Optimisation axée sur les décisions

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

Délimitation des décisions éligibles

La Supply Chain Quantitative adopte une approche hautement numérique et statistique des défis de la supply chain. Cependant, cette approche n’est pas la perspective appropriée pour tous les défis. Afin de déterminer si la perspective quantitative est appropriée pour un défi, les conditions suivantes doivent être remplies :

Répétabilité : élaborer une recette numérique pour résoudre le défi demande des efforts qui se traduisent par des coûts. Afin d’optimiser de manière rentable une supply chain, il est nécessaire de s’assurer que le processus d’optimisation lui-même ne coûte pas plus que les avantages attendus. En règle générale, les problèmes routiniers, tels que le réapprovisionnement, qui doivent être traités chaque jour ou chaque semaine, sont bien meilleurs candidats pour une approche quantitative que les problèmes exceptionnels, tels que l’expansion vers un nouveau pays.
Décisions spécifiques : afin de maîtriser la complexité de la solution logicielle, il est préférable de se concentrer sur les défis de la supply chain qui peuvent être abordés par une typologie bien définie de décisions, idéalement des décisions hautement numériques. Par exemple, décider d’arrêter complètement de stocker un produit parce que la demande est trop faible pour justifier ce fardeau supplémentaire sur la supply chain est une question très spécifique à laquelle un processus hautement automatisé peut répondre facilement. En revanche, décider de modifier les pratiques de travail d’une équipe de gestion d’un entrepôt est un problème très ouvert, qui ne convient pas à l’automatisation.
Données historiques : les solutions logicielles ne peuvent pas fonctionner dans le vide. La connaissance pour résoudre le défi de la supply chain peut être intégrée dans le logiciel sous la forme de règles définies manuellement ; cependant, créer un grand ensemble de règles de prise de décision cohérentes et performantes est une tâche très difficile. La plupart des approches modernes extraient largement toutes les connaissances pertinentes des données historiques (historique des ventes, historique des achats, etc.) et limitent les entrées de règles à des politiques de supply chain bien définies, par exemple, les MOQs (quantités minimales de commande), que nous ne voulons certainement pas que le logiciel essaie d’extrapoler à partir des données historiques.

À mesure que l’ingénierie logicielle progresse et, plus spécifiquement, que le domaine de l’apprentissage automatique progresse, le spectre des décisions accessibles aux systèmes informatiques s’élargit chaque année. Par exemple, les premiers systèmes d’optimisation des stocks étaient limités aux produits disposant d’au moins plusieurs mois d’historique des ventes, tandis que les nouveaux systèmes prennent en charge tous les produits, y compris ceux qui n’ont même pas encore été vendus.

De plus, parfois, l’ingénierie logicielle permet de résoudre des problèmes qui étaient considérés comme insolubles lorsqu’ils étaient effectués manuellement par un expert en supply chain. Par exemple, les systèmes modernes d’optimisation des stocks peuvent prédire quels enregistrements de stock sont les plus susceptibles d’être inexacts, permettant ainsi un recomptage priorisé des stocks, une fonctionnalité qui surpasse l’approche plus traditionnelle du recomptage linéaire de tous les SKUs.

Exemples de décisions en supply chain

Les supply chains sont incroyablement diverses, et ce qui constitue un défi d’importance primordiale pour une vertical donnée peut n’apparaître que comme anecdotique pour une autre. Dans cette section, nous passons brièvement en revue les décisions typiques qui correspondent bien à la perspective de la Supply Chain Quantitative.

Commandes d’achat : décider des quantités exactes à acheter à chaque fournisseur pour chaque produit. Cette décision est actualisée quotidiennement, même si aucune commande d’achat réelle n’est prévue 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, les conteneurs). De plus, la commande d’achat peut également inclure le choix d’un mode de transport (mer vs air) avec la possibilité d’un mix de transport.
Ordres de production : décider des 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 pendant la saison haute de l’année, auquel cas la production doit constituer des stocks à l’avance pour faire face à la saison haute.
Équilibrage des stocks : décider si les unités actuellement détenues en stock dans un endroit doivent être déplacées vers un autre endroit, généralement parce que l’équilibre des stocks n’est plus aligné avec la demande future projetée différenciée par emplacement. Encore une fois, 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 emplacements.
Liquidation des stocks : décider si les unités actuellement détenues en stock doivent être détruites ou vendues par le biais d’un canal secondaire - généralement fortement remisé. En effet, les stocks morts peuvent encombrer inutilement les entrepôts et générer ainsi des coûts supérieurs à la valeur économique des stocks eux-mêmes. Selon la vertical, les stocks peuvent être liquidés par le biais de promotions, de canaux spécialisés ou de destruction pure et simple.
Stockage vs. drop shipping : décider si un produit est suffisamment demandé pour justifier son achat, son stockage et sa livraison directe, ou s’il serait préférable de faire expédier le produit par un tiers lorsque celui-ci est demandé. Les produits en drop shipping génèrent généralement des marges plus faibles, mais ils entraînent également moins de coûts de stockage. La décision consiste à définir la liste exacte des produits à conserver en stock, tout en maintenant une diversité globale des stocks gérable.
Comptage ciblé des stocks : décider si un SKU doit être recompté en raison de l’inexactitude potentielle de l’enregistrement électronique, qui peut ne pas correspondre à la quantité d’unités réellement disponibles en rayon. Cette décision est un compromis entre le coût de la main-d’œuvre associé à l’opération de recomptage et l’impact négatif des stocks fantômes sur la performance de la supply chain. En pratique, les inexactitudes des stocks sont beaucoup plus importantes dans les magasins de vente au détail accessibles au public que dans les entrepôts ou les usines restreints au personnel.

Il convient de souligner que certaines verticalités ont leurs propres ensembles de décisions. Les exemples ci-dessous peuvent être considérés comme plus dépendants du contexte que ceux énumérés ci-dessus.

Assortiment des magasins de vente au détail : décider de la liste exacte des produits à présenter dans chaque magasin de vente au détail. Parfois, le catalogue complet de produits peut largement dépasser la capacité de n’importe quel magasin donné ; par conséquent, chaque magasin ne peut mettre en exposition qu’un sous-ensemble du catalogue. L’optimisation de l’assortiment maximise les performances du magasin de vente au détail compte tenu de sa capacité. De plus, le défi est encore plus complexe dans le cas de verticalités telles que les produits de luxe, car le magasin n’aura généralement pas plus d’une seule unité en stock pour chaque produit de l’assortiment sélectionné.
Remplacement opportuniste : décider quand la substitution d’un produit est acceptable et quand il est rentable de procéder à la substitution. Par exemple, un commerce électronique de produits frais peut accepter des livraisons effectuées quelques jours à l’avance, une pratique qui crée le problème de faire face à une rupture de stock tardive pour un produit frais qui a déjà été commandé, et qui modifie ainsi la commande initiale du client. Dans cette situation, il peut être plus rentable pour le détaillant, et offrir un meilleur service au client, de substituer un produit alternatif bien choisi.
Désinvestissement opportuniste : décider de revendre des stocks, généralement des pièces réparables, qui étaient initialement destinés à la consommation interne. Le stock de pièces réparables tourne généralement entre les deux états de réparable et non réparable, car les pièces sont réparées, récupérées, réparées à nouveau et enfin remises en service. Dans des circonstances particulières, telles qu’une baisse de la demande, le stock de pièces réparables peut largement dépasser les besoins de l’entreprise. Dans ce cas, il y a un compromis entre la revente de la pièce sur le marché secondaire, généralement à un prix réduit, afin de récupérer une fraction de la valeur initiale du stock, ou, alternativement, d’augmenter le risque de ne pas pouvoir répondre à une demande future de pièce en temps voulu.
Conservation des stocks non réparables : décider de réparer immédiatement une pièce non réparable mais réparable, ou de reporter la réparation et de stocker la pièce en tant que non réparable. Bien que la réparation de pièces puisse être moins coûteuse que l’achat de pièces neuves, le stock actuel de pièces réparables peut être suffisant pour couvrir la demande pendant une longue période. Ainsi, le report de la réparation est un compromis entre le report des coûts de réparation à l’avenir - avec la possibilité de ne jamais supporter ce coût si la demande du marché s’est déplacée vers des pièces alternatives entre-temps - ou d’augmenter le risque de ne pas pouvoir répondre à une demande future de pièce en temps voulu.
Approvisionnement opportuniste : décider quand il est intéressant d’effectuer une opération d’approvisionnement pour établir un benchmark de prix pour une pièce donnée. Dans certaines industries, le prix des pièces est relativement opaque. Découvrir le prix à jour d’une pièce, éventuellement une pièce d’équipement très coûteuse, peut prendre plusieurs jours d’efforts. Lorsque les opérations nécessitent des milliers de pièces, il y a un compromis entre payer des pièces plus chères et supporter les coûts de main-d’œuvre liés aux opérations d’approvisionnement.
Préservation des ensembles : décider quand il est intéressant de vendre la dernière unité d’un produit donné en tant que vente individuelle ou s’il est préférable de conserver cette unité pour une vente ultérieure dans le cadre d’un ensemble. En effet, il y a des situations où la disponibilité des ensembles, c’est-à-dire des combinaisons de pièces ou de produits, est très importante, tandis que la disponibilité de pièces isolées est moins importante. Cependant, en servant la dernière pièce, servie en tant que pièce individuelle, on peut créer un problème de rupture de stock pour l’ensemble plus important et plus important. Ainsi, il y a un compromis entre les avantages de la bonne fourniture d’une pièce isolée maintenant et les inconvénients de faire face à une rupture de stock ultérieure, plus importante, pour un ensemble.

Jusqu’à ce qu’ils soient formalisés en tant que tels, les décisions de la supply chain sont généralement prises de manière plutôt implicite, éventuellement par des personnes, mais aussi par des systèmes logiciels. Par exemple, une configuration d’inventaire Min/Max prend implicitement plusieurs décisions et pas seulement sur la quantité réapprovisionnée : tant que la valeur Max est différente de zéro, le produit sera conservé dans l’assortiment. De plus, aucun inventaire n’est effectué avant de déclencher un réapprovisionnement, ce qui est 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 des performances de la supply chain obtenues grâce à ces décisions.

Artéfacts numériques vs. décisions

Lorsqu’ils sont confrontés à des problèmes complexes de supply chain, les praticiens risquent de confondre les fins et les moyens. Par exemple, lorsqu’ils sont confrontés à un besoin de réapprovisionnement, établir une prévision de la demande hebdomadaire associée à un SKU n’est qu’un ingrédient nécessaire à certains, mais pas à tous, des recettes numériques disponibles pour calculer la quantité à réapprovisionner. La prévision hebdomadaire n’est qu’un calcul intermédiaire, tandis que la quantité commandée est la décision finale. Du point de vue de la Supply Chain Quantitative, nous appelons ces calculs intermédiaires des artéfacts numériques. La Supply Chain Quantitative ne néglige pas l’importance des artéfacts numériques ; cependant, elle souligne également que ces artéfacts ne sont que cela : des expressions numériques jetables et transitoires qui contribuent à la sortie finale : les décisions de la supply chain.

En ce qui concerne l’optimisation numérique, c’est une erreur de penser que l’optimisation des artéfacts numériques par rapport à des métriques mathématiques arbitraires, par exemple des prévisions de la demande optimisées par rapport à l’erreur de pourcentage absolue moyenne pondérée (WMAPE), conduit mécaniquement à des retours financiers. Bien que cela puisse sembler contre-intuitif, dans la supply chain, ce n’est généralement pas le cas. Les problèmes de supply chain sont généralement des problèmes hautement asymétriques. Par exemple, dans le secteur aérospatial, une pièce manquante de 200 USD peut immobiliser un avion de 200 millions USD. Le nombre de pièces à conserver en stock n’est pas nécessairement principalement déterminé par la demande prévue : le coût de la pièce par rapport au coût de son absence peut totalement dominer le processus de décision en matière de stockage.

En revanche, la Supply Chain Quantitative souligne que, en fin de compte, seules les décisions comptent vraiment, car ce sont les seuls éléments tangibles qui ont des conséquences financières réelles et mesurables pour l’entreprise. Ainsi, s’il est primordial de remettre en question la performance des décisions, la gestion de la supply chain doit également faire preuve d’une bonne dose de scepticisme à l’égard des indicateurs de performance clés (KPI) qui s’appliquent à des résultats numériques non contraignants, non engageants et transitoires tels que les prévisions de la demande hebdomadaire ou mensuelle.

Décisions contraintes, entre réalité et fiction

Les décisions de la supply chain sont généralement contraintes : les réponses ne sont valables que si elles satisfont un ensemble de contraintes numériques. Par exemple, les commandes d’achat peuvent être soumises à des MOQ (quantités minimales de commande), qui représentent une contrainte non linéaire. De plus, l’entrepôt a 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 de la supply chain : prendre en compte le prix actuel du produit ; la distribution d’un produit ne peut être économiquement viable que si les produits sont vendus en palettes et, par conséquent, le produit ne peut être vendu qu’en lots de, par exemple, 50 unités, ce qui représente une palette chargée.

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

La Supply Chain Quantitative tente de refléter au maximum les contraintes réelles de la supply chain, tout en permettant de nouvelles organisations, éventuellement révisées, qui peuvent fonctionner sans les entraves imposées par des aspects arbitraires des anciens processus. En effet, dans la supply chain, la plupart des contraintes arbitraires sont le résultat d’un manque d’automatisation : si le budget “optimal” par division ne peut pas être réestimé de manière fiable quotidiennement en tenant compte de toutes les préoccupations transversales de l’entreprise, il est alors naturel de se rabattre sur un budget annuel ou trimestriel.

Les décisions nécessitent une priorisation et une coordination

Presque toutes les décisions de la supply chain sont interdépendantes : chaque unité supplémentaire achetée à un fournisseur va prendre de l’espace supplémentaire dans l’entrepôt, jusqu’à ce que l’entrepôt soit plein, et alors 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 de la supply chain - voire stratégique. Si le taux de service global est de 99 %, ce qui est très bon, mais que le plus gros client souffre d’un taux de service de 85 %, car toutes les ruptures de stock se concentrent dans un groupe de produits achetés par ce client, l’entreprise court un risque sérieux de perdre son plus gros client.

La priorisation des décisions est généralement la méthode la plus simple pour tirer le meilleur parti des ressources partagées, mais limitées, au sein de la supply chain. Par exemple, étant donné que la capacité de stockage de l’entrepôt et le capital de travail sont tous deux limités, l’objectif n’est pas seulement d’acheter une unité supplémentaire de stock qui s’avère rentable, mais d’identifier la prochaine unité de stock qui s’avère être l’unité la plus rentable de l’ensemble du catalogue de produits. Traiter les décisions d’achat de stock de manière isolée créerait le risque d’épuiser l’espace de l’entrepôt ou le budget d’achat sur des produits peu rentables.

En pratique, cette priorisation nécessite de modifier considérablement le logiciel analytique qui soutient la supply chain. Au lieu de traiter chaque décision de manière isolée, comme c’est le cas avec les méthodes primitives de la supply chain, par exemple, l’inventaire 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 nécessite considérablement plus de ressources informatiques par rapport aux premières méthodes de la supply chain.

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

La manière traditionnelle et très inefficace de traiter de telles préoccupations de coordination consiste à effectuer un calcul en deux étapes qui ignore d’abord la préoccupation de coordination, puis qui révise la sortie numérique initiale afin de l’adapter à la préoccupation. En ce qui concerne l’exemple du conteneur introduit ci-dessus, premièrement, nous pouvons calculer les quantités souhaitables à commander, en ignorant complètement l’angle du conteneur ; deuxièmement, nous pouvons réviser ces quantités afin que l’ensemble corresponde réellement à un conteneur. Le principal point faible d’un tel calcul en deux étapes est que la deuxième étape ignore complètement tous les facteurs économiques qui ont été pris en compte dans le 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, qui peuvent aborder frontalement de telles contraintes transversales. Encore une fois, ces solveurs sont nettement plus exigeants en termes de ressources informatiques que leurs homologues naïfs en deux étapes, mais compte tenu des ressources informatiques généralement disponibles de nos jours, cela ne pose aucun problème.