00:00:07 Introduction et définition de la détection de la demande.
00:01:02 Joannes critique la détection de la demande en tant que concept vague.
00:02:45 Questions sur la nouveauté des techniques de détection de la demande.
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 d’utilisation entre les applications en temps réel et hors temps réel.
00:09:47 Les artifices marketing dans l’industrie du logiciel et leur impact.
00:11:25 Différenciation entre les bons buzzwords et les buzzwords superficiels.
00:14:24 Exemples d’autres artifices dans l’industrie de la supply chain.
00:16:02 Difficulté de mémoriser les buzzwords et leur manque de substance.
00:16:33 Loi de préservation du buzz et vérification des tendances Google.
00:17:47 Identification des buzzwords de valeur avec des idées fondamentales.
00:18:26 Exemple de prévision des quantiles et importance de comprendre les fondamentaux.
00:19:21 Cloud computing et son concept central simple.
Résumé
Dans l’interview, Kieran Chandler et Joannes Vermorel discutent de la détection de la demande, une méthode de prévision qui combine des données en temps réel et des techniques mathématiques avancées. Vermorel exprime son scepticisme quant à l’efficacité de la détection de la demande en raison de son fondement conceptuel vague et du manque de recherches nouvelles et évaluées par des pairs. Il conseille aux praticiens de la supply chain de se méfier des artifices marketing et de se concentrer sur des concepts qui abordent les problèmes fondamentaux avec des idées étonnamment évidentes. Vermorel souligne l’importance de comprendre la substance derrière les buzzwords et de rechercher des innovations qui fournissent une compréhension solide et contribuent à des améliorations significatives de l’optimisation de la supply chain.
Résumé étendu
Dans cette interview, Kieran Chandler discute de la détection de la demande avec Joannes Vermorel, fondateur de Lokad, une entreprise spécialisée dans l’optimisation de la supply chain. La détection de la demande est une méthode de prévision qui combine des techniques mathématiques avancées avec des informations en temps réel. La conversation porte sur l’efficacité de la détection de la demande et sur la manière de distinguer les concepts de valeur des artifices marketing.
Vermorel commence par admettre qu’il est difficile d’évaluer la détection de la demande en raison du caractère vague des documents qu’il a examinés sur le sujet. Il estime que la détection de la demande n’est pas un vaporware, car le logiciel existe, mais plutôt un mootware, c’est-à-dire quelque chose qui ne tient pas ses promesses et qui finalement n’a pas d’importance. Il attribue cela au fait que le concept est davantage un artifice marketing qu’une idée substantielle.
Les principaux attributs annoncés de la détection de la demande comprennent l’utilisation de données en temps réel, l’intégration de données au-delà des données de base traditionnelles (telles que les mouvements de stocks passés et la demande de ventes) et l’utilisation de l’apprentissage automatique pour obtenir une plus grande précision. Vermorel reconnaît que ces concepts individuels semblent valides, mais il remet en question la nouveauté et la profondeur de l’approche globale.
Pour évaluer la détection de la demande, Vermorel examine la principale revendication faite par ses défenseurs : celle de pouvoir produire des prévisions plus précises. Il souligne que la prévision statistique est un domaine de recherche bien établi, avec de nombreuses compétitions en ligne et une communauté dynamique qui remet constamment en question et fait progresser le domaine. De nombreuses organisations, y compris des institutions de recherche prestigieuses et de grandes entreprises de logiciels, publient des articles sur l’apprentissage automatique et l’apprentissage statistique, y compris ceux axés sur la prévision de la demande future.
Cependant, Vermorel n’a pas vu de recherche significative et novatrice publiée sur la détection de la demande dans des revues ou des conférences réputées, ce qui soulève des doutes quant à la légitimité du concept. Malgré l’abondance d’articles et de documents disponibles sur Internet concernant la détection de la demande, le manque de recherche concrète, évaluée par des pairs et provenant de la communauté plus large de l’apprentissage automatique et de la prévision, remet en question la véritable valeur de la détection de la demande.
Vermorel exprime un scepticisme quant à l’efficacité de la détection de la demande en tant que méthode de prévision, en raison de son fondement conceptuel vague et du manque de recherche novatrice, évaluée par des pairs, sur le sujet. Il suggère qu’il pourrait s’agir davantage d’un artifice marketing que d’une approche véritablement innovante de l’optimisation de la supply chain.
La conversation tourne autour du concept de données en temps réel, de sa pertinence pour la prévision de la supply chain et des artifices marketing qui l’entourent.
Vermorel explique que les données en temps réel, qui font référence à des données avec une latence inférieure à la perception humaine (environ 100 millisecondes), sont devenues populaires en raison de leur caractère attrayant. Cependant, il est sceptique quant à savoir si disposer de données en temps réel offre une amélioration significative de la précision des prévisions. Il cite une démonstration logicielle typique où un produit avec trois ans d’historique est utilisé pour prévoir les six prochains mois. Vermorel soutient que disposer de données datant de 100 millisecondes, par opposition à 24 heures, ne fera pas beaucoup de différence dans ce contexte.
Une autre revendication souvent avancée par les partisans des données en temps réel est l’utilisation de techniques d’apprentissage automatique supérieures. Vermorel reste sceptique, le comparant à un fabricant de voitures affirmant avoir de meilleures voitures grâce à une meilleure physique. Il convient cependant que l’intégration de plus de données que la prévision traditionnelle des séries chronologiques peut entraîner des améliorations substantielles.
Vermorel affirme que les informations en temps réel dans les scénarios de la supply chain sont généralement excessives, car le niveau de granularité qu’elles fournissent est inutile pour la plupart des cas d’utilisation. Cependant, il note que les données en temps réel pourraient être utiles pour contrôler des robots rapides dans des entrepôts automatisés. Il remet en question l’idée selon laquelle les données en temps réel peuvent faire une différence significative dans la planification de la supply chain, où les prévisions vont généralement de trois semaines à un an à l’avance.
Selon Vermorel, la promotion des données en temps réel dans la prévision de la supply chain est souvent un stratagème marketing utilisé par les fournisseurs 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 une supposition arrogante selon laquelle les clients peuvent être facilement trompés. Pour identifier les concepts précieux parmi de simples mots à la mode, il conseille de vérifier si différentes personnes de différents domaines discutent du concept. Si seuls les fournisseurs le promeuvent, il est plus probable que ce soit 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 basée sur des modèles probabilistes, ce qui indique que cette approche repose sur une substance réelle, contrairement au concept axé sur le marketing des données en temps réel dans la prévision de la supply chain.
Vermorel commence par expliquer le concept d’appel à l’autorité, qu’il considère comme un fort indicateur d’un mot à la mode. Il utilise l’exemple de la détection de la demande, où les partisans mettent en avant les noms et les titres des experts impliqués, plutôt que de détailler l’algorithme ou les mathématiques qui le sous-tendent.
Lorsqu’on lui demande d’autres exemples de stratagèmes dans l’industrie de la supply chain, Vermorel note qu’il y en a eu beaucoup tout au long de l’histoire. Il cite la promotion par IBM de l’informatique autonome il y a dix ans, qui s’est révélée sans substance, et la popularité de l’exploration de données il y a vingt ans, qui s’est depuis estompée. Vermorel estime que ces mots à la mode tombent souvent aux oubliettes en raison d’un manque de substance, et il fait référence à sa “loi de préservation du battage médiatique”, qu’il explique comme une masse totale constante de battage médiatique qui ne change que lorsqu’un nouveau mot à la mode entre sur le marché.
Vermorel suggère que les praticiens de la supply chain devraient être attentifs aux mots à la mode qui semblent aborder un problème fondamental avec une idée étonnamment évidente. Il donne l’exemple des prévisions quantiles, qui se concentrent sur les risques concentrés aux extrémités plutôt qu’au milieu. Vermorel estime que de telles idées simples et fondamentales, une fois comprises, sont difficiles à désapprendre et peuvent conduire à des innovations significatives.
Il continue en mentionnant que les praticiens devraient se méfier des mots à la mode qui ne fournissent pas une compréhension claire et concise de leurs concepts sous-jacents. Par exemple, le cloud computing peut sembler compliqué, mais son concept fondamental est la disponibilité des ressources matérielles à la demande. Vermorel conseille que si un mot à la mode ne peut pas fournir une compréhension solide en quelques minutes, il manque probablement de substance et devrait être ignoré.
Vermorel souligne l’importance de reconnaître et de comprendre la substance derrière les mots à la mode dans l’industrie de la supply chain. Il encourage les praticiens à se concentrer sur des idées fondamentales qui peuvent fournir 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 mot à la mode et également de la capacité à distinguer ce qui est un bon mot à la mode de ce qui est en réalité beaucoup de marketing sans intérêt. Alors, Joannes, la détection de la demande, quelle est votre première impression d’un concept comme celui-ci ?
Joannes Vermorel: C’est une question difficile en réalité, car j’ai examiné de nombreux documents sur la détection de la demande, et la meilleure chose que je puisse dire à propos de ces documents, c’est qu’ils sont extrêmement vagues. Il est donc très difficile d’attribuer des qualités ou des défauts spécifiques à un concept aussi vague. Mais fondamentalement, je dirais que pour moi, la détection de la demande est une illustration claire de ce que nous pourrions appeler non pas un logiciel fantôme, car le logiciel existe et est censé être capable de fournir une détection de la demande pour optimiser votre supply chain. Donc, ce n’est pas un logiciel fantôme, mais je dirais que c’est un logiciel inutile, comme quelque chose qui n’a pas vraiment d’importance car il ne tiendra pas ses promesses.
Kieran Chandler: Vous avez dit que les idées qui se cachent derrière sont un peu vagues, alors quel est le concept de base ?
Joannes Vermorel: Les concepts qui sont annoncés, et encore une fois je dis annoncés car c’est quelque chose de plus proche d’un gadget marketing que d’une véritable profondeur, incluent l’utilisation de données en temps réel, de données au-delà de vos données de base traditionnelles, comme les mouvements d’inventaire passés ou la demande de ventes passées, et l’utilisation de l’apprentissage automatique, qui est assez indéfini dans ce contexte, pour faire des choses nouvelles afin d’obtenir plus de précision.
Kieran Chandler: Donc, l’une des choses qui indique que c’est un gadget marketing, c’est que tous ces concepts semblent se tenir seuls. Quels sont donc les problèmes ici ?
Joannes Vermorel: La question est de savoir combien de nouveauté il y a en termes de profondeur. Commençons par examiner la principale revendication des fournisseurs qui poussent les technologies de détection de la demande. La principale revendication est qu’ils peuvent obtenir des prévisions plus précises. C’est une revendication très raisonnable ; vous dites que j’ai une nouvelle technique qui peut produire des prédictions statistiques plus précises. Eh bien, il s’avère que la supply chain n’existe pas dans le vide. Il existe tout un domaine de recherche sur la prévision statistique, avec des tonnes de compétitions en ligne où les gens essaient des modèles et se font concurrence. Le vaste domaine de l’apprentissage automatique et de l’apprentissage statistique est très dynamique, avec des défis et des résultats publics publiés dans des conférences, des revues et des articles provenant de diverses sources, y compris des laboratoires privés comme de grandes entreprises de logiciels. Ce que je veux dire, c’est qu’il y a certes de nombreuses avancées dans l’apprentissage automatique pour des tâches spécifiques comme la prévision de la demande future, mais je n’ai rien vu qui puisse être qualifié de bons journaux ou de conférences de haut niveau publiés sous ces mots-clés, comme la détection de la demande.
Kieran Chandler: Parlons maintenant du contenu lui-même. Il y a beaucoup de choses disponibles sur internet si vous faites des recherches sur la détection de la demande, avec de nombreux articles et choses qui semblent être assez légitimes. Alors, comment donner un sens à tout cela ? Quel est le problème, si nous examinons un peu, de ce qui est présenté ? Donc, ce qui est présenté, c’est d’abord cette idée d’avoir des données en temps réel. Pourquoi pas ? Cependant, les données en temps réel, commençons par préciser un peu ce que nous entendons par données en temps réel car cela semble cool. De mon point de vue, les données en temps réel sont essentiellement lorsque la latence passe en dessous de la perception humaine. Donc, en règle générale, si nous voulons clarifier de quoi nous parlons, c’est 100 millisecondes. C’est à ce moment-là que cela commence à devenir très proche de ce que les gens qualifieraient de temps réel.
Joannes Vermorel: D’accord, discutons dans une chaîne d’approvisionnement ou un problème de chaîne d’approvisionnement, du fait que vous disposez de données accessibles, ou que vous disposez d’un pipeline complet de données qui peut traiter vos données en moins de 100 millisecondes pour être en temps réel. Avons-nous une chance d’avoir, grâce à cela, quelque chose qui pourrait être de l’ordre de grandeur d’une amélioration de 50% de la précision des prévisions ? Et là, je suis très sceptique. Surtout lorsque les gens commencent à faire des démonstrations sur le logiciel de détection de la demande et de prévisions. Dans la démo, ils regardent un produit avec trois ans d’historique et ils font une prévision de six mois à l’avance.
Donc, si vous prévoyez la demande six mois à l’avance, le fait d’avoir des données fraîches des 100 dernières millisecondes ou fraîches des dernières 24 heures, donc des données qui ont juste un jour de retard, franchement, cela ne fera pas beaucoup de différence. Je ne suis même pas sûr que le fait d’avoir des données qui ont deux jours de retard au lieu d’un jour de retard fasse même une différence d’un pour cent six mois à l’avance. C’est là que je dis que la partie en temps réel de l’argument me semble excessivement superficielle.
Ensuite, regardons l’autre partie des arguments : ils prétendent avoir des techniques d’apprentissage automatique supérieures. Mais des techniques d’apprentissage automatique supérieures - étant donné que l’apprentissage automatique est un domaine très vaste - ce serait comme si un constructeur automobile disait : “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, là encore, je suis sceptique lorsque vous faites ce genre d’affirmation.
Donc, fondamentalement, ce qu’ils ont, si je reviens à l’autre ensemble d’arguments, c’est qu’ils disent que vous avez besoin d’une prévision qui utilise plus de données que les méthodes traditionnelles. Je dirais oui, absolument. Je veux dire, nous avons discuté dans cette émission de nombreuses fois du fait que la prévision naïve des séries temporelles vous donne beaucoup de déchets. La plus simple explication est que si vous ne regardez 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 une rupture de stock, vous ne voulez pas prévoir zéro parce que vous avez observé zéro. Vos ventes historiques ne sont pas une demande historique. Donc oui, vous devez inclure plus de données par-dessus cela, absolument, 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 pratiquement exagérée dans un scénario de chaîne d’approvisionnement car, en réalité, vous n’avez pas besoin de ce niveau d’information aussi 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 être trop lent. Donc, cela dépend vraiment du type de problème. Mais les personnes qui poussent pour la détection de la demande ne discutent pas du cas d’utilisation du contrôle en temps réel de robots ultra-rapides dans des entrepôts automatisés. Ce n’est pas
Kieran Chandler: Ce qu’ils montrent dans leurs démonstrations ressemble beaucoup à la façon traditionnelle de planifier la chaîne d’approvisionnement, où l’on commence à examiner les ventes, la demande, de trois semaines à neuf mois voire un an à l’avance. Et c’est là que je remets vraiment en question le fait d’avoir du temps réel pour ce genre de situation. C’est ce que je remets vraiment en question. Alors, qui en bénéficie réellement ? Diriez-vous que c’est simplement un gadget marketing pour vendre d’autres logiciels ?
Joannes Vermorel: C’est un cas où je pensais à ce terme de “moot” où, vous savez, les logiciels dont vous ne devriez pas vous soucier sont sans importance. C’est littéralement un gadget marketing pour les fournisseurs qui manquent d’idées nouvelles, de technologies et probablement d’expertise. Eh bien, ils décident simplement d’emprunter la voie du gadget marketing parce qu’il n’y a aucune substance. Et je sais que c’est relativement dur, mais franchement, je ne vois pas d’explication meilleure car les problèmes auxquels nous sommes confrontés sont si complexes. Il y a tellement d’aspects qui peuvent être discutés et améliorés que nous n’avons pas besoin d’inventer nos propres mots à la mode. Il y a tellement d’aspects qui doivent être affinés pour présenter quelque chose de nouveau. Si vous devez recourir à un mot à la mode complètement inventé qui se révèle être juste un gadget marketing superficiel, cela ne met pas les équipes derrière ces entreprises sous un bon jour. Je veux dire, cela montre une certaine indifférence aux problèmes auxquels sont confrontés les clients, et cela montre également un certain degré d’arrogance dans le sens où ils pensent que le client est juste un idiot et que vous pouvez littéralement lui vendre n’importe quoi. À un moment donné, c’est un peu une insulte à l’intelligence de celui à qui vous vendez.
Kieran Chandler: Alors comment les différencier ? Parce qu’il y a tellement de ces mots à la mode, il y a tellement de recherches différentes que nous devrions faire. Comment pouvez-vous différencier ce qui est réellement un bon mot à la mode de ce qui ne l’est pas ?
Joannes Vermorel: Tout d’abord, je dirais qu’un moyen est de regarder de manière générale qui parle de ce mot à la mode. Est-ce juste votre fournisseur, ou y a-t-il beaucoup de personnes issues de différents domaines, des personnes qui n’ont pas d’intérêts convergents, des personnes qui n’ont aucune raison de se copier mutuellement ? Le truc avec la détection de la demande, c’est qu’en gros, c’était un fournisseur qui le poussait, et les autres fournisseurs ont simplement copié le gadget marketing superficiel. Donc, vous commencez avec quelque chose qui n’est qu’un gadget marketing, et cela finit par être répliqué sur le plan marketing par d’autres acteurs. Il n’y a aucune substance, donc c’est relativement facile à répliquer. Lorsque vous avez une technologie réelle, c’est plus difficile à répliquer. Si la seule chose que vous avez à répliquer est un site web sophistiqué, c’est beaucoup plus facile. Mais je m’égare.
Pour identifier de bons mots à la mode, cherchez des personnes différentes qui en parlent. Par exemple, quelque chose que nous discutons beaucoup chez Lokad, c’est la prévision probabiliste. Si vous recherchez en ligne qui parle de la prévision probabiliste, vous constaterez qu’il y a en fait de nombreuses autres communautés, par exemple, des personnes étudiant le climat, qui utilisent massivement des modèles probabilistes. Lorsque vous pensez au climat, la recherche de pointe est clairement axée sur les modèles probabilistes. Cela n’a rien à voir directement avec la chaîne d’approvisionnement, mais cela prouve quand même que les 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 les gens poussent quelque chose comme la détection de la demande comme une nouvelle façon formidable de faire des prévisions et font des affirmations audacieuses, mais au lieu de détailler l’algorithme et les mathématiques sur la façon dont ils le font, ils mettent en avant le nom, le titre et le pedigree.
Kieran Chandler: Parmi les choses horribles, ils ont tous le Dr X PhD, pourquoi faire cela avec 20 ans d’expérience ici et là, et c’est ça, c’est littéralement un appel à l’autorité. Donc, cela signifie généralement que vos idées manquent de substance. Sinon, vous n’avez pas besoin de mettre votre CV dans des articles scientifiques, vous avez juste le nom des chercheurs et de l’institution, pas le CV. D’accord, donc si la détection de la demande est un exemple peut-être un peu un gadget marketing, y a-t-il beaucoup d’autres exemples dans l’industrie de la chaîne d’approvisionnement de gadgets qui ont historiquement bien fonctionné ?
Joannes Vermorel: Oui, je veux dire, pas seulement la chaîne d’approvisionnement. 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 mots à la mode superficiels. Par exemple, il y a 10 ans, IBM a fait une grande promotion pour leur informatique autonome, qui s’est avérée être un gros tas de rien. Il y avait beaucoup de gens qui ont commencé à pousser des choses comme, avant que les gens ne soient fous de science des données, ils étaient fous de fouille de données. C’était une grande chose 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. Donc, il y a eu une longue série de mots à la mode superficiels, et c’est en fait assez difficile de s’en souvenir car il y a très peu de substance.
Pour préparer cet épisode sur la détection de la demande, cela a été assez difficile pour moi car je lisais des dizaines de pages à ce sujet et passais une demi-heure à essayer de résumer ce que j’ai appris. Et je me suis retrouvé à n’avoir rien appris. Donc, c’est même difficile de mémoriser ce genre de choses.
Kieran Chandler: Alors, quelle est normalement l’issue ? Est-ce que ces mots à la mode tombent simplement aux oubliettes parce qu’il n’y a aucune substance derrière eux, et l’industrie passe à autre chose ?
Joannes Vermorel: Oui, c’est ma conviction personnelle. Je l’appelle la loi de préservation du battage médiatique. En physique, nous avons la loi de préservation de la masse, et en ce qui concerne le marketing des fournisseurs d’entreprise, il y a cette loi de préservation du battage médiatique. Il y a une masse totale de battage médiatique, et si vous avez un mot à la mode qui entre dans la pile, quelque chose d’autre en sort de la pile. Vous pouvez vérifier empiriquement ma loi de conservation du battage médiatique en regardant Google Trends, cet outil fourni par Google. Si vous prenez de nombreux mots à la mode comme l’IA, le cloud computing, le big data, l’apprentissage automatique, et autres, vous verrez que cela reste constant avec le temps, même si chaque mot à la mode a un pic puis s’estompe. Donc, il y a clairement ces schémas.
Kieran Chandler: D’accord, commençons donc à conclure un peu. Pour les praticiens de la chaîne d’approvisionnement à la recherche du prochain grand mot à la mode à l’avenir, que devraient-ils surveiller ?
Joannes Vermorel: Je pense qu’ils devraient être à l’affût de choses qui abordent fondamentalement quelque chose de très essentiel avec une idée qui, rétrospectivement, est complètement évidente. La chose surprenante en science, c’est que lorsque vous avez des choses qui sont profondément vraies et efficaces, vous les regardez en arrière et vous vous demandez comment vous avez pu être si ignorant avant. Par exemple, dans la chaîne d’approvisionnement, avant que nous commencions à réaliser que lorsque nous voulions examiner la demande, nous devions le faire avec un objectif, comme le support. C’était la naissance des prévisions quantiles. C’était l’idée que les risques
Kieran Chandler: Il est évident que l’optimisation des stocks et la réduction des coûts sont importants lorsque les stocks tournent. C’est quelque chose d’important au point que vous ne pouvez même pas l’oublier. Une fois que vous comprenez un concept fondamental, il devient très important. Je dirais que lorsque vous voyez un mot-clé et que cela fait tilt, c’est généralement parce que vous avez compris quelque chose de très fondamental. Ce n’est pas quelque chose d’incroyablement difficile. Au cœur de l’innovation massive, c’est 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, je veux dire que vous pouvez simplement dire : “Donnez-moi une machine de calcul dans la minute qui suit”, et voilà. Vous avez des fournisseurs à grande échelle qui peuvent vous vendre de la puissance de traitement disponible à la demande. Une fois que vous comprenez cela, vous comprenez en quelque sorte beaucoup de choses sur le cloud computing.
Kieran Chandler: Donc, ces mots-clés représentent généralement les concepts fondamentaux, et le diable se cache dans les détails. Mais l’idée clé, si vous ne pouvez pas la saisir en quelques minutes, pourrait ne pas être si précieuse. Elle devrait vraiment vous frapper comme une compréhension supplémentaire solide pour votre entreprise dont vous pouvez tirer parti. Peut-être que pour tirer parti de cette compréhension supplémentaire, vous aurez besoin d’outils supplémentaires. Mais s’il n’y a pas de compréhension fondamentale, alors très probablement ce que vous regardez n’a aucune substance et n’est qu’un gros tas de rien.
Joannes Vermorel: C’est exact.
Kieran Chandler: Super, nous devons conclure ici. Merci pour votre temps. C’est tout pour aujourd’hui. Si vous êtes d’accord ou en désaccord, n’hésitez pas à nous laisser un commentaire ci-dessous, et c’est tout pour cette semaine. Nous vous verrons la prochaine fois.
