00:00:03 Introduction à l’analyse ABC et les origines du principe de Pareto.
00:00:33 L’analyse de Pareto dans les réseaux sociaux et la chaîne d’approvisionnement.
00:02:03 Le rôle de l’analyse ABC dans la catégorisation des stocks.
00:03:14 L’utilisation et la mauvaise utilisation de l’analyse ABC dans la chaîne d’approvisionnement.
00:06:05 La pertinence de l’analyse ABC dans les systèmes de stocks modernes.
00:08:00 Limitations du système de stocks ABC.
00:09:00 Le manque de spécificité de l’approche ABC.
00:11:02 Problèmes de stabilité de la classification ABC et leur impact.
00:13:01 Proposition de gestion des stocks basée sur les données.
00:15:38 Avantages de la prévision pour les articles à forte rotation.
00:18:01 Combinaison des facteurs économiques, prévision probabiliste vs. ABC.
00:19:00 Passage de l’approche ABC à la théorie de l’information.
00:21:39 Critique de l’analyse ABC : promotion de métriques de vanité.
00:25:17 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 le principe de Pareto 80/20. Il explique comment elle catégorise les produits en classes en fonction de leurs taux de vente, avec ‘A’ représentant les produits à forte valeur et à rotation rapide, et ‘C’ représentant les produits à faible valeur et à rotation lente. Vermorel exprime des préoccupations concernant la simplification excessive de la méthode et son utilisation potentielle dans les chaînes d’approvisionnement modernes, car elle ne parvient pas à saisir les nuances au sein des catégories. Il préconise une approche plus détaillée et granulaire qui tient compte de l’historique des ventes de chaque produit et des contraintes physiques, mettant en garde contre le fait 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 basée sur le principe de Pareto 80/20. Cette méthode catégorise un catalogue en fonction de sa valeur perçue et est largement utilisée dans les logiciels ERP et l’industrie plus large de la gestion de la chaîne d’approvisionnement.

Joannes Vermorel, fondateur de Lokad, explique en détail l’analyse ABC. Il note que la technique trouve son origine dans l’analyse de Pareto, qui postule que dans les phénomènes socialement construits, les 20% d’éléments les plus importants représentent 80% du tout. Ce principe est observable dans divers domaines, tels que les réseaux sociaux, la distribution des richesses et les ventes de produits.

Dans le contexte des chaînes d’approvisionnement, 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 précision mathématique, pourrait remonter à l’Antiquité.

Vermorel explique que l’application pratique de l’analyse ABC pour la gestion des stocks consiste à catégoriser les SKU ou les produits en classes, généralement 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 rotation des stocks variables. Le résultat est une catégorisation grossière qui regroupe les produits ayant des vitesses de rotation des stocks similaires.

Malgré la simplicité de l’analyse ABC, elle est largement utilisée dans l’industrie de la chaîne d’approvisionnement, bien que Vermorel suggère qu’elle est également largement mal utilisée. La catégorisation, soutient-il, est bénéfique lorsqu’elle reflète avec précision 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 inclure 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 manipulation des marchandises.

Vermorel explique comment la méthode d’analyse ABC a été développée 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 pour réapprovisionner le stock lorsque le bac atteint la moitié vide. Cette approche était pratique lorsqu’il n’y avait pas de logiciel pour suivre et gérer les stocks. Cependant, Vermorel soutient que, à l’ère numérique d’aujourd’hui, lorsque 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 faible résolution de l’historique des ventes. Il ne fournit aucune information supplémentaire par rapport à ce qui pourrait être tiré d’un examen détaillé de l’historique des ventes d’un produit. Ainsi, les décisions basées sur ces classifications pourraient potentiellement être affinées et rendues plus précises en utilisant des données de ventes réelles.

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 ces catégories. Par exemple, le top 1% des produits pourrait avoir des vitesses de vente dix fois plus élevées que le top 10%, et cette granularité est perdue avec la classification ABC.

Vermorel suggère une approche plus nuancée et “diviser pour mieux régner” de la gestion des stocks, qui met davantage l’accent sur l’historique des ventes détaillé des produits individuels. Cette approche consiste à attribuer à un responsable des achats 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 de prise de décision dans la chaîne d’approvisionnement, qui inclut les 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 sensé, ce qui est une tâche que les humains ne peuvent pas effectuer manuellement.

Vermorel explique le concept de taux de service par rapport au volume des ventes. Il suggère que les articles avec un volume de ventes plus élevé ont généralement une meilleure prévision car ils se vendent de manière plus constante. Par exemple, un article vendant 100 unités par jour se vendra probablement autour de 100 unités le lendemain, avec une marge d’erreur de 10%. En revanche, les articles avec des volumes de ventes plus faibles ont une demande plus imprévisible. Ils peuvent se vendre seulement une fois par mois, et il est difficile de prévoir quand cette vente pourrait avoir 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 stock nécessaire est déterminée par le délai d’approvisionnement et la variabilité de la demande, ou “l’erraticité”. Si un article présente une forte erraticité, il nécessite plus de stock. Cependant, par rapport 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 faible rotation, la prévision serait plus dispersée en raison d’une plus grande incertitude. En combinant cette prévision probabiliste avec des facteurs économiques tels que le coût du stock, le coût d’achat, les coûts de possession et la marge potentielle, on obtient un taux de service plus précis qui n’a pas besoin d’une catégorisation grossière 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 ardue. Cependant, dans le monde d’aujourd’hui, avec l’avènement d’ordinateurs puissants capables de réaliser des milliards d’opérations par seconde, une telle approche est dépassée.

Il y a deux raisons principales à cela. Premièrement, l’analyse ABC conduit souvent à des métriques de vanité, qui donnent une illusion de bonnes performances alors que la réalité peut être très différente. 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 subissant une rupture de stock massive peut 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, il s’agit simplement d’un effet secondaire d’une mauvaise performance.

Vermorel préconise une approche plus granulaire et adaptative, qui prend en compte 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 observées. Dans ce contexte, il souligne l’importance d’exprimer les métriques en termes de performances ou d’erreurs monétaires, plutôt qu’en pourcentages, afin de mieux correspondre aux réalités économiques de la gestion de la supply chain.

Transcription complète

Kieran Chandler: Bienvenue à nouveau 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 logiciels ERP majeurs ainsi que par l’industrie de la supply chain dans son ensemble. Alors Joannes, voici un aperçu rapide de l’analyse ABC, mais peut-être pourriez-vous nous l’expliquer un peu plus en détail.

Joannes Vermorel: Oui. Comme vous l’avez souligné, l’analyse ABC trouve ses racines dans l’analyse de Perrito, qui décrit essentiellement des catégories entières de réseaux sociaux. L’idée est que les 20% les plus actifs ou importants représentent 80% de la masse. Cela est évident sur des plateformes comme LinkedIn, où les 20% des utilisateurs les plus actifs ont probablement 80% des connexions. De même, les 20% des personnes les plus riches possèdent probablement 80% de la richesse. Dans le contexte de la supply chain, les 20% des produits les plus vendus représentent environ 80% des ventes. Ce principe a été découvert par un mathématicien et ingénieur civil italien du nom de Pareto à la fin du XIXe siècle. Quant à la catégorisation des stocks, cette idée, bien que sans les mathématiques, remonte probablement à l’Antiquité.

Kieran Chandler: Alors, comment fonctionne réellement l’analyse ABC ?

Joannes Vermorel: L’idée clé de l’analyse ABC pour les stocks est de catégoriser vos SKU ou produits en classes. Vous aurez généralement trois à cinq classes, allant de la classe ‘A’, qui est dédiée aux produits à rotation rapide, à la dernière classe ‘D’ ou ‘E’ pour vos produits à rotation lente, avec des classes intermédiaires représentant des vitesses de rotation variables pour vos différents produits. Ce processus aboutit à des regroupements relativement grossiers qui rassemblent des produits ayant des vitesses de rotation similaires, indiquant combien d’unités vous devez produire ou servir en une seule journée.

Kieran Chandler: Cette méthode est-elle utilisée régulièrement par les entreprises au quotidien ? Elle semble très simpliste.

Joannes Vermorel: En effet, elle est simpliste, mais elle est largement utilisée, et je dirais même, largement abusée dans le monde de la supply chain. Cette catégorisation est utile lorsque vos produits reflètent les contraintes physiques que vous avez sur vos produits. Par exemple, dans l’aérospatiale, vous auriez une première catégorie de produits très chers et réparables. Ensuite, vous auriez des produits relativement bon marché mais toujours réparables, puis il y a des consommables que vous ne pouvez pas réparer. Chaque catégorie représente différentes façons de manipuler les marchandises. Dans l’industrie alimentaire, vous auriez différents processus pour les aliments surgelés ou les aliments secs. Ces catégorisations mettent en évidence les processus physiques distincts impliqués. Cependant, l’analyse ABC elle-même ne se préoccupe pas vraiment des aspects physiques des marchandises, mais seulement de la vitesse de vente. L’abus auquel je faisais référence plus tôt est la création de catégories larges définies uniquement par des ventes relatives.

Kieran Chandler: Pouvez-vous expliquer la classification typique des produits ? Je comprends qu’il y a des classes A, B et C. Que signifie-t-il pour un produit d’être un article A ?

Joannes Vermorel: Bien sûr, un article A signifie généralement que vous avez, disons, plus de 20 unités par jour qui sont vendues ou produites. Ce taux de rotation élevé en fait un article A. Ce système de classification est une coupure numérique basée sur le montant des ventes sur une certaine période de temps, disons les trois derniers mois. Les critères exacts varient d’une entreprise à l’autre, mais le concept de base est que vous définissez une vitesse comme une moyenne sur une certaine période de temps, puis vous fixez 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’êtes pas complètement d’accord avec 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 votre inventaire sans avoir à compter quoi que ce soit. Prenons une perspective du XIXe siècle sur la gestion des stocks. Pour les articles de classe A, vous utiliseriez de grands bacs. Si le bac semble à moitié vide, vous passez une commande. Les articles de classe B utiliseraient des bacs plus petits, et les articles de classe C pourraient même ne pas avoir de bac, juste une étagère. Lorsqu’un article est consommé, vous en commandez un autre. Ces méthodes vous permettent de gérer votre inventaire sans compter quoi que ce soit. Vous passez simplement une commande en fonction de l’apparence de votre inventaire, ce qui est génial si vous n’avez aucun logiciel pour gérer votre supply chain. Cependant, dans le monde d’aujourd’hui, où nous pouvons suivre et compter automatiquement les stocks, ce système n’a pas beaucoup de sens.

Fondamentalement, la catégorisation des stocks comme ABCD est une approximation à faible résolution de la quantité que vous devez produire ou consommer sur une période de temps. Toute décision basée sur cette classe pourrait être prise de manière plus précise si elle était basée sur l’historique réel des ventes du produit. L’erreur est que la classe ABC n’ajoute aucune information supplémentaire par rapport à l’historique brut de la demande du produit.

Kieran Chandler: Quels problèmes peuvent survenir en utilisant cette approche ABC ?

Joannes Vermorel: Il y a plusieurs problèmes, principalement liés au fait que c’est un système à très faible résolution. C’est comme avoir la capacité de faire des calculs au gramme mais arrondir tout à la tonne. Tout d’abord, il y a le problème de l’hétérogénéité au sein d’une classe. Si vous avez 2 000 produits et créez cinq classes, chaque classe contiendra toujours environ 400 produits, et il peut y avoir une large gamme de variation au sein de ces classes. Ce système vous donne une illusion de spécificité tout en négligeant les différences significatives entre les produits, en particulier pour les meilleurs vendeurs, où probablement votre top 1% de produits…

Kieran Chandler: Donc, lorsque vous avez les 10% supérieurs de vos ventes, cela fonctionne probablement à des vitesses de vente 10 fois plus élevées par produit. Cependant, si vous n’avez que cinq catégories, vous n’obtiendrez pas la granularité nécessaire. À l’autre extrémité du spectre, pour la longue traîne, elle est très longue en effet. Votre classe ‘C’, par exemple, peut contenir des articles qui ne sont vendus qu’une fois par mois, ainsi que des articles qui ne sont vendus qu’une fois par décennie. Ils sont regroupés, mais ils sont très différents. La façon dont vous abordez quelque chose dont vous avez besoin une fois par décennie et quelque chose dont vous avez besoin une fois par mois serait complètement différente.

Joannes Vermorel: De plus, je dirais que le problème total avec une classification très rudimentaire est qu’elle a tendance à être instable dans le temps. Nous avons expérimenté avec plusieurs clients et avons généralement remarqué qu’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, faites votre analyse ABC, puis regardez les données de ventes pour le 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 simplement parce qu’il a changé de classe. Cela n’a pas vraiment de sens.

Par exemple, si vous aviez un article qui avait une baisse graduelle mais très lente au cours des deux dernières années, pourquoi décideriez-vous que simplement parce que vous avez franchi un certain seuil numérique d’un jour à l’autre, cet article, que vous réapprovisionniez une fois par mois, vous le réapprovisionneriez maintenant seulement deux fois par an ? Cela donne des effets très non linéaires, avec beaucoup de lacunes et de produits qui passent soudainement d’un réapprovisionnement mensuel à un réapprovisionnement annuel. 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 plus efficace ? Si vous ne catégorisez pas vos produits, comment vous assurez-vous de prendre soin de ces produits qui sont vraiment les plus importants ?

Joannes Vermorel: Oui, ici, c’est généralement une approche de division et de conquête que certains responsables de la chaîne d’approvisionnement ont sur leur propre chaîne d’approvisionnement. Ils pourraient dire : “Pour prêter 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 gérera 200 articles. Et si c’est un responsable qui gère les articles de classe ‘C’, ce responsable gérera 1000 articles.” De cette façon, vous avez plus de puissance cérébrale sur chacun des articles les plus importants.

Cependant, cette perspective suppose que toutes les décisions de la chaîne d’approvisionnement, telles que la quantité à acheter, la quantité à produire, où placer les stocks, s’il faut liquider les stocks ou comment ajuster les prix, sont prises par des humains qui font 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.

Donc, si vous voulez vous assurer d’avoir un taux de service plus élevé pour vos articles de classe ‘A’, ce que vous dites vraiment, c’est que si vous avez un article qui se vend davantage, vous pouvez avoir une meilleure prévision. Pourquoi ? Parce que c’est une question de chiffres. Il est beaucoup plus facile de prévoir si un article se vend régulièrement à 100 unités par jour.

Kieran Chandler: Autour de 100, cela va être 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 zéro unité. Pourtant, c’est très erratique. Il peut y avoir des jours où vous en vendez deux de plus.

Joannes Vermorel: En fin de compte, il y a un côté positif. Si vous avez des articles qui ont un volume plus élevé, vous avez tendance à avoir une erratique plus faible. Cela garantit un taux de service plus élevé. Lorsque nous parlons de coûts, c’est plus efficace car la quantité de stocks que vous devez conserver est plus ou moins proportionnelle à votre délai de livraison d’un côté, et à l’erratique de l’autre côté. Si vous avez une erratique deux fois plus grande, vous devez avoir deux fois plus de stock. Vous avez besoin de plus de stock pour les articles qui se vendent davantage, mais comparativement, aux articles qui ont un faible volume de ventes, vous en avez beaucoup moins besoin.

Votre stock pour les articles à fort volume et à rotation rapide est plus efficace en termes de transformation des euros ou des dollars en points de taux de service supplémentaires. C’est pourquoi vous vous retrouvez généralement avec ces catégories et toutes ces recettes. Mais vous pouvez voir le problème complètement différemment.

Tout d’abord, je proposerais d’adopter une prévision probabiliste qui reflète nativement l’incertitude. Pour les articles à fort volume, vous obtiendrez une prévision qui est élevée, évidemment, mais aussi relativement concentrée car votre incertitude est faible. Cette prévision probabiliste fournit une distribution qui reflète les incertitudes que vous aurez sur la demande future.

Pour les articles à rotation lente, vous obtiendrez une distribution de probabilité où la moyenne de la distribution est beaucoup plus basse car en moyenne vous avez moins de demande, mais la distribution sera très étalée car il y a beaucoup d’incertitude, beaucoup d’erratique.

Kieran Chandler: Donc, lorsque vous dites que vous voulez avoir un taux de service élevé, que voulez-vous réellement dire ?

Joannes Vermorel: Ce que vous dites réellement, c’est que pour chaque rupture de stock à laquelle vous êtes confronté, vous perdez des marges. Peut-être avez-vous une pénalité en cas de rupture de stock, vous perdez donc du commerce avec vos clients lorsqu’ils s’attendent à trouver quelque chose et que vous ne pouvez pas livrer les marchandises qui ont été essentiellement annoncées.

L’idée est que si vous combinez le fait que vous avez des facteurs économiques, tels que le coût des stocks, les coûts de possession, le coût d’achat, le coût de rupture de stock et la marge qui est votre récompense supplémentaire, car vous allez revendre vos produits à un prix supérieur à votre coût, alors le taux de service que vous obtenez est simplement une conséquence de la combinaison de ces facteurs économiques avec votre prévision de demande probabiliste.

La catégorisation ABC n’intervient même pas dans le calcul car en fin de compte, la catégorisation ABC n’est qu’une façon grossière d’estimer la demande future ou l’erratique de la demande future, que vous obtenez automatiquement si vous disposez d’un moteur de prévision probabiliste.

Kieran Chandler: Donc, vous dites que c’est une façon très grossière de le faire avec l’analyse ABC. La solution de Lokad n’est-elle pas simplement une optimisation beaucoup plus fine, une 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 nous avons d’articles et autant de classes que nous avons d’historiques de ventes possibles. Si vous avez une granularité si fine que vous avez une classe par situation, la catégorisation devient un peu sans signification.

L’approche de Lokad consiste à penser en termes d’information, plus dans le sens de la théorie de l’information. D’où vient l’information pour prendre une meilleure décision ? Si toute l’information provient de l’historique des ventes observées, alors un modèle de prévision peut potentiellement reconstruire sa propre classification en interne.

Kieran Chandler: La classification, si cela vous aide à voir, 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 génial 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. Donc, il était très important d’avoir des méthodes où vous n’aviez pas besoin de faire de calculs, même pas une addition. C’est intéressant car ces méthodes étaient un peu intuitives et représentaient une sorte d’approche d’estimation.

Joannes Vermorel: Chez Lokad, nous adoptons une approche différente. Notre approche de la supply chain vise à quantifier les choses autant que possible. Nous disposons d’ordinateurs incroyablement rapides capables de faire 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 d’un stylo et d’un papier.

Kieran Chandler: Mais il doit y avoir d’autres avantages de l’analyse ABC. Pourquoi les entreprises continuent-elles de l’utiliser ?

Joannes Vermorel: Eh bien, je ne suis pas tout à fait sûr. Nous avons constaté de nombreuses situations où il y a de nombreux avantages perçus, mais en ce qui concerne les avantages réels et tangibles, c’est beaucoup moins clair. Les entreprises utilisent l’analyse ABC comme une stratégie de “diviser pour mieux 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 la suivante : ne faites pas ça. C’est une mauvaise idée. Vous devriez avoir 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 les supprimer et utiliser directement la demande moyenne des derniers mois. Cela fonctionnera généralement mieux. 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 métriques de vanité. Les gens sont ancrés dans l’habitude de dire : “Regardez, cher PDG, nous sommes si bons lorsque nous regardons les articles ‘A’ car nos articles ‘A’ ont 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 le reste pour le voir, le problème est que vous voulez vraiment le ramener à, je dirais, des dollars de performance, des dollars d’erreur. Je veux dire des choses qui sont exprimées en dollars plutôt qu’en pourcentage.

Joannes Vermorel: Et une analyse ABC, c’est généralement conscient de construire des métriques de vanité où vous avez des pourcentages et vous construisez des pourcentages supplémentaires par-dessus vos pourcentages. Et la déconnexion avec la réalité réelle peut être très, très forte. Et si vous ajoutez à cela le fait que ces classes ABC sont également très instables, vous savez, d’une culture à l’autre, vous pouvez vous retrouver avec l’illusion que vos métriques sont bonnes alors que les choses changent tout le temps. Par exemple, si vous avez un article qui est de classe A et que vous subissez une rupture de stock massive, cet article est susceptible de passer très rapidement en classe B simplement parce que le nombre d’unités vendues a diminué en raison de votre rupture de stock. Mais ensuite, en termes de statistiques, cela semble bon car vous venez de sortir de votre classe A un article qui se comportait mal. Donc soudainement, vous savez, simplement parce que vous avez des articles où vous avez une rupture de stock massive, ils vont en fait sortir eux-mêmes de la classe A par conception car la classe A pèse comme le volume des ventes. Donc, si vous avez une rupture de stock massive sur quelque chose qui est de classe A, cela ne va pas durer dans la classe. Il va rapidement passer en classe B.

Kieran Chandler: Je vois, donc vous dites que si un article connaît une rupture de stock massive, il peut sembler bien se comporter en fonction de l’analyse ABC, car il passe de la classe A à la classe B. Mais cela ne signifie pas nécessairement que tout va bien car l’article s’est mal comporté en raison de la rupture de stock, et non parce qu’il se comportait réellement bien.

Joannes Vermorel: Exactement, tout n’est pas bien dans ce cas. Vous avez simplement un effet secondaire où les choses qui se comportent très mal sortent de votre classe de produits à rotation rapide, mais pour toutes les mauvaises raisons.

Kieran Chandler: D’accord, eh bien, je crains que nous devions en rester là. Mais une grande leçon à retenir aujourd’hui est que l’analyse ABC est juste pour les très vaniteux.

Joannes Vermorel: Oui, et ne faites pas ça.

Kieran Chandler: Super, c’est tout pour cette semaine. Merci beaucoup de nous avoir regardés et nous vous reverrons la prochaine fois. Au revoir pour le moment.