00:00:07 Le stock de sécurité et ses inconvénients.
00:00:39 Définition et concept du stock de sécurité.
00:02:05 Origines du concept de stock de sécurité et raisons de sa popularité.
00:04:10 Problèmes avec le stock de sécurité : ignorance de la saisonnalité et hypothèses irréalistes de distribution normale.
00:07:15 Situations où le stock de sécurité ne fonctionne pas et nécessité d’approches alternatives.
00:09:06 Comment le stock de sécurité sous-estime les risques et conduit à une surstockage.
00:12:00 Le paradoxe des stocks de sécurité et leur inefficacité face aux incertitudes.
00:13:20 Décisions et contrôle réalisables dans la gestion de la supply chain.
00:15:00 Approches alternatives entre les stocks de sécurité et les méthodes probabilistes.
00:16:00 Affinement des modèles paramétriques dans la supply chain.
00:18:54 Le problème du gaspillage dans le stock de sécurité et ses conséquences.
00:20:37 Le rôle des prévisions et leur impact sur le stock de sécurité.
00:22:29 Correction des erreurs dans la gestion de la supply chain pour des améliorations.
00:23:01 Message clé : Ne faites pas confiance aux modèles mathématiques obsolètes dans la supply chain.
Résumé
Dans cette interview, Kieran Chandler et le fondateur de Lokad, Joannes Vermorel, discutent des inconvénients du stock de sécurité dans la gestion de la supply chain. Le stock de sécurité, qui correspond à l’inventaire supplémentaire permettant de lisser la variabilité de la demande, peut être excessivement conservateur, entraînant une surstockage et du gaspillage. Sa popularité est due à sa simplicité et à son amélioration historique par rapport aux calculs manuels, mais il ne tient pas compte des incertitudes complexes de la supply chain. Le modèle repose sur une distribution normale pour la demande et les délais d’approvisionnement, ce qui est irréaliste, et il ne s’ajuste pas aux grandes déviations ou aux événements surprenants. Vermorel suggère plutôt une approche probabiliste pour une meilleure optimisation et gestion des stocks, tout en tenant compte des conséquences de l’incertitude et en améliorant les processus après les prévisions.
Résumé étendu
Dans cette interview, l’animateur Kieran Chandler et le fondateur de Lokad, Joannes Vermorel, discutent du concept de stock de sécurité et de ses limites dans la gestion de la supply chain. Le stock de sécurité désigne l’inventaire supplémentaire acheté pour se protéger contre la variabilité de la demande et des délais d’approvisionnement. Malgré sa simplicité, cette méthode est souvent trop conservatrice, ce qui entraîne une surstockage et un gaspillage d’inventaire. L’interview explore les origines du stock de sécurité, ses limites et les approches alternatives pour les professionnels de la supply chain.
Le stock de sécurité est né de l’idée que, compte tenu d’une prévision de la demande, une entreprise devrait détenir plus d’inventaire que la quantité prévue pour réduire le risque de ruptures de stock. Cet inventaire supplémentaire, ou “stock de sécurité”, sert de tampon pour les fluctuations potentielles de la demande. Au fil du temps, l’industrie s’est accordée sur une méthode spécifique de calcul du stock de sécurité : en supposant que la demande future et les délais d’approvisionnement suivent une distribution normale (gaussienne) et en appliquant ce modèle pour déterminer le tampon nécessaire.
Selon Vermorel, la popularité du stock de sécurité peut s’expliquer par son nom rassurant et le fait qu’il représentait historiquement une amélioration par rapport aux calculs manuels. Les premiers ordinateurs des années 1960 et 1970 avaient du mal avec des calculs plus complexes, de sorte que les calculs de stock de sécurité fournissaient une solution suffisamment satisfaisante à l’époque. Cependant, de nombreux praticiens ont continué à s’appuyer sur le stock de sécurité même avec l’évolution des capacités de calcul, ce qui explique son utilisation généralisée aujourd’hui.
Le problème fondamental avec le stock de sécurité est l’hypothèse selon laquelle toute incertitude peut être réduite à une distribution normale à la fois pour la demande et les délais d’approvisionnement. Cette hypothèse est particulièrement problématique pour les délais d’approvisionnement. En s’appuyant sur les calculs de stock de sécurité, les entreprises ont tendance à créer une fraction constante de leur demande comme tampon, en ignorant des facteurs tels que la saisonnalité. Alors que les prévisions de demande tiennent souvent compte des fluctuations saisonnières, l’incertitude de ces prévisions n’est pas ajustée de manière similaire.
En résumé, le concept de stock de sécurité, bien que simple et apparemment rassurant, est défectueux en raison de sa dépendance à l’égard des hypothèses de distribution normale pour la demande et les délais d’approvisionnement. Cette approche conduit souvent à une surstockage et à un gaspillage d’inventaire, car elle ne tient pas compte de la nature complexe de l’incertitude de la supply chain. Au fur et à mesure de la discussion, l’interview vise à explorer des méthodes alternatives d’optimisation de la supply chain qui dépassent les limites des calculs traditionnels de stock de sécurité.
La conversation commence par une analyse du modèle classique de stock de sécurité, que Vermorel estime être une mauvaise approximation pour gérer les incertitudes de la supply chain.
Vermorel explique que l’hypothèse d’une distribution normale à la fois pour la demande et les délais d’approvisionnement du modèle de stock de sécurité est irréaliste. Par exemple, les délais d’approvisionnement peuvent être constamment courts, sauf en cas de rupture de stock chez le fournisseur, ce qui pourrait entraîner des délais beaucoup plus longs. Cela donne une distribution qui n’est pas en forme de cloche, mais plutôt un pic autour du temps nominal et une longue traîne pour les événements rares.
Le modèle de stock de sécurité ne tient également pas compte des grandes déviations ou des événements surprenants qui peuvent avoir un impact significatif sur les supply chains. Ces événements, tels que la grippe aviaire affectant les ventes de poulet, ne sont pas pris en compte dans le modèle de distribution normale. En pratique, ces grandes déviations se produisent assez fréquemment pour causer des problèmes.
On pourrait penser qu’une sous-estimation du risque entraînerait 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 une surstockage, ce qui est contre-intuitif pour un modèle conçu pour assurer la sécurité.
Le problème avec cette approche est que le stock de sécurité gonflé est appliqué uniformément à tous les produits, ce qui entraîne des surstocks et des inefficacités. Cela est aggravé par les praticiens qui gèrent leurs prévisions de manière microscopique, mais qui gonflent ensuite leurs stocks de sécurité, annulant ainsi la précision de leurs calculs.
Vermorel suggère qu’une approche probabiliste est mieux adaptée pour gérer les incertitudes de la supply chain. Cette approche reconnaît que les stocks de sécurité sont à la fois dangereux et inefficaces. En réalité, il n’y a pas de piles distinctes de stocks de travail et de stocks de sécurité dans les entrepôts; il n’y a qu’une seule pile de stock. La question est de savoir si ce stock est adapté pour servir les clients.
Afin de communiquer ce message aux clients qui insistent pour avoir un tampon de stock de sécurité, Vermorel souligne que les stocks de sécurité sont dangereux et inefficaces. Au lieu de cela, une approche probabiliste qui modélise avec précision les incertitudes de la supply chain peut conduire à une meilleure optimisation et gestion des stocks.
Vermorel explique que les stocks de sécurité peuvent distraire les entreprises de se concentrer sur les 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 qui ont un impact direct sur les supply chains.
Cependant, Chandler souligne que les approches probabilistes sont complexes, car elles nécessitent différentes courbes de demande pour chaque article d’un catalogue. Il demande s’il existe une solution intermédiaire pour les cadres de la supply chain qui est moins complexe que l’approche Lokad mais plus avancée que les calculs de stocks de sécurité. Vermorel admet qu’il y a un paradoxe dans l’analyse statistique moderne, mais il est possible d’utiliser des modèles paramétriques plus complexes. Cependant, ces modèles deviennent rapidement difficiles à utiliser et à comprendre, ce qui conduit souvent à une notation mathématique opaque. Par conséquent, Vermorel suggère qu’il peut être plus simple d’utiliser des techniques d’apprentissage automatique qui peuvent s’adapter à n’importe quelle distribution, même si elles manquent de formules explicites.
La conversation porte ensuite sur le problème de l’argent gaspillé en raison des stocks de sécurité. Vermorel estime que l’accent mis sur les stocks de sécurité et les prévisions de demande est erroné, car cela ne tient pas compte d’autres sources d’incertitude, telles que les délais de livraison. 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 de manière significative une moyenne mobile bien réglée 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 gains importants à portée de main.
Transcription complète
Kieran Chandler: Aujourd’hui sur Lokad TV, nous allons expliquer pourquoi cette méthode ne fonctionne pas et discuter également des alternatives qui s’offrent aux professionnels de la supply chain. Alors Joannes, avant de parler des problèmes liés aux stocks de sécurité, peut-être devrions-nous commencer par expliquer un peu plus ce que c’est. Comment définiriez-vous les stocks de sécurité ?
Joannes Vermorel: Les stocks de sécurité sont apparus de l’idée que, une fois que vous avez une prévision, si vous mettez une quantité de stock égale à votre prévision et si votre prévision est équilibrée, alors vous avez 50% de chances d’être en rupture de stock. C’est à peu près la définition d’une prévision de demande équilibrée. Par conséquent, vous devez avoir plus de stock 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 est ce qu’on appelle les stocks de sécurité. Le concept général est d’ajouter un tampon supplémentaire à votre prévision moyenne.
Cependant, de nos jours, les stocks de sécurité ont une définition beaucoup plus étroite. L’industrie s’est accordée sur une méthode de calcul des stocks de sécurité, qui consiste essentiellement à supposer que la demande future et les délais de livraison futurs sont distribués de manière normale. Et par “normale”, je veux dire gaussienne. Ensuite, ce modèle spécifique est appliqué pour calculer la quantité que vous devez mettre dans ces stocks de sécurité.
Kieran Chandler: Quand ces idées ont-elles émergé et pourquoi est-ce quelque chose sur lequel le marché est si focalisé ?
Joannes Vermorel: Je pense que “stocks de sécurité” est un bon nom. Cela inspire confiance et nous ne devrions jamais sous-estimer le pouvoir d’une bonne marque. Les stocks de sécurité semblent plus sûrs. Cela semble être une bonne décision de dire : “Nous jouons la sécurité, nous avons ces stocks de sécurité.” Si vous devez choisir entre une méthode sûre et une méthode dangereuse, bien sûr, vous choisiriez la méthode sûre.
Donc, je pense qu’avoir un nom accrocheur a contribué au succès de cette approche très spécifique. En revanche, pendant longtemps, les ordinateurs étaient extrêmement faibles. Nous sommes passés du calcul manuel, où une distribution normale était la meilleure chose que nous puissions faire, ce qui était mieux que pas de recette numérique du tout. Puis, à l’époque des premiers ordinateurs, à la fin des années 60 et au début des années 70, c’était suffisant. Je pense que de nombreux praticiens se sont simplement endormis et que tout est resté en l’état.
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 de livraison. C’est particulièrement absurde en ce qui concerne les délais de livraison.
Kieran Chandler: Cette idée selon laquelle cela serait dangereux peut sembler un peu extrême pour certaines personnes. Pourquoi pensons-nous que c’est un peu dangereux ? D’où viennent ces difficultés clés avec les stocks de sécurité ?
Joannes Vermorel: Les stocks de sécurité, juste pour vous donner une idée de leur fonctionnement, commencent par votre demande. Ce que vous obtenez, c’est la création d’un stock qui est une certaine fraction de la demande. Donc, si vous prévoyez 100, vous pourriez ajouter 80 unités, ce qui représente 80% de votre demande initiale, et c’est votre stock de sécurité. C’est une conséquence directe du choix d’un niveau de service spécifique avec une hypothèse de distribution normale sur la demande.
Le problème, c’est que lorsque vous faites cela, vous ignorez complètement la saisonnalité. Votre prévision de demande est souvent saisonnière, et c’est très prévisible. Mais la réalité est que l’incertitude est également saisonnière.
Kieran Chandler: Vous suggérez que le modèle classique de stock ignore complètement tous les schémas qui influent sur l’incertitude. Vous mentionnez également que l’application d’une distribution normale à la demande est assez exagérée. Pouvez-vous en dire plus à ce sujet ?
Joannes Vermorel: Bien sûr. L’application d’une distribution normale, en particulier aux délais de livraison, peut être trompeuse. Par exemple, considérez un fournisseur qui vous livre généralement en deux jours. En Europe, il faut généralement un jour pour expédier les articles, donc votre délai de livraison est généralement de deux jours. Cependant, si votre fournisseur est en rupture de stock, le délai peut aller jusqu’à trois mois.
Kieran Chandler: Donc, ce n’est pas une courbe en forme de cloche, n’est-ce pas ?
Joannes Vermorel: Absolument pas. C’est un schéma complètement différent. Nous observons un pic significatif autour de votre délai de livraison nominal, suivi d’une possibilité de retards importants. Cela se produit si vous êtes confronté à un événement spécifique tel qu’une rupture de stock du fournisseur. Donc, c’est une mauvaise approximation de modéliser cela comme une distribution normale - c’est comme essayer de faire rentrer un carré dans un cercle.
Kieran Chandler: Cela signifie-t-il que toute petite variation ou toute inconnue perturbe l’efficacité du stock de sécurité ?
Joannes Vermorel: En effet. Tout élément qui pourrait perturber le statu quo, qui pourrait déclencher une situation où la demande d’un produit peut disparaître, rend le modèle de stock de sécurité inadapté. Par exemple, si vous vendez du poulet et qu’une épidémie de grippe aviaire est signalée, les gens pourraient arrêter de manger du poulet pendant six mois. C’est une déviation significative par rapport à la norme, et cela n’est pas pris en compte dans une distribution normale.
Kieran Chandler: Donc, les grandes déviations sont courantes dans les vraies chaînes d’approvisionnement ?
Joannes Vermorel: Étonnamment, oui. Bien que cela ne se produise pas constamment pour tous les produits, toute grande entreprise aura au moins quelques grandes surprises chaque trimestre. Les modèles de stock de sécurité, cependant, suggèrent que de telles grandes déviations n’existent pas. Lorsque vous optimisez votre chaîne d’approvisionnement sous cette hypothèse, et que de telles déviations se produisent, cela peut être très coûteux.
Kieran Chandler: Étant donné ces imprévus, une approche probabiliste serait-elle meilleure ? Quels sont les principaux avantages de cette approche par rapport aux stocks de sécurité ?
Joannes Vermorel: Lorsque vous avez un modèle qui sous-estime considérablement votre risque, cela peut conduire à des niveaux de stock inadéquats. En théorie, le stock de sécurité devrait contrer cela en amortissant la demande imprévue. Cependant, en pratique, les praticiens de la chaîne d’approvisionnement s’adaptent d’une manière qui peut aggraver le problème. Ils utilisent des modèles de stock de sécurité qui sous-estiment le risque, visant un niveau de service élevé comme 98%. Mais parce que le risque est sous-estimé, le niveau de service réel est plus bas.
Kieran Chandler: En ce qui concerne les événements extrêmes, tant dans le temps que dans la demande, vous obtenez, disons, un taux de service de 85 pour cent. C’est très loin de votre objectif de 98 pour cent pour votre taux de service. Que faites-vous alors ?
Joannes Vermorel: Vous utilisez la solution miracle qui est un paramètre multiplicatif supplémentaire pour votre stock de sécurité. Vous commencez avec votre modèle en supposant une distribution normale, puisque pratiquement tout le monde qui utilise le stock de sécurité a réalisé que nous avons ces problèmes, nous devons gonfler nos stocks de sécurité. Les entreprises vont introduire ces facteurs d’inflation de deux manières. Soit vous mettez explicitement un facteur, soit vous indiquez dans le logiciel que vous souhaitez un taux de service de 98 pour cent, mais vous entrez 99,9 parce que c’est la façon d’obtenir empiriquement ce 98 pour cent.
Ce qui se passe, c’est que parce que votre modèle sous-estime votre risque, vous gonflez uniformément vos stocks de sécurité. Cela crée un problème important en générant des surstocks substantiels. Le paradoxe est que vous avez un modèle qui sous-estime le risque, donc vous gonflez vos stocks de sécurité partout et à la fin, vous générez beaucoup de surstocks. C’est drôle parce que vous commencez avec quelque chose qui s’appelle stocks de sécurité, mais c’est intrinsèquement dangereux à cause de ce processus même.
Kieran Chandler: Donc, ce que vous dites, c’est que vous êtes toujours en train d’ajuster pour un scénario catastrophe. Tout le monde s’ajuste à ce jour où ils ont vraiment besoin du stock, et puis si le stock ou la demande change, ils ont toujours ce facteur de sécurité supplémentaire en place.
Joannes Vermorel: Oui, et vous allez avoir ce stock de sécurité supplémentaire partout. Les gens vont microgérer leurs prévisions, passer beaucoup de temps à ajuster les prévisions. Ils vont tout calculer jusqu’au dernier gramme pour être super précis, puis grâce à ce stock de sécurité, ils arrondissent tout à la prochaine tonne métrique simplement parce qu’ils ont ce facteur d’inflation qui est appliqué uniformément à tous les produits. Je fais un peu de stéréotype, mais c’est une approximation grossière de ce qui se passe réellement ou de ce que j’ai vu se produire de nombreuses fois.
Kieran Chandler: Comment gérez-vous alors ces clients qui insistent pour avoir cette valeur de sécurité supplémentaire, ce stock de sécurité, ce tampon ? Quel est le message clé que vous devez leur transmettre ?
Joannes Vermorel: Le message clé est que les stocks de sécurité sont dangereux et inefficaces. C’est une fiction. Dans votre entrepôt, vous n’avez pas deux types de stocks ; un stock de travail qui sert la demande et des stocks de sécurité qui servent l’incertitude. Vous n’avez qu’un seul tas de stock. La question est de savoir si cette quantité de stock est adaptée pour servir vos clients. Vous n’avez en réalité pas autant de contrôle sur le niveau des stocks car vous n’avez pas le contrôle de la demande des clients. Ce que vous contrôlez, ce sont les commandes d’achat ou les ordres de fabrication que vous passez.
Le problème avec les stocks de sécurité, c’est qu’ils vous détournent des décisions que vous pouvez prendre et qui ont un impact physique réel sur vos chaînes d’approvisionnement, comme ces commandes d’achat, d’approvisionnement ou de fabrication. Le message clé serait de se concentrer sur la décision que vous prenez, et non sur les paramètres relativement arbitraires de votre ERP.
Kieran Chandler: Le problème avec une approche probabiliste est qu’elle est relativement complexe. Vous avez une courbe de demande différente pour chaque article de votre catalogue, alors que l’avantage des stocks de sécurité est qu’ils sont relativement simplistes. Y a-t-il quelque chose entre les deux pour les responsables de la chaîne d’approvisionnement qu’ils peuvent utiliser ? Quelque chose qui n’est pas aussi complexe que l’approche probabiliste de Lokad, mais un peu mieux et plus avancé qu’une approche basée sur les stocks de sécurité ?
Joannes Vermorel: Je pense que nous touchons à un petit paradoxe de l’analyse statistique moderne. Le stock de sécurité est une approche paramétrique en statistiques, où vous avez un modèle avec des paramètres tels qu’une moyenne et une variance, et vous utilisez ce modèle pour régler les paramètres. Cependant, vous pouvez rapidement réaliser que ce modèle paramétrique est complètement inadapté à la situation, 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 la chaîne d’approvisionnement.
Vous pourriez opter pour des modèles explicites plus complexes, mais ils deviennent très difficiles en termes de notation mathématique. Il est en réalité plus simple d’utiliser des techniques d’apprentissage automatique, qui sont un peu plus opaques mais qui peuvent s’adapter à n’importe quel type de distribution. La réalité est que si vous voulez combiner correctement l’incertitude des délais de livraison avec la demande, vous ne pouvez pas vous attendre à une formule simple et fermée. Cela va être compliqué quoi qu’il en soit, mais il est également nécessaire de tenir compte des interactions subtiles entre les délais de livraison et la demande.
Kieran Chandler: Nous avons beaucoup parlé du gaspillage des stocks de sécurité 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 mis l’accent dessus ?
Joannes Vermorel: Je pense que c’est parce que les stocks de sécurité sont bien compris par de nombreux praticiens de la chaîne d’approvisionnement. Ils ont tendance à sous-estimer le fait qu’avoir une bonne compréhension de la demande future n’est que le début. La demande future n’est pas la seule source d’incertitude ; les délais de livraison futurs en sont une autre source, et il y a d’autres problèmes également. Les praticiens peuvent être distraits par la simple prévision de la demande, et il y a aussi cette illusion que si ils peuvent résoudre le problème de prévision une fois pour toutes, tous les autres problèmes seront résolus.
Kieran Chandler: Il semble qu’il y ait une croyance selon laquelle avoir 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 abandonner le rêve d’une prévision parfaite. C’est accepter que les prévisions seront toujours imparfaites et faire face aux conséquences de cette imperfection. Par exemple, l’une des conséquences est la nécessité de commencer à prendre en compte l’impact des incertitudes, comme les stocks de sécurité, qui sont une façon très rudimentaire de modéliser les conséquences de cette incertitude.
Kieran Chandler: Donc, vous suggérez que la prévision est souvent injustement blâmée ?
Joannes Vermorel: Oui, c’est exactement ce que je dis. Avec les stocks de sécurité, les gens ont tendance à blâmer la prévision alors qu’en réalité, la prévision était aussi bonne qu’elle aurait pu l’être. Il est difficile de faire beaucoup mieux qu’une moyenne mobile bien réglée. Bien sûr, vous pouvez l’améliorer un peu en tenant compte de facteurs tels que la saisonnalité, mais même dans ce cas, il est difficile de réduire l’erreur de plus d’un tiers. Donc, blâmer la prévision est futile. Très souvent, les véritables erreurs sont commises par la suite, et ce sont les domaines où nous pouvons apporter des améliorations significatives.
Kieran Chandler: En conclusion, quel est le message clé pour les dirigeants de la supply chain ? Doivent-ils commencer à abandonner leurs calculs de stocks de sécurité et accepter les ruptures de stock, ou comprendre mieux 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 en fonction d’une méthode qui ne nécessite pas d’ordinateurs. Tout comme il ne serait pas logique de garder un grand nombre de sacs à dos au cas où les camions cesseraient de fonctionner. Le problème avec les stocks de sécurité, c’est qu’ils persistent en raison d’une bonne image de marque et de ce qui semble être une technicité 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 passer de l’appellation “stocks de sécurité” à “stocks d’insécurité” à l’avenir ?
Joannes Vermorel: Qui sait ? C’est tout à fait possible.
Kieran Chandler: Merci, Joannes. C’est tout pour cette semaine. Merci à nos auditeurs de nous avoir suivi, et nous vous retrouverons la prochaine fois. Au revoir pour le moment.
