00:00:07 Exploiter les données météorologiques pour optimiser les décisions d’achat.
00:00:41 Produits sensibles à la météo et leur corrélation avec la météo.
00:02:00 Contexte historique des startups de données météorologiques et leur statut de niche.
00:03:23 Les fournisseurs d’électricité exploitent efficacement les données météorologiques pour la prévision de consommation.
00:06:02 La complexité des données météorologiques par rapport aux données de la supply chain et les défis techniques.
00:08:00 L’impact de la météo sur les marchés IPO et la demande de produits.
00:10:00 Le bénéfice limité des prévisions météorologiques pour la supply chain.
00:12:45 L’utilité des données météorologiques passées pour expliquer la demande des produits.
00:14:00 Utiliser le changement climatique pour améliorer les prévisions saisonnières et ses limitations.
00:15:49 Comparer les fluctuations quotidiennes de température à l’impact du changement climatique à long terme.
00:17:01 L’importance d’utiliser les données transactionnelles pour les décisions de la supply chain.
00:18:04 Exploiter les données de trafic web pour une meilleure compréhension de la supply chain.
00:18:36 Utiliser l’intelligence concurrentielle dans la prise de décisions en supply chain.
00:19:27 Conclusion : Prioriser d’autres sources de données avant d’explorer les données météorologiques.
Résumé
Joannes Vermorel, fondateur de Lokad, discute avec Kieran Chandler, l’animateur, du potentiel et des limites des données météorologiques dans l’optimisation de la supply chain. Vermorel souligne que les données météorologiques possèdent une forte capacité explicative, mais qu’elles peuvent ne pas être très utiles pour affiner les prévisions. La nature multidimensionnelle de la météo rend leur intégration dans les prévisions difficile. Vermorel insiste sur l’importance de prioriser les données transactionnelles et non transactionnelles, telles que les données de trafic web et l’intelligence concurrentielle, par rapport aux données météorologiques et aux données sociales. Les données météorologiques pourraient être plus utiles pour analyser les performances passées des ventes. Malgré les défis, à mesure que la technologie de prévision météorologique et la gestion de la supply chain évoluent, il pourrait y avoir de plus grandes opportunités pour les entreprises d’exploiter les données météorologiques pour une prise de décision.
Résumé étendu
Dans cet épisode, Kieran Chandler, l’animateur, interviewe Joannes Vermorel, fondateur de Lokad, une entreprise de logiciels spécialisée dans l’optimisation de la supply chain. Ils abordent le rôle des données météorologiques dans l’optimisation des décisions d’achat et les complications qui surviennent lors de la combinaison de différentes prévisions. L’idée d’utiliser les données météorologiques pour l’optimisation de la supply chain est simple : de nombreux produits sont très sensibles à la météo, et leur demande est influencée par les conditions météorologiques. Des exemples incluent la viande pour barbecue et même les voitures, car les personnes dans différents climats peuvent choisir des véhicules différents. Bon nombre des pratiques de la supply chain visent à améliorer les prévisions en intégrant des données météorologiques.
Il y a une décennie, il y avait un engouement autour des données météorologiques et des startups se concentrant sur l’affinement des prévisions. Cependant, malgré l’intérêt initial, l’utilisation des données météorologiques pour l’optimisation de la supply chain est restée un domaine de niche. Lokad a mené plusieurs missions pour de grandes entreprises il y a environ dix ans, mais ces efforts se sont finalement estompés car ils nécessitaient trop d’efforts par rapport aux bénéfices obtenus.
L’une des principales leçons tirées de l’expérience de Lokad est que les données météorologiques sont incroyablement complexes. Il s’agit d’un problème multidimensionnel avec un fort degré de diversité géographique. Les conditions météorologiques peuvent varier de manière significative même à 20 kilomètres d’intervalle en raison de facteurs tels que l’altitude. De plus, la météo n’est pas uniforme tout au long de la journée, rendant les prévisions d’autant plus difficiles.
Cependant, certains secteurs ont réussi à exploiter les données météorologiques, comme les fournisseurs d’électricité. Ils utilisent ces données pour prévoir la consommation électrique, ce qui leur permet d’alimenter avec précision le réseau, minute par minute. Le stockage de l’électricité est inefficace et impraticable, ce qui rend les prévisions précises essentielles pour gérer l’approvisionnement.
Bien que le concept d’utiliser les données météorologiques pour l’optimisation de la supply chain semble logique, il s’est avéré complexe et est resté un secteur de niche. La nature hautement variable et multidimensionnelle de la météo rend son incorporation dans les prévisions difficile. Cependant, certains secteurs, comme les fournisseurs d’électricité, ont trouvé le succès en utilisant les données météorologiques pour répondre à leurs besoins spécifiques.
Vermorel explique que les données météorologiques sont extrêmement complexes en raison de leur spécificité géographique et des divers facteurs à prendre en compte, tels que la pluie, le vent, l’humidité et l’ensoleillement. Cette complexité rend les données météorologiques nettement plus volumineuses et difficiles à exploiter par rapport aux données traditionnelles de la supply chain.
Bien que l’obtention des données météorologiques soit devenue plus facile grâce aux fournisseurs de cloud computing, leur traitement et leur corrélation avec les tendances de ventes demeurent un défi. Vermorel souligne que la météo peut avoir des effets très localisés sur les ventes, et les entreprises doivent prendre en compte diverses heuristiques pour gérer ces nuances.
En réponse à la suggestion d’utiliser des déclencheurs plus simples et réactifs basés sur la température, Vermorel reconnaît que la température peut être un facteur important mais insiste sur le fait qu’elle n’est pas la seule variable. Par exemple, un week-end chaud, pluvieux et venteux pourrait ne pas entraîner un pic de demande pour les produits de barbecue. De plus, Vermorel fait remarquer que les clients consultent les prévisions météorologiques tout comme les entreprises, ce qui peut entraîner des variations dans les comportements d’achat en fonction des attentes météorologiques.
En examinant la précision à court terme des prévisions météorologiques, Vermorel explique que les prévisions au-delà de dix jours ne sont généralement pas très utiles pour optimiser les décisions de la supply chain. Lors d’événements comme les vagues de chaleur, la prévision n’a une réelle importance qu’au début et à la fin de l’événement, ce qui limite sa fenêtre d’utilité.
En abordant l’avenir des supply chains et des prévisions météorologiques, Vermorel reconnaît le potentiel de prévisions plus précises pour avoir un impact plus important. Cependant, il souligne que l’utilisation la plus intéressante des données météorologiques pourrait en réalité résider dans l’analyse des performances passées des ventes. Par exemple, comprendre si le succès d’une campagne de vente de glaces était dû à un marketing efficace ou simplement à une vague de chaleur à Paris peut fournir des informations précieuses aux entreprises.
L’intégration des données météorologiques dans l’optimisation de la supply chain est une tâche complexe et ardue, avec des bénéfices potentiels pour comprendre les performances passées des ventes et des applications limitées de prévision à court terme. À mesure que la technologie de prévision météorologique et la gestion de la supply chain continuent d’évoluer, il pourrait y avoir davantage d’opportunités pour les entreprises d’exploiter les données météorologiques pour une prise de décision stratégique.
Vermorel partage ses réflexions sur l’importance des données météorologiques, l’impact du changement climatique et les types de données sur lesquels les entreprises devraient se concentrer pour une meilleure optimisation de la supply chain.
Vermorel explique que, bien que les données météorologiques aient une forte capacité explicative, elles ne sont pas nécessairement très utiles pour affiner les prévisions. De nombreux praticiens de la supply chain trouvent ces données utiles pour comprendre le passé, mais pas forcément pour formuler des prévisions futures.
Lorsqu’on lui demande l’impact du changement climatique sur les prévisions saisonnières, Vermorel fait remarquer que, bien qu’il s’agisse d’un enjeu mondial majeur, son effet sur l’optimisation de la supply chain est minime en raison de la différence d’échelles temporelles. Les prévisions liées au changement climatique s’étendent sur des siècles, alors que les décisions de la supply chain se concentrent sur des mois ou quelques années. Par conséquent, l’effet du changement climatique sur l’optimisation de la supply chain est relativement faible.
Vermorel souligne l’importance des données transactionnelles pour l’optimisation de la supply chain. Il note que de nombreuses entreprises n’exploitent pas efficacement ces données, car elles ne quantifient souvent pas leurs stocks et leurs coûts de rupture de stock en termes financiers. En tirant pleinement parti des données transactionnelles, les entreprises peuvent optimiser leurs décisions de la supply chain.
De plus, Vermorel suggère de se concentrer sur des données non transactionnelles faciles à collecter et hautement pertinentes pour la supply chain d’une entreprise. Les données de trafic web, par exemple, peuvent fournir des informations précieuses sur le comportement des clients et la performance des produits. L’intelligence concurrentielle, comme la tarification des concurrents, est une autre source de données précieuse, bien que sa collecte puisse être plus difficile.
Les données météorologiques et les données sociales peuvent être utiles, mais Vermorel recommande que les entreprises privilégient d’abord les données transactionnelles, les données de trafic web et l’intelligence concurrentielle, avant de considérer les données météorologiques et sociales, surtout lorsqu’une entreprise dispose déjà d’une grande équipe de data science.
Les données météorologiques peuvent être utiles et intéressantes pour comprendre les performances de la supply chain, mais il existe d’autres sources de données plus importantes pour l’optimisation. Les entreprises devraient donner la priorité aux données transactionnelles, aux données de trafic web et à l’intelligence concurrentielle avant d’explorer les données météorologiques ou sociales pour l’optimisation de la supply chain.
Transcription complète
Kieran Chandler : Aujourd’hui, nous allons discuter des complications potentielles lors de la combinaison de différentes prévisions et comprendre si ces données peuvent fournir des informations précieuses.
Joannes Vermorel : L’idée est simple : il existe une multitude de produits très sensibles à la météo en termes de demande. Vous pouvez penser à la viande pour barbecue que vous allez acheter pour le week-end prochain s’il fait beau, et vous serez probablement tenté d’organiser un barbecue. Mais, de manière plus générale, il existe des catégories entières de produits très sensibles à la météo, et, dans une certaine mesure, pratiquement tout est un peu sensible à la météo. Je veux dire, même votre voiture ; si vous êtes dans une région très froide, vous ne choisirez peut-être pas la même voiture que si vous viviez dans une région très chaude ou où il pleut beaucoup, par exemple. Il est donc intéressant de disposer de ces données, et évidemment, puisque c’est un facteur évident, de nombreuses pratiques de la supply chain envisagent d’améliorer les prévisions en intégrant ces données météorologiques, notamment en se référant aux prévisions météorologiques.
Kieran Chandler : Certainement, plus vous en savez, mieux vous serez en mesure de prendre une décision éclairée pour l’avenir. Alors, comment cela fonctionne-t-il en pratique ?
Joannes Vermorel : C’est intéressant, surtout lorsqu’il s’agit de voir comment cela fonctionne en pratique. Lorsque j’ai créé Lokad il y a dix ans, les données météorologiques et les startups spécialisées dans la météo faisaient fureur. À l’époque, probablement en France, il y avait trois startups entièrement dédiées à l’affinement des prévisions avec des données météorologiques, et il y en avait probablement une vingtaine aux États-Unis. Il est intéressant de noter que c’était il y a une décennie, et c’était un petit mot à la mode en soi, avec tout ce qui était possible grâce à la météo pour l’analytique. Mais ce qui est intéressant, c’est qu’en pratique, cela est resté incroyablement de niche. Même chez Lokad, nous avons réalisé plusieurs missions pour de grandes entreprises il y a environ dix ans, et cela s’est estompé. Pour faire court, c’est beaucoup trop d’efforts pour ce que ça rapporte.
Kieran Chandler : Alors, qu’avons-nous réellement appris lorsque nous avons mis cela en pratique toutes ces années ?
Joannes Vermorel : Nous avons énormément appris. Nous avons mené des missions avec un grand fournisseur européen d’électricité, qui je crois est exactement le type d’entreprise qui exploite actuellement très efficacement les données météorologiques. Les fournisseurs d’électricité exploitent ces données pour prévoir la consommation d’électricité afin de fournir exactement ce dont le réseau a besoin à chaque minute de la journée. Soit dit en passant, il est impossible de stocker l’électricité, ou il existe certes des moyens, mais c’est très inefficace, très lent et impraticable en pratique. Vous avez donc besoin de prévisions très précises. Mais pour revenir aux données météorologiques, les enseignements clés étaient nombreux. L’un d’eux est que la météo est tout simplement incroyablement complexe. Les gens ne se rendent pas compte que c’est un problème multidimensionnel. Vous avez la grille géographique, et une chose à propos de la météo, c’est qu’elle est ultra locale. J’ai été un peu surpris de constater à quel point la température peut varier sur seulement 20 kilomètres. Vous pouvez avoir une différence de 15 degrés sur 20 kilomètres parce qu’un endroit se trouve à une altitude d’un kilomètre de plus par rapport à un autre. Vous avez donc une diversité extrême au niveau géographique, mais la météo n’est pas seulement une donnée journalière. Lorsque vous regardez la télévision, vous verrez probablement environ cinq épisodes de pluie, de dix minutes chacun, répartis dans la journée. C’est donc quelque chose de très précis qui change littéralement minute par minute. Vous avez la géographie, puis vous avez le temps, avec une granularité très fine. Évidemment, il fait une grande différence que la pluie tombe pendant la nuit ou pendant la journée, vous savez, ces détails. Mais ensuite, la météo elle-même, ce n’est pas seulement la température et le fait qu’il pleuve ou non. Il existe environ une demi-douzaine de paramètres tels que le vent, l’humidité, la luminosité, la vitesse et la direction du vent, ainsi que la constance du vent. C’est donc un phénomène très multidimensionnel et, par conséquent, je dirais que c’est un monde à part entière. Je veux dire, vous traitez déjà avec toutes vos données de la supply chain, qui sont déjà très compliquées, et ensuite vous découvrez qu’il existe cet ensemble de données météorologiques qui est littéralement au moins dix fois plus complexe que l’ensemble de vos données de la supply chain réunies.
Kieran Chandler : Oui, il y a évidemment ces complications, mais ce sont des complications qui sont très bien gérées. Elles sont soigneusement collectées, alors quels types de défis techniques cela introduit-il, puisque ce sont des choses que nous commençons à mieux comprendre maintenant ?
Joannes Vermorel: Oui, je veux dire que, d’abord, vous vous retrouvez avec un volume de données météo qui est littéralement 10 à 100 fois plus important que vos données de supply chain. Donc, c’est simplement qu’en termes d’ingénierie logicielle, vous obtenez quelque chose qui a été conçu pour gérer la supply chain et son échelle, et puis vous réalisez que si vous voulez gérer les données météo, vous devez traiter littéralement 100 fois plus de données. C’est beaucoup de friction à cet égard. Je veux dire, il y a une décennie, c’était déjà en soi un problème d’accéder aux données météo. Ce problème, de nos jours, avec de nombreux fournisseurs de cloud qui vous vendent directement les données sur le cloud, est devenu beaucoup plus facile. Mais traiter ces données reste très compliqué, surtout parce qu’il ne s’agit pas ici de traiter les données météo pour réaliser des simulations météo. Il s’agit de traiter les données météo pour faire quelque chose qui reste très de niche, c’est-à-dire essayer de corréler ces données avec les schémas de ventes. Et encore, rappelez-vous, la météo est hyper locale. Par exemple, si vous avez un marché qui attire des personnes d’une zone étendue, comme 30 voire 50 kilomètres autour, vous n’avez pas qu’une seule météo à prendre en compte. Vous devrez peut-être consolider les données sur une plus grande zone géographique, et vous devrez définir toutes les heuristiques nécessaires par vous-même.
Kieran Chandler: Mais nous commençons à complexifier les choses ici, en observant différentes altitudes et différentes granularités. N’y aurait-il pas quelque chose d’un peu plus simpliste à introduire, peut-être quelque chose de plus réactif, comme par exemple au lieu d’un min/max, vous pourriez avoir un bon de commande automatisé dès que la température atteint un certain nombre de degrés ? N’est-ce pas quelque chose d’intéressant ?
Joannes Vermorel: Je veux dire, c’est effectivement intéressant. Avec la température, vous avez la première mesure d’intérêt, absolument. Et effectivement, vous pouvez commencer en vous concentrant uniquement sur la température et la température moyenne au cours de la journée. Cependant, cela reste très loin de refléter tout ce dont vous avez besoin de connaître. Si nous revenons à l’exemple d’un pic de demande pour la viande parce que les gens s’attendent à faire un barbecue si le week-end prochain est très chaud, mais aussi très pluvieux et venteux, vous n’obtiendrez peut-être pas un pic aussi marqué pour vos produits de barbecue. Donc, c’est encore une fois, oui, la température est importante, les prévisions météo montrent clairement que ce week-end ou le week-end suivant, avec une forte probabilité, ce sera un très beau week-end. Alors, tout le monde le sait, et par conséquent, vous aurez des clients qui commenceront à acheter les produits sensibles à la météo. Si vous analysez simplement les données avec un décalage d’un ou deux jours, vous disposez également d’informations sur la météo. Rappelez-vous que les prévisions météo ne sont pas très précises au-delà d’environ dix jours, donc vous ne pouvez pas optimiser avec des décisions basées sur des prévisions allant au-delà de dix jours. Après dix jours, vous revenez pratiquement à la moyenne saisonnière comme si vous ne saviez rien. C’est toujours quelque chose d’intéressant, mais c’est aussi très à court terme. Prenez l’exemple où, par exemple, vous entrez dans une vague de chaleur comme à Paris, la vague de chaleur peut durer quelques semaines. La période pendant laquelle la prévision importe réellement n’est pas les trois semaines complètes de la vague de chaleur, mais bien les trois jours où vous y entrez, puis peut-être les deux ou trois jours lors de votre sortie de cette vague de chaleur. C’est donc un créneau très limité dans l’année où vous avez véritablement un avantage.
Kieran Chandler: D’accord, donc la fenêtre est très réduite, et collecter toutes ces données ne nous apporte pas vraiment beaucoup d’avantages. Si nous envisageons les supply chains du futur et imaginons qu’un jour nous aurons des prévisions météo futures incroyablement précises et un contrôle accru sur notre supply chain dans son ensemble, pourriez-vous envisager ce jour où une prévision météo serait plus utile pour essayer de tirer parti des données météo afin de mieux prévoir ?
Joannes Vermorel: C’est possible. Il existe des entreprises, comme les fournisseurs d’électricité, qui font cela avec une très grande efficacité. Pour elles, les données météo constituent une entrée très précieuse qui aide à affiner leur précision de manière significative. Mais l’aspect intéressant, c’est que l’application la plus utile des données météo n’est pas de regarder vers l’avenir ; c’est en réalité de regarder en arrière. Par exemple, si vous vendez des glaces et lancez une nouvelle campagne commerciale pour vos produits qui se vend très bien, est-ce parce que la campagne était excellente ou simplement parce qu’il y avait eu une vague de chaleur à Paris et que pratiquement toutes les entreprises vendant des glaces ont passé une bonne période durant cette partie de l’été ? Regarder en arrière les données météo peut être très utile pour expliquer la demande de vos produits. Ici, vous n’avez pas à gérer les complexités liées à la granularité. Vous pouvez agréger les données sur des périodes plus longues ou sur une étendue géographique plus vaste, et cela vous fournira une information avec un fort pouvoir explicatif.
Kieran Chandler: C’est probablement pour cela que les gens, y compris de nombreux praticiens de la supply chain, sont si enthousiastes à l’idée d’utiliser les données météo pour affiner la prévision. Même si cette approche ne fonctionne pas aussi bien, c’est parce que les données météo sont très utiles pour expliquer le passé. Qu’en est-il de choses comme le changement climatique ? Nous savons désormais que le monde se réchauffe progressivement, et que cela va affecter nos prévisions saisonnières à l’avenir. Pouvons-nous tirer parti de cette idée ? Y a-t-il quelque chose d’utile à en extraire ?
Joannes Vermorel: Malheureusement, il y a des ordres de grandeur en jeu. Même les prédictions les plus pessimistes du changement climatique envisagent quelque chose qui, sur le cours de nombreuses années, reste relativement faible par rapport aux fluctuations quotidiennes que nous observons dans la météo.
Kieran Chandler: Bien sûr, au cours du XXIe siècle, nous parlons d’une différence de quelques degrés. D’ailleurs, si vous pensez en termes de temps géologique, il s’agit d’une évolution très abrupte du climat. Si la Terre se réchauffe ou se refroidit globalement de deux degrés sur un siècle, c’est beaucoup. C’est très significatif. Néanmoins, nous parlons de quelques degrés sur un siècle. Même dans un climat très doux comme à Paris, la température varie typiquement entre le point culminant de la journée et le point le plus bas d’environ 20 degrés. Nous avons un climat très doux. Il existe de nombreuses régions dans le monde où les températures fluctuent de 40 degrés entre le maximum diurne et le minimum nocturne.
Joannes Vermorel: En fin de compte, avoir un changement climatique d’environ deux degrés sur un siècle – quand on pense à l’ampleur du changement d’une saison à l’autre – est littéralement négligeable. La plupart des produits de grande consommation arrivent sur le marché, montent de zéro à leur pic en quelque chose comme douze mois, puis disparaissent deux ou trois ans plus tard. Vous réalisez que l’impact du climat moyen est très limité pour l’optimisation de la supply chain, tout simplement parce que nous ne parlons pas du même horizon temporel. La supply chain vise à optimiser les décisions pour les mois à venir, peut-être pour l’année prochaine, ou pour les deux années à venir si vous avez de très grands projets. Mais je ne pense pas qu’il y ait beaucoup d’entreprises qui planifient sur des siècles, excepté pour être plus efficientes, consommer moins d’énergie ou produire moins de déchets, ce qui représente un avantage pour l’avenir. Cependant, ce n’est pas quelque chose que l’on planifie véritablement avec une prévision.
Kieran Chandler: Alors, quelles autres données devrions-nous examiner ? Qu’est-ce qui est plus important que les données météo pour le moment ?
Joannes Vermorel: Nous sommes arrivés à un stade où la plupart des entreprises n’exploitent même pas correctement leurs données transactionnelles. La plupart des entreprises avec lesquelles nous travaillons, dès le début de notre collaboration, n’avaient même pas quantifié leurs coûts de rupture de stocks en euros ou en dollars. Les stocks représentent un trade-off entre le coût des stocks et le coût des ruptures de stocks. Si je simplifie, en gros, vous devez équilibrer deux risques, et vous ne les évaluez même pas.
Kieran Chandler: Financièrement, l’un de ces deux risques, il est très difficile d’optimiser quoi que ce soit. La première étape consiste donc à exploiter au maximum vos données transactionnelles, qui sont hyper fiables et possèdent exactement la granularité nécessaire pour votre décision supply chain. La deuxième étape est d’utiliser toutes les données non transactionnelles, mais qui sont faciles à collecter et toujours très pertinentes pour votre propre supply chain. Par exemple, il s’agirait des données de trafic web si vous êtes une marque. Vous pouvez examiner le nombre de visites que reçoit chaque page de votre site, et particulièrement si vous avez des pages concernant vos produits, vous pouvez analyser ce trafic web. Et encore, lorsque le trafic web évolue, vous obtiendrez ces informations étroitement liées à vos produits, et c’est quelque chose dont vous pouvez tirer parti.
Joannes Vermorel: Peut-être qu’une troisième couche de données serait l’intelligence concurrentielle, c’est-à-dire ce que font vos concurrents, leur tarification, etc. Ce sont des données qui sont plus compliquées à collecter, mais qui restent très intimement liées à votre activité en supply chain. Au-delà de cela, il existe des données telles que les données météo et les données sociales qui sont envisageables. Nous avons des exemples d’entreprises qui exploitent les données sociales, mais elles tendent à être des entreprises ultra-tech qui ont déjà franchi toutes les étapes précédentes pour exploiter au maximum leurs données transactionnelles, leurs données de trafic web et leurs données d’intelligence concurrentielle. Ensuite, vous pouvez vous aventurer dans les données météo et peut-être les données sociales, qui sont en quelque sorte des sources externes.
Kieran Chandler: D’accord, donc pour conclure aujourd’hui, peut-être que les données météo sont utiles et peuvent s’avérer intéressantes, surtout lorsqu’on regarde en arrière. Mais la conclusion principale est essentiellement qu’il existe d’autres aspects bien plus importants.
Joannes Vermorel: Oui, et si vous n’avez pas déjà une très grande équipe de data scientists, je veux dire, vous n’êtes pas prêt. Voilà mon message : vous saurez que vous êtes prêt lorsque vous embaucherez votre 24e data scientist et que vous ne saurez plus vraiment quelles nouvelles pistes explorer. Ce sera alors le bon moment pour commencer à examiner ces options.
Kieran Chandler: D’accord, terminons ici pour aujourd’hui. Merci, Joannes. Voilà, c’est tout pour Lokad TV cette semaine. Nous serons de retour la prochaine fois avec un nouvel épisode, à condition de survivre à cette vague de chaleur. On se retrouve la prochaine fois. Au revoir pour l’instant.
