Principes Quantitatifs pour Supply Chain (Résumé de la Conférence 1.6)

learn menu

Une optimisation de Supply Chain pertinente consiste à maîtriser l’optionalité à laquelle on est confronté en raison de la variabilité inhérente au flux de marchandises, et cette maîtrise s’inscrit dans une analyse quantitative. Les problèmes de Supply Chain sont également quantitatifs mais redoutables et parfois carrément étranges, allant à l’encontre de l’analyse traditionnelle. Adopter des principes quantitatifs tant à l’étape d’observation qu’à celle d’optimisation peut aider les praticiens à éviter de nombreuses embûches obscures mais néanmoins prévisibles de Supply Chain.

Robot performs multiple tasks in a kitchen while a child sits at a table

Visionnez la Conférence

Principes d’Observation

De manière générale, les types de décisions et de contraintes auxquels les praticiens de Supply Chain doivent faire face sont invariablement quantitatifs – comme les valeurs de réapprovisionnement, les objectifs de taux de service, les MOQs, etc. Cependant, les Supply Chain elles-mêmes défient toute observation directe. On ne peut pas prendre un instantané de l’ensemble de la Supply Chain de la même manière que pour une machine, bien que les deux soient, sans doute, CapEx, composés de nombreuses sous-parties physiques observables, et produisant généralement un résultat tangible.

Malgré cette limitation, les Supply Chain ne sont pas hostiles à l’analyse quantitative. Au contraire, une analyse quantitative de la Supply Chain révèle plusieurs observations instructives, quoique potentiellement contre-intuitives.

Les problèmes de Supply Chain ne sont pas distribués de manière normale

Peut-être de manière décourageante, les problèmes de Supply Chain ne suivent pas généralement une distribution normale, ce qui entraîne de nombreuses difficultés organisationnelles lors de leur optimisation. Avec une distribution normale, un grand nombre de petits facteurs indépendants peut influencer une valeur dans l’une ou l’autre direction (par exemple, plus ou moins, en hausse ou en baisse). Autrement dit, une distribution normale résulte de nombreux petits changements aléatoires pouvant augmenter ou diminuer une valeur1.

Cependant, les problèmes de Supply Chain résultent souvent d’un petit nombre de facteurs systémiques majeurs plutôt que d’une multitude de facteurs petits et indépendants. Ces facteurs comprennent :

  • Variabilité de la Demande : La demande pour les produits est souvent très variable et peut être influencée par une large gamme de facteurs tels que les tendances saisonnières, les conditions économiques et les campagnes marketing. Cette variabilité peut entraîner des problèmes comme des ruptures de stock ou du surstock.

  • Fiabilité des Fournisseurs : La performance des fournisseurs peut impacter significativement une Supply Chain, et la variabilité de leur fiabilité peut engendrer des problèmes tels que des livraisons retardées et des problèmes de qualité.

  • Perturbations Logistiques : Des problèmes comme les retards de transport, les blocages en douane ou les catastrophes naturelles peuvent provoquer d’importantes perturbations dans une Supply Chain.

Les problèmes ci-dessus ne constituent pas de menaces triviales pour la continuité (et l’optimisation) de la Supply Chain. En réalité, ce sont des problèmes démesurément importants et [redoutables] qui peuvent avoir des impacts dramatiquement excessifs.

De plus, les problèmes de Supply Chain présentent souvent un certain niveau d’asymétrie, ce qui signifie qu’il y a généralement quelques problèmes majeurs qui représentent une grande proportion des difficultés, plutôt qu’une distribution symétrique autour d’une moyenne prévisible. Dans de nombreux cas, ces problèmes présentent également une « longue traîne » – c’est-à-dire un grand nombre de problèmes différents se produisant de manière peu fréquente.

Les interdépendances et boucles de rétroaction inhérentes aux Supply Chain (par exemple, comment les niveaux de stock actuels influencent les décisions de commande futures) font également en sorte que l’apparition des problèmes s’éloigne de la normalité. De tels systèmes non linéaires et complexes sont décrits plus précisément par d’autres modèles statistiques (décrits dans la section suivante).

La relation inverse entre la fréquence et le rang

Un meilleur modèle quantitatif pour examiner les problèmes de Supply Chain (et les valeurs en général) est la loi de Zipf. En termes simples, il y a deux éléments principaux dans la loi de Zipf :

  1. Quelques valeurs dans un ensemble de données se produisent très fréquemment, tandis que la plupart apparaissent rarement.

  2. La fréquence d’une valeur est inversement proportionnelle à son rang.

Considérez la fréquence des mots dans un manuel. Le mot le plus courant dans un livre donné (s’il est écrit dans une langue utilisant un système de cas défini/indéfini) sera probablement the. Le deuxième mot le plus fréquent pourrait être of, et sa fréquence sera (approximativement) la moitié de celle de the. Cette tendance se poursuivra dans les classements2.

Un exemple pertinent dans le secteur de la vente au détail est la découverte commune que un petit nombre d’articles dans un catalogue représente une grande partie des ventes, tandis qu’une longue traîne d’autres articles se vend rarement. Ce schéma – quelques « succès » et de nombreux « échecs » – correspond à la distribution de Zipf. Il s’agit d’un concept similaire au Principe de Pareto, qui stipule qu’environ 80 % des effets proviennent de 20 % des causes. L’asymétrie décrite ici est, en fait, le principe moteur derrière les systèmes de gestion des stocks tels que ABC et ABC-XYZ. Cependant, il existe quelques différences clés entre la distribution de Pareto et celle de Zipf qui méritent d’être explorées.

  • Distribution de Pareto : Imaginez une entreprise de vente en ligne avec un catalogue étendu. La division Supply Chain pourrait découvrir que 80 % des revenus de l’entreprise sont générés par seulement 20 % de son offre, ce qui suggère que les ressources devraient être mieux orientées vers le maintien des niveaux de stock de ces articles populaires. Bien que cela puisse constituer une directive générale utile, cela manque de la précision nécessaire pour analyser correctement les données de ventes (au-delà du simple fait d’identifier quels SKU ont généré le plus de revenus).

  • Distribution de Zipf : Si la même division Supply Chain utilisait une distribution de Zipf, une couche supplémentaire intéressante de granularité serait ajoutée à l’analyse. En examinant toutes les ventes et leurs fréquences, l’équipe pourrait discerner des schémas que la distribution de Pareto ne révèle pas. Par exemple, ils pourraient découvrir que, bien que l’électronique et les appareils électroménagers soient effectivement les plus performants, il existe également d’autres catégories de produits, telles que les livres ou les vêtements, qui, mises ensemble, contribuent de manière substantielle aux ventes totales – tout en n’apportant pas, à elles seules, des marges significatives. Une distribution de Zipf révélerait également des relations potentielles intéressantes au sein du catalogue qui pourraient valoir la peine d’être explorées, comme pourquoi le troisième produit le plus populaire contribue approximativement à un tiers des revenus du produit le plus populaire, malgré le fait d’être interchangeable et de recevoir des niveaux de publicité comparables.

La tyrannie du petit nombre

Une distribution zipfienne est peut-être la plus évidente lorsqu’il s’agit de quantifier des problèmes explicites de Supply Chain, en particulier dans des situations où un impact négatif disproportionné est imputable à seulement quelques causes.

Considérons l’impact négatif pour une entreprise B2B de perdre son principal fournisseur, en particulier si ce fournisseur contribue deux fois plus que le deuxième fournisseur en importance. De même, perdre les deux plus gros clients entraînerait une chute extraordinaire du chiffre d’affaires, étant donné que le troisième client en importance achète environ un tiers de celui du plus gros.

Il est important de noter que, si les problèmes de Supply Chain étaient distribués normalement, ils seraient plus prévisibles et des stratégies d’atténuation standard seraient suffisantes. Cependant, le fait qu’un petit nombre de problèmes significatifs (comme décrit ici) puisse causer la majorité des perturbations signifie que les praticiens doivent concentrer leurs ressources sur l’identification et la mitigation de ces enjeux à fort impact. Cela nécessite une approche plus stratégique, proactive et globale de la Supply Chain.

Principes d’Optimisation

Après avoir contourné le terrain truffé de biais de l’observation humaine, se lancer dans l’étape d’optimisation de la Supply Chain de ce parcours est tout aussi semé d’embûches. Les initiatives d’optimisation de la Supply Chain sont souvent truffées de bugs, pas seulement en termes de logiciel (pensez aux ERP) mais aussi de wetware (pensez à la sagesse héritée).

Les problèmes logiciels, tels que les Heisenbugs, sont généralement résolus par des applications itératives du programme. Les bugs de wetware, en revanche, ont la particularité déconcertante d’être en grande partie codés en dur, nécessitant ainsi des efforts supplémentaires de déprogrammation.

La sagesse latente dans les Supply Chain âgées

Les Supply Chain qui ont perduré pendant quelques décennies ont accumulé, au minimum, un niveau de base de sagesse. Il est, en apparence, difficile d’imaginer une entreprise qui fonctionne depuis 20 ans ou plus et qui n’ait pas au moins accidentellement découvert quelques stratégies utiles ou règles empiriques. Ainsi, les pratiques existantes et les normes opérationnelles incarnent une forme de quasi-optimalité, dans la mesure où elles peuvent propulser l’entreprise dans la bonne direction (rentabilité nette globale), mais avec des imperfections notables3.

À l’image d’une rivière qui se fraie un chemin à travers une chaîne de montagnes, une telle sagesse tend à s’attacher à une seule force motrice. De la même manière que la gravité attire une rivière à travers les sédiments, les Supply Chain âgées sont souvent entraînées à la poursuite d’un seul KPI, tel que l’augmentation du taux de service ou la réduction du stock mort. Bien que ces objectifs puissent sembler sensés, ils réduisent implicitement la Supply Chain à un ensemble discret d’éléments déconnectés pouvant être ajustés isolément.

Cela résulte essentiellement en une mentalité booléenne où l’optimisation de la Supply Chain s’exprime en des termes naïvement binaires. Considérez ce qui suit :

  • Si le taux de service s’améliore, la Supply Chain doit avoir été améliorée. Cela, naturellement, ignore le fait qu’une augmentation du taux de service nécessite généralement une augmentation globale des niveaux de stock (en supposant une optimisation de la Supply Chain non quantitative). L’augmentation des niveaux de stock entraîne, à son tour, une augmentation du stock mort, ce qui se traduit par une réduction de la rentabilité nette.

  • Si les niveaux de stock mort diminuent, la Supply Chain doit avoir été améliorée. De même, cette vision bornée de l’optimisation ignore l’impact que la réduction des niveaux de stocks aura probablement sur les cibles de service et de satisfaction client, influençant ainsi négativement les achats (et souvent la fidélité client).

Les Supply Chain âgées de ce type possèdent une quasi-optimalité unidirectionnelle qui, comme un peu de savoir, peut être extrêmement dangereuse. Le fait que les Supply Chain se dirigent par défaut vers un quasi-succès est probablement ce qui leur permet de perdurer et d’ossifier des pratiques suboptimales.

Une amélioration grandiose et unidirectionnelle dans les Supply Chain âgées tend à être intimement liée à l’échec, non pas par manque d’effort sincère, mais plutôt par un manque de considération pour l’immense complexité systémique et imbriquée inhérente aux Supply Chain modernes.

Le leurre de l’optimisation locale

Il est fondamental, pour optimiser un système aussi tentaculaire et interdépendant que la Supply Chain, de comprendre que l’optimisation locale ne résout pas les problèmes, elle les déplace simplement. Comme illustré dans la section précédente, optimiser un problème local de la Supply Chain (c’est-à-dire isolé) perturbe généralement l’équilibre et produit un effet secondaire indésirable ailleurs dans la Supply Chain.

Tout comme l’installation d’un disque SSD dans un ordinateur de 30 ans n’améliore pas la mémoire globale (ou la performance)4 du système, l’optimisation d’un réseau de Supply Chain (ou d’un système de Supply Chain) est un processus de bout en bout, à l’échelle du système.

Ce concept est manifestement évident dans l’industrie du retail. Dans un réseau de vente au détail composé de plusieurs magasins, l’intuition pourrait être d’optimiser les niveaux de stock dans chaque magasin (voire même manuellement). On pourrait même allouer préférentiellement des ressources au magasin le plus performant du réseau.

Cependant, une telle approche ne tient pas compte du réseau plus large de centres de distribution desservant ces magasins, ainsi que des conséquences en aval d’une politique qui alloue des stocks sans considérer l’impact sur les autres magasins. Se concentrer de manière étroite sur un seul magasin pourrait améliorer ses performances, mais nuire à celles des autres.

Elle passe également à côté de la préoccupation centrale d’une mission d’allocation des stocks en retail, à savoir l’identification de l’endroit où une unité/SKU est le plus nécessaire pour optimiser la performance globale du système.

Ainsi, optimiser l’allocation des stocks en retail est un problème qui n’a de sens qu’au niveau du système, soulignant l’importance d’une perspective holistique et globale5.

Redéfinir les problèmes pour des résultats supérieurs

L’éducation classique (et les arguments des fournisseurs) présente les problèmes comme étant le mieux résolus par une solution supérieure. À première vue, cela semble tout à fait raisonnable, puisque la distance la plus courte entre deux points est effectivement une ligne droite. Cependant, cette approche linéaire, bien que séduisante, tend à simplifier à l’excès les problèmes et, fondamentalement, suppose que l’on devrait essayer de relier ces deux points dès le départ.

Compte tenu des divers coûts engendrés par la tentative d’optimiser une Supply Chain, ce n’est pas une observation philosophique triviale. En théorie comme en pratique, une meilleure compréhension de ses problèmes l’emporte (à long terme) sur une excellente solution à un problème mal compris (à court terme).

Un cas d’école est le problème de la prévision de la demande. Les fournisseurs de supply chain et les universitaires pourraient proposer un outil avancé de prévision des séries temporelles séries temporelles comme solution idéale pour quantifier la demande (et ainsi fixer les niveaux de stocks). En apparence, cela semble intuitif : si une entreprise ne peut pas prédire la demande avec précision, alors un meilleur logiciel de prévision de la demande est approprié, et les deux points éloignés sont reliés par une ligne droite (en quelque sorte)6.

C’est une mentalité excessivement linéaire et fort probablement orthogonale au problème de supply chain qui intéresse : la découverte de ce qui cause réellement la difficulté de la prévision de la demande. Il est tout à fait concevable que d’autres problèmes sous-jacents, tels que des inefficacités logistiques, des fournisseurs peu fiables ou des politiques d’allocation des stocks au détail défectueuses, puissent être les forces du changement.

Redéfinir ses problèmes, plutôt que de foncer tête baissée dans un feu rouge de la supply chain, peut orienter correctement les optimisations de la supply chain et rediriger la capacité (et les ressources) des solutions rapides à court terme.

Notes


  1. La taille est un exemple classique d’une distribution normale (ou gaussienne). Ceci s’explique par le fait que la taille est influencée par de nombreux facteurs génétiques et environnementaux indépendants, créant une courbe en cloche symétrique autour d’une valeur moyenne. Selon le théorème central limite, la somme de nombreuses variables aléatoires indépendantes et identiquement distribuées tend à former une distribution normale. Cela se traduit par le regroupement de la plupart des individus autour de la taille moyenne, avec moins d’individus aux extrêmes (très petit ou très grand), donnant ainsi une courbe en cloche typique. ↩︎

  2. Contrairement à l’exemple précédent de la taille (un phénomène influencé par une multitude de forces génétiques et épigénétiques indépendantes), une distribution de Zipf s’applique aux données classées (comme les populations de villes ou la fréquence des mots), où le rang et la fréquence sont inversement proportionnels. Comme la taille n’est pas une mesure comparative ou classée, elle ne suit pas une distribution de Zipf. Par exemple, lors d’une réunion typique, la personne la plus grande dans une pièce n’est pas deux fois la taille du deuxième plus grand, ni d’un ordre de grandeur plus grande que la dixième. ↩︎

  3. Contrairement aux apparences, la théorie quantitative de la supply chain ne discrédite ni ne minimise la valeur de la sagesse humaine. En fait, une telle philosophie est totalement agnostique quant à la possibilité d’un visionnaire capable, à l’instar de Warren Buffett, de prévoir la demande des consommateurs avec une précision préternaturelle. Même si de tels cas particuliers étaient monnaie courante, ils ne diminueraient pas les critiques principales de cette approche : en effet, l’intuition ne se généralise pas, et il n’est - dans toute probabilité - pas la meilleure application de l’esprit plutôt que du ventre. Compte tenu de ces limites, et du fait que ces personnes sont l’équivalent supply chain de prométhium, il s’agit d’une affaire purement académique lorsqu’il est question d’optimiser des réseaux de supply chain à grande échelle et répartis géographiquement. ↩︎

  4. Un ordinateur de 30 ans a très certainement un matériel et un système d’exploitation incompatibles avec les SSD modernes. Même s’il acceptait d’une manière ou d’une autre le SSD, le CPU, la RAM et les vitesses de bus obsolètes limiteraient sévèrement les améliorations de performance. De plus, le système d’exploitation pourrait ne pas supporter des fonctionnalités des SSD telles que TRIM, entraînant une durée de vie réduite du SSD. Les incompatibilités logicielles et matérielles pourraient causer d’autres problèmes, tels qu’un dysfonctionnement, une corruption de données ou une non-fonctionnalité complète. En somme, n’essayez pas cela à la maison. ↩︎

  5. Il est essentiel de noter que ce principe s’applique non seulement dans un sens strictement géographique, mais également logiquement à travers la supply chain elle-même. Un bon exemple ici est le cycle de vie des appareils électroniques. Les dispositifs - tels que les smartphones - tendent à exister à divers intervalles le long d’un cycle en quatre étapes : introduction, croissance, maturité et déclin. Tenter d’optimiser une seule phase en isolation serait préjudiciable au cycle de vie global du produit, comme essayer d’optimiser la phase de maturité (où les ventes de l’appareil se stabilisent) sans prendre en compte les effets en aval sur la phase de déclin (où toute erreur de gestion de stocks antérieure dans le cycle de vie se fera le plus ressentir). ↩︎

  6. Ce concept est démontré, de manière littérale, dans la conférence en prenant l’exemple de l’optimisation d’itinéraire. Certes, dans ce contexte, Vermorel utilise l’optimisation d’itinéraire comme exemple de schémas dans la supply chain, mais elle fonctionne tout aussi bien comme métaphore pour redéfinir les problèmes. En bref, l’optimisation d’itinéraire ne se limite pas à un seul itinéraire, mais représente plutôt une compréhension globale de chaque itinéraire et pourquoi ces itinéraires sont difficiles à optimiser. Par exemple, pourquoi certains points chauds de livraison se déplacent-ils au cours de l’année ? Pourquoi observe-t-on une saisonnalité aux heures de pointe du trafic à Paris ? En posant de meilleures questions, on peut identifier les véritables problèmes d’intérêt avant d’essayer de les résoudre. ↩︎