00:00:07 Prévisions nues et contexte de Lokad.
00:01:42 Forte demande pour la prévision des séries temporelles.
00:03:14 Manque de succès des prévisions nues malgré la précision statistique.
00:05:03 L’expérience de Lokad avec le benchmark d’un grand distributeur européen.
00:07:19 Problèmes liés aux prévisions nues et leur impact sur les entreprises.
00:09:25 Les problèmes des prévisions nues dans l’exécution de la supply chain.
00:12:38 L’importance des scénarios extrêmes et le rôle des prévisions par quantile.
00:14:47 Les défis de l’utilisation de bonnes prévisions dans les processus de S&OP des grandes entreprises.
00:15:37 L’écart par rapport aux prévisions et le besoin de considérer des futurs alternatifs.
00:17:12 Les défis de la représentation de données probabilistes en grande quantité.
00:18:57 Les limites d’Excel pour traiter les distributions de probabilité.
00:20:25 L’importance d’optimiser les décisions basées sur les prévisions.
00:21:48 Le besoin d’optimisation prédictive et sa relation étroite avec les prévisions.

Résumé

Dans l’interview, Kieran Chandler et Joannes Vermorel discutent des limites des méthodes de prévisions traditionnelles dans l’optimisation de la supply chain. Vermorel souligne la nécessité de prévisions par quantile qui prennent en compte les scénarios extrêmes, car ce sont eux qui ont l’impact le plus significatif sur la gestion de la supply chain. Il explique que les prévisions probabilistes peuvent offrir une gamme d’issues possibles, mais que la gestion des vastes quantités de données requises pour cette approche crée un défi lié aux “big data”. Des outils traditionnels comme Excel ne sont pas conçus pour manipuler des données probabilistes, d’où la nécessité d’outils spécialisés. Vermorel conclut que l’optimisation prédictive, alliant prédiction et optimisation, constitue une approche plus efficace pour gérer les incertitudes de la supply chain.

Résumé étendu

Dans cette interview, Kieran Chandler, l’animateur, discute avec Joannes Vermorel, le fondateur de Lokad, une entreprise de logiciels spécialisée dans l’optimisation de la supply chain. Ils approfondissent le concept des prévisions nues et leur efficacité pour améliorer la prise de décision dans la supply chain.

Lorsque Lokad a été fondée en 2008, l’entreprise s’est concentrée sur la fourniture de “forecasting as a service”, en s’appuyant sur des méthodes statistiques pour la prévision des séries temporelles. L’idée était d’utiliser des données historiques, telles que les ventes passées, pour prédire la demande future, qui prend également la forme d’une série temporelle. Cette approche a suscité l’intérêt de nombreuses entreprises, à la recherche de prévisions de séries temporelles précises pour améliorer leurs décisions supply chain.

Il y avait un appétit significatif pour la prévision des séries temporelles, de nombreuses entreprises demandant à Lokad des prévisions plus précises basées sur leurs données historiques. Fait intéressant, bien que fournissant des prévisions très précises avec de faibles taux d’erreur, ces prévisions améliorées ne semblaient pas conduire à de meilleures décisions ou résultats supply chain.

Vermorel trouvait ce résultat déconcertant, car on pourrait s’attendre à ce que de meilleures prévisions avec des taux d’erreur plus faibles se traduisent par une meilleure prise de décision et, en fin de compte, une performance de la supply chain améliorée. Il lui a fallu quelques années pour comprendre le problème sous-jacent derrière ces résultats contre-intuitifs.

Le problème n’était pas d’ordre statistique ; les prévisions fournies par Lokad étaient très précises, avec des problèmes minimes tels que le surapprentissage. Vermorel était convaincu que les prévisions étaient statistiquement fiables, et pourtant, elles semblaient semer le chaos du côté du client.

Vermorel raconte une anecdote de 2011 lorsque Lokad a participé à un benchmark pour prévoir la demande de 10 mini marchés, avec 5 000 produits par mini marché. Lokad a remporté ce benchmark en atteignant une précision supérieure de 20 % à celle du deuxième concurrent. Cependant, ils ont obtenu ce résultat avec le “zero forecaster”, qui ne prédisait que zéro demande pour tous les produits. Cette méthode a mis en évidence les problèmes des prévisions traditionnelles et des pourcentages de précision. Vermorel soutient qu’il existe peu de corrélation entre la réduction des pourcentages d’erreur et les véritables bénéfices commerciaux, et que se concentrer sur ces pourcentages peut être trompeur.

L’animateur se demande pourquoi les entreprises continuent de réclamer des prévisions traditionnelles malgré ces problèmes. Vermorel suggère que l’optimisme irrationnel joue un rôle important. Les gens croient que s’ils disposaient de prévisions parfaites, les problèmes de la supply chain seraient résolus, transformant le processus en une simple question de planification et d’optimisation. Cependant, Vermorel souligne qu’aucune prévision ne peut résister au contact avec le marché, la réalité étant bien plus complexe.

Les prévisions traditionnelles peuvent conduire à une exécution fragile de la supply chain, car la précision d’une prévision dépend souvent de la manière dont elle est utilisée au sein de l’entreprise. Cela peut entraîner des conséquences et des problèmes inattendus. Vermorel considère cela comme un “anti-pattern”, c’est-à-dire une solution envisagée qui échoue systématiquement de manière prévisible.

Vermorel discute ensuite de la manière dont Lokad a modifié son approche pour se concentrer sur le renforcement du plan de supply chain basé sur les prévisions. Il prend l’exemple des mini marchés vendant des produits frais, où des marges élevées justifient un stock important, même s’il se renouvelle lentement. Dans ces cas, il est plus important que les clients trouvent ce qu’ils recherchent que pour le magasin d’optimiser les stocks. Les prévisions traditionnelles se concentrent sur la demande moyenne, alors que les coûts et les bénéfices se situent en réalité aux extrêmes.

La conversation se tourne ensuite vers l’idée de produire des prévisions prenant en compte des scénarios extrêmes, ce que Lokad a réalisé en passant des prévisions classiques aux prévisions par quantile. La prévision par quantile ajoute un biais à la prévision, en se concentrant sur les extrêmes où se trouvent les coûts et bénéfices réels. Cette approche, selon Vermorel, est plus efficace que les méthodes traditionnelles pour optimiser la gestion de la supply chain.

Ils abordent les défis liés aux prévisions et l’importance de considérer divers scénarios futurs dans la gestion de la supply chain.

Vermorel commence par expliquer que les prévisions traditionnelles, qui se concentrent sur la demande moyenne, ne sont pas suffisantes pour une gestion efficace de la supply chain. Il propose plutôt d’utiliser des prévisions par quantile, qui comportent volontairement un biais afin de tenir compte des scénarios extrêmes, tels qu’une demande très élevée ou très faible. Il insiste sur l’importance de comprendre ces situations extrêmes, car ce sont elles qui ont généralement l’impact le plus significatif sur la gestion de la supply chain.

Chandler demande ensuite quel rôle jouent les équipes internes de sales and operations planning (S&OP) dans le traitement des prévisions au sein des grandes entreprises. Vermorel répond que, même avec de bonnes prévisions, les équipes S&OP ne peuvent pas obtenir le résultat escompté car les informations nécessaires sur les futurs alternatifs ne sont pas disponibles. Il soutient que les prévisions ne peuvent fournir qu’un futur possible, alors que les résultats réels différeront toujours des valeurs prévues.

Vermorel suggère que fournir des prévisions probabilistes, qui offrent une gamme d’issues possibles, pourrait être une solution potentielle. Cependant, cette approche présente un nouvel ensemble de défis. D’une part, la quantité de données nécessaire pour représenter ces probabilités est énorme, surtout lorsqu’on considère des milliers de produits. Cela crée un problème de “big data”, qui requiert des outils capables de traiter de grands volumes de données.

De plus, des outils traditionnels comme Excel ne sont pas conçus pour travailler avec des données probabilistes. Vermorel note qu’il n’existe aucun moyen de représenter des distributions de probabilité dans une cellule Excel, ce qui rend difficile la manipulation et l’analyse de ces données. Par conséquent, des outils spécialisés capables d’effectuer des opérations de base sur les variables de probabilité sont nécessaires pour exploiter pleinement les prévisions probabilistes.

Vermorel conclut que disposer d’une bonne prévision prenant en compte divers scénarios n’est qu’une partie du problème. L’autre moitié consiste à utiliser ces prévisions de manière efficace pour prendre des décisions éclairées. Il insiste sur l’importance de maintenir un lien étroit entre les processus qui génèrent les prévisions et ceux qui optimisent les décisions, afin d’éviter des problèmes liés à l’évolutivité et au traitement des données.

La discussion met en lumière la nécessité de repenser les méthodes de prévisions traditionnelles dans la gestion de la supply chain. Vermorel prône l’optimisation prédictive, qui combine prédiction et optimisation, comme une approche plus efficace pour gérer les incertitudes et les complexités inhérentes aux supply chains.

Transcription complète

Kieran Chandler: Aujourd’hui sur Lokad TV, nous allons discuter de pourquoi ces prévisions nues n’améliorent en réalité pas les ressources et peuvent en fait introduire toute une série de problèmes différents. Alors Joannes, avec un sujet comme les prévisions nues, cela semble être le genre de chose que l’on trouverait peut-être sur le deep dark web. Avant qu’on ne vous retire YouTube, pourriez-vous nous expliquer un peu ce que vous entendez par là ?

Joannes Vermorel: Quand j’ai créé Lokad en 2008, le slogan de l’entreprise était “forecasting as a service”. Je venais tout juste de sortir de l’université et je cherchais des domaines où la statistique pouvait s’appliquer aux entreprises. L’idée était simplement d’avoir la prévision des séries temporelles. Conceptuellement, c’est quelque chose de très simple : vous disposez de séries temporelles d’entrée qui représentent votre passé, généralement vos ventes historiques, et ensuite vous allez simplement prévoir l’avenir, qui prend également la forme d’une série temporelle. Pour un logiciel, c’est un problème très bien défini et assez intéressant, c’est pourquoi Lokad a pris de l’ampleur. Beaucoup de personnes étaient, et le sont encore, intéressées par la résolution de leurs problèmes simplement en disposant de ces prévisions de séries temporelles.

Kieran Chandler: Y a-t-il réellement une demande pour une solution de ce type ? Je veux dire, est-ce que ça fonctionne vraiment ?

Joannes Vermorel: Il y a un appétit énorme pour la prévision des séries temporelles. On nous en redemande sans cesse. Quand j’ai lancé Lokad, l’un des éléments clés d’une start-up réussie est de faire quelque chose que les gens désirent. Dans cette optique, les prévisions nues de séries temporelles avaient un appétit très significatif. Les entreprises demandaient : “Voici nos données historiques représentées sous forme de séries temporelles, merci de nous fournir de meilleures prévisions.” Mais le problème était que cela ne fonctionnait pas. Ce n’était pas un problème statistique ; nous étions déjà très bons en termes de précision des prévisions il y a une dizaine d’années. Le problème ne venait pas d’une erreur des métriques.

Kieran Chandler: Cela semble très surprenant car on penserait toujours qu’avec de meilleurs résultats issus d’une prévision à moindre erreur, on finirait par prendre de meilleures décisions supply chain et, en fin de compte, agir de manière plus efficace. Alors, pourquoi cela n’a-t-il pas fonctionné ?

Joannes Vermorel: C’était d’ailleurs mon premier constat : comment pourrais-je me tromper ? Toutes les métriques m’indiquaient que j’avais une meilleure prévision. Je fournissais à mes clients une prévision meilleure, que pourrait-il bien se passer de mal ? La prévision était très bonne, et je ne parle pas de problèmes comme le surapprentissage. Tout était bien maîtrisé. Le problème était qu’une prévision statistiquement plus précise pouvait néanmoins semer le chaos du côté client. Il m’a fallu quelques années pour comprendre cela. À un certain moment, nous avons eu un grand distributeur européen qui a organisé un benchmark réunissant une demi-douzaine de vendeurs de logiciels pour la prévision.

Kieran Chandler: Nous discutions donc des solutions et du problème de prévoir la demande pour 10 mini marchés, chacun avec 5 000 produits. C’était en 2011, et l’objectif était de prévoir la demande trois à quatre jours à l’avance, chaque mini marché étant réapprovisionné deux fois par semaine. Comment Lokad s’est-il comporté dans ce benchmark ?

Joannes Vermorel: Lokad a remporté le benchmark avec fierté, surpassant le deuxième concurrent de 20 % en précision. La mesure de la qualité de la prévision était la différence absolue entre la prévision et la réalité. Cependant, nous avons obtenu ce résultat avec le zero forecaster, qui ne renvoyait que des zéros pour toute la demande et les ventes. Fait intéressant, prévoir une demande nulle engendrerait un stock nul et, par conséquent, les ventes convergeraient rapidement vers zéro. Cela rendrait la prévision non seulement plus précise, mais 100 % précise. Mais, bien entendu, c’est complètement absurde et n’a aucun sens.

Kieran Chandler: Vous dites donc qu’il y a un décalage entre le fait d’avoir une prévision plus précise exprimée en pourcentages et l’obtention de véritables bénéfices commerciaux. Pourquoi les entreprises continuent-elles de demander de telles prévisions alors qu’elles peuvent être si trompeuses ?

Joannes Vermorel: Mon explication de base est que l’optimisme irrationnel est très puissant. Si les prévisions étaient parfaites, elles auraient zéro pour cent d’erreur, zéro dollar d’erreur et zéro euro d’erreur. Une prévision parfaite résoudrait tous les problèmes, et la gestion de la supply chain deviendrait une simple question d’optimisation et de planification. Mais ce n’est pas le cas, et ce que les gens ne réalisent pas, c’est qu’une prévision nue, qui ne prévoit qu’un seul futur, finit par être un plan de bataille qui ne survit pas au premier jour de contact avec le marché. Il y a un adage militaire qui dit qu’aucun plan de bataille ne survit au premier contact avec l’ennemi, et l’équivalent en supply chain est qu’il n’existe littéralement aucune prévision qui survive à sa rencontre avec le marché.

Kieran Chandler: Maintenant, le premier contact avec le marché, et donc, que se passe-t-il lorsque vous disposez de cette prévision plus précise ?

Joannes Vermorel: Plus généralement, ce qui se passe, c’est que, parce que votre prévision est plus précise, vous créez un plan qui est en réalité plus fragile face à une divergence par rapport à la prévision, et ainsi vous rendez l’exécution de votre supply chain plus vulnérable. C’est une manière très abstraite de le voir. En fin de compte, vous avez la prévision, mais vous ne savez pas comment cette prévision va être utilisée, et d’autres personnes dans votre entreprise vont simplement l’utiliser de manière inattendue, ce qui finira par exploser. C’est pourquoi ces prévisions à l’état brut sont fondamentalement une mauvaise chose. Elles sont utilisées de manières qu’elles ne devraient pas l’être, et comme cela se produit tout le temps, c’est aujourd’hui un anti-modèle. C’est comme une solution intentionnelle qui explose toujours de manière complètement prévisible.

Kieran Chandler: Donc, vous êtes passé à renforcer le plan que vous élaboriez sur la base d’une prévision une fois cette réalisation faite ?

Joannes Vermorel: Exactement, et ensuite vous réalisez que la prévision n’est même pas la bonne chose. Si je reviens à l’histoire de ces mini marchés, vous constatez que, si vous vendez des produits frais dans un mini marché, vous bénéficiez de marges très élevées. Vous pouvez vous permettre d’avoir beaucoup de stocks parce que ce que vous souhaitez, c’est qu’un client, en entrant, trouve ce qu’il cherche. Vous avez tellement de marge qu’il vaut l’investissement d’avoir beaucoup de stocks, même si ces stocks vont tourner lentement. La demande moyenne ne vous importe pas. S’il y a un seul client qui se présente tous les dix jours et que vous vendez des yaourts, vous pouvez tout de même réaliser un bénéfice très intéressant si vous vendez vos produits avec une marge brute de 70 %, et que vos yaourts ont une durée de vie d’un mois. Donc, en fin de compte, ce n’est pas la moyenne qui compte ; c’est l’extrême. Les coûts se situent aux extrêmes.

Kieran Chandler: D’accord, alors pourquoi ne pourriez-vous pas simplement produire une prévision qui envisage ces scénarios extrêmes ?

Joannes Vermorel: C’est justement cela qui intéresse, n’est-ce pas ? Et c’est ce que nous avons fait. Dans l’histoire de Lokad, nous sommes passés de la prévision classique en 2008 avec Lokad Forecasting as a Service, à des prévisions par quantiles. Ainsi, la prévision par quantiles était une idée qui, à l’époque en 2012, sonnait très bizarre. C’était une prévision avec un biais. La plupart de mes clients disaient qu’une bonne prévision était une prévision qui n’avait pas de biais. C’était l’opposé de la compréhension intuitive en gestion de la supply chain.

Si vous revenez au cas des mini marchés, la demande moyenne ne vous importe pas. C’est la demande extrêmement élevée, qui n’est jamais vraiment élevée, mais c’est la situation extrême qui intéresse. La question est : qu’est-ce qu’une situation extrême ? Est-ce une survenue sur 30 ? Peut-être parfois quatre. Voilà votre extrême. D’ailleurs, c’est une statistique. Ces prévisions avec un biais intentionnel sont appelées des prévisions par quantiles. Vous pouvez avoir une prévision qui présente, par exemple, un quantile à 99 %, qui dit : “Je vous donne un nombre, et la demande a 99 % de chances d’être juste en dessous de ce nombre et 1 % de chances d’être au-dessus.” Ainsi, vous contrôlez le biais, et cela a marqué le début d’une diversification des prévisions.

Kieran Chandler: En fait, parlons de situations avec des risques aux extrémités, comme des scénarios extrêmes, où vous faites face à une rupture de stock ou à un scénario de surstock. Je ne comprends pas pourquoi les grandes entreprises, avec leurs propres processus internes S&OP, ne peuvent pas travailler avec une bonne prévision pour obtenir le résultat escompté à la fin de la journée. Quel est le véritable défi dans ce cas ?

Joannes Vermorel: C’est de l’utopie. Vous ne pouvez pas obtenir le bon résultat à partir d’une prévision, même si elle est bonne, car l’information dont vous avez besoin n’est même pas présente. Lorsque vous dites, “Voici le futur,” vous ne montrez qu’une seule possibilité, sans rien indiquer sur les alternatives. La réalité, c’est que le futur sera une alternative. Il y aura toujours une divergence par rapport à votre prévision. Le problème, c’est que vous pensez pouvoir transformer votre connaissance limitée des futurs alternatifs en décisions telles que combien acheter, produire ou déplacer des stocks d’un lieu à un autre, sans que cela n’impacte négativement la qualité de vos décisions. C’est comme de la magie.

Kieran Chandler: Mais que se passerait-il si nous leur fournissions une prévision probabiliste, leur offrant une gamme de facteurs possibles avec lesquels travailler ?

Joannes Vermorel: C’est une idée intéressante. Conceptuellement, cela pourrait fonctionner. Cependant, vous faites face à un autre problème, très banal. Une prévision déterministe est concise : pour un produit, un an à l’avance, et en prévoyant sur une base hebdomadaire, vous disposez de 52 nombres. C’est un petit ensemble de données qui tient parfaitement dans une feuille Excel. Mais avec une approche probabiliste, vous avez un histogramme massif de probabilités pour chaque semaine. Ces probabilités ne sont pas additives, donc si vous voulez connaître la demande de la semaine 5 à la semaine 10, cela donnera un autre histogramme de probabilités.

Nous pouvons vous fournir ces données, mais cela devient soudainement un problème de big data, parce que vous avez des milliers de produits et des dizaines de gigaoctets de probabilités. Vous avez besoin d’outils capables de traiter autant de données.

Kieran Chandler: D’un point de vue technique, dans quelle mesure serait-il facile de manipuler ces outils et ces ensembles de données ? L’un des problèmes d’Excel, c’est qu’il n’est pas conçu pour gérer les calculs probabilistes. Il est excellent pour organiser des données tabulaires, mais il ne permet pas de représenter des distributions de probabilités.

Joannes Vermorel: Oui, exactement. Si vous souhaitez manipuler des données qui se présentent sous forme de distribution de probabilités, vous n’avez pas une cellule dans Excel qui représente une distribution de probabilités. Excel n’est pas conçu pour gérer ce genre de choses, et vous vous retrouvez avec de nombreux problèmes lorsque vous voulez exploiter et tirer parti d’une prévision probabiliste de votre futur.

Kieran Chandler: Exactement, vous avez donc besoin d’outils qui vous offrent toutes sortes d’opérations sur les variables probabilistes. Des opérations de base comme additionner, multiplier ou diviser des variables aléatoires sont essentielles. Si vous ne disposez pas de ces outils de base, vous ne pouvez pas travailler correctement avec des prévisions probabilistes.

Joannes Vermorel: Oui, et avoir une bonne prévision qui prend en compte tous les scénarios possibles n’est que la moitié de l’équation. Ce que vous faites de ces prévisions est bien plus important. Lorsque vous souhaitez optimiser ces décisions, le processus qui génère les prévisions et celui qui optimise la décision doivent être complètement liés.

Kieran Chandler: Je vois. Ainsi, le traitement des données pour ce genre de grandes matrices de probabilités peut poser un problème d’évolutivité. On dirait qu’il faut tout garder très proche pour que cela fonctionne pratiquement.

Joannes Vermorel: Exactement. Pour avoir une solution pratique, il faut garder ces éléments très rapprochés. Vous devriez commencer à penser à l’optimisation prédictive. Les deux aspects, la prévision et l’optimisation, vont de pair et ne peuvent être dissociés.

Kieran Chandler: D’accord, cela a du sens. Eh bien, nous allons devoir conclure ici. Merci de nous avoir rejoints aujourd’hui, Joannes. Ce fut un réel plaisir de discuter avec vous de l’optimisation de la supply chain.

Joannes Vermorel: Merci de m’avoir invité, Kieran. Ce fut un plaisir.