Recettes numériques pour la Supply Chain

00:00:07 Science de la supply chain et création de recettes numériques.
00:03:21 La différence entre les algorithmes et les recettes numériques.
00:05:21 Explication de la façon dont les recettes numériques sont mieux adaptées pour résoudre les problèmes complexes des supply chains 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 de l’optimisation d’une simple vis dans une machine au grand problème des supply chains.
00:08:02 Discussion sur l’importance des recettes numériques dans la résolution des problèmes de la supply chain.
00:08:54 Comparaison des algorithmes et des recettes numériques en termes d’objectivité.
00:09:44 Explication de la façon dont la subjectivité des recettes numériques rend l’expertise d’un Supply Chain Scientist cruciale.
00:13:02 L’importance d’aligner la solution sur le problème et de minimiser les risques d’erreurs.
00:15:52 Discussion sur la nécessité de processus et d’outils pour éviter les erreurs et améliorer la qualité de la solution.
00:17:16 Explication des problèmes qui peuvent survenir avec les recettes numériques.
00:18:07 Discussion sur la façon dont les entreprises de l’industrie de la supply chain opèrent grâce aux recettes numériques.
00:20:01 Critique du fait que les outils ne sont pas adaptés pour résoudre les problèmes de la supply chain.
00:22:00 L’importance des recettes numériques pour être approximativement correct et agile dans les problèmes de la supply chain.

Résumé

Dans une interview, Joannes Vermorel, le fondateur de Lokad, aborde le concept de recettes numériques dans l’optimisation de la supply chain. Il soutient que les algorithmes et l’apprentissage automatique peuvent donner une fausse impression d’objectivité et de frontières bien définies entre les problèmes et les solutions, et que les recettes numériques sont une meilleure approche pour gérer la nature complexe et changeante des problèmes réels de la supply chain. Vermorel souligne l’importance d’avoir une alignement, une correction par conception et de bons outils pour éviter les erreurs et garantir le succès de l’optimisation de la supply chain. Il estime que les recettes numériques sont essentielles pour réussir dans le monde imprévisible des supply chains.

Résumé étendu

Dans cette interview, Kieran Chandler et Joannes Vermorel, le fondateur de Lokad, discutent du concept de recettes numériques dans l’optimisation de la supply chain. Vermorel explique qu’il a emprunté le 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 en gestion de la supply chain n’est pas aussi simple que d’avoir un problème clairement défini et une solution. Au contraire, le type de solution utilisée peut façonner le problème, avec des compromis et des boucles de rétroaction existant entre eux. Vermorel estime que le terme “recettes numériques” est une meilleure description des approches utilisées dans l’optimisation de la supply chain car il reconnaît la complexité inhérente et l’adaptabilité de ces solutions.

Vermorel explique que les algorithmes, l’apprentissage automatique et d’autres terminologies peuvent donner une fausse impression d’objectivité et de frontières bien définies entre les problèmes et les solutions. Cependant, dans la pratique, les supply chains du monde réel présentent des situations plus complexes et “embrouillées”. Il oppose la clarté des algorithmes de tri, qui ont des énoncés de problème bien définis et des propriétés mathématiques, à 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 (MOQ) dans les supply chains ne sont pas fixes comme les lois physiques, mais sont plutôt le résultat de négociations avec les fournisseurs. Si un MOQ s’avère problématique, une entreprise pourrait être en mesure de négocier un arrangement plus favorable. Une recette numérique intelligente capturerait ces options du monde réel, ce qui en ferait une approche plus adaptée pour résoudre les problèmes de supply chain que les algorithmes traditionnels.

Bien que Lokad utilise de nombreux algorithmes dans sa pile logicielle, Vermorel soutient que s’appuyer uniquement sur des algorithmes peut conduire à une compréhension déformée des problèmes de supply chain du monde réel, en particulier pour ceux qui ont une formation formelle en informatique ou en génie logiciel. Cela est dû au fait que les algorithmes traditionnels conviennent souvent mieux aux problèmes clairement définis avec des résultats définis, tandis que les recettes numériques sont plus adaptables et mieux adaptées à la nature complexe et changeante des supply chains.

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

Ils ont discuté des défis de l’optimisation de la supply chain et du rôle des scientifiques de la supply chain dans la création de recettes numériques. Vermorel explique que malgré des décennies de recherche, les algorithmes de tri pour l’optimisation de la supply chain du monde réel ont encore 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 de supply chain du monde réel nécessitent souvent des recettes numériques plutôt que des algorithmes strictement définis. Ces recettes sont créées par des scientifiques de la supply chain, dont l’expertise joue un rôle important dans l’élaboration de 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 influençant la perception des algorithmes.

En ce qui concerne les recettes numériques, Vermorel soutient que certains aspects de la réalité sont trop complexes pour s’inscrire dans un cadre mathématique. Bien que des méthodes statistiques avancées puissent extraire des motifs à partir de données, il existe des cas où des décisions basées sur le jugement sont nécessaires. Par exemple, les scientifiques de la supply chain 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 hautement subjectifs mais toujours considérés comme excellents ou médiocres.

En discutant du défi de maintenir la qualité auprès de différents clients et industries, Vermorel reconnaît qu’il y a plusieurs angles à considérer. Un aspect 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 ne résolvent pas le problème sous-jacent.

Vermorel souligne l’importance d’avoir une concordance entre le problème à résoudre et la modélisation quantitative appliquée, ainsi qu’un outillage qui minimise la quantité de “foot gunning” quotidien. Il insiste sur le fait qu’avoir la correction par conception est crucial pour éviter les erreurs fatales et garantir que même lorsque les gens sont trop fatigués pour être intelligents, ils peuvent encore prendre des décisions intelligentes. Vermorel mentionne également que la moitié du succès de Lokad vient de savoir comment déployer une initiative de supply chain quantitative.

Vermorel souligne que les entreprises de l’industrie de la supply chain fonctionnent grâce à des recettes numériques, mais beaucoup sont encore bloquées dans des approches classiques basées sur des algorithmes. Il note que bien que les feuilles de calcul incarnent la compréhension de la modélisation de la supply chain, elles ne conviennent pas pour traiter l’incertitude ou les supply chains multi-échelons. Vermorel critique l’outillage, affirmant qu’il est inadéquat et très subjectif, et comprend de nombreuses recettes numériques étroites. Il estime que les entreprises doivent concevoir de nombreux processus pour éviter les problèmes de stabilité numérique qui peuvent paralyser une usine ou un entrepôt.

Dans l’ensemble, Vermorel souligne l’importance d’avoir une concordance, une correction par conception et un bon outillage pour éviter les erreurs et garantir le succès de l’optimisation de la supply chain. Il met également en évidence les limites des feuilles de calcul et la nécessité d’un meilleur outillage pour faire face à l’incertitude et aux supply chains multi-échelons.

Il soutient que les entreprises d’aujourd’hui fonctionnent grâce à des recettes numériques mais sont souvent confrontées à un outillage et à des processus inadéquats, tels que les silos. Vermorel estime que les recettes numériques sont là pour rester et sont la bonne façon de penser lorsque des problèmes de supply chain sont impliqués. Il explique que les recettes numériques sont des formules qui n’ont pas de pureté et ne ressemblent pas à des équations électromagnétiques, qui sont incroyablement pures et précises. Les supply chains sont complexes et nécessitent des centaines de conditions et de facteurs semi-accidentels pour avoir du sens. Vermorel souligne l’importance d’avoir quelque chose de versatile comme une recette et capable de faire face à des conditions changeantes. Il compare cela aux grands chefs qui peuvent improviser et s’adapter à des ingrédients manquants, à des délais serrés et à des 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 chaos des supply chains. La principale conclusion de l’épisode est que les recettes numériques sont essentielles car elles incarnent la pensée selon laquelle il vaut mieux être approximativement juste qu’exactement faux, ce qui est crucial dans le monde imprévisible des supply chains. En conclusion, Vermorel soutient qu’avoir une recette numérique versatile qui fait face à des conditions et des contraintes changeantes est la clé du succès dans l’industrie de la supply chain.

Transcription complète

Kieran Chandler: Salut, tout comme un chef étoilé Michelin, un scientifique de la supply chain doit créer des recettes qui s’adaptent et évoluent à chaque scénario. Ainsi, aujourd’hui, nous allons examiner ce qu’il faut pour créer ces recettes, et en particulier, ce qui caractérise celles que nous utilisons dans nos chaînes d’approvisionnement. Alors, Joannes, nous avons utilisé ce terme “recettes numériques” plusieurs fois auparavant. Pourquoi as-tu pensé qu’il était important d’y revenir ?

Joannes Vermorel: Ce terme, je l’ai volé à des personnes dans les années 80 qui ont écrit un livre incroyablement réussi appelé “Numerical Recipes”. Il mettait l’accent sur une certaine façon de voir le problème. Vous voyez, il y a cette idée que généralement vous avez un problème et vous avez une solution, mais la réalité n’est pas aussi simple. Le type de solution que vous avez façonne littéralement le problème, et il y a un va-et-vient entre eux. Vous avez un compromis dans la façon dont vous voulez aborder votre problème, en fonction de la façon dont vous abordez votre solution.

L’idée clé est que nous voulons fournir des résultats numériques pour les entreprises qui gèrent des chaînes d’approvisionnement réelles. Le problème avec d’autres terminologies, comme dire que nous utilisons des algorithmes ou de l’apprentissage automatique, c’est que cela met l’accent sur quelque chose de complètement objectif et bien défini, où vous avez le problème et la solution, et ensuite pour le même problème, vous pouvez avoir des solutions concurrentes. Mais la réalité est que lorsque vous voulez fournir des résultats pour une chaîne d’approvisionnement réelle, tout cela est beaucoup plus flou. C’est un processus très accidentel avec de nombreux obstacles sur la 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 est-ce qu’un algorithme ne serait pas approprié pour décrire cela ? Je veux dire, qu’est-ce qu’un algorithme laisse de côté ?

Joannes Vermorel: J’utilise le terme “recette” précisément pour dire que ce n’est pas un algorithme. Pour ceux qui ont des connaissances en informatique ou en apprentissage automatique, vous avez appris les algorithmes dans vos manuels et vos cours. Prenons l’archétype de l’algorithme, l’algorithme de tri. Vous avez une collection d’objets avec une relation d’ordre, et vous pouvez les trier en utilisant une série d’étapes bien définies. À la fin, la collection est triée, et votre algorithme a 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, certains sont stochastiques, et certains sont très bons si les données sont déjà partiellement triées. Mais le problème, c’est que lorsqu’il s’agit d’optimisation de la chaîne d’approvisionnement, 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 vous avez une énoncé de problème qui est complètement non ambigu. Donc, vous voulez trier une collection d’éléments, étant donné une relation d’ordre, cela a une clarté mathématique. Au contraire, lorsque vous pensez aux sortes de problèmes que vous devez résoudre dans des situations réelles de chaîne d’approvisionnement, c’est très flou. Je veux dire, vous avez des MOQ, mais les MOQ ne sont pas comme les lois de la physique ; ils sont plus comme le résultat d’une négociation avec vos fournisseurs. Donc, si numériquement un MOQ s’est avéré être vraiment un problème, peut-être que vous pouvez réellement passer un coup de téléphone avec un fournisseur et arranger quelque chose qui se situe entre les deux. Vous voyez, c’est peut-être une recette numérique intelligente qui capturera ce genre d’option qui existe dans le monde réel, mais soudainement elle n’a pas cette sorte de pureté cristalline.

Joannes Vermorel: Exactement. Je veux dire, chez Lokad, ne vous méprenez pas, nous utilisons des tonnes d’algorithmes, comme toutes les entreprises sérieuses ou semi-sérieuses de logiciels. La pile Lokad est littéralement une très longue série d’algorithmes. Parce que la façon dont nous avons conçu Lokad autour d’un langage de programmation spécifique au domaine appelé Envision, notre compilateur est comme une série infinie d’algorithmes qui transforment le script lui-même en représentations abstraites, jusqu’à la série d’exécution pour le programme compilé qui doit être exécuté, etc. Donc, les algorithmes sont partout.

Le danger ici est que, tout comme le réductionnisme naïf, ce n’est pas un danger pour le public non éduqué. Si vous avez eu le privilège de n’avoir jamais terminé un master en informatique, ou si vous n’êtes pas un professionnel de l’ingénierie logicielle, ce n’est probablement pas le genre de problème auquel vous serez confronté. Mais le problème est que si vous êtes très éduqué dans ces domaines, ce que vous avez appris en classe et ce que vous lisez dans la plupart des livres d’informatique vous donne une vision très déformée de ce à quoi ressemblent vraiment les problèmes pour de vraies chaînes d’approvisionnement.

Les algorithmes sont très utiles, et c’est bien que Lokad puisse s’appuyer sur une collection d’algorithmes de tri qui ont des avantages et des inconvénients, qui sont parfaitement compris grâce à des décennies de recherche qui ont établi une cartographie complète de toutes les différentes dimensions de ce petit problème. Mais c’est juste ça, c’est comme si vous aviez une machine très complexe, et vous atteignez la perfection pour un petit engrenage. Donc oui, si vous regardez une vis et que vous vous demandez : “Quel est le métal optimal pour la vis ?” Et parce que vous avez un problème si bien défini, si étroit, vous pourriez avoir une réponse qui est, vous devez utiliser exactement ce type d’acier pour cette vis car c’est complètement optimal par rapport à toutes les contraintes.

Kieran Chandler: Alors, Joannes, parlons d’optimisation de la chaîne d’approvisionnement. Est-il vraiment possible de trouver la solution optimale pour une chaîne d’approvisionnement ?

Joannes Vermorel: C’est une bonne question, Kieran. Vous pouvez optimiser certaines parties de votre chaîne d’approvisionnement, mais avoir la vis au bon endroit dans la machine, par exemple, ne suffit pas à résoudre le gros problème. Vous devez prendre en compte chaque détail de votre configuration massive, et lorsque vous mettez tout ensemble, cela a vraiment du sens. Lorsque vous vous attaquez aux problèmes de chaîne d’approvisionnement dans le monde réel, vous vous retrouvez avec des recettes numériques plutôt qu’avec des algorithmes. L’accent et l’attitude de la personne qui conçoit la chose ne sont pas les mêmes.

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

Joannes Vermorel: En fait, beaucoup. C’est quelque chose qui ne doit pas être négligé. Lorsque vous regardez un algorithme, vous diriez qu’il est complètement objectif, un cadre mathématique avec une preuve 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 nous passons aux recettes numériques, l’idée est de tout objectiver, mais je pense que c’est un autre cas de naïveté rationaliste. La réalité est trop complexe pour s’insérer dans n’importe quel cadre mathématique que nous connaissons.

Kieran Chandler: Je comprends ce que vous voulez dire. Donc, y a-t-il des situations où vous devez prendre des décisions ?

Joannes Vermorel: Oui, il y a beaucoup de situations où vous devez prendre des décisions. Par exemple, comment gérez-vous une situation découverte d’un point de vue de la chaîne d’approvisionnement lorsque vous n’avez pas d’exemples antérieurs dans votre historique des ventes ? À un moment donné, vous devez prendre une décision qui tient compte de cette situation bizarre. Il n’y a pas d’autre choix que d’avoir un scientifique de la chaîne d’approvisionnement intelligent qui a une bonne compréhension de ce qui se passe réellement dans la chaîne d’approvisionnement et de prendre ces décisions.

Kieran Chandler: Donc, je pense qu’il y a une décision à prendre sur la façon dont ces choses devraient être reflétées numériquement dans le système. Et c’est un peu comme cette métaphore du chef, à un moment donné, vous savez, ce n’est pas parce que le choix de la façon dont vous faites votre recette exacte est super, super subjectif que vous ne vous retrouvez pas, vous savez, avec un chef médiocre d’un côté et un incroyable, vous savez, autre chef, je dirais, de talents incroyables de l’autre côté. Vous savez, même si vous ne pouvez pas définir, vous savez, des règles claires qui vous permettent de trier les bons des mauvais, les extrêmes existent néanmoins. Et les personnes qui sont, vous savez, éduquées dans une certaine mesure, elles peuvent prendre une décision sur 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, vous devrez probablement avoir plus de compétences vous-même et être versé dans, vous savez, l’art culinaire et la cuisine. Mais, vous voyez, c’est, c’est assez rationnel de procéder ainsi. D’accord, restons donc dans une cuisine à faible teneur en glucides.

Joannes Vermorel: Donc, je veux dire qu’il y a tellement d’aspects à prendre en compte dans cette discussion. Et tout d’abord, il faut s’assurer de ne pas trahir l’entreprise. Le plus grand danger lorsque vous mettez, vous savez, un ingénieur intelligent face à un problème, c’est que l’ingénieur, vous savez, par sa formation, va toujours trouver une formule qui semble très profonde et très scientifique. Donc, et encore une fois, vous savez, je crois qu’il y a un dicton qui dit qu’il y a comme un chemin gratuit vers la ruine. Le chemin le plus agréable est les femmes, le moyen le plus rapide de se ruiner est en fait le jeu, mais le moyen le plus sûr, le moyen le plus sûr de se ruiner est d’embaucher plus d’ingénieurs. Donc, tout d’abord, il faut s’assurer d’avoir une vision alignée entre le problème à résoudre et toute la sophistication, vous savez, dans la modélisation quantitative qui est appliquée. C’est la première chose. Et, d’ailleurs, c’est aussi pourquoi chez Lokad nous cultivons beaucoup de matériel sur notre site web, sur YouTube, à de nombreux endroits, c’est que nous devons cultiver cette compréhension des problèmes eux-mêmes. Donc, c’est la première chose, c’est l’alignement, vous savez, entre la technique et l’entreprise. La deuxième chose, c’est qu’il faut avoir des outils qui minimisent la quantité de “foot-gunning” quotidien qui se produit. Vous savez, “foot-gunning” c’est juste quand vous avez un pistolet dans la main et que vous vous tirez dans le pied. Et, littéralement, ces choses ont tendance à se produire encore et encore, surtout lorsque vous commencez à traiter, je dirais, des recettes numériques sophistiquées. Qu’est-ce que je qualifie de sophistiqué ? Je veux dire, il y a beaucoup d’entreprises qui disent : “Oh, nous utilisons TensorFlow.” Oui, excellent. Maintenant, vous venez d’acquérir 100 façons supplémentaires de vous tirer une balle dans le pied.

Kieran Chandler: D’accord, je vais rebondir là-dessus, Joannes, parce que c’est un très bon point que tu soulèves là. Comment minimiser la quantité de “foot-gunning” quotidien, car il semble que beaucoup d’entreprises achètent beaucoup de pistolets pour se tirer dans les pieds ?

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

Kieran Chandler: Certaines de ces façons peuvent être extrêmement créatives et comporter beaucoup de surprises. Donc, d’abord l’alignement avec l’entreprise, puis vous devez avoir des outils qui, par conception, vous donnent un haut degré de précision. La précision par conception est quelque chose de très prévalent en termes de réflexion chez Lokad.

Joannes Vermorel: Bien que je crois beaucoup en l’éducation, je pense que c’est mieux lorsque, par conception, les gens peuvent être autorisés à faire des erreurs. Nous embauchons des personnes intelligentes, mais même les personnes intelligentes ont des jours sans, ou de temps en temps, elles n’ont pas très bien dormi. Donc, vous voulez avoir des outils qui vous empêchent de faire des erreurs terminales super stupides, donc qui vous soutiennent pour être plus intelligent même lorsque vous êtes trop fatigué pour être intelligent.

Kieran Chandler: Et peut-être que la troisième idée est que vous devez concevoir de nombreux processus.

Joannes Vermorel: Oui, par exemple, chez Lokad, je dirais que la moitié de notre travail concerne vraiment le savoir-faire pour déployer une initiative de supply chain quantitative. Quand je dis “déployer une initiative de supply chain quantitative”, cela signifie, par exemple, comment vous vous retrouvez avec des recettes numériques qui n’ont pas de problèmes terminaux ? Quand je dis terminal, je veux dire quelque chose qui tuerait simplement l’initiative parce que le problème est si important que les gens décident, à juste titre, que la meilleure solution est d’abandonner cette initiative.

Kieran Chandler: Donc, quels genres de problèmes pourriez-vous rencontrer ?

Joannes Vermorel: Les recettes numériques peuvent être mauvaises de tellement de façons. Elles peuvent être mauvaises en termes de variance du temps de calcul, où elles sont beaucoup trop erratiques. Donc parfois vous lancez le truc, et ça prend une heure, parfois huit, et les gens ne sont pas vraiment sûrs pourquoi. C’est un gros problème. Ça peut aussi être mauvais parce que c’est assez opaque. Cet effet de boîte noire est très difficile à avoir quelque chose qui soit à la fois numériquement intelligent et pas une boîte noire immédiate, y compris pour les scientifiques de la supply chain eux-mêmes. Vous pouvez aussi avoir des problèmes de stabilité numérique où, en moyenne, votre recette est excellente, mais dans 0,1% des situations, elle est carrément insensée. Cela crée beaucoup de problèmes opérationnels pour les entreprises car les coûts de la supply chain ont tendance à être concentrés sur l’extrême. Quand vous êtes à peu près dans le vrai, c’est très bien, mais si vous êtes carrément insensé, vous pouvez 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 cette industrie mettre en œuvre elles-mêmes des recettes numériques, ou diriez-vous que la majorité des personnes et des entreprises sont encore bloquées dans cette approche classique basée sur des algorithmes ?

Joannes Vermorel: La chose amusante, c’est que la grande majorité des entreprises fonctionnent, je veux dire, littéralement toutes, à travers des recettes. Cette pensée algorithmique est une recette pour une sorte de catastrophe en matière de data science, donc en réalité, il y a beaucoup de battage médiatique, mais il n’y a pratiquement rien en production. Donc, tout le monde fonctionne en pratique à travers des recettes numériques, et plus de 90% de la part de marché se fait simplement avec Excel, mais les gens les méprisent.

Kieran Chandler: Les feuilles Excel, en disant que c’est juste Excel, non, ce n’est pas juste Excel. C’est l’incarnation de la compréhension de la façon dont vous devriez réellement modéliser quantitativement votre supply chain. Donc, ces feuilles Excel, ce sont littéralement les recettes numériques, et ce sont les versions affinées de ces recettes. À cet égard, c’est plutôt bien. Là où ça ne va pas si bien, c’est que les feuilles de calcul, en général, peu importe si c’est une feuille de calcul sur un ordinateur de bureau ou sur une application web, hors ligne ou en ligne, une feuille de calcul ou la pensée tabulaire n’est pas exactement adaptée pour résoudre les problèmes de supply chain.

Joannes Vermorel: Ma principale critique est que les outils sont inadaptés. Vous ne pouvez pas gérer l’incertitude, vous ne pouvez pas gérer la cannibalisation, vous ne pouvez pas gérer une supply chain multi-échelons. Il y a tellement de problèmes qui ne rentrent tout simplement pas dans une feuille de calcul, peu importe comment vous la présentez. Ma critique n’est pas que le problème avec les feuilles de calcul est qu’elles sont des recettes numériques hautement subjectives et incluent beaucoup de restrictions. Ce n’est pas là le problème ; c’est littéralement une partie de la solution au problème. Ma critique est que ces outils sont généralement inadaptés. Les entreprises d’aujourd’hui fonctionnent grâce à des recettes numériques, mais elles ne reconnaissent pas que c’est une bonne chose, et cette chose ne va pas disparaître. C’est littéralement une proposition très raisonnable pour résoudre les problèmes de supply chain. Mais le problème auquel elles sont confrontées est un manque d’outils et de processus fréquemment inadaptés, comme par exemple le problème de la division et de la conquête que nous avons discuté avec les silos, où les gens peuvent essayer de gérer la tarification d’un côté et la planification de l’autre alors que ce sont littéralement les deux côtés de la même pièce, comme discuté dans le dernier épisode. Les recettes numériques sont là pour rester, et ma position est que c’est littéralement la bonne façon de penser chaque fois qu’il s’agit de problèmes de supply chain.

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

Joannes Vermorel: Je pense que c’est parce que les recettes numériques incarnent cette autre façon de penser, qui est : “Il vaut mieux être approximativement juste que complètement faux.” Vous vous retrouverez avec des formules qui n’ont pas de pureté. Elles ne sont pas comme les équations électromagnétiques, où vous avez ces équations super bien définies qui peuvent tout expliquer en termes d’électromagnétisme. C’est incroyablement pur et précis, mais les supply chains ne sont pas comme ça. Les recettes numériques de la supply chain vont comporter des centaines de conditions, de facteurs et de subtilités semi-accidentelles pour que le tout ait du sens, pour que le tout soit approximativement correct et ne fasse rien de complètement insensé. Cela devrait être hautement prévisible, de sorte que vous n’ayez pas trop de surprises, idéalement très peu de surprises dans les résultats numériques de vos recettes. Et cela devrait aussi être polyvalent, tout comme une recette d’un grand chef.

Kieran Chandler: Hum, vous voulez faire un dessert, vous savez quoi, je ne vais pas vous permettre d’utiliser du sucre aujourd’hui.

Joannes Vermorel: Oh mince, je veux faire un dessert. Comment vais-je faire un dessert sans sucre ? C’est, vous savez, le genre de chose pour lequel vous devez être super agile. Ainsi, si quelque chose manque, simplement parce que vous avez des conditions étranges, comme une pandémie, vous n’êtes pas bloqué. Vous avez un moyen de continuer. Et d’ailleurs, c’est très intéressant car ces émissions de grands chefs vous donnent des défis où soit vous manquez de temps, vous savez, si vous n’avez que 30 minutes pour préparer quelque chose qui prendrait normalement quatre heures, soit vous manquez d’ingrédients, soit vous manquez d’outils, soit vous manquez tout simplement de tout. Et pourtant, vous devez trouver un moyen de continuer. C’est, encore une fois, ce à quoi ressemblent, je crois, ces recettes. J’entends par là que vous avez des contraintes étranges qui changent avec le temps. C’est une situation qui apporte une certaine dose de surprise.

Le vrai chef est celui qui peut littéralement improviser. Mais si vous regardez de près, ces émissions révèlent qu’il y a une méthode à cela, et c’est vraiment ce qui différencie un grand chef. Le grand chef n’est pas quelqu’un qui va faire des choses au hasard lorsqu’il est confronté à un ingrédient manquant ou à un délai très court. Vous pouvez vraiment voir qu’il y a littéralement une décennie d’expérience dans la façon de faire face à ce désordre. Il y a une méthode à cela, et c’est exactement le genre de choses que nous cultivons chez Lokad.

Kieran Chandler: D’accord, nous devrons en rester là, mais je pense que cette analogie avec un grand chef est vraiment puissante et certainement quelque chose à laquelle nous pouvons nous identifier dans nos locaux. Nous avons de nombreux fans ici. C’est tout pour cette semaine. Merci beaucoup de nous avoir suivi et nous vous retrouverons dans le prochain épisode. Merci de nous avoir regardés.