00:00:07 Introduction et l’importance des petits nombres dans la performance de la supply chain.
00:01:00 Comment les petits nombres affectent la performance informatique et le coût.
00:03:33 L’histoire et l’évolution de la précision numérique dans les systèmes de finance et de supply chain.
00:06:00 L’impact de la taille des données sur la performance informatique et les goulots d’étranglement.
00:07:44 Obtenir un gain de vitesse de calcul significatif en réduisant la taille des données.
00:08:47 L’importance d’accorder une attention particulière à la pile technologique et aux outils dans l’optimization de la supply chain.
00:10:17 Trouver un équilibre entre le coût informatique et des modèles mathématiques plus puissants pour de meilleurs résultats en supply chain.
00:12:50 Analyser les données historiques et utiliser des logiciels prédictifs de supply chain pour une meilleure prise de décision.
00:15:04 Impact de l’agrégation des données sur le gain de performance perçu et la perte de granularité.
00:16:00 Les défis de la consolidation des décisions en supply chain.
00:17:33 Revisiter les hypothèses statistiques fondamentales et la sympathie mécanique.
00:20:01 L’importance de la sympathie mécanique dans la gestion de la supply chain.
00:20:58 Passer de la loi des petits nombres à une perspective de big data.
00:23:20 Conclusion : moins de données peuvent en apporter davantage dans certaines situations.
Summary
Joannes Vermorel, le fondateur de supply chain optimization société Lokad, discute de la loi des petits nombres et de son impact sur supply chain performance avec Kieran Chandler. Vermorel souligne l’importance des petits nombres dans les données de la supply chain et l’importance de choisir les bons nombres pour optimiser la vitesse de calcul et la performance. La discussion met en avant la nécessité d’une plus grande empathie design pour obtenir des gains de performance, le compromis entre l’efficacité informatique et l’examen de tous futurs possibles et décisions, et le défi d’utiliser des modèles statistiques dans des environnements de vente au détail complexes. L’interview souligne l’importance d’équilibrer les ressources informatiques et la modélisation sophistiquée pour optimiser la supply chain.
Extended Summary
Dans cette interview, Kieran Chandler s’entretient avec Joannes Vermorel, fondateur de Lokad, une société de logiciels spécialisée dans l’optimization de la supply chain. Ils discutent de la loi des petits nombres et de son potentiel à améliorer la performance de la supply chain, de l’importance des petits nombres dans les données de la supply chain, et de l’impact du choix des bons nombres sur la vitesse de calcul et la performance.
Vermorel explique que les petits nombres, en particulier les nombres à un chiffre, sont omniprésents dans les supply chains. Bien que les codes-barres puissent comporter de nombreux chiffres, ils servent d’identifiants plutôt que de quantités. Les quantités dans les supply chains tendent à impliquer des nombres très faibles, ce qui est surprenant puisque la plupart des statistiques sont orientées vers la loi des grands nombres. Cette observation est importante car elle souligne la nécessité d’une plus grande empathie design afin d’obtenir des gains de performance, d’autant plus que le rythme d’amélioration de la puissance de traitement ralentit.
L’interview se tourne ensuite vers l’impact des petits nombres sur l’informatique. Vermorel affirme que, bien que les ordinateurs puissent traiter n’importe quel nombre, ils peuvent effectuer des calculs bien plus rapidement si les bons nombres sont choisis. Par exemple, les ordinateurs peuvent être de 10 à 20 fois plus rapides pour réaliser des opérations banales avec des nombres si les bons nombres sont sélectionnés. Cela peut faire une différence significative dans la performance globale d’un système d’optimization de la supply chain.
Kieran demande à Vermorel d’expliquer la différence dans l’envoi des nombres entre les systèmes et la réalité physique du matériel informatique. Vermorel souligne que le coût du traitement et de l’analyse des données est important pour l’optimization de la supply chain. Les ordinateurs sont devenus moins chers en termes de puissance brute de calcul, ce qui permet des algorithmes plus puissants pour améliorer la précision des prévisions et la performance de la supply chain. Cependant, l’équilibre entre le coût informatique et la performance de la supply chain est crucial.
Vermorel soutient que si les coûts informatiques bruts sont considérablement réduits, cela ne signifie pas que les coûts des ordinateurs disparaîtront. Au contraire, les entreprises utiliseront leurs nouvelles ressources pour développer des modèles plus complexes, augmentant ainsi les coûts informatiques. Par conséquent, il faut prêter attention à l’impact des petits nombres sur les coûts informatiques afin d’optimiser la performance de la supply chain.
La discussion portait sur les origines des besoins en calculs arithmétiques dans les systèmes d’entreprise, qui provenaient principalement du monde de la finance. Les premiers systèmes d’entreprise furent conçus en pensant aux calculs financiers, et cette histoire a des répercussions sur la façon dont les petits nombres sont utilisés et compris dans le contexte de l’optimization de la supply chain.
La loi des petits nombres a le potentiel d’améliorer de manière significative la performance de la supply chain si les entreprises parviennent à exploiter avec succès les bons nombres dans leurs systèmes informatiques. En prêtant attention à l’équilibre entre les coûts informatiques et la performance de la supply chain, les entreprises peuvent développer des modèles plus complexes et obtenir de meilleurs résultats d’optimization.
Vermorel explique comment les pratiques de la supply chain adoptées des secteurs de la finance et de la comptabilité dans les années 70 et 80 ont conduit à l’utilisation d’une haute précision numérique dans les systèmes de supply chain. Le besoin d’une haute précision en finance et en comptabilité est né d’une série de fraudes au début des années 80, où les erreurs d’arrondi étaient exploitées pour siphonner des millions de dollars.
Cependant, la haute précision utilisée en finance n’est pas toujours nécessaire dans la gestion de la supply chain. Vermorel remarque que dans 80 % des transactions en magasin, la quantité d’un produit acheté est simplement un. Cela signifie qu’en moyenne, deux bits de précision suffisent pour représenter les quantités dans un magasin. Kieran interroge la signification de la taille des données dans le contexte de la gestion de la supply chain, compte tenu de l’accessibilité financière des dispositifs de stockage d’une capacité en téraoctets.
Vermorel précise que la performance de la plupart des calculs est dictée par la taille des données, car le goulot d’étranglement se situe dans le chargement et le déchargement des données plutôt que dans les capacités de traitement du CPU. Il souligne que réduire la taille des données peut entraîner des gains de vitesse de calcul significatifs, voire parfois super-linéaires. Par exemple, lorsque Lokad a réussi à réduire les données d’un facteur de 10, ils ont constaté une accélération de calcul de 50 fois.
Le défi pour la gestion de la supply chain est de faire la différence entre les données nécessitant une haute précision et celles qui peuvent être représentées avec moins de précision. Vermorel suggère qu’une plateforme comme Lokad peut prendre en charge cette tâche, en soulignant l’importance que quelqu’un prête attention à la pile technologique ou aux outils utilisés par le département informatique. Ignorer l’optimization des données peut aboutir à des systèmes dotés d’un matériel informatique massif mais à des performances décevantes.
Vermorel aborde également le compromis entre l’efficacité informatique et l’objectif d’examiner tous les futurs possibles et décisions dans l’optimization de la supply chain. En accélérant les calculs, il devient possible d’analyser davantage de scénarios sans augmenter de manière significative les coûts informatiques.
Ils abordent l’optimization de la supply chain et les défis liés à l’utilisation de modèles statistiques. Il souligne que l’utilisation de moyennes mobiles et d’autres modèles simples ne suffit pas pour des environnements de vente au détail complexes, comme les hypermarchés, où il est nécessaire de recourir à des outils prédictifs plus sophistiqués pour gérer la saisonnalité, les tendances et d’autres facteurs.
Vermorel met également en évidence le problème de la “loi des petits nombres”, qui se pose lorsqu’on traite d’un grand nombre de produits avec peu de transactions quotidiennes. Les approches statistiques traditionnelles, reposant sur la loi des grands nombres, sont souvent insuffisantes dans ces situations. Pour y remédier, de nombreuses entreprises agrègent leurs données, par exemple en consolidant les ventes par semaine ou par mois. Cependant, cette approche sacrifie la granularité et peut conduire à une prise de décision médiocre, puisque les décisions supply chain sont toujours prises quotidiennement.
La conversation suggère que des logiciels supply chain, avancés, tels que Lokad, peuvent offrir de meilleures orientations en analysant les données historiques et en prenant en compte les cycles de vie des produits. Il est crucial que ces outils soient conçus en fonction de la réalité des petits nombres, car ils doivent souvent être pertinents pendant une grande partie du cycle de vie d’un produit. En fin de compte, l’interview souligne l’importance d’équilibrer les ressources informatiques et une modélisation sophistiquée pour optimiser la performance de la supply chain.
Le fondateur aborde l’importance de remettre en question les hypothèses de base et d’utiliser des outils statistiques appropriés dans l’optimization de la supply chain. Il souligne que de nombreuses méthodes statistiques actuelles sont orientées vers les grands nombres, ce qui peut ne pas être adapté aux décisions supply chain de moindre envergure. Vermorel suggère également que les praticiens devraient développer une “sympathie mécanique” pour leurs systèmes de supply chain, à l’image des pilotes de Formule 1 pour leurs voitures, afin de maximiser la performance. Malgré l’augmentation de la collecte de données, Vermorel affirme que les données pertinentes de la supply chain restent souvent limitées, ce qui peut induire en erreur lorsqu’on applique des perspectives de big data.
Full Transcript
Kieran Chandler: Aujourd’hui sur Lokad TV, nous allons discuter de la loi des petits nombres et de la manière dont elle peut être exploitée pour améliorer la performance de la supply chain. Alors Joannes, en tant qu’entreprise spécialisée dans le big data, il est probablement surprenant que nous parlions de petits nombres aujourd’hui. Quelle est l’idée derrière cela ?
Joannes Vermorel: L’idée est que les petits nombres, et non les grands nombres, sont omniprésents dans la supply chain. Quand je parle de petits nombres, je fais spécifiquement référence à tous les choix numériques et quantités qui comptent vraiment. Oui, vous pouvez avoir un code-barres de 13 ou 14 chiffres, mais c’est plutôt un identifiant qu’une quantité. Ainsi, lorsque vous examinez ce qui est lié aux quantités, ce qui est très surprenant, c’est que cela concerne toujours des nombres très petits. Par “très petits nombres”, j’entends des nombres à un chiffre, vraiment minuscules. C’est intrigant car la plupart des statistiques sont orientées vers la loi des grands nombres. En matière de calcul, on pourrait penser que cela n’a pas d’importance, mais il s’avère que c’est tout le contraire, et de beaucoup.
Kieran Chandler: Pouvez-vous expliquer un peu plus en quoi cela a de l’importance pour l’informatique ?
Joannes Vermorel: Pour un ordinateur, un nombre reste un nombre, n’est-ce pas ? Cela n’a pas d’importance. Cependant, il s’avère que si vous choisissez correctement vos nombres, votre ordinateur peut non seulement être rapide pour effectuer ces additions ou opérations banales avec des nombres, mais il peut l’être de 10 à 20 fois plus rapidement. Au final, cela fait une grande différence. Ce n’est pas simplement une petite différence.
Kieran Chandler: D’accord, donc pour les personnes qui ne seraient pas au courant de ce qui se passe lorsque les ordinateurs envoient des informations, que voulez-vous dire par “envoyer un nombre” ? Comment cela peut-il être différent d’un système à l’autre ?
Joannes Vermorel: Ici, nous entrons dans les détails de la réalité physique du matériel informatique dont nous disposons. Cela a de l’importance car, si vous voulez faire de l’optimization de la supply chain ou de l’optimization quantitative de la supply chain, vous allez effectuer beaucoup de traitement et d’analyse des données, ce qui a un coût. Même si les ordinateurs sont devenus beaucoup moins chers qu’autrefois, il y a toujours un équilibre entre le coût informatique et la performance de la supply chain que vous pouvez atteindre. Si vos coûts informatiques bruts sont considérablement réduits, vous pourriez penser que les coûts des ordinateurs disparaîtront. Cependant, ce n’est pas le cas, car vous allez exploiter vos nouvelles ressources pour avoir un modèle plus complexe, ce qui, à son tour, vous procure la prochaine étape en termes de précision des prévisions ou de performance dans l’optimization de la supply chain.
Kieran Chandler: Cela peut faire mieux et donc, vous savez, cela va simplement augmenter en retour. Euh, le coût informatique, donc vous devez y prêter un peu attention. Revenons maintenant à ces nombres et aux nombres minuscules dans les ordinateurs. Euh, plus particulièrement dans les systèmes d’entreprise. La majorité des besoins en calcul, en calcul arithmétique, provient, je dirais, du monde de la finance. Les premiers systèmes d’entreprise étaient tous orientés vers, vous savez, la comptabilité, la finance, la supply chain. C’est ce qui a émergé dans les années 70. La supply chain est arrivée un peu plus tard dans les années 80, et, euh, bon nombre des pratiques qui étaient déjà établies à l’époque, notamment en ce qui concerne les nombres à haute précision, ont été importées dans la supply chain. Alors, pourquoi a-t-on besoin d’une précision numérique super élevée pour l’argent ?
Joannes Vermorel: Eh bien, il s’est avéré que, au début des années 80, il y avait beaucoup de fraudes relativement spectaculaires où les gens profitaient du fait que, lorsqu’on arrondit les centimes, on peut en réalité créer de la magie. Vous pouvez en fait voler de l’argent en arrondissant seulement quelques centimes sur chaque transaction effectuée par votre entreprise. Et c’est complètement invisible pour le système puisque c’était arrondi, alors qu’en réalité, c’était de l’argent réel. Et quand on avait des milliards de transactions, certaines personnes parvenaient littéralement à extraire des millions de dollars du système en prélevant ne serait-ce qu’une fraction de cent et en la redirigeant vers leurs propres comptes. Ainsi, le monde de la finance et de la comptabilité est passé à des nombres de très haute précision où ces problèmes n’apparaissent pas. Le problème est que, je dirais, vous savez, la supply chain aussi, mais du fait de cela, on se retrouve avec des nombres d’une précision super, super élevée par défaut dans pratiquement tous les systèmes. Et il faut se demander : quelle est la quantité habituelle qu’un client va acheter dans un magasin ? Et notre réponse chez Lokad, parce que nous observons les données, est que dans 80 % des transactions en magasin, la quantité achetée est simplement d’une unité par produit. Donc, littéralement, la question est : vous avez un nombre, de combien de bits de précision avez-vous besoin ? Eh bien, la réponse est que, en moyenne, il vous faut environ deux bits de précision pour représenter, vous savez, un nombre dans un magasin, par exemple pour la quantité achetée.
Kieran Chandler: Mais pourquoi devrions-nous vraiment nous soucier du nombre de bits utilisés pour envoyer des données ? Parce que, je veux dire, si on regarde l’ensemble de la supply chain, est-ce que cela fait vraiment autant de différence ?
Joannes Vermorel: Dans l’ensemble, on pourrait penser qu’aujourd’hui, on peut acheter des disques durs de l’ordre du téraoctet dans littéralement les supermarchés de quartier pour à peine environ 200 ou quelque chose comme ça. On penserait donc que c’est super bon marché. Pourquoi m’en soucierais-je ? Eh bien, il s’est avéré que la performance de la plupart des calculs est littéralement déterminée par la taille des données. Si les données sont plus volumineuses, le traitement sera plus lent. Pourquoi ? Parce que le goulot d’étranglement n’est pas votre CPU, c’est simplement le chargement et le déchargement des données. Oui, vous pouvez acheter un disque dur d’un téraoctet, mais si vous essayez réellement de le remplir de données, il vous faudra probablement un ou même deux jours, simplement parce que le disque est lent. Ainsi, écrire ou lire entièrement les données sur le disque prend un temps très considérable. Donc, si vous pouvez réduire la taille des données, vous pouvez littéralement accélérer le processus.
Kieran Chandler: Alors, Joannes, pouvez-vous nous en dire plus sur la manière dont la taille des données affecte la vitesse des calculs en optimisation de la supply chain ?
Joannes Vermorel: De manière significative, le calcul – et quand je dis significativement, c’est que vous obtenez parfois des gains supra-linéaires. Ainsi, si vous réduisez la taille des données par deux, vous n’accélérez pas le calcul d’un facteur deux, mais de bien plus. Nous avons vu chez Lokad qu’il existe de nombreuses situations où, en réduisant les données d’un facteur 10, nous obtenions littéralement un gain de vitesse d’environ 50 fois. Et, encore une fois, si nous revenons à nos chiffres, nous utilisions un nombre en double précision, soit 64 bits. Au fait, ce que l’on appelle un bit en informatique, c’est simplement un zéro ou un un. Et donc, si vous avez un nombre représenté avec 64 bits, comparé à un nombre représenté avec seulement deux bits, eh bien, vous occupez littéralement 32 fois plus d’espace. Ainsi, si vous pouvez compacter considérablement ces nombres et transformer ces big data en données beaucoup plus petites, vous pouvez obtenir des calculs bien plus rapides. Et c’est ça : les supply chains doivent encore gérer ce type de grosses données financières en ce qui concerne certaines transactions qu’elles doivent réaliser.
Kieran Chandler: Alors, comment faites-vous la distinction entre ce qui doit constituer des données plus petites et ce qui doit rester des données plus volumineuses ?
Joannes Vermorel: Littéralement, vous voulez que votre supply chain specialist y prête attention. Vous voulez vraiment disposer d’une plateforme comme Lokad, vous savez, auto-promotion sans complexe, qui s’en charge pour vous. Mais, mon message global est que quelqu’un doit y prêter attention. Cela peut être votre fournisseur, s’il est très rigoureux avec sa pile technologique. Cela peut être votre département informatique s’il choisit ses outils avec soin. Mais, au final, quelqu’un doit y prêter attention. Si personne ne le fait, vous vous retrouvez avec des systèmes équipés de quantités massives de matériel informatique et des performances généralement complètement décevantes. Là où il faut littéralement des secondes pour obtenir un résultat, et même des calculs apparemment semi-triviaux prennent un temps considérable. L’idée qu’une supply chain puisse envisager tous les futurs possibles, toutes les probabilités, ou confronter cela à toutes les décisions possibles reste un rêve lointain, simplement parce que le système est déjà trop lent pour gérer un seul scénario. Ainsi, envisager un futur possible où le système doit traiter des millions de scénarios relève de la pure folie.
Kieran Chandler: Mais, si l’on considère tous les futurs possibles, toutes les décisions possibles, cela va sûrement à l’encontre de l’objectif principal qui est de réduire le coût en calcul. Car, en considérant tous les futurs possibles, cela va inévitablement multiplier ce coût informatique de loin, non ?
Joannes Vermorel: Oui, mais c’est le compromis dont je parlais. Si vous rendez vos calculs beaucoup plus rapides, vous ne voulez pas vous contenter d’un ordinateur super, super bon marché pour faire fonctionner toute votre supply chain. Vous savez, si nous utilisions encore les techniques des années 80 en matière d’optimisation de la supply chain, nous pourrions, sur un smartphone, gérer un Walmart. Nous pourrions littéralement faire fonctionner Walmart sur un smartphone. Ce n’est pas logique, mais si vous êtes prêt à relever le défi de démontrer que comment…
Kieran Chandler: Donc, Joannes, vous parliez de l’idée selon laquelle, lorsque le calcul devient moins cher, on adopte un modèle mathématique ou statistique plus puissant, n’est-ce pas ?
Joannes Vermorel: Oui, c’est exact. Lorsque le calcul devient moins cher, vous pouvez adopter un modèle plus puissant qui offre de meilleurs résultats en supply chain, au prix de consommer davantage de ressources informatiques. C’est un compromis.
Kieran Chandler: Et même si nous envisageons tous les futurs possibles, l’idée des lois des petits nombres s’applique toujours, n’est-ce pas ?
Joannes Vermorel: C’est exact. Même en envisageant tous les futurs possibles, il n’est pas nécessaire de considérer la probabilité de vendre un million de bouteilles de quoi que ce soit dans un seul magasin en une journée, car la probabilité est tout simplement nulle. La réalité est que, même pour un produit phare, il est très rare de vendre plus de 100 unités en une journée, et pour la grande majorité des produits, on ne s’attend qu’à vendre zéro unité. C’est en fait la majorité des produits. Par exemple, 80 % des produits dans un hypermarché ne se vendent même pas une fois par jour, et pour 95 % des produits, la question se résume à : est-ce que je vends ce produit à raison de zéro, une, deux ou trois unités par jour ? Et la probabilité d’atteindre même 10 unités est déjà extrêmement faible. Donc, tout est question des lois des petits nombres.
Kieran Chandler: D’accord, dans cet exemple d’hypermarché, ils traitent des milliers de transactions par jour et vous avez d’immenses stocks. Comment déterminez-vous les limites pour chacun des articles individuels ?
Joannes Vermorel: C’est là que vous avez besoin d’outils adéquats qui analysent les données historiques. Votre analyse est guidée parce que, lorsque vous examinez les données enregistrées, vous savez déjà certaines choses. De plus, un bon logiciel de supply chain, en particulier un logiciel prédictif comme Lokad, vous fournit dès le départ des informations. Vous savez que vous ne découvrez pas cela dans un hypermarché pour la première fois. Et oui, vous avez de nombreuses transactions et de nombreux produits vendus, mais quand vous examinez chaque produit individuellement, vous n’avez pas autant de transactions. Par exemple, si l’on considère qu’un produit aura un cycle de vie sur le marché d’environ trois ans avant d’être remplacé par un autre produit, et qu’il n’est même pas vendu quotidiennement, cela signifie que pour atteindre le seuil où 100 unités sont vendues dans l’ensemble de l’historique de ce produit — ce qui serait peut-être le niveau minimal à considérer —, il faut un nombre conséquent de ventes. Dire que 100 est un grand nombre relève d’un certain exagération, surtout dans le contexte de…
Kieran Chandler: D’un point de vue statistique, cela représente un seuil relativement bas. Cela pourrait en réalité prendre plus d’un an. Ce qui signifie que si vous disposez d’un outil statistique conçu autour de l’idée d’exploiter un grand nombre d’exemples, il faudra peut-être plus d’un an avant que votre outil ne devienne pertinent. Et rappelez-vous que nous parlons d’un produit qui n’aura qu’un cycle de vie d’environ trois ans, ce qui signifie que pendant un tiers de sa durée de vie, vos innombrables outils statistiques ne seront même pas pertinents.
Joannes Vermorel: D’accord, beaucoup d’entreprises consolident leurs ventes sur une base hebdomadaire ou mensuelle. Mais dans quelle mesure cela fonctionne-t-il si l’on se retrouve dans une sorte de course à la performance apparente ? Dans quelle mesure cela fonctionne-t-il par rapport au compromis de perdre un peu de granularité dans vos données ? C’est très intéressant, car, comme je l’ai dit, les problèmes liés aux lois des petits nombres sont omniprésents, et le problème, c’est que tous les outils, du moins les outils classiques, ne semblent pas prendre cela en compte. Or, les outils classiques sont bel et bien orientés vers les lois des grands nombres. Alors, que faites-vous ? Eh bien, vous agrégerez les données.
Kieran Chandler: Et pourquoi agrégez-vous ? Pas parce que c’est la solution idéale, mais simplement parce que c’est un moyen d’obtenir des résultats qui ne sont pas complètement dysfonctionnels. Vous ne le faites pas parce que c’est quelque chose d’intelligent et pertinent pour votre supply chain, mais simplement parce que, sinon, votre logique basée sur les moyennes s’effondrerait, car ce que vous essayez implicitement d’exploiter, c’est la loi des grands nombres.
Joannes Vermorel: Vous consolidez donc, mais le problème est que, par exemple, en agrégeant les décisions à un niveau mensuel pour obtenir des volumes plus importants, vos décisions en supply chain continuent d’être prises au quotidien. Oui, vous obtenez une meilleure analyse mensuelle simplement parce que vous avez agrégé toutes les données, mais vous continuez de prendre des décisions jour après jour, et il s’avère que l’analyse mensuelle ne vous renseigne pas sur ce qui se passe à l’intérieur du mois. Par exemple, vous savez qu’au cours d’un mois, 100 unités sont consommées en moyenne. Mais aujourd’hui, dois-je envoyer zéro, une ou trois unités au magasin ? Des décisions similaires existent également lorsque vous agréguez non pas selon le temps, mais selon la catégorie.
Kieran Chandler: Donc, si vous dites, par exemple, qu’aujourd’hui, en ce qui concerne les sodas, j’ai vendu 500 unités, oui, mais que cela est réparti sur 100 références produits, cela n’aide pas vraiment car, au final, en supply chain, vous ne prenez pas de décision au niveau de la catégorie, par exemple pour le rayon des produits frais de votre hypermarché. Vous prenez une décision sur cette référence produit spécifique et sur ce qu’il faut en faire. D’accord, nous commençons donc à conclure pour quelqu’un qui regarde cela, et sur quoi devrait-il se concentrer pour exploiter au mieux la puissance de traitement à sa disposition ?
Joannes Vermorel: Ils devraient vraiment commencer à observer, à revoir, par exemple d’un point de vue statistique, je suggère vivement de repasser en revue toutes les hypothèses de base. Chaque fois que quelqu’un vous dit : “Oh, nous avons stocks de sécurité,” en affirmant qu’il s’agit de distributions normales, il faut vraiment se poser la question.
Kieran Chandler: Est-ce que j’aborde le problème avec des outils statistiques adaptés aux lois des petits nombres auxquels je suis confronté ? Et la plupart des statistiques du 19e siècle que les gens utilisent de nos jours sont clairement orientées vers les lois des grands nombres. Ma suggestion est donc de prendre conscience que les outils que vous utilisez ne sont pas conçus pour le type de situation auquel vous êtes confronté. Et encore, nous retombons dans la pseudoscience et le faux rationalisme. Ce n’est pas parce que vous utilisez un outil mathématique que cela le rend rationnel. Peut-être que votre cadre statistique repose sur des hypothèses de base qui sont tout simplement violées par votre domaine. Je dirais donc : repassez aux fondamentaux, assurez-vous de ne rien manquer d’important.
Joannes Vermorel: Oui, c’est exact. Et puis, en ce qui concerne la sympathie mécanique, mon message est le suivant : c’est un peu comme les grands champions de Formule 1. Quand vous regardez les interviews des champions, ils en savent long sur leurs voitures. Ils ne savent pas comment construire une voiture de Formule 1, mais ils comprennent parfaitement la mécanique. Ils possèdent ce que l’on appelle la sympathie mécanique. Ils savent beaucoup de choses sur le fonctionnement de la voiture afin de pouvoir tirer le meilleur parti de la machine dont ils disposent. Ils maîtrisent littéralement de nombreux aspects, comme la combustion, la résonance, la température idéale des pneus pour une adhérence maximale au sol. Je veux dire, ils connaissent en profondeur les aspects techniques et la physique de leur moteur. Et c’est ainsi qu’ils parviennent à devenir de véritables pilotes d’exception. Il ne s’agit pas simplement d’être doué pour la conduite, mais de connaître l’outil que vous utilisez. Et je pense que la supply chain est un peu similaire. Vous ne pilotez pas une supply chain uniquement par la force brute. De nos jours, vous avez des ordinateurs pour vous assister. Mais si vous voulez vraiment exceller, vous n’avez pas besoin de devenir un ingénieur capable de construire une Formule 1. Ce n’est pas cela qui définit un pilote. Un pilote n’est pas l’ingénieur mécanique capable de concevoir la prochaine génération de moteur, mais il sait comment en tirer le meilleur parti. Ma suggestion est donc d’acquérir une sympathie mécanique suffisante pour tous ces systèmes informatiques qui soutiennent votre supply chain, afin de savoir intuitivement ce qui fait fonctionner ces systèmes et comment vous pouvez vraiment maximiser leurs performances.
Kieran Chandler: C’est une très bonne analogie. Donc, ce que nous observons actuellement dans l’industrie, c’est…
Kieran Chandler: Alors, plus de données et les gens collectent de plus en plus de données pour prendre toutes sortes de décisions. Diriez-vous que cette perspective s’éloigne de la loi des petits nombres et que l’on se dirige plutôt vers une perspective de big data?
Joannes Vermorel: Encore, le problème avec cela, c’est que les données les plus importantes sont toujours en petit nombre. Oui, vous pouvez collecter une quantité massive de données sur votre site web concernant le trafic, mais si vous regardez le trafic d’un produit peu connu, malheureusement, les produits peu connus constituent environ 80 % de ce que les entreprises vendent en moyenne. Vous savez, c’est évidemment ce détail, et vous réaliserez ensuite que vous n’avez qu’une poignée de visiteurs web par jour. Ce n’est donc pas, oui, vous pourriez avoir des millions de clics, mais lorsque vous réduisez cela à l’échelle temporelle qui compte, qui est généralement le jour ou même au sein de la journée, parce que vos décisions supply chain sont prises quotidiennement, voire en sous-quotidien. Si vous examinez la granularité qui importe, c’est-à-dire le produit, la référence au niveau le plus bas, donc la taille exacte, la couleur exacte, la forme exacte, vous savez, la variante exacte, et non le produit générique, car en supply chain, vous ne décidez pas de produire un t-shirt générique. Vous produisez un t-shirt de cette couleur, de cette taille, de cette forme. Ainsi, lorsque vous commencez à regarder au niveau le plus bas, qui est celui qui importe, vous revenez à des données limitées. Donc oui, les gens disent faire du big data, mais la réalité est que, lorsque vous regardez la supply chain du point de vue de ce qui est pertinent, ce n’est en réalité pas si grand. Et le plus grand, et j’aurais souhaité que ce fût le cas, car d’un point de vue statistique, cela serait tellement plus facile, vous savez, mais ce n’est pas le cas. Alors, ne soyez pas confus. Je crois que ce big data induit les gens en erreur, vous savez, c’est extrêmement trompeur parce qu’ils peuvent penser: “Oh, c’est bon, j’ai des millions de points de données.” Non, encore une fois, si vous regardez une usine, même celles qui produisent des millions d’unités, la question est: combien de lots produisez-vous? Et peut-être qu’en termes de lots, vous n’en avez qu’un nombre à un seul chiffre. Et l’usine ne fonctionne en ce mode que depuis les deux dernières années. Nous parlons donc de quelques centaines de lots, et c’est tout. Ce n’est pas énorme, même si vous collectez une grande quantité d’air.
Kieran Chandler: D’accord, il faudra conclure sur le fait renversant qu’en termes de données, moins c’est peut-être plus. Voilà, c’est tout pour cette semaine. Merci beaucoup d’avoir été à l’écoute, et nous vous retrouverons dans le prochain épisode. Merci d’avoir regardé, vous.