Recettes Numériques pour Supply Chain

00:00:07 La science de la supply chain et la création de recettes numériques.
00:03:21 La différence entre les algorithmes et les recettes numériques.
00:05:21 Explication de la manière dont les recettes numériques sont mieux adaptées à la résolution de problèmes embrouillés dans les supply chain par rapport aux algorithmes.
00:06:00 Discussion sur la présence des algorithmes dans les entreprises de logiciels et le danger d’avoir une vision déformée des problèmes du monde réel.
00:07:48 Comparaison entre l’optimisation d’une seule vis dans une machine et le grand problème des supply chain.
00:08:02 Discussion sur l’importance des recettes numériques dans la résolution des problèmes de supply chain.
00:08:54 Comparaison des algorithmes et des recettes numériques en termes d’objectivité.
00:09:44 Explication de la manière dont la subjectivité des recettes numériques rend l’expertise d’un Supply Chain Scientist cruciale.
00:13:02 L’importance d’aligner la solution avec le problème et de minimiser le risque d’erreurs.
00:15:52 Discussion sur la nécessité de processus et d’outillages pour prévenir les erreurs et améliorer la qualité de la solution.
00:17:16 Explication des problèmes pouvant survenir avec les recettes numériques.
00:18:07 Discussion sur la manière dont les entreprises du secteur de la supply chain fonctionnent grâce aux recettes numériques.
00:20:01 Critique de l’inadéquation des outillages pour résoudre les problèmes de supply chain.
00:22:00 L’importance des recettes numériques pour être approximativement justes et agiles face aux problèmes de supply chain.

Résumé

Dans une interview, Joannes Vermorel, le fondateur de Lokad, discute du concept de recettes numériques dans l’optimisation de supply chain. Il soutient que les algorithmes et le machine learning peuvent donner une fausse impression d’objectivité et de limites bien définies entre problèmes et solutions, et que les recettes numériques constituent une meilleure approche pour gérer la nature complexe et évolutive des problèmes réels de supply chain. Vermorel souligne l’importance d’une bonne adéquation, d’une justesse par conception et d’un outillage de qualité pour prévenir les erreurs et assurer le succès de l’optimisation de supply chain. Il estime que les recettes numériques sont essentielles pour réussir dans l’univers imprévisible des supply chain.

Résumé Étendu

Dans cette interview, Kieran Chandler et Joannes Vermorel, le fondateur de Lokad, discutent du concept de recettes numériques dans l’optimisation de supply chain. Vermorel explique qu’il a emprunté ce terme à un livre à succès intitulé “Numerical Recipes”, publié dans les années 1980, qui offre une perspective unique sur la résolution de problèmes.

Il souligne que la résolution de problèmes dans la gestion de supply chain n’est pas aussi simple que d’avoir un problème et une solution clairement définis. Au contraire, le type de solution utilisé peut influencer le problème, avec des trade-offs et des boucles de rétroaction entre les deux. Vermorel est d’avis que le terme “recettes numériques” est un meilleur qualificatif pour décrire les approches utilisées dans l’optimisation de supply chain, car il reconnaît la complexité innée et l’adaptabilité de ces solutions.

Vermorel explique que les algorithmes, le machine learning et d’autres termes peuvent donner une fausse impression d’objectivité et de limites bien définies entre problèmes et solutions. Cependant, en pratique, les supply chain réelles présentent des situations plus complexes et “embrouillées”. Il compare la clarté des algorithmes de tri, qui disposent d’énoncés de problème bien définis et de propriétés mathématiques, avec l’ambiguïté des problèmes de supply chain, qui impliquent souvent des négociations, des conditions changeantes et d’autres facteurs du monde réel.

Par exemple, les quantités minimales de commande (MOQs) dans les supply chain ne sont pas fixes comme les lois de la physique, mais résultent plutôt de négociations avec les fournisseurs. Si une MOQ s’avère problématique, une entreprise pourrait négocier un arrangement plus favorable. Une recette numérique intelligente capturerait ces options du monde réel, en faisant une approche plus adaptée pour traiter les problèmes de supply chain que les algorithmes traditionnels.

Bien que Lokad utilise de nombreux algorithmes dans son infrastructure logicielle, Vermorel soutient que se fier uniquement aux algorithmes peut conduire à une compréhension déformée des problèmes réels de supply chain, surtout pour ceux ayant une formation formelle en informatique ou en ingénierie logicielle. En effet, les algorithmes traditionnels conviennent souvent mieux aux problèmes clairement définis avec des résultats précis, alors que les recettes numériques sont plus adaptables et mieux adaptées à la nature complexe et évolutive des supply chain.

Vermorel estime que le concept de recettes numériques est une manière plus appropriée de décrire les méthodes utilisées dans l’optimisation de supply chain en raison de leur adaptabilité et de leur capacité à gérer la complexité et l’ambiguïté inhérentes aux problèmes réels de supply chain. Cette approche reconnaît l’importance des trade-offs et des boucles de rétroaction entre problèmes et solutions, et permet une compréhension plus nuancée de la gestion de supply chain.

Ils ont discuté des défis de l’optimisation de supply chain et du rôle des Supply Chain Scientist dans la création de recettes numériques. Vermorel explique qu’en dépit de décennies de recherche, les algorithmes de tri pour l’optimisation de supply chain présentent toujours des avantages et des inconvénients. Il utilise la métaphore d’une machine complexe, où même si un seul composant est optimisé, cela ne garantit pas l’efficacité globale du système.

Vermorel souligne que les problèmes réels de supply chain nécessitent souvent des recettes numériques plutôt que des algorithmes strictement définis. Ces recettes sont élaborées par des Supply Chain Scientist, dont l’expertise joue un rôle important dans la conception des solutions. Bien que les algorithmes soient objectifs et ancrés dans les mathématiques, Vermorel reconnaît que la subjectivité existe même en mathématiques, avec des concepts tels que l’élégance qui influencent la perception des algorithmes.

En ce qui concerne les recettes numériques, Vermorel soutient que certains aspects de la réalité sont trop complexes pour être intégrés dans un cadre mathématique. Bien que des méthodes statistiques avancées puissent extraire des tendances des données, il existe des situations où il est nécessaire de faire preuve de discernement. Par exemple, les Supply Chain Scientist doivent prendre des décisions basées sur des situations uniques, qui pourraient ne pas avoir d’exemples antérieurs dans l’historique des ventes. Vermorel compare cela aux arts culinaires, où des chefs de différents niveaux de compétence créent des plats qui peuvent être très subjectifs tout en étant considérés comme excellents ou médiocres.

En abordant le défi de maintenir la qualité à travers différents clients et secteurs, Vermorel reconnaît qu’il y a de multiples aspects à considérer. Un point clé est de s’assurer que les ingénieurs ne trahissent pas l’entreprise, car ils pourraient être tentés de créer des formules qui semblent sophistiquées mais qui ne traitent pas le problème sous-jacent.

Vermorel aborde l’importance d’aligner le problème à résoudre avec la modélisation quantitative appliquée, ainsi que d’un outillage qui minimise les erreurs quotidiennes. Il souligne qu’avoir une justesse par conception est crucial pour éviter les erreurs fatales et garantir que même lorsque les gens sont trop fatigués pour être intelligents, ils puissent tout de même prendre des décisions avisées. Vermorel mentionne également que la moitié du succès de Lokad provient de la capacité à déployer une initiative de la Supply Chain Quantitative.

Vermorel souligne que les entreprises du secteur de la supply chain fonctionnent grâce aux recettes numériques, mais beaucoup sont encore bloquées sur des approches classiques basées sur des algorithmes. Il note que, bien que les spreadsheets incarnent la compréhension de la modélisation de la supply chain, elles ne sont pas adaptées pour gérer l’uncertainty ou les supply chain multi-niveaux. Vermorel critique l’outillage, affirmant qu’il est inadéquat et très subjectif, et qu’il inclut de nombreuses recettes numériques restrictives. Il estime que les entreprises doivent mettre en place de nombreux processus pour prévenir les problèmes de stabilité numérique pouvant paralyser une usine ou un warehouse.

Dans l’ensemble, Vermorel souligne l’importance d’une bonne adéquation, d’une justesse par conception et d’un outillage de qualité pour prévenir les erreurs et assurer le succès de l’optimisation de supply chain. Il met également en lumière les limites des spreadsheets et la nécessité d’un meilleur outillage pour gérer l’incertitude et les supply chain multi-niveaux.

Il soutient que les entreprises actuelles fonctionnent grâce aux recettes numériques, mais qu’elles sont fréquemment confrontées à un outillage et à des processus inadéquats, tels que les silos. Vermorel estime que les recettes numériques sont là pour rester et qu’elles constituent le bon état d’esprit à adopter lorsque des problèmes de supply chain sont en jeu. Il explique que les recettes numériques sont des formules qui ne possèdent pas de pureté et ne ressemblent pas aux équations électromagnétiques, qui sont d’une pureté et d’une rigueur incroyables. Les supply chain sont complexes et nécessitent des centaines de conditions semi-accidentelles et de facteurs pour prendre sens. Vermorel souligne l’importance de disposer de quelque chose d’aussi polyvalent qu’une recette et capable de faire face à des conditions changeantes. Il compare cela aux meilleurs chefs qui peuvent improviser et s’adapter à l’absence d’ingrédients, aux délais serrés et aux contraintes changeantes, mais il y a toujours une méthode dans leur folie. Vermorel explique qu’à Lokad, ils cultivent une méthode pour faire face au désordre des supply chain. La conclusion principale de l’épisode est que les recettes numériques sont essentielles car elles incarnent l’idée qu’il vaut mieux être approximativement juste plutôt qu’exactement faux, ce qui est crucial dans l’univers imprévisible des supply chain. En conclusion, Vermorel soutient que disposer d’une recette numérique polyvalente capable de s’adapter aux conditions changeantes et aux contraintes est la clé du succès dans le secteur de la supply chain.

Transcription Complète

Kieran Chandler: Eh bien, tout comme un chef de renom d’une cuisine étoilée Michelin, un Supply Chain Scientist doit créer des recettes qui s’adaptent et évoluent à chaque scénario. Ainsi, aujourd’hui, nous allons examiner ce qu’il faut pour élaborer ces recettes, et en particulier, ce qui caractérise celles que nous utilisons dans nos supply chain. Alors, Joannes, nous avons utilisé ce terme “recettes numériques” à plusieurs reprises auparavant. Pourquoi as-tu pensé qu’il était important d’y revenir ?

Joannes Vermorel: Ce terme, je l’ai emprunté aux personnes des années 80 qui ont écrit un livre incroyablement succès intitulé “Numerical Recipes”. Il mettait en avant une certaine manière d’aborder le problème. Vous voyez, il y a cette idée que généralement on a un problème et une solution, mais la réalité n’est pas si simple. Le type de solution que l’on adopte façonne littéralement le problème, et il y a un va-et-vient entre eux. On fait un compromis dans la manière d’aborder son problème, en fonction de la manière d’aborder sa solution.

L’idée principale est que nous voulons fournir des résultats numériques pour les entreprises qui gèrent de véritables supply chain. Le problème avec d’autres terminologies, comme dire que nous utilisons des algorithmes ou le machine learning, c’est que cela met l’accent sur quelque chose de complètement objectif et bien défini, où l’on a le problème et la solution, et pour le même problème, on peut avoir des solutions concurrentes. Mais la réalité est que lorsque vous voulez obtenir des résultats pour une supply chain réelle, le tout est beaucoup plus embrouillé. C’est un processus très accidentel avec de nombreux obstacles en cours de route. Ce que vous obtenez à la fin, c’est une recette numérique, qui décrit la chaîne de calculs numériques pour obtenir les résultats.

Kieran Chandler: Pourquoi quelque chose comme un algorithme ne serait-il pas approprié pour décrire cela ? Je veux dire, qu’est-ce qu’un algorithme omet ?

Joannes Vermorel: J’utilise le terme “recette” précisément pour dire qu’il ne s’agit pas d’un algorithme. Pour ceux qui ont une formation en informatique ou en machine learning, vous avez appris les algorithmes dans vos manuels et cours. Prenons l’archétype de l’algorithme, l’algorithme de tri. Vous disposez d’une collection d’objets présentant une relation d’ordre, et vous pouvez les trier en utilisant une série d’étapes bien définies. Au final, la collection est triée, et votre algorithme possède des propriétés telles que la consommation de mémoire et la complexité.

Il existe une variété d’algorithmes de tri avec différentes propriétés. Certains sont déterministes, d’autres stochastiques, et certains sont très efficaces si les données sont déjà partiellement triées. Mais le fait est que, lorsqu’il s’agit d’optimiser la supply chain, nous avons besoin de quelque chose de plus adaptable et flexible, comme une recette numérique, plutôt qu’un algorithme rigide.

Kieran Chandler: L’algorithme de tri est une situation très claire où l’on a un énoncé de problème qui n’est pas du tout ambigu. Ainsi, vous voulez trier une collection d’éléments, étant donné une relation d’ordre, ce qui présente une clarté mathématique. Par contre, lorsque l’on pense au type de problèmes qu’il faut résoudre dans des situations réelles de supply chain, c’est très embrouillé. Je veux dire, il y a les MOQs, mais les MOQs ne sont pas comme les lois de la physique ; ils ressemblent davantage au résultat d’une négociation avec vos fournisseurs. Donc, si numériquement une MOQ s’avère réellement problématique, peut-être pouvez-vous réellement passer un coup de fil à un fournisseur et convenir d’un arrangement intermédiaire. Vous voyez, une recette numérique intelligente capterait ce genre d’option existant dans le monde réel, mais soudainement, elle n’a pas ce genre de pureté cristalline.

Joannes Vermorel: Exactement. Je veux dire, chez Lokad, ne vous y trompez pas, nous utilisons une multitude d’algorithmes, comme toute entreprise de logiciels sérieuse ou semi-sérieuse. La pile de Lokad est littéralement une très longue série d’algorithmes. Parce que la manière dont nous avons organisé Lokad autour d’un langage de programmation spécifique au domaine appelé Envision, notre compilateur est comme une série sans fin d’algorithmes qui transforment le script lui-même en représentations abstraites, jusqu’à la série d’exécutions pour le programme compilé qui doit être exécuté, etc. Ainsi, les algorithmes sont partout.

Le danger ici est que, tout comme le réductionnisme naïf, ce n’est pas un danger pour le public non instruit. Si vous avez eu le privilège de n’avoir jamais terminé un master en informatique, ou si vous n’êtes pas un ingénieur logiciel professionnel, ce n’est probablement pas le genre de problème auquel vous serez confronté. Mais le problème est que, si vous êtes très instruit dans ces domaines, ce que vous avez appris en cours et ce que vous lisez dans la plupart des livres d’informatique vous donnent une vision très déformée de ce à quoi ressemblent réellement les problèmes pour de véritables supply chains.

Les algorithmes sont très utiles, et il est bon que Lokad puisse s’appuyer sur un ensemble d’algorithmes de tri ayant des avantages et des inconvénients, qui sont parfaitement compris grâce à des décennies de recherches ayant établi une cartographie complète de toutes les dimensions de ce petit problème. Mais c’est justement, c’est comme si vous aviez une machine très complexe et que vous parveniez à la perfection pour un petit rouage. Ainsi oui, si vous regardez une vis et que vous vous demandez : “Quel est le métal optimal pour cette vis ?” Et parce que vous avez un problème si bien défini, si restreint, vous pourriez trouver une réponse qui serait : il faut utiliser exactement ce type d’acier pour cette vis car c’est complètement optimal au regard de toutes les contraintes.

Kieran Chandler: Alors, Joannes, parlons de l’optimization de la supply chain. Est-il vraiment possible de trouver la solution optimale pour une supply chain?

Joannes Vermorel: C’est une bonne question, Kieran. Vous pouvez optimiser certaines parties de votre supply chain, mais avoir la vis au bon endroit dans la machine, par exemple, ne suffit pas à résoudre le grand problème. Vous devez prendre en compte chaque détail de votre configuration massive, et lorsque vous réunissez le tout, cela prend tout son sens. Quand vous intervenez dans le monde réel pour résoudre des problèmes de supply chain, vous vous retrouvez avec des recettes numériques plutôt qu’avec des algorithmes. L’accent et l’attitude de la personne qui conçoit la solution ne sont pas les mêmes.

Kieran Chandler: Je vois. Parlons un peu plus de la personne qui crée ces recettes numériques. Dans quelle mesure dépendez-vous de ses compétences et de son expertise?

Joannes Vermorel: En fait, énormément. C’est quelque chose qui ne doit pas être négligé. Quand on regarde un algorithme, on dirait qu’il est totalement objectif, un cadre mathématique avec des preuves et bien défini. Les algorithmes sont une branche des mathématiques, un sommet de l’objectivité. Mais la subjectivité existe bel et bien, même en mathématiques. Si l’on passe aux recettes numériques, l’idée est d’objectiver tout, mais je crois que c’est un autre mauvais exemple de rationalisme naïf. La réalité est trop complexe pour tenir dans n’importe quel type de cadre mathématique que nous connaissons.

Kieran Chandler: Je vois ce que vous voulez dire. Existe-t-il donc des situations où vous devez faire des arbitrages?

Joannes Vermorel: Oui, il y a de nombreuses situations où il faut prendre des décisions d’arbitrage. Par exemple, comment gérez-vous une situation inattendue du point de vue de la supply chain lorsque vous n’avez pas d’exemples antérieurs dans votre historique de ventes ? À un moment donné, vous devez prendre une décision qui prend en compte cette situation étrange. Il n’y a pas d’autre alternative que d’avoir un Supply Chain Scientist astucieux, qui comprenne bien ce qui se passe réellement dans la supply chain et qui prenne ces décisions d’arbitrage.

Kieran Chandler: Donc, je pense qu’il y a un arbitrage à faire quant à la manière dont ces éléments doivent être reflétés numériquement dans le système. Et c’est comme, vous savez, cette métaphore du chef : à un moment donné, ce n’est pas parce que le choix de la manière dont vous élaborez votre recette exacte est extrêmement subjectif qu’au final, vous vous retrouvez avec, vous savez, un chef médiocre d’un côté et, disons, un chef aux talents incroyables de l’autre côté. Vous savez, même si vous ne pouvez pas définir des règles claires qui permettent de distinguer nettement les bons des mauvais, les extrêmes existent néanmoins. Et les personnes qui sont, vous savez, assez instruites peuvent juger qui est, vous savez, un grand chef et qui est un chef médiocre. Et les extrêmes sont assez évidents. Et si vous voulez avoir toutes les nuances entre les deux, il vous faudra probablement de meilleures compétences et être versé dans l’art culinaire et la cuisine. Mais, voyez-vous, ce n’est pas, c’est assez rationnel de procéder ainsi. D’accord, restons donc dans une cuisine low-carb.

Joannes Vermorel: Euh, je veux dire qu’il y a tellement d’angles d’approche dans cette discussion. Et tout d’abord, il faut s’assurer de ne pas trahir l’entreprise. Le plus grand danger lorsqu’on place, vous savez, un ingénieur brillant devant un problème, c’est que cet ingénieur, par sa formation, proposera toujours une formule qui semble très profonde et très scientifique. Donc, et encore une fois, je crois qu’il existe un adage qui dit qu’il y a un chemin gratuit vers la ruine. Le chemin le plus agréable est celui des femmes, le moyen le plus rapide de ruiner est en fait le jeu, mais le moyen le plus sûr, le moyen le plus sûr de ruiner, c’est d’embaucher plus d’ingénieurs. Donc, tout d’abord, il faut s’assurer d’avoir un alignement de vision entre le problème à résoudre et toute la sophistication de la modélisation quantitative appliquée. C’est la première chose. Et, au fait, c’est aussi pour cela qu’à Lokad nous mettons à disposition de nombreux supports sur notre site web, sur YouTube, et dans bien d’autres endroits, car nous devons cultiver cette compréhension des problèmes eux-mêmes. Donc, c’est la première chose : l’alignement entre la technique et l’entreprise. La deuxième chose, c’est qu’il faut disposer d’un outillage qui minimise la quantité d’autotirages quotidiens. Vous savez, l’autotirage consiste simplement à tenir une arme en main et à se tirer une balle dans le pied. Et, littéralement, ces situations se produisent encore et encore, surtout quand on commence à traiter, je dirais, des recettes numériques élaborées. Qu’est-ce que j’entends par élaboré ? Il y a beaucoup d’entreprises qui disent : “Oh, nous utilisons TensorFlow.” Oui, excellent. Vous venez donc d’acquérir 100 façons de plus de vous tirer une balle dans le pied.

Kieran Chandler: D’accord, je vais intervenir là-dessus, Joannes, car c’est un très bon point que vous soulevez. Comment réduisez-vous la quantité d’autotirages quotidiens, puisque l’on dirait que de nombreuses entreprises achètent plein d’armes pour se tirer une balle dans le pied ?

Joannes Vermorel: Oui, absolument. Et, vous savez, le fait est que je pense qu’il existe différents types d’outils pour aborder ce problème. Mais une chose qui est très importante est de

Kieran Chandler: Certaines de ces méthodes peuvent être d’une créativité extraordinaire et comporter de nombreuses surprises. Donc, d’abord l’alignement des affaires, puis vous devez disposer d’un outillage qui, de par sa conception, vous offre un haut degré de correction. La correction par conception est une notion très répandue dans la manière de penser chez Lokad.

Joannes Vermorel: Bien que je sois un grand partisan de l’éducation, je pense qu’il est préférable qu’en conception, les gens puissent se permettre de faire des erreurs. Nous embauchons des personnes intelligentes, mais même les personnes intelligentes passent par de mauvaises journées, ou parfois, elles n’ont pas très bien dormi. Ainsi, vous voulez disposer d’un outillage qui vous empêche de commettre des erreurs terminales vraiment stupides, afin de vous aider à être plus futé même lorsque vous êtes trop fatigué pour l’être.

Kieran Chandler: Et puis peut-être que la troisième idée est qu’il faut mettre en place de nombreux processus.

Joannes Vermorel: Oui, par exemple, chez Lokad, je dirais que la moitié repose vraiment sur le savoir-faire nécessaire pour déployer une initiative Supply Chain Quantitative. Lorsqu’on parle de déployer une initiative Supply Chain Quantitative, cela signifie, par exemple, comment aboutir à des recettes numériques qui n’ont pas de problèmes terminaux ? Quand je dis “terminaux”, je veux dire quelque chose qui mettrait fin à l’initiative parce que le problème est si important que les gens décident, à juste titre, que le mieux est d’abandonner cette initiative.

Kieran Chandler: Alors, quel genre de problèmes pourriez-vous rencontrer ?

Joannes Vermorel: Les recettes numériques peuvent être défaillantes de tant de façons. Elles peuvent poser problème au niveau de la variance du temps de calcul, lorsqu’elles sont bien trop erratiques. Parfois, vous lancez l’outil et il prend une heure, parfois huit, et les gens ne savent pas exactement pourquoi. C’est un gros problème. Elles peuvent aussi poser problème parce qu’elles sont assez opaques. Cet effet de boîte noire rend très difficile d’avoir quelque chose à la fois numériquement intelligent et pas immédiatement une boîte noire, même pour le Supply Chain Scientist lui-même. Vous pouvez également rencontrer des problèmes de stabilité numérique où, en moyenne, votre recette est excellente, mais dans 0,1 % des cas, elle devient carrément insensée. Cela crée de nombreux problèmes opérationnels pour les entreprises, car les coûts de la supply chain ont tendance à se concentrer sur les extrêmes. Lorsqu’on est approximativement correct, tout va bien, mais si c’est carrément insensé, on peut littéralement avoir un gros problème opérationnel qui ferme une usine ou un entrepôt.

Kieran Chandler: Parlons un peu plus de l’industrie de la supply chain elle-même. Dans quelle mesure avez-vous vu des entreprises de ce secteur mettre en œuvre par elles-mêmes des recettes numériques, ou diriez-vous que la majorité des personnes et des entreprises sont encore coincées dans cette approche classique basée sur les algorithmes ?

Joannes Vermorel: Ce qui est amusant, c’est que la grande majorité des entreprises fonctionnent — je veux dire, littéralement toutes — grâce à des recettes. Cette manière de penser algorithmique est une recette pour une sorte de désastre en data science, donc en réalité, il y a beaucoup de battage médiatique, mais pratiquement rien n’est en production. Ainsi, tout le monde fonctionne en pratique grâce à des recettes numériques, et plus de 90 % de la part de marché repose simplement sur Excel, même si les gens méprisent ces solutions.

Kieran Chandler: Les feuilles Excel, dire qu’il s’agit simplement d’Excel, non, ce n’est pas juste Excel. C’est l’incarnation de la compréhension de la manière dont vous devriez réellement modéliser quantitativement votre supply chain. Ainsi, ces feuilles Excel sont littéralement les recettes numériques, et elles représentent la version raffinée de ces recettes. À cet égard, c’est plutôt bien. Là où cela pose problème, c’est que les feuilles de calcul, en général, que ce soit sur un ordinateur de bureau ou sur une application web, hors ligne ou en ligne, une feuille de calcul ou la pensée tabulaire, ne sont pas exactement adaptées pour résoudre les problèmes de supply chain.

Joannes Vermorel: Ma grande critique est que l’outillage est inadéquat. Vous ne pouvez pas gérer l’incertitude, vous ne pouvez pas gérer la cannibalisation, vous ne pouvez pas traiter une supply chain multi-échelons. Il y a tellement de problèmes qui, littéralement, ne tiennent pas dans une feuille de calcul, peu importe comment vous l’emballez. Ma critique n’est pas que le problème des feuilles Excel soit qu’elles soient des recettes numériques hautement subjectives et étroites. Ce n’est pas une partie du problème ; c’est littéralement une partie de la solution. Ma critique est que cet outillage est généralement inadéquat. Les entreprises actuelles fonctionnent grâce à des recettes numériques, mais elles ne reconnaissent pas que c’est une bonne chose, et cela ne va pas disparaître. C’est littéralement une proposition très raisonnable pour aborder les problèmes de supply chain. Mais le problème qu’elles rencontrent est un outillage inadapté et, souvent, des processus inadéquats, comme, par exemple, le problème du “diviser pour régner” dont nous avons discuté avec les silos, où les gens tentent de gérer d’un côté la tarification et de l’autre la planification alors qu’il s’agit littéralement des deux faces d’une même médaille, comme évoqué dans le dernier épisode. Les recettes numériques sont là pour rester, et ma position est que c’est littéralement le bon état d’esprit chaque fois que des problèmes de supply chain sont en jeu.

Kieran Chandler: Nous allons commencer à conclure alors. Quelle est la conclusion principale de l’épisode d’aujourd’hui ? Pourquoi les recettes numériques sont-elles si importantes, et pourquoi est-il si important de changer cet état d’esprit ?

Joannes Vermorel: Je crois que c’est parce que les recettes numériques incarnent cette autre approche : “Il vaut mieux être approximativement correct que totalement faux.” Vous finirez par obtenir des formules qui ne sont pas d’une pureté absolue. Elles ne sont pas comme des équations électromagnétiques, où l’on a ces équations super bien définies qui peuvent décrire tout ce qui se passe en termes d’électromagnétisme. Elles sont incroyablement pures et serrées, mais les supply chains ne sont pas comme cela. Les recettes numériques de la supply chain vont comporter des centaines de conditions semi-accidentielles, de facteurs et de rebondissements pour que l’ensemble ait du sens, pour que l’ensemble soit approximativement correct et n’entreprenne rien de complètement insensé. Elles doivent être hautement prévisibles, afin que vous n’ayez pas trop de surprises – idéalement très peu de surprises dans les résultats numériques de vos recettes. Et elles doivent également être polyvalentes, tout comme la recette d’un grand chef.

Kieran Chandler: Euh, tu veux préparer un dessert, tu sais quoi, je ne vais pas te permettre d’utiliser du sucre aujourd’hui.

Joannes Vermorel: Oh merde, je veux préparer un dessert. Comment vais-je faire un dessert sans sucre ? C’est, vous savez, ce genre de situation pour laquelle il faut être extrêmement agile. Ainsi, si quelque chose manque, simplement parce que vous avez vécu des conditions étranges, comme une pandémie, vous n’êtes pas bloqué. Vous avez une solution. Et, au fait, c’est très intéressant car ces émissions de chefs de haut niveau vous lancent des défis où soit vous manquez de temps – par exemple, si vous n’avez que 30 minutes pour préparer quelque chose qui normalement prendrait environ quatre heures – soit il vous manque des ingrédients, ou des outils, ou vous manquez tout simplement de moyens. Et pourtant, il faut trouver une solution. C’est, encore une fois, je crois que c’est à cela que ressemblent ces recettes. Je veux dire, vous avez des contraintes étranges qui évoluent avec le temps. C’est une situation qui comporte un certain degré de surprise.

Le vrai chef est celui qui peut littéralement improviser. Mais si vous regardez attentivement, ces émissions révèlent qu’il y a une méthode, et c’est vraiment ce qui différencie un grand chef. Le grand chef n’est pas quelqu’un qui va faire n’importe quoi face à un ingrédient manquant ou à une échéance très courte. On peut vraiment voir qu’il y a littéralement une décennie d’expérience sur la manière de faire face à ce chaos. Il y a une méthode, et c’est exactement le type de choses que nous cultivons chez Lokad.

Kieran Chandler: D’accord, nous allons devoir conclure ici, mais je pense que cette analogie avec un chef de haut niveau est vraiment puissante et certainement quelque chose auquel nous pouvons nous identifier dans ce bureau. Nous avons de nombreux fans ici. Voilà, c’est tout pour cette semaine. Merci beaucoup de nous avoir écoutés, et nous vous retrouverons dans le prochain épisode. Merci d’avoir regardé.