L'optimisation pilotée par la décision

La Supply Chain Quantitative se concentre sur la génération de décisions supply chain automatisées à haute performance. L’objectif n’est pas de fournir des artefacts numériques, tels que des prévisions hebdomadaires. Ces artefacts sont considérés comme de simples calculs internes arbitraires qui se trouvent être utilisés pour calculer les décisions finales. Nous définissons une décision comme une réponse à un problème de supply chain sur lequel on peut agir et qui a une conséquence tangible, sinon physique, pour la supply chain elle-même. D’un point de vue classique de la planification supply chain, se concentrer sur les décisions d’approvisionnement peut sembler quelque peu surprenant, car elles ne se définissent pas selon les lignes habituelles de la planification vs. les opérations. Néanmoins, se concentrer sur les décisions facilite considérablement l’optimisation effective de la supply chain. Dans cette section, nous clarifions le concept de décision supply chain, passons en revue les types de décisions les plus fréquents, et caractérisons les aspects clés de la perspective pilotée par la décision.

Définir le périmètre des décisions éligibles

La Supply Chain Quantitative adopte une approche très numérique et statistique face aux défis supply chain. Cependant, cette approche n’est pas la perspective appropriée pour tous les défis. Afin d’évaluer si la perspective quantitative est adaptée à un défi, les conditions suivantes doivent être remplies :

Répétitivité : élaborer une recette numérique pour résoudre le défi demande un effort qui se traduit par des coûts. Afin d’optimiser profitablement une supply chain, il faut s’assurer que le processus d’optimisation lui-même ne coûte pas plus que les bénéfices escomptés. En règle générale, les problèmes routiniers, par exemple, le réapprovisionnement, qui doivent être traités quotidiennement ou hebdomadairement, sont de bien meilleurs candidats pour une approche quantitative que les problèmes exceptionnels, par exemple, s’étendre dans un nouveau pays.
Décisions ciblées : afin de maîtriser la complexité de la solution logicielle, il est préférable de se concentrer sur des défis supply chain qui peuvent être résolus par une typologie bien définie de décisions, idéalement, des décisions hautement numériques. Par exemple, décider d’arrêter de stocker un produit totalement parce que la demande est trop faible pour justifier ce surcoût pour la supply chain est une question très précise à laquelle un processus hautement automatisé peut aisément répondre. En revanche, décider de modifier les pratiques de travail d’une équipe de gestion d’entrepôt est un problème très ouvert, qui ne se prête pas à l’automatisation.
Données historiques : les solutions logicielles ne peuvent pas fonctionner dans le vide. Le savoir-faire pour résoudre le défi supply chain peut être intégré dans le logiciel sous forme de règles définies manuellement ; toutefois, créer un vaste ensemble de règles de prise de décision cohérentes et performantes est une entreprise des plus ardues. La plupart des approches modernes extraient de manière exhaustive tous les savoirs pertinents à partir des données historiques (historique des ventes, historique des achats, etc.) et limitent les entrées de règles à des politiques supply chain bien définies, par exemple, les MOQs (quantités minimales de commande), ce que nous ne souhaitons certainement pas que le logiciel tente d’extrapoler à partir des données historiques.

À mesure que l’ingénierie logicielle progresse et, plus spécifiquement, que le domaine du machine learning évolue, le spectre des décisions accessible aux systèmes informatiques s’élargit chaque année. Par exemple, les premiers systèmes d’optimisation de stocks se limitaient aux produits disposant d’au moins plusieurs mois d’historique des ventes, tandis que les systèmes plus récents supportent tous les produits, y compris ceux qui n’ont même pas encore été vendus.

Par ailleurs, l’ingénierie logicielle permet parfois de s’attaquer à des problèmes auparavant jugés inextricables lorsqu’ils étaient traités manuellement par un expert supply chain. Par exemple, les systèmes modernes d’optimisation de stocks peuvent prédire quels enregistrements de stocks sont les plus susceptibles d’être inexacts, permettant ainsi un recensement priorisé des stocks, une fonctionnalité qui surpasse l’approche plus traditionnelle consistant à recompter linéairement tous les SKUs.

Exemples de décisions supply chain

Les supply chains sont incroyablement diverses, et ce qui constitue un défi de première importance pour un secteur donné peut n’apparaître que comme anecdotique dans un autre. Dans cette section, nous passons brièvement en revue les décisions typiques qui s’inscrivent bien dans la perspective de la Supply Chain Quantitative.

Commandes d’achat : déterminer les quantités exactes à acheter auprès de chaque fournisseur pour chaque produit. Cette décision est actualisée quotidiennement, même si aucune commande d’achat n’est réellement attendue la plupart des jours. La commande d’achat doit prendre en compte toutes les contraintes de commande (MOQs) ainsi que les contraintes de transport (par exemple, containeurs (logistique)). De plus, la commande d’achat pourrait également inclure le choix d’un mode de transport (mer vs. air) avec la possibilité d’un mix de transport.
Ordres de production : déterminer les quantités exactes à produire. L’ordre de production doit prendre en compte toutes les contraintes de production qui peuvent nécessiter des lots de production minimaux. De plus, la capacité de production maximale peut être inférieure aux besoins du marché lors de la haute saison de l’année, auquel cas la production doit constituer des stocks à l’avance pour faire face à la haute saison.
Rééquilibrage des stocks : déterminer si les unités actuellement détenues en stocks dans un lieu devraient être transférées vers un autre lieu, généralement parce que l’équilibre des stocks ne correspond plus à la demande future projetée, différenciée par localisation. Là encore, la décision est actualisée quotidiennement, même si, la plupart des jours, pour la plupart des produits, il n’est pas économiquement rentable de les déplacer entre les lieux.
Liquidation des stocks : déterminer si les unités actuellement détenues en stocks doivent être soit détruites, soit vendues via un canal secondaire - généralement à prix fortement réduit. En effet, les stocks morts peuvent encombrer inutilement les entrepôts et, de ce fait, engendrer des coûts supérieurs à la valeur économique même du stock. Selon le secteur, les stocks peuvent être liquidés par le biais de promotions, de canaux spécialisés ou par une destruction pure et simple.
Stocks vs. drop shipping : déterminer si un produit est suffisamment demandé pour justifier son achat, son stockage et sa distribution directe, ou s’il serait préférable que le produit soit drop-shippé par un tiers lorsqu’il est commandé. Les produits en drop-shipping génèrent généralement des marges plus faibles, mais engendrent également moins de coûts de détention. La décision consiste à définir la liste exacte des produits à maintenir en stocks, tout en gardant une diversité de stocks globalement gérable.
Recensement ciblé des stocks : déterminer si un SKU doit être recompte en raison de l’inexactitude potentielle de l’enregistrement électronique, qui peut ne pas correspondre au nombre d’unités réellement disponibles sur l’étagère. Cette décision implique un compromis entre le coût de main-d’œuvre associé à l’opération de recensement et l’impact négatif du phantom inventory sur la performance de la supply chain. En pratique, les inexactitudes de stocks sont beaucoup plus importantes dans les magasins de détail ouverts au public comparativement aux entrepôts ou usines à accès restreint au personnel.

Il convient de souligner que des secteurs spécifiques disposent de leurs propres ensembles de décisions. Les exemples ci-dessous pourraient être considérés comme plus dépendants du contexte que ceux énumérés ci-dessus.

Assortiment en magasin : déterminer la liste exacte des produits à présenter dans chaque magasin de détail. Parfois, le catalogue complet de produits peut largement excéder la capacité de n’importe quel magasin ; par conséquent, chaque magasin ne peut exposer qu’un sous-ensemble du catalogue. L’optimisation de l’assortiment maximise la performance du magasin en fonction de sa capacité. De plus, le défi se trouve encore complexifié dans le cas de secteurs tels que le luxe, puisque le magasin disposera généralement d’au plus une seule unité en stocks pour chaque produit de l’assortiment sélectionné.
Remplacement opportuniste : déterminer quand la substitution d’un produit est acceptable et quand il est rentable de procéder à la substitution. Par exemple, un e-commerce de produits frais peut accepter des livraisons effectuées quelques jours à l’avance, une pratique qui crée le problème de subir une rupture de stock tardive pour un produit frais déjà commandé, altérant ainsi la commande initiale du client. Dans cette situation, il pourrait être plus rentable pour le détaillant, et offrir un meilleur service au client, de substituer le produit par un alternatif judicieusement choisi.
Désinvestissement opportuniste : décider de revendre des stocks, généralement des pièces réparables, qui étaient à l’origine destinées à une consommation interne. Le stock de pièces réparables oscille généralement entre deux états, en état de service et hors service, car les pièces sont entretenues, récupérées, réparées et enfin re-pris en service. Dans certaines circonstances, comme une baisse de la demande, le stock de pièces en état de service peut largement excéder les besoins de l’entreprise. Dans ce cas, il y a un compromis entre revendre la pièce sur le marché secondaire, généralement à un prix réduit, afin de récupérer une fraction de la valeur initiale des stocks ou, alternativement, augmenter le risque de ne pas répondre à une future demande de pièce à temps.
Conservation des stocks hors service : décider de réparer immédiatement une pièce hors service mais autrement réparable, ou de retarder la réparation et de stocker la pièce en tant que hors service. Bien que la réparation des pièces puisse être moins coûteuse que l’achat de nouvelles pièces, le stock actuel de pièces en état de service peut être suffisant pour satisfaire la demande pendant une longue période. Ainsi, retarder la réparation constitue un compromis entre reporter les coûts de réparation dans le futur – avec la possibilité de ne jamais encourir ce coût si la demande du marché s’est orientée vers des pièces alternatives entre-temps – ou augmenter le risque de ne pas répondre à une future demande de pièce à temps.
Approvisionnement opportuniste : déterminer quand il est rentable d’effectuer une opération d’approvisionnement pour établir une référence de tarification pour une pièce donnée. Dans certaines industries, le prix des pièces est relativement opaque. Découvrir le prix actualisé d’une pièce, éventuellement un équipement très coûteux, peut nécessiter plusieurs jours d’efforts. Lorsque les opérations exigent des milliers de pièces, il y a un compromis entre payer des pièces plus coûteuses et supporter les coûts de main-d’œuvre liés aux opérations d’approvisionnement.
Préservation des offres groupées : déterminer quand il est rentable de vendre la dernière unité d’un produit individuellement ou de la conserver pour une vente ultérieure dans le cadre d’une offre groupée. En effet, il existe des situations où la disponibilité des offres groupées, c’est-à-dire des combinaisons de pièces ou de produits, est d’une grande importance, tandis que la disponibilité de pièces isolées l’est moins. Pourtant, en servant la dernière pièce, traitée comme une pièce autonome, on peut créer un problème de rupture de stock pour l’offre groupée plus importante. Ainsi, il y a un compromis entre les avantages de bien desservir une pièce isolée dès maintenant et les inconvénients de faire face ultérieurement à une rupture de stock plus impactante pour une offre groupée.

Jusqu’à ce qu’elles soient formalisées comme telles, les décisions supply chain sont généralement prises de manière implicite, que ce soit par des personnes ou par des systèmes logiciels. Par exemple, une configuration de stocks Min/Max prend implicitement plusieurs décisions et non seulement celle concernant la quantité à commander : tant que la valeur Max est non nulle, le produit sera conservé dans l’assortiment. De plus, aucun recensement de stocks n’est effectué avant de déclencher un réapprovisionnement, ce qui constitue une autre décision implicite, etc. Malheureusement, comme on ne peut pas optimiser ce que l’on ne mesure pas, c’est ce manque de formalisation des décisions elles-mêmes qui empêche généralement une amélioration systématique de la performance de la supply chain obtenue grâce à ces décisions.

Artefacts numériques vs. décisions

Face à des problèmes supply chain complexes, les praticiens risquent de confondre la fin et les moyens. Par exemple, lorsqu’il s’agit de répondre à un besoin de réapprovisionnement, établir une prévision hebdomadaire de la demande associée à un SKU n’est qu’un ingrédient requis par certaines recettes numériques – et non toutes – disponibles pour calculer la quantité à commander. La prévision hebdomadaire n’est qu’un calcul intermédiaire, tandis que la quantité commandée constitue la décision finale. Du point de vue de la Supply Chain Quantitative, nous qualifions ces calculs intermédiaires d"artefacts numériques. La Supply Chain Quantitative ne rejette pas l’importance des artefacts numériques ; toutefois, elle souligne également que ces artefacts ne sont que cela : des expressions numériques jetables et transitoires qui contribuent au résultat final : des décisions supply chain.

En ce qui concerne l’optimisation numérique, penser qu’optimiser les artefacts numériques selon des critères mathématiques arbitraires, par exemple des prévisions de demande optimisées selon le WMAPE (erreur moyenne absolue pondérée), conduit mécaniquement à des retours financiers, est une erreur. Bien que cela puisse paraître contre-intuitif, dans la supply chain, ce n’est généralement pas le cas. Les problèmes supply chain sont généralement fortement asymétriques. Par exemple, dans l’aéronautique, une pièce manquante de 200 USD peut immobiliser un avion d’une valeur de 200 millions USD. Le nombre de pièces à maintenir en stocks n’est pas nécessairement déterminé principalement par la demande attendue : le coût de la pièce comparé au coût de son absence peut complètement dominer le processus de décision de stockage.

En revanche, la Supply Chain Quantitative met en avant qu’au final, seules les décisions comptent vraiment, car ce sont les seuls éléments tangibles ayant des conséquences financières réelles et mesurables pour l’entreprise. Ainsi, bien qu’il soit primordial de remettre en question la performance des décisions, la gestion de la supply chain devrait également faire preuve d’une saine dose de scepticisme envers les KPI qui s’appliquent à des résultats numériques transitoires, non contraignants et non engageants, tels que les prévisions de demande hebdomadaires ou mensuelles.

Décisions contraintes, entre réalité et fiction

Les décisions supply chain sont généralement assujetties à des contraintes : les réponses ne sont valides que si elles respectent un ensemble de contraintes numériques. Par exemple, les commandes d’achat peuvent être soumises à des MOQs (quantités minimales de commande), qui représentent une contrainte non linéaire. De plus, l’entrepôt dispose d’une capacité de stockage finie - une autre contrainte non linéaire.

Fréquemment, les contraintes sont générées à partir de facteurs économiques de base associés aux opérations supply chain : en tenant compte du prix actuel du produit ; la distribution d’un produit ne peut être économiquement viable que si les produits sont vendus emballés sur palettes et, par conséquent, le produit ne peut être vendu qu’avec une taille de lot d’environ 50 unités, ce qui représente une palette chargée.

Cependant, il arrive également que les contraintes résultent de règles organisationnelles arbitraires. Par exemple, une entreprise pourrait avoir décidé que le budget d’achat annuel pour une division serait plafonné à 1 million USD. Cette contrainte budgétaire est établie bien avant que les ventes de la division ne soient effectivement connues. Dans une telle situation, il est attendu que les décisions d’achat respectent une contrainte non linéaire résultant d’un processus budgétaire relativement arbitraire.

La Supply Chain Quantitative tente de refléter autant que possible les véritables contraintes de la supply chain, tout en permettant aux organisations plus récentes, éventuellement révisées, de fonctionner sans les entraves imposées par des aspects arbitraires des processus antérieurs. En effet, dans la supply chain, la plupart des contraintes arbitraires résultent d’un manque d’automatisation : si le “optimal” budget par division ne peut être réévalué de manière fiable au quotidien en tenant compte de toutes les préoccupations transversales à l’échelle de l’entreprise, il est alors naturel de revenir à un budget annuel ou trimestriel.

Les décisions nécessitent une priorisation et une coordination

Presque toutes les décisions supply chain sont interdépendantes : chaque unité supplémentaire achetée auprès d’un fournisseur va occuper un espace additionnel dans l’entrepôt, jusqu’à ce que celui-ci soit plein, puis les opérations s’arrêtent. Ces dépendances sont généralement indirectes et difficiles à aborder d’un point de vue numérique, mais cela ne les rend pas moins importantes d’un point de vue supply chain - et même stratégique. Si le taux de service global est de 99 %, ce qui est très bon, mais que le plus grand client souffre d’un taux de service de 85 % parce que toutes les ruptures de stocks se concentrent dans un groupe de produits achetés par ce même client, l’entreprise fait face à un risque sérieux de perdre son plus grand client.

La priorisation des décisions est généralement la méthode la plus directe pour tirer le meilleur parti des ressources partagées, mais limitées, au sein de la supply chain. Par exemple, puisque la capacité de stockage de l’entrepôt et le fonds de roulement sont tous deux limités, l’objectif n’est pas simplement d’acheter une unité supplémentaire de stock qui s’avère profitable, mais d’identifier la prochaine unité de stock qui s’avère être la plus rentable dans l’ensemble du catalogue de produits. Traiter les décisions d’achat de stocks de manière isolée créerait le risque d’épuiser l’espace de l’entrepôt ou le budget d’achat sur des produits à faible rentabilité.

En pratique, cette priorisation nécessite de modifier considérablement le logiciel analytique qui supporte la supply chain. Au lieu de traiter chaque décision de manière isolée, comme c’est le cas avec les méthodes primitives de supply chain, par exemple, le stocks Min/Max, toutes les décisions doivent être regroupées et classées en fonction de leur rentabilité estimée respective. Un tel processus est réalisable avec des solutions logicielles modernes, mais il requiert nettement plus de ressources informatiques comparé aux anciennes méthodes de supply chain.

La coordination des décisions est nécessaire pour gérer toutes les contraintes transversales qui s’appliquent aux opérations supply chain. Par exemple, lors de la commande de marchandises auprès d’un fournisseur étranger, il pourrait y avoir un fort incitatif économique à commander un conteneur complet. Ainsi, le défi n’est pas tant de choisir les quantités par produit que de choisir des quantités qui, dans l’ensemble, correspondent exactement à la capacité du conteneur. Les contraintes transversales sont omniprésentes dans la supply chain : ajuster l’assortiment d’une nouvelle collection en mode, garantir un taux de service élevé pour les clients recherchant une liste de produits dans un magasin de bricolage, éviter d’épuiser un entrepôt central par le biais de commandes surdimensionnées provenant d’un magasin au détriment des autres, etc.

La façon traditionnelle et très inefficace d’aborder ces préoccupations de coordination consiste à effectuer un calcul en deux étapes qui, dans un premier temps, ignore la problématique de coordination, puis, dans un second temps, révise le résultat numérique initial afin de répondre à cette problématique. En ce qui concerne l’exemple du conteneur introduit ci-dessus, d’abord, nous pouvons calculer les quantités souhaitables à commander en ignorant complètement l’angle conteneur ; ensuite, nous pouvons réviser ces quantités pour que l’ensemble corresponde effectivement à un conteneur. La principale faiblesse d’un tel calcul en deux étapes est que la deuxième étape ignore complètement tous les facteurs économiques qui ont été pris en compte lors du calcul de la première étape. En d’autres termes, la révision des résultats lors de la deuxième étape peut “annuler” tous les efforts déployés pour calculer des décisions rentables lors de la première étape. Les logiciels modernes abordent de telles situations en introduisant des solveurs numériques, capables de traiter frontalement ces contraintes transversales. Une fois de plus, ces solveurs exigent beaucoup plus de ressources informatiques que leurs homologues naïfs en deux étapes, mais encore une fois, compte tenu des ressources informatiques généralement disponibles de nos jours, cela ne pose aucun problème.