00:00:03 Introduction de l’analyse ABC et racines du principe de Pareto.
00:00:33 Analyse de Pareto dans les réseaux sociaux, supply chain.
00:02:03 Le rôle de l’analyse ABC dans la catégorisation des stocks.
00:03:14 Usage et abus de l’analyse ABC en supply chain.
00:06:05 Pertinence de l’analyse ABC dans les systèmes de stocks modernes.
00:08:00 Limites du système de stocks ABC.
00:09:00 Manque de spécificité de l’approche ABC.
00:11:02 Problèmes de stabilité et impact de la classification ABC.
00:13:01 Proposition de gestion de stocks pilotée par les données.
00:15:38 Avantages de la prévision pour les stocks à fort volume.
00:18:01 Combinaison de leviers économiques, prévision probabiliste vs. ABC.
00:19:00 Passage de l’ABC à une approche basée sur la théorie de l’information.
00:21:39 Critique de l’analyse ABC : promotion de métriques superficielles.
00:25:17 Les dangers de la dépendance à l’analyse ABC.
Résumé
Joannes Vermorel, fondateur de Lokad, discute de l’analyse ABC, une technique de gestion des stocks basée sur la règle des 80/20 de Pareto. Il explique comment elle catégorise les produits en classes selon leur taux de vente, la classe “A” représentant des produits à forte valeur et à rotation rapide, et la classe “C” représentant des produits à faible valeur et à rotation lente. Vermorel exprime ses inquiétudes quant à la simplification excessive de la méthode et à son potentiel abus dans les supply chain modernes, car elle ne parvient pas à saisir les nuances au sein des catégories. Il préconise une approche plus détaillée et granulaire qui prend en compte l’historique des ventes de chaque produit ainsi que les contraintes physiques, avertissant que l’analyse ABC peut conduire à des métriques trompeuses et à une instabilité due aux fluctuations de la demande et aux ruptures de stock.
Résumé étendu
La conversation sur Lokad TV tourne autour du concept de l’analyse ABC, une approche de catégorisation des stocks reposant sur la règle des 80/20 de Pareto. Cette méthode catégorise un catalogue en fonction de sa valeur perçue et est largement utilisée dans les logiciels ERP ainsi que dans l’ensemble de l’industrie supply chain.
Joannes Vermorel, le fondateur de Lokad, fournit une explication détaillée de l’analyse ABC. Il note que la technique trouve son origine dans l’analyse de Pareto, qui postule que dans les phénomènes construits socialement, les 20 % d’éléments les plus significatifs représentent 80 % du total. Ce principe est observable dans divers domaines, tels que les réseaux sociaux, la répartition de la richesse et les ventes de produits.
Dans le contexte des supply chain, Vermorel explique que les 20 % de produits les plus importants représentent généralement 80 % des ventes. Il attribue cette observation à Vilfredo Pareto, un mathématicien et ingénieur civil italien de la fin du XIXe siècle. Vermorel suggère également que l’idée de catégorisation des stocks, même sans la précision mathématique, pourrait remonter à l’Antiquité.
Vermorel explique que l’application pratique de l’analyse ABC pour les stocks consiste à catégoriser les SKUs ou produits en classes, généralement de trois à cinq. La classe “A” représente les articles à rotation rapide, tandis que la dernière classe, “D” ou “E”, désigne les articles à rotation lente. Les classes intermédiaires présentent des vitesses de stocks variables. Le résultat est une catégorisation grossière qui regroupe des produits ayant des vitesses de stocks similaires.
Malgré la simplicité de l’analyse ABC, elle est largement utilisée dans l’industrie supply chain, bien que Vermorel suggère qu’elle soit également largement mal utilisée. La catégorisation, soutient-il, est bénéfique lorsqu’elle reflète avec exactitude les contraintes physiques des produits. Par exemple, dans l’industrie aérospatiale, une première catégorie peut inclure des produits coûteux et réparables, tandis que la dernière catégorie peut comporter des consommables non réparables. Dans l’industrie alimentaire, des catégories de traitement distinctes peuvent être établies pour les aliments surgelés et les aliments secs. Ces classifications indiquent les différentes méthodes de gestion des marchandises.
Vermorel décrit comment la méthode d’analyse ABC est née pour gérer les stocks sans avoir à compter chaque article. Grâce à ce système, différentes catégories de produits pouvaient être stockées dans des bacs de tailles différentes, avec une règle simple de réapprovisionnement lorsque le bac est à moitié vide. Cette approche était pratique à une époque où aucun logiciel n’existait pour suivre et gérer les stocks. Cependant, Vermorel soutient qu’à l’ère numérique actuelle, où les stocks peuvent être suivis automatiquement, la méthode ABC devient problématique et obsolète.
Vermorel souligne que le système de classification ABC est une approximation à basse résolution de l’historique des ventes. Il n’apporte aucune information supplémentaire par rapport à ce qui pourrait être déduit d’un examen détaillé de l’historique des ventes d’un produit. Ainsi, les décisions fondées sur ces classifications pourraient potentiellement être affinées et rendues plus précises en utilisant les données réelles de ventes.
Vermorel souligne également que la méthode ABC peut créer une illusion d’homogénéité au sein des catégories. Chaque catégorie peut contenir des centaines de produits, et il peut y avoir des variations significatives au sein de celles-ci. Par exemple, le 1 % des produits les plus performants pourrait avoir des vitesses de vente dix fois supérieures à celles du 10 % supérieur, et cette granularité est perdue avec la classification ABC.
Vermorel propose une approche plus nuancée, de type “diviser pour régner”, de la gestion des stocks, qui met davantage l’accent sur l’historique détaillé des ventes de chaque produit. Cette approche consiste à attribuer un responsable des achats chargé de gérer un nombre spécifique d’articles en fonction de leur valeur ou de leur importance, garantissant ainsi que les articles de grande valeur reçoivent plus d’attention.
Vermorel réfléchit au processus traditionnel, piloté par l’humain, de la prise de décision supply chain, qui inclut des décisions concernant les achats, la production, l’emplacement des stocks, la liquidation et la tarification. Cependant, avec l’avènement des ordinateurs, ce processus subit un changement significatif. Les ordinateurs peuvent traiter des milliers d’articles de manière répétée en une journée, en fonction de ce qui est le plus judicieux, une tâche que les humains ne peuvent pas accomplir manuellement.
Vermorel explique le concept de taux de service en relation avec le volume des ventes. Il suggère que les articles à fort volume de ventes ont généralement des prévisions plus fiables car ils se vendent de manière plus régulière. Un article vendant 100 unités par jour, par exemple, se vendra probablement autour de 100 unités le jour suivant, avec une marge d’erreur d’environ 10 %. À l’inverse, les articles à faible volume de ventes ont une demande plus imprévisible. Ils pourraient se vendre seulement une fois par mois, et il est difficile de prévoir quand cette vente aura lieu.
Pour un article à fort volume, maintenir un taux de service élevé est plus rentable. Cela s’explique par le fait que la quantité de stocks nécessaire est déterminée par le lead time et la variabilité de la demande, ou « erraticity ». Si un article présente une forte erraticité, il nécessite davantage de stock. Cependant, comparativement aux articles à faible volume, les articles à fort volume nécessitent moins de stock par rapport à leur volume de ventes, ce qui les rend plus efficaces pour transformer la monnaie en points de taux de service supplémentaires.
Pour les articles à fort volume, une prévision probabiliste donnerait une prévision relativement concentrée, reflétant une faible incertitude. En revanche, pour les articles à rotation lente, la prévision serait plus dispersée en raison d’une incertitude plus élevée. La combinaison de cette prévision probabiliste avec des leviers économiques, tels que le coût des stocks, le coût d’achat, les frais de portage et la marge potentielle, aboutit à un taux de service plus précis qui n’a pas besoin d’une catégorisation brute comme l’analyse ABC.
Vermorel critique l’analyse ABC comme une méthode qui permet d’éviter les calculs, ce qui était utile au XIXe siècle lorsque le suivi manuel de milliers d’articles était une tâche décourageante. Cependant, dans le monde actuel, avec l’avènement d’ordinateurs performants capables de réaliser des milliards d’opérations par seconde, une telle approche est dépassée.
Il y a deux raisons clés à cela. Premièrement, l’analyse ABC conduit souvent à des métriques de vanité, qui donnent l’illusion d’une bonne performance alors que la réalité peut être tout autre. Deuxièmement, les classes ABC sont instables et peuvent changer rapidement en raison de ruptures de stock ou de fluctuations de la demande. Par exemple, un article souffrant d’une rupture de stock massive pourrait passer de la classe A à la classe B, créant l’illusion d’un taux de service amélioré pour la classe A, alors qu’en réalité, ce n’est qu’un effet secondaire d’une mauvaise performance.
Vermorel préconise une approche plus granulaire et adaptative, qui tient compte d’autant de classes qu’il y a d’articles et d’historiques de ventes possibles. Cette approche exploite la théorie de l’information pour prendre de meilleures décisions basées sur l’historique des ventes observé. Dans ce contexte, il souligne l’importance d’exprimer les métriques en termes de dollars de performance ou d’erreur, plutôt qu’en pourcentages, afin de mieux s’aligner sur la réalité économique de la gestion de la supply chain.
Transcription complète
Kieran Chandler : Bon retour sur Lokad TV. Cette semaine, nous allons parler de l’analyse ABC, une méthode de catégorisation des stocks qui trouve ses origines dans la règle des 80/20 de Perrito. La méthode consiste à diviser un catalogue en fonction de sa valeur perçue et a été adoptée par de nombreux grands logiciels ERP ainsi que par l’ensemble de l’industrie supply chain. Alors Joannes, voilà un aperçu rapide de l’analyse ABC, mais peut-être pourriez-vous nous l’expliquer plus en détail ?
Joannes Vermorel : Oui. Comme vous l’avez souligné, l’analyse ABC tire ses origines de l’analyse de Perrito, qui décrit essentiellement des catégories entières dans les réseaux sociaux. L’idée est que les 20 % les plus actifs ou importants représentent 80 % de la masse. Cela se voit sur des plateformes comme LinkedIn, où les 20 % d’utilisateurs les plus influents possèdent probablement 80 % des connexions. De même, les 20 % de personnes les plus riches détiennent vraisemblablement 80 % de la richesse. Dans le contexte de la supply chain, les 20 % des produits les plus importants représentent environ 80 % des ventes. Ce principe a été découvert par un mathématicien et ingénieur civil italien nommé Pareto à la fin du XIXe siècle. Quant à la catégorisation des stocks, cette idée, bien que sans la précision mathématique, remonte probablement à l’Antiquité.
Kieran Chandler : Donc, comment fonctionne réellement l’analyse ABC ?
Joannes Vermorel : L’idée clé de l’analyse ABC pour les stocks est de catégoriser vos SKUs ou produits en classes. Vous aurez généralement de trois à cinq classes, allant de la classe “A”, dédiée aux articles à rotation rapide, jusqu’à la dernière classe “D” ou “E” pour vos articles à rotation lente, avec des classes intermédiaires représentant des vitesses différentes pour vos divers produits. Ce processus aboutit à des regroupements relativement grossiers qui rassemblent des produits ayant des vitesses de stocks similaires, indiquant le nombre d’unités à produire ou à servir en une journée.
Kieran Chandler : Cette méthode est-elle utilisée régulièrement par les entreprises au quotidien ? Elle semble très simpliste.
Joannes Vermorel : Il est effectivement simpliste, mais il est largement utilisé, et je dirais, largement abusé dans le monde de la supply chain. Cette catégorisation est utile lorsque vos produits reflètent les contraintes physiques auxquelles ils sont soumis. Par exemple, dans l’aérospatiale, vous auriez une première catégorie de produits très coûteux et réparables. Ensuite, vous auriez des produits relativement bon marché mais toujours réparables, puis il y a les consommables que vous ne pouvez pas réparer. Chaque catégorie représente différentes façons de gérer les marchandises. Cependant, l’analyse ABC elle-même ne s’intéresse pas vraiment aux aspects physiques des produits, mais uniquement à leur vitesse de vente. L’abus auquel je faisais référence précédemment est la création de catégories larges définies uniquement par les ventes relatives.
Kieran Chandler : Pouvez-vous expliquer la classification typique des produits ? Je comprends qu’il existe les classes A, B et C. Que signifie qu’un produit soit de catégorie A ?
Joannes Vermorel : Bien sûr, un article de catégorie A signifie généralement que vous en vendez ou produisez, disons, plus de 20 unités par jour. Ce taux de rotation élevé en fait un article de catégorie A. Ce système de classification repose sur un seuil numérique basé sur le volume des ventes sur une certaine période, disons les trois derniers mois. Les critères exacts varient d’une entreprise à l’autre, mais le concept de base est de définir une vitesse en moyenne sur une période donnée, puis de fixer des seuils pour chaque catégorie : A, B, C, D, E.
Kieran Chandler : Il semble logique de catégoriser les produits de cette manière, en marquant certains comme plus importants que d’autres. Mais j’ai l’impression que vous n’adhérez pas totalement à cette approche. Pourquoi n’est-elle pas pertinente ?
Joannes Vermorel : Vous avez raison, j’ai quelques réserves. Ce qui est intéressant avec cette analyse ABC, c’est qu’elle vous permet de gérer vos stocks sans avoir à compter quoi que ce soit. Prenons une perspective du XIXe siècle sur la gestion des stocks. Pour les articles de catégorie A, vous utilisiez de grands bacs. Si le bac semble à moitié vide, vous passez commande. Les articles de catégorie B utiliseraient des bacs plus petits, et les articles de catégorie C n’auraient peut-être même pas de bac, juste une étagère. Lorsqu’un bac est vidé, vous en commandez un autre. Ces méthodes vous permettent de gérer vos stocks sans rien compter. Vous passez simplement une commande en vous basant sur l’apparence de vos stocks, ce qui est idéal si vous n’avez pas de logiciel pour gérer votre supply chain. Cependant, dans le monde actuel, où nous pouvons suivre et compter automatiquement les stocks, ce système n’a plus grand sens.
Fondamentalement, la catégorisation des stocks comme l’ABCD est une approximation à basse résolution de la quantité que vous devez produire ou consommer sur une période donnée. Toute décision basée sur cette classe pourrait être prise de manière plus précise si elle se fondait sur l’historique réel des ventes du produit. L’erreur est que la classe ABC n’apporte aucune information supplémentaire par rapport à l’historique brut de la demande du produit.
Kieran Chandler: Quel genre de problèmes peut survenir de l’utilisation de cette approche ABC ?
Joannes Vermorel: Il y a plusieurs problèmes, principalement dus au fait que c’est un système à très faible résolution. C’est comme avoir la capacité de faire des calculs au gramme près mais d’arrondir tout au tonne. D’abord, il y a le problème de l’hétérogénéité au sein d’une même catégorie. Si vous avez 2 000 produits et créez cinq classes, chaque classe contiendra néanmoins environ 400 produits, et il peut y avoir une grande variété de variations au sein de ces classes. Ce système vous donne l’illusion de spécificité tout en négligeant des différences significatives entre les produits, notamment pour les best-sellers, où se trouve probablement votre top 1 % de produits…
Kieran Chandler: Ainsi, lorsque vous avez le top 10 % de vos ventes, cela fonctionne probablement avec une vélocité de vente par produit 10 fois supérieure. Cependant, si vous n’avez que cinq catégories, vous n’atteindrez pas la granularité nécessaire. À l’autre extrémité du spectre, pour la longue traîne, c’est vraiment très long. Votre classe “C”, par exemple, pourrait contenir des articles qui ne se vendent qu’une fois par mois, ainsi que des articles qui se vendent une fois toutes les décennies. Ils sont regroupés ensemble, mais ils sont très différents. La manière d’aborder un article nécessaire une fois par décennie et un article nécessaire une fois par mois serait complètement différente.
Joannes Vermorel: De plus, je dirais que le problème total d’une classification très grossière est qu’elle tend à être instable dans le temps. Nous avons expérimenté avec plusieurs clients et constaté que, typiquement, entre un tiers et la moitié des produits changent de classe d’une période à l’autre. Lorsque vous regardez les ventes d’un trimestre, effectuez votre analyse ABC, puis examinez les données de ventes du trimestre suivant et refaites votre analyse ABC, vous pouvez vous retrouver dans une situation où 40 % des produits ont une classe différente. Cela signifie que, simplement parce que vous êtes passé à un nouveau trimestre, vous allez avoir des politiques complètement différentes pour un article donné, rien que parce qu’il a changé de classe. Cela n’a pas vraiment de sens.
Par exemple, si vous aviez un article qui enregistrait une baisse progressive mais très lente au cours des deux dernières années, pourquoi décider, simplement parce que vous avez franchi un certain seuil numérique d’un jour à l’autre, que cet article, que vous commandiez une fois par mois, serait désormais commandé seulement deux fois par an ? Cela engendre des effets très non linéaires, avec de nombreux écarts et des produits qui passent subitement d’une commande mensuelle à une commande annuelle. C’est extrêmement arbitraire et cela ne reflète pas l’évolution fine de la demande.
Kieran Chandler: Alors, comment pouvez-vous aborder les choses de manière meilleure ? Si vous ne catégorisez pas vos produits, comment vous assurez-vous de prendre soin de ceux qui sont réellement les plus importants ?
Joannes Vermorel: Oui, il s’agit typiquement d’une approche de division et conquête que certains supply chain managers appliquent à leur propre supply chain. Ils pourraient dire : “Afin de porter une attention vraiment particulière aux produits qui comptent le plus, j’aurai un responsable des achats qui gère les articles de classe A, et il gérera 50 articles. Si c’est un responsable qui gère les articles de classe B, ce responsable prendra en charge 200 articles. Et si c’est un responsable qui gère les articles de classe C, ce responsable gérera 1000 articles.” De cette manière, vous disposez de plus de capacité intellectuelle pour chacun des articles les plus significatifs.
Cependant, cette perspective suppose que toutes les décisions de supply chain, telles que combien acheter, combien produire, où placer les stocks, s’il faut liquider les stocks, ou comment ajuster le prix, sont pilotées par des humains effectuant tout manuellement. Mais la réalité est que dès que vous avez des ordinateurs, tout change. L’ordinateur n’a aucun problème à traiter des milliers d’articles, des centaines, voire des milliers de fois par jour, si cela a du sens.
Ainsi, si vous souhaitez garantir un taux de service plus élevé pour vos articles de classe A, ce que vous dites en réalité, c’est que si un article se vend davantage, vous pouvez obtenir une meilleure prévision. Pourquoi ? Parce qu’il s’agit d’un jeu de chiffres. Il est beaucoup plus facile de prévoir si un article se vend de manière régulière à 100 unités par jour.
Kieran Chandler: Autour de 100, cela constituerait une prévision raisonnablement bonne, peut-être plus ou moins 10 pour cent. Si vous avez un article qui se vend une fois par mois, la prévision la plus probable pour demain est de zéro unité. Pourtant, c’est très erratique. Il peut y avoir des jours où vous vendez deux unités supplémentaires.
Joannes Vermorel: L’essentiel, c’est qu’il y a un côté positif. Si vous avez des articles avec un volume plus élevé, vous avez tendance à avoir une erraticité plus faible. Cela garantit un taux de service plus élevé. Lorsqu’on parle de coûts, c’est plus efficace car la quantité de stocks que vous devez conserver est plus ou moins proportionnelle, d’une part, à votre délai d’approvisionnement, et, d’autre part, à l’erraticité. Si l’erraticité est deux fois plus élevée, vous devez avoir deux fois plus de stocks. Il vous faut plus de stocks pour des articles qui se vendent davantage, mais, comparativement, pour des articles avec un faible volume de ventes, il vous faut beaucoup moins.
Vos stocks pour les articles à volume élevé et à rotation rapide sont plus efficaces en termes de transformation d’euros ou de dollars en points supplémentaires de taux de service. C’est pourquoi, typiquement, vous vous retrouvez avec ces compartiments et toutes ces recettes. Mais vous pouvez envisager le problème de manière complètement différente.
Tout d’abord, je proposerais d’adopter une prévision probabilistique qui reflète nativement l’incertitude. Pour les articles à volume élevé, vous obtiendrez, évidemment, une prévision élevée, mais également relativement concentrée, car votre incertitude est faible. Cette prévision probabilistique fournit une distribution qui reflète les incertitudes auxquelles vous serez confronté pour la demande future.
Pour les articles à faible rotation, vous obtiendrez une distribution de probabilité dont la moyenne est beaucoup plus faible car, en moyenne, vous avez moins de demande, mais la distribution sera très étalée car il y a beaucoup d’incertitude, beaucoup d’erraticité.
Kieran Chandler: Donc, lorsque vous dites vouloir un taux de service élevé, que voulez-vous réellement dire ?
Joannes Vermorel: Ce que vous dites en réalité, c’est que pour chaque rupture de stocks que vous subissez, vous perdez des marges. Peut-être avez-vous une pénalité pour rupture de stocks, ce qui fait que vous perdez des affaires avec vos clients lorsqu’ils s’attendent à trouver quelque chose, et vous ne pouvez pas livrer les marchandises qui étaient essentiellement annoncées.
L’idée est que si vous combinez le fait d’avoir des moteurs économiques, tels que le coût des stocks, les coûts de détention, le coût d’achat, le coût de la rupture de stocks, et la marge qui représente votre récompense supplémentaire, parce que vous allez revendre vos produits à un prix supérieur à votre coût, alors le taux de service que vous obtenez n’est qu’une conséquence de la combinaison de ces moteurs économiques avec votre prévision probabilistique de la demande.
La catégorisation ABC n’intervient même pas dans le calcul car, en fin de compte, la catégorisation ABC est simplement une manière grossière d’estimer la demande future ou l’erraticité de la demande future, que vous obtenez automatiquement si vous disposez d’un moteur de prévision probabilistique.
Kieran Chandler: Donc, vous dites que c’est une méthode très grossière avec l’analyse ABC. La solution de Lokad n’est-elle pas simplement une optimisation beaucoup plus fine, une sorte d’extension de l’analyse ABC ? Quelle est la différence clé ?
Joannes Vermorel: La différence clé est que nous considérons simplement que nous avons autant de classes que d’articles et autant de classes que d’historiques de ventes possibles. Si vous avez une granularité si fine que vous avez une classe par situation, la catégorisation devient quelque peu dénuée de sens.
L’approche de Lokad est de penser en termes d’information, dans le sens de la théorie de l’information. D’où provient l’information nécessaire pour prendre une meilleure décision ? Si toute l’information provient de l’historique des ventes observé, alors un modèle de prévision peut potentiellement reconstruire en interne sa propre catégorisation.
Kieran Chandler: La catégorisation, si cela peut vous aider à comprendre, mais elle se trouve à l’intérieur du modèle ou du moteur de prévision. Typiquement, parce qu’elle est très granulaire, ce n’est pas ainsi que cela se fait. Il n’y a pas d’économie. Le seul avantage de l’analyse ABC est que c’est une sorte de méthode qui vous permet d’éviter de faire des calculs. C’est idéal si tout ce que vous avez, c’est un crayon, une feuille de papier, et des milliers d’articles. Imaginez suivre des milliers d’articles à la main au XIXe siècle — c’est un cauchemar. Il était donc très important d’avoir des méthodes ne nécessitant aucun calcul, même pas une addition. C’est intéressant car ces méthodes étaient un peu intuitives et représentaient une sorte d’approche par estimation.
Joannes Vermorel: Chez Lokad, nous adoptons une approche différente. Notre approche de supply chain vise à quantifier les choses dans la plus grande mesure possible. Nous disposons d’ordinateurs incroyablement rapides capables d’effectuer des milliards d’additions par seconde, donc la puissance de traitement brute n’est pas une ressource rare. L’analyse ABC est simpliste, et comme vous l’avez mentionné, l’un des véritables avantages est que vous n’avez pas besoin de stylo et de papier.
Kieran Chandler: Mais il doit y avoir d’autres avantages à l’analyse ABC. Pourquoi les entreprises l’utilisent-elles encore ?
Joannes Vermorel: Eh bien, je ne suis pas entièrement sûr. Nous avons constaté de nombreuses situations où il existe de nombreux avantages perçus, mais lorsqu’il s’agit d’avantages réels et tangibles, c’est beaucoup moins clair. Les entreprises utilisent l’analyse ABC comme une stratégie de “diviser pour régner” afin de répartir la charge de travail du traitement manuel des articles entre de nombreux praticiens de la supply chain. Cependant, la réponse est : ne faites pas cela. C’est une mauvaise idée. Vous devriez disposer de quelque chose qui traite uniformément tous les articles. Si votre méthode repose sur une sorte de catégorisation, il y a de fortes chances que vous puissiez repenser vos méthodes pour vous en passer et utiliser directement la demande moyenne des derniers mois. Cela donnera généralement de meilleurs résultats. Vous n’avez pas besoin de quelque chose qui passe par de grands incréments ou de grandes étapes.
En ce qui concerne le reporting, c’est une approche où la direction produit souvent des indicateurs de vanité. Les gens sont habitués à dire : “Regardez, cher CEO, nous sommes si performants quand nous examinons les articles de classe A, car nos articles de classe A affichent un taux de service de, disons, 95 pour cent.”
Kieran Chandler: Mais encore une fois, il s’agit d’un pourcentage et non de dollars d’erreur, donc peu importe si votre volume de ventes, si vos articles ont un taux de service très, très élevé. Si vos clients pensent toujours que ce dont ils ont vraiment besoin, c’est de voir le reste, l’essentiel est que vous souhaitiez vraiment ramener cela à, je dirais, des dollars de performance, des dollars d’erreur. Je veux dire, des éléments exprimés en dollars plutôt qu’en pourcentage.
Joannes Vermorel: Et une analyse ABC a tendance à générer des indicateurs de vanité dans lesquels vous avez des pourcentages et vous superposez des pourcentages supplémentaires par-dessus. Le décalage avec la réalité effective peut être très, très important. Et si vous combinez cela avec le fait que ces classes ABC sont également très instables, d’une culture à l’autre, vous pouvez vous retrouver avec l’illusion que vos indicateurs sont bons alors qu’en réalité, les choses changent constamment. Par exemple, si vous avez un article de classe A et que vous subissez une rupture de stocks massive, cet article est susceptible de tomber très rapidement en classe B, simplement parce que le nombre d’unités vendues a chuté en raison de votre rupture de stocks. Mais ensuite, d’un point de vue statistique, cela semble bien car vous venez d’exclure de votre classe A un article qui avait de mauvaises performances. Ainsi, soudainement, juste parce que vous avez des articles pour lesquels vous subissez une rupture de stocks massive, ils se retirent en réalité de la classe A par conception, puisque la classe A est pondérée en fonction du volume de ventes. Donc, si vous avez une rupture de stocks massive sur un article de classe A, il ne restera pas dans la classe. Il chutera très rapidement en classe B.
Kieran Chandler: Je vois, donc vous dites que si un article subit une rupture de stocks massive, il peut sembler bien performer selon l’analyse ABC, puisqu’il est déplacé de la classe A à la classe B. Mais cela ne signifie pas nécessairement que tout va bien, car l’article a mal performé en raison de la rupture de stocks, et non parce qu’il performait réellement bien.
Joannes Vermorel: Exactement, tout n’est pas en ordre dans ce cas. Vous avez simplement un effet secondaire où des articles qui performent très mal quittent votre classe des articles à rotation rapide, mais pour toutes les mauvaises raisons.
Kieran Chandler: D’accord, eh bien, je crains que nous devions conclure ici. Mais un grand enseignement d’aujourd’hui est que l’analyse ABC est réservée aux très vaniteux.
Joannes Vermorel: Oui, et ne faites pas cela.
Kieran Chandler: Super, donc c’est tout pour cette semaine. Merci beaucoup d’avoir regardé, et nous vous reverrons la prochaine fois. Au revoir pour l’instant.
