La pseudo-science dans les Supply Chains

00:00:07 Le scientisme et sa prévalence dans les supply chains.
00:00:34 Explication du scientisme et de ses conséquences dans divers domaines.
00:02:16 Exemples concrets d’une sur-reliance sur les résultats scientifiques et les raccourcis.
00:04:07 La prévision de la demande dans la supply chain comme exemple de scientisme.
00:06:50 Alternatives au scientisme dans la gestion de la supply chain et prise en compte des systèmes complexes.
00:08:01 La simplification excessive et son impact sur les professionnels de la supply chain.
00:09:45 Aborder la question du rationalisme naïf dans la gestion de la supply chain.
00:12:38 L’importance du jugement humain dans les supply chains et les limites des modèles quantitatifs.
00:14:48 Équilibrer les informations basées sur les données avec le jugement de haut niveau dans la prise de décision.
00:15:38 Assurer la compréhension du client et éviter le rationalisme naïf chez Lokad.
00:17:06 La nécessité de prendre en compte des facteurs importants tels que le Nouvel An chinois dans la planification de la supply chain.
00:18:30 Être sceptique vis-à-vis des organisations rationnelles et l’importance de combiner la science avec le bon sens.
00:19:51 Les ingénieurs hautement qualifiés peuvent être ignorants des applications du monde réel.
00:21:02 Besoin d’expertise, de bon sens et d’éviter les absurdités à grande échelle industrielle.

Résumé

Le fondateur de Lokad, Joannes Vermorel, discute du concept de scientisme dans l’optimisation des supply chains lors d’une interview avec Kieran Chandler. Le scientisme est défini comme une sur-reliance sur la science, en supposant que tous les problèmes peuvent être résolus par une approche scientifique. Vermorel met en garde contre une surévaluation des approches algorithmiques de prévision de la demande, car ces modèles peuvent être trop simplistes et conduire à des prophéties auto-réalisatrices. Il souligne l’importance du jugement humain de haut niveau dans la gestion de la supply chain, ainsi que la nécessité de prendre en compte les effets de second ordre et de reconnaître la complexité des systèmes et des êtres humains impliqués. Vermorel conseille aux clients de s’appuyer sur des connaissances d’experts et du bon sens lors de la mise en œuvre de solutions d’optimisation de la supply chain.

Résumé étendu

Dans cette interview, l’animateur Kieran Chandler et Joannes Vermorel, le fondateur de Lokad, discutent du concept de scientisme et de son impact sur l’optimisation de la supply chain. Le scientisme est décrit comme une croyance extrême en la science, en supposant que tous les problèmes peuvent être résolus par une approche scientifique. Dans le contexte de la gestion de la supply chain, ce terme est synonyme de rationalisme naïf, suggérant qu’une seule recette, algorithme ou technologie peut résoudre tous les problèmes de la supply chain.

Vermorel souligne que les grandes organisations imitent souvent la méthode scientifique dans leur gestion de la supply chain, en se concentrant sur les chiffres, les formules et l’embauche de personnes titulaires d’un doctorat. Cependant, ces attributs seuls ne rendent pas nécessairement leur approche scientifique. Il compare ce phénomène à une façade, créant une illusion de rigueur scientifique sans réellement adhérer à la méthode scientifique.

À titre d’exemple d’un scientisme qui a mal tourné, Vermorel aborde la controverse entourant les valeurs p en sciences sociales. Les valeurs p sont utilisées pour mesurer la confiance dans une hypothèse, mais lorsque des millions d’hypothèses sont testées, certaines montreront inévitablement des résultats significatifs en raison du hasard. Ce problème illustre comment la dépendance excessive à des résultats apparemment scientifiques peut conduire à des conclusions trompeuses.

Appliquant ce concept à la gestion de la supply chain, Vermorel identifie la prévision de la demande comme un domaine où le scientisme peut poser problème. Il existe de nombreux livres et modèles sur la prévision de la demande, ce qui peut donner l’impression d’une approche rationnelle bien établie. Cependant, lorsque l’on examine ces modèles de plus près, leur rationalité devient discutable.

Ils discutent des limites de certaines approches algorithmiques de la prévision de la demande et de la nécessité d’un jugement humain de haut niveau dans la gestion de la supply chain.

Vermorel explique que de nombreux algorithmes de prévision peuvent être excessivement simplistes et peuvent conduire à des prophéties autoréalisatrices. Par exemple, si une prévision prédit une demande nulle pour un produit, le produit peut ne pas être stocké et donc aucune vente ne se produira, renforçant ainsi la prévision initiale. Il mentionne également que pour les marques de mode, le nombre d’unités produites est souvent égal au nombre d’unités vendues, en raison de fortes remises sur les articles invendus. Ces exemples illustrent le problème des modèles de prévision naïfs basés sur des prophéties autoréalisatrices.

Pour surmonter les limites de ces modèles, Vermorel suggère que les professionnels de la supply chain devraient reconnaître la complexité des systèmes avec lesquels ils travaillent et des êtres humains impliqués. Ils devraient également tenir compte des effets de second ordre, tels que la façon dont l’offre de remises peut créer des attentes de remises futures chez les clients. Il soutient que les méthodes scientifiques qui se concentrent sur les effets de premier ordre et les simplifications peuvent être faciles à mesurer et à comparer, mais ne sont pas nécessairement pertinentes pour l’entreprise.

Vermorel souligne l’importance du jugement humain dans la gestion de la supply chain. Il estime que l’intelligence humaine de haut niveau est nécessaire pour déterminer si un modèle mathématique est utile ou s’il simplifie trop le problème. Bien qu’il soit possible d’aborder les problèmes de la supply chain de manière scientifique, cela nécessite de la subtilité et ne peut pas être réduit à de simples mesures.

Il note que les professionnels de la supply chain sont généralement conscients de ces problèmes, mais l’attrait du scientisme et du rationalisme peut être tentant, surtout pour les personnes très instruites. Ces professionnels peuvent avoir été exposés au succès des modèles quantitatifs dans d’autres domaines, comme la thermodynamique, et peuvent espérer obtenir la même puissance prédictive dans la gestion de la supply chain. Cependant, Vermorel met en garde contre le fait que les êtres humains ne sont pas des particules et que leur comportement est plus complexe, ce qui nécessite une approche plus nuancée de la gestion de la supply chain.

Un exemple de rationalisme naïf dans la gestion de la supply chain est le processus de Sales and Operations Planning (S&OP). Vermorel souligne que les divisions au sein d’une entreprise peuvent simplement renvoyer des prévisions pour répondre à leurs propres incitations, plutôt que de produire des prévisions de demande précises.

Ils abordent la tendance humaine à être averses au risque, l’importance de sauvegarder les prévisions avec des données et le rôle du jugement de haut niveau dans l’optimisation de la supply chain.

Vermorel reconnaît que les gens sont naturellement averses au risque et s’appuient souvent sur des données pour étayer leurs affirmations et leurs prévisions. Il convient qu’il est essentiel d’utiliser des données pour soutenir ses idées, mais met en garde contre la prudence nécessaire lors de la manipulation de statistiques, en particulier lorsque plusieurs variables sont impliquées dans des problèmes hautement complexes et multidimensionnels.

Vermorel souligne l’importance du jugement de haut niveau dans la supervision des calculs et des modèles utilisés dans l’optimisation de la supply chain, affirmant qu’il est crucial de s’assurer qu’il y a une perspective appropriée au cœur de l’analyse. Il estime que le véritable rationalisme implique ce jugement de haut niveau pour éviter les écueils potentiels dans l’analyse qui pourraient découler de l’ignorance d’aspects importants.

La conversation aborde ensuite le concept de rationalisme naïf, Chandler soulignant que l’approche de Lokad pourrait en avoir certains éléments. Il mentionne que bon nombre de leurs clients ne comprennent peut-être pas pleinement la “magie noire” derrière les techniques d’optimisation de la supply chain de l’entreprise. Vermorel répond en disant que ce ne sont pas les aspects techniques qui sont les plus importants, mais plutôt la compréhension de haut niveau des processus de la supply chain.

Selon Vermorel, bon nombre des aspects techniques que les clients ne comprennent pas sont souvent insignifiants dans le grand schéma des choses. Il soutient qu’il est plus important pour Lokad de se concentrer sur les aspects plus larges de la supply chain, tels que la prise en compte d’événements tels que le Nouvel An chinois, qui peuvent avoir un impact significatif sur les délais d’approvisionnement.

Vermorel commence par admettre que le domaine de l’optimisation de la supply chain en est encore à ses balbutiements. Bien qu’il y ait eu des améliorations significatives par rapport aux méthodes précédentes, l’industrie n’a fait que gratter la surface. Il souligne l’importance de combiner des approches scientifiques avec le bon sens afin d’obtenir les meilleurs résultats.

Il met ensuite en garde contre la croyance en une organisation parfaitement rationnelle et bien définie, composée d’équipes distinctes pour la prévision, la planification et les achats, optimisant chacune des métriques spécifiques. Vermorel soutient que de tels systèmes peuvent sembler rationnels et scientifiques, mais ne sont souvent rien de plus qu’un mirage. Il insiste sur la nécessité de faire preuve de scepticisme lors de la rencontre de telles organisations, car elles peuvent ne pas être aussi rationnelles ou efficaces qu’elles le paraissent.

Avec le recul, Vermorel reconnaît ces échecs comme les conséquences évidentes du rationalisme naïf. Il conseille aux clients de s’appuyer sur des connaissances d’experts et du bon sens lors de la mise en œuvre de solutions d’optimisation de la supply chain. Peu importe le nombre de mots à la mode ou de jargon technique utilisés pour résoudre un problème, sans une compréhension solide et une approche pratique, le résultat ne sera rien de plus qu’une absurdité à l’échelle industrielle.

Transcription complète

Kieran Chandler: Aujourd’hui sur Lokad TV, nous allons comprendre pourquoi il est si facile de tomber dans ce piège et discuter si quelque chose qui semble intelligent en surface l’est réellement. Alors Joannes, aujourd’hui nous parlons de scientisme. Cela semble un peu théorique, mais qu’est-ce que c’est exactement ?

Joannes Vermorel: Le scientisme, je dirais, est une croyance extrême en la science. C’est l’idée que vous pouvez littéralement résoudre tous vos problèmes dans la vie et dans la société avec une approche scientifique, ce qui semble bien mais qui est en réalité un peu naïf. Dans le cas spécifique de la supply chain, cela serait synonyme de rationalisme naïf, une approche où nous avons une recette, des algorithmes et un peu de technologie pour résoudre le problème avec une méthode définitive. J’ai observé que, surtout dans la supply chain, les grandes organisations ont tendance à imiter les méthodes scientifiques. Elles font des choses qui ont les attributs de la science, comme l’utilisation de nombreux chiffres, de formules, de personnes ayant un doctorat, de métriques, de mesures et d’un certain processus. Mais parfois, ou en réalité très fréquemment, vous n’avez rien qui, à mes yeux, qualifierait réellement de scientifique. Vous avez les attributs, mais c’est comme une façade, une illusion.

Kieran Chandler: Avant d’aborder le côté supply chain, avez-vous des exemples concrets de la façon dont les gens se sont trop appuyés sur des résultats scientifiques et ont été un peu trop emportés ? Où avons-nous vu des raccourcis être pris ?

Joannes Vermorel: Il y a une énorme controverse de nos jours dans les sciences sociales car la majorité des articles publiés au cours des cinq dernières décennies dans les sciences sociales ne se reproduisent tout simplement pas, ce qui est un énorme problème. L’une des causes profondes est les valeurs p, une façon d’établir à quel point vous pouvez avoir confiance en une hypothèse. Par exemple, disons que je postule que manger des fraises est bon pour la santé. Je fais une mesure et valide cette hypothèse. Le problème est que si vous testez des milliers ou des millions d’hypothèses, vous allez générer des tonnes d’hypothèses qui présentent de belles valeurs p, des choses qui semblent très confiantes. Mais le problème est que vous avez testé tellement d’hypothèses que selon les données limitées, certaines d’entre elles se révèlent être vraies presque complètement par pur hasard. En supply chain, vous avez de nombreuses similitudes où les méthodes ont l’apparence de quelque chose de très rationnel, mais lorsque vous grattez sous la surface, c’est profondément irrationnel.

Kieran Chandler: Regardons des exemples de la supply chain. Quelles sont ces choses qui semblent faciles en surface mais qui, une fois que vous creusez un peu plus, ne le sont pas du tout et sont beaucoup moins rationnelles ?

Joannes Vermorel: Probablement la prévision de la demande. Il existe des livres entiers sur la façon de construire des modèles de prévision de la demande. Nous avons toute une littérature là-dessus, des anciens modèles classiques de lissage exponentiel, Holt-Winters, et autres. On pourrait penser que la prévision statistique de la demande est quelque chose de très établi. Vous avez une prévision, vous pouvez faire une comparaison, vous pouvez faire des tests rétrospectifs. Les tests, cela ressemble à l’archétype de quelque chose de super scientifique, et mon point de vue est que fréquemment, ce n’est pas le cas. Ce n’est pas du tout scientifique. C’est en réalité très naïf. C’est l’une des premières erreurs que j’ai commises chez Lokad il y a une décennie, c’était de penser que cette approche algorithmique de la prévision de la demande fonctionnait réellement. Ce n’est pas le cas, pour plusieurs raisons en réalité. L’une des raisons est que vous finissez par avoir un effet auto-réalisateur. Vous savez, si vous prévoyez qu’il n’y aura aucune demande pour un produit dans un magasin, alors peut-être que vous n’allez même pas mettre le produit en magasin, et ainsi vous finirez par avoir des prophéties auto-réalisatrices. Si vous prévoyez une demande nulle, alors vous ne mettez aucun stock, et ensuite vous ne vendez rien, et ensuite votre prévision est à 100% correcte. Et ensuite, je suppose que vous avez plus confiance en la prévision. C’est statistiquement prouvé, et pourtant, quand on y réfléchit, c’est assez stupide du point de vue commercial, et en réalité, c’est stupide. C’est donc un exemple extrême. Un exemple légèrement plus avancé mais toujours assez stupide est lorsque vous voulez faire une prévision pour une marque de mode. Si vous voulez prévoir combien d’unités vont être vendues pour un produit donné, eh bien, il vous suffit de regarder combien d’unités ont été produites en premier lieu. Si vous produisez 1 000 chemises, devinez quoi, vous allez vendre 1 000 chemises, moins les pertes. Mais comment cela se fait-il ? Eh bien, cela vient du fait que si vous ne vendez pas toutes ces 1 000 chemises, vous allez fortement réduire le prix de vos produits, les mettre en vente, et finalement ils seront vendus. Donc, vous avez cette naïve prophétie auto-réalisatrice où tout ce que vous produisez est essentiellement ce que vous finissez par vendre, peu importe quoi.

Kieran Chandler: Alors quelle est l’alternative alors ? Parce que cela semble que vous avez une méthode, la méthode fonctionne plus ou moins, elle se rapproche du bon résultat.

Joannes Vermorel: L’alternative est d’abord de reconnaître que la situation est complexe, qu’il y a des humains impliqués, qu’il y a un système complexe avec des boucles de rétroaction partout, qu’il y a des effets de second ordre. Les effets de second ordre sont, par exemple, lorsque vous accordez une remise à un client. Qu’est-ce que vous créez ? Évidemment, cette remise vous coûte. Ce sont des euros ou des dollars de marge que vous ne recevez pas. C’est le premier effet de la remise. Une autre partie du premier effet est que vous avez probablement une sorte de stimulation de la demande. Vous mettez un produit en vente avec beaucoup de remises, les ventes vont augmenter, en général. Mais l’effet de second ordre est que vous créez une attente dans votre base de clients d’acheter effectivement des produits à prix réduit.

Donc encore une fois, le nationalisme ou le scientisme est une sorte de méthode où vous vous concentrez principalement sur les effets de premier ordre, où vous prenez des raccourcis, vous simplifiez la situation, et donc vous obtenez quelque chose où il est facile de faire des mesures, il est facile de produire des métriques, et il est facile de faire des comparaisons et de tester des hypothèses. Mais le fait que ce soit facile ne signifie pas que c’est pertinent. Ce n’est pas parce que quelque chose est facile que c’est réellement bon pour votre entreprise.

Kieran Chandler: Alors, comment la simplification excessive de ce genre d’approche peut-elle affecter les professionnels de la supply chain ? Quel en est le résultat ? J’ai une question sur les modèles mathématiques et la modernisation quantitative. Quelle est l’importance du jugement humain dans ce processus, notamment lorsqu’il s’agit de systèmes complexes ?

Joannes Vermorel: Le jugement humain est crucial. Une intelligence humaine de haut niveau est nécessaire pour évaluer si un modèle est la bonne façon d’aborder un problème. Cela fait partie de la science, mais ce n’est pas seulement une question de mesure simple et de test d’hypothèses. Il faut un jugement de haut niveau pour s’assurer que le modèle est aligné avec la réalité.

Lorsque l’on aborde un certain domaine, il faut adopter la bonne perspective. Par exemple, lorsque l’on essaie de résoudre des problèmes de supply chain, il faut une perspective qui a du sens pour de grands groupes de personnes et des sociétés. Cela ne peut pas être prouvé de manière scientifique, mais plutôt par le biais d’une discussion difficile entre des personnes de bonne foi qui cherchent à se rapprocher de la vérité. Il ne s’agit pas d’avoir une mesure naïve pour prouver qui a raison ou tort, mais il y a plus de subtilité en jeu.

Kieran Chandler: Les professionnels de la supply chain ont-ils remarqué les lacunes de ces modèles ?

Joannes Vermorel: Les professionnels de la supply chain sont en effet très instruits et intéressés par leur domaine. Le problème avec les modèles scientifiques et rationnels n’est pas qu’ils se produisent chez des personnes non instruites, mais plutôt qu’ils se produisent parmi des individus très instruits. Quelqu’un ayant une formation limitée pourrait ne pas être impressionné par des formules ou des protocoles et serait sceptique face à des choses compliquées qu’il ne comprend pas. Au contraire, les personnes très instruites sont plus susceptibles de rencontrer ces problèmes car elles ont constaté l’efficacité de certains modèles scientifiques, comme les lois de la thermodynamique.

Le problème survient lorsque les gens essaient d’appliquer la même approche aux supply chains, en s’attendant au même niveau de puissance prédictive que dans d’autres domaines scientifiques. Cependant, les humains ne sont pas des particules, ils pensent et réagissent différemment. Par exemple, les clients s’adapteront aux réductions et anticiperont les actions futures, ce qui faussera le système. Cela se produit régulièrement dans la gestion de la supply chain.

Kieran Chandler: Le problème que j’ai avec cela, c’est que les humains sont naturellement réticents au risque. S’ils ont des preuves pour étayer leurs affirmations et leurs prévisions, ils les utiliseront. Alors, que pensez-vous du rôle de la science dans ce contexte ? Existe-t-il vraiment une alternative à l’utilisation des données dans l’optimisation de la supply chain ?

Joannes Vermorel: En surface, j’ai tendance à être d’accord avec le sentiment selon lequel il est préférable de soutenir vos affirmations avec des données. Cependant, il faut être très prudent, surtout lorsqu’il s’agit de problèmes complexes et multidimensionnels impliquant de multiples variables et agents tels que des humains ou des entreprises qui peuvent réagir à tout ce que vous faites. Ces problèmes peuvent devenir très complexes. Bien sûr, vous voulez étayer vos idées avec autant de données que possible, mais il y a une différence entre le vrai rationalisme et le rationalisme naïf. Vous devez toujours avoir un jugement de haut niveau supervisant tous vos calculs et modèles pour vous assurer qu’il y a une perspective appropriée pour l’analyse et qu’il n’y a pas d’angles extrêmement lâches qui annuleraient tout ce que vous venez de faire.

Kieran Chandler: Parlons de ce jugement de haut niveau. Certains pourraient soutenir que ce que nous faisons chez Lokad implique une bonne dose de rationalisme naïf, et beaucoup de nos clients ne comprennent pas complètement toute la “magie noire” que nos scientifiques de la supply chain utilisent. Comment vous assurez-vous que nos clients comprennent ce qui se passe ?

Joannes Vermorel: Ce qui m’importe vraiment, c’est la compréhension de haut niveau, plutôt que les détails techniques. Les détails techniques sont en grande partie insignifiants. Par exemple, je sais que lorsque j’utilise une fonction spécifique, le calcul que j’obtiens est une approximation qui peut être erronée d’une partie par million, mais lorsque je traite d’une supply chain où l’incertitude est d’environ 40%, ce niveau d’approximation est insignifiant. Pour nos clients qui utilisent Lokad, les choses qu’ils ne comprennent pas sont souvent très techniques mais largement insignifiantes. Il est beaucoup plus important de s’assurer que Lokad fait les choses correctement en ce qui concerne des facteurs tels que les délais de livraison et la prise en compte d’événements tels que le Nouvel An chinois, qui ajoute quatre semaines de délai de livraison chaque année.

Kieran Chandler: Des semaines de délais supplémentaires vont directement s’ajouter à vos délais de livraison. Ce n’est pas subtil, et c’est le genre de chose où ce jugement de haut niveau vous permet de décider que, non, je dois en tenir compte. Je peux littéralement, par une simple observation naïve, juger si vous en tenez compte ou non. Vous n’avez pas besoin d’un microscope ; l’effet est fort. Potentiellement, vous savez, dans un siècle à partir de maintenant, nous aurons affiné les méthodes à tel point que les gens commenceront à analyser l’effet que cela a sur la moitié de leur temps terrestre dans une configuration spécifique et pourront être vraiment scientifiques à ce sujet. Mais pour l’instant, nous effleurons encore à peine la surface, et obtenir un système approximativement correct est une amélioration fantastique par rapport à ce que nous avions auparavant. Donc, si nous commençons à rassembler les choses aujourd’hui, quelle est la leçon clé que nous devrions retenir ? Il est bon d’avoir ces approches scientifiques, mais elles doivent être combinées avec beaucoup de bon sens.

Joannes Vermorel: Eh bien, oui. Je veux dire, d’abord, soyez très sceptique quant à l’idée d’avoir une organisation rationnelle où vous pourriez dire : “Oh, nous avons une équipe de prévision, une équipe de planification et une équipe d’achat.” Toutes ont leurs formules et optimisent des métriques simples. Cela semble parfaitement défini, rationnel et axé sur le client ou autre. Mais lorsque je suis confronté à ce genre de situation, mon observation immédiate est que ce système n’est pas rationnel. Il ne présente que les attributs de la rationalité et de la science. C’est juste quelque chose qui semble très scientifique, mais qui ne l’est pas du tout.

Une autre leçon serait de ne pas sous-estimer le fait que des ingénieurs très dévoués peuvent encore être incroyablement ignorants du monde réel. Lorsque je parle d’ingénieurs très dévoués, je m’inclus moi-même dans cette catégorie. J’ai commencé Lokad juste après l’université, très fier de mes connaissances en mathématiques et enthousiasmé par l’idée d’appliquer toutes ces belles statistiques multidimensionnelles à des situations réelles. Il s’est avéré que cela ne fonctionnait pas magnifiquement. En fait, cela explosait systématiquement de manière étonnamment surprenante. Avec le recul, c’était la conséquence évidente du rationalisme naïf en action.

Donc, ma suggestion pour conclure est que vous avez besoin d’expertise dans ce que vous faites, et vous devez avoir ce bon sens de dire : “D’accord, est-ce que cela a à peu près du sens ?” Sinon, peu importe combien de mots à la mode et de mots-clés vous utilisez pour résoudre le problème, ce que vous obtiendrez est un non-sens à une échelle industrielle.

Kieran Chandler: Je n’aurais jamais pensé vous entendre dire que la science et les mathématiques ne sont parfois pas tout ce dont on a besoin.

Joannes Vermorel: C’est vrai.

Kieran Chandler: D’accord, c’est tout pour cette semaine. Merci beaucoup de nous avoir suivi, et nous vous retrouverons la prochaine fois. Merci de nous avoir regardés.