sensing, machine learning, blockchain, digital twins, in-memory systems, etc. Cependant, cette vision grand public est une impasse1. Contrairement à la plupart de nos concurrents, Lokad fournit réellement des prévisions de pointe2, et nous savons que cela, à lui seul, est loin d’être suffisant pour offrir un retour sur investissement satisfaisant.

Lokad est peut-être singulier en ce qu’il ne fait guère de mystère sur la manière dont nous parvenons à des performances supérieures en matière de stocks. Nous disposons d’une série de conférences publiques3 (totalisant plus de 50 heures et toujours en augmentation) qui fournit les détails fins de nos technologies et méthodologies. Cette série sert à la fois de ressource et d’avertissement pour les clients : une fois que vous avez vu le fonctionnement des « astuces » d’un fournisseur, vous ne pouvez plus les ignorer.

Prévisions probabilistes

Il faut utiliser des prévisions probabilistes. Ces prévisions offrent une évaluation quantitative directe de l’incertitude rencontrée dans la supply chain – par exemple, l’incertitude entourant la demande client et les délais de livraison des fournisseurs. Plutôt que de prétendre que les prévisions traditionnelles de séries temporelles (l’« approche classique ») deviendront spontanément précises, les prévisions probabilistes abordent directement ces problèmes. Les prévisions probabilistes ne sont pas nécessairement plus « précises » – du moins pas par conception – mais cela importe peu puisque leur but est de raconter une histoire complètement différente de l’avenir du client – dont les détails sont abordés dans la Perspective financière. De plus, chaque source d’incertitude mérite sa propre prévision, pas seulement la demande. Lokad produit des prévisions probabilistes pour les délais de livraison, les retours, les taux de rebut, etc.

En revanche, l’approche grand public des prévisions de séries temporelles ignore l’incertitude décrite ci-dessus. En conséquence, lorsque des prévisions ponctuelles de séries temporelles sont utilisées, la supply chain devient fragile même face à des risques tout à fait banals, comme le caractère aléatoire des lancements de produits. Il est futile d’espérer que les lancements de produits seront un jour exempts de risques, car si une entreprise était capable d’évaluer de manière plus fiable la performance de ses lancements, elle utiliserait sans aucun doute cette nouvelle capacité pour lancer encore plus de produits, réintroduisant ainsi l’incertitude dans la supply chain concernée.

Prise de décision automatisée

La prise de décision automatisée (et supérieure) en supply chain est la seule finalité qui vaille la peine d’être poursuivie, car ce sont elles qui impactent concrètement la supply chain. Si le logiciel d’optimisation de stocks renvoie autre chose que les décisions finalisées, alors le logiciel ne fait pas son travail (ou vous avez peut-être simplement le mauvais logiciel).

De plus, ces décisions automatisées doivent prendre en compte toutes les contraintes du client, telles que les MOQ (quantités minimales de commande). Si le logiciel ou le système génère continuellement des décisions défectueuses qui doivent être manuellement annulées, alors le système est défectueux et doit être remplacé. Les véritables experts en supply chain sont trop rares et précieux pour être utilisés à autre chose que l’amélioration continue de la recette numérique unique du client4. Lokad utilise cette recette numérique pour robotiser le processus de prise de décision en supply chain, libérant ainsi les experts internes pour se concentrer sur des problématiques de niveau supérieur et la stratégie.

En revanche, la vision grand public met l’accent sur toutes sortes d’artefacts numériques : classes ABC (ou leur variante, ABC XYZ), rotations de stocks, stocks de sécurité, quantités économiques de commande, etc. Contrairement aux décisions supply chain, le lien entre un artefact numérique et la performance de la supply chain est, au mieux, imprécis. De plus, la plupart de ces chiffres ne sont introduits que pour soutenir un processus de prise de décision semi-manuel, assurant ainsi le gaspillage continu des ressources du client (par exemple, argent, temps et efforts).

En conséquence, rien n’est jamais véritablement réglé, car les praticiens supply chain sont constamment distraits par le processus perpétuel de gestion de crises, et en arrière-plan, le système sous-jacent continue de générer des décisions sous-optimales.

Perspective financière

Les décisions supply chain doivent être optimisées financièrement, c’est-à-dire évaluées en termes d’impact en euros (ou en dollars). Cette évaluation doit refléter tous les leviers économiques pertinents. Lokad a accès aux leviers économiques tangibles pertinents (trouvés directement dans les registres du client) : marge brute, coût de détention, coût de transport, etc. Cependant, Lokad quantifie également les leviers économiques intangibles – ceux qui doivent être pris en compte pour produire des décisions supply chain de valeur : fidélité du client, la bienveillance des fournisseurs, la valeur perçue de la marque, etc. Étant donné leur nature abstraite, ces leviers doivent être approximés intelligemment, car il vaut bien mieux être approximativement correct que totalement erroné. Cette valeur monétaire est finalement utilisée pour unifier toutes les forces différentes qui impactent chaque décision de stocks.5

En revanche, la vision grand public met l’accent sur des pourcentages, tels que les taux de service, tout en ignorant complètement tous les leviers économiques intangibles. Cela conduit à une myopie des décisions recommandées que le grand public associe désormais à la « finance ». Ces décisions sont optimisées selon des critères numériques inventés qui ne reflètent tout simplement pas les intérêts à long terme de l’entreprise. La solution n’est pas de rejeter l’idée d’optimisation, mais de revoir ce qui est optimisé en premier lieu.

Foire aux questions (FAQ)

1. Principes

1.1 Aidez-vous à rationaliser la gestion de stocks ? Quelles sont vos capacités en matière de gestion de stocks ?

Lokad optimise (et rationalise) les stocks plutôt que de les gérer. L’optimisation de stocks consiste, entre autres, à prendre les meilleures décisions possibles, telles que combien de stock acheter, quand l’acheter et où le (re)distribuer. La gestion de stocks, en revanche, se concentre sur la gestion des enregistrements électroniques qui reflètent l’état physique des stocks, et sur la mise en adéquation de ces enregistrements avec la réalité des stocks. L’optimisation de stocks et la gestion de stocks représentent les deux principaux aspects du contrôle global des stocks, et Lokad se consacre entièrement au premier aspect.

En termes de conception logicielle, les exigences d’un système de gestion de stocks diffèrent grandement de celles d’un système d’optimisation de stocks. En fait, elles sont souvent en complète opposition. Par exemple, la gestion de stocks requiert des réponses en temps réel, sinon des opérations banales telles que la préparation des commandes sont retardées jusqu’à ce que le système reconnaisse enfin l’opération.

Cependant, l’optimisation de stocks repose sur la prise de bonnes décisions, pas nécessairement en temps réel. Un délai de 5 minutes pour calculer une commande d’achat optimisée - qui prend en compte une vaste gamme de facteurs et de contraintes - est sans conséquence si cette commande permet d’économiser des milliers de dollars (ou d’euros) au client. Du point de vue du client, cela est préférable à un scénario dans lequel des commandes d’achat médiocres -peuvent être produites en moins de 10 millisecondes (c’est-à-dire en temps réel)—une décision qui pourrait entraîner la perte de milliers de dollars (ou d’euros) en stocks morts. Si le client ne dispose pas d’un système de gestion de stocks, Lokad recommande vivement d’en installer un avant de tenter d’optimiser les stocks.

Note : La plupart des logiciels d’entreprise conçus pour la gestion de stocks prétendent également offrir des fonctionnalités d’optimisation de stocks. C’est une affirmation fallacieuse. Ces fonctions distinctes de stocks nécessitent des interventions logicielles distinctes.

Pour une comparaison directe entre l’optimisation de stocks et la gestion de stocks, ainsi que pour les logiciels nécessaires, voir Contrôle des stocks.

1.2 Comment prévoyez-vous les besoins futurs en stocks ?

Lokad utilise une technologie de modélisation prédictive étendue pour prévoir tous les facteurs d’incertitude qui influent sur les besoins futurs en stocks. Ces facteurs comprennent, entre autres, la demande future et les délais de livraison futurs qui impactent directement les besoins en stocks. Cependant, selon le secteur d’activité spécifique, il existe fréquemment d’autres sources d’incertitude. Par exemple, il peut y avoir des retours clients (ecommerce), le rendement de production, les taux de rebut, etc. Afin de déterminer les besoins en stocks, nous combinons généralement une série restreinte de prévisions reflétant de multiples sources d’incertitude. Cette approche va bien au-delà des capacités de la prévision traditionnelle de séries temporelles.

De plus, Lokad adopte une perspective de prévisions probabilistes. Cela signifie que Lokad prend en compte tous les futurs possibles et évalue quantitativement leurs probabilités respectives. En outre, notre plateforme inclut l’instrumentation nécessaire pour composer ou combiner ces prévisions probabilistes, telle qu’une algèbre des variables aléatoires (voir ci-dessous). Par exemple, en combinant une prévision probabiliste de la demande et une prévision probabiliste des délais de livraison, nous obtenons une prévision probabiliste de la demande sur délai, qui représente la demande intégrée sur le délai de livraison. La demande sur délai constitue généralement une base de départ pour évaluer les besoins futurs en stocks.

Voir Prévisions probabilistes pour plus d’informations sur cette perspective. Pour en savoir plus sur notre instrumentation de l’algèbre des variables aléatoires, consultez Ranvars and Zedfuncs dans notre documentation publique Envision.

1.3 Calculez-vous les niveaux de stocks passés et futurs à partir des données historiques de ventes et des données de prévision ?

Oui, la plateforme de Lokad est capable de calculer à la fois les niveaux de stocks passés et futurs en s’appuyant sur les données transactionnelles historiques du client, incluant à la fois le flux sortant (par exemple, les ventes) et le flux entrant (par exemple, les achats). Nous disposons de vastes capacités de prévisions probabilistes, non seulement pour la demande future, mais aussi pour les délais de livraison futurs, les retours futurs et toutes les autres sources d’incertitude pertinentes.

En ce qui concerne les niveaux de stocks passés, comme la solution de Lokad — délivrée via notre plateforme — est à la fois évolutive et rentable, nous recommandons généralement d’enregistrer les données au fil du temps, typiquement par le biais de snapshots générés au sein de la plateforme Lokad si ces données ne sont pas déjà historisées dans les systèmes de l’entreprise, plutôt que de recalculer ces données. En effet, même un modèle de flux soigneusement élaboré peut encore refléter incorrectement les niveaux de stocks passés. Les snapshots historiques des niveaux de stocks ne souffrent pas de ce type de problèmes.

En ce qui concerne les niveaux de stocks futurs, il y a deux éléments importants à considérer. Premièrement, l’incertitude du futur est irréductible. Deuxièmement, les niveaux de stocks futurs dépendent de décisions qui n’ont pas encore été prises. Puisque l’incertitude du futur est irréductible, il est imprudent — et tout à fait non rentable — de supposer qu’une unique projection de l’état futur des stocks puisse être jugée “suffisamment correcte”. Au lieu de cela, nous devrions considérer tous les futurs possibles et leurs probabilités respectives. C’est une vision bien plus riche de l’avenir, et cela nous permet de produire des décisions supply chain ajustées au risque et résilientes face aux déviations par rapport à la prévision (classique). Lokad y parvient en tirant parti de la prévision probabiliste.

Comme les stocks futurs dépendent des décisions supply chain qui n’ont pas encore été prises (par ex., de futurs bons de commande), nous avons besoin d’un système raisonnable pour mettre en œuvre les décisions afin d’évaluer l’état futur possible des stocks. Cela requiert que les décisions soient automatisées, afin de permettre une simulation efficace. Si le processus de prise de décision est semi-manuel (c’est-à-dire impliquant une intervention subjective humaine), il devient alors impraticable de “simuler”. Ainsi, un système de prise de décision automatisé doit être utilisé à des fins de simulation.

1.4 Calculez-vous le stock de sécurité, les niveaux min/max, le point de commande et l’EOQ (quantité économique de commande) tout en tenant compte de la politique d’achat ?

Oui, la plateforme de Lokad permet de mettre en œuvre aisément une approche supply chain classique, incluant le stock de sécurité, les niveaux min/max, les points de commande et l’EOQ. De plus, il est également simple de faire en sorte que tous ces éléments soient actualisés de manière entièrement automatisée. Cependant, cette approche supply chain est obsolète car elle donne des résultats médiocres en pratique. En outre, elle nécessite des corrections manuelles étendues et continues afin de rectifier les résultats sous-optimaux que le “système” continue de générer.

En revanche, Lokad recommande une approche bien supérieure qui consiste à évaluer, unité par unité, les retours économiques liés à l’achat de chaque unité supplémentaire de stock. Ce calcul repose à la fois sur les prévisions probabilistes générées par la plateforme de Lokad et sur une modélisation économique explicite des conséquences des décisions d’achat. Cette approche intègre les leviers économiques qui sous-tendent les décisions d’achat.

En conséquence, la réduction des frais généraux liés aux achats est acquise : les commandes sont optimisées économiquement, éliminant ainsi le besoin d’introduire des formules obsolètes comme la formule de Wilson (traditionnellement utilisée pour les calculs d’EOQ). De plus, le déclenchement du bon de commande devient une question d’équilibrer le coût d’une rupture de stock et celui d’un surstock, éliminant ainsi le besoin de stock de sécurité, de niveaux min/max et de points de commande.

De plus, l’approche de Lokad se prête très bien aux problématiques cross-SKU (unités de gestion de stock). Ces préoccupations incluent la cannibalisation, la substitution, les MOQ (quantités minimales de commande) au niveau du fournisseur, les capacités des entrepôts ou magasins, et les multiples échelons. L’approche supply chain classique est rigidement attachée à une perspective mono-SKU stricte. Par conséquent, ces préoccupations sont écartées par conception. Peu importe la sophistication d’un calcul de stock de sécurité (pour prendre un exemple), il ne peut pas traiter ces problématiques cross-SKU, car la formule (ou plutôt la classe de formules) implique de traiter les SKU de façon isolée.

1.5 Comment différenciez-vous votre approche pour les articles à haute valeur ?

La méthode de supply chain quantitative de Lokad recommande fortement d’optimiser chaque décision supply chain en fonction de ses leviers économiques (individuels et interdépendants), de sorte que les articles à haute et à basse valeur sont optimisés de la même manière — bien que, naturellement, les détails des calculs varient.

Les leviers économiques pertinents incluent naturellement — entre autres — les coûts et la marge brute des articles de stocks optimisés. Les articles à haute valeur sont naturellement associés à des coûts élevés et à de fortes marges — du moins en termes absolus. L’optimisation réalisée par Lokad maximise le retour sur investissement en dollars pour l’investissement en stocks : en termes simples, pour chaque 1 USD pouvant être investi, Lokad sélectionne l’article qui offre le taux de rendement le plus élevé (pensez ROI).*

Au-delà de l’évaluation purement économique, d’autres contraintes influent sur la génération des décisions concernant les stocks, telles que les MOQ (quantités minimales de commande). Cependant, la plateforme de Lokad intègre toutes les capacités numériques nécessaires pour prendre en compte ces deux classes de préoccupations dans son optimisation. Tous les leviers économiques — et les facteurs financiers conséquents — sont proposés par Lokad et finalement validés par le client.

Cette perspective unifiée, axée sur la finance, de l’optimisation signifie que les praticiens n’ont plus à traiter une multitude de cas particuliers régis par différentes politiques et préoccupations. Chaque article — qu’il soit à haute valeur, à basse valeur, erratique, etc. — est optimisé en fonction de l’impact financier que chaque unité supplémentaire aura pour le client.

*À grande échelle, Lokad prépare une liste classée de décisions d’achat, et non une simple recommandation unique. La liste est classée par ordre décroissant, en commençant par l’article qui présente le meilleur retour sur investissement financier. Consultez notre tutoriel du compte démo public pour une explication détaillée de la manière dont cela est réalisé.

1.6 Prenez-vous en compte les coûts de traitement des PO (Purchase Order) (par ex., la passation de commande, la facturation) ?

Oui, Lokad recommande une approche financière dans laquelle chaque décision supply chain — y compris les bons de commande — est optimisée en fonction de tous ses leviers économiques pertinents. En particulier, tous les frais généraux associés à l’exécution des décisions, tels que les coûts de traitement, sont intégrés dans cette liste de leviers économiques. Les Supply Chain Scientists de Lokad sont chargés de veiller à ce que le modèle économique, tel qu’implémenté dans la recette numérique, reflète toutes les opportunités et tous les frais généraux du client.

La plateforme de Lokad est remarquablement expressive et programmatique, ce qui nous permet de développer un support pour pratiquement tout type de coût et/ou de remise pouvant survenir lors de l’exercice de commande — par ex., des rabais sur volume. De plus, l’optimisation stochastique de Lokad nous permet d’optimiser les décisions malgré les non-linéarités que ces coûts (ou opportunités) représentent généralement. Par exemple, les coûts de traitement peuvent varier peu en fonction de la quantité commandée, ce qui, toutes choses égales par ailleurs, devrait orienter le processus de commande optimisé vers des commandes (légèrement) plus importantes et (légèrement) moins fréquentes à mesure que les coûts de traitement augmentent. Les rabais sur volume tendent également à orienter l’optimisation vers des commandes plus importantes et moins fréquentes.

1.7 L’équipe des achats peut-elle simuler l’effet des stratégies de réapprovisionnement sur les besoins en capital ? Peut-elle projeter les niveaux de stocks ?

Oui, la plateforme de Lokad a été conçue pour permettre de projeter, dans un sens très large, les conditions futures de supply chain selon diverses politiques. Les conditions futures incluent les niveaux de stocks futurs, mais aussi toutes les autres conditions critiques futures de la supply chain telles que la saturation des capacités (par ex., transport, manutention, stockage, etc.). Les politiques variables incluent des stratégies de réapprovisionnement alternatives, ainsi que tous les autres types de décisions qui régissent l’exécution de la supply chain (attributions de stocks, ordres de production, retours, changements de prix, etc.).

De plus, Lokad considère qu’il est essentiel d’instaurer un processus fortement orienté vers la prise de décision entièrement automatisée (pour les décisions répétitives et routinières de la supply chain). Il est déraisonnable d’attendre d’une “simulation” qu’elle produise des chiffres sensés si, en pratique, l’exécution réelle de la supply chain dépend d’interventions subjectives (et manuelles) régulières de la part des praticiens de la supply chain. Par conception, la simulation est totalement ignorante de ces interventions.

Les prévisions probabilistes générales — et pas seulement les prévisions de demande — constituent un ingrédient essentiel pour réaliser une telle simulation. Les délais futurs, les retours futurs et bien d’autres facteurs qui contribuent à l’incertitude future doivent être prévus. Sinon, la simulation fonctionnera sur la base de chiffres erronés et peu fiables (c’est-à-dire des données aveugles à d’autres sources cruciales d’incertitude). L’intégration de la prévision probabiliste généralisée nous permet de construire des simulations significatives qui offrent la granularité et l’analyse nécessaires de la supply chain du client.

Voir Prévisions Probabilistes pour plus d’informations sur la perspective de prévision de Lokad.

1.8 Pouvez-vous décrire les indicateurs économiques que vous utilisez pour soutenir les recommandations d’achat ?

Résumé exécutif : La plateforme programmatique de Lokad permet d’intégrer une large gamme de leviers économiques dans les recommandations d’achat, incluant à la fois des indicateurs directs (premier ordre) tels que la marge brute et les coûts d’expédition, et des indicateurs indirects (deuxième ordre) tels que les pénalités de rupture de stock et la fidélité des clients. Cette programmabilité dépasse les logiciels d’entreprise traditionnels, qui limitent souvent les utilisateurs à un ensemble prédéfini d’indicateurs économiques de premier ordre et manquent de flexibilité pour répondre aux complexités des supply chains réelles.

Nous recommandons de prendre en compte tous les leviers économiques pertinents, qui tendent à varier (quelque peu) d’un client à l’autre. En général, les leviers pertinents se répartissent en deux grandes catégories, appelées leviers de premier et de deuxième ordre. Les leviers de premier ordre incluent tous les bénéfices et coûts pouvant être lus plus ou moins directement à partir des comptes du client : marge brute, coût d’expédition, coût de détention, coût de commande, etc. Les leviers de deuxième ordre sont plus nuancés, moins directs et totalement absents des logiciels d’entreprise traditionnels. Ceux-ci incluent le coût de ne pas avoir un article en rayon lorsque le client le souhaite (pénalité de rupture de stock), la fidélité ou la bonne volonté de la clientèle, l’importance relative des segments de clients ou des zones géographiques, etc.

La plateforme de Lokad a été conçue pour permettre de prendre en compte pratiquement n’importe quel levier économique ; si un tel levier peut être exprimé dans un tableur, il peut l’être grâce à la technologie de Lokad. En pratique, les Supply Chain Scientists de Lokad sont chargés de proposer une liste exhaustive des leviers économiques pertinents pour le client. Cette liste est ensuite validée et/ou modifiée par le client.

Cette programmabilité étendue dépasse de loin les fonctionnalités des logiciels d’entreprise, où le client se voit proposer une liste codée en dur d’indicateurs économiques de premier ordre pour soutenir les recommandations d’achat. De tels outils sont, en pratique, incapables de gérer les nuances et la variété des situations rencontrées dans les supply chains réelles. En conséquence, lorsque les logiciels d’entreprise reposent sur de telles méthodes, les praticiens de la supply chain reviennent invariablement aux méthodes antérieures (typiquement des tableurs) afin de prendre en compte un levier absent de la liste de l’ERP.

En ce qui concerne les indicateurs économiques, il n’existe pas de solution de contournement pour des capacités totalement programmatiques. Bien que les tableurs soient en effet programmatiques, ils manquent de la précision par conception et de la scalabilité de la plateforme de Lokad.

Voir La Supply Chain Quantitative en bref pour plus d’informations sur la philosophie supply chain de Lokad, ainsi que ce résumé pour en savoir plus sur les leviers de premier versus deuxième ordre.

1.9 Fournissez-vous des rapports de stocks avec les causes profondes ?

Oui, la plateforme de Lokad dispose de capacités étendues pour identifier les causes profondes de l’état actuel des stocks du client.

Il convient de souligner qu’identifier les “causes profondes” n’est pas une tâche aisée. Cela requiert invariablement un travail considérable de la part des Supply Chain Scientists de Lokad pour identifier correctement un élément pouvant réellement être qualifié de cause profonde. Par exemple, les surstocks peuvent être attribués à des MOQ excessives (quantités minimales de commande). Cela peut, à son tour, s’expliquer par des conditions mal négociées de l’équipe des achats. Cependant, ces conditions sous-optimales pourraient résulter d’attentes exagérées de la demande, fondées sur une évolution attendue de l’offre du client, évolution qui a pourtant été retardée en raison de délais de l’équipe marketing. Ainsi, il peut être très difficile de distinguer corrélation et causalité, notamment en supply chain.

Heureusement, la plateforme de Lokad est programmatique. C’est une exigence cruciale lorsqu’il s’agit de relever des défis ouverts tels que l’identification des causes profondes. Des bugs dans le système produisant des données erronées, des praticiens ignorant ou modifiant manuellement les recommandations, des produits mal catégorisés se voyant attribuer un mauvais profil saisonnier, ainsi que de simples erreurs humaines (pour n’en citer que quelques exemples) peuvent tous être considérés comme des causes profondes. Sans capacités programmatiques, il serait impossible de mener de telles enquêtes.

De nombreux logiciels d’entreprise se vantent de disposer de capacités ou de rapports d’analyse des causes profondes (RCA), mais en réalité, ils identifient généralement des symptômes évidents plutôt que les véritables causes profondes. Par exemple, si le logiciel identifie un bon de commande excessif comme cause profonde d’un surstock, cela n’est pas particulièrement utile si le logiciel avait recommandé ce bon de commande dès le départ. Cela est particulièrement préjudiciable si l’on s’attend implicitement à ce que les praticiens annulent manuellement les bons de commande défectueux générés par le logiciel.

En revanche, toute cause profonde qui peut être retracée jusqu’à la recette numérique générée par Lokad pour le client déclencherait immédiatement l’intervention du Supply Chain Scientist en charge du compte — généralement une réécriture corrective. Cette fonctionnalité de réécriture n’est possible que parce que la plateforme de Lokad est programmatique.

1.10 Quelles capacités d’analyse et de reporting possédez-vous pour suivre la performance et les tendances des stocks ?

La plateforme de Lokad dispose de capacités analytiques et de reporting programmatiques étendues. Cela signifie que toute analyse — et en particulier l’analyse de la performance des stocks — réalisable dans un tableur ou un outil de business intelligence peut également être effectuée sur la plateforme de Lokad.

De plus, la plateforme de Lokad est à la fois évolutive et rentable lors de sa montée en charge. Cela signifie qu’il nous est possible d’historiser tout, y compris les données qui ne sont pas toujours historisées dans les systèmes d’entreprise (par ex., les niveaux de stocks historiques et les prix historiques). La plateforme adopte également une approche prédictive quant à la performance des stocks. En effet, déterminer s’il y a trop ou pas assez de stocks dépend des attentes de la demande future. Ces capacités prédictives sont également programmatiques, ce qui signifie qu’elles peuvent être adaptées au besoin.

Au-delà de ces capacités brutes de la Platforme, l’approche recommandée par Lokad en matière de performance des stocks est double. Premièrement, la performance doit être ramenée aux décisions originelles de la supply chain qui ont généré les stocks (ou l’absence de stocks). Plutôt qu’une cause racine, les niveaux de stocks sont le symptôme de l’action entreprise par le client (et son éditeur de logiciels support), qu’elle soit bonne ou mauvaise. Deuxièmement, la performance doit être évaluée en termes d’impact financier (par exemple, en euros ou en dollars), plutôt qu’en pourcentages arbitrairement déterminés liés aux KPI (par exemple, taux de service).

Les évaluations basées sur les aspects financiers sont cruciales pour équilibrer efficacement les nombreux facteurs qui contribuent à chaque décision de supply chain. La Platforme de Lokad simplifie ces pratiques, facilitant ainsi la compréhension par les analystes côté client de leur performance de stocks—en tirant parti d’un nombre quelconque de tableaux de bord personnalisables disponibles via leur compte Lokad.

1.11 Fournissez-vous des listes TOP P/N (numéros de pièce) par catégorie pour mettre en évidence où se situe le plus grand potentiel d’amélioration ?

Executive summary: Oui, la Platforme de Lokad peut générer des listes Top P/N par catégorie, région et période, et évaluer le potentiel d’amélioration en termes monétaires, en mettant l’accent sur des appels à l’action concrets plutôt que sur une simple priorisation des SKU. Cependant, Lokad déconseille de se concentrer uniquement sur l’amélioration de la performance au niveau des SKU, privilégiant l’amélioration systématique des recettes numériques qui régissent les décisions de supply chain, avec des rapports au niveau des SKU comme outil de support.

Avec la Platforme de Lokad, il est très simple de générer des listes Top P/N de numéros de pièce (ou SKU—stock keeping units) par catégorie, région, période, etc. Comme la solution de Lokad est programmative, toute liste qui peut être conçue dans un tableur ou un outil de business intelligence peut également être réalisée sur la Platforme de Lokad. De plus, en combinant nos capacités prédictives avec notre perspective financière, le potentiel d’amélioration peut être évalué en termes monétaires (par exemple, en euros ou en dollars) plutôt qu’en pourcentages arbitrairement déterminés liés aux KPI (par exemple, taux de service).

L’approche privilégiée de Lokad consiste à calculer des appels à l’action priorisés, avec des priorités exprimées en dollars ou en euros gagnés si l’action proposée est entreprise. Ces appels à l’action sont divers et peuvent inclure l’expédition accélérée ou le report d’un bon de commande, l’identification d’un fournisseur alternatif, l’élargissement de l’assortiment avec plus de variantes, la suppression progressive de produits de l’assortiment, etc. Contrairement à une simple priorisation des P/N, une priorisation des appels à l’action est, par conception, entièrement exploitable. L’appel à l’action n’est pas nécessairement exprimé au niveau du P/N. Lokad est capable d’exprimer des appels à l’action très divers à n’importe quelle granularité, pas seulement au niveau du P/N.

Cependant, derrière cette question se cache une perspective que Lokad ne recommande pas pour la supply chain. L’intention de rechercher une amélioration de la performance au niveau des SKU est de prioriser l’attention des praticiens de la supply chain dans un contexte où il est attendu que les SKU soient examinés manuellement. Cette approche est obsolète et n’utilise pas correctement le temps des praticiens de la supply chain. Les problèmes de stocks rencontrés avec un SKU donné ne sont presque jamais spécifiques à ce SKU. En réalité, il y a quelque chose qui ne va pas avec la recette numérique en général, et à moins que ce problème plus général ne soit réglé, la prochaine occurrence se manifestera via un autre SKU.

Ainsi, le temps des experts devrait être investi dans l’amélioration systématique des recettes numériques qui régissent les décisions de supply chain. Bien que les capacités de reporting au niveau des SKU soient importantes, elles ne sont principalement que des instruments de support pour l’amélioration continue des recettes numériques, et non des outils de priorisation de l’attention.

2. Niveaux de stocks & taux de service

2.1 Fournissez-vous des rapports de stocks disponibles ?

Oui, la Platforme de Lokad permet d’obtenir facilement un rapport couvrant les niveaux de stocks disponibles. Lokad est capable de traiter les données relationnelles du système d’information du client pour générer de tels rapports. De plus, la Platforme de Lokad peut également gérer les subtilités associées aux niveaux de stocks disponibles, telles que les stocks réservés ou en rupture de stock. Toutes ces données peuvent être historisées par Lokad, même si elles ne le sont pas dans les systèmes d’information d’origine. Enfin, ces informations peuvent être présentées soit en unités, soit en unités financières conformément aux règles d’évaluation préférées par le client. Les rapports sur les stocks disponibles sont basés sur la dernière synchronisation incrémentale avec les systèmes d’information.

Cependant, cette fonctionnalité n’est pas l’application principale de Lokad. Bien que Lokad puisse vérifier en temps réel les niveaux de stocks disponibles pour n’importe quel SKU, notre technologie se veut être une couche analytique au-dessus des systèmes transactionnels. Ces systèmes restent en charge de la « gestion » des stocks pour toutes les opérations transactionnelles ordinaires, tandis que Lokad est conçue pour optimiser l’intelligence décisionnelle en matière de stocks.

2.2 Comment calculez-vous et optimisez-vous le taux de service des stocks ?

Executive summary: Lokad délivre des taux de service de stocks optimisés en intégrant la prévision probabiliste avec l’optimisation stochastique. Cette approche permet d’adapter les décisions de supply chain à des critères quantitatifs spécifiques, tels que l’équilibre entre des taux de service élevés, un stock minimal et un ROI maximisé.

Lokad optimise le taux de service des stocks en combinant les capacités de prévision probabiliste et d’optimisation stochastique. Cela nous permet d’optimiser les décisions de supply chain pour refléter n’importe quel critère quantitatif pouvant être exprimé dans Excel, mais en mieux. En particulier, optimiser les décisions de réapprovisionnement conformément à certains taux de service—tout en minimisant la quantité de stocks et en maximisant le ROI—est très simple.

Les prévisions probabilistes sont extrêmement puissantes pour s’assurer que les décisions de supply chain reflètent véritablement le taux de service intentionné, même lorsque les taux de service sont très élevés (par exemple, 98 % et plus). Les prévisions classiques des séries temporelles (c’est-à-dire non probabilistes) ainsi que leurs méthodes classiques de stocks (par exemple, les stocks de sécurité) échouent systématiquement dans ces conditions, car les hypothèses de modèle sous-jacentes (c’est-à-dire des distributions normales pour la demande et les délais) sont systématiquement violées par les conditions réelles de supply chain. Lokad peut, et le fait parfois, optimiser les taux de service. Pour ce faire, nous introduisons les leviers économiques pertinents : coûts de détention, coûts du capital, pénalités de rupture de stock, marge brute, etc. Ensuite, nous calculons les taux de service qui maximisent le retour en dollars par dollar dépensé par le client.

Une fois cela réalisé, nos clients se rendent généralement compte que les taux de service peuvent, en fait, être entièrement contournés. Lokad a la capacité de tirer parti des leviers économiques susmentionnés pour optimiser directement les décisions de supply chain elles-mêmes (plutôt que des KPI de supply chain quelque peu arbitraires). Ainsi, les stocks finissent par présenter des taux de service qui reflètent la stratégie la plus rentable pour l’entreprise. Cela est vrai malgré le fait que Lokad optimise directement le retour en dollars par dollar dépensé plutôt que des pourcentages liés à des KPI arbitraires.

“KPI arbitraire” n’est pas de l’hyperbole. Premièrement, le taux de service est typiquement basé sur la satisfaction des demandes clients de manière isolée, plutôt que sur la satisfaction des demandes clients de la manière la plus rentable possible. Cette dernière approche est une perspective bien plus nuancée qui prend en compte les coûts associés à la tentative de satisfaire des taux de service élevés pour des SKU qui pourraient, par eux-mêmes, ne pas être particulièrement rentables. Ignorer cette perspective garantit la poursuite de coûts de stocks inutiles (et des radiations de stocks).

Deuxièmement, le taux de service—un pourcentage arbitraire et bureaucratique—n’est pas synonyme de « qualité de service » pour les clients. Les taux de service ignorent, par conception, toutes les cannibalisations et substitutions qui existent dans une offre. Inversement, ils ignorent également, par conception, toutes les dépendances qui existent au sein de l’offre, où obtenir le produit A n’a de sens que si le produit B est également disponible.

Troisièmement, même du point de vue d’un SKU unique, les taux de service ne prennent pas en compte les commandes en gros—des situations où un client s’attend à ce qu’une quantité déterminée soit disponible à l’achat. Dans ce cas, tant les étagères vides que les étagères insuffisamment approvisionnées constituent des menaces à la qualité de service.

En bref, le taux de service est un instrument de supply chain obsolète, à ne pas confondre avec la « qualité de service », qui reste aussi importante que jamais. Lokad reconnaît qu’une change management opportune peut nécessiter une période de transition comportant de tels KPI, cependant, à long terme, nous recommandons vivement la perspective économique supérieure qui optimise le retour en dollars par dollar dépensé.

Consultez La Supply Chain Quantitative en Bref pour en savoir plus sur la perspective financière de Lokad.

2.3 Comment optimisez-vous les niveaux de stocks et réduisez-vous les coûts de détention ?

Executive summary: Lokad suit un processus en deux étapes. Premièrement, nous établissons un modèle prédictif probabiliste. Ce modèle prédictif est une version généralisée des anciens modèles de prévision des séries temporelles (désormais obsolètes), car il couvre toutes les sources d’incertitude, pas seulement la demande. Deuxièmement, nous appliquons une optimisation stochastique. L’optimisation stochastique est le processus qui génère les décisions de supply chain d’intérêt, par exemple, les quantités de réapprovisionnement. L’optimisation est dite « stochastique » car le critère d’optimisation est bruité/aléatoire, ce qui reflète les conditions incertaines futures de la supply chain.

Le critère d’optimisation préféré de Lokad reflète les leviers économiques du client. Ainsi, lors de l’optimisation des stocks du client, Lokad quantifie explicitement les divers coûts (par exemple, les coûts de détention, les coûts du fonds de roulement, les coûts de radiation, etc.) ainsi que les avantages (par exemple, la marge brute, les pénalités de rupture de stock, etc.) afin de maximiser la rentabilité. En conséquence, nous ajustons les niveaux de stocks pour minimiser les coûts de détention, mais seulement dans la mesure où ces gains ne sont pas compensés par des pertes résultant d’une qualité de service dégradée.

Bien que le critère d’optimisation préféré de Lokad soit enraciné dans la quantification minutieuse des leviers économiques du client, nous pouvons ajuster nos critères pour refléter un nombre quelconque de facteurs alternatifs. La Platforme de Lokad est programmative, ce qui signifie qu’elle peut être adaptée pour satisfaire n’importe quel critère souhaité par le client, y compris ceux qui pourraient être exprimés dans un tableur Excel traditionnel.

Consultez Les Facteurs Économiques en Supply Chain et La Supply Chain Quantitative en Bref pour en savoir plus sur la perspective financière de Lokad.

2.4 Comment optimisez-vous les stocks de sécurité afin de minimiser les ruptures de stock tout en contrôlant les coûts de détention ?

Executive summary: Les décisions ajustées au risque de Lokad minimisent soigneusement le risque financier réel des ruptures de stock en augmentant les niveaux de stocks jusqu’au point où les coûts marginaux de détention sont supérieurs au coût d’un événement de rupture de stock. Étant donné que l’optimisation doit faire face à une incertitude ambiante constante—l’avenir est imprévisible—l’optimisation stochastique est nécessaire. Les méthodes traditionnelles de prévision et d’optimisation (c’est-à-dire les modèles déterministes) ne peuvent pas faire face aux variables futures bruitées/aléatoires—les prévisions probabilistes avec optimisation stochastique le peuvent.

Lokad optimise tous les stocks—y compris les stocks de sécurité—en s’appuyant sur des prévisions probabilistes combinées à une optimisation stochastique. Les prévisions probabilistes incluent la demande future et les délais futurs, ainsi que toute autre source pertinente d’incertitude. L’optimisation stochastique peut être ajustée pour satisfaire n’importe quel critère numérique, y compris la minimisation des ruptures de stock sous une contrainte de coûts de détention maximale.

Les prévisions probabilistes sont particulièrement aptes à traiter les conditions inhabituelles qui engendrent les ruptures de stock dès le départ. Si une rupture de stock se produit, c’est typiquement parce que la demande ou le délai a augmenté de manière inattendue—voire les deux. Les modèles classiques de prévision des séries temporelles (c’est-à-dire non probabilistes) n’identifient qu’une seule valeur future (par exemple, X), rejetant ainsi entièrement ce qu’ils estiment être les valeurs alternatives moins probables—bien que loin d’être improbables—(par exemple, X+1, X-1, etc.).

En conséquence, les prévisions classiques des séries temporelles sont en grande partie aveugles quant à l’évaluation quantitative d’événements improbables, comme celui qui causerait une rupture de stock. Lorsqu’une entreprise vise une fréquence de rupture de stock inférieure à 1 % du temps (par exemple, par trimestre), les ruptures de stock qui se produisent restent, par conception, parmi les 1 % de situations les plus extrêmes.

Le processus d’optimisation stochastique est essentiel pour transformer les prévisions probabilistes originales en décisions de supply chain, telles que les réapprovisionnements de stocks. La préférence de Lokad est une approche purement économique où le coût des ruptures de stock est exprimé en dollars (ou en euros), aux côtés des autres coûts, tels que les coûts de détention.

Selon Lokad, le modèle de stock de sécurité est un concept obsolète, bien qu’il puisse être inclus dans notre Platforme à la demande du client. Nous recommandons vigoureusement d’adopter pleinement la perspective de la supply chain quantitative, plutôt que de se fier à des méthodes inadaptées. Par exemple, l’un des plus grands défauts des modèles de stock de sécurité est que (par conception) ils ne peuvent pas prioriser, en cas de deux SKU sur le point d’une rupture de stock, lequel est le plus important. Cette perspective traite les SKU de manière strictement isolée, contrecarrant ainsi la tentative d’optimiser la supply chain dans son ensemble.

Consultez Pourquoi les stocks de sécurité sont dangereux et L’allocation de stocks chez un distributeur avec des prévisions probabilistes pour en savoir plus sur ces points.

2.5 Calculez-vous et ajustez-vous dynamiquement les niveaux de stocks de sécurité au niveau des magasins/entrepôts ?

Executive summary: Oui, la Platforme de Lokad permet de rafraîchir l’ensemble du processus d’optimisation des stocks dès que de nouvelles données d’entrée sont fournies—généralement sur une base quotidienne. En règle générale, nous maintenons tous les calculs en dessous de 60 minutes, y compris le rafraîchissement de toutes les prévisions et décisions pour chaque SKU dans chaque localité—magasins et entrepôts inclus. Cette approche flexible et évolutive n’est possible que grâce aux décisions d’ingénierie spécifiques.

La plateforme de Lokad met en avant un design “stateless” pour l’optimization de la supply chain. Nous ne recyclons pas les calculs précédents, nous recalculons plutôt tout à chaque réception des données d’entrée brutes. Bien que cela puisse augmenter les ressources informatiques, c’est la seule méthode efficace (actuellement disponible) pour garantir l’intégrité du traitement des données—quelque chose qui est compromis sans le design stateless de Lokad. L’alternative consiste à permettre à l’environnement de production du client de devenir le terrain d’essai pour des données semi-vérifiées—ce que Lokad ne recommande pas.

Ces rafraîchissements couvrent tous les paramètres qui gouvernent l’optimization de la supply chain que Lokad propose. Si le client le souhaite, les rafraîchissements peuvent inclure des prévisions des séries temporelles, des stocks de sécurité, et des taux de service optimisés. Cependant, Lokad recommande fortement aux clients de ne pas dépendre de ces méthodes obsolètes, et d’adopter pleinement le pouvoir d’optimization supérieur de la prévision probabiliste et de l’optimisation stochastique.

Veuillez consulter Tout rafraîchir chaque jour pour plus d’informations à ce sujet.

Voir également Niveaux de stocks & taux de service 2.4 dans cette FAQ.

2.6 Évaluez-vous l’impact des niveaux/formules de stocks de sécurité sur le maintien des taux de service désirés?

Oui, grâce à la plateforme de Lokad, un praticien de la supply chain peut évaluer l’impact d’un stock de sécurité donné sur le taux de service. En d’autres termes, on peut choisir un niveau de stock de sécurité et voir le taux de service correspondant. La plateforme permet également au praticien de la supply chain d’évaluer d’autres facteurs, tels que les coûts de détention prévus (ou du moins la durée de détention si les caractéristiques économiques des stocks n’ont pas été fournies), et/ou le risque de stocks morts.

Cependant, les stocks de sécurité et les taux de service sont des concepts en grande partie obsolètes. Bien que nous soyons capables de les inclure dans notre plateforme, Lokad ne les recommande pas. La prévision probabiliste et l’optimisation stochastique—l’assise de l’optimization de Lokad—représentent une alternative supérieure à tous égards.

Veuillez consulter L’allocation de stocks chez un distributeur avec des prévisions probabilistes pour plus d’informations à ce sujet.

Voir également Niveaux de stocks & taux de service 2.4 dans cette FAQ.

2.7 Lokad permet-il la mise en œuvre de stratégies de stocks variées, chacune avec des taux de service spécifiques et des intervalles de confiance, différenciées selon plusieurs dimensions organisationnelles (par exemple, par SKU, catégorie de produit et/ou région)?

Executive summary: Oui. La plateforme de Lokad supporte la différenciation des stratégies ou politiques de stocks au niveau du SKU. De telles stratégies peuvent refléter des paramètres différenciés—au niveau du SKU—en prenant en compte des cibles de taux de service variables, des intervalles de confiance variables (pour les stocks de sécurité), etc. Ces stratégies peuvent également être différenciées à toute granularité intermédiaire (et pas seulement au niveau du SKU). Par exemple, il est possible d’appliquer sélectivement des paramètres par région, par catégories de produit, par attribut d’article (par ex., un seuil sur le poids de l’article), etc.

La plateforme de Lokad est programmatique, par conséquent nous pouvons mettre en œuvre toute stratégie de stocks pouvant être exprimée dans un tableur—aussi arbitraire ou inhabituelle qu’elle puisse être. Les Supply Chain Scientists de Lokad exécutent ces tâches et veillent à ce que le résultat reflète fidèlement l’intention initiale de l’entreprise cliente.

Bien que la plateforme de Lokad puisse être utilisée pour atteindre des taux de service, nous recommandons fortement de ne pas le faire. La plateforme de Lokad est avant tout dédiée à optimiser le retour en dollars pour chaque dollar dépensé, et non des pourcentages liés à des KPIs arbitraires. En fait, il existe deux objections fondamentales à la notion même de “taux de service”.

Premièrement, malgré une appellation similaire, le lien entre le taux de service et la qualité de service—tel que perçue par le consommateur—est ténu. De nombreux manuels de supply chain, et par conséquent de nombreux logiciels de supply chain, confondent à tort ces deux notions. Les taux de service ignorent entièrement la gamme de toutes les substitutions possibles, ainsi que toutes les dépendances possibles entre les produits. En tant que tel, les taux de service sont un mauvais substitut pour une véritable compréhension de la qualité de service.

Deuxièmement, les taux de service, par conception, contribuent à la génération continue de radiations de stocks. Cela s’explique par leur focalisation unique sur l’aspect positif (c’est-à-dire la satisfaction de la demande), ce qui signifie en fin de compte qu’ils sont aveugles à l’aspect négatif (c’est-à-dire se retrouver avec des unités de stocks qui ne sont jamais vendues/demandées/consommées).

2.8 Pouvez-vous appliquer des taux de service et des rotations de stocks par SKU ou par P/N (Part Number)?

Oui, la plateforme de Lokad nous permet d’ajuster le processus d’optimisation de stocks en fonction d’un taux de service/rotation de stocks donné, jusqu’au niveau SKU, ou à toute granularité intermédiaire (P/N, marque, localisation, catégorie, gamme de prix, etc.). À cet égard, la plateforme de Lokad peut orienter les décisions de stocks pour refléter n’importe quel ou plusieurs objectif(s) quantitatif(s) souhaité(s) par le client.

Cependant, aucun fournisseur ne peut promettre que ses paramètres seront “appliqués”, du moins pas pour un SKU donné. Fondamentalement, tant les taux de service que les rotations de stocks dépendent du comportement des clients. S’il y a un afflux d’intérêt pour un produit donné, la demande qui en résulte peut largement dépasser les niveaux de stocks, et l’objectif de taux de service ne sera pas atteint. De même, s’il y a une baisse d’intérêt, les objectifs de rotation de stocks ne seront pas non plus atteints.

La technologie de prévision probabiliste de Lokad garantit qu’en moyenne, sur de nombreux SKU (c’est-à-dire des milliers) et sur une période conséquente (c’est-à-dire des semaines), les taux de service observés et les rotations de stocks reflètent les paramètres souhaités par le client. C’est, pratiquement parlant, le plus proche que l’on puisse raisonnablement s’approcher de “l’application” de paramètres qui sont en fin de compte déterminés par le(s) client(s).

Voir également Niveaux de stocks & taux de service 2.7 dans cette FAQ.

3. Surstocks

3.1 Comment intégrez-vous le risque de radiation de stocks?

Les prévisions probabilistes utilisées par Lokad constituent un ingrédient essentiel de l’évaluation de la radiation de stocks. Grâce aux prévisions probabilistes, Lokad évalue tous les futurs possibles, y compris les moins probables, plutôt que de baser toute l’analyse sur une seule valeur future déterminée (c’est-à-dire des prévisions classiques ponctuelles/des séries temporelles). En réalité, c’est la forte baisse de la demande attendue (peu probable mais pas impossible) qui provoque la radiation de stocks, quelque chose que les prévisions probabilistes sont conçues pour quantifier explicitement à l’avance.

Une fois les prévisions probabilistes établies, Lokad produit des décisions supply chain ajustées en fonction du risque. Ces décisions supply chain sont optimisées par rapport aux leviers économiques pertinents, dont la possibilité de radiation de stocks fait partie. La décision (par exemple, un réapprovisionnement en stocks) est ajustée en fonction du risque, puisqu’elle équilibre l’avantage de mieux servir les clients avec le risque de se retrouver par la suite avec des stocks morts. De plus, Lokad peut prendre en compte l’option intermédiaire qui pourrait être disponible pour l’entreprise cliente, comme des canaux de vente secondaires capables d’absorber le stock supplémentaire, certes à des prix fortement réduits.

Voir également Niveaux de stocks & taux de service 2.3 dans cette FAQ.

3.2 Comment gérez-vous et optimisez-vous les stocks morts et/ou en sommeil?

Lokad s’attaque de manière proactive aux stocks morts en éliminant, ou du moins en réduisant fortement, les décisions supply chain qui génèrent en définitive des stocks morts. Ce mécanisme proactif repose largement sur les prévisions probabilistes réalisées par Lokad.

Contrairement aux prévisions classiques de séries temporelles qui identifient une seule valeur future—ignorant ainsi toutes les valeurs alternatives—Lokad évalue quantitativement tous les futurs possibles via leurs probabilités respectives. Au travers de cette évaluation, nous quantifions le risque de générer des stocks morts pour chaque décision supply chain (par exemple, commander 5 unités au lieu de 4). Si une décision supply chain (par exemple, commander 5 unités supplémentaires) est jugée trop risquée en termes de stocks morts, alors cette décision est ajustée afin de réduire le risque. Naturellement, le risque de radiation de stocks ne peut être entièrement éliminé, mais une fois correctement évalué, la fréquence des radiations de stocks peut être considérablement réduite.

Concernant les stocks en sommeil, sauf si ces stocks remplissent une fonction très spécifique (comme c’est le cas dans des environnements industriels où les pièces de rechange répondent à des pannes rares mais critiques), Lokad recommanderait généralement de baisser le prix afin de stimuler la demande. Cela permettrait finalement de liquider ce qui reste des stocks. La plateforme de Lokad est capable de produire un processus conjoint d’optimisation des stocks et de tarification à cet effet.

Voir également Surstocks 3.1 dans cette FAQ.

3.3 Identifiez-vous les stocks non performants, par exemple, E&O (excédents et obsolescents) et stocks morts?

Executive summary: Oui. Grâce aux prévisions probabilistes, Lokad identifie et quantifie les cycles de vie des unités en stocks pour chaque SKU. Pour chaque unité en stock, nous estimons la probabilité que cette unité soit demandée (ou servie ou consommée) dans un horizon temporel donné. Par exemple, lorsqu’on considère un SKU en surstock, nous pouvons évaluer quelle fraction des stocks risque de devenir des stocks morts, et quelle fraction est à risque de devenir obsolète (nécessitant des réductions pour stimuler les ventes). C’est la même approche que nous adoptons pour les stocks excédentaires et obsolescents, et constitue un élément majeur dans l’élaboration de nos décisions supply chain recommandées.

La perspective de la prévision probabiliste permet à Lokad de considérer toutes les valeurs futures possibles (par exemple, de la demande), au lieu de se reposer sur une seule (comme dans une prévision traditionnelle de séries temporelles). Cette perspective est essentielle pour aborder toutes les variations subtiles qui existent lorsqu’on essaie de mitiger les risques de stocks. Considérer les stocks morts est quelque chose qui ne peut être que prévenu (plutôt que traité a posteriori), le défi étant d’instaurer un processus qui réduit efficacement la probabilité d’accumuler des stocks morts dès le départ. Un tel processus nécessite de quantifier précisément la probabilité qu’une décision supply chain génère des stocks excédentaires/obsolescents/morts/dépréciés.

Les modèles de prévision de séries temporelles sont, par conception, incapables de ce type d’évaluation du risque. La principale raison est que les prévisions de séries temporelles ne considèrent qu’une seule valeur future (par exemple, la demande). Ce niveau de simplicité permet de décomposer proprement les SKU en catégories bien définies (comme les classes A/B/C dans une analyse ABC). Cependant, cette simplicité implique qu’une évaluation détaillée du risque n’est pas possible, étant donné qu’une liste classée de décisions ajustées en fonction du risque pour un SKU donné nécessite des données pour de multiples scénarios futurs (c’est-à-dire vendre 1/2/3/4/5/etc. unités du même SKU).

En résumé, adopter une approche probabiliste de la prévision (dans ce cas, de la demande) conduit à une stratégie proactive et efficace qui atténue la génération de stocks non performants, plutôt que d’essayer de les traiter a posteriori—moment auquel il n’y a guère d’autre choix que de s’en défaire.

3.4 Disposez-vous d’indicateurs clés de performance (KPIs) pour suivre les stocks actifs vs en sommeil vs nouveaux?

Executive summary: Oui. La plateforme de Lokad est programmatique—ce qui signifie que nous pouvons concevoir tout type de KPI que nous souhaitons—et nos Supply Chain Scientists se chargent de la construction et de la mise en œuvre des KPIs du client (en collaboration avec ce dernier). Lokad fournit des KPIs sur mesure qui reflètent véritablement les nuances des stocks du client. Lokad peut également reproduire tous les KPIs que le client a pu utiliser précédemment et souhaite conserver, bien que, généralement, ceux-ci soient moins utiles que ceux sur mesure conçus par Lokad pour le projet.

Non seulement Lokad peut suivre l’âge exact de chaque unité en stock, mais grâce à nos prévisions probabilistes, nous évaluons également la probabilité que l’unité reste en stock pendant une durée donnée (1 semaine, 1 mois, 1 an, etc.). Qualifier les stocks comme actifs ou en sommeil n’est pas une simple question de visualisation des données historiques. Au contraire, cela implique une projection de la demande future. Ainsi, les “KPIs” sont prédictifs. Par conséquent, ils dépendent implicitement de la pertinence du modèle prédictif sous-jacent pour réaliser une telle tâche. Ici, les prévisions de demande probabilistes sont bien adaptées pour évaluer les risques associés à une forte baisse de la demande.

En revanche, certains fournisseurs de logiciels d’entreprise traitent les KPIs de stocks comme s’ils étaient une réflexion directe de ces données historiques. Cependant, l’aspect “prédictif” ne peut être évité. Bien souvent, ces fournisseurs ne se rendent pas compte qu’ils se reposent implicitement sur une prévision de demande basée sur une moyenne mobile, donnant ainsi l’illusion qu’aucune prévision n’a réellement lieu. En conséquence, ces KPIs inappropriés s’avèrent nuisibles pour l’entreprise, car ils ne font que détourner l’attention des praticiens de la supply chain.

Voir également Surstocks 3.3 dans cette FAQ.

3.5 Comment intégrez-vous, surveillez-vous et optimisez-vous les dépréciations mensuelles des stocks ? Comment gérez-vous la variabilité du processus de dépréciation lui-même ?

Executive summary: Lokad aborde la dépréciation des stocks par une approche globale impliquant le suivi de la composition des stocks, la modélisation des mécanismes de dépréciation, et la génération de décisions supply chain ajustées en fonction du risque. En maintenant des enregistrements détaillés des niveaux et âges des stocks, en utilisant des modèles prédictifs pour anticiper la composition future des stocks, et en employant des capacités programmatiques pour refléter divers mécanismes de dépréciation, Lokad gère efficacement à la fois les facteurs internes et externes de dépréciation. La plateforme de Lokad exploite l’optimisation stochastique pour prendre des décisions supply chain qui prennent en compte tous les leviers économiques, y compris les coûts de dépréciation, atténuant ainsi de manière proactive les risques de dépréciation des stocks et les équilibrant avec d’autres considérations opérationnelles.

Aborder les dépréciations des stocks implique de traiter une série de sous-problèmes. Le premier consiste à suivre la composition exacte des stocks—notamment pas seulement les totaux exprimés en unités de stocks. Par exemple, l’âge de chaque unité est important. Le deuxième problème consiste à modéliser le mécanisme de dépréciation lui-même. Il peut s’agir d’un phénomène purement endogène, où les marchandises se dégradent avec le temps, ou d’un phénomène exogène, où les conditions du marché changent et dévaluent les marchandises dans le processus. Le troisième problème est de générer des décisions supply chain ajustées en fonction du risque en ce qui concerne la dépréciation potentielle.

Tout d’abord, grâce à la plate-forme de Lokad, nous suivons non seulement les niveaux de stocks, mais aussi l’ancienneté de chaque unité en stock (passé et futur). Ce processus constitue un modèle prédictif à part entière. Même lorsqu’il s’agit des données historiques (obtenues des systèmes d’information), la répartition par ancienneté des unités en stock n’est généralement pas enregistrée et ne peut être que déduite. Il existe une exception notable pour les stocks en série, où chaque unité en stock est suivie par son numéro de série ; dans ce cas, il n’est pas nécessaire de disposer d’un modèle prédictif pour le passé, mais il en faut toujours un pour l’avenir. Le modèle prédictif de la composition des stocks peut s’appuyer sur une hypothèse FIFO (first-in, first-out) pour la consommation des stocks, ainsi que sur quelques autres schémas plus nuancés.

Par exemple, dans un magasin de vente au détail, les clients peuvent parfois adopter un comportement contraire, comme sélectionner les marchandises les mieux présentées (ou choisir en fonction des dates de péremption, si disponibles), transformant ainsi, dans une certaine mesure, la consommation des stocks en LIFO (last-in, first-out). Lokad peut gérer le FIFO et le LIFO, ainsi que l’ensemble du spectre intermédiaire.

Deuxièmement, grâce aux capacités programmatiques de la plate-forme de Lokad, nous pouvons refléter tout mécanisme de dépréciation. Par exemple, Lokad peut refléter une dépréciation exponentielle où les marchandises perdent une petite fraction de leur valeur à chaque période ; ou Lokad peut refléter une dépréciation par paliers où les marchandises perdent une fraction importante de leur valeur à certains seuils d’ancienneté. De plus, le mécanisme de dépréciation peut impliquer des dépendances entre produits. Par exemple, il est prévu que les marchandises perdent une part importante de leur valeur lorsque des produits concurrents supérieurs sont introduits — comme cela se produit fréquemment dans certains segments (notamment l’électronique grand public).

La variabilité du processus de dépréciation, qui tend à être marquée lorsqu’on considère des dépréciations exogènes, bénéficie de modèles prédictifs (probabilistes) au sein de la plate-forme de Lokad. Il n’est pas nécessaire de savoir exactement quand un produit concurrent sera introduit ; en examinant les données historiques, nous pouvons modéliser le rythme de remplacement des produits et refléter la probabilité qu’un produit donné devienne obsolète dans un horizon temporel donné (par exemple, une semaine, un mois, un an, etc.). Ces modèles probabilistes sont appris en tirant parti des données historiques mises à la disposition de Lokad.

Troisièmement, Lokad calcule des décisions supply chain ajustées au risque en tenant compte de tous les moteurs économiques pertinents. Le processus constitue une optimisation stochastique, car la fonction de perte (c’est-à-dire les coûts et les bénéfices) est bruitée/variable. Les coûts de dépréciation sont inclus aux côtés de tous les autres moteurs pertinents. Puisque la plate-forme de Lokad offre à la fois des paradigmes d’apprentissage programmatique et d’optimisation, nous pouvons produire des décisions ajustées au risque tout en considérant (et en combinant) des types de coûts très divers.

En conclusion, en produisant des décisions supply chain ajustées au risque (par exemple, des bons de commande, des ordres de production, etc.) qui prennent en compte la dépréciation des stocks, Lokad atténue de manière proactive la quantité de stocks qui finira par subir une dépréciation. Chaque décision est délicatement détournée du risque de dépréciation, mais pas au point que ce détournement aggrave un autre problème, tel que la dégradation du taux de service, au-delà des gains obtenus grâce à la réduction de la dépréciation.

3.6 Fournissez-vous un rapport sur les stocks excédentaires ?

Executive summary: Oui. La plate-forme de Lokad intègre une technologie de prévision de la demande de pointe. Nous utilisons cette technologie pour évaluer le temps nécessaire afin de faire circuler l’ensemble des stocks engagés, qu’ils soient en main ou en commande. De plus, notre technologie prend en charge les prévisions probabilistes, fournissant ainsi une évaluation quantitative directe des risques de surstock. En combinant les prévisions probabilistes avec un modèle économique des stocks qui reflète tous les moteurs économiques pertinents, Lokad fournit une évaluation quantitative des risques liés aux stocks, exprimée en termes d’impact monétaire (par exemple, en euros ou en dollars).

Les stocks sont toujours considérés comme ‘excessifs’ lorsqu’ils sont comparés à un modèle prédictif de la demande. Il n’existe pas de ‘stock excessif’ sans émettre une hypothèse sur la demande future (même si cette hypothèse peut être implicite). Toute solution logicielle qui génère un rapport de surstockage basé sur des règles telles que ‘plus de X mois de stocks’ fonde, implicitement, son évaluation du surstock sur une prévision de la demande par moyenne mobile, ce qui s’avère insuffisant pour la plupart des secteurs.

De plus, sans un modèle économique robuste pour refléter l’équation coût/récompense des stocks, l’entreprise cliente s’expose à d’importantes erreurs de stocks. Une décision fondée sur des considérations financières concernant les stocks peut sembler étrange au premier abord, bien qu’elle soit parfaitement logique. Par exemple, si un article est très bon marché, de très petite taille, vendu avec une marge brute confortable, absolument requis par le client (en petites quantités), et ne peut être acquis qu’en atteignant des MOQ (quantités minimales de commande) très élevées, il pourrait être raisonnable de détenir en stock plus d’une fourniture annuelle de cet article. Bien que posséder plus d’une année de stocks puisse paraître être une erreur, le retour sur investissement peut raconter une tout autre histoire.

Voir No1 au niveau SKU dans la compétition de prévision M5 pour en savoir plus sur l’approche pratique de prévision de Lokad.

4. Stockouts

4.1 Allouez-vous des stocks aux SKUs présentant un risque de rupture de stock ?

Oui, de manière générale, une des conséquences de l’optimisation des stocks par Lokad est que les stocks finissent par être alloués aux SKUs à mesure que leur risque de rupture de stock augmente. Toutes choses étant égales par ailleurs, les SKUs sur le point de connaître un événement de rupture de stock bénéficient d’une attention prioritaire.

Cependant, nous recommandons d’adopter une perspective économique de bout en bout pour l’optimisation en cas de ruptures de stock. Cela signifie considérer l’impact financier total d’une décision supply chain (par exemple, allouer des stocks pour éviter un événement de rupture de stock). Parfois, éviter les ruptures de stock n’est pas toujours économiquement viable.

Par exemple, pour les magasins de mode, il est naturel qu’à la fin de la saison, les articles d’une collection démodée soient progressivement autorisés à atteindre un statut de rupture de stock. Cela est fait intentionnellement afin de faire de la place pour la collection suivante, plus récente. De même, si un produit est remplacé par une alternative supérieure, il est logique de laisser le produit obsolète atteindre le statut de rupture de stock, puis de l’éliminer de l’assortiment. Ainsi, de manière générale, une optimisation économique judicieusement conçue tenterait d’éviter les événements de rupture de stock.

Cependant, une telle optimisation fournirait également une réponse bien plus granulaire et sophistiquée lorsqu’il s’agit de dimensionner correctement les investissements (par exemple, combien d’unités sont allouées à un SKU donné) dès le départ, afin de réduire le risque financier.

4.2 Comment priorisez-vous les bons de commande (POs) ?

Executive summary: Lokad priorise les bons de commande (POs) en évaluant le retour économique de chaque unité de stock à commander, dans le but de maximiser le retour par dollar dépensé. Cette évaluation granulaire, intégrée avec des contraintes inter-SKU telles que les quantités minimales de commande, est guidée par la prévision probabiliste et l’optimisation stochastique. Ces technologies évaluent les risques et les retours pour chaque unité, en prenant en compte des facteurs tels que la demande, les délais d’approvisionnement et les retours, afin de créer des bons de commande financièrement optimisés qui équilibrent contraintes et viabilité économique.

L’approche d’optimisation de Lokad consiste à évaluer le retour économique de chaque unité de stock à commander. Cela permet de réduire le risque en maximisant le retour en dollars pour chaque dollar dépensé. Cette évaluation très granulaire est ensuite exploitée par un processus d’optimisation qui génère les PO reflétant correctement toutes les contraintes inter-SKU (par exemple, les quantités minimales de commande au niveau du fournisseur). Ces contraintes sont superposées aux retours économiques par unité qui guident la priorisation globale. En conséquence, les PO de Lokad sont correctement priorisées en interne et chacune d’elles est accompagnée de sa propre évaluation économique (c’est-à-dire le retour économique en dollars). Cette évaluation économique est obtenue par l’agrégation des retours économiques de toutes les unités incluses dans le PO.

Cette priorisation des PO guidée par des considérations financières repose sur deux ingrédients technologiques clés : la prévision probabiliste et l’optimisation stochastique. Ces deux éléments technologiques font partie de la plate-forme de Lokad.

La prévision probabiliste, qui inclut la prévision non seulement de la demande future mais aussi de toutes les autres sources d’incertitude telles que les délais d’approvisionnement ou les retours, est essentielle pour évaluer les risques associés à une commande d’achat. Ces risques comprennent l’impact positif (par exemple, réduire le risque d’un événement de rupture de stock) et l’impact négatif (par exemple, augmenter le risque de stock mort). Grâce à la prévision probabiliste et en tirant parti des moteurs économiques pertinents (par exemple, marge brute, coûts de détention, etc.), Lokad génère le retour sur investissement ajusté en fonction du risque attendu pour chaque unité de stock sur le point d’être commandée, y compris la diminution des retours à mesure que davantage d’unités sont commandées.

Le processus d’optimisation stochastique permet de constituer les PO elles-mêmes. En l’absence de contraintes, il s’agit d’une simple priorisation des unités à acheter — classées selon leur taux de retour en dollars pour dollar dépensé. Cependant, lorsque des contraintes inter-SKU sont présentes, un processus d’optimisation stochastique est nécessaire pour composer automatiquement et avec succès des PO qui appliquent toutes ces contraintes, tout en préservant l’évaluation financière sous-jacente de chaque unité.

4.3 Passez-vous des commandes aux fournisseurs concernant des SKUs stratégiques/critiques ?

Oui, les bons de commande générés par la plate-forme de Lokad intègrent toutes les préoccupations pertinentes, y compris l’importance stratégique/critique que certains SKUs possèdent. Ces préoccupations peuvent comporter des informations explicites provenant du client ainsi que des évaluations quantitatives implicites/déduites découvertes grâce à l’analyse de Lokad.

Par exemple, un SKU peut être considéré comme « critique » parce qu’il est principalement vendu ou destiné aux grands clients importants. Alternativement, un SKU peut être critique en tant qu’il fait partie d’un kit ou d’une nomenclature (BOM, bill of materials), faisant de ce SKU un goulot d’étranglement. Dans ces situations, il est préférable de tirer parti de la plate-forme de Lokad pour déduire l’importance du SKU par une analyse directe des données.

De manière plus générale, la perspective financière que Lokad recommande est conçue pour intégrer diverses préoccupations et les associer aux décisions supply chain recommandées. Cette perspective financière met l’accent sur l’intégration de tous les moteurs économiques — y compris ceux moins évidents tels que le coût d’un événement de rupture de stock — dans le processus de prise de décision supply chain.

4.4 Comment consolidez-vous les PO critiques (Purchase Orders) en une liste restreinte critique pour les fournisseurs clés?

Executive summary: L’approche de Lokad consiste à quantifier l’impact économique de chaque décision supply chain. En pratique, cela implique d’évaluer l’impact financier (mesuré par le retour en dollars pour dollar dépensé) de la commande de chaque unité supplémentaire de stock. En générant une liste qui classe les articles en fonction de leur retour en dollars pour dollar, Lokad produit automatiquement des listes qui reflètent le meilleur état financier possible pour le client en ce qui concerne ses moteurs économiques et ses KPIs (y compris le taux de service). Cela élimine la nécessité de recourir aux méthodes traditionnelles, telles que min/max, les stocks de sécurité, etc., qui manquent finalement d’une dimension financière robuste.

L’approche de prévision probabiliste de Lokad nous permet de générer des PO ajustées au risque qui consolident toutes les unités pouvant être commandées de manière rentable (classées unité par unité). Cela facilite le raffinement du PO en isolant, au sein du PO, les unités qui dépassent un certain niveau de rendement économique. Ces unités à haut rendement constituent l’essence de la liste restreinte à communiquer aux fournisseurs clés. Le retour économique reflète la pénalité de rupture de stock (un moteur économique moins courant mais critique qui mesure l’impact financier d’un événement de rupture de stock) sous une forme ou une autre. Tout cela est réalisé afin d’évaluer correctement l’importance de chaque unité en ce qui concerne la qualité de service visée.

Certaines anciennes méthodes (désormais obsolètes, mais encore présentes dans certains logiciels d’entreprise) consistent à évaluer les PO en fonction des objectifs de niveau de stocks (par exemple, min/max, stocks de sécurité, cibles de couverture, marges de réserve, etc.). Cependant, ces méthodes manquent toutes de mécanismes permettant de quantifier l’importance de chaque unité en isolation stricte des autres unités.

En réalité, ces méthodes ne reflètent pas l’influence des rendements décroissants que l’on observe en supply chain. Typiquement, la première unité commandée a plus de valeur (tant pour l’entreprise cliente que pour ses clients) que la deuxième. Comme les méthodes traditionnelles ne quantifient pas les retours des stocks unité par unité, elles sont incapables d’extraire un sous-ensemble véritablement critique d’unités à transmettre aux fournisseurs clés.

Composer une liste restreinte véritablement critique nécessite, par conception, une technologie capable de quantifier le rendement économique unité par unité lors de la commande — une technologie que Lokad possède.

4.5 Comment communiquez-vous une liste restreinte critique, parmi les PO en attente, aux fournisseurs ?

Lokad préfère communiquer les PO — y compris les listes restreintes critiques — via des systèmes d’information transactionnels (par exemple, un ERP ou un logiciel d’entreprise similaire). Les PO prennent généralement la forme d’exportations de fichiers plats. Lokad pourrait utiliser l’email, mais notre préférence est de maintenir toute la communication transactionnelle au sein du système d’information de l’entreprise cliente (par exemple, ERP).

Voir également Contrôle du stock pour en savoir plus sur la distinction entre les systèmes analytiques (qui sont fondamentalement ceux de Lokad) et les systèmes transactionnels comme les ERP.

Voir également Ruptures de stock 4.4 dans cette FAQ.

4.6 Fournissez-vous un rapport sur les ruptures de stock ?

Executive summary: Oui, la plate-forme de Lokad est capable de présenter un rapport sur les ruptures de stock qui couvre non seulement l’état actuel des stocks, mais aussi une vue historique des ruptures de stock précédentes. Cela nous permet d’identifier les schémas passés et de les intégrer dans la recette numérique qui génère les PO financièrement optimisées du client, réduisant ainsi la probabilité de futurs événements de rupture de stock.

Bien qu’il soit facile de compter le nombre de SKU (unités de gestion des stocks) qui ont zéro stocks, cela n’indique pas grand-chose sur l’impact pour l’entreprise cliente – la perte nette de demande doit être quantifiée. Pour cette raison, Lokad recommande d’aborder le problème par une évaluation financière directe du coût d’une (absence de) qualité de service. Parfois, par exemple, il est raisonnable d’accepter une qualité de service réduite pour des produits non stratégiques progressivement retirés de l’offre. Faire le contraire garantirait une génération continue de stocks morts. La plateforme de Lokad permet d’évaluer la perte, exprimée en termes monétaires, au lieu de simplement compter les SKU avec zéro stocks en main.

La perte quantifiée doit être calculée « nette » de la cannibalisation, de la substitution et de la consommation différée par les clients. Dans la plupart des secteurs, il existe plusieurs options pour satisfaire ce que le client désire ou dont il a besoin. Ainsi, tant qu’une de ces options est disponible, le client peut demeurer très satisfait du service. Ne pas tenir compte de ces facteurs inter-SKU conduit à un surstockage de SKU qui répond fondamentalement à la même demande, au détriment d’autres SKU servant des segments entièrement différents. Inversement, il arrive parfois qu’un SKU en rupture de stocks empêche la consommation d’un autre SKU dépendant. Les clients s’attendent à ce que les deux SKU soient disponibles et n’achètent aucun d’eux si ce n’est pas le cas. La plateforme de Lokad peut être utilisée pour modéliser ces préoccupations inter-SKU ainsi que leur impact (financier) sur la qualité de service perçue par les clients.

Selon le secteur, il peut exister des subtilités plus importantes à considérer. Par exemple, dans un magasin de bricolage, un client recherchant 4 interrupteurs identiques est peu susceptible d’en acheter si seulement 3 unités sont disponibles sur l’étagère. Ainsi, bien que les interrupteurs ne soient pas en rupture de stocks, du point de vue de certains clients, ils le sont effectivement.

Un autre exemple serait une épicerie vendant des fruits. Certains fruits — par exemple, les fraises — sont très périssables ; ainsi, le magasin tente généralement délibérément d’atteindre la rupture de stocks avant la fermeture. Pourtant, si la rupture de stocks survient trop tôt dans la journée (par exemple, si quelques individus achètent plus que la moyenne), la majorité des clients n’est pas correctement servie.

Ces exemples soulignent la subtilité inhérente à la nature et aux conséquences des événements de rupture de stocks. Les symptômes coûteux de ces événements (par exemple, la perte de ventes potentielles) peuvent se manifester même en l’absence de la condition sous-jacente (par exemple, une rupture de stocks réelle). La plateforme de Lokad peut être utilisée pour modéliser toutes les subtilités critiques où la qualité de service ne peut être déduite par une inspection naïve du niveau des stocks.

4.7 Identifiez-vous les produits susceptibles d’être en rupture de stocks et alertez-vous les utilisateurs ?

Executive summary: Oui, la plateforme de Lokad utilise une prévision de la demande avancée pour identifier les situations potentielles de rupture de stocks et suggère des actions correctives au lieu de se contenter d’émettre des alertes. Ces actions incluent l’accélération des commandes, l’utilisation de fournisseurs alternatifs, l’ajustement des promotions, des points de prix, la promotion de substituts et l’organisation de transferts de stocks (etc.).

La plateforme de Lokad intègre une technologie de prévision de la demande de pointe pouvant être utilisée pour identifier les prochaines ruptures de stocks. Il est également très simple d’utiliser la plateforme de Lokad pour produire des alertes de stocks à destination des praticiens de la supply chain. Cependant, nous ne recommandons pas l’utilisation d’alertes, car cette approche n’exploite pas efficacement le temps, d’autant que des réponses rapides sont souvent cruciales. Au lieu de cela, nous recommandons d’utiliser la plateforme de Lokad pour identifier les prochaines ruptures de stocks et proposer des actions correctives proactives.

Selon le secteur, les actions correctives peuvent inclure (a) recontacter les fournisseurs pour accélérer les commandes d’achat en attente ; (b) transmettre des commandes d’achat complémentaires à des fournisseurs alternatifs (plus proches) ; (c) annuler les promotions à venir sur les articles sur le point de se retrouver en rupture de stocks ; (d) augmenter le point de prix des articles sur le point d’être en rupture de stocks ; (e) promouvoir des produits alternatifs, considérés comme des substituts pertinents, en amont pour tirer parti d’un effet de cannibalisation ; (f) organiser des transferts de stocks pour réallouer les stocks inactifs. Ce ne sont là que quelques-unes des actions correctives que la plateforme de Lokad peut recommander rapidement.

Les logiciels d’entreprise typiques (tels que les ERP) comportent encore des alertes — un modèle de conception qui conduit invariablement à une faible productivité des employés. S’il y a quelque chose à faire concernant la prochaine rupture de stocks, le logiciel devrait alors recommander directement l’action ou les actions dans le cadre de son ensemble habituel de recommandations. S’il n’y a rien à faire concernant la prochaine rupture de stocks, l’alerte constitue une distraction inutile. Historiquement, les logiciels d’entreprise ont utilisé les alertes comme des mécanismes puissants pour détourner la responsabilité des mauvais résultats vers les utilisateurs finaux. Cette approche est — en effet — une tentative d’isoler le fournisseur de logiciels d’entreprise de toute critique ; si la décision sur les stocks recommandée était bonne, le logiciel a alors très bien performé ; si la décision sur les stocks recommandée était mauvaise, le logiciel ne peut être blâmé en raison de l’alerte émise. Cela, par définition, transfère la « responsabilité » à l’utilisateur final. Lokad, en revanche, assume l’entière responsabilité de la qualité de nos recommandations sur les stocks et des actions correctives suggérées.

Voir No1 au niveau SKU dans la compétition de prévision M5 pour en savoir plus sur la manière dont l’approche de prévision de Lokad se concrétise en pratique.

5. Complications

5.1 Proposez-vous des paramètres de stocks pour les nouveaux produits ?

Executive summary: Oui, la plateforme de Lokad automatise les décisions de stocks pour les nouveaux produits en utilisant des prévisions de demande probabilistes basées sur des attributs, en analysant les données des produits lancés précédemment. Cette approche se concentre sur des décisions directes telles que les quantités à commander et les allocations, plutôt que sur les paramètres traditionnels de stocks. Lokad prend également en compte l’impact des nouveaux produits sur les stocks existants, aidant ainsi à éviter d’éventuels cas de stocks morts. Lokad prend en charge à la fois la prévision de la demande et l’optimisation stochastique pour les commandes initiales de stocks, en tenant compte des contraintes inter-SKU et des capacités logistiques.

La plateforme de Lokad automatise l’ensemble du processus de décision relatif aux stocks pour les nouveaux produits. Cela englobe les « paramètres de stocks », bien que nous n’abordions généralement pas le défi sous cet angle. Les nouveaux produits bénéficient de prévisions de demande probabilistes basées sur des attributs. C’est dans ce cadre que Lokad analyse tous les produits lancés précédemment et leurs performances en fonction de leurs paramètres de lancement (par exemple, promotions et assortiments), en plus des qualités intrinsèques du produit lui-même (par exemple, taille, couleur et prix). Ainsi, la prévision pour les nouveaux produits est automatisée, tout comme celle des produits plus anciens.

De plus, lorsqu’il s’agit de nouveaux produits, nous prenons en compte les stocks disponibles immédiatement pour commencer à les proposer, ainsi que les stocks qui doivent encore arriver. Nous considérons également l’impact sur les stocks existants et les conséquences négatives potentielles de l’introduction (prématurée) d’une nouvelle alternative, possiblement plus attractive — ce qui pourrait potentiellement provoquer une situation immédiate de stocks morts pour un autre produit.

Plutôt que d’utiliser les paramètres de stocks typiques, Lokad recommande fortement d’aborder le défi par des décisions directes et optimisées financièrement. Ces décisions incluent les quantités à commander en premier lieu, puis les quantités à allouer (SKU par SKU) pour chaque site. Les préoccupations inter-SKU ou inter-produits doivent être traitées à ce stade afin de tirer le meilleur parti de la capacité logistique finie du client.

Ces capacités sont fréquemment insuffisantes pour faire face aux effets potentiels — et souvent surprenants — de la nouveauté. Cependant, en étalant la charge de travail dans le temps, généralement en anticipant efficacement le lancement de nouveaux produits, le problème est résolu sans étirer inutilement la capacité logistique du client.

La plateforme de Lokad fournit tous les instruments numériques nécessaires pour soutenir ce processus, y compris les prévisions de demande probabilistes pour les nouveaux produits et l’optimisation stochastique pour les commandes et allocations initiales de stocks. Ce support couvre toutes les contraintes inter-SKU pertinentes.

5.2 Pouvez-vous gérer l’allocation des stocks pendant les phases promotionnelles (soutenant l’activité promotionnelle) ?

Executive summary: Oui, la plateforme de Lokad est conçue pour gérer l’allocation des stocks pendant les phases promotionnelles en alignant les stocks sur l’augmentation prévue de la demande future. Ce processus implique d’anticiper la demande promotionnelle, d’intégrer des données provenant de diverses sources telles que les systèmes ERP et les tableurs marketing, et d’affiner les modèles prédictifs pour tenir compte des diverses stratégies promotionnelles. Les Supply Chain Scientists de Lokad mettent en œuvre ces modèles, prenant en compte non seulement les effets immédiats de la promotion, mais aussi le risque de surstock et les contraintes logistiques. La plateforme utilise l’optimisation stochastique pour prendre des décisions sur les stocks ajustées en fonction du risque, équilibrant la nécessité d’un stock promotionnel suffisant avec le risque d’un excès de stocks après la promotion.

Le principe directeur général de Lokad pour l’allocation des stocks est d’harmoniser ces allocations avec la demande future prévue. En particulier, une augmentation attendue de la demande future, comme c’est le cas pour une promotion à venir, nécessite généralement une hausse correspondante de l’allocation des stocks. De plus, l’allocation doit généralement intervenir bien avant l’événement promotionnel, car nous devons prendre en compte les contraintes logistiques. Par exemple, le réseau peut ne pas être en mesure de gérer l’afflux des mouvements de stocks si tous les stocks sont déplacés au dernier moment. La plateforme de Lokad a été conçue pour prendre en charge toute cette catégorie de problèmes et toutes ses variantes.

Les Supply Chain Scientists (SCS) de Lokad sont responsables de la mise en œuvre des recettes numériques qui garantissent que les allocations de stocks reflètent adéquatement les activités promotionnelles planifiées.

Premièrement, cette responsabilité inclut la collecte et l’organisation des données décrivant les plans de promotion. Ces données se trouvent rarement sous une forme structurée dans les systèmes d’information (ERP) — elles se trouvent fréquemment uniquement dans des tableurs maintenus par le service marketing. La plateforme de Lokad est conçue pour intégrer de multiples sources d’information, y compris ce type de tableurs ad hoc.

Deuxièmement, la responsabilité d’un SCS consiste à affiner le modèle prédictif de la demande future afin de refléter la diversité des mécanismes promotionnels. Fondamentalement, les promotions ne consistent pas seulement à baisser les prix. Elles mettent généralement en avant les produits par le biais d’une présentation promotionnelle (par exemple, les gondoles) ou d’autres médias de communication (par exemple, les newsletters). De plus, certains mécanismes reflètent des mécanismes inter-produits (par exemple, acheter un produit et obtenir 50 % de réduction sur un autre produit) qui doivent également être pris en compte. La plateforme de Lokad dispose de vastes capacités de modélisation prédictive pour soutenir tout ce qui précède.

Troisièmement, les SCS sont également chargés de générer des décisions ajustées en fonction du risque qui allouent des stocks suffisants pour satisfaire la demande promotionnelle tout en réduisant le risque de surstock une fois la promotion terminée. Lorsque les contraintes logistiques ne sont pas trop strictes, nous envisageons également la possibilité de tirer parti des réapprovisionnements pendant la promotion pour atténuer l’exposition du client aux risques de surallocation initiale (si la promotion est moins réussie que prévu). Une fois de plus, la plateforme de Lokad dispose de vastes capacités d’optimisation stochastique pour calculer ces décisions complexes ajustées en fonction du risque.

5.3 Comment gérez-vous, visualisez-vous et distinguez-vous les différents types de promotions/récompenses pour les détenteurs de cartes de fidélité, y compris les prospectus, les remises en pourcentage, les remises monétaires et les promotions exclusives ?

La plateforme de Lokad dispose d’un support de modélisation étendu pour tous les mécanismes de tarification et promotionnels présents dans le commerce de détail. Notre plateforme est programmatique, ce qui signifie qu’elle peut être ajustée pour refléter un grand nombre de mécanismes promotionnels — nous avons jusqu’à présent identifié plus de 50 exemples différents. De plus, notre plateforme est capable de traiter des données relationnelles arbitraires, ce qui nous permet d’importer ces informations exactement telles qu’elles apparaissent dans les systèmes transactionnels sous-jacents.

Cela nous permet de préserver la sémantique originale des données, au lieu de reformater de force les informations selon un modèle défini par un fournisseur. De plus, notre plateforme dispose également de capacités programmatiques pour ses fonctionnalités prédictives et de machine learning. Grâce à ces capacités, nos Supply Chain Scientists peuvent élaborer des modèles de prévision de la demande qui reflètent les mécanismes en jeu dans l’offre promotionnelle ou de récompense du client.

Note: Lokad ne s’intéresse qu’à la partie analytique de ce problème — identifier tous les schémas qui façonnent la demande associée aux mécanismes promotionnels d’un client. Lokad n’est pas destiné à gérer les promotions, par exemple en collaboration avec le service marketing du client. Bien que cela soit théoriquement possible, il est préférable de maintenir une séparation entre les couches logicielles transactionnelle et analytique. Ceci est Voir aussi #promotions

Voir aussi Differentiable Programming pour en savoir plus sur les subtilités mathématiques entourant notre technologie.

Voir aussi Complications 5.2 dans cette FAQ.

5.4 Gérez-vous la conversion des UoM (unités de mesure) ?

Oui, la plateforme de Lokad prend entièrement en charge toutes les conversions d’UoM. Nous supportons également l’exploitation avec des UoM (multiples) incohérentes, comme cela arrive parfois lorsque Lokad traite des données provenant de différents systèmes d’information. Nous résolvons généralement toutes les incompatibilités d’UoM lors de la phase de préparation des données. Nous pouvons également optimiser les stocks pendant que les contraintes sont exprimées par des UoM distinctes. Par exemple, un Full Truck Load (FTL) possède à la fois des capacités en volume et en poids.

Note: Pour le cas particulier de la conversion entre devises, la plateforme de Lokad dispose également de capacités intégrées, telles que la fonction forex qui englobe des dizaines de devises largement utilisées. Cette fonction forex offre la possibilité d’appliquer des conversions de devises passées afin de refléter les moteurs économiques tels qu’ils étaient dans le passé. Cela permet à Lokad d’optimiser davantage la prise de décision en analysant le véritable impact économique des fluctuations historiques des devises, et ainsi d’affiner encore plus la recette numérique du client.

5.5 Gérez-vous les conversions de Kit ?

Résumé exécutif: Oui, Lokad prend en charge les conversions de kits et l’optimisation de stocks, y compris l’assemblage proactif des kits et la réservation de stocks. Nos prévisions de demande tiennent compte des éléments de kit vendus séparément ou dans plusieurs kits, en prenant en considération les cycles de vie variables des kits. L’optimisation financière de Lokad reflète le véritable coût des ruptures de stock, en reconnaissant la valeur et l’impact sur la marge brute des éléments de kit essentiels à plusieurs kits de grande valeur.

La plateforme de Lokad prend en charge les conversions de kits et soutient également l’optimisation de stocks en présence de kits. Les kits sont généralement une version simplifiée de la nomenclature (bill of materials), et ils sont couramment rencontrés dans le commerce de détail (en ligne et hors ligne). L’optimisation de stocks réalisée par Lokad en présence de kits inclut la capacité à décider quand réserver des unités de stock pour les kits, et quand assembler les kits de manière proactive—si le processus de kitting possède sa propre limite de capacité.

De plus, les prévisions de demande générées par Lokad prennent bien en compte le fait que les éléments de kit peuvent également être vendus ou servis séparément, et pas seulement dans le cadre d’un kit. Ces prévisions supportent aussi le cas où les mêmes éléments de kit sont partagés entre plusieurs kits—naturellement, nous soutenons également les scénarios où les kits n’ont pas le même cycle de vie, les kits entrant et sortant de l’offre du client selon des échéanciers variables. Tous ces facteurs sont correctement reflétés dans notre évaluation quantitative du besoin futur en éléments de kit.

Enfin, lorsqu’il s’agit d’optimiser les décisions de stocks en présence de kits, la perspective financière recommandée par Lokad reflète correctement les dépendances existant entre les éléments de kit et les kits eux-mêmes. Par exemple, un élément peut être bon marché et vendu avec très peu de marge brute, mais si cet élément est nécessaire à plusieurs kits qui, eux, affichent une valeur et une marge brute bien supérieures, alors une rupture de stock éventuelle de cet élément de kit s’avérera bien plus coûteuse que ce que sa simple valeur laisserait penser. Cela s’explique par le fait que la valeur indirecte de l’élément peut être significativement supérieure à sa valeur directe immédiatement évidente.

Ainsi, Lokad reflète par son optimisation le véritable coût (en tenant compte des dépendances de kits) de l’incapacité à servir les kits en raison de la rupture de stock de l’un de leurs éléments.

5.6 Intégrez-vous la durée de vie d’un article (ou durée de conservation) dans la décision de commande et dans la durée de vie restante des produits déjà dans la supply chain?

Résumé exécutif: Oui, la plateforme de Lokad y parvient en suivant le cycle de vie de chaque unité de stock, y compris celles sur le point d’être commandées. Son architecture de base inclut l’évolutivité, l’efficacité dans le traitement de données au niveau unitaire, la gestion des données relationnelles pour tenir compte des nuances spécifiques du cycle de vie des produits, et la prévision probabiliste pour traiter les incertitudes dans les cycles de vie des produits et les comportements des clients. Cette approche optimise les commandes d’achat, l’allocation des stocks et les stratégies de tarification.

La plateforme de Lokad a été conçue pour suivre chaque unité de stock au fil du temps, en reflétant son propre cycle de vie spécifique. De la même manière, le même schéma est appliqué aux unités de stock potentielles, telles que celles sur le point d’être commandées. En adoptant cette analyse hautement granulaire, les commandes d’achat, les attributions de stocks et les remises optimisées par Lokad reflètent le(s) cycle(s) de vie spécifique(s) de chaque unité s’écoulant dans le réseau.

La plateforme de Lokad rend cela possible grâce à plusieurs aspects clés de son architecture de base :

Premièrement, notre plateforme n’est pas seulement hautement évolutive, elle est également très efficace. Modéliser le flux, unité par unité, est plus intensif que de le modéliser au niveau du SKU (stock keeping unit) ; toutefois, si le problème est résolu en appliquant simplement une masse énorme de ressources informatiques, la solution s’avérera très coûteuse pour l’entreprise cliente.

Deuxièmement, la plateforme de Lokad possède des capacités programmatiques destinées au traitement des données relationnelles. Les détails du ou des cycles de vie des produits varient énormément d’un produit à l’autre. Les produits frais et les produits chimiques ont tous deux une durée de conservation, mais leurs particularités respectives sont très différentes. Lokad prend en compte ces spécificités afin d’élaborer un modèle qui reflète réellement ce qui se passe au sein de la supply chain du client.

Troisièmement, la plateforme de Lokad dispose de capacités générales de prévision probabiliste. Les cycles de vie des produits peuvent comporter leur lot d’incertitudes. Par exemple, dans les magasins de détail, les clients peuvent privilégier la sélection des articles ayant la plus longue durée de conservation restante. Supposer que le flux suit un comportement strict de FIFO (first-in, first-out) serait une grave erreur. Les capacités prédictives de la plateforme de Lokad sont utilisées pour prévoir correctement ces comportements subtils mais aux conséquences considérables.

5.7 Identifiez-vous les expirations potentielles des stocks ? Fournissez-vous un rapport d’alerte sur la durée de conservation ?

Résumé exécutif: Oui, la plateforme de Lokad suit l’intégralité du cycle de vie des stocks, même sans suivi par numéro de série, et peut même déployer des modèles probabilistes pour des situations ambiguës comme le retail en B2C. Elle peut identifier les expirations et dépréciations potentielles, en émettant des alertes si souhaité. Toutefois, Lokad privilégie des décisions supply chain proactives pour éviter ces problèmes, recommandant des actions telles que la réduction des prix ou la réaffectation des stocks pour gérer les articles à risque d’expiration.

La plateforme de Lokad est capable de suivre le(s) cycle(s) de vie spécifique(s) de chaque unité circulant dans le réseau de supply chain du client. Notre plateforme peut le faire même si les unités ne sont pas suivies au niveau du S/N (numéro de série). Lorsqu’il y a ambiguïté quant à l’ordre de service ou de consommation des unités, comme cela peut se produire dans les magasins de détail en B2C, Lokad utilise alors la modélisation probabiliste pour refléter les états probables des stocks. Ces informations fines sur l’état des stocks peuvent être utilisées pour identifier les expirations et/ou dépréciations probables et réagir en conséquence, éventuellement en émettant des alertes destinées aux équipes concernées (si souhaité).

Cependant, plutôt que de se contenter d’alertes, Lokad recommande de tirer parti des informations fines dont nous disposons sur l’état probable des stocks—jusqu’à, et y compris, la date d’expiration prévue de chaque unité en stock—pour ajuster de manière proactive toute décision supply chain recommandée (calculée par Lokad). Par exemple, nous pouvons recommander de réduire les prix ou de promouvoir un produit qui risque d’expirer. Alternativement, nous pouvons recommander de déclencher une liquidation des produits via un canal de vente secondaire (également à un prix réduit). Une autre option consiste à allouer davantage de stocks, car nous reconnaissons que les stocks actuels disparaîtront bientôt, non pas à cause de la demande des clients, mais en raison de l’expiration.

Fondamentalement, s’il existe une action possible concernant l’expiration potentielle identifiée, Lokad assume la responsabilité de présenter cet appel à l’action. À l’inverse, s’il n’y a rien à faire (par exemple, le stock expirera malheureusement et aucune mesure corrective n’est envisageable), alors ces alertes ne seront qu’une distraction pour les équipes, qui ne pourront rien y faire.

Rien n’est plus facile pour un éditeur de logiciels d’entreprise que de générer des dizaines (voire des milliers) d’alertes, et pour de nombreux fournisseurs incompétents, c’est la seule chose qu’ils sachent faire. Le véritable défi est de produire des appels à l’action, ce qui exige que les fournisseurs (Lokad, dans ce cas) distinguent ce qui est actionnable de ce qui ne l’est pas.

Voir également Complications 5.6 dans cette FAQ.

5.8 Pouvez-vous optimiser l’EOQ (Economic Order Quantity) en tenant compte des coûts de commande, des coûts d’entrée, du stockage des stocks et des coûts de blocage du capital ?

Résumé exécutif: Oui, la plateforme de Lokad peut optimiser les EOQ en tenant compte de divers coûts tels que les coûts de commande, d’expédition, de portage, du fonds de roulement et des coûts d’opportunité—ainsi que de plusieurs coûts moins évidents. Nous utilisons une approche plus avancée que la formule de Wilson dépassée, qui s’avère inefficace en raison de ses hypothèses trop simplifiées et de son incapacité à prendre en compte les risques de radiation des stocks. Lokad recommande d’intégrer les moteurs économiques dans chaque décision d’achat plutôt que de se concentrer uniquement sur la quantité commandée.

La plateforme de Lokad a été conçue pour l’optimisation économique des décisions de supply chain. En particulier, il est simple de refléter toutes les charges associées à une commande d’achat, y compris les coûts de commande, les coûts d’expédition, les coûts de portage, le coût de l’argent (fonds de roulement) et les coûts d’opportunité. De plus, les capacités programmatiques de Lokad permettent également d’aborder aisément tous les coûts spécialisés qui pourraient être pertinents pour l’activité du client, au-delà de la liste restreinte donnée ci-dessus. Cependant, nous recommandons d’intégrer les moteurs économiques dans chaque décision d’achat, plutôt que de se focaliser sur une quantité à commander, comme c’est le cas avec l’EOQ.

La théorie classique de la supply chain propose d’utiliser la formule de Wilson pour l’EOQ (economic order quantity). Cette approche présente un défaut grave et immédiat : elle impose un arrondi grossier qui s’avère inefficace la plupart du temps. De par sa conception, l’EOQ ne peut pas prendre en compte le risque de radiation des stocks. Ainsi, bien qu’il puisse être quelque peu inefficace de commander une quantité inférieure à l’EOQ théorique, c’est, en pratique, souvent une bien meilleure option que de commander davantage et de générer instantanément une radiation importante.

Voir également Coûts des stocks pour en savoir plus sur la vision de Lokad en matière d’évaluation, de catégorisation et d’optimisation des coûts de stocks.

5.9 Disposez-vous de KPI pour les stocks en statut “No Conformity” ?

Oui, la plateforme de Lokad peut facilement fournir un tableau de bord et/ou des KPI pour le statut “No Conformity”. Comme notre plateforme est programmative, toutes les données pouvant être extraites du système transactionnel de l’entreprise peuvent être affichées. Cela signifie également qu’il n’y a aucune limitation quant au calcul ou à la présentation des KPI — ils peuvent être entièrement élaborés selon les spécifications ou règles du client. Une plateforme programmative est indispensable ici car il n’existe pas de définition standard pour le manque de conformité d’une entreprise à l’autre.

La plateforme de Lokad est également capable de produire un modèle prédictif de ces événements de non-conformité en s’appuyant sur les données historiques. Par exemple, certains fournisseurs peuvent rencontrer des problèmes de qualité, et une fraction de leur expédition ne passe pas toujours l’inspection. En conséquence, les quantités effectivement disponibles pour servir la clientèle du client peuvent être fréquemment inférieures à celles commandées initialement. En modélisant ces occurrences avec un modèle de prévision probabiliste, Lokad peut élaborer des décisions de commande ajustées au risque qui prennent également en compte cette incertitude.

5.10 Fournissez-vous un rapport sur les matériaux critiques ?

Oui, la plateforme de Lokad peut facilement générer un rapport sur tous les matériaux jugés « critiques » par le client.

Pour Lokad, il s’agit d’un concept flou, car il n’existe pas de définition fixe de ce qui constitue un « rapport sur les matériaux critiques ». D’après notre expérience, cela varie d’un secteur à l’autre. Pour les FMCG (fast-moving consumer goods), les « matériaux critiques » sont typiquement ceux qui tournent le plus, avec les volumes les plus élevés, tant en unités qu’en valeur monétaire. Pour l’aviation, la « criticality » se réfère aux pièces qui pourraient provoquer un incident AOG (aircraft on ground) en cas de rupture de stock. Pour les magasins de distribution générale, la « criticality » se rapporte fréquemment aux produits que les clients s’attendent habituellement à trouver en magasin.

Les capacités programmatiques de Lokad sont essentielles pour répondre à ce type d’exigence. Grâce à ces capacités, toute règle pouvant être mise en œuvre dans un tableur ou dans un outil de business intelligence peut également être implémentée via notre plateforme. L’absence de telles capacités programmatiques obligerait les praticiens de la supply chain à revenir aux tableurs, car ils ne peuvent se permettre une approximation vague de ce qui est jugé « critique » par leur entreprise. La couche analytique (Lokad, dans ce cas) doit être capable de s’adapter pleinement aux subtilités de l’entreprise, d’où la nécessité d’une fonctionnalité et d’une liberté programmatiques complètes.

6. Rapports

6.1 Disposez-vous de KPI pour le montant total de stocks ? Plus précisément, couvrent-ils le taux de rotation et le taux de couverture ? De plus, ces KPI peuvent-ils être segmentés selon le numéro de pièce (P/N), la plateforme produit et la qualité du produit, ainsi que fournir un rapport de suivi mensuel pour différentes activités et secteurs en fonction de la qualité des produits ?

Résumé exécutif: Oui, Lokad offre des capacités de reporting étendues, incluant des KPI personnalisables pour la gestion des stocks, adaptables aux exigences spécifiques du client telles que le numéro de pièce, la plateforme produit et la qualité du produit. Notre langage spécifique au domaine (Envision) simplifie la visualisation des données et la création de tableaux de bord, en répondant aux structures de données uniques de chaque entreprise sans nécessiter de formats standards, évitant ainsi des projets d’intégration longs, courants avec les logiciels d’entreprise traditionnels. Cette approche garantit une productivité, une fiabilité et une évolutivité élevées dans la génération de rapports sur mesure et dans l’optimization de la supply chain.

La plateforme de Lokad dispose de vastes capacités de reporting intégrées. En règle générale, tout rapport pouvant être produit avec un tableur ou un outil de business intelligence peut également être élaboré par Lokad. Lokad a conçu un DSL (langage de programmation spécifique au domaine) dédié à l’optimization prédictive de la supply chain (nommé « Envision »). Comme son nom l’indique, ce DSL met un accent particulier sur la facilitation de la visualisation des données. Les Supply Chain Scientists de Lokad sont généralement responsables de la mise en place de tous les tableaux de bord et KPI pertinents. De plus, la plateforme de Lokad a été conçue pour supporter le rendu en temps constant de tableaux de bord complexes. Cela nous permet de concevoir des tableaux de bord qui rassemblent tous les éléments pertinents en un seul endroit, évitant ainsi aux praticiens de la supply chain de naviguer dans un labyrinthe d’écrans déconnectés pour obtenir les informations dont ils ont besoin dans leur routine quotidienne.

Tous les rapports produits par Lokad sont « sur mesure » pour l’entreprise cliente — contrairement à ce que l’on trouve typiquement dans des logiciels similaires. La réalité est que produire de tels rapports n’est possible qu’avec une plateforme flexible et programmative, étant donné que les rapports — même les plus « basiques » — dépendent entièrement des spécificités uniques du client (y compris leur environnement applicatif). D’après notre expérience, aucune entreprise ne se ressemble, même si elles utilisent le même logiciel pour organiser leurs données d’entreprise de manière identique.

Dans un environnement de production, le « data plumbing » banal représente plus de 90% du travail investi dans la génération de tels rapports. Ainsi, grâce à Envision, Lokad s’attaque frontalement au défi de productivité associé à ce data plumbing. De plus, cette approche nous donne la possibilité de préserver toutes les codifications, hiérarchies et conventions préexistantes dans l(es) autre(s) système(s) d’entreprise du client. Par conséquent, Lokad finit par « parler exactement le même langage » que le personnel du client, au lieu d’introduire un nouveau jeu de conventions que les employés doivent découvrir.

L’approche grand public dans les logiciels d’entreprise consiste à établir un ensemble d’exigences en matière de données. Une fois que les données d’entrée correspondent à ces exigences, toutes les fonctionnalités de reporting et d’analyse sont débloquées. Malheureusement, cette approche fonctionne mal pour autre chose que les plus petites entreprises. Il n’existe jamais une correspondance un à un entre les systèmes d’entreprise originaux (la source des données) et les systèmes analytiques empaquetés. En conséquence, la traduction des données est à la fois incroyablement exigeante et frustrante car il est tout simplement impossible de tout faire rentrer. Ce qui semblait être une simple question de « configuration » pour importer les données d’entreprise dans le système analytique empaqueté se transforme invariablement en un projet d’intégration d’une année. C’est la conséquence inévitable de tenter de concilier deux perspectives complexes distinctes sur supply chain. Les choix de conception de la plateforme de Lokad éliminent entièrement ce problème.

6.2 Pouvez-vous fournir des rapports sur la santé et la couverture des stocks ?

Executive summary: Oui, Lokad fournit des rapports sur la santé et la couverture des stocks grâce à des prévisions probabilistes avancées et des outils sur sa plateforme, permettant une évaluation précise des risques — généralement exprimée en termes monétaires. Ces évaluations des risques financiers constituent les « risques de santé » fondamentaux pour les stocks du client. Contrairement aux prévisions des séries temporelles traditionnelles qui ne considèrent qu’un seul futur, l’approche de Lokad prend en compte plusieurs valeurs futures possibles (par exemple, la demande), offrant une vision plus précise et complète des risques liés aux stocks, contribuant ainsi à éviter — ou du moins à réduire — les problèmes de santé des stocks.

La pratique par défaut de Lokad est de fournir des instruments de supervision des stocks, tels que des rapports sur la santé et la couverture des stocks. Les Supply Chain Scientists de Lokad sont responsables de la génération de ces rapports. La plateforme de Lokad offre d’importantes capacités de reporting programmatiques. Cela inclut tous les outils nécessaires pour convertir les prévisions probabilistes — concernant la demande, le lead time, et toutes les sources pertinentes d’incertitude — en projections de haut niveau, reflétant idéalement des coûts de stocks en dollars, plutôt qu’en pourcentages.

La « santé » des stocks est toujours relative aux conditions futures attendues du marché. Le nombre d’unités en stocks n’est considéré comme excessif que s’il dépasse largement la demande future attendue, et non s’il dépasse largement la demande passée observée. Par exemple, la demande passée peut être nulle pour un nouveau produit ou pour un produit ayant souffert d’une pénurie prolongée. Ainsi, la pierre angulaire du défi est de transformer les projections/prévisions en rapports.

Ici, les prévisions probabilistes (privilégiées par Lokad), qui considèrent tous les futurs possibles et leur attribuent des probabilités, sont idéales. En effet, elles nous permettent d’évaluer précisément les risques de stocks en attribuant des probabilités à la survenue d’un risque, puis en évaluant l’impact financier potentiel associé à ce risque. Ce sont ces risques, exprimés en termes monétaires (par exemple, dollars ou euros), qui se reflètent dans les rapports fournis par Lokad.

En revanche, les prévisions classiques des séries temporelles — par conception — ne considèrent qu’une seule valeur future possible (par exemple, la demande). En conséquence, ces prévisions ne sont pas capables de transmettre de manière adéquate la vaste gamme de risques financiers que le client pourrait rencontrer en fonction de ses décisions concernant les stocks. La sophistication des prévisions des séries temporelles est sans pertinence : la forme/structure de la prévision ne transmet pas l’information requise. Certaines tentatives pour contourner ce problème ont impliqué des heuristiques rudimentaires pour évaluer les risques de stocks par une inspection directe du passé récent. Un exemple consistait à compter les SKU qui disposent de plus de X semaines de stocks en main (par exemple, 2 ou 3). Cependant, ces méthodes produisent invariablement des indicateurs de faible qualité qui induisent en erreur les praticiens de la supply chain plutôt que de les éclairer.

6.3 Pouvez-vous alerter l’équipe des achats lorsqu’un bon de commande (PO) doit être reporté ou accéléré?

Executive summary: Oui, Lokad peut émettre ces « alertes », bien que nous préférions le terme « décisions ». La plateforme de Lokad génère une liste automatisée de recommandations décisionnelles, incluant la révision réactive des bons de commande (PO) en fonction des avantages économiques et de la coopération des fournisseurs. Nous préférons « décisions » à « alertes », car nos recommandations sont des appels à l’action directs (avec des coûts et bénéfices modélisés), plutôt que de simplement informer le client d’un problème potentiel.

Lokad automatise la génération de décisions avec une perspective incluant le report ou l’accélération des PO selon les besoins. Ces décisions sont priorisées en fonction de la récompense économique (comme les décisions typiques de Lokad), et les critères incluent les avantages économiques associés à un PO révisé. Ces critères peuvent inclure une mauvaise volonté négative pour refléter les frais généraux générés pour le fournisseur, ainsi que la probabilité que la révision soit acceptée et mise en œuvre par le fournisseur. De même, Lokad peut suggérer de revoir la quantité du PO à la hausse ou à la baisse — en supposant que le fournisseur soit réceptif à cette option. Les Supply Chain Scientists de Lokad établissent les détails des options disponibles en ce qui concerne les PO, puis automatisent la logique qui génère les « alertes » correspondantes — ce que Lokad préfère appeler « décisions ».

Lokad désigne les « alertes » comme des « décisions » parce que chacune des recommandations présente des coûts et des bénéfices potentiels, entraînant des conséquences tangibles pour la supply chain. À cet égard, les recommandations ne diffèrent pas fondamentalement de la suggestion de passer un PO à l’origine. La principale différence réside dans la volonté incertaine (ou la capacité) du fournisseur à accepter la correction demandée pour le PO, mais dans le cas où le fournisseur se conforme à la demande, cette recommandation équivaut autant à un « ordre » qu’au PO original.

De nombreux logiciels d’entreprise offrent une vision ancienne (désormais obsolète) des décisions supply chain, limitant ces décisions à des situations étroites et manuelles telles que l’achat ou le rééquilibrage des stocks. Ce type de logiciel ignore, par conception, toutes les options nuancées qui peuvent être négociées avec les fournisseurs. Par exemple, le fournisseur peut avoir la possibilité d’accélérer, de reporter, d’augmenter ou de diminuer sa commande, voire même de substituer certains produits par d’autres. Parfois, le fournisseur a la possibilité d’envoyer une partie du PO en avance, si l’entreprise cliente est prête à supporter les frais pour plusieurs expéditions. Parfois, des marchandises intactes peuvent être retournées au fournisseur pour une période déterminée. Les capacités programmatiques de la plateforme de Lokad sont un ingrédient technologique nécessaire pour aborder ces options nuancées.

6.4 Pouvez-vous alerter l’équipe des achats lorsqu’une date de livraison prévue est atteinte/en retard ?

Oui, la plateforme de Lokad peut facilement générer et émettre des alertes lorsqu’une date de livraison prévue devient dépassée. Notre approche de prévision probabiliste nous permet d’affiner ces alertes en cas de lead times variables.

Une prévision probabiliste du lead time peut être utilisée pour évaluer si un retard donné est réellement anormal ou simplement une des variations anodines quotidiennes observées dans la supply chain. De plus, les alertes peuvent être priorisées pour refléter l’impact économique attendu du retard. Par exemple, si la demande a chuté de manière inattendue, le lead time supplémentaire pourrait s’avérer accidentellement insignifiant, et ne justifierait donc pas l’attention immédiate de l’équipe des achats. Fondamentalement, chaque élément mobile de la supply chain concurrence pour capter l’attention de l’équipe des achats. Cette attention est une ressource rare, et c’est en fin de compte celle que Lokad vise à maximiser avec les alertes qu’il génère.

Fondamentalement, nous considérons que l’émission d’« alertes » (dans le sens populaire du terme) est une approche obsolète, indicative de logiciels d’entreprise mal conçus. Les « alertes » attirent généralement l’attention du client sur un problème, plutôt que de fournir une recommandation/décision exploitable basée sur une évaluation financière claire de la situation. Lokad estime qu’il est essentiellement de notre responsabilité de générer des décisions ajustées au risque pour nos clients, au lieu de les distraire avec des alertes basiques. Pour cette raison, bien que nous les émettions, notre utilisation des « alertes » doit être comprise comme signifiant des actions correctrices rentables en réponse à un problème.

Voir aussi Reporting 6.3 dans cette FAQ.

7. Productivité

7.1 Les utilisateurs peuvent-ils définir manuellement des seuils de réapprovisionnement et/ou outrepasser manuellement les paramètres des stocks ?

Executive summary: Oui, la plateforme de Lokad permet aux utilisateurs de définir manuellement des seuils de réapprovisionnement et d’outrepasser les paramètres des stocks, y compris d’ajouter des ajustements temporaires. Cependant, nous déconseillons fortement les outrepassages manuels fréquents. Au lieu de cela, s’il y a un problème avec les décisions générées par Lokad, nous préférons mettre à jour/affiner la recette numérique sous-jacente (algorithme) qui les génère. Lokad — philosophiquement, technologiquement et méthodologiquement — vise à surpasser les approches datées et peu fiables qui s’appuient sur des interventions manuelles, préférant une automatisation fiable et évolutive.

La plateforme de Lokad est hautement configurable, de sorte que le flux de travail pour le réapprovisionnement des stocks peut facilement inclure des entrées de données manuelles/outrepassages pour les seuils de réapprovisionnement ou d’autres paramètres similaires des stocks (par exemple, min/max, stock de sécurité, etc.). De plus, il est également possible de considérer des variantes telles que d’assortir les entrées de données manuelles avec des « dates d’expiration » si les praticiens de la supply chain s’attendent à ce que la situation redevienne normale dans quelques semaines ou mois. Cela laisserait à la recette numérique régulière le contrôle du processus de réapprovisionnement. Bien qu’un seuil défini fermement puisse être bénéfique à court terme, il s’avère presque toujours problématique à moyen terme, car le seuil perd sa pertinence initiale.

De manière plus générale, Lokad préconise fortement de ne pas compter sur des outrepassages manuels pour gérer les réapprovisionnements routiniers des stocks. Si la recette numérique qui régit les réapprovisionnements des stocks présente des problèmes, alors cette recette doit être corrigée de toute urgence. Les Supply Chain Scientists de Lokad sont formés pour apporter les corrections nécessaires en temps opportun. Choisir de compter sur des outrepassages manuels revient à ce que le personnel du client applique des solutions de fortune à court terme. Cela est clairement inefficace et contraire à l’une des conséquences centrales de la théorie de la Supply Chain Quantitative, à savoir rediriger le temps, les ressources et la bande passante vers des tâches à plus forte valeur ajoutée.

L’approche de Lokad s’oppose directement à celle de nombreux fournisseurs de logiciels d’entreprise qui proposent des technologies obsolètes enfermant le consommateur dans des outrepassages réguliers — inefficaces. Cette dynamique repose sur une compréhension tacite selon laquelle c’est le client qui est responsable de corriger les erreurs générées par le logiciel. La responsabilité est souvent détournée du fournisseur de logiciel par l’émission d’« alertes » qui attirent l’attention du client sur une situation sous-optimale (sans fournir d’action corrective utile). En conséquence, chaque fois que le réapprovisionnement est erroné, la faute est imputée au praticien qui aurait dû outrepasser manuellement le système. Lokad considère cela comme une pratique scandaleuse, c’est précisément pourquoi nous ne le faisons pas.

7.2 Pouvez-vous automatiser les paramètres des stocks en fonction de variables prédéfinies ou définies par l’utilisateur (par exemple, la performance du fournisseur, le taux de service cible, la variabilité de la demande, la classe de SKU, la durée de vie, etc.)?

Executive summary: Oui, Lokad automatise les décisions relatives aux stocks, y compris les paramètres des stocks, via un processus quotidien entièrement automatisé avec une intervention manuelle minimale. Cette automatisation s’adapte aux grandes perturbations si nécessaire. Le processus exploite les prévisions probabilistes pour gérer les incertitudes telles que la variabilité de la demande et des lead times, ainsi qu’une approche financière robuste (mise en œuvre par optimisation stochastique) qui prend en compte la totalité des coûts et des contraintes. Cela permet à Lokad de maximiser le service et de minimiser les erreurs financières dans des conditions de supply chain incertaines.

L’approche par défaut de Lokad consiste à automatiser l’ensemble du processus qui régit le calcul des décisions relatives aux stocks, telles que les quantités de réapprovisionnement. Pour Lokad, la norme est d’avoir un processus quotidien entièrement automatisé qui ne nécessite aucune intervention manuelle. La grande majorité de nos clients opère pendant des semaines sans aucune intervention manuelle. Naturellement, lorsque surviennent des perturbations sans précédent (par exemple, des chocs systémiques comme les confinements), les Supply Chain Scientists de Lokad sont prêts à intervenir et à ajuster la recette numérique pour atténuer la perturbation. Cependant, nous estimons que les décisions routinières et banales doivent être entièrement automatisées, afin de rediriger le temps et l’effort mental vers des tâches de niveau supérieur (telles que la stratégie d’entreprise).

L’automatisation de la mise à jour de tous les paramètres des stocks se fait à deux niveaux : le modèle prédictif et l’optimisation stochastique.

Lokad utilise des prévisions probabilistes pour toutes les sources d’incertitude pertinentes, telles que les lead times, les retours, etc. Par exemple, dans le scénario de confinement mentionné ci-dessus, le cas de la performance du fournisseur constitue implicitement un problème de variabilité du lead time qui doit être traité par des prévisions probabilistes du lead time. La plateforme de Lokad est non seulement capable de produire toutes ces prévisions probabilistes, mais aussi de combiner ces prévisions en une vision probabiliste unifiée de l’avenir de l’entreprise. Dans la plateforme de Lokad, nous tirons généralement parti de la programmation différentiable et de notre algèbre des variables aléatoires à cet effet.

Lorsqu’il s’agit de l’optimisation elle-même, nous devons prendre en compte tous les coûts et contraintes pertinents. Par exemple, dans le même scénario de confinement, la durée de vie en rayon se référerait implicitement à un type spécifique de coût de portage non linéaire. L’une des raisons pour lesquelles Lokad promeut une approche financière de l’optimisation de stocks est qu’elle facilite la fusion de nombreuses préoccupations apparemment disparates en une perspective numérique unifiée. Cette perspective numérique aide Lokad à minimiser les dollars (ou euros) d’erreur de stocks, tout en maximisant les dollars de retour obtenus en assurant un service adéquat aux clients. Avec la plateforme de Lokad, nous exploitons généralement nos capacités générales d’optimisation stochastique à cette fin. La partie « stochastique » fait référence à la capacité de Lokad à réaliser une optimisation dans des conditions bruitées/incertaines/aléatoires.

7.3 Automatisez-vous l’émission des PO (commandes d’achat)?

Executive summary: Oui, Lokad automatise la génération de commandes d’achat (PO), s’appuyant sur un pipeline de données automatisé pour l’entrée (et la sortie) en provenance des systèmes d’information, garantissant des commandes à jour et synchronisées. Elle fonctionne comme une couche analytique superposée aux systèmes transactionnels, calculant des quantités optimisées sans exécuter les étapes transactionnelles telles que la création de PDF. Lokad propose également une option semi-automatisée avec des flux de travail de validation partielle, permettant une supervision manuelle pour les commandes critiques tout en automatisant les commandes routinières.

Lokad automatise la génération de commandes d’achat optimisées. Cette automatisation nécessite un pipeline d’extraction de données automatisé entre le client et la plateforme de Lokad. Ce pipeline de données assure idéalement le transfert quotidien de mises à jour, garantissant que Lokad opère avec des données récentes. Cela permet de maintenir les commandes d’achat générées en synchronisation avec l’état de l’entreprise. Cette automatisation nécessite également un pipeline d’exportation de données automatisé de Lokad vers les systèmes d’information d’origine, où les étapes banales et purement transactionnelles du processus de commande peuvent être exécutées.

Lokad ne se substitue pas à un système transactionnel d’entreprise, tel qu’un ERP. Lokad est une couche analytique qui opère au-dessus du système transactionnel de l’entreprise. Lokad calculera les quantités optimisées (c’est-à-dire combien il faut commander et quand) pour chaque commande d’achat. Cependant, Lokad ne générera pas de fichier de commande PDF à envoyer par email au fournisseur (par exemple). Ces étapes relèvent du domaine des systèmes transactionnels d’entreprise. Pour cette raison, Lokad génère des fichiers tabulaires plats contenant toutes les informations nécessaires. Ces données sont ensuite exportées vers le système d’information du client pour exécution.

Il nous est possible d’établir un processus semi-automatisé avec un flux de travail de validation partielle au sein de la plateforme de Lokad. Par exemple, l’entreprise cliente pourrait décider que les commandes d’achat « triviales » soient validées automatiquement (généralement les petites), tout en demandant à un praticien supply chain d’intervenir pour valider manuellement les quantités recommandées par Lokad au-delà d’un certain seuil ou paramètre souhaité. Ces règles peuvent également être mises à jour au fil du temps. À mesure que le projet progresse et que les clients constatent la valeur générée, le seuil de validation manuelle tend à augmenter. En fin de compte, cela allège la charge des équipes de supply chain du client.

7.4 Disposez-vous d’une fenêtre pour planificateur/acheteur qui affiche l’ensemble des tâches de la journée, organisées par priorité ?

Executive summary: Oui, la plateforme de Lokad offre un tableau de bord unifié spécial, spécialement conçu chaque jour pour les fonctions d’entreprise de haut niveau. Cette fenêtre unique organise et affiche les tâches, y compris des appels à l’action tels que la gestion des PO et l’inspection des anomalies de données, et les priorise en fonction de leur impact économique.

Lors de l’utilisation de la plateforme de Lokad, nous recommandons que chaque fonction d’entreprise rassemble dans un tableau de bord web unique (c’est-à-dire une fenêtre unique) tous les appels à l’action classés par priorité. La priorité doit être exprimée en termes monétaires (dollars ou euros d’impact) qui reflètent réellement ce qui est en jeu si l’appel à l’action n’est pas traité. Pour un planificateur de demande et d’approvisionnement, ce tableau de bord inclurait généralement les nouvelles commandes d’achat recommandées (PO), ainsi que toute commande d’achat ancienne nécessitant une attention particulière (par exemple, accélérer, reporter, augmenter, réduire). Les Supply Chain Scientists de Lokad sont généralement responsables de l’organisation des tableaux de bord de manière à s’aligner sur la structure d’entreprise unique de chaque client. Ceci est crucial pour un tel tableau de bord, étant donné que les limites entre les équipes d’approvisionnement/planification/gestion des stocks/achats/finance tendent à varier d’une entreprise à l’autre.

Ces appels à l’action peuvent également inclure l’inspection des anomalies de données qui se révèlent décisives pour le client, telles que des prix de détail incorrects, des MOQ (quantités minimales de commande) incorrectes, des niveaux de stocks incorrects, etc. Ces appels à l’action sont également priorisés en fonction de leur impact économique potentiel. De manière plus générale, Lokad évite deux pièges trop courants dans les logiciels d’entreprise. Tout d’abord, nous ne répartissons pas la charge de travail d’un utilisateur sur des écrans dispersés (ou fenêtres/pages web). Au contraire, la plateforme de Lokad a été spécialement conçue pour fournir des tableaux de bord complexes en temps constant. Ce détail technique s’avère crucial lorsqu’il s’agit de rassembler de nombreux éléments disparates dans un seul tableau de bord pour le bénéfice de l’utilisateur final. Deuxièmement, la plateforme de Lokad a également été spécialement conçue pour prendre en charge l’analyse économique de bout en bout, unifiant ainsi tous les appels à l’action sous une logique de priorisation commune exprimée en termes monétaires.

Notes

Notes


  1. Naked Forecasts (Supply Chain Antipattern) ↩︎

  2. No1 at the SKU-level in the M5 forecasting competition ↩︎

  3. Supply Chain Lectures by Joannes Vermorel ↩︎

  4. En termes simples, cela se réfère à l’algorithme sophistiqué utilisé pour générer les décisions supply chain du client. Il est conçu pour refléter les objectifs spécifiques de la supply chain du client, ainsi que pour prendre en compte la totalité de leurs contraintes et leviers. ↩︎

  5. Les décisions recommandées par Lokad sont généralement décomposées (whiteboxed) à travers leurs leviers économiques. La décomposition des facteurs (exprimée en euros ou en dollars d’impact) explique le « pourquoi » d’une recommandation de décision. Cette information est transmise via plusieurs tableaux de bord personnalisables. Voir Technologie de Lokad pour plus d’informations sur la manière dont les clients interagissent avec leurs décisions supply chain. ↩︎