La Supply Chain Quantitative en bref - Lecture 1.2

00:10 Introduction
02:23 Comment faire ? Supply chain lectures
04:22 Le manifeste de la Supply Chain Quantitative
06:47 Tous les futurs possibles
17:01 Toutes les décisions réalisables
21:52 Moteurs économiques
30:42 Robotisation
35:41 Supply Chain Scientists
40:22 De la vision à la réalité
41:56 Le mythe de la maturité supply chain
45:30 En conclusion
46:13 Questions du public

Description

Le manifeste de la Supply Chain Quantitative met en avant une courte série de points essentiels pour comprendre comment cette théorie alternative, proposée et initiée par Lokad, diverge de la théorie supply chain. On pourrait la résumer ainsi : chaque décision est évaluée par rapport à tous les futurs possibles selon les moteurs économiques. Cette perspective a progressivement émergé chez Lokad en tant que théorie supply chain mainstream, et sa mise en œuvre par (presque?) tous les fournisseurs de logiciels, reste un défi.

Transcription complète

Bonjour à tous, bienvenue aux Supply Chain Lectures. Je suis Joannes Vermorel, et aujourd’hui je vais présenter « La Supply Chain Quantitative en bref ». Pour ceux qui regardent le stream en direct, vous pouvez poser vos questions à tout moment via le chat YouTube. Je ne lirai pas les questions pendant la conférence ; cependant, à la toute fin de la conférence, je reviendrai sur le chat, commencerai par les questions en haut et ferai de mon mieux à partir de là. Allons-y.

Je vais commencer par une citation de l’un des anciens présidents français, qui disait qu’il existait trois chemins vers la richesse : le plus rapide était le jeu, le plus agréable était les femmes, mais le plus sûr était les techniciens. Évidemment, dans cette série de conférences, nous optons pour la troisième option. Je crois qu’il y a une once de sagesse dans cette citation. La technique est un moyen puissant de faire davantage de certaines choses, d’être meilleur dans certains domaines, mais elle peut aussi être assez distrayante. Par techniciens, il entendait non seulement les personnes s’occupant des aspects techniques, comme les ingénieurs, mais aussi celles qui s’occupent des processus et des workflows, ce type de technicités propres aux MBA.

Lorsque nous abordons les défis supply chain, nous devons être très attentifs à savoir si ce que nous proposons contribue à résoudre les problèmes fondamentaux ou s’il s’agit simplement d’une distraction réconfortante.

Pour la conférence d’aujourd’hui, je vais malheureusement m’appuyer un peu sur la persuasion. Le défi est que si vous avez une problématique, vous pouvez prouver que vous disposez d’une solution supérieure pour ce problème précis. Cependant, pouvez-vous prouver que vous avez, à la base, un problème de nature supérieure ? Cela est beaucoup plus complexe intellectuellement.

Une des principales critiques que j’ai soulevées lors de la conférence précédente est que la supply chain est, au fond, un problème complexe. Ainsi, la manière de l’appréhender est difficile. Aujourd’hui, je vais essayer de présenter un ensemble de prérequis que je considère comme essentiels si nous voulons espérer fournir quelque chose de satisfaisant pour la supply chain. Cependant, je ne peux pas vraiment prouver que chacun des éléments que je propose est réellement nécessaire. Il y a un élément de croyance, ainsi qu’un élément de compréhension à un niveau élevé. Un autre aspect de cette croyance est que, à moins d’avoir une solution à présenter qui réponde à vos exigences, tout ce que vous avez, ce sont des vœux pieux. Je vous demande donc de suspendre votre incrédulité pendant une ou deux conférences de plus, afin que nous nous concentrions sur la nature même du problème et sur les éléments hautement désirables pour qu’une solution devienne éligible à une bonne pratique supply chain.

Alors, poursuivons. Il y a quelques années, Lokad avait déjà innové avec sa manière relativement atypique de servir ses propres clients. À la fin de 2016, j’ai décidé de consolider une courte série de points saillants que je crois diverger considérablement de la théorie supply chain mainstream. J’ai voulu utiliser ces cinq points comme moyen de présenter comment la supply chain quantitative diffère de la théorie supply chain mainstream. Je m’excuse pour une terminologie quelque peu malheureuse car même la théorie supply chain mainstream est également très quantitative, mais j’ai décidé d’ajouter un adjectif supplémentaire pour clarifier la distinction entre la théorie de la supply chain quantitative et la théorie supply chain mainstream.

Les éléments que je vais énumérer ne sont pas exactement fondamentaux ; ils ressemblent davantage à une liste de contrôle des aspects que nous devons aborder si nous voulons espérer réussir. Ces éléments comprennent :

1. Tous les futurs possibles : Nous devons considérer de nombreux futurs, et pas seulement un seul futur.
2. Toutes les décisions réalisables : Lorsque j’ai introduit la définition de la supply chain comme la maîtrise de l’optionalité, ces décisions correspondaient aux options dont je parlais.
3. Moteurs économiques : L’idée selon laquelle nous allons compter les dollars d’erreur, et non le pourcentage d’erreur.
4. Robotisation comme exigence pour le contrôle de gestion : Cela peut sembler paradoxal car on pourrait penser que la robotisation implique une perte de contrôle, mais la proposition est exactement le contraire – il faut de la robotisation si l’on veut que les humains gardent le contrôle de tout ce qui concerne la supply chain.
5. Supply Chain Scientist : À la fin de la mise en pratique, il devrait y avoir une personne chargée des résultats numériques de la supply chain ou de la performance quantitative de la supply chain.

Examinons de plus près chacun de ces cinq points.

Premièrement, l’idée est que nous devons considérer tous les futurs possibles. Pourquoi devons-nous même nous intéresser à l’avenir ? Parce que tout prend du temps. Nous ne pouvons pas imprimer en 3D tout instantanément, et même si nous le pouvions, il faudrait encore transporter les choses. Ainsi, tout prend du temps, ce qui signifie que chaque fois que vous prenez une décision supply chain, comme décider de produire ou d’acheter quelque chose, c’est parce que vous anticipez un état futur du marché dans lequel il y aura une certaine demande pour ces produits. Vous travaillez ensuite en arrière et établissez une prévision, en optimisant votre supply chain en conséquence.

Nous devons adopter cette approche proactive et ces prévisions, qui ne sont, au fond, qu’une saveur mathématique de l’intuition. Mais de quel type de prévisions parlons-nous ? Les prévisions qui ont complètement dominé la pratique de la supply chain au cours du 20e siècle et de la première partie du 21e siècle sont les prévisions classiques des séries temporelles, qui sont profondément défectueuses à mes yeux à plusieurs égards. Le premier inconvénient est que cette approche ignore complètement l’idée d’incertitude. Ma proposition est que l’incertitude est complètement irréductible, et lorsque vous traitez des supply chains, l’avenir ne peut jamais être prédit parfaitement. L’idée que vous puissiez atteindre une précision des prévisions de 99 % est absurde. Même lorsqu’on considère la consommation d’eau ou d’électricité, il est très difficile d’obtenir des prévisions avec ce degré de précision.

En regardant la situation de manière réaliste dans les supply chains et en considérant, par exemple, un produit dans un magasin qui ne vend qu’une unité par semaine, il n’y a aucun espoir d’atteindre une précision inférieure au pourcentage. La question n’a même pas de sens. Ainsi, l’incertitude est irréductible. Si nous voulions une preuve plus éclatante de cela, il suffirait de regarder l’année 2020. Nous avons eu une pandémie mondiale massive qui a semé le chaos dans toutes les supply chains. Il est tout simplement impossible de prévoir ce genre de situations dans une perspective classique où l’on dispose d’un chiffre et l’on déclare : “voilà, c’est ça, c’est l’avenir.”

À la place, ce que vous pouvez obtenir, ce sont des prévisions probabilistes. L’idée est que tous les futurs sont possibles, mais qu’ils n’ont pas tous la même probabilité. C’est là l’essence de la prévision probabiliste. C’est l’idée que vous pouvez avoir une méthode statistique qui, au lieu de prétendre fournir la prévision parfaite sur le déroulement exact des événements futurs, se contente de dire : “J’ai tous ces futurs possibles ; certains sont plus probables que d’autres.” Cette approche intègre l’incertitude irréductible. Dans de nombreuses situations où l’on me dit, “vous ne pouvez pas prévoir cela,” la réponse est : “si, je le peux.” Je ne peux pas vous donner une prévision classique correcte, mais je peux certainement disposer d’une prévision probabiliste parfaite.

L’exemple extrême de cela serait les billets de loterie. Je peux déterminer précisément les chances qu’un billet particulier soit le billet gagnant. Je ne sais pas lequel sera le gagnant, mais si le jeu n’est pas truqué, je peux établir une prévision probabiliste parfaite qui reflète les probabilités uniformes pour tous les billets. C’est exactement ce qu’implique une prévision probabiliste ; cela signifie que vous acceptez le fait que, bien que vous ne connaissiez pas parfaitement l’avenir, vous en savez beaucoup sur celui-ci. Quand nous disons que nous avons des probabilités, nous connaissons une multitude de choses. Par exemple, je peux dire qu’à tout moment, il existe un risque extrême de disruption massive sur le marché. Je ne sais pas exactement d’où viendra ce risque ; ce pourrait être une pandémie, un krach boursier, une guerre, ou un nouveau tarif comme celui introduit par le Président Trump. Il peut y avoir de nombreuses choses qui perturbent votre supply chain, et si je devais évaluer le risque extrême à tout moment pour une supply chain quelconque, il y aurait plusieurs pourcents de risque de chute massive pour le trimestre suivant. Encore une fois, ce n’est pas de la magie ; c’est simplement une hypothèse très raisonnable à formuler sur l’avenir. Avec les outils statistiques appropriés, vous pouvez obtenir quelque chose de bien plus élaboré. Tous les domaines incertains nécessitent une prévision, et une prévision probabiliste d’ailleurs. La demande n’est pas le seul domaine qui nécessite une prévision. Par exemple, tous les domaines où vous rencontrez des incertitudes nécessitent une prévision.

Cela pourrait inclure la prévision de la demande future, mais aussi des lead times, des retours futurs dans le e-commerce, des rendements de production incertains dans des sources de production primaires telles que l’extraction minière ou l’agriculture, des taux d’échec ou de rebut probabilistes dans le contrôle qualité des processus biologiques, ainsi que la réparation des pièces. Il existe une grande variété de domaines où l’incertitude est présente, et tous ces domaines méritent une prévision. Une bonne pratique supply chain consiste à adopter la nécessité de penser à tous les futurs possibles avec leurs probabilités respectives, en examinant toutes les choses qui doivent être prévues. Ce n’est pas seulement la demande.

Par exemple, nous pouvons même examiner des éléments tels que les prix des matières premières. Évidemment, si vous pouviez prévoir avec précision le prix futur d’une matière première, vous joueriez simplement en bourse et ne géreriez pas une véritable supply chain. Cependant, certaines matières premières sont bien plus volatiles sur le plan des prix que d’autres, ce qui signifie que le type de risque que vous assumez en traitant avec ces matières premières peut être optimisé avec les modèles appropriés en disposant de prévisions probabilistes dans votre arsenal d’outils.

Un autre élément est que ce ne sont pas seulement vos propres futurs possibles ; tous ces futurs possibles ne sont pas indépendants. Ils présentent de fortes dépendances, et c’est également un point où la théorie supply chain mainstream fait vraiment défaut. Ils considèrent la prévision de la demande comme si elle était complètement indépendante de tout le reste de ce qui se passe dans la supply chain. Même à ce jour, j’ai encore des prospects qui me demandent si Lokad peut réaliser une prévision sur 12 mois pour un produit spécifique.

Par exemple, disons que nous traitons avec une marque de sport et qu’ils demandent un sac à dos de randonnée. Pouvons-nous prévoir la demande pour les 12 prochains mois ? Ma réponse de base est : “cela dépend.” Si vous ne vendez qu’un seul sac à dos, alors peut-être aurez-vous une certaine demande. Mais si soudainement vous décidez d’enrichir considérablement votre assortiment et d’introduire dix variantes supplémentaires du même sac à dos avec un prix, une taille et des caractéristiques presque identiques, avec quelques différences ici et là, vous n’allongerez pas votre demande par un facteur dix uniquement parce que vous avez introduit dix produits très similaires. Pourtant, lorsque nous examinons la perspective classique de prévision, rien n’empêche le modèle de prévision d’augmenter radicalement les chiffres de la demande si vous augmentez simplement le nombre de produits à prévoir. Cela n’a donc aucun sens, et c’est pourquoi nous avons ces futurs. Ils ne sont pas seulement caractérisés par une incertitude irrégulière, mais aussi par les dépendances qui existent entre eux. Nous devons disposer d’outils capables d’appréhender tous ces changements.

Pour conclure, les prévisions sont essentielles si nous voulons espérer optimiser quoi que ce soit, tout simplement parce que nous devons anticiper l’avenir. Cependant, il faut garder à l’esprit qu’elles ne sont que des opinions éclairées sur le futur.

Elles ne sont pas réelles, dans le sens où la qualité de votre prévision n’a pas de conséquences directes sur votre supply chain. Dans de nombreuses entreprises, les gens se concentrent intensivement sur l’amélioration de la prévision, mais ma question est : dans quel but ? Si vous pensez qu’optimiser la prévision se traduit immédiatement par une meilleure performance de la supply chain, ma proposition est que cela relève d’une illusion. Ce n’est pas vrai, même pas de loin.

Les seules choses qui améliorent réellement une supply chain sont les décisions qui ont un impact tangible et physique sur la supply chain. Par décisions, j’entends des actions telles que l’achat d’une unité supplémentaire auprès d’un fournisseur, le déplacement d’une unité de stock d’un lieu à un autre, ou l’augmentation ou la diminution du prix de tout produit que vous vendez. Ces actions ont des conséquences réelles et tangibles pour l’entreprise.

Au contraire, les prévisions ne sont que des opinions éclairées sur l’avenir. Il est préférable d’avoir une opinion plus nuancée sur ce à quoi ressemblera l’avenir, mais les seules choses qui comptent vraiment sont les décisions. La proposition que je vous fais est que la pratique supply chain devrait être entièrement orientée vers la génération de ces décisions, car c’est la seule chose qui compte. L’idée que vous pouvez disposer d’un département de prévision ou de planification est, dans une large mesure, erronée. Les prévisions ne servent qu’à éclairer vos suppositions lorsqu’il s’agit de prendre de meilleures décisions.

Il est très dangereux et erroné de séparer la partie prévisionnelle de l’optimisation des décisions. D’ailleurs, quand je parle de décisions réalisables, j’entends par là que les décisions doivent être conformes à toutes les contraintes physiques présentes dans la supply chain. Toute supply chain présente des non-linéarités partout. Par exemple, vous pouvez avoir des quantités de commande minimales, un espace de rayonnage maximal dans un magasin, et une capacité maximale en volume ou en poids dans un conteneur ou camion. Vous pouvez rencontrer des non-linéarités plus subtiles, telles que les dates d’expiration, ou le fait que certaines pièces dans l’aéronautique sont associées à des heures de vol et des cycles de vol, nécessitant des réparations planifiées.

Vous pouvez rencontrer toutes sortes de problèmes, par exemple certains produits, comme les produits frais, ne pouvant pas voyager dans le même camion. Ou, du moins, vous avez besoin de camions spéciaux car ils ne peuvent pas être transportés à la même température. Vous avez soit besoin de compartiments multiples, soit de plusieurs camions. Il existe de nombreuses contraintes qui limitent les décisions réalisables.

Que veux-je dire par décisions réalisables ? Je souligne ce terme, car il n’a pas de sens de dire que la quantité idéale pour réapprovisionner un magasin est de 1,3 unité d’un produit. Ce n’est pas une décision réalisable ; ce sera soit une unité, soit deux, mais vous ne pouvez pas avoir 1,3. Vous devez avoir quelque chose d’immédiatement actionnable d’un point de vue très concret, et c’est à cela que se réfère la faisabilité.

Maintenant, si nous examinons chaque décision réalisable et tous les futurs possibles, la question est : comment évaluer quelle décision est la bonne ?

Nous devons prendre en compte les leviers économiques. L’idée est que les pourcentages d’erreur n’ont pas d’importance ; seuls les dollars d’erreur et de récompense comptent. Il y a une grande illusion selon laquelle si vous optimisez des pourcentages, vous ferez réellement quelque chose de bien pour votre entreprise. Ce n’est pas vrai ; je pense que c’est profondément erroné.

Si vous voulez un exemple, regardons les taux de service. Que signifie avoir un taux de service très élevé ? J’entends fréquemment des prospects dire qu’ils veulent un taux de service de 99%. Nous pouvons certainement offrir cela, mais il faut accumuler des stocks de façon démesurée, ce qui se traduira par d’immenses radiations de stocks et une rentabilité abyssale. C’est un compromis, et ce n’est pas n’importe quel compromis – c’est un compromis économique. Pour quelque chose d’aussi simple que le taux de service, il existe un compromis entre le coût des stocks d’un côté et le coût des ruptures de stock de l’autre.

L’idée est que si nous prenons du recul et examinons ces leviers économiques pour chaque décision, nous pouvons en évaluer le résultat. Nous pouvons prendre une décision et, pour un futur possible, examiner l’issue de cette décision pour ce futur particulier. Nous pouvons évaluer ses résultats en dollars en nous appuyant sur les leviers économiques.

Que veux-je dire par leviers économiques ? Je fais référence à tous les facteurs qui façonnent la performance de votre entreprise. Le premier cercle de leviers est très simple – des éléments que vous trouverez dans les livres de comptabilité, tels que le coût des matériaux, le prix de vente, le coût de possession, les frais de transport et les coûts de transformation. Vous devez cumuler tous ces coûts, puis les soustraire de votre prix de vente pour calculer votre budget de coût. Ce sont le premier cercle de leviers, les éléments évidents que vous pouvez littéralement trouver dans votre ERP ou logiciel de comptabilité.

Cependant, ces coûts à eux seuls ne suffisent pas. Si vous ne les considérez que, vous vous retrouvez avec une perspective financière très myope. Vous devez inclure le second cercle de leviers économiques, ceux qui n’existent pas dans votre système, du moins pas explicitement. Ce sont typiquement les effets de second ordre de vos décisions supply chain. Par exemple, la plupart du temps, si vous subissez une rupture de stock, il n’y a pas de pénalité pour rupture de stock. Peut-être que si vous êtes une grande marque vendant à un large réseau de distribution comme Walmart, vous disposez d’un accord sur le taux de service et de pénalités si vous n’atteignez pas certains objectifs, mais ce n’est pas très fréquent. Même lorsque vous avez des pénalités, elles ne reflètent pas naturellement les véritables coûts que vous avez imposés à vos clients.

L’idée est que nous avons besoin de leviers qui représentent les conséquences de second ordre de vos actions, à la fois positives, comme générer une fidélité client supplémentaire (le loyalty de vos clients), et négatives, comme générer de la désaffection et inciter vos clients à se tourner vers une alternative ailleurs. Ceci dépend évidemment du problème. Par exemple, si vous êtes une marque de mode et que vous proposez une réduction en fin de saison, cela coûte plus que la simple perte immédiate du dollar remisé. Vous créez une habitude chez vos clients, qui s’attendront à la même réduction l’année prochaine. Cela illustre l’impact à court terme et à long terme de la construction d’habitudes et d’attentes parmi votre clientèle, ce dont je parle lorsque j’évoque les leviers économiques du second cercle.

Bien faite, l’optimisation financière n’est pas myope. Cependant, si vous effectuez une optimisation financière naïve, vous vous retrouvez avec beaucoup d’absurdités, ce qui est vrai pour toute recette naïve lorsqu’il s’agit de traiter des supply chains. L’optimisation économique est essentielle car, sans elle, vous n’avez même pas d’objectif pour votre optimisation. L’idée d’optimiser des pourcentages ne fonctionne pas ; vous voulez optimiser en dollars. À moins d’avoir consolidé tous ces dollars de récompense et de coût sous une même bannière, il n’y a rien à optimiser d’un point de vue quantitatif, et c’est ce qui nous intéresse dans cette série de conférences.

Nous avons besoin de ces dollars, sinon nous ne pouvons même pas commencer à optimiser. Ma proposition pour vous est que si votre entreprise n’a pas commencé à disposer d’un cadre financier unifié pour piloter l’optimisation de sa supply chain, elle n’a même pas encore commencé. Si vous avez des dizaines d’équipes traitant de pourcentages, de taux de service et d’autres indicateurs non monétaires, c’est une illusion de performance. Seuls les dollars comptent – dollars, euros ou yens – mais vous avez besoin d’un compte monétaire.

Ces leviers économiques ont un autre objectif très important qui est souvent négligé. Le premier objectif est de piloter l’optimisation numérique de manière très mécanique. Le deuxième objectif de ces leviers est de permettre le white-boxing, dont je reviendrai dans une conférence ultérieure. L’idée est que pour chaque décision, nous allons examiner tous les futurs possibles, attribuer la performance économique de la décision, en faire la moyenne sur tous les futurs possibles, puis classer toutes les décisions, de celle ayant le retour sur investissement (ROI) le plus élevé à celle ayant le moins élevé. Évidemment, nous voulons cesser de prendre ces décisions lorsqu’il n’y a plus de rentabilité. Cependant, nous avons besoin d’une certaine transparence et compréhension quant aux raisons pour lesquelles nous choisissons ces décisions plutôt que d’autres. Ici, ces leviers économiques s’avèrent très précieux car ils peuvent nous expliquer le “pourquoi” derrière toute décision qui sera générée par un système, une pratique ou un logiciel.

L’idée est que, grâce aux leviers économiques, vous pourrez examiner chaque décision et disposer de quelques indicateurs clés de performance (KPIs) exprimés en dollars, expliquant pourquoi cette décision est réellement bonne. Inversement, pour une décision non prise, vous pouvez examiner les leviers et évaluer pourquoi ce n’est pas une bonne décision.

Avec ces trois éléments clés, nous avons tout ce qu’il faut pour démarrer la pratique. Nous examinons tous les futurs possibles, toutes les décisions possibles, et nous confrontons chaque décision à tous les futurs possibles, en les évaluant en dollars et en les classant.

Pour rendre cela concret et efficace, l’état d’esprit nécessaire est une robotisation end-to-end complète. La raison pour laquelle vous avez besoin d’une robotisation end-to-end complète est de remettre la gestion aux commandes. Cela peut paraître étrange au début car, si vous robotisez, comment mettre quelqu’un aux commandes ? Cela est lié à la nature des supply chains, qui sont des systèmes très complexes et distribués, avec de nombreux sites, produits, clients, éléments logiciels, personnes et véhicules.

L’alternative à un processus robotisé générant toutes ces décisions quotidiennes est d’avoir une armée de commis utilisant un océan de tableurs. Le problème est que si vous gérez une armée de commis, chaque fois que vous voulez changer quoi que ce soit dans votre supply chain, il faut six mois pour que le changement soit assimilé, car vous devrez traiter avec de nombreuses personnes que vous devrez recycler et vérifier qu’elles comprennent réellement la nouvelle stratégie et les nouvelles règles.

La robotisation consiste à mettre en place une recette numérique end-to-end qui génère toutes ces décisions banales, afin d’éviter ce délai. Je parle de toutes les décisions banales ; je ne parle pas de décisions telles que démarrer une nouvelle usine dans un pays ou ouvrir un nouveau marché pour l’entreprise. Ces décisions, vous ne les prenez pas quotidiennement. Vous les prenez quelques fois par an, et il est parfaitement acceptable que beaucoup de personnes y réfléchissent. Mais pour chaque SKU que vous avez dans votre supply chain, vous avez une demi-douzaine de décisions à prendre chaque jour. Dois-je produire davantage ? Dois-je en apporter plus ? Dois-je déplacer le stock que je détiens ailleurs ? Dois-je augmenter ou diminuer le prix ? Dois-je même me débarrasser de ce stock qui ne sert à rien et ne fait qu’occuper de l’espace dans mon entrepôt ou magasin ? Même décider de ne rien faire, si vous avez un SKU et que vous décidez de ne rien faire de particulier aujourd’hui, est déjà une décision. Ainsi, compte tenu de l’échelle à laquelle opèrent les modern supply chains, je pense qu’une robotisation end-to-end est nécessaire si nous voulons espérer être agiles.

Il y a aussi un autre angle essentiel, à savoir qu’il est crucial de disposer d’une robotisation end-to-end si nous voulons un système capitalistique et précis. Ce sera le sujet de ma prochaine conférence, mais en bref, vous ne souhaitez pas traiter votre division supply chain comme des charges d’exploitation (OPEX). Vous voulez traiter votre investissement dans la supply chain comme des dépenses d’investissement (CAPEX). Tous les efforts que vous déployez dans la supply chain doivent être précis, et vous voulez faire de votre supply chain un atout capitalistique pour l’entreprise. La seule façon d’y parvenir est la robotisation ; sinon, l’alternative n’est qu’une armée de commis que vous devez payer chaque jour pour faire la même chose de manière répétée.

Cela m’amène à la question de savoir qui devrait être responsable de la robotisation et du logiciel qui effectue le travail administratif à la place d’une armée de commis.

Qui devrait être responsable de ces recettes numériques ? Qui devrait assumer la responsabilité de ces résultats ? La réponse classique, “nous avons un système, le système est responsable de cela”, me semble erronée. Un logiciel, même s’il s’agit d’un logiciel d’entreprise très coûteux, n’est jamais responsable de quoi que ce soit. Il n’est pas conscient de lui-même. Malgré ce que certaines personnes peuvent dire à propos de l’IA, nous n’y sommes pas encore. Ce que nous avons, ce sont des recettes numériques sophistiquées glorifiées, qui peuvent déjà apporter une valeur considérable à votre entreprise.

Quelqu’un dans votre entreprise ou à l’extérieur de celle-ci doit assumer la responsabilité de la qualité de ces résultats numériques qui piloteront votre supply chain de manière très concrète. La pratique que nous avons pionnière chez Lokad repose sur l’idée du Supply Chain Scientist. Le concept de Supply Chain Scientist est né de mes premiers échecs lorsque j’essayais de résoudre le problème avec des data scientists. Le problème avec les data scientists est que leur engagement se trouve dans les aspects techniques. Vous souvenez-vous de la première citation selon laquelle la façon la plus sûre de faire échouer quelque chose est avec des techniciens ? C’est exactement mon point de vue de nos jours quand on me parle de data scientists tentant de résoudre des problèmes de supply chain. C’est un chemin très court, avec très peu d’incertitudes quant à la direction que vous prenez réellement, sans que vous ayez nécessairement d’excellents résultats à l’issue du parcours. Le Supply Chain Scientist est la personne qui va assumer la responsabilité de générer des décisions concrètes, et cette personne doit prêter attention aux moindres détails de votre supply chain. Par exemple, si l’un de vos entrepôts a été inondé l’année dernière et que pendant trois semaines rien n’a circulé dans cet entrepôt, déformant complètement le profil de saisonnalité, vous ne pouvez pas passer cela sous silence comme un simple détail. Cela ne remet pas en cause la validité fondamentale du modèle mathématique. Le point de vue du Supply Chain Scientist est que cela compte. Si je finis par prendre de mauvaises décisions pour cet entrepôt parce qu’un accident opérationnel passé a introduit d’importants biais dans mes données historiques, cela compte. Tout cela compte, que cela génère des dollars de récompense ou des dollars de coût.

Si l’on regarde cette illustration avec deux types de savants, Indiana Jones, censé être un érudit et chercheur, et Windle Poons tiré des œuvres de Terry Pratchett, la réalité de ces deux personnages fictifs ne pourrait être plus profondément différente. La différence fondamentale entre eux reflète en grande partie celle entre un Supply Chain Scientist et un data scientist. À titre de test décisif, vous pouvez vous demander : est-ce que le PDG s’en soucie ? Est-ce que le PDG de l’entreprise va vous remettre en question, en tant que Supply Chain Scientist, sur ce que vous faites ? Mon expérience de la gestion de Lokad pendant plus d’une décennie est que je rencontre maintenant régulièrement les PDG et les conseils d’administration de mes clients, et ils me questionnent sur les fondamentaux de leur supply chain et sur comment nous apportons des dollars de retour.

Les questions ne tournent pas autour de l’utilisation des support vector machines ou des gradient boosted trees. Les questions concernent le chemin qui garantit que la supply chain est un atout précieux pouvant surpasser le reste du marché.

J’ai présenté cinq points comme exigences, et non la solution réelle au problème. Ce ne sont qu’une liste d’éléments qui, s’ils ne sont pas correctement abordés, signifient que vous n’avez même pas réellement commencé à travailler sur quelque chose qui améliorerait ou optimiserait la supply chain de manière significative, du moins pas de manière quantitative. Il existe de nombreuses optimisations non quantitatives, comme un meilleur équipement, de meilleures politiques de recrutement, ou des incitations financières bien pensées pour vos équipes.

Il existe un plan détaillé complet des prochaines conférences sur le site de Lokad à lokad.com/lectures. Nous devrons couvrir de nombreux sujets, incluant différentes perspectives, concepts, et paradigmes, notamment en ce qui concerne les méthodes de programmation, les outils, et les pratiques. Il y a une quantité significative de matériel à aborder, et tous ces concepts seront présentés pour aider à remplir les cinq points que j’ai présentés précédemment. Sans cela, l’approche ne fonctionnera tout simplement pas.

Maintenant, pour aborder une digression, certaines personnes m’ont contesté en disant que la vision que je présente est tellement différente de ce qu’elles font actuellement. Elles soutiennent que c’est trop avancé, et elles préfèrent y aller doucement, en améliorant de manière incrémentale avant d’envisager cette approche de la Supply Chain Quantitative. Cependant, je pense que cette approche du “ramper, marcher, courir” est une erreur. Le progrès est souvent non incrémental et perturbateur. Par exemple, lorsque Amazon a décidé de devenir un fournisseur de cloud computing, ils ont franchi un cap significatif en passant de la vente de livres en ligne à l’offre de ressources de cloud computing à la demande. Ce n’était pas une progression douce et étape par étape; c’était un changement perturbateur.

De même, il y a la fameuse citation de Henry Ford, qui disait que s’il avait demandé à ses clients ce qu’ils voulaient, ils auraient demandé des chevaux plus rapides. L’essentiel est que si nous acceptons l’idée que les exigences que j’ai énumérées sont nécessaires, et que la plupart des entreprises n’ont même pas commencé à examiner le problème sous le bon angle, alors notre point de départ avec la plupart des clients est que presque personne ne possède de maturité dans ce domaine. Il est illusoire de penser que de plus grandes entreprises, avec de grandes divisions optimisant les mauvais indicateurs, possèdent une réelle maturité en gestion de la supply chain.

Mon message au public est de ne pas vous considérer comme immatures simplement parce que vous ne faites pas ce que font les autres entreprises, notamment en ce qui concerne la taille de leurs bureaucraties respectives. De mon point de vue, cela en dit très peu sur leur efficacité. Les entreprises que je vois avec le plus de maturité sont généralement de petites entreprises du e-commerce nord-américain, agiles et axées sur le numérique. Elles ne disposent peut-être pas d’énormes équipes de data scientists, mais plutôt de quelques personnes avec le bon état d’esprit et des recettes numériques appropriées.

En conclusion, j’ai abordé les aspects liés au côté de la nécessité du problème. Dans la prochaine conférence, nous commencerons à examiner le côté de la suffisance du problème, en nous concentrant sur notre énoncé du problème et la solution. Toutefois, il est crucial de commencer par l’énoncé du problème, car cela nous permet de comprendre si la solution que nous présentons a de la valeur ou si elle n’est qu’une solution en quête d’un problème.

Je vous remercie beaucoup pour votre temps aujourd’hui. Maintenant, je vais répondre aux questions.

Question: J’ai apprécié la subtile référence à Dune.

Je suis heureux que vous ayez apprécié la référence à Dune. Les personnages principaux du livre ont la capacité de voir tous les futurs possibles, ce qui leur confère des capacités stratégiques supérieures. Cette métaphore est tout à fait adaptée à la gestion de la supply chain. Si vous pouvez examiner tous les futurs possibles, même si vous ne savez pas exactement lequel se réalisera, cela vous donne un avantage considérable par rapport aux concurrents qui ne considèrent qu’un seul résultat possible.

Question: Pourriez-vous élaborer davantage sur les moteurs de second ordre ?

Quand je dis “second ordre”, je fais référence aux conséquences de second ordre. En gestion de la supply chain, nous traitons avec des humains et des systèmes complexes, et non seulement avec des systèmes physiques simples aux trajectoires prévisibles. Les gens peuvent s’adapter, et nous devons prendre en considération leurs actions et réactions.

Par exemple, par le passé chez Lokad, nous avions un client pour lequel nous avions suggéré des quantités précises de commandes d’achat. Cependant, nous avons remarqué que le client finissait par passer des commandes avec des quantités beaucoup plus élevées que celles que nous recommandions. Il s’est avéré que, lorsque le client recevait les marchandises, les équipes chargées de la réception recompteraient les articles afin de s’assurer qu’ils correspondaient à la commande initiale. Si la quantité reçue ne correspondait pas à la commande, leur système présentait une limitation particulière : ils pouvaient soit annuler toute la commande d’achat et renvoyer la marchandise, mettant ainsi leur chaîne de production en péril. Ce qui se passait, c’était qu’ils modifiaient la quantité de la commande d’achat originale pour qu’elle corresponde à la quantité reçue. Au fil des années, certains fournisseurs astucieux avaient découvert cette propriété unique du système ERP. Lorsqu’ils approchaient de la fin du trimestre et n’avaient pas atteint leurs objectifs, ils savaient qu’ils pouvaient imposer ce qu’ils voulaient à ce client, qui l’acceptait et réglait la facture sans poser de questions ni se plaindre.

C’est un exemple de ce que j’appelle un effet de second ordre. Vous avez un aspect apparemment trivial et banal de votre ERP, mais ensuite, vous avez des humains intelligents dans la boucle qui manipulent le système. Cela est inévitable dès lors que vous traitez avec des humains, car ils peuvent réfléchir et réagir à tout ce que vous faites. L’idée des conséquences de second ordre est que vous devez prendre en compte les conséquences des conséquences. Cela pourrait même être d’ordre quatrième ou cinquième – il faut penser aux conséquences en cascade. C’est un jeu intellectuel exigeant, mais si vous ne prenez pas en compte les conséquences de second ordre, vous pourriez finir par prendre de mauvaises décisions.

Quant aux moteurs économiques de second ordre, il est essentiel de leur attribuer une valeur en dollars, même si cela peut être difficile. L’important est d’être approximativement correct plutôt que précisément faux. Il vaut mieux avoir une estimation approximative qui ait du sens plutôt que des calculs précis qui vous induisent en erreur.

Question: Quelles sont les techniques utilisées dans la robotisation complète ?

Il existe de nombreuses techniques pour la robotisation complète, que nous aborderons dans les prochaines conférences sur programming paradigms. Bien que nous parlions de logiciels, nous devons considérer les propriétés de conception fondamentales qui sont les plus désirables pour réaliser la robotisation. Le but principal est de créer des logiciels de qualité production, et non nécessairement de l’IA. Vous ne pouvez pas atteindre un taux d’erreur de prévision de zéro pour cent, mais vous pouvez viser un taux d’insanité de zéro pour cent.

Par “insanité”, j’entends quelque chose qui mettrait en péril toute votre entreprise. Par exemple, Target Canada a fait faillite à cause d’une optimisation de la supply chain qui a mal tourné, et Nike a connu une catastrophe en 2004 lorsqu’une de leurs solutions logicielles de supply chain, qui était un concurrent de Lokad, a failli entraîner l’effondrement de l’entreprise. Donc, tout d’abord, nous aborderons ce sujet lors de la prochaine conférence, mais cela nous prendra un peu de temps pour y parvenir.

Question: Dans votre prévision, si nous essayons d’englober autant de variables progressives, nous devrions développer nos propres modèles, et cela pourrait devenir des simulations. Avez-vous des réflexions à ce sujet ?

Il n’y a pas de différence nette entre une simulation précise du futur et une prévision probabiliste. Ce sont deux variantes de recettes numériques pour appréhender l’avenir. Chaque fois que vous disposez d’un modèle de prévision probabiliste, vous pouvez générer des trajectoires qui représentent le futur. Vous prenez vos probabilités, tirez une déviation, créez une observation fictive, réapprenez votre modèle, reconstruisez vos probabilités, et itérez. La distinction entre simulation et modélisation statistique devient mince, surtout pour les modèles adaptés aux besoins de la supply chain. Dans une large mesure, ils se recouvrent complètement.

Question: Les solutions que vous avez développées sont-elles basées sur le service ou une combinaison des deux ? Quel est votre avis sur cette approche pour l’avenir de la supply chain ?

Chez Lokad, notre perspective est de fournir des performances de la supply chain exprimées en dollars. Il existe une complexité immense dans ce domaine, et tout comme l’incertitude est irréductible en matière de prévision, la complexité l’est également si vous essayez de disposer d’un produit logiciel qui traite tous les problèmes à la fois. Il vous faut une méta-solution pour le problème. L’approche adoptée chez Lokad est de reconnaître le besoin d’intelligence humaine, spécifiquement de Supply Chain Scientist. Je pense qu’il est irréaliste de croire que l’IA peut comprendre les défis d’une supply chain moderne.

Nous avons besoin de personnes intelligentes et expérimentées, dotées des compétences appropriées pour être efficaces dans leur travail. Lokad a développé un produit dans le but de rendre les Supply Chain Scientist productifs et extrêmement fiables. Le défi consiste à fournir les bons outils à ces Supply Chain Scientist. En résumé, Python n’est pas la solution, et à mesure que nous avançons dans ces conférences, vous verrez qu’il y a des problèmes profonds avec la plupart des langages de programmation génériques. Ces problèmes de conception les rendent inadaptés pour aborder les problèmes de la supply chain de manière satisfaisante. Nous devrons examiner les détails, car il y a beaucoup de nuances dans ce que j’entends par “qualité production” et la “préparation à la production” de la solution. Rappelez-vous, c’est le zéro pour cent d’insanité que nous voulons, car tant que vous avez un robot insensé qui a un impact négatif sur votre supply chain, cela ne peut tout simplement pas fonctionner. C’est ce que nous devons aborder en premier.

Question: Souvent, les approches quantitatives nous obligent à quantifier ce qui n’a pas encore été quantifié ou ce qui se trouvait dans des feuilles Excel, et non dans les systèmes ERP. Quelle est la méthode la plus efficace pour traiter ce problème ? Comment ces informations supplémentaires peuvent-elles être recueillies de manière à être aussi fiables que les informations provenant des systèmes ERP ?

Il y a deux problèmes distincts ici. Premièrement, il y a le statu quo, où le problème de quantifier les récompenses et les erreurs est que c’est politiquement très difficile. Beaucoup de personnes dans les grandes organisations ont de fortes incitations à ne pas discuter en termes de dollars de retours ou de récompenses, car sinon l’entreprise se rendrait compte qu’elle n’a aucune valeur ajoutée. Ainsi, de nombreuses choses ne sont pas quantifiées simplement parce qu’il y a de fortes forces politiques qui s’y opposent.

Pour rendre cela plus concret, lorsque Lokad a commencé à travailler pour un réseau de distribution afin d’optimiser les stocks en magasin, nous avons réalisé que les stocks servaient deux objectifs radicalement différents. Le premier objectif était de bien servir les clients, nécessitant une certaine quantité de stocks. L’autre objectif était de donner à la boutique une apparence de plénitude et d’attrait, ce qui nécessitait une quantité supplémentaire de stocks. Nous avions une quantité de stocks exprimée en euros pour ce grand détaillant et avons indiqué que la moitié des stocks était nécessaire à des fins de service et devait être prise en charge par la supply chain, tandis que l’autre moitié était nécessaire à des fins de merchandising et devait être de la responsabilité du marketing. Évidemment, le marketing, qui se voyait soudainement attribuer une ligne d’inventaire massive dans son budget, n’était pas ravi de cette idée.

Ainsi, tout d’abord, nous devons reconnaître qu’il est très difficile d’établir des règles pour quantifier les dollars de récompense et de coût, et que ces règles devraient s’appliquer à tous de manière égale. Cela est difficile à réaliser, et de nombreuses personnes dans les organisations ont un intérêt personnel à maintenir les choses ainsi. Nous avons un autre type de problème, qui est en réalité beaucoup plus facile à aborder : le shadow IT. Le problème avec les ERP et logiciels similaires, comme vous pouvez le constater dans la base de connaissances Lokad sur les ERP, est qu’il est très difficile pour les fournisseurs d’ERP de couvrir toutes les situations. Par exemple, vous pourriez avoir des quantités minimales de commande (MOQs). Comment représentez-vous cela dans un ERP ? Cela dépend vraiment. Le MOQ peut se situer au niveau du produit, au niveau de la commande, ou parfois être une combinaison des deux. Cela peut même être plus compliqué, comme dans l’industrie textile, où le MOQ est défini par la quantité de tissu pour chaque couleur.

Le problème est que, pour les fournisseurs d’ERP, il est incroyablement difficile de représenter tout cela. En conséquence, les gens achètent un ERP et se rendent compte ensuite qu’il ne leur permet pas de représenter tout ce dont ils ont besoin, et ils se rabattent sur des feuilles Excel. Je pense que c’est précisément le rôle d’un bon département informatique : construire et fournir les éléments manquants afin que le shadow IT ne reste pas shadow IT, mais devienne plutôt de petites extensions internes. En un sens, avoir un ERP est bien, et mon conseil est de ne pas personnaliser votre ERP, mais de faire quelque chose en parallèle. C’est beaucoup plus facile à maintenir que de suivre la voie “Frankenstein” par-dessus l’ERP.

Merci beaucoup à tous pour votre attention. La prochaine conférence aura lieu mercredi prochain, même jour, même heure. À bientôt. Au revoir.