La loi des petits nombres en Supply Chain

00:00:07 Introduction et importance des petits nombres dans la performance de la Supply Chain.
00:01:00 Comment les petits nombres affectent la performance et le coût du calcul.
00:03:33 L’histoire et l’évolution de la précision numérique dans la finance et les systèmes de Supply Chain.
00:06:00 L’impact de la taille des données sur la performance de calcul et les goulots d’étranglement.
00:07:44 Obtenir une accélération significative du calcul en réduisant la taille des données.
00:08:47 L’importance de prêter attention à la pile technologique et aux outils dans l’optimisation de la Supply Chain.
00:10:17 Équilibrer le coût du calcul et des modèles mathématiques plus puissants pour de meilleurs résultats en Supply Chain.
00:12:50 Analyser les données historiques et utiliser un logiciel prédictif 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 Revoir les hypothèses statistiques de base 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 la perspective du big data.
00:23:20 Conclusion : moins de données peuvent être plus efficaces dans certaines situations.

Résumé

Joannes Vermorel, fondateur de Lokad, une entreprise de logiciels d’optimisation de la Supply Chain, discute de la loi des petits nombres et de son impact sur la performance de la Supply Chain 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 l’accent sur la nécessité d’une plus grande sympathie en matière de conception pour obtenir des gains de performance, le compromis entre l’efficacité de calcul et l’examen de tous les futurs et décisions possibles, ainsi que le défi d’utiliser des modèles statistiques dans des environnements de vente au détail complexes. L’interview souligne l’importance d’équilibrer les ressources de calcul et la modélisation sophistiquée pour optimiser la performance de la Supply Chain.

Résumé étendu

Dans cette interview, Kieran Chandler s’entretient avec Joannes Vermorel, fondateur de Lokad, une entreprise de logiciels spécialisée dans l’optimisation de la Supply Chain. Ils discutent de la loi des petits nombres et de son potentiel pour 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 chaînes d’approvisionnement. Bien que les codes-barres puissent comporter de nombreux chiffres, ils servent d’identifiants plutôt que de quantités. Les quantités dans les chaînes d’approvisionnement ont tendance à impliquer des nombres très petits, ce qui est surprenant car la plupart des statistiques sont axées sur les lois des grands nombres. Cette observation est importante car elle met en évidence la nécessité d’une plus grande sympathie en matière de conception afin d’obtenir des gains de performance, surtout que le taux d’amélioration de la puissance de traitement ralentit.

L’interview aborde ensuite l’impact des petits nombres sur le calcul. Vermorel affirme que bien que les ordinateurs puissent traiter n’importe quel nombre, ils peuvent effectuer des calculs beaucoup plus rapidement si les bons nombres sont choisis. Par exemple, les ordinateurs peuvent être 10 à 20 fois plus rapides pour effectuer des opérations banales avec des nombres si les bons nombres sont sélectionnés. Cela peut faire une différence significative dans les performances globales d’un système d’optimisation de la Supply Chain.

Kieran demande à Vermorel d’expliquer la différence entre l’envoi de nombres entre les systèmes et la réalité physique du matériel informatique. Vermorel souligne que le coût du traitement et du calcul des données est important pour l’optimisation de la Supply Chain. Les ordinateurs sont devenus moins chers en termes de puissance de traitement brute, ce qui permet de développer des algorithmes plus puissants pour améliorer la précision des prévisions et les performances de la Supply Chain. Cependant, l’équilibre entre le coût de calcul et les performances de la Supply Chain est crucial.

Vermorel soutient que si les coûts de calcul bruts sont considérablement réduits, cela ne signifie pas que les coûts informatiques disparaîtront. Au contraire, les entreprises exploiteront leurs nouvelles ressources pour développer des modèles plus complexes, ce qui augmentera finalement les coûts de calcul. Par conséquent, il est nécessaire de prêter attention à l’impact des petits nombres sur les coûts de calcul afin d’optimiser les performances de la Supply Chain.

La discussion portait sur les origines des besoins de calcul arithmétique dans les systèmes d’entreprise, qui provenaient principalement du monde de la finance. Les premiers systèmes d’entreprise ont été conçus en tenant compte des calculs financiers, et cette histoire a des implications sur la façon dont les petits nombres sont utilisés et compris dans le contexte de l’optimisation de la Supply Chain.

La loi des petits nombres a le potentiel d’améliorer considérablement les performances 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 de calcul et les performances de la Supply Chain, les entreprises peuvent développer des modèles plus complexes et obtenir de meilleurs résultats en termes d’optimisation.

Vermorel explique comment les pratiques de la Supply Chain adoptées des industries de la finance et de la comptabilité dans les années 70 et 80 ont conduit à l’utilisation d’une précision numérique élevée dans les systèmes de la Supply Chain. Le besoin d’une grande précision en finance et en comptabilité est né d’une série de fraudes au début des années 80, où des erreurs d’arrondi étaient exploitées pour détourner des millions de dollars.

Cependant, la grande précision utilisée en finance n’est pas toujours nécessaire dans la gestion de la Supply Chain. Vermorel observe que dans 80% des transactions en magasin, la quantité d’un produit acheté n’est que d’un seul. Cela signifie qu’en moyenne, seulement deux bits de précision sont nécessaires pour représenter les quantités dans un magasin. Kieran remet en question l’importance de la taille des données dans le contexte de la gestion de la Supply Chain, compte tenu de l’accessibilité des dispositifs de stockage avec des téraoctets de capacité.

Vermorel précise que les performances de la plupart des calculs sont déterminées par la taille des données, car le goulot d’étranglement réside dans le chargement et le déchargement des données plutôt que dans les capacités de traitement du CPU. Il souligne que la réduction de la taille des données peut entraîner des gains significatifs, voire superlinéaires, de vitesse de calcul. Par exemple, lorsque Lokad a réussi à réduire la taille des données d’un facteur de 10, ils ont constaté une accélération de 50 fois dans les calculs.

Le défi pour la gestion de la Supply Chain est de différencier les données qui nécessitent une grande précision de celles qui peuvent être représentées avec moins de précision. Vermorel suggère qu’une plateforme comme Lokad peut gérer cette tâche, en soulignant l’importance de quelqu’un qui prête attention à la pile technologique ou aux outils utilisés par le service informatique. Ignorer l’optimisation des données peut entraîner des systèmes avec un matériel informatique massif mais des performances décevantes.

Vermorel aborde également le compromis entre l’efficacité de calcul et l’objectif d’examiner tous les futurs possibles et les décisions dans l’optimisation de la Supply Chain. En rendant les calculs plus rapides, il devient possible d’analyser plus de scénarios sans augmenter de manière significative les coûts de calcul.

Ils discutent de l’optimisation de la Supply Chain et des défis liés à l’utilisation de modèles statistiques. Il souligne que l’utilisation de moyennes mobiles et d’autres modèles simples n’est pas suffisante pour les environnements de vente au détail complexes, tels que les hypermarchés, où il est nécessaire d’utiliser 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’il s’agit d’un grand nombre de produits avec peu de transactions quotidiennes. Les approches statistiques traditionnelles, qui reposent sur la loi des grands nombres, sont souvent inadaptées dans ces situations. Pour surmonter cela, 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 de mauvaises prises de décision, car les décisions de la Supply Chain sont toujours prises quotidiennement.

La conversation suggère que des logiciels avancés de Supply Chain, comme Lokad, peuvent fournir de meilleurs conseils en analysant les données historiques et en tenant compte des cycles de vie des produits. Il est crucial que de tels outils soient conçus en tenant compte de la réalité des petits nombres, car ils doivent souvent être pertinents pendant une grande partie de la durée de vie d’un produit. En fin de compte, l’interview met en évidence l’importance d’équilibrer les ressources informatiques et la modélisation sophistiquée pour optimiser les performances de la Supply Chain.

Le fondateur souligne l’importance de remettre en question les hypothèses fondamentales et d’utiliser des outils statistiques appropriés dans l’optimisation 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 de la Supply Chain à plus petite échelle. Vermorel suggère également que les praticiens devraient développer une “sympathie mécanique” pour leurs systèmes de Supply Chain, comme le font les pilotes de Formule 1 pour leurs voitures, afin de maximiser les performances. Malgré l’augmentation de la collecte de données, Vermorel soutient que les données pertinentes pour la Supply Chain restent souvent limitées, ce qui peut être trompeur lors de l’application de perspectives de big data.

Transcription complète

Kieran Chandler: Aujourd’hui sur Lokad TV, nous allons discuter de la loi des petits nombres et de la façon dont elle peut être exploitée pour améliorer les performances de la Supply Chain. Alors Joannes, en tant qu’entreprise spécialisée dans les big data, il est probablement surprenant que nous parlions aujourd’hui de petits nombres. 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. Lorsque 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 avec 13 ou 14 chiffres, mais c’est plutôt un identifiant, pas une quantité. Donc, lorsque vous regardez des choses qui ressemblent à des quantités, ce qui est très surprenant, c’est que ce sont toujours de très petits nombres tout le temps. Lorsque je dis de très petits nombres, je veux dire des nombres à un seul chiffre, très petits, comme super petits. C’est intrigant car la plupart des statistiques sont axées sur les lois des grands nombres. En termes de calcul, on pourrait penser que cela n’a pas d’importance, mais il s’avère que cela en a beaucoup, vraiment.

Kieran Chandler: Pouvez-vous expliquer un peu plus en quoi cela compte pour le calcul ?

Joannes Vermorel: Pour un ordinateur, un nombre est 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 être environ 10 à 20 fois plus rapide. Donc, cela fait une grande différence à la fin. Ce n’est pas juste une petite différence.

Kieran Chandler: D’accord, donc pour les personnes qui ne sont peut-être pas conscientes 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 un autre ?

Joannes Vermorel: Ici, nous entrons dans les détails de la réalité physique du matériel informatique que nous avons. Cela compte car, si vous voulez optimiser la Supply Chain ou optimiser quantitativement la Supply Chain, vous allez effectuer beaucoup de traitement et de calcul de données, ce qui coûte de l’argent. Même si les ordinateurs sont devenus beaucoup moins chers qu’auparavant, il y a toujours un équilibre entre le coût de calcul et les performances de la Supply Chain que vous pouvez atteindre. Si votre coût de calcul brut est considérablement réduit, alors vous pourriez dire que les coûts informatiques vont disparaître. Cependant, ce n’est pas vrai car vous allez exploiter vos nouvelles ressources pour avoir un modèle plus complexe, ce qui, à son tour, vous donne la prochaine étape de précision de prévision ou de performance en termes d’optimisation de la Supply Chain.

Kieran Chandler: Cela peut être meilleur et donc, vous savez, cela augmentera simplement à son tour. Euh, le coût de calcul, donc vous devez y prêter un peu d’attention. Maintenant, revenons à ces nombres et aux petits nombres inférieurs dans les ordinateurs. Euh, plus particulièrement dans les systèmes d’entreprise. La plupart des besoins en calcul arithmétique sont issus, je dirais, du monde de la finance. Les premiers systèmes d’entreprise étaient tous axés sur, vous savez, la comptabilité, la finance, la Supply Chain. C’est ce qui est apparu dans les années 70. La Supply Chain est arrivée un peu plus tard dans les années 80, et, euh, beaucoup des pratiques qui étaient déjà établies à l’époque, notamment en ce qui concerne les nombres de haute précision, ont été importées dans la Supply Chain. Alors pourquoi avez-vous besoin d’une précision numérique super élevée pour l’argent ?

Joannes Vermorel: Eh bien, il s’est avéré qu’au début des années 80, il y avait beaucoup de fraudes relativement spectaculaires où les gens utilisaient simplement le fait que, lorsque vous arrondissez les centimes, vous pouvez réellement créer de la magie. Vous pouvez réellement voler de l’argent si vous arrondissez quelques centimes dans chaque transaction que votre entreprise effectue. Et c’est complètement invisible pour le système car cela a été arrondi, mais en réalité, c’était de l’argent réel. Et certaines personnes, lorsque vous aviez des milliards de transactions, parvenaient à extraire littéralement des millions de dollars du système en prenant seulement la fraction d’un centime et en les 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 en conséquence, vous avez des nombres qui sont super, super précis par défaut dans à peu près tous les systèmes. Et vous devez vous demander quelle est la quantité habituelle qui va être achetée par un client dans un magasin ? Et notre réponse chez Lokad, parce que nous observons les données, est que 80% des transactions dans le magasin ont une quantité de seulement un pour le produit. Donc, littéralement, la question est, vous avez un nombre, combien de bits de précision avez-vous besoin ? Eh bien, la réponse est que vous avez besoin d’environ deux bits de précision en moyenne 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 nous regardons toute la Supply Chain, est-ce que cela fait vraiment une si grande différence ?

Joannes Vermorel: Donc, dans le grand schéma des choses, vous penseriez qu’aujourd’hui, vous pouvez acheter des disques durs de plusieurs téraoctets dans vos supermarchés locaux pour seulement quelque chose comme 200 ou quelque chose comme ça. Donc, vous penseriez que c’est super bon marché. Pourquoi est-ce que je m’en soucie même ? Eh bien, il s’est avéré que les performances de la plupart des calculs sont littéralement déterminées par la taille des données. Si les données sont plus grandes, elles seront plus lentes. 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 remplir ce disque dur avec des données, cela va probablement vous prendre un ou même deux jours, simplement parce que le disque est lent. Et donc, simplement écrire des données sur le disque ou lire le disque entièrement prend beaucoup de temps. Donc, encore une fois, si vous pouvez simplement minimiser les données, vous pouvez littéralement accélérer.

Kieran Chandler: Alors, Joannes, pouvez-vous nous en dire plus sur la façon dont la taille des données affecte la vitesse des calculs dans l’optimisation de la Supply Chain ?

Joannes Vermorel: De manière significative, le calcul et quand je dis significativement, généralement vous avez même des gains super linéaires. Donc, si vous divisez la taille des données par deux, vous n’accélérez pas le calcul de deux, vous l’accélérez de plus de deux. Nous avons constaté chez Lokad de nombreuses situations où si nous parvenions à réduire la taille des données d’un facteur de 10, nous obtenions littéralement une accélération de 50 fois. Et, si nous revenons à nos chiffres, revenons-y, nous avions un nombre en double précision donc 64. Au fait, ce qu’on appelle le bit en informatique, c’est juste un zéro un. Et donc, si vous avez un nombre représenté avec 64 bits, comparé à un nombre représenté avec seulement deux bits, eh bien vous avez littéralement 32 fois plus. Vous savez, cela prend un nombre littéralement 32 fois plus d’espace. Donc, si vous pouvez compacter considérablement ces nombres et transformer ces big data en données beaucoup plus petites, vous pouvez avoir une compétition beaucoup plus rapide. Et, c’est ça, les supply chains sont encore en train de traiter toutes ces grosses données financières en termes de certaines des transactions qu’elles doivent effectuer.

Kieran Chandler: Alors, comment faites-vous pour trier entre ce qui doit être des données plus petites et ce qui devrait être des données plus grandes ?

Joannes Vermorel: Littéralement, vous voulez que votre spécialiste de la supply chain y prête attention. Vous voulez vraiment avoir une plateforme comme Lokad, vous savez, petit coup de pub, qui le fait pour vous. Mais, mon message, vous savez, mon message plus large, c’est que quelqu’un doit y prêter attention. Cela peut être votre fournisseur s’il est très attentif à sa pile technologique. Cela peut être votre service informatique s’il est très attentif aux outils qu’il choisit. Mais, à la fin, quelqu’un doit y prêter attention. Si personne n’y prête attention, vous vous retrouvez avec des systèmes où vous avez énormément de matériel informatique et des performances généralement complètement décevantes. Où il faut littéralement des secondes pour obtenir un résultat, et même des calculs apparemment semi-triviaux prennent beaucoup de temps. L’idée d’avoir la supply chain qui examine tous les futurs possibles, les probabilités, les confronter à toutes les décisions possibles ou cette idée reste juste un rêve lointain simplement parce que le système est déjà si lent pour faire face à un seul scénario. Donc, un futur possible que l’idée que le système traite des millions de futurs possibles est une pure folie.

Kieran Chandler: Mais, si nous examinons tous les futurs possibles, toutes les décisions possibles, cela va sûrement à l’encontre de l’objectif global qui est de réduire le coût de calcul. Mais si vous examinez tous les futurs possibles, cela va sûrement multiplier ce coût de calcul par beaucoup plus ?

Joannes Vermorel: Oui, mais c’est le compromis que je décrivais. Si vous rendez votre calcul beaucoup plus rapide, vous ne voulez pas simplement avoir un ordinateur super super bon marché pour exécuter toute votre supply chain. Vous savez, si nous utilisions encore les techniques utilisées dans les années 80 en termes d’optimisation de la supply chain, nous pourrions, sur un smartphone, exécuter un Walmart. Nous pourrions littéralement exécuter Walmart sur un smartphone. Cela n’a aucun sens de le faire, mais si vous êtes simplement à la hauteur du défi de prouver le point que comment…

Kieran Chandler: Alors, Joannes, vous parliez du fait que l’idée est que lorsque le calcul devient moins cher, vous adoptez 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 matière de supply chain au détriment de la consommation de ressources informatiques. C’est un compromis.

Kieran Chandler: Et même si nous disons que nous examinons tous les futurs possibles, l’idée même des lois des petits nombres s’applique toujours, n’est-ce pas ?

Joannes Vermorel: C’est exact. Même si nous examinons tous les futurs possibles, nous n’avons pas besoin de nous préoccuper de la probabilité de vendre un million de bouteilles de quoi que ce soit dans un seul magasin en une seule journée, car la probabilité est simplement nulle. La réalité est que même pour un produit phare, il est très rare que vous vendiez plus de 100 unités par jour, et pour la grande majorité des produits, vous ne regardez que des unités zéro qui vont être vendues. C’est en fait la majorité des produits. Environ 80% des produits dans l’hypermarché ne sont même pas vendus une fois par jour, et pour 95% des produits, la question sera seulement : est-ce que je vends ce produit zéro, une, deux ou trois unités chaque jour donné ? Et la probabilité que vous puissiez atteindre même 10 unités est déjà extrêmement faible. Donc, tout est une question de lois des petits nombres.

Kieran Chandler: D’accord, donc dans ce genre d’exemple d’hypermarché, ils traitent des milliers de transactions par jour, et vous avez de gros stocks. Comment savez-vous où fixer les limites pour chaque article individuel ?

Joannes Vermorel: C’est là que vous avez besoin d’outils appropriés qui analysent les données historiques. Vous êtes guidé dans votre analyse car lorsque vous regardez les données enregistrées, vous savez, mais aussi un bon logiciel de supply chain, en particulier un logiciel prédictif comme Lokad, il y a des choses que vous savez d’avance. 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 lorsque vous regardez chaque produit individuellement, vous n’avez pas autant de transactions. Je veux dire, si vous considérez le fait qu’un produit va avoir un cycle de vie sur le marché d’environ trois ans, puis il sera remplacé par un autre produit. Si vous considérez le fait que le produit n’est même pas vendu tous les jours, cela signifie que peut-être pour atteindre un point où vous avez 100 unités vendues dans toute l’histoire de cet ensemble de produits, ce qui serait peut-être le niveau le plus bas que vous devez considérer, vous avez un grand nombre. Je veux dire, dire que 100 est un grand nombre est assez exagéré, surtout pour un…

Kieran Chandler: Donc, d’un point de vue statistique, mais vous savez que ce serait comme une barre basse pour cela. Il pourrait en fait falloir plus d’un an. Donc, cela signifie que si vous avez un outil statistique conçu autour de cette idée que vous pourrez exploiter de nombreux grands nombres, il faudra peut-être plus d’un an pour que votre outil devienne même pertinent. Et rappelez-vous que nous parlons d’un produit qui n’aura qu’un cycle de vie de trois ans, donc cela signifie que pendant un tiers de sa durée de vie, vous, les deux nombreux outils statistiques, ne seront même pas pertinents.

Joannes Vermorel: D’accord, beaucoup d’entreprises consolident leurs ventes par semaine ou par mois, et comment cela fonctionne-t-il si vous êtes dans un jeu de performance perçu. 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 j’ai dit, vous savez, vous avez ces problèmes de lois des petits nombres qui sont omniprésents, et le problème est que tous les outils, du moins les outils classiques, ne les prennent certainement pas en compte. Mais les outils classiques sont certainement orientés vers les lois des grands nombres. Alors que faites-vous ? Eh bien, vous agrégez des choses.

Kieran Chandler: Et pourquoi agrégez-vous, pas parce que c’est la bonne chose à faire, mais simplement parce que c’est une façon de ne pas obtenir des résultats complètement dysfonctionnels, mais vous ne le faites pas parce que c’est intelligent et pertinent pour votre supply chain. Vous le faites simplement parce que sinon, votre logique basée sur les moyennes s’effondrerait, car, encore une fois, implicitement, ce que vous essayez d’exploiter, c’est la loi des grands nombres.

Joannes Vermorel: Donc, en effet, vous consolidez, mais le point est que lorsque vous consolidez, par exemple, les décisions jusqu’à une agrégation mensuelle afin d’obtenir des chiffres plus importants, le problème est que vos décisions de supply chain sont toujours prises quotidiennement. Donc, oui, vous avez une meilleure analyse mensuelle simplement parce que vous avez consolidé toutes les données, mais vous prenez toujours des décisions quotidiennes, et il s’avère que votre analyse mensuelle ne vous dit rien sur ce qui se passe dans le mois. Donc, oui, vous savez qu’en un mois, en moyenne, 100 unités sont consommées. Maintenant, aujourd’hui, devrais-je envoyer zéro, un ou trois unités au magasin ? Et des décisions similaires existent également lorsque vous agrégez non pas dans le temps, mais par catégorie.

Kieran Chandler: Donc, si vous dites, par exemple, d’accord, aujourd’hui en termes de sodas, j’ai vendu 500 unités, oui, mais cela s’est réparti sur 100 références de produits, donc cela n’aide pas vraiment car, en fin de compte, dans la supply chain, vous ne prenez pas de décision au niveau de la catégorie, comme par exemple les segments de produits frais. Vous ne prenez pas de décision au niveau du segment des produits frais de votre hypermarché. Vous prenez une décision sur cette référence de produit spécifique et sur ce qui devrait en être fait. D’accord, nous commençons à conclure alors pour quelqu’un qui regarde cela, que devraient-ils chercher à exploiter afin d’introduire cette symphonie de conception et de tirer le meilleur parti de la puissance de traitement qui est à portée de main ?

Joannes Vermorel: Ils devraient vraiment commencer à revoir. Tout d’abord, je dirais du côté statistique, je suggère vraiment de revoir toutes les hypothèses de base. Je veux dire, chaque fois que les gens vous disent : “Oh, nous avons des stocks de sécurité”, oui, ce sont des distributions normales. Encore une fois, est-ce que cela devrait vraiment vous interroger.

Kieran Chandler: Est-ce que j’examine le problème avec les outils statistiques pertinents pour les lois des petits nombres auxquelles je suis confronté ? Et la plupart des statistiques du XIXe siècle que les gens utilisent de nos jours sont clairement orientées vers les lois des grands nombres. Donc, ma suggestion est de prendre conscience que les outils que vous utilisez ne sont pas conçus pour le type de situation auquel vous êtes confronté. Et encore une fois, nous en revenons à la pseudoscience et au faux rationalisme. Ce n’est pas parce que vous utilisez un outil mathématique que cela le rend rationnel. Peut-être que votre cadre statistique est basé sur des hypothèses de base qui sont simplement violées par votre domaine. Donc, je dirais, revoir les bases, assurez-vous de ne pas passer à côté de quelque chose d’important.

Joannes Vermorel: Oui, c’est vrai. Et puis, en termes de sympathie mécanique, mon message est le suivant : c’est un peu comme les grands champions de Formule 1. Lorsque vous voyez des interviews des champions, ils en savent beaucoup sur leurs voitures. Ils ne savent pas comment construire une Formule 1, mais ils connaissent la mécanique. Ils ont ce qu’on appelle la sympathie mécanique. Ils en savent beaucoup sur le fonctionnement de la voiture afin de pouvoir vraiment tirer le meilleur parti de la machine qu’ils ont. Et ils en savent beaucoup sur la combustion, sur la résonance, sur la bonne température des pneus que vous avez, sur l’adhérence maximale au sol. Je veux dire, ils en savent beaucoup sur les aspects techniques et la physique de leur moteur. Et c’est ainsi qu’ils peuvent devenir de très bons pilotes. Ce n’est pas seulement être bon en conduite, c’est connaître l’outil que vous utilisez. Et je pense que la supply chain est un peu comme ça. Vous ne pilotez pas une supply chain uniquement avec la force musculaire. De nos jours, vous avez des ordinateurs pour vous soutenir. Mais si vous voulez vraiment être très bon, vous n’avez pas besoin de devenir un ingénieur capable de produire une Formule 1. Ce n’est pas un pilote. Un pilote n’est pas l’ingénieur mécanique capable de concevoir la prochaine génération de moteur. Mais ils en savent beaucoup pour en tirer le meilleur parti. Donc, ma suggestion est d’acquérir suffisamment de sympathie mécanique pour tous ces systèmes informatiques qui soutiennent votre supply chain, afin de savoir intuitivement ce qui fait fonctionner ces choses et comment vous pouvez vraiment maximiser les performances que vous avez.

Kieran Chandler: C’est une très bonne analogie. Donc, ce que nous voyons un peu en ce moment aussi dans l’industrie, c’est…

Kieran Chandler: Donc, plus de données et les gens collectent de plus en plus de données pour prendre toutes leurs décisions. Diriez-vous que cette perspective s’éloigne de plus en plus de la loi des petits nombres et que les gens se dirigent de plus en plus vers une perspective de big data ?

Joannes Vermorel: Encore une fois, le problème avec cela est que les données les plus importantes sont toujours en petit nombre. Oui, vous pouvez collecter une énorme quantité de données sur votre site web pour le trafic, mais si vous regardez le trafic pour un produit obscur, malheureusement, les produits obscurs représentent environ 80% de ce que les entreprises vendent en moyenne. Vous savez, c’est évidemment ce détail, et ensuite vous vous rendrez compte que vous n’avez que quelques visiteurs sur votre site par jour. Donc ce n’est pas, oui, vous pouvez avoir des millions de clics, mais lorsque vous le ramenez à l’échelle de temps qui compte, qui est généralement la journée ou dans la journée car vos décisions de supply chain sont prises quotidiennement, voire plusieurs fois par jour. Si vous regardez la granularité qui compte, qui est le produit, la référence au niveau le plus bas, donc la taille exacte, la couleur exacte, la forme exacte, vous savez, la variante exacte, pas 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. Donc lorsque vous commencez à regarder cela au niveau le plus bas, qui est celui qui compte, vous revenez à des données limitées. Donc oui, les gens disent qu’ils font du big data, mais la réalité est que lorsque vous regardez la supply chain à travers les yeux de ce qui est pertinent, ce n’est pas si énorme que ça en réalité. Et le plus gros, et j’aimerais que ce soit le cas car d’un point de vue statistique, ce serait tellement plus facile, vous savez, mais ce n’est pas le cas. Donc ne vous laissez pas tromper. Je crois que ce big data donne aux gens, vous savez, c’est super trompeur car 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 les usines qui produisent des millions d’unités, la question est combien de lots produisez-vous, et peut-être en termes de lots, vous avez quelque chose comme un nombre à un chiffre de lots. Et vous n’avez eu l’usine fonctionnant avec ce mode que pendant les deux dernières années. Donc nous parlons de quelques centaines de lots, et c’est tout. Ce n’est pas si important, même si vous collectez une grande quantité d’air.

Kieran Chandler: D’accord, nous devrons en rester là avec la bombe que, en termes de données, moins c’est peut-être plus. Donc c’est tout pour cette semaine. Merci beaucoup de nous avoir suivi, et nous vous retrouverons dans le prochain épisode. Merci de nous avoir regardé, vous.