00:00:07 Le problème de la boîte noire dans la gestion de la supply chain.
00:02:20 La montée de l’IA et des recettes numériques complexes qui exacerbent le problème de la boîte noire.
00:03:59 Différences entre les anciens systèmes ERP et les systèmes modernes, et leur relation avec le problème de la boîte noire.
00:06:10 Exemples concrets du problème de la boîte noire et de ses effets sur les entreprises.
00:07:36 Comment les entreprises surmontent le problème de la boîte noire en utilisant des feuilles Excel.
00:09:06 Le concept de white boxing pour la transparence et la compréhension.
00:11:27 L’importance de créer quelques chiffres bien conçus pour expliquer les décisions.
00:14:17 Les avantages de l’utilisation des indicateurs économiques pour la prise de décision.
00:15:28 Les limites d’Excel dans le traitement de données complexes et la nécessité de meilleurs outils.
00:17:36 L’importance d’une documentation approfondie des entrées du système pour éviter les sorties erronées.
00:18:47 Exploration de la nécessité de couches de calcul de données agiles qui prennent en charge les calculs intermédiaires.
00:20:08 L’importance de créer des indicateurs économiques indépendants pour éviter des résultats trompeurs.
00:21:09 Pourquoi le white boxing est crucial et les conséquences de l’absence d’un processus transparent.
Résumé
Dans cette interview, Kieran Chandler et Joannes Vermorel discutent de l’importance du “white boxing” dans l’optimisation de la supply chain. Les chaînes d’approvisionnement sont des systèmes complexes, et l’incorporation de logiciels ou de techniques basées sur l’IA peut les rendre plus opaques. Vermorel soutient que les systèmes ERP traditionnels, souvent conçus sans intelligence, contribuent à cette opacité. L’approche du white boxing de Lokad vise à recréer la transparence en se concentrant sur quelques chiffres soigneusement conçus et en utilisant des métriques à l’échelle de l’entreprise comme les indicateurs économiques. Avec Envision, leur langage de programmation, Lokad aide à maintenir la transparence dans le processus d’optimisation de la supply chain. Adopter le white boxing peut instaurer la confiance dans les systèmes de la supply chain et améliorer l’efficacité globale.
Résumé étendu
Dans cette interview, Kieran Chandler, l’animateur, discute du concept de “white boxing” avec Joannes Vermorel, le fondateur de Lokad, une entreprise spécialisée dans l’optimisation de la supply chain. La conversation commence par une explication du problème de la “boîte noire” en informatique, qui fait référence à des systèmes où les entrées et les sorties peuvent être observées sans comprendre leur fonctionnement interne. Cela peut poser problème, notamment avec la prévalence croissante de l’intelligence artificielle dans divers secteurs.
Vermorel explique que les chaînes d’approvisionnement sont des systèmes intrinsèquement complexes impliquant de nombreuses personnes, produits et lieux. Cette complexité conduit à une opacité, rendant difficile pour les personnes impliquées de comprendre pleinement le fonctionnement de la chaîne d’approvisionnement. L’ajout de logiciels, même des logiciels basiques qui ne sont pas particulièrement “intelligents”, peut encore aggraver cette opacité. Ce problème est encore aggravé lorsque des techniques avancées de recettes numériques ou basées sur l’IA sont introduites, ce qui peut rendre de plus en plus difficile pour les membres de l’organisation de comprendre la signification des chiffres et des résultats produits par ces systèmes.
L’opacité, telle que la définit Vermorel, est la difficulté à déterminer l’origine et la signification des résultats ou des mesures produites par un système. Dans le contexte des chaînes d’approvisionnement, cela signifie qu’il peut être difficile de comprendre pourquoi certaines valeurs ou résultats ont été produits et quels facteurs y ont contribué.
Selon Vermorel, le problème de la boîte noire est répandu dans l’industrie de la chaîne d’approvisionnement. Les systèmes traditionnels de planification des ressources de l’entreprise (ERP) et d’autres technologies plus anciennes étaient souvent opaques pour diverses raisons, telles que des difficultés à concevoir des schémas relationnels efficaces pour les bases de données ou l’existence de plusieurs systèmes qui n’étaient pas bien intégrés. Ces systèmes peuvent être relativement simples individuellement, mais lorsqu’ils sont combinés, ils peuvent créer une confusion et une complexité importantes. Les intégrations ad hoc entre les systèmes qui ne sont pas bien documentées contribuent également à l’opacité.
L’introduction de recettes numériques avancées ou de techniques basées sur l’IA dans ces systèmes peut faire exploser l’opacité. Cela rend encore plus difficile pour les personnes impliquées dans la chaîne d’approvisionnement de valider si les chiffres produits sont exacts. Auparavant, il était peut-être possible de vérifier manuellement les valeurs des stocks dans différents systèmes, par exemple. Cependant, avec l’ajout de recettes numériques complexes, cette validation devient de plus en plus difficile.
Vermorel explique que les systèmes traditionnels de planification des ressources de l’entreprise (ERP) sont plus axés sur la gestion que sur la planification, et ils sont souvent conçus sans intelligence. Les recettes numériques avancées que certains fournisseurs peuvent appeler IA sont généralement superposées au système ERP, rendant l’ensemble du processus plus opaque.
Dans des exemples concrets, Vermorel a observé que même des calculs simples, tels que le stock de sécurité, peuvent entraîner des effets de boîte noire. Par exemple, une entreprise peut saisir un taux de service de 99,9 % mais n’atteindre qu’un taux de service de 97 %. Ce décalage entre l’entrée et les résultats produit une absence de compréhension du fonctionnement interne du système. Les entreprises ont généralement recours à des feuilles Excel pour surmonter ce problème, extrayant des données fondamentales du système ERP et élaborant leurs propres recettes numériques pour conserver le contrôle des calculs.
L’approche de la white boxing, telle que la décrit Vermorel, reconnaît que même des modèles simples peuvent devenir opaques lorsqu’ils sont appliqués à des scénarios complexes de chaîne d’approvisionnement. L’objectif de la white boxing est de recréer la transparence et la compréhension au sein de ces modèles. En développant un processus axé sur la recréation de la transparence, les entreprises peuvent générer de la confiance et finalement se passer des feuilles Excel.
Un défi de l’approche de la white boxing est d’éviter une surcharge de métriques et d’indicateurs. Les entreprises demandent souvent plus de KPI et d’indicateurs lorsqu’elles sont confrontées à un modèle de boîte noire, mais cela peut entraîner une complexité et une opacité encore plus grandes. Vermorel suggère de se concentrer sur quelques chiffres soigneusement élaborés pour expliquer les décisions prises par le modèle.
La white boxing vise à fournir des explications pour les résultats finaux des décisions ayant un impact physique sur la chaîne d’approvisionnement, telles que la production, les achats ou la relocalisation des stocks. Pour y parvenir, le processus prend en compte quelques chiffres qui expliquent ces décisions, mesurées en dollars ou en euros, car ces unités ont le plus de sens à l’échelle de l’entreprise. En se concentrant sur le résultat final et en expliquant les décisions en termes de métriques globales de l’entreprise, l’approche de la white boxing peut aider à créer une compréhension et une transparence dans l’optimisation de la chaîne d’approvisionnement.
Vermorel explique que le risque de rupture de stock peut être beaucoup plus élevé que la valeur des articles achetés s’il entraîne l’arrêt des lignes de production. Pour faire face à cela, Lokad applique des facteurs économiques pour prendre des décisions. Ces facteurs sont utiles car ils permettent une comparaison à travers l’entreprise, garantissant que les décisions sont prises à l’aide de métriques comparables.
L’un des défis des techniques traditionnelles d’optimisation de la chaîne d’approvisionnement est la nature de boîte noire de nombreux systèmes analytiques. En revanche, l’approche de Lokad prend en charge la white boxing, permettant aux utilisateurs de comprendre le fonctionnement interne du système et de valider ses résultats. Vermorel souligne qu’Excel est un outil efficace pour la white boxing à petite échelle, mais qu’il rencontre des difficultés lorsqu’il s’agit de traiter de grands ensembles de données ou de calculs complexes.
Pour remédier à cette limitation, Lokad a développé un langage de programmation appelé Envision, qui permet aux utilisateurs de rester proches des données, d’effectuer des validations et de générer des tableaux de bord. Cela contribue à maintenir la transparence dans le processus d’optimisation de la chaîne d’approvisionnement.
Pour les entreprises utilisant des solutions logicielles de boîte noire, Vermorel recommande de commencer par une documentation approfondie des entrées du système. Souvent, les entreprises ont une mauvaise documentation de leurs entrées de données, ce qui entraîne une situation de “garbage in, garbage out”. La prochaine étape consiste à s’assurer que la couche analytique du système permet l’agilité, similaire à Excel, afin que les utilisateurs puissent ajouter des colonnes et déboguer leur logique facilement.
Une fois ces prérequis remplis, les entreprises devraient se concentrer sur l’élaboration de bons facteurs économiques qui sont aussi indépendants les uns des autres que possible. Cela évite le risque de double comptage ou d’oublier des facteurs importants dans le processus de prise de décision.
La white boxing est cruciale dans l’optimisation de la chaîne d’approvisionnement car elle garantit la validité des résultats du système. Si les gens ne font pas confiance au système, ils reviendront à leurs feuilles Excel, que Vermorel décrit comme une défense nécessaire contre la “folie du système”. En adoptant la white boxing, les entreprises peuvent instaurer la confiance dans leurs processus d’optimisation de la chaîne d’approvisionnement et améliorer leur efficacité globale.
Transcription complète
Kieran Chandler: Aujourd’hui sur Lokad TV, nous allons discuter de la solution, quelque chose qui est connu sous le nom de white boxing. Alors, Joannes, avant d’aborder la white boxing, peut-être devrions-nous commencer par le problème de la boîte noire. Qu’est-ce que c’est que les boîtes noires et quel est le problème ici ?
Joannes Vermorel: Les chaînes d’approvisionnement sont des systèmes complexes avec de nombreuses personnes impliquées, de nombreux produits et potentiellement de nombreux sites. Dès le départ, il est évident que c’est un problème très complexe et donc un problème qui a déjà sa propre opacité simplement en raison de sa complexité. Il est très difficile de comprendre l’ensemble. Ensuite, lorsque vous ajoutez des couches de logiciels au milieu, cela ne fait qu’aggraver le problème. Je parle seulement de logiciels relativement basiques qui ne font que déplacer les pièces de plomberie de votre système informatique de chaîne d’approvisionnement, rien de intelligent. Mais même cela crée une autre couche d’opacité. Maintenant, ce qui se passe, c’est que certains fournisseurs font de la publicité pour l’IA, mais je préfère penser à des recettes numériques intelligentes et avancées pour la chaîne d’approvisionnement. Dès que vous ajoutez des recettes numériques non triviales au milieu de votre logiciel qui pilote réellement votre chaîne d’approvisionnement, cela crée un tout nouveau niveau d’opacité.
Kieran Chandler: Vous avez mentionné un mot clé, qui est l’opacité. Pourriez-vous expliquer ce que vous voulez dire par opacité ?
Joannes Vermorel: Par opacité, j’entends que pour les personnes de l’organisation qui travaillent dans la chaîne d’approvisionnement ou qui organisent la chaîne d’approvisionnement, il est très difficile de comprendre exactement ce que signifie un chiffre, d’où il vient et pourquoi il est fixé à cette valeur et pas à une autre. L’opacité est le reflet de la difficulté à aller au fond des choses lorsque vous voulez enquêter sur votre chaîne d’approvisionnement.
Kieran Chandler: Nous parlons donc essentiellement d’un problème de boîte noire où les résultats sortent d’un système et nous ne sommes pas sûrs d’où viennent ces résultats. Dans quelle mesure ce problème est-il répandu ? Est-ce quelque chose que nous voyons beaucoup dans l’industrie de la chaîne d’approvisionnement ?
Joannes Vermorel: Oui, je dirais que les anciens systèmes ERP et informatiques étaient très opaques pour diverses raisons. À l’époque, il était beaucoup plus difficile de concevoir de bons schémas relationnels pour les bases de données, donc la configuration interne peut être un peu désordonnée. Vous pouvez avoir de nombreux systèmes qui ne sont pas bien intégrés dans une chaîne d’approvisionnement complexe, donc lorsque vous les mettez tous ensemble, il y a un désordre important et de nombreuses intégrations ad hoc entre les systèmes qui ne sont pas très bien documentées. Cela crée une opacité émergente à partir de systèmes individuellement relativement simples. Et lorsque vous ajoutez des recettes numériques dans le mélange, l’opacité explose car soudainement, il devient très difficile de valider si les chiffres sont corrects.
Kieran Chandler: Il ne s’agit pas de vérifier le système central pour la valeur des stocks que je devrais avoir dans un emplacement distant, puis de vérifier dans le système de l’emplacement distant lui-même que la valeur des stocks correspond. C’était, vous savez, parfois cela pouvait être difficile à faire ce genre de vérifications. Mais tant qu’il n’y a pas de recette numérique impliquée, vous pouvez le faire. Dès que vous avez un modèle de régression linéaire au milieu, cela devient un enfer pour reproduire quoi que ce soit ou même comprendre ce qui se passe. Donc, je suppose que c’est ce qui a changé entre ces anciens systèmes ERP et les plus modernes. Nous utilisons maintenant des recettes numériques plus complexes. Est-ce que c’est le grand changement ? Est-ce pourquoi cette approche de la boîte noire se produit ?
Joannes Vermorel: En général, ces recettes numériques avancées ne se trouvent pas dans l’ERP. Je veux dire, l’ERP, malgré son nom, Enterprise Resource Planning (Planification des ressources de l’entreprise), n’a presque rien à voir avec la planification. Il s’agit principalement de gestion. Donc, vous avez la gestion des ressources de l’entreprise, qui est généralement mise en œuvre sans aucune intelligence par conception. Vous voulez simplement suivre vos actifs, et vous avez des couches d’analyse par-dessus. Mais ensuite, vous avez raison, au sein de ces couches d’analyse, vous avez des recettes avancées que certains fournisseurs pourraient appeler de l’IA, et cela devient beaucoup plus opaque.
Kieran Chandler: Et si vous nous donniez un exemple concret de la manière dont ces problèmes de boîte noire affectent réellement les entreprises ?
Joannes Vermorel: Dans le monde réel, ce qui est surprenant, c’est que vous n’avez pas besoin d’IA pour obtenir un effet de boîte noire. Des choses beaucoup plus simples causent déjà des effets de boîte noire généralisés. J’ai vu de nombreuses entreprises où même quelque chose d’aussi simple qu’un calcul de stock de sécurité, qui consiste simplement à déterminer combien de stock vous devez conserver si vous supposez que votre demande est normalement distribuée en plus de votre prévision et la même chose pour le délai d’approvisionnement, entraîne des effets de boîte noire. Ils disent : “Eh bien, je saisis un taux de service de 99,9 pour cent, mais ensuite la mesure montre en réalité que je n’obtiens qu’un taux de service de 97 pour cent.” Donc, vous vous retrouvez avec un décalage bizarre entre le paramètre que vous entrez dans le système, comme 99,9, et ce que vous obtenez en réalité, qui est 97. C’est le genre de situation où vous avez une boîte noire, et vous ne comprenez pas vraiment ce qui se passe. De toute évidence, la sortie du système ne correspond pas à ce que vous attendiez du système, vous êtes donc confronté directement à cet effet de boîte noire.
Kieran Chandler: Si cela est si répandu, comment les entreprises surmontent-elles ces problèmes ?
Joannes Vermorel: En général, elles les surmontent avec des tonnes de feuilles Excel. Que se passe-t-il lorsque vous avez des chiffres que vous ne pouvez pas faire confiance dans le système ? Les gens extraient simplement des données de l’ERP, des données fondamentales auxquelles ils peuvent faire confiance, comme les niveaux de stock, les ventes historiques, les bons de commande historiques, ce genre de choses. Ils peuvent vérifier que la feuille Excel est alignée sur le système, donc pas d’effet de boîte noire. Ils vérifient même que ce qui se trouve dans la feuille Excel est réellement aligné sur ce qu’ils ont dans les rayons de l’entrepôt, juste pour être sûr. Et ensuite, ils commencent à élaborer leurs propres recettes numériques dans la feuille Excel elle-même, où le praticien de la chaîne d’approvisionnement a le contrôle sur le calcul à chaque étape, et c’est très visuel. C’est ainsi qu’ils essaient de se prémunir contre un effet de boîte noire. Bien que, lorsqu’une feuille Excel est transmise d’un praticien de la chaîne d’approvisionnement à un autre au fil des ans, vous pouvez vous retrouver avec un certain degré d’opacité et d’effet de boîte noire dans ces feuilles Excel elles-mêmes. Excel n’est pas une solution miracle ; cela aide simplement.
Kieran Chandler: Parlons de la solution. L’approche de la boîte blanche, je veux dire que la boîte blanche est en pratique, d’après notre observation, même certaines recettes numériques triviales, comme une simple formule de stock de sécurité ou quelque chose de légèrement plus compliqué que la moyenne mobile, est une boîte noire. Il ne faut pas de l’IA pour obtenir une boîte noire. Je veux dire, même un modèle linéaire avec trois variables, la plupart des gens ne sont pas capables de le calculer mentalement. Donc, même un modèle aussi simpliste qu’un modèle linéaire avec trois variables devient très rapidement relativement opaque pour les personnes qui utilisent réellement les résultats de ce modèle.
Joannes Vermorel: Dès que vous vous dirigez vers quelque chose de plus intelligent, en particulier quelque chose qui capturerait les non-linéarités que vous avez dans les chaînes d’approvisionnement, cela devient assez opaque par nature. Ce dont vous avez besoin, c’est d’un processus, ce que nous appelons la boîte blanche, qui est entièrement axé sur l’idée que vous recréerez la transparence et les informations en sachant que par défaut, ce que vous obtenez est pratiquement l’opposé. Il n’y a pas d’alternative. Même un modèle aussi simpliste et simplifié que le stock de sécurité est déjà opaque, vous ne pouvez donc pas espérer qu’un modèle meilleur et plus réaliste, tel qu’un modèle basé sur des prévisions probabilistes et une évaluation probabiliste des risques pour votre inventaire, soit moins opaque. Au contraire, il sera plus opaque, beaucoup plus précis. Ainsi, nous avons besoin de ce processus de boîte blanche pour créer une compréhension, générer de la confiance et finalement amener les gens, pour de bonnes raisons, à abandonner les feuilles Excel.
Kieran Chandler: Alors, comment cela fonctionne-t-il concrètement ? Comment procédez-vous pour vérifier les résultats qui vous sont donnés et adopter cette véritable approche de la boîte blanche ?
Joannes Vermorel: Un aspect délicat est qu’il est très facile de noyer les gens sous une multitude de métriques. Lorsque les gens sont confrontés à une boîte noire, leur réaction principale est de dire : “Donnez-moi plus d’indicateurs, créez plus de KPI, je veux en voir de plus en plus.” Mais lorsque vous faites cela, vous vous retrouvez avec des tableaux gigantesques avec des dizaines de colonnes qui restent complètement opaques et incroyablement complexes. Le point de départ est de dire que nous devons avoir quelques chiffres extrêmement bien élaborés lorsque nous voulons expliquer des décisions.
Premièrement, une idée est que vous ne voulez pas essayer d’expliquer tout, en particulier les artefacts numériques. Vous vous souciez peu de savoir comment se déroulent certaines étapes intermédiaires du calcul. Ce qui vous intéresse, c’est le résultat final, la décision qui a un impact physique sur votre chaîne d’approvisionnement. Vous décidez de produire, vous décidez d’acheter davantage, ou vous décidez de déplacer des stocks d’un endroit à un autre. C’est l’objectif final, et c’est la décision qui vous préoccupe.
La boîte blanche consiste à avoir, pour chaque décision, peut-être une demi-douzaine de chiffres qui expliquent ces décisions, mesurés en dollars ou en euros. La deuxième idée est d’utiliser des dollars et des euros car c’est ce qui aura le plus de sens dans toute l’entreprise. Si vous savez pourquoi vous achetez 100 unités supplémentaires d’un produit et que vous avez une variable qui dit : “Eh bien, le risque de rupture de stock est de 50 mille euros car si nous manquons de cette chose, la chaîne de production s’arrêtera”, alors le coût de la rupture de stock peut être beaucoup plus élevé que la valeur de ce que vous achetez si vous mettez une chaîne de production en danger. Ce sont les informations que les gens obtiendront.
Kieran Chandler: Donc, il y a ces moteurs économiques que vous appliquez. Qu’en est-il de ceux-ci ? Les moteurs économiques sont extrêmement utiles car ils sont comparables dans toute l’entreprise. Le problème, c’est que vous avez une décision où vous avez une demi-douzaine de moteurs économiques, et vous avez un autre type de décision avec d’autres types de moteurs économiques, et vous voulez que toutes vos mesures soient compatibles afin de pouvoir comparer des pommes avec des pommes et des oranges avec des oranges. Si vous avez des pommes et des oranges, alors vous êtes un peu perdu. C’est généralement ce qui se passe avec tous ces pourcentages d’erreur. Alors, à part les moteurs économiques, qu’est-ce qui rend l’approche de Lokad si propice à la boîte blanche ? En quoi est-elle différente des autres techniques ?
Joannes Vermorel: Vous avez besoin d’outils pour cela, et la plupart des systèmes analytiques ne font pas un si bon travail pour soutenir la boîte blanche. Excel est en fait assez bon car vous restez très proche des données, mais il s’effondre lorsque la complexité et le volume des données augmentent. Excel est excellent tant que vous travaillez avec moins de dix colonnes et mille lignes. Si vous commencez à traiter des millions de lignes et des dizaines de colonnes, cela devient rapidement comme une énorme base de code spaghetti dans votre feuille de calcul Excel. Excel est très bon à petite échelle, mais il s’effondre face à la complexité.
De nombreux systèmes analytiques ne parviennent pas à préserver les propriétés d’Excel, et les données s’éloignent beaucoup de l’utilisateur. Chez Lokad, nous avons développé Envision, qui intègre le terme “vision” dans le nom de ce langage de programmation, en partant de l’idée que nous devions rester très proches des données afin de pouvoir effectuer toutes ces validations de type Excel en permanence. Envision facilite grandement la création de formules pour afficher, dans un tableau de bord, tous vos chiffres afin que vous puissiez les vérifier comme vous le feriez dans Excel, simplement pour des raisons de validation.
L’idée est que nous pouvons générer des tableaux de bord très complets où vos principaux moteurs seront affichés de manière proéminente, mais vous pouvez avoir de nombreuses petites tuiles qui contiennent toutes vos vérifications, tout comme vous le feriez dans Excel, afin que vous puissiez vérifier que vos calculs sont fiables et que vos étapes intermédiaires ne sont pas complètement fausses.
Kieran Chandler: Si je suis une entreprise et que j’utilise un logiciel qui présente de nombreuses caractéristiques de boîte noire, que devrais-je faire ? Quelle devrait être la première étape que je devrais entreprendre pour améliorer ma compréhension de ce qui se passe ?
Joannes Vermorel: Tout d’abord, vous devez disposer d’une documentation détaillée de ce qui entre dans le système. Habituellement, la documentation est inexistante. Pour clarifier, nous parlons d’avoir un tableau qui nécessite environ une page de documentation, pas de documentation informatique, mais de documentation axée sur la chaîne d’approvisionnement et l’entreprise.
Kieran Chandler: Vous savez, en travaillant avec des clients, au mieux si chaque champ a une ligne de documentation, nous sommes satisfaits. Habituellement, il y a environ 20 tableaux, chaque tableau ayant 20 champs, et nous avons à peine une ligne de documentation par tableau. Nous devrions avoir une page de documentation par champ. C’est donc probablement le point de départ pour la plupart des entreprises, c’est de documenter complètement ce que vous avez en entrée du système ; sinon, vous vous retrouvez avec des données de mauvaise qualité en entrée et en sortie.
Joannes Vermorel: La deuxième chose consiste à vérifier que vos couches de traitement des données, vos couches analytiques, vous donnent essentiellement la même agilité que vous avez avec Excel. Ainsi, vous pouvez, avec quelques instructions ou quelques lignes de code, ajouter toutes ces colonnes de rapport faciles dont vous avez besoin pour déboguer votre logique. Malheureusement, vous ne pouvez pas éviter l’aspect programmation car, tout comme Excel, il s’agit de formules et autres, donc c’est de la programmation. Mais avec quelques lignes de code, vous pouvez avoir toutes ces colonnes. Si vous n’avez pas un système qui prend en charge un tel processus agile, où vous pouvez simplement créer des colonnes comme dans Excel pour vérifier les calculs intermédiaires, alors c’est essentiellement terminé. Vous ne parviendrez jamais à comprendre votre boîte noire.
Donc, probablement à cette étape, vous devez changer la couche analytique si vous n’avez pas une couche qui vous donne une certaine agilité. Ensuite, l’étape suivante consiste à commencer à élaborer de très bons indicateurs économiques. Et par “très bons”, je veux dire que chaque indicateur doit être aussi indépendant que possible des autres indicateurs. Vous voulez avoir des choses qui sont très orthogonales. Le danger est que si vous ne parvenez pas à créer une série d’indicateurs qui reflètent des choses qui sont littéralement orthogonales, alors vous pourriez regarder la même chose plusieurs fois et être induit en erreur.
C’est une partie délicate, mais l’idée est que lorsque vous regardez un indicateur économique qui vous indique 100 € de coût ou de récompense, vous voulez vous assurer qu’il est aussi indépendant que possible d’un autre indicateur qui prétend également apporter 100 € de récompense ou de coût.
Kieran Chandler: Donc, les points clés sont vraiment de comprendre vos entrées et sorties et de définir également ces indicateurs économiques. En conclusion aujourd’hui, pourquoi le white-boxing est-il si important ?
Joannes Vermorel: Le white-boxing est si important car, sinon, tous vos efforts pour optimiser votre chaîne d’approvisionnement seront vains. Les gens, pour de bonnes raisons, reviendront à leurs feuilles Excel car si vous n’avez pas de processus de white-boxing en place qui donne à tout le monde l’assurance que les résultats issus de ces systèmes sont sains, alors il est très probable que vos résultats soient insensés. Les gens font la chose sensée, qui est de ne pas faire confiance à ces résultats et de revenir à leurs feuilles Excel. Les feuilles Excel sont, malheureusement, la solution nécessaire contre la folie du système. Le white-boxing est nécessaire ; sinon, ne vous attendez pas à ce que vos équipes de praticiens de la chaîne d’approvisionnement abandonnent leurs feuilles Excel de sitôt. Elles ne le feront pas, et en ne le faisant pas, elles protègent votre entreprise car faire confiance à un système insensé est bien pire que de perdre du temps sur des feuilles Excel.
Kieran Chandler: Et qui aurait cru que de nombreux analystes pensaient probablement qu’Excel vous rend fou, mais voilà. C’est tout pour cette semaine. Merci beaucoup pour votre temps, et nous vous reverrons la semaine prochaine. Merci de nous avoir regardés.
