Data Science pour la prévision de la Supply Chain (avec Nicolas Vandeput)

00:00:09 Introduction et parcours de Nicolas Vandeput.
00:01:21 Le livre de Nicolas : Data Science pour la prévision de la Supply Chain.
00:03:29 Progrès dans les outils statistiques open source.
00:05:36 Facilité d’expérimentation avec les outils de prévision modernes.
00:06:17 Impact généralisé des logiciels open source dans l’industrie.
00:08:03 Utilisation de Python et R pour la science des données.
00:10:35 Impact des outils open source sur les fournisseurs.
00:13:22 Rôle des fournisseurs dans les solutions de prévision.
00:14:26 Application de la théorie dans les environnements de production.
00:15:38 Passage à la production : défis liés aux données.
00:16:29 Gestion des problèmes de données de la supply chain.
00:18:05 Consolidation des données pour de meilleures décisions.
00:19:56 Besoin d’une culture des données dans la supply chain.
00:22:14 Éducation pour une meilleure gestion de la supply chain.
00:24:01 Règle d’optimisation et importance de la mesure.
00:24:15 Inconvénients de l’open source dans la supply chain.
00:25:37 Rôle futur de Lokad et valeur des spécialistes.
00:28:34 Évolution des défis de Python et de l’open source.
00:31:37 Encourager des débuts simples en science des données.

Résumé

Nicolas Vandeput et Joannes Vermorel discutent du rôle transformateur de la science des données dans la prévision de la supply chain. Vermorel souligne l’accent mis par Lokad sur la fourniture d’une superposition analytique pour la prise de décision en matière de supply chain, tout en abordant les défis des outils open source en constante évolution. Vandeput assure que son livre simplifie les complexités de la science des données et de l’apprentissage automatique pour la prévision de la supply chain, encourageant les lecteurs à commencer par des modèles de base et à ajouter progressivement de la complexité. Les deux conviennent de l’importance de l’apprentissage continu et de l’adaptation dans ce domaine en constante évolution. Vandeput espère que son livre permettra aux lecteurs d’appliquer en toute confiance la science des données dans leurs opérations de supply chain, annonçant une nouvelle ère de prise de décision quantitative et axée sur les données.

Résumé étendu

Dans l’interview, Kieran Chandler, l’animateur, présente Nicolas Vandeput, un scientifique de la supply chain avec un vif intérêt pour l’éducation, et Joannes Vermorel, le fondateur de Lokad. La discussion tourne principalement autour du livre récemment publié de Vandeput, “Data Science for Supply Chain Forecast”.

Vandeput commence par mettre en avant sa passion pour l’apprentissage et l’enseignement, qui l’a conduit à écrire son livre. Il exprime sa fascination pour le domaine émergent de la science des données et ses applications potentielles à la gestion de la supply chain, qu’il identifie comme un domaine unique et complexe de l’entreprise qui peut grandement bénéficier des techniques modernes basées sur les données. Il explique que son livre encapsule ces idées, en mettant l’accent sur la façon dont la science des données peut être utilisée pour améliorer la prévision dans le secteur de la supply chain.

Vandeput explique que, traditionnellement, la prévision de la supply chain était principalement basée sur ce qu’il appelle des méthodes statistiques “à l’ancienne”. Cependant, avec l’avènement et la progression de la science des données, de nouvelles façons de traiter et d’interpréter les données ont émergé. Son livre vise à préparer les professionnels à cette nouvelle ère, en les aidant à tirer parti de la science des données pour améliorer leurs prévisions de la supply chain.

Vermorel ajoute son point de vue, soulignant qu’il a trouvé le livre de Vandeput très précieux, en particulier pour les responsables de la supply chain qui n’ont pas encore exploité la science des données. Il suggère que les responsables devraient se familiariser avec le livre et encourager leurs équipes à en faire de même.

Vermorel approfondit la discussion en notant les avancées significatives des outils statistiques open source au cours de la dernière décennie. Il se souvient qu’il y a une dizaine d’années, de tels outils, bien qu’ils soient facilement disponibles, étaient principalement conçus pour les chercheurs et n’étaient pas adaptés à une utilisation en production en raison de leur complexité et du manque de documentation conviviale.

Cependant, il note qu’avec l’essor de la science des données au cours des cinq à dix dernières années, une transformation s’est produite. De nombreux professeurs d’université ont commencé à prêter attention à l’utilisabilité de ces packages statistiques, en veillant à ce qu’ils soient accessibles à leurs étudiants. Cela a conduit à une amélioration de la qualité de la documentation, à une cohérence des termes utilisés dans différents packages et à une focalisation sur des techniques courantes et largement applicables.

Vermorel conclut en reconnaissant les efforts de la communauté open source, avec l’aide du monde universitaire, pour produire une gamme de packages statistiques de haute qualité, accessibles et conviviaux, désormais disponibles pour les professionnels de diverses industries, y compris la gestion de la supply chain. Cela souligne l’importance croissante de la science des données dans les pratiques commerciales contemporaines.

Vandeput note que le livre permet à quiconque possédant un ordinateur portable et des logiciels gratuits de commencer à générer des prévisions sophistiquées. La disponibilité des outils open source permet aux utilisateurs d’expérimenter et d’affiner leurs modèles de prévision en fonction de leurs besoins spécifiques, ce qui aurait été beaucoup plus difficile par le passé.

La conversation s’est ensuite tournée vers l’impact plus large des logiciels open source. Vermorel a souligné que presque tous les logiciels modernes sont influencés par la programmation open source, les fournisseurs de cloud computing s’appuyant fortement sur des plateformes open source comme Linux. Lokad lui-même, a-t-il révélé, utilise 90% de logiciels open source dans ses opérations. L’aspect révolutionnaire des logiciels open source modernes réside non seulement dans leur accessibilité, mais aussi dans la qualité de leur emballage et de leur documentation.

Vandeput a souligné qu’il est maintenant plus facile de programmer en Python ou en R que dans des frameworks plus anciens comme VBA ou les macros Excel. Cet accès facile et cette facilité d’utilisation, a-t-il déclaré, sont des messages centraux de son livre. Interrogé sur le fait de savoir si ce passage aux logiciels open source le rendait nerveux, Vermorel a répondu que, bien qu’il représente un défi pour les fournisseurs de démontrer leur valeur, il agit également comme un facilitateur.

Vermorel a noté que si la seule valeur d’un fournisseur est la mise en œuvre d’un modèle de prévision semi-compliqué, il aurait du mal à rivaliser avec l’écosystème open source. La véritable valeur ajoutée, a-t-il suggéré, réside dans la fourniture de solutions à grande échelle et de qualité industrielle pour les défis de la supply chain, qui impliquent bien plus que de simples prévisions précises.

Kieran Chandler, l’animateur, pose ensuite une question à Joannes Vermorel sur la transition vers une base de production et les défis qui pourraient en découler. Vermorel commence par souligner l’importance des données de qualité, suggérant que sans elles, tout processus axé sur les données peut donner des résultats médiocres. Cette préoccupation de la qualité des données s’étend à des domaines souvent négligés dans les chaînes d’approvisionnement, tels que les données sur les promotions et les ruptures de stock. Il soutient que la compréhension des modèles qui exploitent ces données peut aider les professionnels de la supply chain à être plus conscients de ces domaines négligés.

Cependant, Vermorel reconnaît également que l’objectif principal d’une supply chain n’est pas de compiler une base de données historiques précise ; il s’agit d’un objectif secondaire. Lokad aide les clients à accélérer la transition vers la consolidation de données de qualité, potentiellement sur plusieurs sites et systèmes. Comprendre comment ces données peuvent être exploitées est important. De plus, Lokad aide à transformer ces prévisions en décisions de supply chain, étendant ainsi l’utilité des prévisions à l’action.

La conversation se tourne ensuite vers le manque de culture des données et de compréhension de l’apprentissage automatique dans le secteur de la supply chain. Vandeput suggère que cela constitue un obstacle majeur pour de nombreuses entreprises. Souvent, les projets de supply chain sont retardés en raison d’un manque de données ou d’une mauvaise compréhension de ce que l’apprentissage automatique peut accomplir. Cela conduit à une discussion sur la nécessité de changer cette culture et d’accorder plus d’importance à l’obtention de données correctes.

Vermorel suggère que l’éducation est une voie à suivre, en soulignant les efforts de lui-même et de Vandeput pour évangéliser le marché grâce à leurs livres respectifs et à d’autres supports publiés. Il espère voir une nouvelle vague de praticiens de la supply chain aborder le domaine avec une mentalité quantitative et d’ingénierie.

Joannes Vermorel met en avant la vision de l’entreprise qui consiste à fournir une superposition analytique à la prise de décision en matière de supply chain, plutôt que de servir de référentiel pour les ERP ou les mouvements de stocks. Il aborde également les risques de l’écosystème Python en constante évolution, notamment le défi de maintenir des outils de pointe. Nicolas Vandeput, quant à lui, assure que la science des données et l’apprentissage automatique dans la prévision de la supply chain ne sont pas excessivement complexes. Son livre vise à guider les lecteurs pour commencer avec des modèles simples et ajouter progressivement de la complexité. Les deux intervenants soulignent la nécessité d’un apprentissage et d’une adaptation continus, Vandeput exprimant l’espoir que les lecteurs gagneront en confiance dans leur capacité à appliquer la science des données dans des contextes de supply chain.

Transcription complète

Kieran Chandler: Bonjour, cette semaine sur Lokad TV, nous sommes accompagnés de Nicolas Vandeput, un scientifique de la supply chain spécialisé dans la prévision de la demande. En plus d’avoir une solide expérience technique dans la gestion d’une supply chain multinationale, Nicolas s’intéresse vivement à l’éducation. Il a passé du temps à donner des cours à l’Université de Bruxelles et vient de publier son livre intitulé “Data Science for Supply Chain Forecasts”. Donc, Nicolas, merci beaucoup d’être venu aujourd’hui. Comme toujours, c’est vraiment agréable de faire connaissance avec nos invités. Peut-être pourriez-vous commencer par vous présenter et nous expliquer comment vous êtes entré dans le monde des supply chains.

Nicolas Vandeput: Oui, comme vous l’avez dit, je suis quelqu’un de très intéressé par l’éducation et l’apprentissage. J’aime passer mon temps à lire des livres, des articles et à consulter des blogs en ligne. J’ai eu l’occasion d’apprendre beaucoup de choses et maintenant je suis extrêmement heureux de pouvoir appliquer ces connaissances. À un moment donné, j’ai ressenti le besoin de partager ce que j’avais appris, alors j’ai écrit un livre pour résumer ce nouveau domaine de la science des données. Je pense que c’est quelque chose de vraiment nouveau et c’est aussi unique d’appliquer cela à la supply chain, qui est un sujet spécifique. Les gens utilisent la science des données pour le marketing en ligne, mais la supply chain est un sujet différent, donc j’ai pris le temps de les réunir.

Kieran Chandler: D’accord, donc le livre s’appelle “Data Science for Supply Chain Forecasts”. C’est un peu long, mais de quoi parle-t-il exactement ?

Nicolas Vandeput: C’est exactement ce que le titre dit : il s’agit de la supply chain et de la manière d’appliquer la science des données pour obtenir des prévisions dans la supply chain. Dans le passé, les gens utilisaient ce que j’aime appeler les “statistiques à l’ancienne”, ce qui posait de nombreuses questions différentes. Maintenant que nous sommes entrés dans un nouveau monde de la science des données, certaines questions persistent, mais de nouvelles se posent également. Nous devons trouver de nouvelles façons de traiter les données, et ce livre vise à préparer les gens à cette nouvelle ère.

Kieran Chandler: Comme toujours, nous sommes accompagnés de Joannes Vermorel, le fondateur de Lokad. Joannes, vous avez eu un aperçu du livre. Quel est votre point de vue à ce sujet ?

Joannes Vermorel: Oui, j’ai eu un aperçu et j’ai eu la chance de revoir le manuscrit. C’est très bien. Je recommande aux responsables de la supply chain qui n’ont pas de spécialiste en science des données dans leur équipe de se procurer une copie et de lire au moins les premiers chapitres. Ensuite, faites lire les autres chapitres par d’autres personnes de votre équipe et peut-être agissez en conséquence. Ce qui est très intéressant, c’est le fantastique progrès des outils statistiques open source. Il y a encore 10 ans, ils étaient principalement utilisés par les chercheurs pour démontrer des choses à d’autres chercheurs. Le code était là, mais c’était désordonné, de qualité de recherche, pas de qualité de production, et la documentation était souvent inexistante.

Ce qui a vraiment changé au cours des cinq à dix dernières années, c’est qu’avec l’émergence de la science des données, de nombreux professeurs d’université ont commencé à prêter attention à la qualité des packages statistiques. Ils ont cherché à les rendre accessibles à leurs étudiants, en veillant à une documentation impeccable, à une terminologie cohérente entre les packages et en se concentrant sur les méthodes courantes qui fonctionnent dans une grande variété de situations. La communauté open source, avec l’aide des universitaires, a produit une série de packages open source qui étaient axés sur les besoins des utilisateurs.

Kieran Chandler: Joannes, pouvez-vous nous en dire plus sur le nouveau livre de Nicolas, “Data Science for Supply Chain Forecast” ?

Joannes Vermorel: Dans ce livre, Nicolas utilise les bons côtés de Python et les packages les plus pertinents pour démontrer comment vous pouvez obtenir des prévisions proches de l’état de l’art avec un effort minimal, ce qui est très impressionnant.

Kieran Chandler: Nicolas, qu’est-ce qui a changé dans la communauté open source qui a amélioré la qualité de ce qui était disponible ?

Nicolas Vandeput: Je pense que c’est une question de facilité de création d’une prévision. Il y a dix ans, cela aurait été un désordre et ce livre n’aurait pas été possible. Il aurait été destiné à des professionnels extrêmement motivés. Mais aujourd’hui, n’importe quel professionnel avec un peu de curiosité et de passion peut le faire. C’est plutôt facile ; vous avez juste besoin de votre propre ordinateur portable avec un logiciel gratuit, et vous pouvez commencer avec un langage vraiment facile. Il y a quelques années, cela n’aurait pas été possible. Cela aurait été plus complexe. Donc maintenant, vous avez la possibilité de tester facilement quelque chose par vous-même gratuitement, et à partir de là, vous avez la possibilité d’expérimenter. Comme il est facile d’expérimenter, vous pouvez faire plus d’expériences, puis affiner la prévision, le code et la science des données spécifiquement pour votre cas. Dans le passé, cela n’aurait pas été possible.

Kieran Chandler: Joannes, ce ne sont pas seulement les prévisions qui bénéficient des logiciels open source. Avez-vous des exemples d’autres industries qui ont vraiment bénéficié de la disponibilité de kits d’outils open source ?

Joannes Vermorel: Le mouvement open source est incroyablement vaste, donc pratiquement tout le monde dans le monde du logiciel est aujourd’hui affecté par l’open source. Tous les principaux fournisseurs de cloud computing utilisent leurs propres clouds basés sur Linux, et même chez Lokad, 90% des logiciels que nous utilisons sont open source. Même Microsoft, que nous utilisons d’ailleurs, utilise beaucoup de Linux sur Azure. Le framework .NET lui-même est open source, et la boîte à outils d’apprentissage profond que nous utilisons, le CNTK, est également un produit open source de Microsoft. Chez Lokad, nous publions également plusieurs éléments en open source. Ce mouvement est en marche depuis plusieurs décennies.

Ce qui est intéressant, et pertinent pour les prévisions et la supply chain, ce n’est pas seulement le fait que le logiciel soit open source, mais que vous disposez de composants open source bien emballés et bien documentés. Cela change complètement la donne. Cela signifie la différence entre commencer avec quelque chose de simple, comme une régression linéaire, en 20 lignes de code simples, par rapport à avoir besoin de 200 lignes de code et un mois pour rassembler tous vos morceaux de logiciel juste pour avoir quelque chose qui puisse même être compilé. Vous aviez autrefois du code incompatible qui plantait lorsqu’il était combiné, et vous aviez besoin d’un mois de plomberie juste pour faire fonctionner quelque chose publié par quelqu’un d’autre. Maintenant, configurer votre environnement Python complet pour la science des données ne prend que quelques pages dans le livre. Vous installez simplement Anaconda, et c’est tout.

Kieran Chandler: Joannes, pourriez-vous nous parler du sous-système Linux sur Windows et de son impact sur la facilité d’accès à ces outils ?

Joannes Vermorel: Le sous-système Linux sur Windows permet à ces outils de fonctionner sur pratiquement n’importe quelle distribution Linux, et même sur les systèmes Windows. Le livre démontre la facilité d’accès à ces outils, qui a considérablement changé grâce à l’open source et aux packages de qualité professionnelle.

Nicolas Vandeput: J’aimerais ajouter que dans le livre, je parle de professionnels qui avaient l’habitude de compter sur VBA et les macros dans Excel. Cela me semblait toujours complexe et plein de bugs. Lorsque vous suggérez d’utiliser Python ou un autre langage, les gens pensent souvent que c’est trop complexe. Cependant, mon message dans le livre est que c’est en réalité beaucoup plus facile d’utiliser des frameworks open source comme Python ou R que VBA ou les macros Excel.

Kieran Chandler: Joannes, avec tous ces outils de prévision open source faciles à utiliser, cela vous rend-il nerveux en tant que fournisseur de logiciels d’entreprise comme Lokad ?

Joannes Vermorel: En tant que fournisseur de logiciels d’entreprise, cela fait partie de l’écosystème et est également un facilitateur. Nous utilisons également ces outils open source, donc nous n’avons pas à tout reconstruire. Le défi est de trouver notre valeur ajoutée. Si votre valeur ajoutée se limite à la mise en œuvre de modèles de prévision semi-complexes, alors vous n’apportez aucune valeur réelle par rapport à l’écosystème. Le livre met en évidence le fait que les fournisseurs qui vendent une boîte à outils avec quelques modèles de prévision ne fournissent pas beaucoup de valeur par rapport aux bibliothèques Python populaires. Cependant, il y a encore du potentiel dans la fourniture de solutions de qualité professionnelle et dans la gestion des défis de la supply chain à grande échelle, ce à quoi Lokad s’efforce de répondre.

Nicolas Vandeput: Je suis d’accord avec Joannes. De nombreux professionnels et étudiants dans le domaine de la supply chain considèrent encore l’apprentissage automatique comme un mot à la mode ou quelque chose qui ne durera pas. En réalité, il est là pour rester. Si vous lisez mon livre et prenez le temps de vous y intéresser, vous verrez à quel point il peut être utile et accessible pour l’optimisation de la supply chain.

Kieran Chandler: Donc, en lisant le livre, vous êtes beaucoup mieux préparé pour obtenir une solution comme Lokad qui peut aller encore plus loin. Comme vous l’avez dit, cela peut faire fonctionner toute la solution de bout en bout. Bien sûr, pour exécuter une prévision dans un environnement super-agent, vous avez également besoin d’un processus complet de révision avec des personnes, etc. Ainsi, la population des chiffres dans la prévision n’est qu’une étape dans l’ensemble du processus. Pouvez-vous parler de la façon dont les idées du livre peuvent être mises en œuvre?

Nicolas Vandeput: L’objectif du livre est simplement de discuter de cette étape spécifique. Ce n’est pas parce que vous avez lu le livre que vous devez le faire vous-même. Vous pouvez également vous tourner vers d’autres fournisseurs comme Lokad pour comprendre, “J’ai lu cela dans le livre, comment cela fonctionne-t-il pour vous? Comment pouvons-nous le mettre en œuvre? J’ai cette idée, cela fonctionnerait-il? Pouvons-nous le tester?” Ensuite, vous commencez à comprendre ce que les fournisseurs de logiciels comme Lokad font réellement.

Kieran Chandler: Beaucoup de ces idées ont été développées d’un point de vue théorique. Peuvent-elles être appliquées de manière productive?

Nicolas Vandeput: Oui, tout à fait. Ces nouvelles prévisions existent depuis longtemps. Je veux dire, la théorie des réseaux neuronaux a été publiée pour la première fois dans les années 60, et la première méthode du livre vient également des années 60. Nous commençons seulement à les utiliser aujourd’hui dans un environnement de prédiction car il est devenu plus facile de les exécuter. Il y a peut-être dix ans, ce n’était pas le cas, et les gens en sont maintenant plus conscients. Bien sûr, vous pouvez utiliser cela. Ce qui est vraiment intéressant avec la science des données, et c’est l’un des grands objectifs du livre, c’est que c’est vraiment une science. Vous pouvez le tester, faire des expériences et le tester encore et encore en utilisant des données. C’est pourquoi on l’appelle la science des données. Vous pouvez vous prouver à vous-même, “Est-ce que ça marche? Oui ou non?” Ça peut ne pas marcher, mais alors vous pouvez penser, “Je vais concevoir une nouvelle expérience, prendre de nouvelles choses en compte ou supprimer des choses dont je n’ai pas besoin pour voir si ça va marcher mieux.” Donc, c’est vraiment une science où vous pouvez prouver que votre prévision sera meilleure et ne commencer à l’utiliser qu’après cela.

Kieran Chandler: Donc, cela peut être utilisé comme une autre preuve de concept avant d’approcher quelqu’un comme Lokad et de dire, “Joannes, lorsque nous parlons de passer à une base de production et de l’utiliser quotidiennement, quels sont les défis auxquels les gens pourraient être confrontés? Et en quoi Lokad peut-il vraiment aider dans le cadre de ce processus complet?”

Joannes Vermorel: Tout d’abord, vous avez besoin de bonnes données. Si vous n’avez pas de données très qualifiées, vous vous retrouvez avec des données de mauvaise qualité. Ce qui est intéressant dans ce livre, c’est qu’il donnerait aux professionnels de la supply chain un aperçu de ce que les modèles font, des types de choses qu’ils peuvent exploiter, et cela leur donnerait une meilleure compréhension de pourquoi ils doivent commencer à prêter attention dès maintenant à toute une série de zones grises dans les supply chains, comme les promotions. Typiquement, les données sur les promotions sont un vrai désordre. Il en va de même pour les ruptures de stock. Souvent, il n’y a pas de données historiques appropriées pour refléter toutes les ruptures de stock, donc vous ne savez pas si vous avez eu zéro ventes parce qu’il n’y avait pas de demande ou si vous avez eu zéro ventes parce qu’il était en rupture de stock.

Donc, être plus familier avec le type de modèle qui peut exploiter les données peut vous rendre plus susceptible de voir si votre processus existant est adéquat. L’objectif principal d’une supply chain est de maintenir le flux des marchandises en mouvement.

Kieran Chandler: Donc, l’objectif principal d’une supply chain est de compiler une base de données historique précise. C’est le premier objectif. Le deuxième objectif est de servir tout le monde, de maintenir la production en cours et d’assurer la satisfaction des clients. Cependant, l’exécution du deuxième objectif n’est souvent pas aussi de haute qualité que le premier objectif. Pour accélérer cette transition et réaliser une consolidation des données à grande échelle avec plusieurs sites, nous devons élargir nos horizons. Joannes, pourriez-vous développer cela ?

Joannes Vermorel: Lorsque nous commençons à travailler avec des clients, nous rencontrons souvent le défi de la consolidation et de l’exécution des données. De nombreux clients ne sont pas conscients que des recettes numériques avancées peuvent être appliquées aux prévisions pour générer de meilleures décisions. La lecture du livre sur la science des données peut élargir vos horizons et vous fournir des informations sur la manière d’exécuter la supply chain de manière plus efficace. Cela vous aide à voir le tableau d’ensemble avant et après la prévision, de la production à l’exploitation des prévisions pour des décisions plus intelligentes.

Nicolas Vandeput: Les responsables de la supply chain manquent de deux éléments cruciaux pour tirer des enseignements exploitables de la science des données et de l’apprentissage automatique. Le premier est une culture des données, qui fait défaut dans environ 99% des entreprises dans le monde. De nombreuses entreprises luttent encore avec des feuilles de calcul désordonnées et ne réalisent pas l’importance des données appropriées. Ce livre vise à montrer qu’avec des données appropriées, vous pouvez obtenir une science appropriée, des prévisions précises et des expériences efficaces. Sans données, de nombreux projets sont retardés, et les journalistes peuvent le confirmer. Le deuxième élément est le manque de talent et de compréhension de l’apprentissage automatique et de la science des données dans la gestion de la supply chain. Nous devons changer cette culture et sensibiliser à la valeur des données.

Kieran Chandler: Absolument, avoir les bonnes données est crucial. Cela devrait être comme un commandement, “Nettoyez vos données.” Mais comment pouvons-nous provoquer ce changement de culture ? Comment pouvons-nous évangéliser le marché et souligner l’importance d’avoir les bonnes données ?

Joannes Vermorel: Eh bien, pour plaisanter, nous pourrions créer une secte où de meilleures données sont obligatoires, comme un commandement sacré. Mais sur une note sérieuse, je pense que nous devons favoriser la compréhension et la sensibilisation. Nous pouvons éduquer le marché et accorder plus d’importance à la valeur des données propres et précises. Ce faisant, nous pouvons provoquer un changement de culture et faire en sorte que l’obtention des bonnes données devienne une priorité absolue pour la gestion de la supply chain.

Kieran Chandler: Lorsque vous n’avez pas conscience de ce qui peut être fait avec le deep learning et que vous n’avez aucune expérience avec celui-ci, il est très difficile de voir l’intérêt, n’est-ce pas ?

Joannes Vermorel: En effet, c’est un défi. Je pense qu’un bon point de départ est de se plonger dans le traitement des données et de ne pas être complètement submergé par la technicité pure de la tâche. Il ne devrait pas falloir une équipe informatique juste pour configurer les environnements. Il est très important de comprendre ce qui fait fonctionner ces méthodes, ce qui les rend efficaces. Ce n’est pas de la magie.

Démystifier cela est important. Chez Lokad, nous avons essayé d’évangéliser le marché. L’éducation est une voie à suivre. Nicolas publie un livre, ce qui est excellent. Nous avons également publié un livre et plusieurs autres choses, y compris une base de connaissances étendue sur le site web de Lokad. Mais oui, l’essentiel est l’éducation.

Ce que je constate, c’est l’émergence d’une nouvelle vague de praticiens de la supply chain qui abordent le domaine avec une mentalité plus axée sur l’ingénierie, plus quantitative. Vous voulez avoir des chiffres et des choses qui peuvent être répétées. Le leadership est essentiel dans la supply chain, car cela implique de nombreuses personnes, pays et sites. Mais si vous avez un leadership sans aucune mentalité d’ingénierie ou de quantification, il est difficile d’optimiser quoi que ce soit. Dès que vous commencez à utiliser le mot “optimiser”, la règle cardinale de l’optimisation est que vous ne pouvez pas optimiser quelque chose que vous ne mesurez pas. Cela soulève la question : comment mesurez-vous ? Et ensuite, vous avez besoin de données.

Kieran Chandler: Nicolas, nous avons beaucoup parlé des avantages de l’utilisation de ces outils open source. Quels sont les inconvénients ? Où voyez-vous des aspects négatifs dans l’utilisation de ces outils ?

Nicolas Vandeput: Comme nous l’avons discuté, et je pense que c’est vraiment important, le monde de la supply chain repose sur de nombreuses interactions entre les produits, les personnes, les différentes équipes, etc. Le processus de prévision est un processus très long avec de nombreux acteurs impliqués. Mon livre dit que ces dernières décennies, nous avons utilisé les mêmes techniques. Si vous regardez les années 80 et 90, vous trouverez le même moteur de prévision qu’aujourd’hui. Rien n’a changé.

Je suggère que nous pouvons changer cette partie très spécifique, mais bien sûr, ce n’est pas suffisant. Tout le processus doit vivre et évoluer. Utiliser simplement Python ne résoudra pas un processus qui ne fonctionne pas. Cela améliorera simplement les chiffres de la prévision, mais vous devez toujours examiner l’ensemble du processus.

Kieran Chandler: Joannes, vous semblez très confiant qu’il y aura toujours une place pour Lokad. En regardant vers l’avenir, où voyez-vous cette place sur le marché ?

Joannes Vermorel: Tout d’abord, je crois que même en parlant de prévisions pures, nous avons encore des cartes à jouer pour obtenir de meilleures prévisions. Mais “meilleur” est plus difficile que jamais. C’est une chose de dire que vous avez une meilleure prévision en termes d’erreur absolue moyenne, mais dès que vous entrez dans le monde probabiliste, c’est un autre jeu.

Si vous commencez à dire : “Je veux prévoir la demande, mais pas demain, mais sur un horizon probabiliste qui est quand mon conteneur arrivera”, alors cela devient une demande qui commence à un point incertain dans le futur et se termine à un autre point incertain. Les choses peuvent devenir très compliquées avec plus de dimensions. Ensuite, si vous commencez à inclure des facteurs tels que la probabilité que mon concurrent baisse ses prix, ce qui aurait un impact très spécifique sur la forme de la demande, vous voyez que la précision de la prévision n’est pas une chose unidimensionnelle. Elle a toute cette complexité à prendre en compte.

Kieran Chandler: Soudain, vos modèles deviennent complexes, même si vous avez de très beaux outils open source. Assembler toutes ces choses de manière exempte de bugs, adaptée à la production et évolutive, il y a encore beaucoup d’autres choses à faire.

Joannes Vermorel: Oui, si nous prenons l’angle de la prévision pure, je pense que c’est une approche. Mais, chez Lokad, notre vision est vraiment d’avoir une superposition analytique plus approfondie de bout en bout pour générer des décisions intelligentes pour une chaîne d’approvisionnement donnée. Nous ne gérons pas les systèmes de chaîne d’approvisionnement, nous ne sommes pas un ERP. Nous ne voulons pas être le référentiel de tous les mouvements de stocks. Nous avons une copie de ces données, mais nous sommes la superposition analytique intelligente.

C’est la vision. Et encore une fois, même si Lokad était entièrement construit à partir d’outils open source, il y a encore de la valeur à rassembler tout cela. Par exemple, les plateformes de cloud computing disponibles de nos jours sont un énorme mélange de choses open source, mais les gens aiment aller chez Amazon parce que vous pourriez le faire vous-même. Vous pourriez avoir votre propre cloud privé, mais cela demande tellement d’efforts pour rassembler toutes ces choses qu’à un moment donné, il y a de la valeur à ce que des spécialistes le fassent pour vous.

Un inconvénient que je vois dans cet écosystème de Python et d’open source en particulier, c’est qu’il évolue si rapidement. Si vous le faites vous-même, il y a un danger : vous choisissez une version de Python et une boîte à outils, puis deux ans plus tard, il y a quelque chose d’énormément amélioré. Soudain, vous étiez à la pointe de la technologie et maintenant vous ne l’êtes plus, simplement parce que le monde a continué à évoluer et qu’un laboratoire vient de produire une nouvelle boîte à outils.

Par exemple, Scikit était leader dans presque tout jusqu’à il y a quelques années, mais maintenant PyTorch remet complètement en question tout cela en apportant le deep learning et la programmation différentiable à l’image. Cela soulève donc une question : qui est responsable de revoir ce que vous avez mis en place il y a deux ans et de le mettre à jour avec la tendance du moment ? Un bon fournisseur se chargerait de s’assurer que votre solution de science des données est régulièrement réexaminée et probablement régulièrement réécrite pour rester à la pointe de la technologie.

Je ne sais pas combien de temps durera cet âge d’or des progrès en science des données, mais je ne serais pas surpris si, pendant une dizaine d’années environ, tous les deux ans, nous voyons des progrès fantastiques où la nouvelle tendance est tellement meilleure que la précédente. Il pourrait y avoir des catégories de problèmes qui semblent très difficiles à résoudre mais qui deviennent accessibles.

Nicolas Vandeput: Si je peux ajouter quelque chose, je pense que c’est vraiment intéressant que Joannes ait mentionné la complexité avec laquelle Lokad est capable de gérer. J’ai personnellement travaillé avec l’équipe de Lokad, donc je sais de quoi ils sont capables. L’un des messages de mon livre, et cela est vraiment important pour moi, est de dire aux gens qu’ils peuvent le faire.

Certaines personnes ont peut-être entendu ce que Joannes dit et pensent : “Wow, la science des données et l’apprentissage automatique semblent vraiment complexes, peut-être que ce n’est pas pour moi.” Je tiens vraiment à rassurer les gens en disant : “Non, ce n’est pas si complexe. Vous pouvez commencer avec un modèle simple.” Et en fait, comme le montre le livre, vous pouvez assez facilement commencer avec un modèle très simple qui est déjà extrêmement puissant en soi. Ensuite, à partir de là, vous pouvez ajouter des couches, peut-être ajuster un peu le système, les données, peut-être ajouter un autre modèle, et ainsi de suite.

Donc, vous pouvez vraiment commencer simplement avec quelque chose qui fonctionnera déjà très bien, et à partir de là, passer à des choses plus complexes. C’est vraiment le message que je veux transmettre dans le livre : vous pouvez commencer simplement et ensuite progresser vers des choses plus complexes.

Kieran Chandler: Pouvez-vous nous aider à comprendre comment déterminer si un modèle fonctionne ? Pouvons-nous le tester ? Pouvons-nous le reproduire ? Ces principes semblent s’appliquer aux modèles simples, mais une fois que vous les avez compris pour un modèle de base, pouvez-vous également les comprendre pour des modèles beaucoup plus complexes ?

Nicolas Vandeput: Absolument, je conseille vivement aux gens de commencer simplement. Une fois que vous maîtrisez les bases, vous pouvez ensuite passer à quelque chose de beaucoup plus complexe.

Kieran Chandler: Cela m’amène assez naturellement à ma dernière question. Quels sont vos espoirs pour les lecteurs de votre livre et pour l’utilisation des outils open source à l’avenir ?

Nicolas Vandeput: Ma vision, et en effet mon espoir, est que les gens liront ce livre et gagneront en confiance en leurs capacités. À la fin du livre, je veux qu’ils puissent se dire : “Oui, je peux vraiment le faire. Ça n’a pas l’air si complexe.” Peut-être qu’il y a deux semaines ils ne savaient pas coder, mais à la fin, je veux que cela leur paraisse très simple. Je veux que ces personnes commencent à expérimenter par elles-mêmes, à vivre réellement la science des données et à essayer de nouveaux modèles. J’espère qu’elles deviendront les nouveaux leaders de la gestion de la supply chain. C’est aussi l’un des messages de Lokad. Nous sommes déjà dans un monde quantitatif de la supply chain où vous pouvez expérimenter et mettre en œuvre des solutions qui fonctionnent de manière cohérente. Pour cela, vous avez besoin de la science des données. Donc, j’espère vraiment que le livre donnera aux gens les moyens de le faire par eux-mêmes.

Kieran Chandler: Nous devons conclure, mais merci pour votre temps aujourd’hui, Nicolas.

Nicolas Vandeput: Merci.

Kieran Chandler: Le livre, “Data Science for Supply Chain Forecast”, est maintenant disponible. Assurez-vous de le consulter sur Amazon. Ici, à Lokad TV, nous serons bientôt de retour avec un nouvel épisode. Mais d’ici là, merci de nous avoir regardés.

Joannes Vermorel: Merci.