00:00:08 A/B testing et ses applications en marketing et supply chains.
00:01:47 Exemples d’A/B testing en marketing et supply chains.
00:03:41 Problèmes de l’A/B testing dans les supply chains et comment il déplace les problèmes.
00:06:02 Problèmes de déplacement et interconnexions dans l’A/B testing des supply chains.
00:07:45 Les supply chains en tant que systèmes interconnectés et les défis de l’A/B testing.
00:09:58 Les limites de l’A/B testing dans la gestion de la supply chain.
00:11:45 Apprentissage par renforcement pour les supply chains.
00:13:22 Équilibrer exploration et exploitation dans la prise de décision.
00:15:01 Le hasard pour de meilleures perspectives supply chain.
00:17:08 Des entreprises explorant des fournisseurs et des marchés alternatifs.
00:19:39 Quantifier la valeur du savoir dans la prise de décision en entreprise.
00:20:52 Comment Lokad optimise les décisions commerciales en tenant compte des effets de second ordre.
00:23:42 L’importance future de l’exploration et la quantification de sa valeur pour les entreprises.
Résumé
Dans cette interview, Kieran Chandler s’entretient avec Joannes Vermorel, fondateur de Lokad, au sujet de l’A/B testing et de ses limites dans l’optimisation de la supply chain. Ils évoquent l’histoire et les applications de l’A/B testing, qui est populaire en marketing mais moins dans la gestion de la supply chain. Vermorel soutient que l’A/B testing est insuffisant pour l’optimisation de la supply chain en raison de l’interconnexion des supply chains et du peu d’apprentissage qu’il offre. Il suggère plutôt d’adopter une approche par machine learning et d’introduire du hasard dans la prise de décision. En explorant continuellement des options alternatives et en quantifiant le savoir, Vermorel estime que les entreprises de pointe peuvent améliorer leurs processus de supply chain, conduisant à une optimisation et à une amélioration progressive.
Résumé étendu
Dans cette interview, Kieran Chandler discute de l’A/B testing et de ses applications dans l’optimisation de la supply chain avec Joannes Vermorel, le fondateur de Lokad, une entreprise de logiciels spécialisée dans l’optimisation de la supply chain. Ils commencent par expliquer ce qu’est l’A/B testing et son histoire avant d’aborder ses applications, ses limites et ses alternatives.
L’A/B testing, sous-ensemble de la conception d’expériences, consiste à tester deux variantes l’une contre l’autre pour déterminer leur efficacité. La méthode est probablement née à la fin du XIXe siècle, bien que les archives soient floues en raison de sa nature intuitive. L’A/B testing fait partie de la méthode scientifique et du domaine plus large de la conception d’expériences, qui vise à obtenir des bribes de vérité sur des affirmations ou des hypothèses.
L’A/B testing est particulièrement populaire en marketing, où il est utilisé pour évaluer l’efficacité de supports promotionnels, tels que des newsletters ou des publicités. Un exemple d’A/B testing en marketing consiste à diviser une base de données clients en deux groupes aléatoires et à envoyer la version A d’une newsletter au premier groupe et la version B au second groupe. Les résultats sont ensuite mesurés pour déterminer quelle version a obtenu de meilleurs résultats.
Au début des années 2000, Google a réalisé une série d’A/B tests pour déterminer le nombre optimal de résultats de recherche à afficher sur sa page de résultats. Les tests ont permis à l’entreprise de trouver un équilibre entre les temps de chargement des pages et la satisfaction des utilisateurs, conduisant finalement à la décision d’afficher environ 10 résultats par page.
Bien que l’A/B testing soit moins populaire dans la gestion de la supply chain, Lokad se voit souvent demander, soit explicitement, soit implicitement, de réaliser des A/B tests pour ses clients. Dans le contexte de la supply chain, l’A/B testing consiste généralement à comparer la performance d’un ensemble de magasins gérés par le système d’optimisation de stocks de Lokad avec celle d’un ensemble de magasins comparables gérés par le système existant du client. La comparaison est effectuée sur une période, par exemple de trois mois, et peut être qualifiée de benchmark ou de pilote.
Vermorel soutient que l’A/B testing peut sembler être une approche rationnelle pour comparer deux méthodes, mais il peut poser problème pour l’optimisation de la supply chain en raison de l’interconnexion des supply chains.
Vermorel explique que dans une supply chain, les problèmes sont souvent déplacés plutôt que résolus. Lorsqu’on compare la performance de deux techniques d’optimisation différentes, elles peuvent ne pas être indépendantes, car elles se disputent les mêmes ressources. Cela conduit à une situation où l’optimisation d’une technique peut se faire au détriment de l’autre. L’interconnexion des supply chains signifie également que lorsqu’une partie est affectée, elle peut influencer les autres, rendant difficile l’isolement et la mesure de l’impact d’une variable unique.
Un autre problème de l’A/B testing dans le contexte des supply chains est le peu d’apprentissages qu’il offre. L’A/B testing ne teste qu’une hypothèse à la fois, générant une quantité limitée d’informations. Cela peut être suffisant si l’on recherche une certitude absolue sur un sujet auquel on tient fortement, mais les supply chains évoluent constamment, et le rythme lent de l’A/B testing peut ne pas suivre les besoins en évolution.
Vermorel souligne également le problème de la saisonnalité, qui peut affecter la validité des résultats de l’A/B testing. Pour pallier ce problème, un test pourrait devoir durer 12 mois, mais cela n’est souvent pas envisageable car cela ne fournit qu’une seule information sur le système le meilleur. De plus, différents systèmes peuvent être plus adaptés à différents types de produits ou situations, limitant encore l’utilité de l’A/B testing.
Au lieu de se reposer sur l’A/B testing, Vermorel propose d’aborder le problème sous un angle du machine learning. Cette approche se concentre sur l’extraction active d’informations à partir des données, ce qui peut s’avérer plus efficace pour comprendre des systèmes complexes et interconnectés comme les supply chains. En considérant comment les décisions influencent les observations, il devient possible d’en apprendre davantage sur la demande et d’optimiser la supply chain.
Vermorel explique que les entreprises doivent équilibrer l’optimisation de leurs processus actuels avec l’exploration d’options alternatives. Cela peut impliquer d’introduire du hasard dans leur prise de décision, ce qui peut aider à prévenir que les entreprises ne se retrouvent bloquées dans un minimum local – une situation où elles pensent avoir trouvé la meilleure solution, alors qu’une meilleure existe si elles s’écartaient de leur approche actuelle.
Une façon d’introduire du hasard consiste à expérimenter avec différents produits ou fournisseurs. Par exemple, un réseau de distribution pourrait ajouter quelques produits aléatoires à son assortiment dans chaque magasin ou tester des fournisseurs alternatifs pour évaluer leur fiabilité et leur offre de produits. Des entreprises du secteur de l’après-vente automobile ont même mis en œuvre cette approche, en confiant une partie de leurs commandes à des fournisseurs qui n’offrent pas initialement les meilleurs prix ou conditions, simplement pour tester le terrain.
Bien qu’il puisse sembler contre-intuitif pour les entreprises d’introduire un tel hasard dans leurs processus, Vermorel soutient que cette approche peut en réalité améliorer la rentabilité à long terme. En apprenant continuellement à connaître leur marché, les entreprises peuvent découvrir de nouvelles perspectives pouvant avoir un impact significatif sur leur résultat net. Par exemple, elles pourraient découvrir qu’elles pourraient augmenter ou baisser leurs prix sans affecter les ventes, conduisant à une augmentation des revenus ou à des économies d’échelle.
Intégrer le hasard dans la prise de décision permet aux entreprises de tester des marchés, des fournisseurs, des niveaux de prix, et même des structures d’organisation de la supply chain alternatives. Cet investissement dans l’exploration aide les entreprises à découvrir de légères variations mieux adaptées à leurs opérations, ce qui peut à terme stimuler la croissance et améliorer leur performance globale.
Joannes Vermorel, fondateur de Lokad, aborde l’importance d’explorer et de quantifier le savoir au sein d’une entreprise. Il fait référence à un article qu’il a publié il y a plus d’une décennie, dans lequel il présente un algorithme baptisé “poker price of knowledge and estimated reward” qui peut aider à quantifier le coût et la récompense de l’exploration. Vermorel insiste sur le fait que les entreprises devraient optimiser en fonction de gains réels, comme des dollars, plutôt que d’objectifs arbitraires. Il prédit que les entreprises à la pointe de la technologie introduiront de plus en plus l’exploration et la randomisation dans leurs processus de supply chain pour stimuler l’optimisation et s’améliorer au fil du temps.
Transcription complète
Kieran Chandler: Aujourd’hui, nous allons discuter de la faiblesse profonde de cette technique et comprendre quelles sont certaines des techniques alternatives que nous pouvons utiliser pour tester nos supply chains de manière plus efficace. Alors, Joannes, peut-être devriez-vous commencer, comme toujours, par nous en dire un peu plus sur ce qu’est l’A/B testing.
Joannes Vermorel: L’A/B testing est une méthode pour vérifier si une hypothèse est vraie ou non, généralement en comparant deux groupes, bien qu’il puisse y en avoir plus. On ne sait pas exactement quand elle a été inventée. Je devinerais probablement qu’elle a été inventée quelque part à la fin du XIXe siècle, mais les archives sont floues, et probablement parce que c’est quelque chose d’intuitif, les gens y ont pensé bien plus tôt, ce n’était tout simplement pas très bien documenté et pas nécessairement appelée A/B testing. L’élément intéressant, c’est qu’elle fait partie de la méthode scientifique, qui relève du domaine de la conception d’expériences, une manière scientifique d’extraire des bribes de vérité sur toute affirmation que l’on peut faire. Elle ne va pas prouver qu’une affirmation est vraie, mais elle peut vous fournir une réponse scientifique à la question de savoir si votre hypothèse est vraie ou non.
Kieran Chandler: Alors, de quel type d’expériences parlons-nous vraiment ici ?
Joannes Vermorel: L’A/B testing est extrêmement populaire en marketing. Dans la supply chain, il est beaucoup moins répandu. En marketing, il est largement utilisé pour des supports comme les newsletters promotionnelles. Par exemple, si vous faites la promotion d’un produit en premier et d’un autre en second, vous pouvez diviser votre base de données clients en deux groupes aléatoires, envoyer la version A de votre newsletter au premier groupe et la version B au second groupe, puis mesurer le résultat. C’est une manière plutôt efficace de réaliser un A/B testing.
Kieran Chandler: L’idée est donc que vous envoyez deux versions et voyez laquelle fonctionne le mieux ?
Joannes Vermorel: Exactement. Vous testez une hypothèse. Google, par exemple, a très célèbrement réalisé une série d’A/B tests au début des années 2000 uniquement pour déterminer le nombre optimal de résultats de recherche à afficher. Ils ont trouvé un équilibre grâce à l’A/B testing, qui se situait autour de 10 résultats à l’époque.
Kieran Chandler: Pourquoi cela intéresse-t-il Lokad ? Est-ce quelque chose que nos clients demandent vraiment ?
Joannes Vermorel: Dans la supply chain, on nous demande fréquemment, soit explicitement, soit implicitement, de réaliser des A/B tests. Dans ce contexte, l’A/B testing prend une autre forme. Par exemple, certains diraient : “Laissez Lokad gérer 10 magasins avec leur système d’optimisation de stocks, tandis que 10 autres magasins comparables sont gérés via l’ancien système. Nous laisserons cela trois mois et comparerons les résultats.” On pourrait appeler cela un benchmark, mais c’est en réalité un A/B test.
Kieran Chandler: Il y a une sorte d’A/B test en cours, et cela semble assez rationnel. Il paraît nécessaire de comparer ces deux approches différentes. Alors, comment cela fonctionne-t-il réellement dans le monde réel ?
Joannes Vermorel: Le cœur du problème, c’est que cela paraît évident et raisonnable. On pourrait dire qu’il semble logique de comparer ces deux méthodes en ne changeant qu’une variable, comme le logiciel pilotant les stocks, et en s’assurant que mon expérience soit représentative. Ainsi, je prendrais plusieurs magasins et une période plus longue, comme trois mois, pour garantir une significativité statistique. Tout cela semble assez raisonnable et rationnel. Mais il y a un “mais” : c’est plus compliqué qu’il n’y paraît. Les problèmes que je rencontre avec ces benchmarks sont, selon moi, des exemples de rationalisme naïf. Cela semble très scientifique, mais ce n’est en réalité ni super scientifique ni rationnel ; c’est juste une apparence.
Le problème dans la gestion de la supply chain, c’est que vous avez tendance à déplacer les problèmes plutôt qu’à les résoudre. Par exemple, vous avez ces 20 magasins dans le test. Cela semble très rationnel. Le souci est que tous ces magasins se disputent le même stock au centre de distribution. Si je veux tricher, en tant que logiciel de Lokad, je pourrais augmenter mes propres résultats en consommant beaucoup de stock, améliorant ainsi la performance de mon périmètre au détriment des autres magasins. Et si vous avez un benchmark qui stipule que l’objectif est de maximiser la performance de ces dix magasins, l’optimisation mathématique le fera aux dépens des autres magasins. Ainsi, il y a une boucle de rétroaction entre les magasins, car ils se font concurrence via le même distributeur pour le même stock au centre de distribution. Cela se produit toujours dans les supply chains ; c’est un système, et il est interconnecté par conception.
Les supply chains permettent d’importants gains en termes d’efficacité, de fiabilité, de coût et d’économies d’échelle. Mais le revers de la médaille est que, puisqu’il s’agit d’un système unique, modifier une partie tend à influencer les autres.
Kieran Chandler: Quelle serait alors une meilleure approche ? Faut-il essayer une technique pendant six mois à vingt emplacements, puis une autre technique pendant six mois ?
Joannes Vermorel: Un autre problème que j’ai avec ce type de benchmark, c’est que l’on apprend très peu de choses sur son système. L’A/B testing est généralement sous-estimé puisqu’on ne teste qu’une hypothèse à la fois. En termes d’informations, on parle d’un tout petit peu d’information, juste un zéro ou un un. Ce n’est même pas un octet, mais un bit. Et ce n’est même pas un bit complet, car vous n’obtiendrez qu’un degré de confiance dans vos résultats. Ainsi, ce que vous apprenez n’est qu’une fraction d’un bit, ce qui semble très peu, et effectivement, c’est vraiment très peu.
Kieran Chandler: Les tests sont utiles si vous voulez avoir une certitude absolue sur quelque chose pour lequel vous éprouvez de fortes convictions. Par exemple, vous pouvez réaliser un test A/B pour obtenir la confirmation finale que vous aviez raison, mais le problème est que vous partez du principe que vous connaissez déjà la vérité. C’est pourquoi cela fonctionne très bien en science. Dans les méthodes scientifiques, on recueille des indices de manière très indirecte, et une fois qu’on a amassé une montagne d’indices, on effectue un test A/B pour confirmer son hypothèse de manière plus directe. Mais cela va être très coûteux et lent, et ce sera la confirmation finale, mettre le coup de grâce et clore définitivement l’affaire.
Joannes Vermorel: Le problème des supply chains, c’est que les choses changent tout le temps. Votre réseau est une bête en perpétuelle évolution. Si vous voulez effectuer un test A/B pour l’optimization de la supply chain, il vous faudra peut-être 12 mois au lieu de trois à cause de la saisonnalité. Mais alors, qui peut se permettre 12 mois juste pour obtenir un seul élément d’information sur lequel des deux systèmes est le meilleur ? Il existe tant d’autres alternatives sur le marché, et il n’y a qu’un nombre limité d’essais que vous pouvez réaliser. Le système A pourrait être meilleur pour les slow movers, tandis que le système B pourrait mieux convenir aux high movers. Avoir un seul élément d’information est très insuffisant et ne vous donnera aucun aperçu sur la meilleure option.
The problem with A/B testing is that you’re only testing two possible paths, and in a supply chain, there are millions of possible paths. How can we possibly generate information on all those possibilities?
Kieran Chandler: Donc, dans une supply chain, nous avons des millions de chemins possibles. Comment pouvons-nous générer des informations sur toutes ces possibilités ?
Joannes Vermorel: C’est une question très intéressante, et une perspective plus moderne sur le cas serait le reinforcement learning. Lorsque vous voulez réfléchir à la manière dont fonctionne un moteur d’apprentissage, vous pouvez extraire des informations des données de manière passive, comme si les données affluaient et que vous vouliez apprendre, ou de manière active, où ce que vous faites influence ce que vous observez, ce qui est le cas dans la gestion de la supply chain. Par exemple, si vous décidez de ne pas mettre un produit en promotion dans un magasin, vous n’observerez jamais la demande pour ce produit dans ce magasin.
A/B testing est un moyen d’acquérir des connaissances, mais il est incroyablement lent. Si un bébé devait apprendre à marcher via des tests A/B, il lui faudrait un million d’années pour y parvenir. C’est très puissant pour obtenir une certitude scientifique, mais cela ne peut pas être le processus qui guide la quête de la vérité.
Dans la gestion de la supply chain, une perspective plus moderne est le reinforcement learning, qui consiste à réfléchir à un compromis entre exploration et exploitation. Vous avez une idée de ce qui est avantageux, mais vous n’êtes pas entièrement convaincu que c’est toujours le meilleur, donc vous souhaitez faire ce qu’on appelle de l’exploration. Vous randomisez un peu vos actions pour en apprendre davantage sur le système.
Kieran Chandler: Vous avez votre processus d’optimization qui tente d’optimiser, selon des métriques spécifiques, un algorithme qui vous conduit vers ce que vous pensez être l’optimal selon vos propres mesures. Mais le problème est que si vous faites cela, vous pouvez vous retrouver coincé dans une méthode d’exécution, ce qui est, vous savez, mathématiquement ce qu’on appelle un minimum local. Vous essayez de minimiser votre fonction de coût, et vous êtes bloqué dans une zone semblable à un minimum local où tout semble bien. Si vous vous écartez de ce point, il semble que vous êtes à l’optimum, mais en réalité, si vous voulez obtenir quelque chose de bien meilleur, vous devez diverger.
Joannes Vermorel: En gros, nous parlons de l’introduction d’un certain pourcentage dans votre prise de décision, qui pourrait en réalité ne pas être correct et ne pas correspondre à votre optimisation. Mais il s’agit essentiellement d’introduire ce certain pourcentage d’erreur potentielle simplement pour en apprendre davantage sur ce qui pourrait éventuellement fonctionner. Et évidemment, cela concerne l’expérimentation. Vous ne voulez pas faire des choses folles, mais par exemple, si vous disposez d’un vaste réseau de distribution, l’idée serait de modifier votre assortiment. Vous pouvez décider qu’à tout moment, dans chaque magasin, vous introduisez quelques produits qui ne font habituellement pas partie de l’assortiment, pratiquement au hasard. Évidemment, vous n’allez pas essayer cela avec des articles super chers, comme une machine de jardinage coûteuse si vous avez un magasin en centre-ville. Vous ne faites pas des choses complètement absurdes, mais vous introduisez un peu de randomisation pour voir si certains produits ne rencontreraient pas, de manière tout à fait inattendue, un grand succès simplement parce que vous les avez testés en centre-ville, alors que vous pensiez habituellement que ce produit ne convenait pas à cette zone. Il s’est avéré, peut-être, que c’était le cas.
Cela peut être fait dans la supply chain, par exemple, en essayant parfois d’autres fournisseurs pour tester l’eau en termes de lead times. Vous avez votre fournisseur habituel, et vous passez simplement quelques commandes à des concurrents pour voir comment cela se passe. J’ai même vu des entreprises, dans le marché de l’après-vente automobile par exemple, mettre cela en place automatiquement, où une certaine fraction des commandes passées aux fournisseurs n’est pas initialement destinée aux fournisseurs offrant le meilleur prix et les meilleures conditions, mais est simplement destinée à tester l’eau pour vérifier si le fournisseur est super fiable et si les produits répondent aux attentes en termes de processus de commande, c’est-à-dire que lorsque vous commandez une certaine pièce, c’est bien celle-là que vous recevez et non une autre.
Kieran Chandler: Cela semble très surprenant car les entreprises, dans l’ensemble, se concentrent habituellement sur la rentabilité et sur le fait d’agir de manière aussi efficace que possible pour maximiser leur résultat net. Elles introduisent en fait ces différents fournisseurs simplement pour tester les choses. Mais est-ce difficile à intégrer ?
Joannes Vermorel: Là encore, je dirais que l’approche rationnelle naïve consisterait à dire, “Oh, nous optimisons directement.” Mais ce n’est ni le rationalisme ni la meilleure approche. Si vous commencez à penser aux effets de second ordre, l’idée est que vous devez toujours apprendre sur votre marché. Vous devez tester des fournisseurs alternatifs, des marchés alternatifs pour vos clients, des points de prix alternatifs, car l’idée est que la connaissance a un prix et qu’elle est précieuse. Vous pouvez en retirer de grandes récompenses.
Par exemple, vous pourriez vous retrouver bloqué, vous rendre compte que vous vendez votre produit à un certain prix, mais qu’en réalité, vous pourriez augmenter votre prix et qu’il se vendrait plus ou moins de la même manière. C’est simplement que vous n’avez jamais essayé ; vous ne pensiez pas que les gens percevaient votre produit comme aussi précieux qu’il l’est.
Kieran Chandler: La réalité, c’est que généralement, vous êtes coincé dans ce que vous avez fait jusqu’à présent. Ou peut-être que parfois, c’est le contraire – en réalité, vous vendez votre produit à un prix trop élevé. Et si vous essayiez de baisser le prix, vous augmenteriez considérablement la demande, ce qui déclencherait des économies d’échelle, et vous pourriez alors produire à moindre coût et obtenir des résultats qui se répercutent en termes de croissance pour l’entreprise. L’idée est donc que cette randomisation que l’on peut introduire est en réalité un investissement dans l’idée que vous allez découvrir de légères variations mieux adaptées à votre entreprise. Cela peut concerner des variations de vos points de prix, de vos fournisseurs, ou même de vos organisations de supply chain, comme par exemple quel entrepôt approvisionne quelles usines, ou inversement. Y a-t-il un moyen de quantifier cette connaissance et de déterminer réellement combien elle vaut pour une entreprise ?
Joannes Vermorel: En fait, oui. J’ai même publié il y a plus d’une décennie un article intitulé “POKER: Price of Knowledge and Estimated Reward.” Donc, si vous voulez vraiment le faire de manière sophistiquée, vous pouvez littéralement quantifier le coût de l’exploration par rapport à la récompense de l’exploration de ce que vous gagnez avec un certain horizon. Parce qu’évidemment, il faut continuer à jouer – c’est l’idée d’avoir un jeu itéré où l’on rejoue sans cesse le même jeu. Et lorsque vous explorez, eh bien, vous faites des choses qui sont généralement moins optimales, mais parfois vous touchez le bon compromis, et ensuite, vous pouvez exploiter cette découverte. Mais l’idée est que, pour cela, vous devez disposer d’un algorithme, en particulier du côté du machine learning, capable de tirer vraiment parti de ce bruit dans vos données et de l’exploiter pour apprendre non pas juste un peu d’information, mais beaucoup plus. Et encore une fois, ce n’est pas simplement un test A/B où vous établissez essentiellement votre pourcentage ou quelque chose du genre. Il s’agit de quelque chose capable de capter, je dirais, des motifs beaucoup plus flous où d’innombrables effets interconnectés peuvent générer de meilleures performances dans une situation à très haute dimensionnalité.
Kieran Chandler: Comment cette approche s’intègre-t-elle avec ce que nous faisons ici chez Lokad ? Parce que ce que nous faisons ici chez Lokad, c’est en quelque sorte optimiser ces décisions business qui peuvent être prises à n’importe quel moment. En quelque sorte introduire ce type de bruit, faire des choses qui sont intentionnellement un peu incorrectes.
Joannes Vermorel: Ouais, et cela va fondamentalement à l’encontre de cette croyance. Enfin, pas de ma part, mais quand on veut vraiment prendre en compte les effets de second ordre. Chez Lokad, nous essayons vraiment d’appliquer non pas l’irrationalisme, mais de rester rationnels, en tenant compte de ces autres effets qui sont redoutables. Durant la première décennie de Lokad, pour la grande majorité de nos clients, ils n’optimisaient même rien. Ils optimisaient des pourcentages d’erreur, ce qui, selon moi, n’est même pas de l’optimisation. Si vous optimisez des pourcentages d’erreur, vous ne savez même pas ce que vous faites pour votre entreprise. Vous devez optimiser en dollars. La première étape consiste à se diriger vers un processus d’optimization où vous essayez réellement d’optimiser, plutôt que de répéter des objectifs complètement arbitraires. Ce que nous constatons maintenant, c’est qu’avec nos clients les plus avancés, surtout dans le le e-commerce, maintenant que ce processus d’optimization est en place, l’idée d’exploration commence à émerger. Cela commence typiquement par des aspects tels que la tarification, qui, de mon point de vue, relève fortement du domaine de la supply chain, car c’est là que se génère la demande. Vous devez avoir un bon prix, et le prix explique en grande partie la demande. Mais le prix n’est certainement pas le seul domaine dans lequel vous souhaitez explorer. Ce que je vois pour les prochaines années, c’est que je pense que pour rester à la pointe, les entreprises doivent avoir l’ambition de l’être en ce qui concerne leur supply chain. Elles introduiront de plus en plus l’idée d’un peu d’exploration et de randomisation, simplement pour générer des résultats qui alimentent le processus d’optimization lui-même et l’améliorent au fil du temps.
Kieran Chandler: Pour conclure, vous pouvez imaginer qu’à l’avenir, il viendra un temps où l’on accordera une importance bien plus grande à ce type d’exploration et à la quantification de ce que cela apporte à l’entreprise en termes de connaissance.
Joannes Vermorel: Exactement, parfait.
Kieran Chandler: Très bien, nous allons devoir conclure pour aujourd’hui. Merci pour votre temps.
Joannes Vermorel: C’est tout pour aujourd’hui. Merci beaucoup de nous avoir suivis, et à la prochaine fois.
Kieran Chandler: Merci d’avoir regardé.