FAQ : Optimisation des stocks

Lokad aborde les défis liés aux stocks en utilisant l’analyse prédictive pour prendre en compte l’incertitude de la supply chain et optimiser les décisions grâce à des informations financières. Il prend en compte les contraintes spécifiques des clients et améliore la transparence de la prise de décision grâce à des rapports détaillés et des tableaux de bord intuitifs.

Public cible : Praticiens, experts et dirigeants de la supply chain.

Dernière modification : 30 janvier 2024

Un homme essayant d'optimiser les itinéraires d'allocation pour de grandes quantités de stocks non expédiés.

Les stocks excessifs et les ruptures de stock sont les deux symptômes les plus évidents de décisions inadéquates liées aux stocks, et ces problèmes peuvent être attribués 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 de stock supérieures précisément parce que ses capacités prédictives programmatiques prennent en compte l’incertitude de la supply chain au lieu de l’ignorer. Par exemple, Lokad dispose de capacités de modélisation probabiliste pour refléter tous les facteurs économiques liés aux décisions de supply chain quotidiennes et répétitives d’un client (par exemple, les commandes d’achat, les ordres de production, l’allocation des 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 dispose également de capacités d’optimisation stochastique pour recommander finalement les décisions qui maximisent le retour en dollars (ou en euros) pour chaque décision, tout en tenant compte des contraintes spécifiques du client. Ces contraintes incluent des préoccupations transversales telles que la cannibalisation et la substitution.

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

Résumé exécutif

En ce qui concerne l’optimisation des stocks, Lokad s’est écarté de ce qui pourrait être considéré comme l’approche “classique” 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 chaînes d’approvisionnement des clients, mais le défi le plus important est souvent d’expliquer ces améliorations - une tâche d’autant plus difficile étant donné à quel point l’approche de Lokad diffère de ce à quoi les praticiens de la supply chain s’attendent.

Le conte de fées “classique” sur l’optimisation des stocks se déroule comme suit : le fournisseur de logiciels (quadrant magique) fournit des prévisions plus précises de 20 %, et ces prévisions se traduiront par 20 % de moins de ruptures de stock et 20 % de moins de stocks. Ce conte de fées met généralement en avant plusieurs mots à la mode : intelligence artificielle, détection de la demande, apprentissage automatique, blockchain, jumeaux numériques, systèmes en mémoire, etc. Cependant, cette vision “classique” est une impasse1. Contrairement à la plupart de nos concurrents, Lokad fournit en réalité des prévisions de pointe2, et nous savons que cela ne suffit pas à garantir un retour sur investissement satisfaisant.

Lokad est peut-être unique en ce sens que nous ne faisons pas mystère de la manière dont nous obtenons des performances de stock supérieures. Nous avons une série de conférences publiques3 (totalisant plus de 50 heures et en constante augmentation) qui explique en détail nos technologies et méthodologies. Cette série sert à la fois de ressource et d’avertissement pour les clients : une fois que vous avez compris comment fonctionnent les “astuces” d’un fournisseur, vous ne pouvez plus les ignorer.

Prévision probabiliste

Les prévisions probabilistes doivent être utilisées. Ces prévisions fournissent une évaluation quantitative directe de l’incertitude à laquelle on est confronté dans la supply chain - par exemple, l’incertitude entourant la demande des clients et les délais de livraison des fournisseurs. Au lieu de prétendre que les prévisions traditionnelles basées sur des 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 est quelque peu irrélevant étant donné qu’elles sont utilisées pour raconter une histoire complètement différente sur l’avenir du client - les détails de laquelle sont couverts dans la section 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 traditionnelle des prévisions basées sur des séries temporelles ignore l’incertitude décrite ci-dessus. En conséquence, lorsque des prévisions ponctuelles basées sur des séries temporelles sont utilisées, la supply chain est fragile même face à des risques entièrement banals, tels que la nature aléatoire des lancements de produits. Il est inutile de s’attendre à ce que les lancements de produits soient jamais dérisqués, car si une entreprise est capable d’évaluer de manière plus fiable les performances de ses lancements de produits, elle exploiterait sans aucun doute cette nouvelle capacité pour lancer encore plus de produits, réintroduisant ainsi de l’incertitude dans la supply chain en question.

Prise de décision automatisée

La prise de décision automatisée (et supérieure) en matière de supply chain est le seul objectif valable à poursuivre, car ce sont elles qui ont un impact tangible sur la supply chain. Si le logiciel d’optimisation des stocks ne renvoie pas autre chose que les décisions finalisées, alors le logiciel ne fait pas son travail (ou vous pourriez simplement avoir le mauvais logiciel).

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

En revanche, la vision dominante met l’accent sur toutes sortes d’artefacts numériques : les classes ABC (ou son cousin, ABC XYZ), les rotations de stocks, les stocks de sécurité, les quantités économiques de commande, etc. Contrairement aux décisions en matière de supply chain, la relation entre un artefact numérique et les performances de la supply chain est floue au mieux. De plus, la plupart de ces chiffres ne sont introduits que pour soutenir un processus de prise de décision semi-manuel, garantissant ainsi le gaspillage continu des ressources du client (argent, temps et effort).

En conséquence, rien n’est jamais vraiment résolu car les praticiens de la supply chain sont continuellement distraits par le processus de lutte contre les incendies persistant, et en arrière-plan, le système sous-jacent continue de générer des décisions suboptimales.

Perspective financière

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

En revanche, la vision dominante met l’accent sur des pourcentages, tels que les taux de service, tout en ignorant complètement tous les moteurs économiques intangibles. Cela conduit à la myopie des décisions recommandées que le grand public associe maintenant à la “finance”. De telles décisions sont optimisées en fonction de 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 de l’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 des stocks ? Quelles sont vos capacités de gestion des stocks ?

Lokad optimise (et rationalise) les stocks plutôt que de les gérer. L’optimisation des stocks implique, entre autres choses, de prendre les meilleures décisions possibles, telles que la quantité de stock à acheter, quand l’acheter et où le (ré)allouer. La gestion des stocks, en revanche, se concentre sur la gestion des enregistrements électroniques qui reflètent l’état physique des stocks et sur le maintien de ces enregistrements alignés sur la réalité des stocks. L’optimisation des stocks et la gestion des stocks sont les deux principaux aspects du contrôle global des stocks, et Lokad est entièrement dédié au premier.

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

Cependant, l’optimisation des stocks repose sur la prise de bonnes décisions, pas nécessairement en temps réel. Un retard de 5 minutes pour calculer une commande d’achat optimisée - qui reflète un large éventail de facteurs et de contraintes - est sans conséquence si la commande d’achat permet d’économiser des milliers de dollars (ou d’euros) pour le 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 une perte de milliers de dollars (ou d’euros) en stocks morts. Si le client n’a pas de système de gestion des stocks en place, 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 des stocks prétendent également fournir des fonctionnalités d’optimisation des stocks. C’est une affirmation fallacieuse. Ces fonctions distinctes de gestion des stocks nécessitent des interventions logicielles distinctes.

Pour une comparaison directe de l’optimisation des stocks et de la gestion des stocks, ainsi que de leur logiciel nécessaire, voir Contrôle des stocks.

1.2 Comment prévoyez-vous les besoins futurs en stocks ?

Lokad utilise une technologie de modélisation prédictive approfondie pour prévoir tous les facteurs incertains qui influencent les besoins futurs en stocks. Ces facteurs comprennent, entre autres, la demande future et les délais de livraison futurs qui ont un impact direct sur les besoins en stocks. Cependant, selon le secteur spécifique, il existe souvent d’autres sources d’incertitudes. Par exemple, il peut y avoir des retours de clients (e-commerce), un rendement de production, des taux de rebut, etc. Afin de déterminer les besoins en stocks, nous combinons généralement une courte série de prévisions qui reflètent plusieurs sources d’incertitude. Cette approche va bien au-delà des capacités des prévisions traditionnelles basées sur les séries temporelles.

De plus, Lokad adopte une perspective de prévision probabiliste. Cela signifie que Lokad considère tous les futurs possibles et évalue quantitativement leurs probabilités respectives. De plus, notre plateforme comprend les instruments nécessaires pour composer ou combiner ces prévisions probabilistes, tels 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 intégrée sur les délais de livraison. La demande intégrée sur les délais de livraison est généralement une ligne de base de départ pour évaluer les besoins futurs en stocks.

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

1.3 Calculez-vous les niveaux de stocks passés et futurs en fonction des données de ventes historiques et des données de prévisions ?

Oui, la plateforme de Lokad est capable de calculer à la fois les niveaux de stocks passés et futurs en exploitant les données transactionnelles historiques du client, y compris les flux sortants (par exemple, les ventes) et les flux entrants (par exemple, les achats). Nous disposons de capacités étendues de prévision probabiliste, 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 - fournie via notre plateforme - est à la fois évolutive et rentable, nous recommandons généralement d’enregistrer les données au fil du temps, généralement par le biais de captures d’écran produites au sein de la plateforme Lokad si ces données ne sont pas déjà historisées dans les systèmes de l’entreprise, au lieu de recalculer ces données. En effet, même un modèle de flux soigneusement élaboré peut encore refléter de manière incorrecte les niveaux de stocks passés. Les captures d’écran historiques des niveaux de stocks ne souffrent pas de cette catégorie de problèmes.

En ce qui concerne les niveaux de stocks futurs, il y a deux éléments importants à prendre en compte. Premièrement, l’incertitude de l’avenir est irréductible. Deuxièmement, les niveaux de stocks futurs dépendent de décisions qui n’ont pas encore été prises. Comme l’incertitude de l’avenir est irréductible, il est imprudent - et assez peu rentable - de supposer qu’une seule projection de l’état futur des stocks peut être considérée comme “suffisamment correcte”. Au lieu de cela, nous devrions envisager tous les futurs possibles et leurs probabilités respectives. Il s’agit d’une vision beaucoup plus riche de l’avenir, qui nous permet de prendre des décisions d’approvisionnement ajustées au risque et résilientes aux écarts par rapport à la prévision (classique). Lokad réalise cela en exploitant la prévision probabiliste.

Comme les stocks futurs dépendent des décisions d’approvisionnement qui n’ont pas encore été prises (par exemple, les futures commandes d’achat), nous avons besoin d’un système sensé pour mettre en œuvre ces décisions afin d’évaluer le(s) futur(s) possible(s) de l’inventaire. Cela nécessite 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 humaine subjective), il devient alors impraticable de “simuler”. Ainsi, un système automatisé de prise de décision doit être utilisé à des fins de simulation.

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

Oui, la plateforme de Lokad facilite la mise en œuvre d’une approche de supply chain classique, comprenant les stocks de sécurité, les niveaux Min/Max, les points de réapprovisionnement et les EOQ. De plus, il est également facile de rafraîchir tous ces éléments de manière entièrement automatisée. Cependant, cette approche de la supply chain est obsolète car elle donne de mauvais résultats en pratique. De plus, elle nécessite des corrections manuelles étendues et continues pour corriger les sorties suboptimales que le “système” continue de générer.

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

En conséquence, la réduction des frais d’achat est une évidence : les commandes sont économiquement optimisées, ce qui élimine la nécessité d’introduire des formules obsolètes comme la formule de Wilson (traditionnellement utilisée pour les calculs EOQ). De plus, déclencher la commande d’achat devient une question d’équilibre entre le coût de la rupture de stock et le coût du surstock, ce qui élimine la nécessité de stocks de sécurité, de niveaux Min/Max et de points de réapprovisionnement.

De plus, l’approche de Lokad se prête bien aux problèmes de SKU croisés (unité de gestion des stocks). Ces problèmes comprennent la cannibalisation, la substitution, les quantités minimales de commande au niveau du fournisseur, les capacités d’entrepôt ou de magasin et les échelons multiples. L’approche de la supply chain classique est rigidement attachée à une perspective strictement mono-SKU. Par conséquent, ces problèmes sont négligés par conception. Peu importe à quel point un calcul de stock de sécurité peut être sophistiqué (pour prendre un exemple), il ne peut pas résoudre ces problèmes de SKU croisés, car la formule (ou plutôt la classe de formules) implique le traitement des SKU de manière isolée.

1.5 Comment différenciez-vous votre approche pour les articles de grande valeur ?

L’approche de la supply chain quantitative de Lokad recommande vivement d’optimiser chaque décision de la supply chain en fonction de ses moteurs économiques (individuels et interdépendants), de sorte que les articles de grande valeur et de faible valeur soient optimisés de la même manière - bien que, naturellement, les détails des calculs varient.

Les moteurs économiques pertinents incluent naturellement - entre autres choses - les coûts et la marge brute des articles de stock optimisés. Les articles de grande valeur sont naturellement associés à des coûts élevés et à des marges élevées - du moins en termes absolus. L’optimisation réalisée par Lokad maximise les rendements dollar contre dollar pour les investissements en stock : en termes simples, pour chaque 1 USD qui peut être investi, Lokad choisit l’article qui offre le taux de rendement le plus élevé (pensez au ROI).*

Au-delà de l’évaluation économique pure, il existe d’autres contraintes qui influencent la génération des décisions d’inventaire, telles que les quantités minimales de commande (MOQ). Cependant, la plateforme de Lokad comprend toutes les capacités numériques nécessaires pour prendre en compte les deux classes de préoccupations dans son processus d’optimisation. Tous les moteurs économiques - et les facteurs financiers qui en découlent - sont proposés par Lokad et finalement validés par le client.

Cette perspective unifiée et axée sur les aspects financiers de l’optimisation signifie que les praticiens n’ont plus à naviguer dans une multitude de cas particuliers régis par des politiques et des préoccupations différentes. Chaque article - de grande valeur, de faible valeur, erratique, etc. - est optimisé en termes d’impact financier que chaque unité supplémentaire aura pour le client.

*À grande échelle, Lokad prépare une liste classée des décisions d’achat, pas seulement une seule recommandation. La liste est classée par ordre décroissant, en commençant par l’article qui offre le plus grand retour financier sur investissement. Consultez notre tutoriel de compte de démonstration public pour une explication détaillée de la façon dont cela est fait.

1.6 Tenez-vous compte des coûts de traitement des commandes d’achat (par exemple, la commande, la facturation) ?

Oui, Lokad recommande une perspective financière où chaque décision de la chaîne d’approvisionnement (y compris les commandes d’achat) est optimisée par rapport à tous ses moteurs économiques pertinents. En particulier, tous les frais généraux associés à la réalisation des décisions, tels que les coûts de traitement, sont intégrés dans cette liste de moteurs économiques. Les Supply Chain Scientists de Lokad sont responsables de s’assurer que le modèle économique, tel qu’implémenté dans la recette numérique, reflète toutes les opportunités et les frais généraux du client.

La plateforme de Lokad est remarquablement expressive et programmatique, ce qui nous permet de concevoir un support pour pratiquement tous les types de coûts et/ou remises qui peuvent survenir dans l’exercice de commande - par exemple, les paliers de prix. 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 pousser le processus de commande optimisé vers des commandes (légèrement) plus importantes et (légèrement) moins fréquentes à mesure que les coûts de traitement augmentent. Les paliers de prix ont également tendance à pousser l’optimisation vers des commandes plus importantes et moins fréquentes.

1.7 L’équipe d’approvisionnement peut-elle simuler l’effet des stratégies de réapprovisionnement sur les besoins en capital ? Peuvent-ils projeter les niveaux de stock ?

Oui, la plateforme de Lokad a été conçue pour prendre en charge la projection, dans un sens très large, des conditions futures de la chaîne d’approvisionnement sous des politiques variables. Les conditions futures comprennent les niveaux de stock futurs, mais aussi toutes les autres conditions futures critiques de la chaîne d’approvisionnement, telles que la saturation des capacités (telles que le transport, la manutention, le stockage, etc.). Les politiques variables comprennent des stratégies de réapprovisionnement alternatives, mais aussi tous les autres types de décisions qui régissent l’exécution de la chaîne d’approvisionnement (affectation des stocks, ordres de production, retours, changements de prix, etc.).

De plus, Lokad estime qu’il est essentiel d’installer un processus qui penche fortement vers une prise de décision entièrement automatisée (pour les décisions de chaîne d’approvisionnement répétitives et banales). Il est déraisonnable de s’attendre à ce qu’une “simulation” puisse produire des chiffres sensés si, en pratique, l’exécution réelle de la chaîne d’approvisionnement dépend de remplacements subjectifs (et manuels) réguliers de la part des praticiens de la chaîne d’approvisionnement. Par conception, la simulation ignore complètement ces remplacements.

Les prévisions probabilistes générales - pas seulement les prévisions de la demande - sont un autre ingrédient essentiel pour réaliser une telle simulation. Les délais de livraison futurs, les retours futurs et de nombreux 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 qui ignorent d’autres sources cruciales d’incertitude). L’intégration de la prévision probabiliste généralisée nous permet de construire des simulations significatives qui fournissent la granularité et les informations nécessaires sur la chaîne d’approvisionnement du client.

Consultez 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’incorporer un large éventail de facteurs économiques dans les recommandations d’achat, y compris à la fois des indicateurs économiques directs (premier ordre) tels que la marge brute et les coûts d’expédition, et des indicateurs économiques indirects (deuxième ordre) tels que les pénalités de rupture de stock et la satisfaction client. 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 traiter les complexités des chaînes d’approvisionnement réelles.

Nous recommandons de prendre en compte tous les facteurs économiques pertinents, qui ont tendance à varier (plus ou moins) d’un client à l’autre. En général, les facteurs pertinents se répartissent en deux grandes catégories appelées facteurs de premier et de deuxième ordre. Les facteurs de premier ordre comprennent tous les avantages et les coûts qui peuvent être lus plus ou moins directement à partir des registres du client : marge brute, coût d’expédition, coût de possession, coût de commande, etc. Les facteurs de deuxième ordre sont plus nuancés, moins directs et totalement absents des logiciels d’entreprise traditionnels. Ils comprennent le coût de ne pas avoir quelque chose en stock lorsque le client le souhaite (pénalité de rupture de stock), la satisfaction ou la fidélité de la clientèle, l’importance relative des segments de clients ou des géographies, etc.

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

Cette programmabilité étendue dépasse largement les fonctionnalités que l’on trouve dans les logiciels d’entreprise, où le client se voit présenter une liste restreinte d’indicateurs économiques de premier ordre pour soutenir les recommandations d’achat. De tels outils sont, en pratique, incapables de faire face aux nuances et à la variété de situations qui se présentent dans les chaînes d’approvisionnement réelles. Par conséquent, lorsque le logiciel d’entreprise repose sur de telles méthodes, les praticiens de la chaîne d’approvisionnement reviennent invariablement aux méthodes précédentes (généralement les tableurs) dans le but de prendre en compte un facteur qui était absent de la liste restreinte de l’ERP.

En ce qui concerne les indicateurs économiques, il n’y a pas de solution de contournement pour des capacités programmatiques complètes. Bien que les tableurs soient effectivement programmatiques, ils manquent de la fiabilité et de l’évolutivité de la plateforme de Lokad.

Consultez La Supply Chain Quantitative en bref pour plus d’informations sur la philosophie de la chaîne d’approvisionnement de Lokad, ainsi que ce résumé pour plus d’informations sur les facteurs de premier et de deuxième ordre.

1.9 Fournissez-vous des rapports d’inventaire avec les causes profondes ?

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

Il convient de souligner que l’identification des “causes profondes” est une tâche complexe. Cela nécessite invariablement un travail approfondi de la part des scientifiques de la chaîne d’approvisionnement de Lokad pour identifier correctement quelque chose qui qualifie véritablement comme une cause profonde. Par exemple, les stocks excessifs peuvent être attribués à des quantités de commande minimales excessives (MOQ). Cela peut à son tour s’expliquer par des conditions de négociation défavorables de l’équipe d’approvisionnement. Cependant, les conditions suboptimales peuvent être le résultat d’attentes gonflées de la demande basées sur une évolution attendue de l’offre du client, mais l’évolution a été reportée en raison de retards de l’équipe marketing. Il peut donc être très difficile de séparer la corrélation et la causalité, en particulier dans la chaîne d’approvisionnement.

Heureusement, la plateforme de Lokad est programmatique. C’est une exigence essentielle lorsqu’il s’agit de relever des défis ouverts tels que l’identification des causes profondes. Les bogues dans le système produisant des données erronées, les praticiens ignorant ou ajustant manuellement les recommandations, les produits mal catégorisés étant attribués au mauvais profil saisonnier et les erreurs humaines de base (pour n’en citer que quelques-unes) peuvent tous être considérés comme des causes profondes. Sans capacités programmatiques, il n’y a aucun espoir de pouvoir poursuivre de telles enquêtes.

De nombreux logiciels d’entreprise vantent des capacités ou des rapports d’analyse des causes profondes, mais en réalité, ils identifient généralement des symptômes évidents et non les causes profondes réelles. Par exemple, si le logiciel identifie une commande d’achat excessive comme la cause profonde d’un stock excessif, cela n’est pas particulièrement utile si le logiciel a recommandé la commande d’achat en premier lieu. Cela est particulièrement préjudiciable si l’attente implicite est que les praticiens annuleront manuellement les commandes d’achat défectueuses générées par le logiciel.

En revanche, toute cause profonde remontant à la recette numérique générée par Lokad pour son client déclencherait immédiatement une intervention du scientifique de la chaîne d’approvisionnement chargé 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 sont vos capacités d’analyse et de reporting pour suivre les performances et les tendances de l’inventaire ?

La plateforme de Lokad dispose de capacités d’analyse et de reporting programmatiques étendues. Cela signifie que toute analyse, et en particulier l’analyse des performances de l’inventaire, qui peut être réalisée dans un tableur ou un outil de business intelligence, peut également être réalisée dans la plateforme de Lokad.

De plus, la plateforme de Lokad est à la fois évolutive et rentable lors de la mise à l’échelle. Cela signifie qu’il est possible pour nous d’historiser tout, y compris les données qui ne sont pas toujours historisées dans les systèmes d’entreprise (par exemple, les niveaux de stock historiques et les prix historiques). La plateforme adopte également une approche prédictive en ce qui concerne les performances de l’inventaire. En effet, décider s’il y a trop ou trop peu d’inventaire dépend des attentes de la demande future. Ces capacités prédictives sont également programmatiques, ce qui signifie qu’elles peuvent être adaptées selon les besoins.

Au-delà de ces capacités brutes de la plateforme, l’approche recommandée par Lokad en ce qui concerne les performances de l’inventaire est double. Premièrement, la performance doit être ramenée aux décisions initiales de la supply chain qui ont généré le stock (ou le manque de stock). Plutôt qu’une cause première, les niveaux de stock sont un symptôme de l’action entreprise par le client (et son fournisseur de logiciel de support), que cette action soit juste ou erronée. Deuxièmement, la performance doit être évaluée en termes d’impact financier (par exemple, en euros ou en dollars), plutôt que de pourcentages arbitrairement déterminés liés aux KPI (par exemple, le taux de service).

Les évaluations basées sur des critères financiers sont essentielles pour équilibrer efficacement les nombreux facteurs qui contribuent à chaque décision de la supply chain. La plateforme de Lokad rationalise ces pratiques, facilitant ainsi la compréhension des performances de l’inventaire par les analystes du côté du client, en exploitant un certain nombre 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 les plus grands potentiels d’amélioration ?

Résumé exécutif: Oui, la plateforme de Lokad peut générer des listes TOP P/N par catégorie, région et période de temps, 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 des performances au niveau des SKU, préférant l’amélioration systématique des recettes numériques qui régissent les décisions de la supply chain, avec le reporting au niveau des SKU comme outil de support.

Avec la plateforme 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 de temps, etc. Comme la solution de Lokad est programmatique, toute liste qui peut être créée dans un tableur ou un outil de business intelligence peut également être réalisée dans la plateforme 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, le taux de service).

L’approche privilégiée par Lokad consiste à calculer des appels à l’action prioritaires, 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’accélération ou le report d’une commande, l’identification d’un fournisseur alternatif, l’augmentation 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 opérationnelle. 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, il y a une perspective que Lokad ne recommande pas pour la supply chain. L’intention derrière la recherche d’une amélioration des performances au niveau du SKU est de donner la priorité à l’attention des praticiens de la supply chain dans un contexte où les SKUs doivent être examinés manuellement. Cette approche est obsolète et n’utilise pas correctement le temps des praticiens de la supply chain. Les problèmes d’inventaire rencontrés avec un SKU donné ne sont presque jamais spécifiques à ce SKU. Au contraire, 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 résolu, la prochaine fois, le problème se manifestera à travers un autre SKU.

Ainsi, le temps des experts devrait être investi dans l’amélioration systématique des recettes numériques qui régissent les décisions de la supply chain. Bien que les capacités de reporting au niveau du SKU soient importantes, elles importent surtout en tant qu’instruments de soutien pour l’amélioration continue des recettes numériques, et non en tant qu’outils de priorisation de l’attention.

2. Niveaux de stocks et taux de service

2.1 Fournissez-vous des rapports sur les stocks disponibles?

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

Cependant, cette fonctionnalité n’est pas l’application principale de Lokad. Bien que Lokad puisse vérifier les niveaux de stocks disponibles en temps réel pour n’importe quel SKU, notre technologie est destinée à être une couche analytique au-dessus des systèmes commerciaux transactionnels. Ces systèmes restent responsables de la “gestion” des stocks pour toutes les opérations de transaction courantes, tandis que Lokad est conçu pour optimiser l’intelligence de la prise de décision en matière d’inventaire.

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

Résumé exécutif: Lokad fournit des niveaux de service des stocks optimisés en intégrant des prévisions probabilistes avec une optimisation stochastique. Cette approche permet d’adapter les décisions de la supply chain à des critères quantitatifs spécifiques, tels que l’équilibrage des niveaux de service élevés avec un stock minimal et un retour sur investissement maximisé.

Lokad optimise le taux de service des stocks en combinant des capacités de prévision probabiliste et d’optimisation stochastique. Cela nous permet d’optimiser les décisions de la supply chain pour refléter tous les critères quantitatifs qui pourraient être exprimés dans Excel, mais en mieux. En particulier, optimiser les décisions de réapprovisionnement en fonction de certains niveaux de service - tout en minimisant la quantité de stock et en maximisant le retour sur investissement - est très simple.

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

Une fois cela fait, nos clients réalisent généralement que les niveaux de service peuvent en fait être complètement contournés. Lokad a la capacité d’utiliser les indicateurs économiques mentionnés ci-dessus pour optimiser directement les décisions de la supply chain elles-mêmes (plutôt que des indicateurs de performance de la supply chain quelque peu arbitraires). Ainsi, les stocks finissent par avoir des niveaux de service qui reflètent la stratégie la plus rentable pour l’entreprise. Cela est vrai malgré le fait que Lokad optimise directement les dollars de retour par dollar dépensé plutôt que des pourcentages liés à des indicateurs de performance arbitraires.

“Indicateur de performance arbitraire” n’est pas une exagération. Premièrement, le niveau de service est généralement basé sur la satisfaction des demandes des clients de manière isolée, plutôt que sur la satisfaction des demandes des clients de la manière la plus rentable possible. Cette dernière perspective, beaucoup plus nuancée, tient compte des coûts associés à la satisfaction de niveaux de service élevés pour des SKU qui pourraient ne pas être particulièrement rentables en eux-mêmes. Ignorer cette perspective garantit la poursuite de coûts de stock inutiles (et de dépréciations de stock). Cela est dû au fait que des niveaux de service arbitrairement élevés génèrent, par conception, un flux continu de stocks morts.

Deuxièmement, le niveau de service - un pourcentage arbitraire et bureaucratique - n’est pas équivalent à la “qualité de service” pour les clients. Les niveaux de service ignorent, par conception, toutes les cannibalisations et substitutions qui existent dans une offre. De même, les niveaux de service ignorent, par conception, toutes les dépendances qui existent au sein de l’offre, où l’obtention du produit A n’a de sens que si le produit B est également disponible.

Troisièmement, même d’un point de vue SKU unique, les niveaux de service n’abordent pas les commandes en gros - les situations où un client s’attend à ce qu’une certaine quantité soit disponible à l’achat. Dans ce cas, à la fois les étagères vides et les étagères insuffisamment approvisionnées sont des menaces pour la qualité de service.

En bref, le niveau de service est un instrument obsolète de la supply chain, à ne pas confondre avec la “qualité de service”, qui reste aussi importante que jamais. Lokad reconnaît que la gestion du changement en temps opportun peut nécessiter une période de transition avec de tels indicateurs de performance, cependant, à long terme, nous recommandons vivement la perspective économique supérieure qui optimise les dollars de retour par dollar dépensé.

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

2.3 Comment optimiser les niveaux de stock et réduire les coûts de possession ?

Résumé exécutif : Lokad suit un processus en deux étapes. Premièrement, nous établissons un modèle prédictif probabiliste. Le modèle prédictif est une version généralisée des anciens modèles de prévision des séries temporelles (maintenant 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 d’intérêt de la supply chain, par exemple les quantités de réapprovisionnement. L’optimisation est dite “stochastique” car les critères d’optimisation sont bruités/aléatoires, ce qui reflète les conditions incertaines de la future supply chain.

Les critères d’optimisation préférés de Lokad reflètent les moteurs économiques du client. Ainsi, lors de l’optimisation des stocks d’un client, Lokad quantifie explicitement les différents coûts (par exemple, les coûts de possession, les coûts de fonds de roulement, les coûts d’annulation, 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 stock pour minimiser les coûts de possession, mais seulement dans la mesure où ces gains ne sont pas compensés par des pertes résultant d’une dégradation de la qualité de service.

Bien que les critères d’optimisation préférés de Lokad soient ancrés dans la quantification méticuleuse des moteurs économiques du client, nous pouvons ajuster nos critères pour refléter un certain nombre de facteurs alternatifs. La plateforme de Lokad est programmable, ce qui signifie qu’elle peut être adaptée pour satisfaire tout critère souhaité par le client, y compris ceux qui pourraient être exprimés dans une feuille de calcul Excel traditionnelle.

Consultez 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 optimiser les stocks de sécurité pour minimiser les ruptures de stock tout en contrôlant les coûts de possession ?

Résumé exécutif : Les décisions de Lokad, ajustées en fonction des risques, minimisent soigneusement le risque financier réel de rupture de stock en augmentant le niveau de stock jusqu’au point où les coûts marginaux de possession sont supérieurs au coût d’un événement de rupture de stock. Étant donné que l’optimisation doit faire face à une incertitude ambiante constante - le futur est inconnu - une optimisation stochastique est nécessaire. Les méthodes de prévision et d’optimisation traditionnelles (c’est-à-dire les modèles déterministes) ne peuvent pas faire face aux variables futures bruitées/aléatoires - les prévisions probabilistes avec une optimisation stochastique le peuvent.

Lokad optimise tous les stocks, y compris les stocks de sécurité, en utilisant des prévisions probabilistes combinées à une optimisation stochastique. Les prévisions probabilistes incluent la demande future, les délais de livraison futurs ainsi que toute autre source d’incertitude pertinente. L’optimisation stochastique peut être ajustée pour répondre à tous les critères numériques, y compris la minimisation des ruptures de stock sous une contrainte de coûts de possession maximaux.

Les prévisions probabilistes sont particulièrement adaptées pour traiter les conditions inhabituelles qui génèrent des ruptures de stock en premier lieu. Si une rupture de stock se produit, c’est généralement parce que la demande ou le délai de livraison a augmenté de manière inattendue, voire les deux. Les modèles classiques de prévision de séries temporelles (c’est-à-dire non probabilistes) n’identifient qu’une seule valeur future (par exemple, X), ignorant ainsi complètement ce qu’ils considèrent comme les valeurs alternatives moins probables, bien qu’elles soient loin d’être improbables (par exemple, X+1, X-1, etc.).

En conséquence, les prévisions classiques de séries temporelles sont largement aveugles lorsqu’il s’agit d’évaluer quantitativement des événements improbables, tels que celui qui pourrait causer une rupture de stock. Lorsqu’une entreprise vise à avoir une fréquence de rupture de stock inférieure à 1% du temps (par exemple, par trimestre), les ruptures de stock qui se produisent encore font, par conception, partie des 1% des situations les plus extrêmes.

Le processus d’optimisation stochastique est essentiel pour transformer les prévisions probabilistes d’origine en décisions de la chaîne d’approvisionnement, telles que les réapprovisionnements de stocks. La préférence de Lokad est une approche économique pure où le coût des ruptures de stock est exprimé en dollars (ou en euros), ainsi que les autres coûts, tels que les coûts de possession (de stockage).

Selon Lokad, le modèle de stock de sécurité est un concept obsolète, bien qu’il puisse être inclus dans notre plateforme à la demande du client. Nous recommandons vivement d’adopter pleinement la perspective de la chaîne d’approvisionnement quantitative, plutôt que de s’appuyer sur des méthodes qui ne conviennent pas à cet objectif. Par exemple, le défaut le plus important des modèles de stock de sécurité est qu’ils ne peuvent pas prioriser, en cas de deux SKU au bord d’une rupture de stock, lequel est le plus important. Cette perspective traite les SKU de manière strictement isolée, ce qui contrecarre la tentative d’optimiser la chaîne d’approvisionnement dans son ensemble.

Voir Pourquoi les stocks de sécurité sont dangereux et Allocation des stocks de détail avec des prévisions probabilistes pour en savoir plus sur ces points.

2.5 Calculez-vous et ajustez-vous dynamiquement les niveaux de stock de sécurité au niveau du magasin/entrepôt ?

Résumé exécutif: Oui, la plateforme de Lokad permet de rafraîchir l’ensemble du processus d’optimisation des stocks chaque fois que de nouvelles données d’entrée sont fournies, généralement sur une base quotidienne. En règle générale, nous effectuons tous les calculs en moins de 60 minutes, y compris le rafraîchissement de toutes les prévisions et décisions pour chaque SKU à chaque emplacement, y compris les magasins et les entrepôts. Cette approche flexible et évolutive n’est possible que grâce aux décisions d’ingénierie spécifiques de Lokad. Voir ici pour plus d’informations.

La plateforme de Lokad met l’accent sur une conception “sans état” pour l’optimisation de la supply chain. Nous ne réutilisons pas les calculs précédents, nous recalculons tout à chaque fois que nous recevons de nouvelles données 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, ce qui est compromis sans la conception sans état de Lokad. L’alternative consiste à permettre à l’environnement de production du client de devenir le terrain d’essai de données semi-vérifiées, ce que Lokad ne recommande pas.

Ces rafraîchissements couvrent tous les paramètres qui régissent l’optimisation de la supply chain fournie par Lokad. Si le client le souhaite, les rafraîchissements peuvent inclure des prévisions de séries temporelles, des stocks de sécurité et des niveaux de service optimisés. Cependant, Lokad recommande vivement aux clients de ne pas dépendre de ces méthodes obsolètes et d’adopter pleinement la puissance d’optimisation supérieure des prévisions probabilistes et de l’optimisation stochastique.

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

Voir également Niveaux de stocks et niveaux de service 2.4 dans cette FAQ.

2.6 Évaluez-vous l’impact des niveaux/formules de stock de sécurité sur le maintien des niveaux de service souhaités ?

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 niveau de service. En d’autres termes, on peut choisir un niveau de stock de sécurité et voir le niveau de service correspondant. La plateforme permet également au praticien de la supply chain d’évaluer d’autres facteurs, tels que les coûts de possession attendus (ou du moins les durées 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 niveaux de service sont largement obsolètes. Bien que nous soyons capables de les inclure dans notre plateforme, Lokad ne les recommande pas. Les prévisions probabilistes et l’optimisation stochastique, qui sont les fondements de l’optimisation de Lokad, représentent une alternative supérieure dans tous les domaines.

Veuillez consulter Allocation des stocks de détail avec des prévisions probabilistes pour plus d’informations à ce sujet.

Voir également Niveaux de stocks et niveaux de service 2.4 dans cette FAQ.

2.7 Est-ce que Lokad permet la mise en œuvre de différentes stratégies d’inventaire, chacune avec des niveaux de service et des intervalles de confiance spécifiques, différenciés selon plusieurs dimensions organisationnelles (par exemple, par SKU, catégorie de produit et/ou région) ?

Résumé exécutif: Oui, la plateforme de Lokad prend en charge la différenciation des stratégies ou politiques d’inventaire au niveau SKU. Ces stratégies peuvent refléter des paramètres différenciés au niveau SKU, en tenant compte de différents objectifs de niveau de service, de différents intervalles de confiance (pour les stocks de sécurité), etc. Ces stratégies peuvent également être différenciées à n’importe quelle granularité intermédiaire (pas seulement au niveau SKU). Par exemple, il est possible d’appliquer sélectivement des paramètres par région, par catégorie de produits, par attribut d’article (par exemple, seuil sur le poids de l’article), etc.

La plateforme de Lokad est programmable, ce qui nous permet de mettre en œuvre n’importe quelle stratégie d’inventaire qui pourrait être exprimée dans un tableur, quelle que soit la nature arbitraire ou inhabituelle de cette stratégie. Les Supply Chain Scientists de Lokad effectuent 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 niveaux de service, nous recommandons vivement de ne pas le faire. La plateforme de Lokad est mieux adaptée à l’optimisation des dollars de retour par dollar dépensé, et non aux pourcentages liés à des KPI arbitraires. En fait, il y a deux objections majeures à la notion même de “niveau de service”.

Premièrement, malgré un nom similaire, le lien entre le niveau de service et la qualité de service - telle que perçue par le consommateur - est ténu. De nombreux manuels de gestion de la chaîne d’approvisionnement, et par conséquent de nombreux logiciels de gestion de la chaîne d’approvisionnement, confondent à tort ces deux notions. Les niveaux de service ignorent complètement la gamme de toutes les substitutions possibles, ainsi que toutes les dépendances possibles entre les produits. Les niveaux de service sont donc un mauvais substitut pour une véritable compréhension de la qualité de service.

Deuxièmement, les niveaux de service, par conception, contribuent à la génération continue de pertes d’inventaire. Cela est dû à leur focalisation exclusive sur le côté positif (c’est-à-dire la satisfaction de la demande), ce qui signifie finalement qu’ils ignorent le côté négatif (c’est-à-dire le fait de se retrouver avec des unités de stock qui ne sont jamais vendues/demandées/consommées).

2.8 Pouvez-vous imposer un niveau de service et des rotations d’inventaire par SKU ou par numéro de pièce (P/N) ?

Oui, la plateforme de Lokad nous permet d’ajuster le processus d’optimisation des stocks en fonction d’un niveau de service/rotation d’inventaire donné, jusqu’au niveau SKU, ou à n’importe quelle granularité intermédiaire (P/N, marque, emplacement, catégorie, point de prix, etc.). À cet égard, la plateforme de Lokad peut orienter les décisions en matière d’inventaire pour refléter les objectifs quantitatifs souhaités par le client.

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

La technologie de prévision probabiliste de Lokad garantit cependant que, en moyenne, sur de nombreux SKUs (c’est-à-dire des milliers) et sur une période de temps considérable (c’est-à-dire des semaines), les niveaux de service observés et les rotations d’inventaire reflètent les paramètres souhaités du client. C’est, en pratique, la façon la plus proche et raisonnable de “forcer” des paramètres qui sont finalement déterminés par le(s) client(s).

Voir aussi Niveaux de stock & niveaux de service 2.7 dans cette FAQ.

3. Surstocks

3.1 Comment intégrez-vous le risque de perte d’inventaire ?

Les prévisions probabilistes utilisées par Lokad sont un élément essentiel de l’évaluation des pertes d’inventaire. Grâce aux prévisions probabilistes, Lokad évalue tous les futurs possibles, y compris les moins probables, au lieu de reposer toute l’analyse sur une seule valeur future (c’est-à-dire des prévisions classiques ponctuelles/chronologiques). En réalité, c’est la chute attendue (improbable mais pas impossible) de la demande qui entraîne la perte d’inventaire, quelque chose que les prévisions probabilistes sont conçues pour quantifier explicitement à l’avance.

Une fois les prévisions probabilistes établies, Lokad produit des décisions d’approvisionnement ajustées au risque. Ces décisions d’approvisionnement sont optimisées par rapport aux moteurs économiques pertinents, dont la possibilité de perte d’inventaire fait partie. La décision (par exemple, un réapprovisionnement des stocks) est ajustée au risque car elle équilibre les avantages d’une meilleure satisfaction des clients avec les inconvénients de se retrouver éventuellement avec des stocks morts plus tard. De plus, Lokad peut refléter l’option intermédiaire qui peut être disponible pour l’entreprise cliente, tels que des canaux de vente secondaires qui peuvent absorber le stock supplémentaire, bien que à des prix fortement réduits.

Voir aussi Niveaux de stock & niveaux de service 2.3 dans cette FAQ.

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

Lokad aborde activement les stocks morts en éliminant, ou du moins en réduisant considérablement, les décisions d’approvisionnement qui génèrent finalement des stocks morts en premier lieu. Ce mécanisme proactif repose largement sur les prévisions probabilistes générées 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. Grâce à cette évaluation, nous quantifions le risque de générer des stocks morts pour chaque décision d’approvisionnement (par exemple, commander 5 unités au lieu de 4). Si une décision d’approvisionnement (par exemple, commander 5 unités supplémentaires) est jugée trop risquée en termes de stocks morts, alors cette décision est ajustée pour réduire le risque. Naturellement, le risque de dépréciation des stocks ne peut pas être entièrement éliminé, mais une fois correctement évalué, la fréquence des dépréciations des stocks peut être considérablement réduite.

En ce qui concerne les stocks dormants, à moins que ces stocks ne servent un but très spécifique (comme cela peut être le cas dans les environnements industriels où les pièces de rechange répondent à des pannes rares mais critiques), Lokad recommande généralement de baisser le prix afin de stimuler la demande. Cela permettrait finalement de liquider ce qui reste du stock. La plateforme de Lokad est capable de produire un processus d’optimisation conjointe des stocks et des prix à cette fin précise.

Voir aussi Surstocks 3.1 dans cette FAQ.

3.3 Identifiez-vous les stocks non performants, par exemple les stocks excédentaires et obsolètes et les stocks morts ?

Résumé exécutif: Oui. En utilisant des prévisions probabilistes, Lokad identifie et quantifie les cycles de vie des unités en stock 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 qui est en surstock, nous pouvons évaluer quelle fraction du stock est susceptible de devenir un stock mort, et quelle fraction est susceptible de devenir un stock obsolète (nécessitant des réductions pour stimuler les ventes). C’est la même approche que nous adoptons concernant les stocks excédentaires et obsolètes, et c’est un élément majeur dans la production de nos décisions d’approvisionnement recommandées.

La perspective des prévisions probabilistes permet à Lokad de prendre en compte toutes les valeurs futures possibles (par exemple, de la demande), au lieu de se fier à une seule valeur (comme le ferait une prévision traditionnelle de séries temporelles). Cette perspective est essentielle pour aborder toutes les variations nuancées qui existent lorsqu’on essaie de réduire les risques liés aux stocks. Étant donné que les stocks morts ne peuvent être évités que (plutôt que gérés après coup), le défi consiste à mettre en place un processus qui réduit efficacement la probabilité d’accumuler des stocks morts en premier lieu. Un tel processus nécessite de quantifier précisément la probabilité qu’une décision d’approvisionnement génère des stocks excédentaires/obsolètes/morts/dépréciés.

Les modèles de prévision de séries temporelles sont, par conception, incapables de réaliser cette évaluation des risques. Une raison principale à cela 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 les SKU en catégories claires (comme les classes A/B/C dans une analyse ABC). Cependant, cette simplicité signifie qu’une évaluation détaillée des risques n’est pas possible, étant donné qu’une liste classée de décisions ajustées en fonction des risques pour un SKU donné nécessite des données pour plusieurs scénarios futurs (c’est-à-dire, vendre 1/2/3/4/5/etc. unités du même SKU).

En bref, adopter une approche probabiliste de la prévision (dans ce cas, de la demande) permet une stratégie proactive et efficace qui réduit la génération de stocks non performants, plutôt que d’essayer de les gérer après coup - à ce moment-là, il n’y a guère d’autre choix que de s’en débarrasser.

3.4 Avez-vous des KPI pour suivre les stocks actifs, dormants et nouveaux ?

Résumé exécutif: Oui. La plateforme de Lokad est programmable, ce qui signifie que nous pouvons concevoir n’importe quel type de KPI que nous souhaitons, et nos Supply Chain Scientists réalisent la construction et la mise en œuvre des KPI du client (en collaboration avec les informations du client). Lokad fournit des KPI sur mesure qui reflètent véritablement les nuances des stocks du client. Lokad peut également reproduire les KPI que le client a déjà utilisés et souhaite conserver, bien que ceux-ci soient généralement moins utiles que les KPI 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 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 dormants ne relève pas seulement de la visualisation des données historiques. Il s’agit plutôt d’une projection de la demande future. Ainsi, les “KPI” sont prédictifs. Par conséquent, ils dépendent implicitement de la pertinence du modèle prédictif sous-jacent pour effectuer cette tâche. Dans ce cas, les prévisions de demande probabilistes sont bien adaptées pour évaluer les risques associés à une baisse préjudiciable de la demande.

En revanche, certains éditeurs de logiciels d’entreprise considèrent les KPI de stocks comme s’ils étaient un reflet direct de ces données historiques. Cependant, l’aspect “prédictif” ne peut être évité. Le plus souvent, ces éditeurs ne réalisent pas qu’ils se basent implicitement sur une prévision de demande “moyenne mobile”, donnant ainsi l’illusion qu’aucune prévision n’est jamais effectuée. À leur tour, ces KPI incorrects se révèlent préjudiciables pour l’entreprise, car ils ne font que distraire les 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 ?

Résumé exécutif: Lokad aborde la dépréciation des stocks grâce à une approche globale qui implique le suivi de la composition des stocks, la modélisation des mécanismes de dépréciation et la génération de décisions de supply chain ajustées en fonction des risques. En maintenant des enregistrements détaillés des niveaux et de l’âge des stocks, en utilisant des modèles prédictifs pour anticiper la composition future des stocks et en utilisant des capacités programmatiques pour refléter divers mécanismes de dépréciation, Lokad gère efficacement les facteurs de dépréciation internes et externes. La plateforme de Lokad utilise l’optimisation stochastique pour prendre des décisions de supply chain qui tiennent compte de tous les facteurs économiques, y compris les coûts de dépréciation, atténuant ainsi de manière proactive les risques de dépréciation des stocks et les équilibrant par rapport à d’autres considérations opérationnelles.

Aborder les dépréciations des stocks implique de résoudre une série de sous-problèmes. Le premier problème consiste à suivre précisément la composition exacte des stocks, et pas seulement les totaux exprimés en unités de stock. 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 biens se dégradent avec le temps, ou d’un phénomène exogène, où les conditions du marché changent et dévalorisent les biens. Le troisième problème consiste à générer des décisions de supply chain ajustées en fonction des risques potentiels de dépréciation.

Tout d’abord, grâce à la plateforme de Lokad, nous suivons non seulement les niveaux de stock, mais aussi l’âge de chaque unité en stock (passée et future). Ce processus est en soi un modèle prédictif. Même en examinant des données historiques (obtenues à partir de systèmes d’entreprise), la composition en âge des unités en stock n’est généralement pas enregistrée, elle ne peut être déduite que de manière indirecte. Il existe une exception notable pour les stocks sériels, où chaque unité en stock est suivie par son numéro de série ; dans ce cas, il n’est pas nécessaire d’avoir un modèle prédictif pour le passé, mais nous en avons toujours besoin pour le futur. Le modèle prédictif pour la composition des stocks peut reposer sur une hypothèse FIFO (premier entré, premier sorti) pour la consommation des stocks, ainsi que sur quelques motifs plus nuancés.

Par exemple, dans un magasin de détail, les clients peuvent parfois adopter un comportement adversarial, comme choisir les meilleurs produits (ou choisir en fonction des dates d’expiration, si elles sont disponibles), ce qui transforme la consommation des stocks en LIFO (dernier entré, premier sorti) dans une certaine mesure. Lokad peut gérer FIFO et LIFO, ainsi que tout le spectre entre les deux.

Deuxièmement, grâce aux capacités programmatiques de la plateforme de Lokad, nous pouvons refléter n’importe quel mécanisme de dépréciation. Par exemple, Lokad peut refléter une dépréciation exponentielle où les biens perdent une petite fraction de leur valeur à chaque période ; ou Lokad peut refléter une dépréciation en escalier où les biens perdent une fraction importante de leur valeur à certains seuils d’âge. De plus, le mécanisme de dépréciation peut impliquer des dépendances entre les produits. Par exemple, on peut s’attendre à ce que les biens perdent une partie importante de leur valeur lorsqu’ils sont remplacés par des biens rivaux supérieurs, ce qui se produit fréquemment dans certains secteurs (comme l’électronique grand public, par exemple).

La variabilité du processus de dépréciation, qui tend à être prononcée lorsqu’on considère les dépréciations exogènes, bénéficie de modèles prédictifs (probabilistes) au sein de la plateforme de Lokad. Nous n’avons pas besoin de savoir exactement quand un produit rival sera introduit ; en examinant les données historiques, nous pouvons modéliser le taux de remplacement des produits et refléter la probabilité pour un produit donné d’être rendu obsolète dans un horizon temporel donné (par exemple, une semaine, un mois, un an, etc.). Ces modèles probabilistes sont appris en exploitant les données historiques mises à disposition de Lokad.

Troisièmement, les décisions d’optimisation de la supply chain ajustées au risque sont calculées par Lokad, en tenant compte de tous les facteurs économiques pertinents. Le processus est une optimisation stochastique, car la fonction de perte (c’est-à-dire les coûts et les avantages) est bruitée/variable. Les coûts de dépréciation sont inclus avec tous les autres facteurs pertinents. Comme la plateforme Lokad propose à la fois des paradigmes d’apprentissage et d’optimisation programmables, nous pouvons produire des décisions ajustées au risque tout en tenant compte (et en mélangeant) des coûts très divers.

En conclusion, en produisant des décisions d’optimisation de la supply chain ajustées au risque (par exemple, commande d’achat, commande de production, etc.) qui tiennent compte de la dépréciation des stocks, Lokad atténue de manière proactive la quantité de stocks qui finira par subir une dépréciation. Chaque décision est doucement écartée du risque de dépréciation, mais pas au point de rendre un autre problème pire, comme la dégradation de la qualité de service au-delà de ce qui est obtenu grâce à la réduction de la dépréciation.

3.6 Fournissez-vous un rapport sur les stocks excédentaires/surplus/invendus ?

Résumé exécutif: Oui. La plateforme de Lokad dispose d’une technologie de prévision de la demande de pointe. Nous exploitons cette technologie pour évaluer le temps nécessaire pour écouler l’ensemble des stocks engagés, qu’ils soient en stock ou en commande. De plus, notre technologie prend en charge des prévisions probabilistes, ce qui permet d’évaluer quantitativement les risques de surstock. En combinant des prévisions probabilistes avec un modèle économique des stocks qui reflète tous les facteurs économiques pertinents, Lokad fournit une évaluation quantitative des risques de stocks exprimés en termes d’impact monétaire (par exemple, euros ou dollars).

Les stocks sont toujours considérés comme « excessifs » par rapport à un modèle prédictif de la demande. Il n’y a pas de telle chose que des « stocks excessifs » sans faire une déclaration sur la demande future (bien que cette déclaration puisse être implicite). Toute solution logicielle qui génère un rapport de stocks excédentaires basé sur des règles telles que « plus de X mois de stocks » se base implicitement sur une prévision de la demande basée sur une moyenne mobile, ce qui s’avère décevant 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 de graves erreurs de stocks. Une décision financière concernant les stocks peut sembler étrange au premier abord, mais elle peut être parfaitement sensée. Par exemple, si un article est très bon marché, très petit, vendu avec une marge brute confortable, absolument nécessaire pour le client (en petites quantités) et ne peut être acquis qu’en atteignant des quantités de commande minimales très élevées, il peut être raisonnable de stocker plus d’un an de stock de cet article. Bien que plus d’un an de stock puisse sembler être une erreur, le retour sur investissement peut raconter une histoire complètement différente.

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

4. Ruptures de stock

4.1 Allouez-vous des stocks pour les SKU à risque de rupture de stock ?

Oui, en règle générale, l’une des conséquences de l’optimisation des stocks de Lokad est que les stocks sont alloués aux SKU à mesure que leur risque de rupture de stock augmente. Toutefois, toutes choses étant égales par ailleurs, les SKU sur le point de connaître une rupture de stock reçoivent une attention prioritaire.

Cela dit, nous recommandons d’adopter une perspective économique et globale pour l’optimisation lorsqu’il s’agit des ruptures de stock. Cela signifie prendre en compte l’impact financier total d’une décision de la supply chain (par exemple, allouer des stocks pour éviter une rupture de stock). Parfois, éviter les ruptures de stock ne fait pas toujours sens sur le plan économique.

Par exemple, pour les magasins de mode, il est naturel, en fin de saison, de permettre progressivement aux articles d’une collection datée d’atteindre le statut de rupture de stock. Cela est fait intentionnellement afin de faire de la place pour la prochaine collection 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 le retirer progressivement de l’assortiment. Ainsi, de manière générale, une optimisation économique raisonnablement conçue tenterait d’éviter les ruptures de stock.

Cependant, une telle optimisation fournirait également une réponse beaucoup plus granulaire et sophistiquée en ce qui concerne la dimensionnement adéquat des investissements (par exemple, combien d’unités sont allouées à un SKU donné) en premier lieu, afin de réduire les risques financiers.

4.2 Comment priorisez-vous les commandes d’achat (PO) ?

Résumé exécutif : Lokad priorise les commandes d’achat (PO) en évaluant les rendements économiques de chaque unité de stock à commander, dans le but de maximiser le rendement par dollar dépensé. Cette évaluation granulaire, intégrée à 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 rendements pour chaque unité, en tenant compte de facteurs tels que la demande, les délais de livraison et les retours, afin de créer des PO optimisées sur le plan financier qui équilibrent les contraintes et la viabilité économique.

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

Cette priorisation des PO axée sur les aspects financiers repose sur deux ingrédients technologiques clés : la prévision probabiliste et l’optimisation stochastique. Ces deux ingrédients technologiques font partie de la plateforme 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 de livraison ou les retours, est essentielle pour évaluer les risques associés à une commande. Ces risques incluent le côté positif (par exemple, réduire le risque de rupture de stock) et le côté négatif (par exemple, augmenter le risque de stocks morts). Grâce à la prévision probabiliste et à l’utilisation des indicateurs économiques pertinents (marge brute, coûts de stockage, etc.), Lokad génère le rendement sur investissement ajusté au risque attendu pour chaque unité de stock sur le point d’être commandée, y compris les rendements décroissants à mesure que davantage d’unités sont commandées.

Le processus d’optimisation stochastique permet de composer 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 rendement respectif. Cependant, lorsque des contraintes inter-SKU sont présentes, un processus d’optimisation stochastique est nécessaire pour composer automatiquement des PO qui respectent toutes ces contraintes, tout en préservant l’évaluation financière unitaire sous-jacente.

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

Oui, les bons de commande générés par la plateforme de Lokad intègrent toutes les préoccupations pertinentes, y compris l’importance stratégique/critique de certains SKU. Ces préoccupations peuvent inclure des informations explicites fournies par le client ainsi que des évaluations quantitatives implicites/déduites découvertes grâce à l’analyse de Lokad.

Par exemple, un SKU peut être “critique” car il est principalement vendu ou servi à de grands clients importants. Alternativement, un SKU peut être critique car il fait partie d’un kit ou d’une nomenclature (bill of materials), ce qui en fait un goulot d’étranglement. Dans ces situations, il est préférable de tirer parti de la plateforme Lokad pour déduire l’importance du SKU grâce à une analyse directe des données.

Plus généralement, la perspective financière recommandée par Lokad est bien conçue pour prendre en compte des préoccupations variées et les intégrer aux décisions de la supply chain recommandées. Cette perspective financière met l’accent sur l’intégration de tous les facteurs économiques, y compris les moins évidents comme le coût d’une rupture de stock, dans le processus de prise de décision de la supply chain.

4.4 Comment consolidez-vous les PO (bons de commande) critiques en une liste restreinte pour les principaux fournisseurs ?

Résumé exécutif : L’approche de Lokad consiste à quantifier l’impact économique de chaque décision de la supply chain. En pratique, cela implique d’évaluer l’impact financier (mesuré par le rendement dollar sur dollar) de chaque unité de stock supplémentaire à commander. En générant une liste qui classe les articles en fonction de leur rendement dollar sur dollar, Lokad génère automatiquement des listes qui reflètent le meilleur état financier possible pour le client par rapport à ses facteurs économiques et indicateurs de performance clés (y compris le taux de service). Cela élimine la nécessité de méthodes traditionnelles telles que les stocks 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 ajustés au risque qui consolident toutes les unités qui peuvent être commandées de manière rentable (classées unité par unité). Cela permet de raffiner facilement la PO en isolant, au sein de la PO, les unités qui dépassent un certain niveau de rendement économique. Ces unités à rendement élevé sont l’essence même de la liste restreinte à communiquer aux principaux fournisseurs. Le rendement économique reflète la pénalité de rupture de stock (un facteur 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 fait afin d’évaluer correctement l’importance de chaque unité individuelle en ce qui concerne la qualité de service souhaitée.

Certaines anciennes méthodes (maintenant obsolètes) (encore présentes dans certains logiciels d’entreprise) consistent à évaluer les PO par rapport aux objectifs de niveau de stock (par exemple, min/max, stocks de sécurité, objectifs de couverture, objectifs de tampon, etc.). Cependant, ces méthodes manquent toutes de mécanismes permettant de quantifier l’importance de chaque unité strictement isolée des autres unités.

En réalité, de telles méthodes ne reflètent pas l’influence des rendements décroissants que l’on trouve dans la supply chain. En général, la première unité commandée vaut plus (tant pour l’entreprise cliente que pour ses clients) que la deuxième unité. Comme les méthodes traditionnelles ne quantifient pas les rendements d’inventaire unitaire par unitaire, elles sont incapables d’extraire un sous-ensemble véritablement critique d’unités à transmettre aux principaux fournisseurs.

La composition d’une liste restreinte vraiment critique nécessite, par conception, une technologie capable de quantifier les rendements économiques unitaires lors de la commande - technologie que Lokad possède.

4.5 Comment communiquez-vous une liste restreinte critique, parmi les PO (bons de commande) en attente, aux fournisseurs ?

Lokad préfère communiquer les PO - y compris les listes restreintes critiques - via des systèmes commerciaux transactionnels (par exemple, un ERP ou un logiciel commercial similaire). Les PO prennent généralement la forme d’exportations de fichiers plats. Lokad pourrait utiliser l’e-mail, mais notre préférence est de maintenir toutes les communications transactionnelles au sein du système commercial du client (par exemple, ERP).

Voir également Contrôle des stocks pour en savoir plus sur la distinction entre les systèmes analytiques (qui sont fondamentalement ce que Lokad est) et les systèmes transactionnels tels que les ERP.

Voir également Stockouts 4.4 dans cette FAQ.

4.6 Fournissez-vous un rapport de rupture de stock ?

Résumé exécutif : Oui, la plateforme de Lokad est capable de présenter un rapport de rupture 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 prendre en compte dans la formule numérique qui génère les PO optimisées financièrement du client, réduisant ainsi la probabilité de futures ruptures de stock.

Bien qu’il soit facile de compter le nombre de SKU (unités de stockage) qui ont un stock nul, cela ne dit 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 de (l’absence de) qualité de service. Occasionnellement, par exemple, il est raisonnable d’accepter une faible qualité de service pour des produits non stratégiques qui sont 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 un stock nul.

La perte quantifiée doit être “nette” de cannibalisation, de substitution et de consommation différée de la part des clients. Dans la plupart des secteurs, il existe plusieurs options pour satisfaire ce que le client veut ou a besoin. Ainsi, tant qu’une de ces options est disponible, le client peut être très satisfait du service. Ne pas tenir compte de ces facteurs inter-SKU conduit à une surstockage des SKU qui servent fondamentalement la même demande au détriment d’autres SKU qui servent des segments totalement différents. À l’inverse, parfois, une SKU en rupture de stock empêche la consommation d’une autre SKU dépendante. Les clients s’attendent à ce que les deux SKU soient disponibles et n’en consomment aucune si ce n’est pas le cas. La plateforme de Lokad peut être utilisée pour modéliser ces préoccupations inter-SKU et leur impact (financier) sur la qualité de service perçue par les clients.

Selon le secteur, il peut y avoir des subtilités plus importantes à prendre en compte. Par exemple, dans un magasin de bricolage, un client recherchant 4 interrupteurs identiques est peu susceptible d’en acheter s’il n’y en a que 3 disponibles sur l’étagère. Ainsi, bien que les interrupteurs ne soient pas en rupture de stock, du point de vue de certains clients, ils le sont effectivement.

Un autre exemple serait un supermarché vendant des fruits. Certains fruits - par exemple, les fraises - sont très périssables, donc le magasin essaie généralement de provoquer une rupture de stock avant la fermeture. Cependant, si la rupture de stock se produit trop tôt dans la journée (par exemple, quelques personnes achètent plus que la moyenne), la majorité des clients ne sont pas correctement servis.

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

4.7 Identifiez-vous les produits en rupture de stock attendue et alertez-vous les utilisateurs ?

Résumé exécutif : Oui, la plateforme de Lokad utilise une prévision de la demande avancée pour identifier les situations potentielles de rupture de stock et suggère des actions correctives au lieu de simplement émettre des alertes. Ces actions comprennent l’accélération des commandes, l’utilisation de fournisseurs alternatifs, l’ajustement des promotions, des prix, la promotion de substituts et l’organisation de transferts de stocks (etc.).

La plateforme de Lokad dispose d’une technologie de prévision de la demande de pointe qui peut être utilisée pour identifier les prochaines ruptures de stock. Il est également facile d’utiliser la plateforme de Lokad pour générer des alertes de stock pour les professionnels de la supply chain. Cependant, nous ne recommandons pas d’utiliser des alertes, car cette approche ne permet pas une utilisation efficace du temps, d’autant plus que des réponses rapides sont souvent cruciales. À la place, nous recommandons d’utiliser la plateforme de Lokad pour identifier les prochaines ruptures de stock et proposer des actions correctives proactives.

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

Les logiciels d’entreprise classiques (comme les ERP) proposent toujours 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 rupture de stock imminente, alors le logiciel devrait recommander directement l’action (ou les actions) dans le cadre de son lot normal de recommandations. S’il n’y a rien à faire concernant la rupture de stock imminente, alors l’alerte est une distraction inutile. Historiquement, les logiciels d’entreprise ont utilisé des alertes comme des mécanismes puissants pour détourner la responsabilité des mauvais résultats des utilisateurs finaux. Cette approche est, en réalité, une tentative d’isoler le fournisseur de logiciels d’entreprise de toute critique ; si la décision de gestion des stocks recommandée était bonne, alors le logiciel a fait un travail admirable ; si la décision de gestion des stocks recommandée était mauvaise, alors le logiciel est innocent grâce à l’alerte qu’il a émise. Cela déplace, par définition, la “responsabilité” vers l’utilisateur final. Lokad, au contraire, assume pleinement la responsabilité de la qualité de nos recommandations de gestion des stocks et des actions correctives suggérées.

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

5. Complications

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

Résumé exécutif: Oui, la plateforme de Lokad automatise les décisions de stock pour les nouveaux produits en utilisant des prévisions de demande probabilistes basées sur des attributs, en analysant les données des produits déjà lancés. Cette approche se concentre sur les décisions directes telles que les quantités de commande et les allocations, plutôt que sur les paramètres de stock traditionnels. Lokad prend également en compte l’impact des nouveaux produits sur les stocks existants, ce qui permet d’éviter les éventuels problèmes de stocks morts. Lokad prend en charge à la fois la prévision de la demande et l’optimisation stochastique pour les commandes de stocks initiales, en tenant compte des contraintes entre les SKU et des capacités logistiques.

La plateforme de Lokad automatise l’ensemble du processus de prise de décision en matière de stocks pour les nouveaux produits. Cela englobe les “paramètres de stock”, 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 là que Lokad analyse tous les produits déjà lancés et leur performance en fonction de leurs paramètres de lancement (par exemple, les promotions et les assortiments), ainsi que des qualités intrinsèques du produit lui-même (par exemple, la taille, la couleur et le prix). Ainsi, la prévision pour les nouveaux produits est automatisée, tout comme la prévision des anciens produits.

De plus, lors de la prise en compte des nouveaux produits, nous tenons compte des stocks disponibles pour commencer à servir les nouveaux produits, ainsi que des stocks à venir. Nous tenons également compte de l’impact sur les stocks existants et des conséquences négatives potentielles de l’introduction (trop précoce) d’une nouvelle alternative potentiellement plus attrayante, ce qui pourrait entraîner une situation immédiate de stocks morts pour un autre produit.

Au lieu des “paramètres de stock” typiques, Lokad recommande vivement d’aborder le défi par le biais de décisions directes et financièrement optimisées. Ces décisions comprennent les quantités à commander en premier lieu, puis les quantités à allouer (SKU par SKU) pour tous les emplacements. Les préoccupations trans-SKU ou trans-produit doivent être abordées à cette étape pour tirer le meilleur parti de la capacité logistique finie du client.

Ces capacités sont souvent insuffisantes pour faire face aux effets potentiels - et souvent surprenants - de la nouveauté. Cependant, en répartissant 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 les allocations de stocks initiales. Ce support couvre toutes les contraintes trans-SKU pertinentes.

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

Résumé exécutif: Oui, la plateforme de Lokad est conçue pour gérer l’allocation des stocks pendant les phases promotionnelles en alignant les stocks sur les pics de demande future prévus. Ce processus implique d’anticiper la demande promotionnelle, d’intégrer des données provenant de différentes sources telles que les systèmes ERP et les feuilles de calcul marketing, et de raffiner les modèles prédictifs pour tenir compte des différentes stratégies promotionnelles. Les Supply Chain Scientists de Lokad mettent en œuvre ces modèles en tenant compte non seulement des effets immédiats de la promotion, mais aussi du risque de surstock et des contraintes logistiques. La plateforme utilise l’optimisation stochastique pour prendre des décisions d’inventaire ajustées en fonction du risque, en équilibrant le besoin de stocks promotionnels suffisants avec le risque de surstock après la promotion.

Le principe directeur général de Lokad pour l’allocation des stocks est d’aligner ces allocations sur la demande future prévue. En particulier, une augmentation prévue de la demande future, comme c’est le cas pour une promotion à venir, nécessite généralement une augmentation correspondante de l’allocation des stocks. De plus, l’allocation doit généralement se faire bien avant l’événement promotionnel, car nous devons tenir compte des contraintes logistiques. Par exemple, le réseau peut ne pas être en mesure de faire face à l’augmentation des mouvements de stocks si tout le stock est déplacé au dernier moment. La plateforme de Lokad a été conçue pour prendre en charge cette classe de problèmes et toutes ses variantes.

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

Premièrement, cette responsabilité comprend la collecte/organisation des données décrivant les plans promotionnels. Ces données ne se trouvent généralement pas sous une forme structurée dans les systèmes d’entreprise (ERP) - elles se trouvent fréquemment uniquement dans des feuilles de calcul maintenues par le service marketing. La plateforme de Lokad est conçue pour intégrer plusieurs sources d’information, y compris ces classes de feuilles de calcul ad hoc.

Deuxièmement, la responsabilité d’un Supply Chain Scientist consiste à affiner le modèle prédictif de la demande future pour refléter la diversité des mécanismes promotionnels. Fondamentalement, les promotions ne consistent pas seulement à baisser les prix. Elles mettent généralement en avant les produits grâce à des présentoirs promotionnels (par exemple, des gondoles) ou d’autres supports de communication (par exemple, des newsletters). De plus, certains mécanismes reflètent des mécanismes trans-produits (par exemple, acheter un produit, obtenir 50% de réduction sur un autre produit) qui doivent également être pris en compte. La plateforme de Lokad dispose de capacités étendues de modélisation prédictive pour prendre en charge tous ces aspects.

Troisièmement, les Supply Chain Scientists sont également chargés de générer des décisions ajustées en fonction du risque qui allouent suffisamment de stocks pour satisfaire la demande promotionnelle tout en réduisant le risque de surstock après la fin de la promotion. 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 capacités étendues d’optimisation stochastique pour calculer ces décisions complexes ajustées en fonction du risque.

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

La plateforme de Lokad offre un support de modélisation étendu pour tous les mécanismes de tarification et de promotion que l’on trouve dans le commerce de détail. Notre plateforme est programmable, ce qui signifie qu’elle peut être ajustée pour refléter n’importe quel nombre de mécanismes promotionnels - nous avons jusqu’à présent identifié plus de 50 exemples différents. Comme notre plateforme est également capable de traiter des données relationnelles arbitraires, nous pouvons importer ces informations exactement comme elles apparaissent initialement dans les systèmes d’entreprise transactionnels sous-jacents.

Cela nous permet de préserver la sémantique des données d’origine, au lieu de reformater de force les données selon un modèle défini par le fournisseur. De plus, notre plateforme dispose également de capacités programmatiques pour ses capacités de prévision/apprentissage automatique. Grâce à ces capacités, nos Supply Chain Scientists peuvent élaborer des modèles de demande prédictive qui reflètent les mécanismes en jeu dans l’offre promotionnelle/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 théoriquement possible, il est préférable de maintenir une séparation entre les couches logicielles transactionnelles et analytiques. Cela est Voir aussi #promotions

Voir aussi Programmation Différentiable pour plus de détails sur les aspects mathématiques entourant notre technologie.

Voir aussi Complications 5.2 dans cette FAQ.

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

Oui, la plateforme de Lokad prend en charge toutes les conversions d’unités de mesure (UoM). Nous prenons également en charge l’utilisation d’UoM (multiples) incohérentes, comme cela arrive parfois lorsque Lokad traite des données provenant de différents systèmes d’entreprise. Nous résolvons généralement toutes les incompatibilités d’UoM lors de la phase de préparation des données. Nous pouvons également optimiser les stocks tout en exprimant les contraintes à l’aide d’UoM distinctes. Par exemple, un chargement complet de camion (FTL) est soumis à des capacités de volume et de poids.

Note: Pour le cas particulier de la conversion entre les devises, 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 facteurs économiques tels qu’ils étaient dans le passé. Cela permet à Lokad d’optimiser davantage la prise de décision en analysant l’impact économique réel des fluctuations historiques des devises, et ainsi affiner davantage la recette numérique du client.

5.5 Gérez-vous la conversion des kits ?

Résumé: Oui, Lokad prend en charge les conversions de kits et l’optimisation des stocks, y compris l’assemblage proactif des kits et la réservation des stocks. Nos prévisions de demande tiennent compte des éléments de kit vendus séparément ou dans plusieurs kits, en tenant compte des cycles de vie variables des kits. L’optimisation financière de Lokad reflète le coût réel 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 permet également d’optimiser les stocks en présence de kits. Les kits sont généralement une version simplifiée de la nomenclature des matériaux et sont couramment utilisés dans les entreprises de vente au détail (en ligne et hors ligne). L’optimisation des stocks réalisée par Lokad en présence de kits comprend la capacité de décider quand réserver des unités de stock pour les kits et quand assembler de manière proactive les kits, si le processus d’assemblage des kits a sa propre limite de capacité.

De plus, les prévisions de demande générées par Lokad prennent correctement en compte le fait que les éléments de kit peuvent également être vendus/fournis séparément, et pas seulement en tant que partie d’un kit. Ces prévisions prennent également en charge le cas où les mêmes éléments de kit sont partagés entre plusieurs kits - naturellement, nous prenons également en charge les scénarios où les kits n’ont pas le même cycle de vie, avec des kits entrant et sortant de l’offre du client à des moments différents. Tous ces facteurs sont correctement pris en compte dans notre évaluation quantitative des besoins futurs en éléments de kit.

Enfin, en ce qui concerne l’optimisation des décisions de stock en présence de kits, la perspective financière recommandée par Lokad reflète correctement les dépendances qui existent entre les éléments de kit et les kits eux-mêmes. Par exemple, un élément peut être bon marché et être vendu avec une marge brute très faible, mais s’il est nécessaire pour plusieurs kits qui ont une valeur et une marge brute beaucoup plus élevées, alors une rupture de stock éventuelle de cet élément de kit serait beaucoup plus coûteuse que sa propre valeur ne le suggérerait. Cela est dû au fait que la valeur indirecte de l’élément peut être significativement plus élevée que sa valeur directe immédiatement évidente.

Ainsi, Lokad reflète à travers son optimisation le coût réel (en tenant compte des dépendances des kits) de ne pas pouvoir fournir de kits en raison de la rupture de stock de l’un de leurs éléments.

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

Résumé: 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. Sa conception de base inclut la mise à l’échelle, l’efficacité dans le traitement des données au niveau de l’unité, la gestion des données relationnelles pour tenir compte des subtilités spécifiques au cycle de vie du produit, et la prévision probabiliste pour faire face aux incertitudes liées aux cycles de vie des produits et aux comportements des clients. Cette approche optimise les commandes d’achat, les allocations de stock et les stratégies de tarification.

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

La plateforme de Lokad rend cela possible grâce à plusieurs aspects clés de sa conception de base :

Premièrement, notre plateforme est non seulement hautement évolutive, mais aussi très efficace. Modéliser le flux, unité par unité, est plus intensif que le modéliser au niveau de l’unité de gestion des stocks (SKU) ; cependant, si le défi est abordé en jetant simplement des ressources de calcul en quantité, la résolution s’avérera très coûteuse pour l’entreprise cliente.

Deuxièmement, la plateforme de Lokad dispose de capacités programmatiques axées sur le traitement des données relationnelles. Les détails du cycle de vie des produits varient beaucoup d’un produit à l’autre. Les produits alimentaires et chimiques ont tous deux une durée de conservation, mais leurs spécificités respectives sont très différentes. Lokad intègre ces spécificités afin de créer un modèle qui reflète véritablement ce qui se passe au sein de la supply chain du client.

Troisièmement, la plateforme de Lokad dispose de capacités de prévision probabiliste générale. Les cycles de vie des produits peuvent comporter leur propre lot d’incertitudes. Par exemple, dans les magasins de vente au détail, les clients peuvent donner la priorité aux articles ayant la durée de conservation la plus longue. Supposer que le flux se conforme strictement à un comportement FIFO (premier entré, premier sorti) serait gravement erroné. Les capacités prédictives de la plateforme de Lokad sont utilisées pour prévoir correctement ces comportements subtils mais extrêmement importants.

5.7 Identifiez-vous les expirations d’inventaire prévues ? Fournissez-vous un rapport d’alerte/avertissement de durée de conservation ?

Résumé exécutif : Oui, la plateforme de Lokad suit l’ensemble du cycle de vie de l’inventaire, même sans suivi des numéros de série, et peut même déployer une modélisation probabiliste pour des situations ambiguës telles que la vente au détail B2C. Elle peut identifier les expirations et les dépréciations potentielles, émettant des alertes si nécessaire. Cependant, Lokad préfère des décisions proactives en matière de supply chain pour éviter ces problèmes, recommandant des actions telles que la remise 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 est capable de le faire même si les unités ne sont pas suivies au niveau du numéro de série (S/N). Lorsqu’il y a une ambiguïté concernant le service ou l’ordre de consommation des unités, comme c’est le cas dans les magasins de vente au détail B2C (entreprise à consommateur), Lokad utilise alors une modélisation probabiliste pour refléter les états probables de l’inventaire. Ces informations détaillées sur l’état de l’inventaire peuvent être utilisées pour identifier les expirations et/ou les dépréciations probables et réagir en conséquence, éventuellement en émettant des alertes à l’attention des équipes concernées (si nécessaire).

Cependant, plutôt que des alertes, Lokad recommande d’utiliser les informations détaillées que nous avons sur l’état probable de l’inventaire - jusqu’à la date d’expiration prévue de chaque unité en stock - pour ajuster de manière proactive toute décision de supply chain recommandée (calculée par Lokad). Par exemple, nous pouvons recommander une remise ou une promotion d’un produit qui risque d’expirer. Alternativement, nous pouvons recommander de déclencher une liquidation des produits par le biais d’un canal de vente secondaire (également à un prix réduit). Une autre option consiste à allouer plus de stock, car nous reconnaissons que le stock actuel sera bientôt épuisé, non pas en raison de la demande des clients, mais en raison de l’expiration.

Fondamentalement, s’il y a quelque chose à faire concernant l’expiration potentielle identifiée, Lokad assume la responsabilité de présenter cet appel à l’action. En revanche, s’il n’y a rien à faire (par exemple, le stock expirera malheureusement et il n’y a plus aucune mesure corrective disponible), alors ces alertes ne feront que distraire les équipes qui ne pourront rien y faire.

Il n’y a rien de plus facile pour un éditeur de logiciels d’entreprise que de produire des dizaines (voire des milliers) d’alertes, et pour de nombreux fournisseurs incompétents, c’est la seule chose qu’ils savent faire. Le véritable défi est de produire des appels à l’action, ce qui nécessite des fournisseurs (comme Lokad, dans ce cas) de trier ce qui est réalisable de ce qui ne l’est pas.

Voir également Complications 5.6 dans cette FAQ.

5.8 Pouvez-vous optimiser le EOQ (Quantité Économique de Commande) en tenant compte des coûts de commande, des coûts entrants, des coûts de stockage et des coûts de capital immobilisé ?

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 stockage, de capital de travail et les coûts d’opportunité, ainsi que plusieurs autres coûts moins évidents. Nous utilisons une approche plus avancée que la formule obsolète de Wilson, qui est inefficace en raison de ses hypothèses simplifiées et de son incapacité à prendre en compte les risques d’annulation des stocks. Lokad recommande d’intégrer les facteurs économiques dans chaque décision d’achat plutôt que de se concentrer uniquement sur la quantité de commande.

La plateforme de Lokad a été conçue pour l’optimisation économique des décisions de la supply chain. Il est notamment facile de prendre en compte tous les frais généraux associés à une commande d’achat, y compris les coûts de commande, les coûts d’expédition, les coûts de stockage, le coût de l’argent (capital de travail) et les coûts d’opportunité. De plus, les capacités programmatiques de Lokad permettent également de prendre en compte tous les coûts spécialisés qui peuvent être pertinents pour l’activité du client, au-delà de la liste restreinte mentionnée ci-dessus. Cependant, nous recommandons d’intégrer les facteurs économiques dans chaque décision d’achat individuelle, plutôt que de se concentrer sur une quantité à commander, comme c’est le cas dans le EOQ.

La théorie classique de la supply chain propose d’utiliser la formule de Wilson pour le EOQ (quantité économique de commande). Cette approche présente un défaut grave et immédiat : elle impose un arrondi brut qui s’avère inefficace la plupart du temps. Par conception, le EOQ ne peut pas prendre en compte le risque d’annulation des stocks. Ainsi, bien qu’il puisse être quelque peu inefficace de commander une quantité inférieure au EOQ théorique, c’est, en pratique, fréquemment une bien meilleure option que de commander davantage et de générer instantanément une annulation de stocks considérable.

Voir également Coûts de stock pour en savoir plus sur la vision de Lokad concernant l’évaluation, la catégorisation et l’optimisation des coûts de stock.

5.9 Avez-vous des KPI pour les stocks en statut “Non Conformité” ?

Oui, la plateforme de Lokad peut facilement fournir un tableau de bord et/ou des KPI pour les stocks en statut “Non Conformité”. Comme notre plateforme est programmable, toutes les données pouvant être extraites du système commercial transactionnel peuvent être affichées. Cela signifie également qu’il n’y a aucune limitation quant au calcul/présentation des KPI - ils peuvent être entièrement adaptés aux spécifications/règles du client. Une plateforme programmable est nécessaire ici car il n’existe pas de définition standard de la non-conformité entre les entreprises.

La plateforme de Lokad est également capable de produire un modèle prédictif de ces événements de non-conformité en exploitant des données historiques. Par exemple, certains fournisseurs peuvent avoir des problèmes de qualité et une partie de leur livraison peut ne pas toujours passer l’inspection. Par conséquent, les quantités effectivement disponibles pour servir les clients du client sont souvent inférieures à celles initialement commandées. En modélisant ces occurrences avec un modèle de prévision probabiliste, Lokad peut produire des décisions de commande ajustées au risque qui tiennent également compte de cette incertitude.

5.10 Fournissez-vous un rapport sur les matériaux critiques ?

Oui, la plateforme de Lokad peut facilement générer un rapport sur 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”. Dans notre expérience, cela varie d’un secteur à l’autre. Pour les biens de consommation courante, les “matériaux critiques” sont généralement ceux qui tournent le plus, avec les volumes les plus élevés à la fois en unités et en termes monétaires. Pour l’aviation, la “criticité” concerne les pièces qui peuvent provoquer un incident AOG (avion cloué au sol) si elles sont en rupture de stock. Pour les magasins de marchandises générales, la “criticité” fait souvent référence aux produits que les clients s’attendent généralement à trouver en magasin.

Les capacités programmatiques de Lokad sont essentielles pour répondre à cette classe d’exigences. Grâce à ces capacités, toute règle qui pourrait être mise en œuvre dans un tableur ou dans un outil de business intelligence peut également être mise en œuvre via notre plateforme. Ne pas disposer de telles capacités programmatiques obligerait les praticiens de la supply chain à revenir aux tableurs car ils ne peuvent pas se permettre une approximation vague de ce qui est jugé “critique” par leur entreprise. La couche analytique (Lokad dans ce cas) doit être en mesure de respecter pleinement les subtilités de l’entreprise, d’où la nécessité d’une fonctionnalité et d’une liberté programmatiques complètes.

6. Reporting

6.1 Avez-vous des KPI pour le montant total des stocks ? Ces KPI couvrent-ils le taux de rotation et les taux de couverture ? De plus, ces KPI peuvent-ils être segmentés selon le numéro de pièce (P/N), la plateforme du produit et la qualité du produit, ainsi que fournir un rapport mensuel d’avancement des différentes activités et secteurs basé sur la qualité des produits ?

Résumé exécutif: Oui, Lokad offre des capacités de reporting étendues, y compris des KPI personnalisables pour la gestion des stocks, adaptés aux besoins spécifiques du client tels que le numéro de pièce, la plateforme du 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 tenant compte des structures de données uniques de chaque entreprise, sans nécessiter de formats de données standard, évitant ainsi les projets d’intégration longs courants avec les logiciels d’entreprise traditionnels. Cette approche garantit une productivité élevée, une fiabilité et une évolutivité dans la génération de rapports sur mesure et la gestion de l’optimisation de la supply chain.

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

Tous les rapports produits par Lokad sont “sur mesure” pour l’entreprise cliente, contrairement à ce que l’on trouve généralement dans les logiciels similaires. En réalité, la production de tels rapports n’est possible qu’en utilisant une plateforme flexible et programmatique, étant donné que les rapports, même “basiques”, dépendent entièrement des spécificités uniques de l’entreprise cliente en question (y compris leur paysage applicatif). D’après notre expérience, aucune entreprise n’est identique, même si elles utilisent le même logiciel pour organiser leurs données commerciales de la même manière exacte.

Dans un environnement de production, la “plomberie des données” banale représente plus de 90% du travail investi dans la génération de ces rapports. Ainsi, grâce à Envision, Lokad aborde frontalement le défi de productivité associé à cette plomberie des données. De plus, cette approche nous permet de préserver toutes les codifications, hiérarchies et conventions préexistantes dans les autres systèmes métier du client. Ainsi, Lokad finit par “parler exactement la même langue” que le personnel du client, au lieu d’introduire un autre ensemble de conventions que les employés doivent comprendre.

L’approche courante 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’y a jamais de correspondance un à un entre les systèmes métier d’origine (la source des données) et les systèmes analytiques empaquetés. En conséquence, la traduction des données est à la fois extrêmement exigeante et frustrante, car il est tout simplement impossible de tout faire correspondre. Ce qui semblait être une simple question de “configuration” pour importer les données commerciales dans le système analytique empaqueté se transforme invariablement en un projet d’intégration d’un an. C’est la conséquence inévitable de la tentative de concilier deux perspectives complexes distinctes sur la supply chain. Les choix de conception de la plateforme de Lokad éliminent entièrement ce problème.

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

Résumé exécutif: Oui, Lokad fournit des rapports sur la santé des stocks et la couverture grâce à des prévisions probabilistes avancées et des outils sur sa plateforme, permettant une évaluation précise des risques, généralement exprimés en termes monétaires. Ces évaluations des risques financiers sont les “risques de santé” fondamentaux pour les stocks du client. Contrairement aux prévisions traditionnelles de séries temporelles qui ne considèrent qu’un seul futur, l’approche de Lokad tient compte de plusieurs valeurs futures possibles (par exemple, la demande), offrant une vue plus précise et complète des risques liés aux stocks, aidant 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 des stocks et la couverture. Les scientifiques de la supply chain de Lokad sont responsables de la génération de ces rapports. La plateforme de Lokad est dotée de capacités de reporting étendues et programmatiques. Cela comprend tous les outils nécessaires pour convertir les prévisions probabilistes concernant la demande, le délai de livraison et toutes les sources d’incertitude pertinentes en projections de haut niveau, idéalement reflétant les coûts des 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 stock est considéré comme excessif uniquement s’il est largement supérieur à la demande future attendue, et non s’il est largement supérieur à la demande passée observée. Par exemple, la demande passée peut être nulle pour un nouveau produit ou pour un produit qui a subi une pénurie durable. Ainsi, l’enjeu crucial est de transformer les projections/prévisions en rapports.

Ici, les prévisions probabilistes (préférées par Lokad), qui considèrent tous les futurs possibles et leur attribuent des probabilités, sont idéales. Cela nous permet d’évaluer précisément les risques liés aux stocks en attribuant des probabilités à la probabilité d’un risque, puis en évaluant l’impact financier potentiel associé à ce risque. Ce sont ces risques, exprimés en termes monétaires (dollars ou euros par exemple), qui sont reflétés dans les rapports fournis par Lokad.

En revanche, les prévisions classiques de séries temporelles ne considèrent, par conception, qu’une seule valeur future possible (par exemple, la demande). En tant que telles, ces prévisions ne sont pas capables de transmettre de manière adéquate la large gamme de risques financiers auxquels le client peut être confronté en fonction de ses décisions en matière de stocks. La sophistication des prévisions de séries temporelles est sans importance : la forme/structure de la prévision ne transmet pas les informations requises. Certaines tentatives pour éviter ce problème ont impliqué des heuristiques rudimentaires pour évaluer les risques liés aux stocks par une inspection directe du passé récent. Un exemple consistait à compter les SKU qui ont plus de X semaines de stock 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 d’approvisionnement lorsqu’une commande d’achat doit être reportée ou accélérée ?

Résumé exécutif : Oui, Lokad peut émettre ces “alertes”, bien que nous préférions le terme “décisions”. La plateforme de Lokad génère une liste automatisée de recommandations de prise de décision, y compris la révision réactive des commandes d’achat (PO) en fonction des avantages économiques et de la coopération des fournisseurs. Nous préférons “décisions” à “alertes”, car nos recommandations sont des appels directs à l’action (avec des coûts et des avantages modélisés), plutôt que simplement informer le client d’un problème potentiel.

Lokad automatise la génération de décisions en tenant compte de la possibilité de reporter ou d’accélérer les commandes d’achat au besoin. Ces décisions sont priorisées en termes de récompense économique (tout comme les décisions typiques de Lokad), et les facteurs incluent les avantages économiques associés à une commande d’achat révisée. Ces facteurs peuvent inclure une mauvaise volonté négative pour refléter les frais généraux générés pour le fournisseur, et la probabilité d’acceptation et de mise en œuvre de la révision par le fournisseur. De même, Lokad peut suggérer de réviser la quantité de la commande d’achat à la hausse ou à la baisse, à condition que le fournisseur soit disposé à cette option. Les Supply Chain Scientists de Lokad établissent les détails des options disponibles en ce qui concerne les commandes d’achat, puis automatisent la logique qui génère les “alertes” correspondantes - quelque chose que Lokad préfère appeler “décisions”.

Lokad désigne les “alertes” comme des “décisions” car chacune des recommandations a des coûts et des avantages potentiels, entraînant des conséquences tangibles pour la supply chain. À cet égard, les recommandations ne sont pas fondamentalement différentes de la recommandation de passer une commande d’achat en premier lieu. La principale différence réside dans la volonté incertaine (ou la capacité) du fournisseur à accommoder la correction demandée pour la commande d’achat, mais dans le cas où le fournisseur se conforme à la demande, cette recommandation est autant un “ordre” que la commande d’achat originale.

De nombreux logiciels d’entreprise offrent une perspective ancienne (aujourd’hui obsolète) sur les décisions de la supply chain, limitant ces décisions à des situations étroites de manuel scolaire telles que l’achat ou la rééquilibrage des stocks. Ce type de logiciel ignore, par conception, toutes les options nuancées qui peuvent être sur la table avec les fournisseurs. Par exemple, le fournisseur peut avoir la possibilité d’accélérer, de reporter, d’augmenter ou de diminuer sa commande, et même éventuellement de substituer certains produits à d’autres. Parfois, le fournisseur a la possibilité d’envoyer une fraction de la commande d’achat plus tôt, si l’entreprise cliente est prête à supporter les frais généraux pour plusieurs expéditions. Parfois, les marchandises intactes peuvent être retournées au fournisseur pendant une période spécifique. 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 d’approvisionnement lorsque la date de livraison prévue est atteinte/dépassée ?

Oui, la plateforme de Lokad peut facilement générer et émettre des alertes lorsque la date de livraison prévue est dépassée. Notre approche de prévision probabiliste nous permet de raffiner ces alertes en présence de délais de livraison variables.

Une prévision probabiliste du délai de livraison peut être utilisée pour évaluer si un retard donné est réellement anormal ou simplement une variation insignifiante observée au quotidien dans la supply chain. De plus, les alertes peuvent être priorisées en fonction de l’impact économique attendu du retard. Par exemple, si la demande a chuté de manière inattendue, le délai supplémentaire peut s’avérer insignifiant et ne nécessite donc pas l’attention immédiate de l’équipe d’approvisionnement. Fondamentalement, chaque élément mobile de la supply chain compétitionne pour l’attention de l’équipe d’approvisionnement. Cette attention est une ressource rare et c’est finalement celle que Lokad vise à maximiser avec les alertes qu’elle génère.

Fondamentalement, notre point de vue est que l’émission d’“alertes” (comme on les comprend généralement) est une approche obsolète, indicative d’un logiciel d’entreprise mal conçu. Les “alertes” appellent généralement l’attention du client sur un problème, plutôt que de fournir une recommandation/décision actionnable basée sur une évaluation financière claire de la situation. Lokad estime que c’est essentiellement notre responsabilité de générer des décisions ajustées au risque pour les 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 des “actions/correctifs rentables en réponse à un problème”.

Voir également Reporting 6.3 dans cette FAQ.

7. Productivité

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

Résumé exécutif : Oui, la plateforme de Lokad permet aux utilisateurs de définir manuellement des seuils de réapprovisionnement et de remplacer manuellement les paramètres de stock, y compris en ajoutant des ajustements temporaires. Cependant, nous déconseillons fortement les remplacements 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 dépasser les approches obsolètes et peu fiables qui reposent sur des interventions manuelles, en privilégiant l’automatisation fiable et évolutive.

La plateforme de Lokad est hautement configurable, de sorte que le flux de travail de réapprovisionnement des stocks peut facilement inclure des saisies/remplacements de données manuels pour les seuils de réapprovisionnement ou d’autres paramètres de stock similaires (par exemple, min/max, stock de sécurité, etc.). De plus, il est également possible de considérer des variantes telles que l’association des saisies de données manuelles avec des “dates d’expiration” si les praticiens de la supply chain s’attendent à ce que la situation revienne à la normale dans quelques semaines ou mois. Cela permettrait à la recette numérique régulière de reprendre le contrôle du processus de réapprovisionnement. Bien qu’un seuil fixe puisse être bénéfique à court terme, il pose presque invariablement un problème à moyen terme, car le seuil perd sa pertinence initiale.

Plus généralement, Lokad préconise vivement de ne pas se fier aux remplacements manuels pour gérer les réapprovisionnements de stocks courants. Si la recette numérique qui régit les réapprovisionnements de stocks présente des problèmes, cette recette doit être corrigée de toute urgence. Les Supply Chain Scientists de Lokad sont formés pour apporter les corrections nécessaires en temps voulu. Choisir de se fier aux remplacements manuels revient à demander au personnel du client de colmater les problèmes à court terme. Cela est clairement inefficace et contraire à l’une des conséquences centrales de la théorie de la Supply Chain Quantitative de Lokad, 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 qui obligent le consommateur à effectuer régulièrement des remplacements inefficaces. Cette dynamique repose sur une compréhension tacite selon laquelle le client est responsable de corriger les erreurs produites par le logiciel. La responsabilité est souvent déviée du fournisseur de logiciel en émettant des “alertes” qui attirent l’attention du client sur une situation suboptimale (sans fournir d’action corrective utile). En conséquence, chaque fois que le réapprovisionnement est incorrect, la faute est rejetée sur le praticien qui aurait dû remplacer manuellement le système. Lokad considère cette pratique comme scandaleuse, c’est précisément pourquoi nous ne la pratiquons pas.

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

Résumé exécutif: Oui, Lokad automatise les décisions en matière de stocks, y compris les paramètres de stock, grâce à un processus quotidien entièrement automatisé avec une intervention manuelle minimale. Cette automatisation s’adapte aux perturbations importantes si nécessaire. Le processus utilise des prévisions probabilistes pour faire face aux incertitudes telles que la demande variable et les délais de livraison, ainsi qu’une approche financière robuste (implémentée grâce à l’optimisation stochastique) qui prend en compte l’ensemble des coûts et des contraintes. Cela permet à Lokad de maximiser le service et de minimiser les erreurs financières en présence de conditions incertaines dans la supply chain.

L’approche par défaut de Lokad consiste à automatiser l’ensemble du processus qui régit le calcul des décisions en matière de 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 fonctionnent pendant des semaines sans aucune intervention manuelle. Naturellement, lorsque des perturbations importantes et sans précédent se produisent (par exemple, des chocs systémiques tels que des confinements), les Supply Chain Scientists de Lokad sont prêts à intervenir et à ajuster la ou les recettes numériques pour atténuer la perturbation. Cependant, nous pensons que les décisions courantes et routinières doivent être entièrement automatisées afin de rediriger le temps et les efforts mentaux vers des tâches de plus haut niveau (comme la stratégie commerciale).

L’automatisation de la mise à jour de tous les paramètres de stock 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 délais de livraison, les retours, etc. Par exemple, dans le scénario de confinement mentionné ci-dessus, le cas de la performance du fournisseur est implicitement un problème de variabilité des délais de livraison qui doit être traité grâce à des prévisions probabilistes des délais de livraison. La plateforme de Lokad est non seulement capable de produire toutes ces prévisions probabilistes, mais aussi de les combiner en une vision probabiliste unifiée de l’avenir de l’entreprise. Au sein de la plateforme de Lokad, nous utiliserions généralement la programmation différentiable et notre algèbre des variables aléatoires à cette fin.

En ce qui concerne 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 conservation ferait implicitement référence à un type spécifique de coût de possession non linéaire. L’une des raisons pour lesquelles Lokad favorise une approche financière de l’optimisation des 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 erreurs de stocks en dollars (ou en euros), tout en maximisant les dollars de retour obtenus en satisfaisant correctement les clients. Avec la plateforme de Lokad, nous utiliserions généralement nos capacités d’optimisation stochastique générale à cette fin. La partie “stochastique” fait référence à la capacité de Lokad à effectuer une optimisation dans des conditions bruyantes/incertaines/aléatoires.

7.3 Automatisez-vous l’émission des bons de commande (PO - Purchase Order) ?

Résumé exécutif : Oui, Lokad automatise la génération des bons de commande (PO), en s’appuyant sur un pipeline de données automatisé pour l’entrée (et la sortie) des systèmes d’entreprise, garantissant des commandes à jour et synchronisées. Il fonctionne comme une couche analytique au-dessus des systèmes transactionnels, calculant des quantités optimisées mais n’exécutant pas 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 des commandes critiques tout en automatisant les commandes routinières.

Lokad automatise la génération de bons de commande optimisés. Cette automatisation nécessite un pipeline d’extraction de données automatisé entre le client et la plateforme Lokad. Ce pipeline de données idéalement mis à jour quotidiennement garantit que Lokad fonctionne avec des données fraîches. Cela permet de maintenir les bons de commande générés 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’entreprise d’origine, où les étapes banales et purement transactionnelles du processus de commande peuvent être effectuées.

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

Il est possible pour nous 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 peut décider que les bons de commande “triviaux” sont automatiquement validés (généralement les petits), tout en demandant à un praticien de la supply chain de vérifier manuellement les quantités de commande recommandées par Lokad au-dessus d’un certain seuil/paramètre souhaité. Ces règles peuvent également être mises à jour au fil du temps. Au fur et à mesure que le projet avance et que les clients voient la valeur générée, le seuil de validation manuelle tend à être augmenté. Cela soulage finalement l’équipe(s) de la supply chain du client.

7.4 Avez-vous une fenêtre de planification/achat qui affiche l’ensemble des tâches de la journée, organisées par priorité ?

Résumé exécutif: Oui, la plateforme de Lokad propose 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 les appels à l’action tels que la gestion des bons de commande et les inspections des anomalies de données, et les hiérarchise en termes d’impact monétaire.

Lors de l’utilisation de la plateforme de Lokad, nous recommandons pour chaque fonction d’entreprise de regrouper dans un seul tableau de bord web (c’est-à-dire une seule fenêtre) 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 la demande et de l’approvisionnement, ce tableau de bord inclurait généralement les nouveaux bons de commande recommandés, ainsi que les anciens bons de commande qui nécessitent une attention supplémentaire (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 correspondre à la structure d’entreprise unique de chaque client. Cela est essentiel pour un tel tableau de bord car les frontières entre les équipes d’approvisionnement/planification/gestion des stocks/achats/finances ont tendance à varier d’une entreprise à l’autre.

Ces appels à l’action peuvent également inclure l’inspection des anomalies de données qui s’avèrent conséquentes pour le client, telles que des prix de détail incorrects, des quantités minimales de commande incorrectes, des niveaux de stock incorrects, etc. Ces appels à l’action sont également hiérarchisés en fonction de leur impact économique potentiel. Plus généralement, Lokad évite deux écueils qui sont trop courants dans les logiciels d’entreprise. Tout d’abord, nous ne répartissons pas la charge de travail d’un utilisateur donné sur des écrans dispersés (ou des fenêtres/pages web).

Au contraire, la plateforme de Lokad a été spécifiquement conçue pour fournir des tableaux de bord complexes en temps constant. Ce détail technique s’avère essentiel lorsqu’il s’agit de regrouper de nombreux éléments disparates dans un seul tableau de bord au bénéfice de l’utilisateur final. Deuxièmement, la plateforme de Lokad a également été spécifiquement conçue pour prendre en charge l’analyse économique de bout en bout, unifiant ainsi tous les appels à l’action sous une logique de hiérarchisation commune exprimée en termes monétaires.

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, il s’agit de l’algorithme sophistiqué utilisé pour générer les décisions en matière de 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 ses contraintes et moteurs. ↩︎

  5. Les décisions recommandées par Lokad sont généralement “whiteboxées” grâce à leurs moteurs économiques. La décomposition des facteurs (exprimés en euros ou en dollars d’impact) explique “pourquoi” une certaine décision est recommandée. Ces informations sont transmises via plusieurs tableaux de bord personnalisables. Consultez La technologie de Lokad pour plus d’informations sur la manière dont les clients interagissent avec leurs décisions en matière de supply chain. ↩︎