00:00:07 Les stocks de sécurité et leurs inconvénients.
00:00:39 Définition et concept des stocks de sécurité.
00:02:05 Origines du concept des stocks de sécurité et pourquoi il demeure populaire.
00:04:10 Problèmes liés aux stocks de sécurité : ignorer la saisonnalité et faire des hypothèses irréalistes de distribution normale.
00:07:15 Situations où les stocks de sécurité ne fonctionnent pas et nécessité d’approches alternatives.
00:09:06 Comment les stocks de sécurité sous-estiment le risque et conduisent à un surstockage.
00:12:00 Le paradoxe des stocks de sécurité et leur inefficacité à traiter les incertitudes.
00:13:20 Décisions opérationnelles et contrôle dans la gestion de la supply chain.
00:15:00 Approches alternatives entre les stocks de sécurité et les méthodes probabilistes.
00:16:00 Affiner les modèles paramétriques en supply chain.
00:18:54 Le problème du gaspillage dans les stocks de sécurité et ses conséquences.
00:20:37 Le rôle des prévisions et leur impact sur les stocks de sécurité.
00:22:29 Corriger les erreurs dans la gestion de la supply chain pour des améliorations.
00:23:01 Message clé : Ne faites pas confiance aux modèles mathématiques obsolètes en supply chain.
Résumé
Dans cette interview, Kieran Chandler et le fondateur de Lokad, Joannes Vermorel, discutent des inconvénients des stocks de sécurité dans la gestion de la supply chain. Les stocks de sécurité, le supplément de stocks visant à compenser la variabilité de la demande, peuvent être excessivement conservateurs, conduisant à un surstockage et au gaspillage. Leur popularité est due à leur simplicité et à l’amélioration historique par rapport aux calculs manuels, mais ils ne tiennent pas compte des incertitudes complexes de la supply chain. La dépendance du modèle à une distribution normale pour la demande et les délais d’approvisionnement est irréaliste, et il ne s’ajuste pas aux grandes variations ou aux événements surprenants. Au lieu de cela, Vermorel suggère une approche probabiliste pour une meilleure optimisation et gestion de stocks, tout en abordant les conséquences de l’incertitude et en améliorant les processus après la prévision.
Résumé Détaillé
Dans cette interview, l’animateur Kieran Chandler et le fondateur de Lokad, Joannes Vermorel, discutent du concept de stocks de sécurité et de ses limites dans la gestion de la supply chain. Le stock de sécurité fait référence au supplément de stocks acheté pour se prémunir contre la variabilité de la demande et des délais d’approvisionnement. Malgré sa simplicité, cette méthode est souvent trop conservatrice, menant à un surstockage et au gaspillage des stocks. L’interview explore les origines des stocks de sécurité, ses limites et des approches alternatives pour les professionnels de la supply chain.
Les stocks de sécurité sont nés de l’idée que, compte tenu d’une prévision de la demande, une entreprise devrait détenir plus de stocks que la quantité prévisionnelle afin de réduire le risque de ruptures de stock. Ce supplément de stocks, ou “stock de sécurité”, sert de tampon contre les fluctuations potentielles de la demande. Au fil du temps, l’industrie s’est convergée vers une méthode spécifique de calcul des stocks de sécurité : supposer que la demande future et les délais d’approvisionnement sont distribués de manière normale (gaussienne) et appliquer ce modèle pour déterminer le tampon nécessaire.
Selon Vermorel, la popularité des stocks de sécurité peut être attribuée à leur nom rassurant et au fait que, historiquement, ils représentaient une amélioration par rapport aux calculs manuels. Les premiers ordinateurs des années 1960 et 1970 peinaient avec des calculs plus complexes, de sorte que les calculs des stocks de sécurité offraient une solution suffisamment bonne à l’époque. Cependant, de nombreux praticiens ont continué à se fier aux stocks de sécurité même avec l’avancée des capacités informatiques, ce qui a conduit à leur utilisation généralisée aujourd’hui.
Le problème fondamental des stocks de sécurité est l’hypothèse selon laquelle toute l’incertitude peut être réduite à une distribution normale, tant pour la demande que pour les délais d’approvisionnement. Cette hypothèse est particulièrement problématique pour les délais d’approvisionnement. En se fiant aux calculs des stocks de sécurité, les entreprises tendent à créer une fraction constante de leur demande en tant que tampon, en ignorant des facteurs tels que la saisonnalité. Alors que les prévisions de la demande tiennent souvent compte des fluctuations saisonnières, l’incertitude dans ces prévisions n’est pas ajustée de la même manière.
En résumé, le concept des stocks de sécurité, bien que simple et apparemment rassurant, est défectueux en raison de sa dépendance aux hypothèses de distribution normale pour la demande et les délais d’approvisionnement. Cette approche conduit souvent à un surstockage et à un gaspillage des stocks, car elle ne tient pas compte de la nature complexe de l’incertitude en supply chain. Au fur et à mesure que la discussion progresse, l’interview vise à explorer des méthodes alternatives pour l’optimisation de la supply chain qui dépassent les limites des calculs traditionnels de stocks de sécurité.
La conversation commence par une analyse du modèle classique de stocks de sécurité, que Vermorel soutient être une mauvaise approximation pour gérer les incertitudes en supply chain.
Vermorel explique que l’hypothèse du modèle de stocks de sécurité d’une distribution normale pour la demande et les délais d’approvisionnement est irréaliste. Par exemple, les délais d’approvisionnement pourraient être constamment courts, sauf en cas de ruptures de stock chez le fournisseur, ce qui pourrait entraîner des délais beaucoup plus longs. Cela aboutit à une distribution qui n’est pas en forme de cloche, mais plutôt à un pic autour du temps nominal et une longue traîne pour les événements rares.
Le modèle de stocks de sécurité omet également de prendre en compte de grandes déviations ou des événements surprenants pouvant avoir un impact significatif sur les supply chains. Ces événements, comme la grippe aviaire affectant les ventes de poulet, ne sont pas pris en considération dans le modèle de distribution normale. En pratique, ces grandes déviations se produisent suffisamment fréquemment pour poser des problèmes.
On pourrait penser qu’une sous-estimation du risque conduirait à plus de ruptures de stock, mais en pratique, les praticiens de la supply chain s’adaptent et gonflent leurs stocks de sécurité pour compenser le risque sous-estimé. Ils le font en introduisant des facteurs d’inflation, soit explicitement, soit en fixant des objectifs de taux de service plus élevés. Cela conduit à un surstockage, ce qui est contre-intuitif pour un modèle conçu pour garantir la sécurité.
Le problème avec cette approche est que le stock de sécurité gonflé est appliqué uniformément à tous les produits, entraînant des surstocks et des inefficacités. Cela est aggravé par des praticiens qui microgèrent leurs prévisions mais qui ensuite gonflent leurs stocks de sécurité, annulant ainsi la précision de leurs calculs.
Vermorel suggère qu’une approche probabiliste est mieux adaptée pour gérer les incertitudes en supply chain. Cette approche reconnaît que les stocks de sécurité sont à la fois dangereux et inefficaces. En réalité, il n’existe pas de piles séparées de stocks opérationnels et de stocks de sécurité dans les entrepôts; il n’y a qu’une seule pile de stocks. La question devient alors de savoir si ces stocks sont adaptés pour servir les clients.
Afin de transmettre ce message aux clients qui tiennent absolument à disposer d’un tampon de stocks de sécurité, Vermorel insiste sur le fait que les stocks de sécurité sont dangereux et inefficaces. Au lieu de cela, une approche probabiliste qui modélise avec précision les incertitudes en supply chain peut conduire à une meilleure optimisation et à une gestion de stocks améliorée.
Vermorel explique que les stocks de sécurité peuvent détourner l’attention des entreprises des décisions qu’elles peuvent prendre, telles que les commandes d’achat et les ordres de fabrication. Il soutient que les approches probabilistes sont plus adaptées à la gestion de la supply chain, car elles permettent un meilleur contrôle des décisions ayant un impact direct sur les supply chains.
Cependant, Chandler souligne que les approches probabilistes sont complexes, car elles nécessitent des courbes de demande différentes pour chaque article d’un catalogue. Il demande s’il existe une solution intermédiaire pour les supply chain executives qui soit moins complexe que l’approche de Lokad, mais plus avancée que les calculs de stocks de sécurité. Vermorel admet que, bien qu’il existe un paradoxe dans l’analyse statistique moderne, il est possible d’utiliser des modèles paramétriques plus complexes. Cependant, ces modèles deviennent rapidement difficiles à manipuler et à comprendre, menant souvent à une notation mathématique opaque. En conséquence, Vermorel suggère qu’il pourrait être plus simple d’utiliser des techniques de machine learning capables d’ajuster n’importe quelle distribution, même si elles manquent de formules explicites.
La conversation se tourne ensuite vers le problème de l’argent gaspillé à cause des stocks de sécurité. Vermorel estime que l’accent mis sur les stocks de sécurité et la prévision de la demande est mal orienté, car il ne traite pas d’autres sources d’incertitude, telles que les délais d’approvisionnement. Il note également que l’idée d’une prévision parfaite est une illusion, car les prévisions seront toujours imparfaites. Au lieu de cela, les praticiens de la supply chain devraient se concentrer sur les conséquences de l’incertitude et travailler à améliorer leurs processus après la prévision.
Dans de nombreuses situations, il est difficile d’améliorer significativement une moyenne mobile bien ajustée pour la prévision de la demande. Vermorel explique que blâmer les prévisions pour les écarts est souvent futile, car les véritables problèmes se trouvent souvent dans les étapes qui suivent. Il encourage les praticiens de la supply chain à se concentrer sur l’amélioration de ces domaines, car ils représentent souvent des opportunités faciles pour réaliser des gains substantiels.
Transcription Intégrale
Kieran Chandler : Aujourd’hui sur Lokad TV, nous allons expliquer pourquoi cette méthode ne fonctionne pas et également discuter des alternatives accessibles aux professionnels de la supply chain. Alors Joannes, avant d’aborder les problèmes liés aux stocks de sécurité, nous devrions peut-être commencer par en expliquer un peu plus. Comment définirais-tu le stock de sécurité ?
Joannes Vermorel : Les stocks de sécurité sont nés de l’idée qu’une fois que vous disposez d’une prévision, si vous stockez une quantité égale à votre prévision et si cette prévision est équilibrée, alors vous avez 50 % de chance d’être en rupture de stock. C’est en quelque sorte la définition d’une prévision de demande équilibrée. Ainsi, par conséquent, vous devez détenir plus de stocks que ce que vous prévoyez. Cette différence entre ce que vous prévoyez et ce dont vous avez réellement besoin pour couvrir raisonnablement la demande future correspond au soi-disant stock de sécurité. Le concept général est d’ajouter un tampon supplémentaire par rapport à votre prévision moyenne.
Cependant, le stock de sécurité a aujourd’hui une définition beaucoup plus restreinte. L’industrie s’est concentrée sur une méthode unique de calcul du stock de sécurité, qui consiste essentiellement à supposer que la demande future et les délais d’approvisionnement futurs sont distribués de manière normale. Et par “normalement”, j’entends gaussien. Ensuite, ce modèle spécifique est appliqué pour calculer combien vous devez placer dans ce stock de sécurité.
Kieran Chandler : Quand ces idées ont-elles émergé et pourquoi le marché s’y accroche-t-il autant ?
Joannes Vermorel : Je pense que le terme “stock de sécurité” est efficace. Il sonne rassurant et il ne faut jamais sous-estimer le pouvoir d’une bonne marque. Les stocks de sécurité donnent une impression de sécurité. Il semble judicieux de dire, “Nous jouons la sécurité, nous avons ces stocks de sécurité.” Si vous devez choisir entre une méthode sûre et une méthode non sûre, bien sûr, vous choisirez la méthode sûre.
Ainsi, je pense qu’avoir un nom accrocheur a contribué au succès de cette approche très spécifique. D’autre part, pendant longtemps, les ordinateurs étaient extrêmement faibles. Nous sommes passés des calculs effectués à la main, où une distribution normale était le mieux que nous puissions faire, ce qui était préférable à l’absence de recette numérique. Ensuite, à l’ère des premiers ordinateurs, à la fin des années 60 et au début des années 70, cela suffisait. Je pense que de nombreux praticiens se sont tout simplement reposés sur leurs lauriers et que la situation est restée ainsi.
Cependant, le concept clé d’avoir l’idée de ce tampon supplémentaire a toujours du sens de nos jours. Ce qui n’a pas de sens, c’est de dire que toute l’incertitude peut être réduite à une distribution normale, tant pour la demande que pour les délais d’approvisionnement. Cela est particulièrement absurde en ce qui concerne les délais d’approvisionnement.
Kieran Chandler : L’idée que cela soit dangereux peut sembler un peu extrême pour certaines personnes. Pourquoi pense-t-on que c’est un peu dangereux ? D’où viennent ces difficultés clés associées aux stocks de sécurité ?
Joannes Vermorel : Le stock de sécurité, pour vous donner une idée de son fonctionnement, commence par votre demande. Ce que vous obtenez, c’est de créer un stock qui est une certaine fraction de la demande. Ainsi, si vous prévoyez 100, vous pourriez ajouter 80 unités, soit 80 % de votre demande initiale, et c’est votre stock de sécurité. C’est une conséquence directe du choix d’un certain taux de service avec une hypothèse de distribution normale appliquée à la demande.
Le problème est que, lorsque vous faites cela, vous ignorez complètement la saisonnalité. Votre prévision de la demande est fréquemment saisonnière, ce qui est tout à fait attendu. Mais la réalité, c’est que l’incertitude est également saisonnière.
Kieran Chandler : Vous suggérez que le modèle classique de stock ignore complètement tous les schémas qui impactent l’incertitude. Vous mentionnez également que l’application d’une distribution normale à la demande est un peu tirée par les cheveux. Pouvez-vous en dire plus à ce sujet ?
Joannes Vermorel : Bien sûr. Appliquer une distribution normale, en particulier aux délais d’approvisionnement, peut être trompeur. Par exemple, considérez un fournisseur qui vous livre généralement en deux jours. En Europe, il faut généralement seulement une journée pour expédier les articles, donc votre délai d’approvisionnement est typiquement de deux jours. Cependant, si votre fournisseur subit une rupture de stock, le délai pourrait aller jusqu’à trois mois.
Kieran Chandler : Donc, ce n’est pas une courbe en cloche, n’est-ce pas ?
Joannes Vermorel : Absolument pas. C’est un schéma complètement différent. Nous observons un pic significatif autour de votre délai nominal, suivi d’éventuels retards importants. Cela se produit si vous faites face à un événement spécifique tel qu’une rupture de stock chez un fournisseur. Il est donc inapproprié de modéliser cela comme une distribution normale - c’est comme essayer d’insérer un carré dans un cercle.
Kieran Chandler : Cela signifie-t-il qu’une petite variabilité ou des inconnues minimes perturbent l’efficacité des stocks de sécurité ?
Joannes Vermorel : En effet. Tout élément susceptible de perturber le statu quo, qui pourrait déclencher une situation où la demande pour un produit s’évapore, rend le modèle des stocks de sécurité inadapté. Par exemple, si vous vendez du poulet, et qu’une épidémie de grippe aviaire est annoncée, les gens pourraient cesser de consommer du poulet pendant six mois. Il s’agit d’une déviation significative par rapport à la norme, et cela n’est pas pris en compte dans une distribution normale.
Kieran Chandler: Alors, de grandes déviations sont-elles courantes dans les supply chains réelles ?
Joannes Vermorel: Étonnamment, oui. Bien qu’elles ne se produisent pas constamment pour tous les produits, toute grande entreprise connaîtra au moins quelques grosses surprises chaque trimestre. Les modèles de safety stocks, cependant, suggèrent que de telles grandes déviations n’existent pas. Lorsque vous optimisez votre supply chain sous cette hypothèse, et que de telles déviations surviennent, cela peut s’avérer vraiment coûteux.
Kieran Chandler: Compte tenu de ces imprévus et surprises, une approche probabiliste serait-elle meilleure ? Quels sont les avantages clés de cette approche par rapport aux safety stocks ?
Joannes Vermorel: Lorsque vous disposez d’un modèle qui sous-estime significativement votre risque, cela peut conduire à des niveaux de stocks inadéquats. En théorie, les safety stocks devraient compenser cela en servant de tampon contre une demande inattendue. Cependant, en pratique, les praticiens de supply chain s’adaptent d’une manière qui peut aggraver le problème. Ils utilisent des modèles de safety stocks qui sous-estiment le risque, visant un taux de service élevé, par exemple 98 %. Mais comme le risque est sous-estimé, le taux de service réel est inférieur.
Kieran Chandler: En ce qui concerne les événements de queue, tant en termes de temps que de demande, il est probable que vous obteniez, disons, un taux de service de 85 %. Cela est très loin de votre objectif de 98 % de taux de service. Alors, que faites-vous ?
Joannes Vermorel: Vous utilisez la solution miracle, qui est un paramètre multiplicatif supplémentaire à vos safety stocks. Vous partez de votre modèle avec l’hypothèse d’une distribution normale, puis, puisque littéralement tout le monde utilisant les safety stocks s’est rendu compte que nous avions ces problèmes, nous devons gonfler nos safety stocks. Les entreprises vont introduire ces facteurs d’inflation de deux manières. Soit vous ajoutez explicitement un facteur, soit vous indiquez dans le logiciel que vous souhaitez un taux de service de 98 %, mais vous entrez 99,9, car c’est la manière d’obtenir empiriquement ce 98 %.
Ce qui se passe, c’est que, parce que votre modèle sous-estime votre risque, vous gonflez vos safety stocks de manière assez uniforme. Cela crée un problème important en générant d’importants excédents de stocks. Le paradoxe, c’est que vous avez un modèle qui sous-estime le risque, si bien que vous gonflez vos safety stocks partout et, au final, vous générez beaucoup d’excédents de stocks. C’est amusant parce que vous partez de quelque chose qu’on appelle les safety stocks, mais c’est intrinsèquement dangereux à cause de ce processus.
Kieran Chandler: Donc, ce que vous dites, c’est que vous ajustez toujours pour un scénario de pire cas. Chacun ajuste pour le jour où il aura vraiment besoin du stock, et ensuite, si le stock ou la demande change, il dispose toujours de ce facteur de sécurité supplémentaire.
Joannes Vermorel: Oui, et vous aurez ce safety stock additionnel partout. Les gens vont microgérer leurs prévisions, passer beaucoup de temps à les ajuster. Ils vont tout calculer jusqu’au dernier gramme pour être super précis et ensuite, grâce à ce safety stock, ils arrondissent tout à la tonne métrique suivante, simplement parce qu’ils appliquent ce facteur d’inflation de manière uniforme sur tous les produits. Je stéréotype un peu, mais c’est une approximation grossière de ce qui se passe réellement ou de ce que j’ai vu se produire à de nombreuses reprises.
Kieran Chandler: Alors, comment gérez-vous ces clients qui sont intransigeants sur le fait qu’ils ont besoin de cette valeur de sécurité supplémentaire, de ce safety stock, de ce tampon ? Quel est le message clé que vous devez leur transmettre ?
Joannes Vermorel: Le message clé est le suivant : d’abord, les safety stocks sont dangereux et également inefficaces. C’est une fiction. Dans votre entrepôt, vous n’avez pas deux sortes de stock : le stock opérationnel qui répond à la demande et les safety stocks qui couvrent l’incertitude. Vous n’avez qu’un seul tas de stocks. La question est de savoir si ce volume de stocks est adapté pour servir vos clients. En réalité, vous n’avez pas autant de contrôle sur le niveau des stocks, car vous ne contrôlez pas la demande des clients. Ce sur quoi vous pouvez agir, ce sont les bons de commande ou les ordres de fabrication que vous passez.
Le problème avec les safety stocks, c’est qu’ils vous détournent des décisions que vous pouvez prendre, celles qui sont à votre portée et qui ont un impact physique réel sur vos supply chains, telles que les bons de commande, les ordres d’approvisionnement ou les ordres de fabrication. Le message clé serait de vous concentrer sur la décision que vous prenez, et non sur les paramètres relativement arbitraires de votre ERP.
Kieran Chandler: Le problème d’une approche probabiliste, c’est qu’elle est relativement complexe. Vous avez une courbe de demande différente pour chaque article de votre catalogue, alors que l’avantage des safety stocks, c’est qu’ils sont relativement simplistes. Vous ajoutez simplement un certain tampon pour chaque article. Y a-t-il quelque chose entre les deux pour les dirigeants supply chain qu’ils pourraient utiliser ? Quelque chose d’un peu moins complexe que l’approche probabiliste de Lokad, mais un peu meilleur et plus avancé qu’une approche de type safety stocks ?
Joannes Vermorel: Je pense que nous touchons à un petit paradoxe de l’analyse statistique moderne. Le safety stock est une approche paramétrique en statistique, où vous avez un modèle avec des paramètres tels que la moyenne et la variance, et vous utilisez ce modèle pour affiner les paramètres. Cependant, on peut rapidement se rendre compte que ce modèle paramétrique est complètement inadapté à la situation, tout comme un carré est une très mauvaise approximation d’un cercle. Vous pouvez essayer d’ajouter plus de complexité au modèle, mais très vite, il devient cryptique et difficile à comprendre pour les praticiens de supply chain.
Vous pourriez opter pour des modèles explicites plus complexes, mais ceux-ci deviennent très difficiles en termes de notation mathématique. Il est en fait plus simple d’utiliser des techniques de machine learning, qui sont un peu plus opaques mais peuvent s’adapter à n’importe quel type de distribution. La réalité est que, lorsque vous souhaitez combiner correctement l’incertitude des temps de livraison avec la demande, vous ne pouvez pas vous attendre à une formule simple et fermée. Ce sera compliqué quoi qu’il en soit, mais il est également nécessaire de tenir compte des interactions subtiles entre les temps de livraison et la demande.
Kieran Chandler: Nous avons beaucoup parlé du gaspillage des safety stocks et du fait que c’est de l’argent gaspillé. Pourquoi est-ce quelque chose que les gens n’ont pas essayé d’améliorer, et pourquoi n’a-t-on pas porté une attention particulière ?
Joannes Vermorel: Je pense que c’est parce que les safety stocks sont bien compris par de nombreux praticiens de supply chain. Ils ont tendance à sous-estimer que bien comprendre la demande future n’est que le début. La demande future n’est pas la seule source d’incertitude ; les temps de livraison futurs en sont une autre, et il y a d’autres problèmes également. Les praticiens peuvent se laisser distraire par la prévision pure de la demande, et il y a aussi cette illusion que, s’ils parviennent à résoudre définitivement le problème de prévision, tous les autres problèmes seront réglés.
Kieran Chandler: Il semble qu’il y ait la croyance qu’une prévision parfaite élimine tous les autres problèmes. Cependant, vous suggérez que c’est une illusion, et que ce que nous devons faire, c’est adopter une approche probabiliste, en reconnaissant que la prévision sera toujours imparfaite. Pouvez-vous développer cela ?
Joannes Vermorel: Absolument. L’approche probabiliste consiste à renoncer au rêve d’une prévision parfaite. Il s’agit d’accepter que les prévisions seront toujours imparfaites et de faire face aux conséquences de cette imperfection. Par exemple, l’une des conséquences est qu’il faut commencer à envisager l’impact des incertitudes, telles que les safety stocks, qui sont une méthode très rudimentaire de modéliser les conséquences de cette incertitude.
Kieran Chandler: Alors, suggérez-vous que la prévision est souvent injustement blâmée ?
Joannes Vermorel: Oui, c’est exactement ce que je dis. Avec les safety stocks, les gens ont tendance à blâmer la prévision alors qu’en réalité, elle était aussi bonne qu’elle pouvait l’être. Il est difficile de faire beaucoup mieux qu’une moyenne mobile bien ajustée. Certes, vous pouvez l’améliorer un peu en tenant compte de facteurs comme la saisonnalité, mais même dans ce cas, il est difficile de réduire l’erreur de plus d’un tiers. Donc, blâmer la prévision est vain. Très souvent, les véritables erreurs se produisent par la suite, et ce sont dans ces domaines que nous pouvons apporter des améliorations significatives.
Kieran Chandler: Pour conclure, quel est le message clé pour les dirigeants supply chain ? Doivent-ils commencer à abandonner leurs calculs de safety stocks et accepter les ruptures de stock, ou mieux comprendre leurs prévisions ?
Joannes Vermorel: Le message clé est de ne pas faire confiance aux modèles mathématiques qui ont été principalement inventés pour le calcul manuel. Il n’est pas raisonnable de gérer votre supply chain sur la base d’une méthode qui ne nécessite pas d’ordinateurs. De la même manière qu’il n’aurait aucun sens de conserver un grand nombre de sacs à dos au cas où les camions cesseraient de fonctionner. Le problème avec les safety stocks, c’est qu’ils persistent grâce à un bon marketing et à ce qui semble être une subtilité obscure de l’optimisation de la supply chain. Je suggère de remettre en question vos hypothèses lorsque vous traitez de l’optimisation numérique de votre supply chain. Vous n’avez pas besoin d’être mathématicien pour cela. Vérifiez simplement si ces hypothèses correspondent à la réalité de votre supply chain.
Kieran Chandler: Je vois, donc, pourrions-nous observer un changement consistant à passer de l’appellation “safety stocks” à “unsafety stocks” à l’avenir ?
Joannes Vermorel: Qui sait ? Cela pourrait tout à fait être le cas.
Kieran Chandler: Merci, Joannes. C’est tout pour cette semaine. Merci à nos auditeurs de nous avoir suivis, et nous nous reverrons la prochaine fois. Au revoir pour le moment.
