00:00:04 Introduction et aperçu du problème de prévision de la supply chain.
00:01:28 Argument en faveur d’une erreur de prévision mesurée en dollars.
00:02:31 Préférence pour la mesure de l’erreur en pourcentage examinée.
00:04:15 Impact technologique sur l’amélioration de l’exactitude des prévisions.
00:05:49 Solutions pour améliorer l’exactitude des prévisions discutées.
00:08:01 Rôle des prévisions météorologiques dans les prévisions probabilistes.
00:09:33 Problèmes d’intégration des données météorologiques dans la supply chain.
00:11:29 Potentiel et défis de la prévision par intelligence humaine.
00:13:14 Optimiser le savoir-faire des experts pour réduire les erreurs de prévision.
00:14:24 Importance de la qualité des données et de leur amélioration.
00:16:00 Difficultés de prévision dans des industries imprévisibles comme la mode.
00:17:33 Prévisions statistiques dans la mode et défis liés aux nouveaux produits.
00:18:01 Proposition de méthode pour la prévision de nouveaux produits.
00:19:02 Réflexions finales.

Résumé

Joannes Vermorel, fondateur de Lokad, engage une discussion avec l’animateur Kieran Chandler au sujet des prévisions dans la supply chain. Vermorel dévoile avec humour les contradictions de l’industrie, révélant des revendications excessives de réduction d’erreur et plaidant pour un recentrage sur les erreurs en dollars plutôt que sur les pourcentages. Il observe que le machine learning a révolutionné la prévision, avec un accent mis sur des prédictions perspicaces plutôt que simplement précises. Le duo examine également les données météorologiques, les jugeant trop complexes et peu fiables pour des prévisions à long terme. Vermorel souligne l’importance de l’intelligence humaine mais suggère qu’elle n’est pas pratique à grande échelle, recommandant plutôt une amélioration de la qualité des données. Malgré les obstacles, Vermorel affirme que le modèle de Lokad prouve son efficacité en prévoyant avec précision même les lancements de nouveaux produits dans des industries volatiles comme la mode.

Résumé Étendu

Kieran Chandler, l’animateur, engage une conversation avec Joannes Vermorel, fondateur de Lokad, au sujet de l’exactitude des prévisions dans l’industrie de la supply chain. Une disparité notable est observée entre les praticiens qui se plaignent fréquemment de l’exactitude des prévisions et les vendeurs de logiciels qui revendiquent souvent des prévisions d’une très haute précision.

Vermorel identifie une anomalie dans l’industrie, notant que depuis au moins vingt ans, un vendeur de logiciels de premier plan prétend réduire l’erreur de prévision de 50 % chaque année lors de chaque grand salon de la supply chain. Suivant cette logique, Vermorel suggère avec humour que nous devrions théoriquement n’avoir aucune erreur de prévision aujourd’hui, ce qui contredit l’état actuel de l’industrie de la supply chain.

Il poursuit en affirmant que l’obsession de la réduction en pourcentage de l’erreur de prévision est trompeuse, et pourrait même être la mauvaise approche. Au contraire, insiste Vermorel, l’impact de l’erreur est plus important lorsqu’il est mesuré en termes de coût monétaire pour les entreprises. Celles-ci devraient se concentrer sur les “dollars d’erreur”, car les entreprises existent avant tout pour réaliser des profits, ce qui correspond mieux à cet objectif.

Abordant la focalisation persistante de l’industrie sur les pourcentages, Vermorel décrit cela comme une “addiction à l’erreur absolue moyenne en pourcentage”. Il explique que cette préférence s’explique par la simplicité des pourcentages, qui ne contraignent personne et n’impactent pas directement aucun budget. Exprimer les erreurs en dollars aurait davantage de sens car cela clarifie les enjeux et désigne clairement qui doit en être responsable. Dans les grandes entreprises de supply chain, où la prudence règne, personne ne souhaiterait assumer une responsabilité directe. Ainsi, même si les pourcentages sont faciles à obtenir, le dollar demeure la bonne mesure.

Sur le sujet des progrès technologiques et de leur influence sur les prévisions, Vermorel reconnaît que, malgré les défis évoqués, l’exactitude des prévisions s’est nettement améliorée au fil du temps, principalement grâce aux avancées dans l’apprentissage statistique, plus communément appelé machine learning. L’application de ces techniques à la planification de la demande et aux prévisions a permis d’apporter des améliorations substantielles dans l’industrie de la supply chain.

Vermorel précise en outre que l’incertitude est inhérente à la prédiction de l’avenir, et qu’il est donc vital d’attribuer des probabilités à tous les résultats possibles. Fait intéressant, il propose que les prévisions n’ont pas besoin d’être plus précises, mais doivent fournir davantage d’informations sur le futur. Cette prévision avancée peut aider à créer de meilleures décisions supply chain, objectif ultime et base de tout impact physique et mesurable. Cela reflète les deux aspects sur lesquels l’entreprise de Vermorel se concentre : la prévision et l’utilisation effective de ces prévisions dans la prise de décision en supply chain.

La conversation se poursuit, approfondissant l’influence des données sur les prévisions probabilistes. Vermorel convient que les prévisions sont guidées par les données. Chandler soulève une question concernant l’intégration de facteurs externes, tels que les conditions météorologiques, dans ces prévisions, car ils influencent souvent le comportement des consommateurs.

En réponse, Vermorel indique que, bien que les données météorologiques puissent constituer une source, elles posent deux préoccupations majeures. Premièrement, les prévisions météorologiques sont imparfaites, et construire des prévisions à partir de celles-ci pourrait aggraver les inexactitudes. De plus, compte tenu des exigences de la supply chain, les prévisions doivent souvent couvrir une période de plus d’une semaine, durant laquelle la précision des prévisions météorologiques chute significativement.

La discussion passe des complexités des données météorologiques au potentiel de l’intelligence humaine pour améliorer les prévisions. Vermorel confirme la formidable capacité du cerveau humain, tout en reconnaissant que ce n’est pas une solution viable en raison de son coût élevé. Pour toute grande entreprise de supply chain, des milliers à des millions de décisions supply chain doivent être prises quotidiennement, nécessitant un nombre considérable d’individus compétents. Cependant, la plupart des entreprises ne peuvent pas se permettre d’employer autant de personnes, ce qui les conduit à dépendre des entreprises de logiciels. Vermorel accepte que, même si l’apport humain peut considérablement améliorer l’exactitude des prévisions, cela ne peut pas être systématisé et nécessite ainsi des solutions logicielles.

Vermorel suggère qu’une des manières de tirer parti de l’intelligence humaine est d’améliorer la qualité des données alimentées dans le système de prévision. La qualité des données n’étant pas acquise, elle requiert un entretien constant et des efforts d’amélioration. Les données transactionnelles, selon Vermorel, jouent un rôle crucial dans l’amélioration de l’exactitude des prévisions et offrent encore une marge d’amélioration. Par exemple, peu d’entreprises suivent avec précision l’historique des ruptures de stock. Cependant, pour prédire la demande future, il est essentiel de déterminer si l’absence de ventes était due à une absence de demande ou à une rupture de stock. C’est pourquoi Vermorel plaide pour un enregistrement correct de toutes les données pertinentes, y compris les ruptures de stock, les promotions, et la tarification des concurrents, afin d’améliorer l’exactitude des prévisions.

Lorsqu’il s’agit de prévisions pour des produits encore à lancer, Vermorel reconnaît le défi inhérent, notamment dans des industries volatiles comme la technologie et la mode, où les données historiques sont inexistantes ou erratiques. Il rétorque que l’objectif n’est pas d’atteindre une exactitude absolue des prévisions, mais plutôt d’obtenir une prévision plus précise que celle que les équipes peuvent réaliser compte tenu de leurs contraintes de temps.

Dans des situations comme la mode, où les lancements de nouveaux produits manquent de données historiques, Vermorel propose une solution. Il suggère que, bien que les produits individuels puissent être nouveaux, ils proviennent d’un marché que l’entreprise a observé à travers ses propres ventes. Ainsi, une prévision statistique peut être élaborée en se basant sur les lancements de produits historiques et les caractéristiques de ces produits. Cette méthode peut, par exemple, associer une nouvelle chemise à des chemises lancées précédemment afin de construire une prévision qui, bien qu’elle ne soit peut-être pas extrêmement précise en raison du caractère volatile de l’industrie de la mode, puisse être suffisamment exacte pour être profitable.

Vermorel confirme que Lokad utilise cette approche dans son modèle de prévision, permettant de réaliser des prédictions efficaces même dans des conditions difficiles, telles que les lancements de nouveaux produits.

Full Transcript

Kieran Chandler: Aujourd’hui, nous allons aborder un sujet qui divise beaucoup d’opinions dans l’industrie de la supply chain : l’exactitude des prévisions. Je suis ravi de dire qu’aujourd’hui, je suis accompagné par le PDG et fondateur de Lokad, Joannes Vermorel, qui va m’aider dans notre discussion. Alors Joannes, merci de nous rejoindre.

Joannes Vermorel: Merci, Kieran.

Kieran Chandler: Joannes, si l’on considère l’industrie de la supply chain dans son ensemble, on voit souvent des praticiens se plaindre de la précision de leurs prévisions. Cependant, si l’on observe les vendeurs de logiciels, ils prétendent souvent atteindre des niveaux de précision très élevés. Les deux ne peuvent pas avoir raison. Quelle est donc votre opinion sur la situation ?

Joannes Vermorel: La situation est en effet déroutante. Au cours des deux dernières décennies, voire plus, lors de chaque grand salon de la supply chain, au moins un vendeur de logiciels de premier plan prétend avoir réduit l’erreur de prévision de 50 % chaque année. Évidemment, si l’on cumule une réduction de 50 % de l’erreur par an sur 20 ans, logiquement, nous ne devrions plus avoir d’erreur de prévision, ce qui est manifestement faux dans l’état actuel de l’industrie de la supply chain. Clairement, les erreurs de prévision sont toujours présentes. Une autre façon d’envisager la question est que les pourcentages peuvent être trompeurs. Penser que l’on peut réduire l’erreur de prévision de X pour cent est une mauvaise approche. Les erreurs de prévision coûtent de l’argent aux entreprises, exprimé en dollars et non en pourcentage. Ce à quoi nous devrions réellement prêter attention, ce sont les montants en dollars des erreurs pour les entreprises qui gèrent des supply chain dans le monde réel.

Kieran Chandler: Cela a beaucoup de sens car, fondamentalement, les entreprises existent pour faire de l’argent. C’est l’essence même de l’économie, n’est-ce pas ? Les entreprises veulent maximiser leurs profits et en tirent profit. En tant que société, nous pouvons également en bénéficier puisque nous obtenons une meilleure gamme de produits à des prix plus bas. Cependant, ce n’est pas ce que l’on constate réellement dans l’industrie. Celle-ci reste très attachée aux pourcentages. Pourquoi un tel attachement ? Quelle en est la raison ?

Joannes Vermorel: Il y a en effet deux choses qu’elles peuvent faire. Tout d’abord, elles peuvent affiner la portée de leurs prévisions. Autrement dit, passer à des prévisions probabilistes. Le type traditionnel de prévision consiste à affirmer d’emblée “ma demande future sera exactement ceci”. Or, les prévisions probabilistes adoptent une vision bien plus holistique. De nombreuses possibilités existent, l’avenir comportant une incertitude irréductible, et nous attribuons donc des probabilités à tous ces scénarios potentiels. C’est une façon pour les entreprises de s’améliorer, en adoptant des prévisions qui en disent davantage sur le futur. Il ne s’agit pas nécessairement d’être plus précis, mais simplement de fournir plus d’informations sur l’avenir. C’est l’essence même des prévisions probabilistes.

Kieran Chandler: Il est connu que l’utilisation de certaines techniques pour la planification de la demande et la prévision dans la supply chain peut conduire à une amélioration mesurable des prévisions, tant en pourcentages qu’en dollars. C’est donc très concret. Mais il doit y avoir une autre manière d’améliorer la précision de ces prévisions. Par exemple, est-ce que les entreprises et les vendeurs de logiciels pourraient modifier la précision de leurs processus ? Pourraient-ils, par exemple, mieux former leurs équipes ?

Joannes Vermorel: Malgré le fait que les erreurs de prévision ne se soient pas améliorées de 50 pour cent par an depuis une vingtaine d’années, l’exactitude des prévisions s’est néanmoins améliorée. La majeure partie de cette amélioration n’est pas issue de progrès internes à la supply chain, mais plutôt d’un progrès technologique très large dans un domaine connu sous le nom d’apprentissage statistique, plus communément appelé machine learning. La dernière tendance en la matière est en réalité deep learning. Ainsi, de réels progrès technologiques ont été réalisés au cours des 20 dernières années.

Kieran Chandler: Il est reconnu que l’utilisation de certaines techniques pour la planification de la demande et la prévision dans la supply chain peut permettre une amélioration mesurable des prévisions, que ce soit en pourcentages ou en dollars. C’est donc très tangible. Mais il doit y avoir une autre manière d’améliorer leur précision. Est-ce que les entreprises et les vendeurs de logiciels pourraient, par exemple, modifier la précision de leurs processus ? Pourraient-ils mieux former leurs équipes, par exemple ?

Joannes Vermorel: Il y a en effet deux choses qu’ils peuvent mettre en place. Premièrement, ils peuvent affiner la portée des prévisions en adoptant des prévisions probabilistes, comme je l’ai expliqué.

L’autre angle consiste à réfléchir à ce qui peut être fait pour permettre aux gens de tirer parti de ces prévisions afin de prendre de meilleures décisions. De meilleures prévisions, c’est bien, mais peut-on les transformer en de meilleures décisions supply chain ? Au final, ce sont des décisions supply chain de meilleure qualité, avec un impact mesurable, qui comptent vraiment. Voilà les deux angles que nous examinons.

Kieran Chandler: Et ces prévisions probabilistes sont basées sur des données, n’est-ce pas ?

Joannes Vermorel: Oui, absolument.

Kieran Chandler: En ce qui concerne l’aspect des données, où tracez-vous la limite ? Par exemple, des éléments comme la météo sont assez intéressants. En été, les gens sont plus enclins à acheter des glaces, tandis qu’en hiver, ils sont plus susceptibles d’acheter des chocolats chauds, des écharpes et des gants. Peut-on donc utiliser des prévisions météorologiques dans les prévisions probabilistes ?

Joannes Vermorel: C’est une question très large. Pour améliorer la précision des prévisions, il faut intégrer des informations, et ces informations doivent provenir de quelque part. Le premier endroit où l’on peut trouver ces informations, ce sont les données historiques de l’entreprise elle-même. Cependant, je crois que la plupart des entreprises, disons 99 % d’entre elles, n’exploitent pas pleinement les données transactionnelles de haute qualité qu’elles possèdent déjà.

Quant aux sources externes, telles que les prévisions météorologiques, elles soulèvent au moins deux préoccupations différentes. D’abord, les prévisions météorologiques sont imparfaites. Si vous voulez élaborer des prévisions à partir d’autres prévisions, vous vous heurtez au problème de la multiplication des imprécisions des prévisions. C’est un problème difficile à résoudre en pratique. De plus, si vous pensez aux problèmes supply chain, vous devez généralement prévoir sur plus de sept jours, et la précision des prévisions météorologiques devient très faible en pratique. Ainsi, utiliser des prévisions météorologiques est problématique.

Et il y a un autre problème. Quiconque a tenté de tirer parti de ces sources de données externes se rendra compte qu’il y a des défis à relever.

Kieran Chandler: Pour les prévisions météorologiques, qui sont assez importantes dans la prévision statistique, nous parlons donc de données très étendues. Il ne s’agit pas d’un seul point de données ; c’est un point de données chaque heure, par kilomètre carré, et toutes les 20 minutes à venir. Nous devons prendre en considération des facteurs tels que la température, l’humidité, le vent et la direction de la lumière. Ainsi, les données que vous souhaiteriez utiliser pour affiner votre prévision supply chain sont immenses. Nous parlons littéralement d’apporter des téraoctets de données. Pouvez-vous aborder les aspects pratiques de la mise en œuvre d’une quantité de données aussi vaste ?

Joannes Vermorel: Oui, en effet, les aspects pratiques d’intégrer, par exemple, des données météorologiques mondiales dans votre supply chain peuvent être vertigineux. C’est une tâche difficile. Il y a des choses bien plus faciles à faire. Donc, en pratique, la météo n’est probablement pas le meilleur exemple à utiliser.

Kieran Chandler: D’accord, envisageons un autre angle. Qu’en est-il du cerveau humain ? C’est un outil incroyablement puissant. Y a-t-il un moyen de l’exploiter pour améliorer nos prévisions ?

Joannes Vermorel: Absolument. Les algorithmes que nous avons actuellement ne sont pas fondamentalement surhumains. Ils excellent dans des tâches spécifiques, comme jouer au Go ou aux échecs. Mais la gestion de la supply chain est un problème très ouvert qui requiert toute l’étendue de l’intelligence humaine. Un simple ordinateur ne peut surpasser un Supply Chain Scientist car cela demande bien plus. Toutefois, le problème avec l’intelligence humaine n’est pas sa capacité, mais son coût. Les grandes entreprises supply chain gèrent quotidiennement des milliers, voire des millions de supply chains. La question est de savoir combien de personnes intelligentes vous pouvez vous permettre pour prendre ces décisions quotidiennes nécessaires ? La réponse, comme on l’a constaté auprès de nos clients, est généralement insuffisante. Ainsi, oui, l’apport humain peut grandement améliorer la précision des prévisions, mais il ne se généralise pas bien, ce qui rend cela pratiquement difficile. C’est pourquoi l’industrie fait appel à des entreprises de logiciels comme la nôtre.

Kieran Chandler: C’est un point important. Comment suggérez-vous que les entreprises tirent le meilleur parti de leurs employés compétents ? Doivent-ils appliquer leur intuition et leur savoir aux systèmes ? Comment cette intégration doit-elle se faire ?

Joannes Vermorel: La question clé ici est de savoir comment nous pouvons capitaliser sur ces individus pour réduire l’erreur de prévision. Vous ne voulez pas simplement consommer et jeter leurs idées ; ce n’est pas la bonne approche. Il faut mettre à profit leur savoir au fil du temps pour une amélioration continue. Une démarche pratique qu’ils peuvent adopter consiste à améliorer la qualité des données alimentées dans le système de prévision. Le maintien et l’amélioration de la qualité des données nécessitent un effort constant. Par exemple, très peu d’entreprises suivent avec précision l’historique des ruptures de stock. Or, si vous voulez prévoir la demande future, il faut distinguer l’absence de ventes dans une période donnée due à une absence de demande, de l’absence de ventes due à une rupture de stock.

Kieran Chandler: Enregistrez-vous correctement toutes ces informations ? Il y a beaucoup de choses comme les ruptures de stock, les promotions, vos propres prix et ceux de vos concurrents que vous pouvez intégrer à votre base de données. Ce sont des éléments très exploitables et ils peuvent rendre vos prévisions plus précises.

Joannes Vermorel: En effet, il existe de nombreux facteurs à considérer qui peuvent aider à améliorer la précision des prévisions.

Kieran Chandler: En parlant de la précision des prévisions, comment prévoyez-vous pour un produit qui n’a jamais été lancé auparavant ? Dans des secteurs tels que la technologie et la mode, il n’y a pas de données historiques et ces industries sont assez erratiques. Y a-t-il un espoir d’obtenir des prévisions précises ?

Joannes Vermorel: C’est une question très délicate. Il ne s’agit pas d’obtenir une prévision précise au sens absolu. Si l’enjeu était de prédire le prochain produit tendance sur le marché de la mode pour l’année à venir, je ne ferais pas de prévision statistique. Je jouerais plutôt en bourse. La véritable question est de savoir comment produire une prévision plus précise que ce que votre équipe peut réaliser compte tenu de son temps limité. Il ne s’agit pas d’une précision absolue, mais plutôt d’une précision relative.

Kieran Chandler: Vous voulez donc dire qu’il n’y a aucun espoir d’obtenir une prévision absolument précise, en particulier dans la mode ?

Joannes Vermorel: Au sens absolu, non, la mode est trop erratique. Cependant, nous pouvons viser quelque chose de relativement plus précis. Le défi est, peut-on obtenir une prévision statistique qui fonctionne réellement dans la mode, où les produits que vous souhaitez prévoir ne disposent d’aucune donnée historique ? C’est déroutant car la prévision statistique repose sur des données. Mais voici un angle : si vous êtes une entreprise de mode, vous lancez des milliers de produits chaque année. Même si cela semble être un produit entièrement nouveau, il ne l’est pas complètement. Il émerge dans un marché que vous pouvez observer à partir de vos propres ventes. Donc, si vous souhaitez construire une prévision statistique, vous devez tirer parti de tous vos lancements historiques et des attributs du produit.

Kieran Chandler: Vous dites donc que nous pouvons toujours utiliser les données passées pour faire des prévisions précises ?

Joannes Vermorel: Exactement. Vous pouvez établir une corrélation entre ce nouveau t-shirt que vous lancez aujourd’hui et ceux que vous avez lancés par le passé. Il reste l’aspect totalement erratique de l’industrie de la mode, qui se traduira par une imprécision des prévisions. L’essentiel est que oui, vous pouvez relever ce défi et produire une prévision suffisamment précise pour être rentable, même pour des lancements de produits.

Kieran Chandler: Cela ressemble à ce que vous faites chez Lokad ?

Joannes Vermorel: En effet, c’est exactement ce que nous faisons chez Lokad.

Kieran Chandler: Merci pour votre temps et pour cette discussion. Nous espérons que nos auditeurs l’ont trouvée intéressante. Si quelqu’un a des questions, n’hésitez pas à nous contacter, à nous envoyer un email ou à laisser un commentaire ci-dessous. Nous pourrions être amenés à discuter de certaines des questions les plus intéressantes dans les semaines à venir. D’ici là, merci beaucoup de nous avoir rejoints aujourd’hui et à très bientôt.