00:00:08 Introduction à Flowcasting et à ses origines.
00:02:04 Contraste entre Flowcasting et les techniques d’approvisionnement traditionnelles.
00:04:40 Pertinence et défis de Flowcasting aujourd’hui.
00:06:06 Analyse de l’échec de Flowcasting et des enseignements nécessaires.
00:07:06 Comment la stochasticité peut entraîner des échecs de Flowcasting.
00:08:06 Limites de la prévision fractionnée de la demande.
00:10:15 Mise en œuvre pratique et échecs de Flowcasting.
00:11:13 Enseignements positifs de Flowcasting : données de demande désagrégées.
00:13:46 Approche holistique de Flowcasting pour l’optimisation de la supply chain.
00:15:14 Différence entre Flowcasting et l’approche de Lokad.
00:17:31 Complexités de scénarios spécifiques de supply chain.
00:19:37 Prédictions sur les tendances futures dans les implémentations de l’IA.
00:21:43 Valeur du livre Flowcasting malgré les défauts.
Résumé
Dans l’interview, Joannes Vermorel, le fondateur de Lokad, discute des forces et faiblesses de Flowcasting, une méthode de planification de la supply chain. Il apprécie son accent sur la prévision désagrégée, centrée sur la demande, et l’automatisation, mais critique son approche déterministe qui ne tient pas compte de l’aléa de la supply chain. Lokad tente de gérer ces complexités avec un langage de programmation nommé Envision, mais Vermorel admet qu’aucun système ne peut entièrement retranscrire les subtilités de la supply chain. Vermorel se montre également sceptique quant au rôle de l’IA dans la gestion de la supply chain, établissant une distinction entre l’IA en tant que terme à la mode et les véritables techniques algorithmiques. Malgré ses défauts, il reconnaît la valeur des enseignements apportés par Flowcasting dans la gestion de la supply chain du commerce de détail.
Résumé Étendu
Dans l’interview, l’animateur Kieran Chandler et Joannes Vermorel, le fondateur de Lokad, discutent de la technique de Flowcasting dans le contexte de la planification de la supply chain axée sur la demande. Introduit dans un livre éponyme en 2006, Flowcasting est considéré comme le ‘Saint Graal’ de ce domaine, car il promet une efficacité optimale en n’ayant besoin de prévoir qu’au point de vente.
Flowcasting cible les réseaux de commerce de détail. Vermorel décompose son principe fondamental comme suit : prévoir chaque produit individuellement dans chaque point de vente, chaque jour, et viser la plus haute précision. L’image globale obtenue à partir de ces prévisions permet de reconstituer toutes les décisions supply chain. La vision de flowcasting recèle des enseignements précieux, en mettant l’accent sur le fait d’être aussi proche que possible de la demande, un critère qui n’était pas priorisé dans les anciennes techniques. Elle valorise également l’analyse de chaque produit dans chaque magasin, plutôt que des regroupements agrégés, ce qui représente une approche plus désagrégée comparée aux prévisions top-down par catégorie qui prévalaient à l’époque.
L’implémentation de flowcasting, cependant, se révèle être une toute autre histoire. Vermorel constate que cela « ne fonctionne jamais » comme prévu. Les réseaux de commerce de détail qui tentent de concrétiser ce concept théorique le trouvent « brutalement non fonctionnel ». La cause principale est identifiée comme le mépris complet du concept de « stochasticité » - l’aléa inhérent aux ventes de produits au niveau du magasin.
Flowcasting repose sur des prévisions déterministes, présumant qu’on peut prédire avec une certitude absolue la quantité exacte d’un produit qui sera vendue à l’avenir. Il ne parvient pas à prendre en compte l’aléa inhérent aux ventes de détail réelles et la demande fractionnée au niveau de chaque produit par jour. Cette approche irréaliste rend les prévisions inefficaces. Plus encore, elle conduit à omettre les facteurs économiques, cruciaux pour équilibrer les risques, des processus d’optimisation de la supply chain, déstabilisant ainsi davantage la stratégie.
Lorsqu’on lui demande quelles sont les conséquences pratiques de la mise en œuvre de Flowcasting, Vermorel admet que, d’après son expérience, les réseaux de commerce de détail qu’il connaît ne dépassent jamais vraiment le stade de prototype en raison des complications évoquées. Par conséquent, bien que Flowcasting continue d’offrir des enseignements précieux, l’interview met en évidence la nécessité de faire face à ses limitations inhérentes et aux réalités de la stochasticité de la supply chain pour l’opérer efficacement dans un environnement de commerce de détail réel.
Un point de conversation critique porte sur le « flowcasting », une technique bien connue de la supply chain. Malgré les défis, Vermorel reconnaît que le flowcasting offre des enseignements précieux. Il souligne l’approche de la technique qui consiste à se rapprocher au maximum de la demande au niveau le plus désagrégé. Le niveau le plus désagrégé, affirme Vermorel, n’est pas par produit et par magasin, mais plutôt chaque unité vendue à des clients individuels. Cet enseignement, selon lui, donne naissance au concept de graphes temporels sur des séries temporelles, reconnaissant l’identité des clients et leurs comportements d’achat.
De plus, Vermorel apprécie l’accent mis par le flowcasting sur l’automatisation, affirmant que Lokad adopte également cette stratégie. Il explique les avantages de la mise à jour quotidienne des données, précisant que le fait de ne pas le faire entraîne une complexité inutile et des occasions manquées, car on travaillerait avec des données obsolètes. Cette complexité inutile, selon lui, est insensée et constitue un gaspillage de ressources.
Le prochain enseignement que Vermorel tire du flowcasting est l’idée de synchronicité, ainsi que la nécessité d’une vue holistique de la supply chain. En examinant l’ensemble du réseau et tous ses flux, de la production jusqu’à la demande finale des clients, il suggère que les problèmes de la supply chain peuvent être résolus plus efficacement, plutôt que d’être simplement déplacés. Cela contraste avec l’approche plus courante consistant à optimiser chaque étape indépendamment, ce qui pourrait négliger les impacts interconnectés.
La critique de flowcasting par Vermorel se concentre sur sa simplification excessive. Bien que la simplicité soit généralement un objectif admirable, il avertit qu’elle ne devrait pas conduire à une représentation mathématique naïve d’une réalité complexe. Alors que le flowcasting se présente comme simple comme sur Excel, Vermorel soutient qu’il simplifie à l’excès les complexités des supply chains.
L’approche de Lokad diffère du flowcasting par son acceptation de la complexité inhérente des supply chains, selon Vermorel. Il souligne que les supply chains sont intrinsèquement désordonnées et compliquées. Le modèle de Lokad intègre l’incertitude, qu’il considère comme irréductible. Ainsi, leur approche repose sur une algèbre probabiliste qui, bien que plus complexe, conduit à des résultats plus réalistes. Par conséquent, la méthodologie de Lokad ne cherche pas à éliminer l’incertitude, mais plutôt à la reconnaître et à travailler avec elle.
Complexifiant davantage la gestion de la supply chain, Vermorel détaille les nombreux cas particuliers qui existent, tels que des demandes différentes en matière d’emballage ou des formats de produits spécifiques selon les magasins et les clients individuels. Ces variations, selon Vermorel, nécessitent des solutions nuancées et flexibles qui prennent en compte ces complexités plutôt qu’une approche unique pour tous.
Pour répondre à ces complexités, Lokad développe un langage de programmation nommé Envision, conçu pour maintenir la simplicité sans compromettre les réalités de la gestion de la supply chain. Ce système offre une meilleure approximation de la réalité, mais Vermorel admet qu’aucun système ne peut complètement capturer les complexités des supply chains réelles.
Au cours de la discussion, le concept de Flowcasting, une méthodologie de supply chain, est examiné de près. Vermorel suppose que Flowcasting aurait pu mieux fonctionner s’il avait intégré une forme d’algèbre probabiliste. Il souligne que malgré ses défauts, Flowcasting représentait une vision audacieuse pour son époque.
En se tournant vers les technologies émergentes, Vermorel exprime son scepticisme à l’égard de l’utilisation de l’intelligence artificielle (AI) dans la gestion de la supply chain. Il soutient que l’IA, bien qu’elle soit souvent encensée comme une solution miracle, décevra probablement de nombreuses entreprises, constatant que les avancées technologiques impressionnantes dans des domaines tels que la reconnaissance d’images ne se traduisent pas directement par la résolution de problèmes de la supply chain.
Cependant, Vermorel fait la distinction entre le mot à la mode de l’IA et les techniques algorithmiques fondamentales, telles que deep learning et differentiable programming. Celles-ci, dit-il, pourraient s’avérer incroyablement utiles si elles étaient soigneusement alignées avec les défis uniques de la gestion de la supply chain.
Pour revenir au Flowcasting, Vermorel affirme que, malgré ses lacunes mathématiques, le livre sous-jacent reste une lecture qui en vaut la peine, principalement en raison de ses enseignements utiles sur la gestion de la supply chain dans le commerce de détail. Bien que bon nombre de ses concepts n’aient pas encore été pleinement exploités, ces idées restent valables et précieuses à ce jour.
Enfin, la conversation souligne que le monde de la gestion de la supply chain est complexe, sans solution unique et évidente. En insistant sur l’importance de systèmes flexibles et adaptables capables de mieux appréhender les réalités complexes de la dynamique de la supply chain, Vermorel conclut en prônant une approche globale et nuancée.
Transcription Complète
Kieran Chandler: Aujourd’hui, sur Lokad TV, nous allons en apprendre davantage sur cette technique et discuter de sa pertinence actuelle. Alors Joannes, peut-être devrions-nous commencer par expliquer un peu plus ce qu’est réellement le flow casting et comment il fonctionne ?
Joannes Vermorel: Flowcasting est un terme inventé lors de la publication d’un livre en 2006, également intitulé “Flowcasting.” C’est une technique dédiée aux réseaux de commerce de détail, offrant une optimisation de la supply chain pour ces réseaux. Le livre présente de nombreux enseignements intéressants et des recettes sur la manière de l’implémenter. En clair, l’idée est de sélectionner chaque produit dans chaque point de vente, de prévoir chaque jour à l’avance, idéalement avec des prévisions très précises, et ainsi obtenir une image complète de tout ce qui va se passer, portée par les ventes de vos clients. Vous pouvez ensuite reconstituer toutes les décisions supply chain que vous devez prendre en prenant ces prévisions super désagrégées qui sont au niveau du produit par magasin quotidiennement et en ré-agrégant ces données. Cela vous permet de reconstituer toutes les décisions supply chain simplement en retraçant ces prévisions, du magasin jusqu’à l’entrepôt, puis aux fournisseurs.
Kieran Chandler: Intéressant. Alors, qu’est-ce qui était si différent dans cette vision ? En quoi différait-elle de certaines techniques de l’époque ?
Joannes Vermorel: Cela différait par sa série d’enseignements très pertinents, notamment l’importance d’être aussi proche que possible de la demande. Ce n’était pas une découverte nouvelle, mais à ma connaissance, c’était l’un des premiers livres à souligner la nécessité d’être extrêmement proche du meilleur signal de demande dont vous disposez : vos ventes en bout de chaîne. Cela diffère de nombreuses supply chains où, typiquement, un échelon ne regarde que ce qui se passe à l’échelon suivant. Par exemple, en tant que fournisseur, vous regarderiez ce qui se passe dans l’entrepôt qui achète chez vous, mais vous ne verriez pas ce qu’il se passe dans les magasins. Le Flowcasting, à cet égard, était très cohérent. Il prônait le fait de se rapprocher du signal de demande et suggérait qu’il y avait une valeur à analyser le niveau le plus désagrégé - produit par magasin - au lieu de simplement ré-agréger tout par semaine et par produit, simplement parce que c’est numériquement plus facile à traiter.
Kieran Chandler: Donc, par « désagrégé », vous entendez décomposer cela pour chaque SKU dans chaque magasin ?
Joannes Vermorel: Exactement. C’est ce que suggère le Flowcasting et ce qui le distingue de la plupart des techniques de l’époque. Typiquement, les gens faisaient des prévisions top-down, où l’on prévoyait par catégories, puis on les morcelait en sous-catégories, ensuite par régions, etc. Au final, vous pouviez avoir quelques regroupements de magasins types et dire, « eh bien, si j’ai le magasin de type A, de type B, de type C, je vais simplement allouer en fonction du profil du magasin », et ainsi de suite. Cette méthode évite de gérer l’étape la plus désagrégée, qui consiste en chaque produit dans chaque point de vente, où la quantité de données explose littéralement.
Kieran Chandler: Alors, pourquoi en parlons-nous aujourd’hui ? N’existent-il pas des techniques plus modernes qui l’ont remplacé ? Pourquoi est-ce toujours pertinent ?
Joannes Vermorel: Eh bien, il y a dix ans, le Flowcasting était en vogue, et j’ai vu au moins une demi-douzaine de grands réseaux de commerce de détail s’intéresser beaucoup à ses enseignements. Cependant, cela n’a jamais fonctionné en pratique. C’était comme un livre rempli d’idées apparemment excellentes, mais lorsque les gens ont essayé de l’implémenter, cela a complètement échoué. C’était brutalement non fonctionnel, ce qui était inattendu compte tenu de la simplicité apparente des idées. Le livre laissait penser que l’on pouvait facilement le faire avec des prévisions quotidiennes, et il proposait quelques recettes simples pour produire ces prévisions et les utiliser ensuite pour des décisions supply chain. Il s’est avéré que lorsque l’on essayait de le mettre en pratique, cela ne fonctionnait violemment pas. La raison de l’échec du Flowcasting est qu’il a manqué de prendre en compte certains éléments supercritiques. Cependant, la majorité du marché et de ses acteurs manque encore de ces enseignements. Le Flowcasting est passé de mode après une décennie, mais les raisons de ses échecs ne sont toujours pas bien connues. Cela signifie que, à moins que de nombreux acteurs ne perfectionnent leur compréhension, ils se confronteront aux mêmes problèmes.
Kieran Chandler: Donc, en apparence, regarder un point de vente, faire des prévisions à cet endroit, et laisser l’information se répercuter dans toute votre supply chain semble assez logique. Alors, où est-ce que tout cela déraille ?
Joannes Vermorel: Cela s’effondre à cause de la stochasticité ou de l’incertitude. Les ventes au niveau du magasin sont très erratiques et aléatoires. Oui, vous pourriez vendre environ une unité par semaine, mais vous ne savez jamais quel jour de la semaine. Le flowcasting reposait sur une prévision déterministe où vous pouviez affirmer avec une précision parfaite que vous alliez vendre exactement une bouteille de shampooing dans deux jours pour une référence donnée. Cependant, ce n’est pas réaliste en raison de l’aléa inhérent des ventes au détail.
Kieran Chandler: Et c’est là que tout s’effondre réellement. Ces prévisions n’ont aucun moyen de refléter une quelconque incertitude. C’est là que la prévision se délite complètement — l’incertitude est absente. Ainsi, parce que l’incertitude est absente, et que vous supposez que vos prévisions sont exactes, elles n’arrivent pas à refléter fidèlement l’avenir. Ce ne sont pas des prévisions probantes. En matière d’optimisation de la supply chain, vous agissez comme si vos prévisions étaient correctes, et par conséquent vous ignorez ce que nous appelons les moteurs économiques, qui équilibrent tous ces risques. Essentiellement, vous avez un problème qui ignore l’incertitude et, par conséquent, vous passez aussi à côté des moteurs économiques essentiels pour optimiser dans l’incertitude. Alors, s’il y avait tant de problèmes avec cette approche, qu’est-ce qui s’est réellement passé lorsque les détaillants ont tenté de la mettre en œuvre ? Y a-t-il eu des catastrophes généralisées ?
Joannes Vermorel: Les réseaux de distribution avec lesquels j’étais en contact n’ont jamais vraiment dépassé le stade du prototype. Ils étaient prudents, ils l’ont essayé à très petite échelle. Mais en réalité, les chiffres obtenus étaient tellement absurdes que les praticiens de la supply chain disaient : « Non, nous ne pouvons pas déployer cela en magasin. » Les résultats étaient soit bien trop faibles, soit excessifs. Littéralement, cela n’avait aucun sens. À ma connaissance, aucun grand réseau de distribution n’est allé au-delà du stade prototype qui se limitait à quelques dizaines de produits dans quelques magasins – quelque chose de très réduit – et a été abandonné très rapidement parce que cela dysfonctionnait brutalement.
Kieran Chandler: Donc, tout n’est pas mauvais. Le flowcasting était une technique assez connue, jouissant d’une bonne réputation. Quels sont certains des éclairages positifs qu’il nous a apportés ?
Joannes Vermorel: Il y avait plusieurs éclairages intéressants. Ils suggéraient de se rapprocher le plus possible de la demande et affirmèrent que le niveau de désagrégation le plus fin était par magasin, par produit. Je suis d’accord sur le fait qu’il faut être aussi désagrégé que possible, mais je ne suis pas d’accord pour dire que le niveau par produit, par magasin est le plus fin. Le niveau de désagrégation le plus fin correspond directement à chaque unité vendue à chaque client. De nos jours, la plupart des réseaux de distribution disposent d’un suivi client grâce aux programmes de loyauté. Ainsi, vous savez non seulement que vous avez vendu ce produit dans un lieu donné à une date précise, mais aussi à qui vous l’avez vendu. Vous devriez donc penser non seulement en termes de séries temporelles, telles que décrites dans le flowcasting, mais sous forme d’un graphe temporel où vous savez exactement à qui vous vendez. Cela renferme encore plus d’informations. Cependant, l’idée fondamentale du flowcasting visant à atteindre le niveau de désagrégation le plus fin est profondément juste. Un autre aspect qu’ils ont bien saisi était l’idée d’automatiser le processus entier avec des actualisations quotidiennes. C’est exactement ce que Lokad préconise jusqu’à présent. Si vous ne disposez pas d’une automatisation complète — récupérer les données de la veille, les analyser et actualiser toutes vos prévisions ainsi que vos décisions fondées sur ces prévisions — vous laissez sur la table beaucoup d’argent. En utilisant les données de la semaine dernière, vous tentez de prévoir les ventes d’hier. Or, il n’est pas nécessaire de prévoir les ventes d’hier, vous les connaissez déjà. Ainsi, mettre en place ces actualisations quotidiennes est une bonne pratique, sinon vous finissez par utiliser des données obsolètes pour prédire ce qui s’est passé, ce qui est absurde. Un autre bon éclairage du flowcasting est ce qu’ils appellent la synchronicité. Ils expriment l’idée que les supply chains nécessitent une vision holistique, englobant tous vos échelons. C’est ce que nous avons appliqué dans le cas Bridgestone dont nous avions parlé dans un épisode précédent. Si vous voulez optimiser votre supply chain, il vous faut une perspective holistique sur l’ensemble du réseau et de tous les flux, de la demande du client final jusqu’à la production. En l’absence de cette vision globale, vous ne faites que déplacer les problèmes au lieu de les résoudre. Ainsi, le flowcasting possédait cet éclairage très pertinent selon lequel il faut considérer le réseau dans son ensemble, plutôt que de se contenter d’une optimisation par étape, où l’on optimise l’entrepôt sans tenir compte d’autre chose.
Kieran Chandler: Ainsi, ce que vous dites en fait, c’est que le flowcasting apportait de nombreux éclairages précieux que nous partageons ici chez Lokad. Quelles sont donc les principales différences entre l’approche du flowcasting et ce que nous faisons ici chez Lokad ? Quelles sont les choses que nous faisons bien mieux à votre avis ?
Joannes Vermorel: L’un des principes fondamentaux du flowcasting était qu’il pouvait être rendu extrêmement simple, simple comme sous Excel, avec des formules très simples pouvant être combinées dans Excel. La simplicité est très appréciable. Cependant, lorsque vous modélisez un système complexe, comme les supply chains, vous devez veiller à ce que votre modèle ne soit pas simpliste. Il ne doit pas trahir la réalité que vous tentez de représenter en offrant une représentation mathématique trop naïve d’une réalité bien plus complexe.
Chez Lokad, nous avons vraiment cherché à accepter le fait que la réalité dans les supply chains est très désordonnée et souvent compliquée. Cela signifie que l’incertitude est là pour durer. Si vous dites : « nous avons juste besoin de prévisions précises », c’est de l’utopie. Il existe une quantité irréductible d’incertitude. Vous avez besoin d’un système qui accepte que l’incertitude soit permanente. Vous finissez par adopter une algèbre probabiliste, beaucoup plus complexe. Mais c’est ce qu’il faut ; sinon, vos résultats sont absurdes.
Et si vous voulez extraire autant d’informations que possible du niveau de désagrégation le plus fin – c’est-à-dire du graphe temporel incluant même les clients, qui achète quel produit, où et quand – alors soudainement, vous ne pouvez pas extraire toutes les informations que ces données devraient vous fournir avec de simples séries temporelles. Oui, c’est un graphe temporel, et c’est plus compliqué, mais c’est la réalité.
Kieran Chandler: Vous avez beaucoup plus d’informations dans ce graphe temporel. C’est ce que vous voulez exploiter. Ainsi, peut-être qu’une autre perspective serait qu’au lieu d’essayer de vendre la simplicité, vous devriez concevoir un système aussi simple que possible, mais jamais plus simple que ce que la réalité exige réellement.
Joannes Vermorel: Oui, en effet. Je pourrais développer en expliquant qu’il existe de nombreux cas particuliers, particulièrement complexes, dans les supply chains. Par exemple, imaginez un entrepôt qui expédie des packs de bouteilles vers des magasins, alors qu’en magasin, ce sont les bouteilles individuelles qui sont vendues parce que les clients déballent parfois les packs. Et puis, il y a des cas où certains clients souhaitent spécifiquement acheter un pack de bouteilles. Vous ne pouvez pas simplement compter les bouteilles et conclure que c’est la solution. Certains clients sont très pointilleux et insistent pour obtenir un pack de six bouteilles. Si cela n’est pas disponible, ils préfèrent acheter ailleurs. Ces situations sont particulièrement délicates.
Je crains qu’il n’existe pas de solution miracle simple pour cela. Chez Lokad, nous avons pris conscience de ce fait et avons décidé de créer un outil, un langage de programmation appelé Envision. Nous l’avons conçu pour qu’il soit aussi simple que possible, mais sans simplifier à l’excès les réalités des supply chains. Je dois admettre que la réalité dans les supply chains est vraiment complexe. Tout ce que l’on peut espérer, c’est une meilleure approximation. Vous n’aurez jamais le monde réel entier modélisé dans votre système.
Kieran Chandler: Donc, si le flowcasting avait intégré une partie de cette algèbre probabiliste, il aurait peut-être mieux fonctionné dans le passé, mais il était en quelque sorte probablement en avance de dix ans sur son temps ?
Joannes Vermorel: Exactement, je pense qu’il était effectivement environ dix ans en avance sur son temps. À l’époque, nous ne disposions pas de tous les ingrédients technologiques nécessaires pour concrétiser ce qui reste aujourd’hui une vision relativement audacieuse de la supply chain.
Kieran Chandler: Et qu’en est-il du flowcasting de 2019 ? Y a-t-il quelque chose qui semble très prometteur en apparence, mais qui, en réalité, ne performe pas aussi bien lorsque l’on creuse plus profondément ? Quelle sera la prochaine approche, semblable au flowcasting, qui paraîtra prometteuse mais qui finira par s’effondrer ?
Joannes Vermorel: Je pense que la plupart de ce qui est vendu sous la bannière de l’IA va s’effondrer. Je ne dis pas que le deep learning ou même son descendant, le differentiable programming, ne soient pas d’excellents outils ; ils le sont en effet. Cependant, si tout ce que vous avez, c’est ce mot à la mode et de la technologie brute issue de domaines tels que la reconnaissance d’images, qui ne sont pas directement applicables à la supply chain, alors de nombreuses entreprises se rendront compte que cette technologie brute, même si elle est impressionnante et peut battre un champion de Go, ne résout pas magiquement leurs problèmes de supply chain.
Je soupçonne que dans dix ans, la situation de l’IA sera encore pire que celle du flowcasting. Même avec le flowcasting, dix ans plus tard, il subsistait quelques aspects perspicaces dans le livre. Par ailleurs, j’anticipe qu’environ 90 % de ce que les fournisseurs poussent actuellement deviendront sans valeur pour la supply chain dans environ une décennie. Ils seront complètement oubliés. Mais j’aimerais distinguer le mot à la mode IA — qui, à mon sens, n’est qu’un effet de mode — des techniques algorithmiques fondamentales telles que le deep learning et le differentiable programming, qui peuvent s’avérer très utiles si elles sont soigneusement alignées sur les défis de votre supply chain.
Kieran Chandler: C’est surprenant, compte tenu du fait que l’IA est actuellement un mot à la mode dans l’industrie. Pour conclure, le flowcasting est-il encore pertinent ? Le livre vaut-il toujours la peine d’être lu ? Quel est le message clé à retenir aujourd’hui ?
Joannes Vermorel: Oui, je pense que le livre mérite toujours d’être lu. C’est une lecture agréable. Le style est plaisant, et on peut le lire rapidement, en l’espace de quelques heures. De nombreux éclairages restent pertinents. Ce qui est discutable, ce sont les mathématiques qu’ils illustrent tout au long du livre. Les auteurs, semble-t-il, n’étaient ni mathématiciens ni statisticiens, et cela se voit. Mais si vous mettez de côté les mathématiques et vous concentrez sur les éclairages, vous constaterez qu’ils avaient sérieusement réfléchi à la supply chain dans le commerce de détail et à ses implications. C’est là que, selon moi, le livre brille vraiment. Beaucoup des éclairages qu’ils avaient mis en avant il y a dix ans sont toujours très pertinents et largement sous-exploités. Les grands réseaux de distribution ne tirent toujours pas parti de la majorité des éclairages décrits dans ce livre de flowcasting.
Kieran Chandler: Super ! Eh bien, nous avons manqué de temps pour aujourd’hui, mais merci pour votre temps. C’est tout pour cette semaine. Merci beaucoup d’avoir écouté et nous nous retrouverons la prochaine fois. Au revoir pour l’instant.
Kieran Chandler: Au revoir et à bientôt.
