00:00:04 Introduction et aperçu du problème de prévision de la supply chain.
00:01:28 Argument en faveur de la mesure de l’erreur de prévision en dollars.
00:02:31 Préférence pour l’examen de la mesure de l’erreur en pourcentage.
00:04:15 Impact technologique sur l’amélioration de la précision des prévisions.
00:05:49 Solutions pour améliorer la précision des prévisions discutées.
00:08:01 Rôle des prévisions météorologiques dans les prévisions probabilistes.
00:09:33 Problèmes liés à l’intégration des données météorologiques dans la supply chain.
00:11:29 Potentiel et défis de la prévision basée sur l’intelligence humaine.
00:13:14 Optimisation des connaissances d’experts pour réduire les erreurs de prévision.
00:14:24 Importance de la qualité et de l’amélioration des données.
00:16:00 Difficultés de prévision dans des industries imprévisibles comme la mode.
00:17:33 Prévisions statistiques dans la mode et défis des 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 sur la prévision de la supply chain. Vermorel dévoile avec humour les contradictions de l’industrie, révélant des revendications excessives de réduction des erreurs et plaidant pour un changement de focus vers les “erreurs en dollars” plutôt que les pourcentages. Il observe que l’apprentissage automatique a révolutionné la prévision, l’accent étant désormais mis sur des prédictions éclairantes plutôt que simplement précises. Le duo examine également les données météorologiques, mais les juge trop complexes et peu fiables pour des prévisions à long terme. Vermorel souligne l’importance de l’intelligence humaine, mais suggère qu’elle est impraticable 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 pour les lancements de nouveaux produits dans des industries volatiles comme la mode.
Résumé étendu
Kieran Chandler, l’animateur, engage une conversation avec Joannes Vermorel, le fondateur de Lokad, sur la précision des prévisions dans l’industrie de la supply chain. On observe une disparité notable entre les praticiens qui se plaignent fréquemment de la précision des prévisions et les fournisseurs de logiciels qui revendiquent souvent des précisions de prévision très élevées.
Vermorel identifie une anomalie dans l’industrie, notant que depuis vingt ans, au moins un fournisseur de logiciels revendique une réduction annuelle de 50% de l’erreur de prévision lors de chaque grand salon de la supply chain. Suivant cette logique, Vermorel suggère avec humour que nous devrions théoriquement avoir maintenant une erreur de prévision nulle, ce qui contredit l’état actuel de l’industrie de la supply chain.
Il poursuit en affirmant que l’obsession pour la réduction en pourcentage de l’erreur de prévision est trompeuse et pourrait même être la mauvaise approche. Au lieu de cela, Vermorel insiste sur le fait que l’impact de l’erreur est plus significatif lorsqu’il est mesuré en termes de coût monétaire pour les entreprises. Les entreprises devraient se concentrer sur les “dollars d’erreur”, car elles existent fondamentalement pour réaliser des bénéfices, ce qui est plus en accord avec cet objectif.
Abordant la focalisation continue de l’industrie sur les pourcentages, Vermorel la qualifie d’“addiction à l’erreur de pourcentage absolue moyenne”. Il explique que cette préférence s’explique par le fait que les pourcentages sont plus faciles à comprendre et moins susceptibles de causer des frictions au sein d’une entreprise, car ils n’impliquent pas directement un budget ou une personne spécifique. Exprimer les erreurs en dollars nécessiterait que quelqu’un en assume la responsabilité, ce que de nombreuses personnes réticentes au risque au sein des grandes organisations préféreraient éviter.
En ce qui concerne le progrès technologique et son influence sur les prévisions, Vermorel reconnaît que malgré les défis mentionnés précédemment, la précision des prévisions s’est effectivement améliorée au fil du temps, principalement grâce aux avancées en matière d’apprentissage statistique ou d’apprentissage automatique. L’application de ces techniques à la planification de la demande et aux prévisions a apporté des améliorations significatives à 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 essentiel d’attribuer des probabilités à toutes les issues possibles. Il propose de manière intéressante que les prévisions n’aient pas besoin d’être plus précises, mais qu’elles fournissent davantage d’informations sur l’avenir. Ces prévisions avancées peuvent aider à prendre de meilleures décisions en matière de supply chain, l’objectif ultime et la 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 réelle de ces prévisions dans la prise de décision en matière de supply chain.
La conversation se poursuit en abordant l’influence des données sur les prévisions probabilistes. Vermorel convient que les prévisions sont basées sur les données. Chandler pose une question sur l’intégration de facteurs externes tels que les conditions météorologiques dans ces prévisions, car elles influencent souvent le comportement des consommateurs.
En réponse, Vermorel indique que bien que les données météorologiques puissent être une source, elles soulèvent deux préoccupations majeures. Premièrement, les prévisions météorologiques elles-mêmes sont imparfaites, et construire des prévisions basées sur elles pourrait aggraver les inexactitudes. De plus, compte tenu des préoccupations de la supply chain, les prévisions doivent souvent être faites à plus d’une semaine à l’avance, période pendant laquelle l’exactitude des prévisions météorologiques diminue considérablement.
Deuxièmement, les prévisions météorologiques génèrent de vastes quantités de données qui peuvent être difficiles à gérer. Vermorel illustre cela en notant qu’un point de données par heure par kilomètre carré toutes les 20 minutes est généré lorsqu’on considère la météo. Cela ne concerne pas seulement la température, mais comprend également l’humidité, la vitesse et la direction du vent, ainsi que la luminosité, ce qui conduit à des téraoctets de données difficiles à intégrer dans la supply chain.
La discussion passe des complexités des données météorologiques au potentiel de l’intelligence humaine dans l’amélioration des prévisions. Vermorel confirme la capacité énorme du cerveau humain, mais reconnaît 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 de supply chain doivent être prises quotidiennement, ce qui nécessite un nombre considérable de personnes intelligentes. Cependant, la plupart des entreprises ne peuvent pas se permettre d’employer autant de personnes, c’est pourquoi elles dépendent des entreprises de logiciels. Vermorel reconnaît que bien que l’apport humain puisse grandement améliorer l’exactitude des prévisions, il ne peut pas être mis à l’échelle, et cette question pratique nécessite des solutions logicielles.
Vermorel insiste sur la nécessité d’utiliser l’intelligence des personnes au sein des entreprises dans un sens capitaliste. Leurs connaissances et leurs idées doivent être considérées comme des ressources précieuses qui s’accumulent au fil du temps, plutôt que comme des entités jetables ou consommables. Cette approche peut conduire à une amélioration continue des systèmes de supply chain.
Vermorel suggère une façon d’utiliser l’intelligence humaine en améliorant la qualité des données alimentées dans le système de prévision. La qualité des données n’est pas donnée ; elle nécessite des efforts continus de maintenance et d’amélioration. Vermorel soutient que les données transactionnelles jouent un rôle crucial dans l’amélioration de l’exactitude des prévisions et ont encore des marges d’amélioration. Par exemple, peu d’entreprises suivent l’historique des ruptures de stock avec précision. Cependant, pour prédire la demande future, il est crucial de déterminer si le manque de ventes est dû à une absence de demande ou à une rupture de stock. Par conséquent, Vermorel plaide en faveur de l’enregistrement approprié de toutes les données pertinentes, y compris les ruptures de stock, les promotions et les prix des concurrents, afin d’améliorer l’exactitude des prévisions.
Lorsqu’il aborde les prévisions pour les produits qui n’ont pas encore été lancés, Vermorel reconnaît le défi inhérent, en particulier dans des industries volatiles comme la technologie et la mode, où les données historiques sont inexistantes ou erratiques. Il réplique que l’objectif n’est pas une exactitude absolue des prévisions, mais plutôt une prévision plus précise que ce que les équipes peuvent produire compte tenu de leurs contraintes de temps.
Dans des situations comme la mode, où les nouveaux lancements de 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 grâce à ses propres ventes. Par conséquent, une prévision statistique peut être établie sur la base des lancements de produits historiques et des attributs des produits. Cette méthode peut corréler une nouvelle chemise, par exemple, avec des chemises précédemment lancées pour construire une prévision qui, bien qu’elle ne soit peut-être pas extrêmement précise en raison de la nature volatile de l’industrie de la mode, peut être suffisamment précise pour être rentable.
Vermorel confirme que Lokad utilise cette approche dans son modèle de prévision, ce qui permet des prédictions efficaces même dans des conditions difficiles, telles que les nouveaux lancements de produits.
Transcription complète
Kieran Chandler : Aujourd’hui, nous allons parler d’un sujet qui divise beaucoup l’opinion dans l’industrie de la supply chain : l’exactitude des prévisions. Je suis ravi de dire qu’aujourd’hui, je suis accompagné du PDG et fondateur de Lokad, Joannes Vermorel, qui va m’aider un peu dans la discussion d’aujourd’hui. Donc Joannes, merci de nous rejoindre aujourd’hui.
Joannes Vermorel : Merci, Kieran.
Kieran Chandler : Joannes, si l’on regarde l’industrie de la supply chain dans son ensemble, on constate souvent que les praticiens se plaignent beaucoup de l’exactitude de leurs prévisions. Cependant, si l’on regarde les fournisseurs de logiciels, ils prétendent souvent avoir des taux de précision très élevés. Les deux ne peuvent pas avoir raison. Quel est votre point de vue sur la situation ?
Joannes Vermorel : La situation est en effet déconcertante. Au cours des deux dernières décennies, peut-être plus longtemps, lors de chaque grand salon de la supply chain, il y a au moins un fournisseur de logiciels de premier plan qui prétend avoir réduit l’erreur de prévision de 50% ou quelque chose de similaire. Évidemment, si vous cumulez une réduction de l’erreur de 50% par an pendant 20 ans, logiquement, nous ne devrions avoir aucune erreur de prévision du tout, ce qui n’est évidemment pas l’état de l’industrie de la supply chain. De toute évidence, les erreurs de prévision sont toujours très présentes. Une autre façon de voir les choses est que les pourcentages sont trompeurs. Penser que vous pouvez réduire l’erreur de prévision de X pour cent est la mauvaise façon de voir la question. Les erreurs de prévision coûtent de l’argent aux entreprises, exprimées en dollars, pas en pourcentage. Ce que nous devrions vraiment regarder, ce sont les montants en dollars des erreurs pour les entreprises qui gèrent des supply chains dans le monde réel.
Kieran Chandler : Cela a beaucoup de sens car, fondamentalement, les entreprises sont là pour gagner de l’argent. C’est l’économie de base, n’est-ce pas ? Les entreprises veulent maximiser leurs profits et les entreprises en profitent. En tant que société, nous pouvons également en profiter car nous obtenons une meilleure gamme de produits à des prix plus bas. Cependant, ce n’est pas ce que nous voyons vraiment dans l’industrie. L’industrie est encore très attachée à l’utilisation de pourcentages. Pourquoi sont-ils tellement attachés à cela ? Quelle en est la raison ?
Joannes Vermorel : La dépendance à l’erreur de pourcentage absolu moyen (MAPE) est enracinée dans le fait que les pourcentages sont faciles. C’est facile de trouver un pourcentage. Avec un pourcentage, personne ne s’engage vraiment dans quoi que ce soit et vous n’affecterez pas le budget de quelqu’un. Exprimer les erreurs en dollars a plus de sens, mais cela clarifie les enjeux et qui devrait être responsable de l’erreur. Les entreprises qui exploitent de grandes supply chains sont composées de nombreuses personnes. Ces personnes, faisant partie d’une grande organisation, ont tendance à être réticentes au risque. Elles ne veulent pas avancer quelque chose qui antagoniserait le reste de leur propre organisation, et exprimer l’erreur de prévision en dollars fait exactement cela. Cela met en évidence les domaines qui sont vraiment responsables des dollars d’erreur. Donc, alors que les pourcentages sont faciles, les dollars sont la bonne mesure. C’est probablement pourquoi nous sommes encore coincés dans cette situation ; la chose facile est simplement plus facile à faire.
Kieran Chandler : D’accord, donc si nous mettons de côté pour le moment les dollars d’erreur et prenons simplement les pourcentages d’erreur comme exemple, existe-t-il un processus technologique qui peut être suivi pour améliorer le pourcentage d’erreur ? Que peuvent faire les entreprises de logiciels à cet égard ?
Joannes Vermorel : Malgré le fait que les erreurs de prévision n’ont pas diminué de 50 % par an au cours des vingt dernières années environ, la précision des prévisions s’est améliorée. La majeure partie de cette amélioration n’a pas été motivée par des progrès au sein du monde de la supply chain, mais plutôt par un progrès technologique très large provenant d’un domaine connu sous le nom d’apprentissage statistique, plus communément appelé apprentissage automatique. La dernière tendance en la matière est en réalité l’apprentissage profond. Il y a donc eu de réels progrès technologiques au cours des 20 dernières années.
Kieran Chandler : Il est connu que l’utilisation de certaines techniques de planification de la demande et de prévision dans la supply chain peut conduire à une amélioration significative et mesurable des prévisions. C’est un progrès qui peut être observé en pourcentages, mais aussi en dollars. Donc, c’est très tangible. Mais il doit y avoir un autre moyen d’améliorer la précision de ces prévisions. Les entreprises et les fournisseurs de logiciels pourraient-ils, par exemple, changer 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 faire. Tout d’abord, ils peuvent affiner la portée des prévisions elles-mêmes. Ce que je veux dire, c’est passer à des prévisions probabilistes. Le type traditionnel de prévision fait une seule déclaration, comme “ma demande future sera exactement celle-ci”. Maintenant, les prévisions probabilistes adoptent une vision beaucoup plus holistique. Beaucoup de choses peuvent se produire, il y a une incertitude irréductible sur l’avenir, et nous attribuons donc des probabilités à tous ces futurs potentiels. C’est ainsi que les entreprises peuvent s’améliorer, en adoptant des prévisions qui en disent plus sur l’avenir. Elles n’ont pas nécessairement besoin d’être plus précises, elles doivent simplement fournir plus d’informations sur l’avenir. C’est l’essence des prévisions probabilistes.
L’autre aspect consiste à réfléchir à ce qui peut être fait pour permettre aux gens de tirer parti de ces prévisions pour prendre de meilleures décisions en matière de supply chain. De meilleures prévisions sont formidables, mais pouvons-nous les transformer en de meilleures décisions de supply chain ? En fin de compte, de meilleures décisions de supply chain ayant un impact mesurable sont ce qui compte vraiment. Ce sont donc les deux aspects sur lesquels nous nous penchons.
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 ligne ? Par exemple, des choses comme la météo sont assez intéressantes. En été, les gens sont plus susceptibles d’acheter de la crème glacée, tandis qu’en hiver, ils sont plus susceptibles d’acheter du chocolat chaud, des écharpes et des gants. Donc, pourrions-nous utiliser des choses comme les prévisions météorologiques dans les prévisions probabilistes ?
Joannes Vermorel : C’est une question très large. Pour améliorer la précision des prévisions, vous devez incorporer des informations, et ces informations doivent provenir de quelque part. Le premier endroit où vous pouvez chercher ces informations est 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.
En ce qui concerne les sources externes, comme les prévisions météorologiques, elles soulèvent au moins deux préoccupations différentes. Tout d’abord, les prévisions météorologiques sont imparfaites. Si vous voulez construire des prévisions sur la base d’autres prévisions, vous vous heurtez au problème de la compounding forecasting inaccuracies. C’est un problème difficile à résoudre en pratique. De plus, si vous pensez aux problèmes de supply chain, vous devez généralement penser à plus de sept jours à l’avance, et la précision des prévisions météorologiques devient assez mauvaise en pratique. Donc l’utilisation des prévisions météorologiques pose problème.
Et puis il y a un autre problème. Pour toute personne qui a essayé de tirer parti de ces sources de données externes, elle se rendra compte qu’il y a des défis à relever.
Kieran Chandler : Donc, pour les prévisions météorologiques, qui sont assez importantes dans les prévisions statistiques, nous parlons de données étendues. Ce n’est pas seulement un point de données ; c’est un point de données toutes les heures, par kilomètre carré, toutes les 20 minutes à l’avance. Nous devons prendre en compte des facteurs tels que la température, l’humidité, le vent et la direction de la lumière. Donc, les données que vous voudriez utiliser pour affiner vos prévisions de supply chain sont immenses. Nous parlons littéralement de téraoctets de données. Pouvez-vous discuter des aspects pratiques de la mise en œuvre d’une telle quantité de données ?
Joannes Vermorel : Oui, en effet, les aspects pratiques de l’incorporation de quelque chose comme les données météorologiques mondiales dans votre supply chain peuvent être écrasants. C’est une tâche difficile. Il y a des choses beaucoup plus faciles à faire. Donc, en pratique, la météo n’est probablement pas le meilleur exemple à utiliser.
Kieran Chandler : D’accord, considérons un autre aspect. Et si nous parlions du cerveau humain ? C’est un outil incroyablement puissant. Y a-t-il un moyen de l’utiliser 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 nécessite l’ensemble de l’intelligence humaine. Un simple ordinateur ne peut pas surpasser un spécialiste de la supply chain car cela nécessite beaucoup plus. Cependant, le problème de l’intelligence humaine n’est pas sa capacité mais son coût. Les grandes entreprises de supply chain traitent quotidiennement des milliers, voire des millions, de supply chains. La question est de savoir combien de personnes intelligentes pouvez-vous vous permettre de prendre ces décisions quotidiennes nécessaires ? La réponse, comme on peut le voir avec nos clients, est généralement pas assez. Donc, oui, l’apport humain peut grandement améliorer la précision des prévisions, mais cela ne s’échelonne pas bien, ce qui le rend pratiquement difficile. C’est pourquoi l’industrie s’appuie sur des entreprises de logiciels comme nous.
Kieran Chandler : C’est un point important. Comment suggérez-vous aux entreprises de tirer le meilleur parti de leurs employés intelligents ? Doivent-elles appliquer leur intuition et leurs connaissances 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 rejeter leurs idées ; ce n’est pas la bonne approche. Vous devez capitaliser sur leurs connaissances au fil du temps pour une amélioration continue. Une étape pratique qu’ils peuvent prendre est d’améliorer la qualité des données alimentées dans le système de prévision. Maintenir et améliorer la qualité des données nécessite des efforts continus. Par exemple, très peu d’entreprises suivent avec précision l’historique des ruptures de stock. Mais si vous voulez prévoir la demande future, vous devez faire la distinction entre l’absence de ventes sur une période donnée en raison d’une absence de demande et l’absence de ventes en raison d’une rupture de stock.
Kieran Chandler : Les enregistrez-vous correctement ? Il y a beaucoup de choses comme les ruptures de stock, les promotions, vos propres prix et les prix de vos concurrents que vous pouvez inclure dans votre ensemble de données. Ce sont des éléments très exploitables et peuvent rendre vos prévisions plus précises.
Joannes Vermorel : En effet, il y a de nombreux facteurs à prendre en compte qui peuvent aider à améliorer la précision des prévisions.
Kieran Chandler : En parlant de précision des prévisions, comment prévoir pour un produit qui n’a pas encore été lancé ? Dans des industries telles que la technologie et la mode, il n’y a pas de données historiques et ces industries sont assez imprévisibles. 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 dans un sens absolu. S’il s’agissait de prédire le prochain produit tendance sur le marché de la mode pour l’année prochaine, je ne ferais pas une prévision statistique. Je jouerais en bourse. La vraie question est comment produire une prévision qui soit plus précise que ce que votre équipe peut produire compte tenu de leur temps limité. Il ne s’agit pas de précision absolue, mais plutôt de précision relative.
Kieran Chandler : Donc, vous suggérez qu’il n’y a aucun espoir d’une prévision absolument précise, surtout dans la mode ?
Joannes Vermorel : Dans un sens absolu, non, la mode est trop imprévisible. Cependant, nous pouvons viser quelque chose de comparativement plus précis. Le défi est de savoir si nous pouvons avoir une prévision statistique qui fonctionne dans la mode, où les produits que vous souhaitez prévoir n’ont pas de données historiques. 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 s’il semble être un produit complètement nouveau, il n’est pas entièrement nouveau. Il émerge dans un marché que vous pouvez observer à partir de vos propres ventes. Donc, si vous voulez construire une prévision statistique, vous devez exploiter tous vos lancements historiques passés et les attributs du produit.
Kieran Chandler : Donc, vous dites que nous pouvons toujours utiliser des données passées pour faire des prédictions précises ?
Joannes Vermorel : Exactement. Vous pouvez corréler cette nouvelle chemise que vous lancez maintenant avec des chemises que vous avez lancées dans le passé. Ce qui reste, c’est la nature totalement imprévisible de l’industrie de la mode, qui se reflétera dans l’inexactitude des prévisions. Le point est que oui, vous pouvez relever ce défi et produire une prévision suffisamment précise pour être rentable même pour les 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 agréable. Si quelqu’un a des questions, n’hésitez pas à nous contacter, à nous envoyer un e-mail ou à laisser un commentaire ci-dessous. Nous pourrons peut-être 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.