00:00:07 Introduction et définition du demand sensing.
00:01:02 Joannes critique le demand sensing comme un concept vague.
00:02:45 Questions sur la nouveauté des techniques de demand sensing.
00:05:01 Critique de l’impact des données en temps réel sur la prévision de la supply chain.
00:07:49 Argument selon lequel plus de données et des méthodes non traditionnelles sont nécessaires.
00:08:37 Différences de cas d’utilisation entre les applications en temps réel et non en temps réel.
00:09:47 Stratagèmes marketing dans l’industrie du logiciel et leur impact.
00:11:25 Différencier les bons buzzwords des buzzwords superficiels.
00:14:24 Exemples d’autres stratagèmes dans l’industrie de la supply chain.
00:16:02 La difficulté à mémoriser les buzzwords et leur manque de substance.
00:16:33 La loi de préservation du battage médiatique et la vérification via Google Trends.
00:17:47 Identifier des buzzwords précieux apportant des insights fondamentaux.
00:18:26 Exemple de prévision par quantiles et l’importance de comprendre les fondamentaux.
00:19:21 Cloud computing et son concept de base simple.
Résumé
Dans l’interview, Kieran Chandler et Joannes Vermorel discutent du demand sensing, une méthode de prévision qui combine des données en temps réel et des techniques mathématiques avancées. Vermorel exprime son scepticisme quant à l’efficacité du demand sensing en raison de sa base conceptuelle vague et du manque de recherches novatrices et évaluées par des pairs. Il conseille aux praticiens de la supply chain de se méfier des stratagèmes marketing et de se concentrer sur des concepts qui abordent des problématiques fondamentales avec des insights étonnamment évidents. Vermorel souligne l’importance de comprendre l’essence qui se cache derrière les buzzwords et de rechercher des innovations qui offrent une compréhension solide et contribuent à des améliorations significatives dans l’optimization de la supply chain.
Résumé Étendu
Dans cette interview, Kieran Chandler discute du demand sensing avec Joannes Vermorel, le fondateur de Lokad, une entreprise de logiciels spécialisée dans l’optimization de la supply chain. Le demand sensing est une méthode de prévision qui combine des techniques mathématiques avancées à des informations en temps réel. La conversation porte sur l’efficacité du demand sensing et sur la manière de distinguer les concepts de valeur des stratagèmes marketing.
Vermorel commence par admettre qu’il est difficile d’évaluer le demand sensing en raison du manque de précision des documents qu’il a consultés sur le sujet. Il estime que le demand sensing n’est pas du vaporware, puisque le logiciel existe, mais plutôt du mootware — quelque chose qui ne tient pas ses promesses et qui, en fin de compte, n’a pas d’importance. Il attribue cela au fait que le concept relève davantage d’un stratagème marketing que d’une idée substantielle.
Les principales caractéristiques annoncées du demand sensing incluent l’utilisation de données en temps réel, l’intégration de données allant au-delà de vos données de base traditionnelles (comme les anciens mouvements de stocks et la demande en ventes), et l’exploitation du machine learning pour obtenir une précision accrue. Vermorel reconnaît que ces concepts individuels semblent valides, mais il remet en question la nouveauté et la profondeur de l’approche globale.
Pour évaluer le demand sensing, Vermorel se penche sur l’affirmation principale avancée par ses partisans : qu’il est capable de produire des prévisions plus précises. Il souligne que la prévision statistique est un domaine de recherche bien établi, avec une multitude de compétitions en ligne et une communauté dynamique qui ne cesse de remettre en cause et de faire progresser le domaine. De nombreuses organisations, y compris des institutions de recherche prestigieuses et de grandes entreprises de logiciels, publient des articles sur le machine learning et l’apprentissage statistique, y compris ceux axés sur la prévision de la demande future.
Cependant, Vermorel n’a vu aucune recherche significative et novatrice publiée sur le demand sensing dans des revues ou conférences de renom, ce qui soulève des doutes quant à la légitimité du concept. Malgré l’abondance d’articles et de documents disponibles sur Internet concernant le demand sensing, l’absence de recherches concrètes et évaluées par des pairs, ainsi que les contributions limitées de la communauté plus large du machine learning et de la prévision, jettent le doute sur la véritable valeur du demand sensing.
Vermorel exprime son scepticisme quant à l’efficacité du demand sensing en tant que méthode de prévision, en raison de sa base conceptuelle vague et du manque de recherches novatrices évaluées par des pairs sur le sujet. Il suggère qu’il s’agit peut-être davantage d’un stratagème marketing que d’une approche véritablement innovante de l’optimization de la supply chain.
La conversation tourne autour du concept des données en temps réel, de leur pertinence pour la prévision de la supply chain, et des stratagèmes marketing qui l’entourent.
Vermorel explique que les données en temps réel, qui désignent des données avec une latence inférieure à la perception humaine (environ 100 millisecondes), sont devenues populaires en raison de leur attrait. Cependant, il reste sceptique quant à savoir si disposer de données en temps réel apporte une amélioration significative de la précision des prévisions. Il cite une démonstration type de logiciel où un produit avec trois ans d’historique est utilisé pour une prévision six mois à l’avance. Vermorel soutient que disposer de données datant de 100 millisecondes plutôt que de 24 heures ne fera pas une grande différence dans ce contexte.
Une autre affirmation souvent avancée par les partisans des données en temps réel est l’utilisation de techniques de machine learning supérieures. Vermorel reste sceptique, la comparant à un constructeur automobile affirmant avoir de meilleures voitures grâce à une physique supérieure. Il convient toutefois qu’intégrer plus de données que la prévision traditionnelle des séries temporelles peut conduire à des améliorations substantielles.
Vermorel affirme que l’information en temps réel dans des scénarios de supply chain est généralement excessive, car le niveau de granularité fourni est inutile pour la plupart des cas d’usage. Cependant, il note que les données en temps réel pourraient être utiles pour contrôler des robots rapides dans des entrepôts. Il remet en question l’idée que les données en temps réel puissent faire une différence significative dans la planification de la supply chain, où les prévisions couvrent généralement une période de trois semaines à un an.
Selon Vermorel, la promotion des données en temps réel dans la prévision de la supply chain est souvent un stratagème marketing utilisé par des vendeurs de logiciels qui manquent de nouvelles idées, d’expertise ou de technologies. Il suggère que cette approche reflète une certaine indifférence aux problèmes des clients et l’hypothèse arrogante que les clients peuvent être facilement trompés. Pour identifier des concepts de valeur parmi de simples buzzwords, il conseille de vérifier si diverses personnes de différents domaines discutent du concept. Si seuls les vendeurs font sa promotion, il y a fort à parier qu’il s’agit d’un stratagème marketing.
À titre d’exemple positif, Vermorel cite la prévision probabiliste, qui est discutée par de nombreuses communautés, y compris celles qui étudient le climat. La recherche climatique de pointe est guidée par des modèles probabilistes, ce qui indique que cette approche repose sur une véritable substance, contrairement au concept de données en temps réel dans la prévision de la supply chain, orienté par le marketing.
Vermorel commence par expliquer le concept d’appel à l’autorité, qu’il considère comme un indicateur fort d’un buzzword. Il prend l’exemple du demand sensing, où les partisans mettent en avant les noms et titres des experts impliqués, plutôt que de détailler l’algorithme ou les mathématiques qui se cachent derrière.
Interrogé sur d’autres exemples de stratagèmes dans l’industrie de la supply chain, Vermorel note qu’il y en a eu de nombreux au fil de l’histoire. Il cite l’effort d’IBM en faveur du computing autonome il y a dix ans, qui s’est avéré peu substantiel, ainsi que la popularité du data mining il y a vingt ans, qui s’est depuis estompée. Vermorel estime que ces buzzwords tombent souvent dans l’oubli en raison d’un manque de substance, et il évoque sa “loi de préservation du battage médiatique”, qu’il définit comme une masse totale constante de battage qui ne change que lorsqu’un nouveau buzzword arrive sur le marché.
Vermorel suggère que les praticiens de la supply chain devraient se méfier des buzzwords qui semblent aborder un problème fondamental avec un insight étonnamment évident. Il donne l’exemple des prévisions par quantiles, qui se concentrent sur les risques concentrés aux extrémités plutôt qu’au centre. Vermorel estime que des idées aussi simples et fondamentales, une fois comprises, sont difficiles à oublier et peuvent conduire à des innovations significatives.
Il continue en mentionnant que les praticiens devraient se méfier des buzzwords qui ne fournissent pas une compréhension claire et concise de leurs concepts sous-jacents. Par exemple, cloud computing peut sembler compliqué, mais son concept de base est la disponibilité de ressources matérielles à la demande. Vermorel conseille que si un buzzword ne peut pas offrir une compréhension solide en quelques minutes, il manque probablement de substance et doit être rejeté.
Vermorel souligne l’importance de reconnaître et de comprendre l’essence qui se cache derrière les buzzwords dans l’industrie de la supply chain. Il encourage les praticiens à se concentrer sur des insights fondamentaux qui peuvent offrir une compréhension solide et contribuer à des innovations significatives dans leurs entreprises.
Transcription complète
Kieran Chandler: Aujourd’hui, nous allons discuter de la performance réelle de ce buzzword et également de savoir si vous pouvez faire la différence entre ce qui est un bon buzzword et ce qui est réellement beaucoup de délires marketing. Alors, Joannes, demand sensing, quelle est ta première impression d’un concept tel que celui-ci ?
Joannes Vermorel: C’est en fait une question difficile, car j’ai consulté de nombreux documents sur le demand sensing, et la meilleure chose que je puisse dire à leur sujet est qu’ils sont extrêmement vagues. Il est donc très difficile d’attribuer des qualités ou des défauts spécifiques à un concept qui est super vague. Mais fondamentalement, je dirais que pour moi, le demand sensing est une illustration claire de ce que l’on pourrait qualifier non pas de vaporware, puisque le logiciel existe — qui est censé être capable de fournir le demand sensing pour optimiser votre supply chain — mais plutôt de mootware, c’est-à-dire des choses qui n’ont en réalité aucune importance parce qu’elles ne tiennent pas leurs promesses.
Kieran Chandler: Tu as dit que les idées qui le sous-tendent sont un peu vagues, alors quel est le concept de base ?
Joannes Vermorel: Les concepts mis en avant — et encore, je dis mis en avant parce qu’il s’agit de quelque chose qui se rapproche davantage d’un stratagème marketing que de quoi que ce soit de profond — incluent l’utilisation de données en temps réel, des données dépassant vos données de base traditionnelles, comme les anciens mouvements de stocks ou la demande en ventes passée, et l’usage du machine learning, qui est assez indéfini dans ce contexte, pour faire des choses innovantes afin d’obtenir plus de précision.
Kieran Chandler: Donc, l’un des éléments qui indique qu’il s’agit d’un stratagème marketing, c’est que tous ces concepts semblent tenir debout par eux-mêmes. Alors, quels sont les problèmes ici ?
Joannes Vermorel: La question est de savoir combien de nouveauté il y a en termes de profondeur. Commençons par examiner l’affirmation principale des vendeurs qui prônent les technologies de demand sensing. L’affirmation principale est qu’ils peuvent obtenir des prévisions plus précises. C’est une affirmation tout à fait raisonnable ; vous dites que vous avez une technique novatrice capable de produire des prédictions statistiques plus précises. Eh bien, il s’avère que la supply chain n’existe pas dans le vide. Il y a un domaine de recherche entier sur la prévision statistique, avec une multitude de compétitions en ligne où les gens essaient des modèles et se mesurent les uns aux autres. Le vaste domaine du machine learning et de l’apprentissage statistique est très dynamique, avec des défis et des résultats publics publiés dans des conférences, revues et articles provenant de diverses sources, y compris des laboratoires privés comme les grandes entreprises de logiciels. Ce que je veux dire, c’est que bien qu’il y ait de nombreuses avancées en matière de machine learning pour des tâches spécifiques comme la prévision de la demande future, je n’ai rien vu qui puisse être qualifié de véritables journaux novateurs ou de conférences de haut niveau publiées sous ces mots-clés, comme le demand sensing.
Kieran Chandler: Parlons du contenu lui-même. Il y a beaucoup de choses sur Internet si vous faites des recherches sur le demand sensing, avec de nombreux articles et des éléments qui semblent assez légitimes. Alors, comment interpréter tout cela ? Quel est le problème avec, si nous examinons un peu, ce qui est présenté ? Ce qui est présenté, c’est d’abord cette idée de disposer de données en temps réel. Pourquoi pas ? Pourtant, les données en temps réel, commençons par préciser un peu ce que nous entendons par données en temps réel, car cela sonne bien. D’après moi, les données en temps réel correspondent essentiellement à un cas où la latence est inférieure à la perception humaine. En gros, pour clarifier ce dont nous parlons, c’est 100 millisecondes. C’est à ce moment-là qu’elles commencent à s’approcher de ce que l’on qualifierait de temps réel.
Joannes Vermorel: D’accord, parlons, dans un problème de supply chain, du fait que vous disposez de données accessibles, ou que vous avez un pipeline entier de données capable de traiter vos informations en moins de 100 millisecondes pour être en temps réel. Avons-nous une chance, grâce à cela, d’obtenir une amélioration de l’ordre de 50 % de la précision des prévisions ? Et là, je suis très sceptique. Surtout lorsque les gens commencent à faire des démonstrations du logiciel effectuant du demand sensing et des prévisions. Dans la démo, ils examinent un produit avec trois ans d’historique, et ils effectuent une prévision six mois à l’avance.
Donc, si vous prévoyez la demande six mois à l’avance, le fait de disposer de données issues des 100 dernières millisecondes ou des dernières 24 heures, c’est-à-dire des données ayant un retard d’une journée, franchement, ne fera pas une grande différence. Je ne suis même pas sûr que des données ayant deux jours de retard au lieu d’un seul jour feront la moindre différence d’un pour cent six mois à l’avance. C’est pourquoi je trouve que la partie temps réel de l’argument me semble extrêmement superficielle.
Ensuite, examinons l’autre partie des arguments : ils prétendent disposer de techniques de machine learning supérieures. Mais des techniques de machine learning supérieures – sachant que le machine learning est un domaine extrêmement vaste – reviendrait à ce qu’un constructeur automobile dise, “Oh, nous avons la meilleure voiture parce que nous avons une meilleure physique.” Avoir une meilleure physique aide, mais c’est une affirmation audacieuse. Il faut une percée au niveau des lois physiques. Donc, encore une fois, je reste sceptique lorsque vous avancez ce genre d’affirmation.
Donc, essentiellement, ce qu’ils avancent, si je reviens à l’autre ensemble d’arguments, c’est qu’il faut disposer d’une prévision qui utilise plus de données que les méthodes traditionnelles. Je dirais oui, absolument. Nous avons en effet discuté à de nombreuses reprises dans cette émission du fait que la prévision naïve des séries temporelles vous fournit une quantité énorme d’inexactitudes. L’explication la plus simple est que, si vous ne considérez que vos ventes historiques, vous ne tenez pas compte des ruptures de stock. Par exemple, si vous n’avez observé aucune vente parce que vous avez eu une rupture de stock, vous ne voulez pas prévoir zéro simplement parce que vous avez observé zéro. Vos ventes historiques ne représentent pas la demande historique. Donc oui, il faut absolument inclure davantage de données, et cela peut conduire à des améliorations très substantielles.
Kieran Chandler: Donc, ce que vous dites en quelque sorte, c’est que l’utilisation de ces informations en temps réel est largement excessive dans un scénario de supply chain car, en réalité, vous n’avez pas besoin d’un tel niveau d’information si rapidement. De quel niveau de granularité avons-nous réellement besoin ?
Joannes Vermorel: Mais, encore une fois, si vous pilotez des robots de prélèvement en temps réel dans un entrepôt, alors 100 millisecondes pourraient en fait être trop lentes. Donc, tout dépend du type de problème. Mais, les personnes qui défendent le demand sensing ne discutent pas du cas d’utilisation du contrôle en temps réel de robots ultra-rapides dans des entrepôts automatisés. Ceci n’est pas
Kieran Chandler: Ce qu’ils montrent dans leurs démos ressemble beaucoup à l’ancienne manière de faire de la planification supply chain, où vous commencez à regarder vos ventes, votre demande de trois semaines à neuf mois, voire même un an à l’avance. Et c’est là que je remets véritablement en question le fait que disposer d’informations en temps réel dans ce genre de situation fera une quelconque différence. C’est cela que je conteste. Alors, à qui cela profite-t-il réellement ? Diriez-vous qu’il s’agit purement d’un effet de mode marketing pour vendre d’autres logiciels ?
Joannes Vermorel: C’est un cas où je pensais au terme “moot”, où, vous savez, un logiciel dont on ne devrait pas se soucier est moot. Il s’agit littéralement d’un effet de mode marketing pour les fournisseurs qui manquent d’idées nouvelles, de technologies et probablement d’expertise. Eh bien, ils décident simplement d’emprunter la voie de l’effet de mode marketing parce qu’il n’y a absolument aucune substance. Et je sais que cela peut paraître relativement dur, mais franchement, je ne vois pas de meilleure explication, car les problèmes auxquels nous sommes confrontés sont tellement complexes. Il y a tant d’angles qui peuvent être discutés et améliorés qu’il n’est pas nécessaire d’inventer nos propres buzzwords. Il y a tant d’aspects à peaufiner pour présenter quelque chose de nouveau. Si vous devez recourir à un buzzword complètement inventé qui se révèle n’être qu’un léger effet de mode marketing, cela ne met pas en valeur les équipes derrière ces entreprises. Je veux dire, cela montre une certaine indifférence face aux problèmes rencontrés par les clients, et cela témoigne aussi d’un certain degré d’arrogance dans le sens où ils pensent que le client est tout simplement idiot et que vous pouvez littéralement lui vendre n’importe quoi. À un moment donné, c’est en quelque sorte une insulte à l’intelligence de ceux à qui vous vendez.
Kieran Chandler: Alors, comment les différencions-nous ? Parce qu’il y a tellement de buzzwords en circulation, et tant de recherches différentes à entreprendre. Comment faire la distinction entre ce qui est réellement un bon buzzword et ce qui ne l’est pas ?
Joannes Vermorel: Tout d’abord, je dirais qu’une manière consiste à examiner globalement qui parle de ce buzzword. Est-ce uniquement votre fournisseur, ou bien y a-t-il de nombreuses personnes issues de domaines différents, des personnes qui n’ont pas des intérêts convergents, des personnes qui n’ont aucune raison de se copier mutuellement ? Le point avec le demand sensing, c’est qu’en fait, c’était un fournisseur qui le mettait en avant, et les autres fournisseurs se contentaient d’imiter ce léger effet de mode marketing. Ainsi, vous partez de quelque chose qui n’est qu’un effet de mode marketing, et cela finit par être répliqué, marketing parlant, par d’autres acteurs. Il n’y a aucune substance, donc c’est relativement facile à reproduire. Quand vous disposez d’une véritable technologie, il est plus difficile de répliquer. Si la seule chose à reproduire est un site web élégant, c’est beaucoup plus simple. Mais je m’égare.
Pour identifier de bons buzzwords, recherchez différents intervenants qui en parlent. Par exemple, chez Lokad, nous discutons longuement de la prévision probabiliste. Si vous regardez en ligne ceux qui débattent de la prévision probabiliste, vous constaterez qu’il existe en réalité une multitude d’autres communautés, par exemple des chercheurs en climat qui utilisent intensivement des modèles probabilistes. Quand on pense au climat, la recherche de pointe est clairement guidée par les modèles probabilistes. Cela n’a aucun rapport direct avec la supply chain, mais cela prouve néanmoins que ces concepts sont attrayants et utiles pour des groupes diversifiés. C’est, je pense, un indicateur très important.
Un autre indicateur est l’appel à l’autorité. Lorsque des personnes défendent simplement quelque chose comme le demand sensing en tant que méthode révolutionnaire de prévision et avancent des affirmations audacieuses, mais qu’au lieu de détailler l’algorithme et les mathématiques qui expliquent comment ils procèdent, ils mettent en avant le nom, le titre et le pedigree.
Kieran Chandler: Parmi les pires exemples, nous avons tous “Dr. X PhD, avec 20 ans d’expérience ici et là”, et c’est, en gros, lorsque vous mettez en avant le CV des personnes dès le départ, c’est littéralement un appel à l’autorité. Cela signifie généralement que vos idées manquent de substance. Autrement, il n’est pas nécessaire d’inclure votre CV dans des articles scientifiques, il suffit d’indiquer le nom des chercheurs et leur institution, sans le CV. D’accord, donc si le demand sensing est un exemple de ce qui pourrait être un léger effet de mode marketing, existe-t-il de nombreux autres exemples dans l’industrie de la supply chain de gimmicks qui ont, d’une certaine manière, marqué l’histoire ?
Joannes Vermorel: Oui, je veux dire, pas seulement dans la supply chain. Je pense que c’est l’un de ces cas typiques de marchés dominés par de grands fournisseurs d’entreprise qui jouent beaucoup à ces jeux, mais ce n’est pas le seul domaine. Il y a eu pas mal de buzzwords superficiels. Par exemple, il y a 10 ans, IBM avait fortement mis en avant son autonomous computing, qui s’est avéré n’être qu’un gros tas de rien. Beaucoup de personnes avaient commencé à promouvoir des concepts tels que, avant que les gens ne deviennent fous de data science, ils étaient fous de data mining. C’était un grand phénomène il y a 20 ans. Il y avait l’idée d’extraire des pépites de données. Je ne suis même pas sûr que les gens se souviennent de ce que cela était censé être. Ainsi, il y a eu une longue série de buzzwords superficiels, et il est en réalité assez difficile de s’en souvenir, car il y a précisément très peu de substance.
Préparer cet épisode sur le demand sensing a été en fait assez difficile pour moi car je lisais des dizaines de pages à ce sujet et je passais une demi-heure à essayer de résumer ce que j’avais appris. Et je me suis rendu compte que je n’avais rien vraiment appris. C’est donc même difficile de mémoriser ce genre de choses.
Kieran Chandler: Alors, quel est le résultat habituel ? Est-ce que ces buzzwords finissent simplement par tomber dans l’oubli parce qu’il n’y a aucune substance derrière eux, et que l’industrie passe au suivant ?
Joannes Vermorel: Oui, c’est ce que je crois personnellement. J’appelle cela la loi de préservation du battage médiatique. En physique, nous avons la loi de la conservation de la masse, et en ce qui concerne le marketing des fournisseurs d’entreprise, il existe cette loi de préservation du battage médiatique. Il y a une masse totale de battage, et si un buzzword vient s’ajouter, quelque chose d’autre en sort. Vous pouvez en fait vérifier empiriquement ma loi de conservation du battage en regardant Google Trends, cet outil fourni par Google. Si vous prenez de nombreux buzzwords comme AI, cloud computing, big data, machine learning, etc., vous verrez qu’avec le temps, cela reste relativement constant, même si chaque buzzword connaît un pic puis s’estompe. Il y a donc clairement ces schémas.
Kieran Chandler: D’accord, alors commençons à conclure un peu. Pour les praticiens de la supply chain à la recherche du prochain grand buzzword pour l’avenir, sur quoi devraient-ils être vigilants ?
Joannes Vermorel: Je pense qu’ils devraient être à l’affût de solutions qui abordent fondamentalement un aspect essentiel avec une perspicacité qui, rétrospectivement, semble complètement évidente. La chose surprenante à propos de la science, c’est que lorsque vous découvrez des vérités profondes et efficaces, vous vous demandez comment vous avez pu être aussi ignorant avant. Par exemple, dans la supply chain, avant de réaliser que, pour analyser la demande, il fallait l’examiner avec un objectif précis, comme le support. C’était la naissance des prévisions par quantiles. C’était l’idée que les risques
Kieran Chandler: Il est évident qu’optimiser les stocks et réduire les coûts est important lorsque les stocks se renouvellent. C’est quelque chose d’aussi essentiel qu’on ne peut même pas l’oublier. Une fois que vous comprenez un concept fondamental, il devient primordial. Je dirais que lorsque vous voyez un mot-clé et que cela fait tilt, c’est généralement parce que vous avez saisi quelque chose de très fondamental. Ce n’est pas quelque chose d’incroyablement difficile. Au cœur d’une innovation massive se trouve généralement quelque chose de fondamentalement simple.
Joannes Vermorel: Si je vous parle de cloud computing, vous pourriez penser que c’est super compliqué. Mais ensuite, si je vous dis que ce ne sont que des ressources matérielles à la demande – et par à la demande, j’entends que vous pouvez simplement dire, “Donnez-moi une machine de calcul dans la minute qui suit” – voilà, vous avez des fournisseurs à grande échelle capables de vous vendre une puissance de calcul disponible à la demande. Une fois que vous comprenez cela, vous commencez à comprendre bon nombre d’aspects du cloud computing.
Kieran Chandler: Ces mots-clés représentent typiquement les concepts de base, et le diable est dans les détails. Mais l’idée essentielle, si vous ne pouvez la saisir en quelques minutes, pourrait ne pas être si précieuse. Elle devrait véritablement vous apparaître comme une compréhension supplémentaire solide pour votre entreprise dont vous pouvez tirer parti. Peut-être qu’il vous faudra des outils supplémentaires pour exploiter cette compréhension additionnelle. Mais s’il n’y a pas de compréhension fondamentale, alors très probablement ce à quoi vous êtes confronté n’a aucune substance et n’est qu’un gros tas de rien.
Joannes Vermorel: C’est exact.
Kieran Chandler: Parfait, nous devrons conclure ici. Merci pour votre temps. Voilà tout pour aujourd’hui. Que vous soyez d’accord ou non, n’oubliez pas de nous laisser un commentaire ci-dessous, et c’est tout pour cette semaine. Nous nous reverrons la prochaine fois.
