00:00:07 Les prévisions nues et l’historique de Lokad.
00:01:42 Une forte demande de prévisions de séries temporelles.
00:03:14 Manque de succès des prévisions nues malgré leur précision statistique.
00:05:03 L’expérience de Lokad avec une entreprise de grande distribution européenne.
00:07:19 Problèmes liés aux prévisions nues et leur impact sur les entreprises.
00:09:25 Les problèmes liés aux prévisions nues dans l’exécution de la supply chain.
00:12:38 L’importance des scénarios extrêmes et le rôle des prévisions quantiles.
00:14:47 Les défis de l’utilisation de bonnes prévisions dans les processus S&OP des grandes entreprises.
00:15:37 Divergence par rapport aux prévisions et nécessité de prendre en compte d’autres futurs possibles.
00:17:12 Les défis de la représentation de données probabilistes en grandes quantités.
00:18:57 Les limites d’Excel pour gérer les distributions de probabilité.
00:20:25 L’importance de l’optimisation des 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 prévision traditionnelles dans l’optimisation de la supply chain. Vermorel souligne la nécessité de prévisions quantiles qui tiennent compte des scénarios extrêmes, car ils ont le plus grand impact sur la gestion de la supply chain. Il explique que les prévisions probabilistes peuvent offrir une gamme de résultats possibles, mais la gestion des vastes quantités de données requises pour cette approche crée un défi de “big data”. Les outils traditionnels comme Excel ne sont pas conçus pour travailler avec des données probabilistes, il est donc nécessaire d’utiliser des outils spécialisés. Vermorel conclut que l’optimisation prédictive, combinant prédiction et optimisation, est 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 spécialisée dans l’optimisation de la supply chain. Ils explorent le concept de prévisions nues et leur efficacité dans l’amélioration de la prise de décision en matière de supply chain.
Lorsque Lokad a été fondée en 2008, l’entreprise s’est concentrée sur la fourniture de “prévisions en tant que service”, en utilisant 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 se présente également sous la forme d’une série temporelle. Cette approche a suscité l’intérêt de nombreuses entreprises, qui recherchaient des prévisions précises des séries temporelles pour améliorer leurs décisions en matière de supply chain.
Il y avait une demande importante pour la prévision des séries temporelles, de nombreuses entreprises demandant à Lokad des prévisions plus précises basées sur leurs données historiques. Curieusement, malgré la fourniture de prévisions très précises avec de faibles taux d’erreur, ces prévisions améliorées ne semblaient pas conduire à de meilleures décisions ou résultats en matière de supply chain.
Vermorel a trouvé ce résultat déconcertant, car on aurait pu s’attendre à ce que de meilleures prévisions avec des taux d’erreur plus faibles entraînent une amélioration de la prise de décision et, finalement, de meilleures performances en matière de supply chain. Il lui a fallu quelques années pour comprendre le problème sous-jacent derrière ces résultats contre-intuitifs.
Le problème n’était pas de nature statistique ; les prévisions fournies par Lokad étaient très précises, avec peu de problèmes tels que le surajustement. Vermorel était convaincu que les prévisions étaient statistiquement fiables, mais elles semblaient causer des problèmes du côté des clients.
Vermorel raconte une histoire 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 le benchmark en obtenant une précision supérieure de 20 % à celle du deuxième meilleur concurrent. Cependant, ils ont utilisé un “prévisionniste zéro” qui ne prédisait aucune demande pour tous les produits. Cette méthode a mis en évidence les problèmes liés aux prévisions traditionnelles et aux pourcentages de précision. Vermorel soutient qu’il y a peu de corrélation entre les pourcentages d’erreur réduits et les avantages réels pour l’entreprise, et que se concentrer sur les pourcentages de précision peut être trompeur.
L’animateur demande pourquoi les entreprises continuent de demander des prévisions traditionnelles malgré ces problèmes. Vermorel suggère que la pensée magique joue un rôle important. Les gens croient que s’ils avaient des prévisions parfaites, les problèmes de supply chain seraient résolus, transformant le processus en un simple problème de planification et d’optimisation. Cependant, Vermorel souligne qu’aucune prévision ne peut survivre au contact avec le marché, car la réalité est 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 d’une entreprise. Cela peut entraîner des conséquences et des problèmes non intentionnels. Vermorel considère cela comme un “anti-pattern”, c’est-à-dire une solution intentionnelle qui échoue de manière prévisible.
Vermorel explique ensuite comment Lokad a changé d’approche pour se concentrer sur le renforcement du plan de la supply chain basé sur les prévisions. Il utilise l’exemple de mini-marchés vendant des produits frais, où les marges élevées justifient d’avoir beaucoup de stock, même s’il tourne lentement. Dans ces cas, il est plus important pour les clients de trouver ce qu’ils cherchent que pour le magasin d’optimiser son inventaire. Les prévisions traditionnelles se concentrent sur la demande moyenne, alors que les coûts et les avantages se trouvent réellement dans les extrêmes.
La conversation se tourne ensuite vers l’idée de produire des prévisions qui tiennent compte de scénarios extrêmes, ce que Lokad a fait en passant des prévisions classiques aux prévisions quantiles. Les prévisions quantiles ajoutent un biais à la prévision, en se concentrant sur les extrêmes où se trouvent les coûts et les avantages réels. Cette approche, suggère Vermorel, est plus efficace que les méthodes traditionnelles pour optimiser la gestion de la supply chain.
Ils discutent des défis de la prévision et de l’importance de prendre en compte différents 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. Au lieu de cela, il suggère d’utiliser des prévisions quantiles, qui ont délibérément un biais pour tenir compte de scénarios extrêmes, tels que des demandes élevées ou faibles. Il souligne l’importance de comprendre ces situations extrêmes car ce sont elles qui ont généralement le plus d’impact sur la gestion de la supply chain.
Chandler demande ensuite quel est le rôle des équipes internes de planification des ventes et des opérations (S&OP) des grandes entreprises dans le travail avec les prévisions. Vermorel répond que même avec de bonnes prévisions, les équipes S&OP ne peuvent pas obtenir le bon résultat car les informations nécessaires sur les futurs alternatifs ne sont pas disponibles. Il soutient que les prévisions ne peuvent fournir qu’un seul futur possible, tandis que les résultats réels seront toujours différents des valeurs prévues.
Vermorel suggère que fournir des prévisions probabilistes, qui offrent une gamme de résultats possibles, pourrait être une solution potentielle. Cependant, cette approche présente un nouvel ensemble de défis. Tout d’abord, la quantité de données requises pour représenter ces probabilités est énorme, surtout lorsqu’on considère des milliers de produits. Cela crée un problème de “big data”, qui nécessite des outils capables de traiter de gros volumes de données.
De plus, les outils traditionnels comme Excel ne sont pas conçus pour travailler avec des données probabilistes. Vermorel souligne qu’il n’y a aucun moyen de représenter des distributions de probabilité dans une cellule Excel, ce qui rend difficile la manipulation et l’analyse de telles données. Par conséquent, des outils spécialisés capables d’effectuer des opérations de base sur des variables de probabilité sont nécessaires pour exploiter pleinement les prévisions probabilistes.
Vermorel conclut qu’avoir une bonne prévision qui tient compte de différents scénarios n’est que la moitié de l’image. L’autre moitié consiste à utiliser les prévisions de manière efficace pour prendre des décisions éclairées. Il souligne l’importance de maintenir les processus qui génèrent les prévisions et optimisent les décisions étroitement liés pour éviter les problèmes liés à l’évolutivité et au traitement des données.
La discussion met en évidence la nécessité de repenser les méthodes traditionnelles de prévision dans la gestion de la supply chain. Vermorel préconise 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 la raison pour laquelle ces prévisions nues n’améliorent pas réellement les ressources et peuvent en réalité introduire toute une série de problèmes différents. Donc Joannes, avec un sujet comme les prévisions nues, cela ressemble au genre de chose que l’on pourrait trouver peut-être sur le dark web. Avant que nous ne soyons retirés de YouTube, peut-être pourriez-vous nous expliquer un peu ce que vous voulez dire ici.
Joannes Vermorel: Lorsque j’ai créé Lokad en 2008, le slogan de l’entreprise était “la prévision en tant que service”. Je venais de sortir de l’université et je cherchais des domaines où les statistiques pouvaient s’appliquer aux entreprises. Il y avait cette idée d’avoir simplement des prévisions de séries temporelles. Conceptuellement, c’est quelque chose de très simple : vous avez des séries temporelles en entrée qui représentent votre passé, généralement vos ventes historiques, puis vous allez simplement prévoir le futur, 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 eu du succès. Il y a beaucoup de personnes qui étaient, et qui sont toujours, intéressées à résoudre leurs problèmes en ayant simplement ces prévisions de séries temporelles.
Kieran Chandler: Y a-t-il réellement une demande pour une solution de cette nature ? Je veux dire, est-ce que ça fonctionne réellement ?
Joannes Vermorel: Il y a une énorme demande pour la prévision de séries temporelles. On nous le demande encore et encore. Lorsque j’ai lancé Lokad, l’un des éléments clés d’une start-up réussie est de faire quelque chose que les gens veulent. De ce point de vue, la prévision de séries temporelles nues avait une demande très significative. Les entreprises demandaient : “Voici nos données historiques représentées sous forme de séries temporelles, veuillez nous donner de meilleures prévisions.” Mais le problème était que ça 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 décennie. Le problème n’était pas que les métriques étaient fausses.
Kieran Chandler: Cela semble très surprenant car on pourrait toujours penser que si vous obtenez de meilleurs résultats à partir d’une prévision avec une erreur plus faible, vous finirez par prendre de meilleures décisions en matière de supply chain et agir de manière plus efficace. Alors pourquoi ça ne marchait pas ?
Joannes Vermorel: C’était ma première pensée : comment pourrais-je avoir tort ? Toutes les métriques me disent que j’ai une meilleure prévision. Je fournis à mes clients une meilleure prévision, que peut-il se passer de mal ? La prévision était très bonne, et je ne parle pas de problèmes comme le surajustement. C’était bien maîtrisé. Le problème était qu’une prévision statistiquement plus précise pouvait quand même causer des ravages du côté du client. Il m’a fallu quelques années pour comprendre cela. À un moment donné, nous avons eu un grand distributeur européen qui a organisé un benchmark avec une demi-douzaine de fournisseurs de logiciels pour la prévision.
Kieran Chandler: Nous discutions donc des solutions et du problème de la prévision de la demande pour 10 mini-marchés, chacun avec 5 000 produits. C’était en 2011, et l’objectif était de prédire la demande trois à quatre jours à l’avance, car chaque mini-marché est réapprovisionné deux fois par semaine. Comment Lokad s’est-il comporté dans ce benchmark ?
Joannes Vermorel: Lokad a fièrement remporté le benchmark, surpassant le deuxième meilleur de 20% en termes de précision. La métrique de qualité pour la prévision était la différence absolue entre la prévision et la réalité. Cependant, nous avons réalisé cela avec le prévisionniste zéro, qui ne renvoyait que des zéros pour toute la demande et les ventes. Curieusement, prévoir une demande nulle entraînerait un stock nul, et donc, les ventes convergeraient rapidement vers zéro. Cela rendrait la prévision non seulement plus précise, mais 100% précise. Mais, bien sûr, c’est absurde et cela n’a aucun sens.
Kieran Chandler: Donc, vous dites qu’il y a un décalage entre le fait d’avoir une prévision plus précise exprimée en pourcentage et la réalisation de bénéfices commerciaux réels. Pourquoi est-ce que les entreprises continuent de demander de telles prévisions si elles peuvent être si trompeuses ?
Joannes Vermorel: Mon explication de base est que la pensée magique est très puissante. Si les prévisions étaient parfaites, elles auraient zéro pourcentage d’erreur, zéro dollar d’erreur et zéro euro d’erreur. Une prévision parfaite résoudrait tous les problèmes, et la gestion de la chaîne d’approvisionnement deviendrait un problème purement 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, où vous ne prédisez qu’un seul avenir, finit par être un plan de bataille qui ne survit pas au premier jour de contact avec le marché. Il y a un dicton militaire selon lequel aucun plan de bataille ne survit au premier contact avec l’ennemi, et l’équivalent en chaîne d’approvisionnement est qu’il n’y a littéralement aucune prévision qui survive à sa rencontre avec le marché.
Kieran Chandler: Maintenant, premier contact avec le marché, et donc, que se passe-t-il lorsque vous avez 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 la divergence par rapport à la prévision, et donc vous rendez votre exécution de la chaîne d’approvisionnement plus vulnérable. C’est une façon 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 utiliser cette prévision de manière inattendue, ce qui va tout faire exploser. C’est pourquoi ces prévisions nues sont fondamentalement mauvaises. Elles sont utilisées de manière qui ne devrait pas l’être, et parce que cela arrive tout le temps, c’est un anti-pattern de nos jours. C’est quelque chose qui est comme une solution intentionnelle qui explose toujours de manière complètement prévisible.
Kieran Chandler: Donc, vous avez commencé à renforcer le plan que vous construisiez sur une prévision une fois que vous avez réalisé cela ?
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 réalisez que si vous vendez des produits frais dans un mini marché, vous avez de très grandes marges. Vous pouvez vous permettre d’avoir beaucoup de stock car ce que vous voulez, c’est que lorsque qu’un client entre, il trouve ce qu’il cherche. Vous avez tellement de marge que cela vaut votre investissement d’avoir beaucoup de stock, même un stock qui va tourner lentement. Vous ne vous souciez pas de la demande moyenne. S’il n’y a qu’un seul client qui se présente tous les dix jours et que vous vendez des yaourts, vous pouvez quand même réaliser un bénéfice très intéressant si vous vendez réellement vos produits avec une marge brute de 70% et que vos yaourts ont une durée de conservation d’un mois. Donc, en fin de compte, ce n’est pas la moyenne qui est intéressante ; ce sont les extrêmes. Les coûts se trouvent aux extrêmes.
Kieran Chandler: D’accord, alors pourquoi ne pouvez-vous pas simplement produire une prévision qui prend en compte ces scénarios extrêmes ?
Joannes Vermorel: C’est là que réside l’intérêt, 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, et nous sommes passés à des prévisions quantiles. Donc, la prévision quantile était une idée qui, à l’époque en 2012, semblait très bizarre. On prévoyait avec un biais. La plupart de mes clients disaient qu’une bonne prévision est une prévision qui n’a pas de biais. C’était l’opposé de la compréhension du bon sens en matière de gestion de la chaîne d’approvisionnement.
Si vous revenez au cas du mini marché, vous ne vous souciez pas de la demande moyenne. C’est la demande extrêmement élevée, qui n’est jamais vraiment élevée, mais c’est la situation extrêmement élevée qui est intéressante. La question est, qu’est-ce qu’une situation extrêmement élevée ? Est-ce une sur 30 ? Peut-être parfois quatre. C’est votre extrêmement élevé. Au fait, c’est une statistique. Ces prévisions avec un biais intentionnel sont appelées des prévisions quantiles. Vous pouvez avoir une prévision qui a, par exemple, un quantile de 99 %, ce qui signifie : “Je vous donne un chiffre, et il y a 99 % de chances que la demande soit juste en dessous de ce chiffre et 1 % de chances qu’elle soit au-dessus.” Ainsi, vous contrôlez le biais, et c’était le début de l’obtention de prévisions plus diversifiées.
Kieran Chandler: En fait, parlons des situations à risque aux extrémités, comme les scénarios extrêmes, où vous traitez avec une rupture de stock ou un surstock. Je ne comprends pas pourquoi les grandes entreprises avec leurs propres processus S&OP internes ne peuvent pas travailler avec une bonne prévision pour obtenir le bon résultat à la fin de la journée. Quel est le véritable défi ici ?
Joannes Vermorel: C’est une illusion. Même si la prévision est bonne, vous ne pouvez pas obtenir le bon résultat, car les informations dont vous avez besoin ne sont même pas là. Lorsque vous dites : “Voici le futur”, vous ne montrez qu’une possibilité, mais vous ne parlez pas des alternatives. La réalité est que le futur sera une alternative. Il y aura toujours une divergence par rapport à votre prévision. Le problème est que vous pensez pouvoir transformer votre connaissance limitée des futurs alternatifs en décisions telles que la quantité à acheter, produire ou déplacer des stocks d’un endroit 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, en leur donnant une gamme de facteurs possibles avec lesquels travailler ?
Joannes Vermorel: C’est une idée intéressante. Conceptuellement, cela pourrait fonctionner. Cependant, vous êtes confronté à un autre problème, qui est très banal. Une prévision déterministe est concise : pour un produit, un an à l’avance et une prévision à un niveau hebdomadaire, vous avez 52 chiffres. C’est un petit ensemble de données qui peut s’intégrer parfaitement dans une feuille Excel. Mais avec une approche probabiliste, vous avez un énorme histogramme 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 va être un autre histogramme de probabilités.
Nous pouvons vous fournir ces données, mais cela devient soudainement un problème de big data car 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, à quel point serait-il facile de manipuler ces outils et ces données ? Donc, l’un des problèmes avec Excel est qu’il n’est pas conçu pour gérer des calculs probabilistes. Il est excellent pour organiser des données tabulaires, mais il n’a pas de moyen de représenter des distributions de probabilités.
Joannes Vermorel: Oui, exactement. Si vous voulez manipuler des données qui se présentent sous la forme d’une distribution de probabilités, vous n’avez pas d’entrée dans une cellule Excel qui représente une distribution de probabilités. Excel n’est pas conçu pour gérer ce genre de choses, et vous vous retrouvez avec beaucoup de problèmes lorsque vous voulez exploiter et tirer parti d’une prévision probabiliste sur votre avenir.
Kieran Chandler: Exactement, vous avez donc besoin d’outils qui vous offrent toutes sortes d’opérations pour les variables de probabilité. Les opérations de base telles que l’addition, la multiplication ou la division de variables aléatoires sont essentielles. Si vous n’avez pas 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’image. Ce que vous faites avec ces prévisions est beaucoup plus important. Lorsque vous voulez optimiser ces décisions, le processus qui génère les prévisions et le processus qui optimise la décision doivent être complètement entrelacés.
Kieran Chandler: Je vois. Donc, le traitement des données pour ce genre de grandes matrices de probabilités peut poser un problème d’évolutivité. Il semble que vous ayez besoin de garder tout cela très proche pour que cela fonctionne en pratique.
Joannes Vermorel: Exactement. Pour avoir une solution pratique, vous devez garder ces choses très proches. Vous devriez commencer à réfléchir à l’optimisation prédictive. Les deux choses, la prédiction et l’optimisation, vont de pair et ne peuvent pas être séparées.
Kieran Chandler: D’accord, ça a du sens. Eh bien, nous devrons en rester là. Merci de nous avoir rejoints aujourd’hui, Joannes. C’était vraiment génial de discuter avec vous de l’optimisation de la supply chain.
Joannes Vermorel: Merci de m’avoir invité, Kieran. C’était un plaisir.
