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 de la supply chain
45:30 En conclusion
46:13 Questions de l’audience

Description

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

Transcription intégrale

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 d’entre vous qui regardent le 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 retournerai sur le chat et commencerai par les questions posées en premier, et je 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 celui des femmes, mais le plus sûr était celui des techniciens. Évidemment, dans cette série de conférences, nous optons pour la troisième option. Je crois qu’il y a du bon sens 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 d’aspects techniques, comme les ingénieurs, mais aussi celles qui gèrent les processus et les workflows, ce type de technicités que l’on retrouve dans les MBA.

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

Pour la conférence d’aujourd’hui, je vais malheureusement m’appuyer un peu sur l’argumentation. Le défi est que si vous avez une problématique, vous pouvez démontrer que vous avez une solution supérieure pour cette problématique. Cependant, pouvez-vous prouver que vous avez, dès le départ, une problématique de premier ordre ? Cela est bien plus exigeant intellectuellement.

L’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 d’aborder ce sujet est difficile. Aujourd’hui, je vais essayer de présenter un ensemble de prérequis que je considère essentiels si nous voulons un jour espérer livrer quelque chose de satisfaisant pour la supply chain. Cependant, je ne peux pas vraiment prouver que chacun des éléments que je propose est véritablement indispensable. Il y a un élément de conviction, ainsi qu’un élément de compréhension globale. Un autre aspect de cette conviction est que, à moins de disposer d’une solution à présenter face à vos exigences, tout ce que vous avez, c’est du vœu pieux. Je vous demanderais donc de suspendre votre incrédulité pour une ou deux conférences supplémentaires, afin que nous nous concentrions sur la nature même du problème et sur les éléments hautement souhaitables pour qu’une solution puisse être éligible à une bonne pratique de supply chain.

Alors, poursuivons. Il y a quelques années, Lokad avait déjà innové dans 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 qui, selon moi, divergent considérablement de la théorie classique de la supply chain. Je voulais utiliser ces cinq points comme moyen de présenter en quoi la supply chain quantitative diffère de la supply chain classique. Je m’excuse quant à la terminologie un peu malheureuse, car même la théorie classique de la supply chain 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 classique de la supply chain.

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

1. Tous les futurs possibles : Nous devons envisager de nombreux futurs, et pas un seul.
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 auxquelles je faisais référence.
3. Moteurs économiques : L’idée selon laquelle nous allons comptabiliser les dollars d’erreur, et non le pourcentage d’erreur.
4. Robotisation comme condition du contrôle de gestion : Cela peut sembler paradoxal puisque l’on pourrait penser que la robotisation implique une perte de contrôle, mais la proposition est exactement l’inverse – il faut de la robotisation si l’on veut que les humains gardent le contrôle en ce qui concerne la supply chain.
5. Supply Chain Scientist : À l’issue de la pratique, il devrait y avoir une personne qui détient la responsabilité 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 envisager tous les futurs possibles. Pourquoi devons-nous même regarder vers l’avenir ? Parce que tout prend du temps. Nous ne pouvons pas tout imprimer en 3D instantanément, et même si c’était possible, 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, vous le faites en anticipant un état futur du marché où il y aura une certaine demande pour ces produits. Vous travaillez ensuite à rebours pour établir une sorte de prévision, optimisant ainsi votre supply chain en conséquence.

Nous devons adopter cette perspective tournée vers l’avenir et établir ces prévisions, qui ne sont en réalité qu’une saveur mathématique de l’intuition. Mais de quelles 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 celles des séries temporelles, qui, à mes yeux, présentent de profondes lacunes à plusieurs égards. Le premier point est que cette approche ignore totalement l’idée d’incertitude. Ma proposition est que l’incertitude est complètement irréductible, et que, chaque fois que vous traitez de supply chains, l’avenir ne peut jamais être prédit parfaitement. L’idée que l’on puisse atteindre une précision des prévisions de 99% est absurde. Même en regardant la consommation d’eau ou d’électricité, il est très difficile d’atteindre un tel degré de précision.

En regardant de manière réaliste les supply chains et en considérant, par exemple, un produit dans un magasin qui ne vend qu’une unité par semaine pour un produit donné dans un magasin donné, il n’y a aucun espoir d’atteindre une précision inférieure à un pour cent. La question n’a même pas de sens. Ainsi, l’incertitude est irréductible. Si nous voulions la prouver de manière plus évidente, il suffirait de regarder l’année 2020. Nous avons connu une pandémie mondiale massive qui a semé le chaos dans les supply chains. Il est tout simplement impossible de prévoir ce genre d’événements à partir d’une perspective classique où l’on attribue un chiffre et on déclare “voilà, c’est ça, c’est l’avenir.”

Au lieu de cela, vous pouvez disposer de prévisions probabilistes. L’idée est que tous les futurs sont possibles, mais qu’ils ne sont pas tous également probables. C’est là l’essence de la prévision probabiliste. C’est l’idée que vous pouvez utiliser une méthode statistique qui, plutôt que de prétendre disposer de la prévision parfaite sur la manière dont les événements se dérouleront, se contente de dire : “J’ai tous ces futurs possibles ; certains sont plus probables que d’autres.” Cette approche intègre pleinement l’incertitude irréductible. Dans de nombreuses situations où l’on me dit “vous ne pouvez pas prévoir cela”, la réponse est “si, je peux”. Je ne peux pas vous fournir une prévision classique correcte, mais je peux certainement établir une prévision probabiliste parfaite.

L’exemple extrême serait celui des billets de loterie. Je peux établir les cotes exactes pour qu’un billet particulier soit gagnant. Je ne sais pas lequel va gagner, mais si le jeu n’est pas truqué, je peux établir une prévision probabiliste parfaite qui reflète des probabilités uniformes pour tous les billets. C’est exactement ce que signifie une prévision probabiliste : cela signifie que vous acceptez le fait que, bien que vous ne connaissiez pas parfaitement l’avenir, vous en savez beaucoup à son sujet. Quand nous disons que nous avons des probabilités, nous savons beaucoup de choses. Par exemple, je peux dire qu’à tout moment, il existe un risque de longue traîne d’une disruption massive sur le marché. Je ne sais pas exactement d’où viendra ce risque ; peut-être sera-ce une pandémie, un krach boursier, une guerre, ou une nouvelle taxe comme celle que le président Trump a introduite. Cela peut être de nombreuses choses qui perturbent votre supply chain, et si je devais évaluer le risque de longue traîne à tout moment pour une supply chain quelconque, il y aurait plusieurs pour cent de risque d’une chute massive au cours du trimestre suivant. Encore une fois, ce n’est pas de la magie ; c’est simplement une hypothèse très raisonnable à faire 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 de surcroît une prévision probabiliste. La demande n’est pas le seul domaine qui a besoin d’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 les délais d’approvisionnement, les retours futurs dans le le e-commerce, les rendements de production incertains dans les sources de production primaires telles que l’exploitation minière ou l’agriculture, les taux de défaillance ou de rebut probabilistes en contrôle qualité pour les processus biologiques, ainsi que les réparations de pièces. Il existe une grande variété de domaines où l’incertitude est présente, et tous ces domaines méritent une prévision. Une bonne pratique de supply chain consiste à accepter la nécessité de penser à tous les futurs possibles avec leurs probabilités respectives, en examinant toutes les choses qui doivent être prédites. Il ne s’agit pas seulement de 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 vous contenteriez de jouer en bourse et ne géreriez pas une véritable supply chain. Cependant, certaines matières premières sont beaucoup plus volatiles en termes de 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 bons modèles grâce à des 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 aspect dans lequel la théorie classique de la supply chain fait vraiment défaut. Ils considèrent la prévision de la demande comme si elle était complètement indépendante de tout ce qui se passe dans la supply chain. Même à ce jour, certains prospects viennent me demander si Lokad peut réaliser une prévision à 12 mois pour un produit spécifique.

Par exemple, supposons que nous traitions avec une marque de sport et qu’ils demandent un sac à dos de suivi. Pouvons-nous prévoir la demande sur les 12 prochains mois ? Ma réponse de base est : « cela dépend ». Si vous vendez un seul sac à dos, vous aurez peut-être une certaine demande. Mais si soudainement vous décidez d’augmenter considérablement votre assortiment et d’introduire dix variantes supplémentaires du même sac à dos avec pratiquement le même prix, la même taille et les mêmes caractéristiques, avec quelques poches et accessoires en plus ou en moins, vous ne multiplierez pas votre demande par un facteur dix simplement parce que vous avez introduit dix produits très similaires. Pourtant, lorsque nous examinons la perspective classique de la prévision, rien n’empêche le modèle de prévision d’enfler radicalement les chiffres de la demande si vous augmentez simplement le nombre de produits à prévoir. Cela n’a donc pas de sens, et c’est pourquoi nous avons ces futurs. Ils ne se caractérisent pas uniquement 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, simplement parce que nous devons anticiper. Cependant, il faut garder à l’esprit qu’il ne s’agit que d’avis éclairés sur l’avenir.

Ils ne sont pas réels, dans le sens où la qualité de vos prévisions n’a pas de conséquences directes sur votre supply chain. Dans de nombreuses entreprises, on se concentre intensivement sur l’amélioration des prévisions, mais ma question est : dans quel but ? Si vous pensez qu’optimiser les prévisions se traduit immédiatement par de meilleures performances de la supply chain, ma proposition pour vous est qu’il s’agit d’une illusion. Ce n’est pas vrai, même de loin.

Les seules choses qui améliorent réellement une supply chain sont les décisions ayant 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 la hausse ou la baisse 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 l’aspect futur, mais les seules choses qui comptent vraiment sont les décisions. La proposition que je vous fais est que la pratique de la supply chain devrait être complètement orientée vers la génération de ces décisions, car c’est la seule chose qui importe. L’idée que vous puissiez avoir quelque chose comme un département de prévision ou de planification est, dans une large mesure, erronée. Les prévisions ne servent qu’à affiner vos estimations pour prendre de meilleures décisions.

Il est très dangereux et malavisé de dissocier la partie prévision de l’optimisation des décisions. D’ailleurs, quand je dis décisions réalisables, je veux dire que les décisions doivent être conformes à toutes les contraintes physiques présentes dans la supply chain. Toute supply chain présente des non-linéarités un peu partout. Par exemple, vous pouvez avoir des quantités minimales de commande, un espace d’étalage maximal dans un magasin, et une capacité maximale en volume ou en poids dans un conteneur ou un truck. Vous pouvez rencontrer des non-linéarités plus subtiles, telles que les dates d’expiration ou le fait que certaines pièces dans l’aérospatiale sont assorties d’heures de vol et de cycles de vol, nécessitant des réparations programmées.

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

Que veux-je dire par décisions réalisables ? Je souligne ce terme parce qu’il n’a pas de sens de dire que la quantité parfaite 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. Il faut 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 se pose : comment évaluer laquelle est la bonne décision ?

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 que si vous optimisez des pourcentages, vous ferez réellement quelque chose de bien pour votre entreprise. Ce n’est pas vrai ; je crois que c’est profondément malavisé.

Si vous voulez un exemple, regardons les taux de service. Qu’est-ce que cela signifie d’avoir un taux de service super élevé ? J’entends fréquemment des prospects dire qu’ils veulent un taux de service de 99 %. Nous pouvons certainement atteindre cela, mais il faut alors entasser 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. Dans quelque chose d’aussi simple que le taux de service, il y a un compromis entre le coût de 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 donné, analyser le résultat de cette décision pour ce futur particulier. Nous pouvons quantifier ses retombées en dollars en nous basant sur ces leviers économiques.

Que veux-je dire par leviers économiques ? Je veux dire tous les facteurs qui façonnent la performance de votre entreprise. Le premier cercle de leviers est très simple – des éléments que vous retrouverez dans les livres de comptabilité, tels que le coût des matières, le prix de vente, le coût de détention, les coûts de transport et les coûts de transformation. Il faut cumuler tous ces coûts puis les soustraire de votre prix de vente pour calculer votre budget de coûts. Ce sont les leviers du premier cercle, les plus évidents que vous pouvez littéralement trouver dans votre ERP ou votre logiciel comptable.

Cependant, ces coûts à eux seuls ne sont pas suffisants. Si vous ne considérez qu’eux, vous aboutissez à une perspective financière très myope. Il faut inclure le second cercle de leviers économiques, ceux qui n’existent pas dans votre système, du moins pas explicitement. Il s’agit généralement des effets de second ordre de vos décisions de supply chain. Par exemple, la plupart du temps, si vous avez une rupture de stock, il n’y a pas de pénalité associée. Peut-être que si vous êtes une grande marque vendant à un vaste réseau de distribution comme Walmart, vous avez un accord de taux de service et des 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 vrais 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, et négatives, comme engendrer de la déloyauté et inciter vos clients à se tourner vers une alternative. Cela dépend évidemment du problème. Par exemple, si vous êtes une marque de mode et que vous offrez une réduction à la fin de la saison, le coût dépasse la perte immédiate du dollar remisé. Vous créez une habitude chez vos clients, qui s’attendront à la même réduction l’année suivante. Cela illustre l’impact à court terme et l’impact à long terme de la formation d’habitudes et d’attentes parmi votre clientèle.

Fait correctement, l’optimisation financière n’est pas myope. Cependant, si vous optez pour une optimisation financière naïve, vous obtenez beaucoup d’absurdités, ce qui est vrai pour toute recette naïve lorsqu’il s’agit de gérer 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 devez optimiser des dollars. À moins d’avoir consolidé tous ces dollars de récompense et de coût sous un même parapluie, il n’y a rien à optimiser d’un point de vue quantitatif, ce qui est au cœur de 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 adopter 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 s’occupant de pourcentages, de taux de service et d’autres indicateurs non monétaires, ce n’est qu’une illusion de performance. Seuls les dollars comptent – dollars, euros ou yens – mais il faut un compte monétaire.

Ces leviers économiques ont un autre objectif très important, souvent négligé. Le premier objectif est de piloter l’optimisation numérique de manière très mécanique. Le second objectif de ces leviers est de permettre le white-boxing, auquel je reviendrai dans une conférence ultérieure. L’idée est que pour chaque décision, nous allons examiner tous les futurs possibles, attribuer à la décision ses performances économiques, faire la moyenne des performances économiques des décisions sur l’ensemble des futurs, puis classer toutes les décisions de celle qui offre le meilleur retour sur investissement (ROI) à celle qui offre le moins. Évidemment, nous voulons cesser de prendre ces décisions lorsqu’il n’y a plus de rentabilité. Cependant, il nous faut une certaine transparence et compréhension quant aux raisons pour lesquelles nous choisissons ces décisions plutôt que d’autres. Ici, ces leviers économiques se révèlent très précieux car ils peuvent nous expliquer le « pourquoi » derrière chaque décision qui sera générée par un système, une pratique ou un logiciel.

L’idée est qu’avec ces leviers économiques, vous serez capable d’examiner chaque décision et de disposer de quelques indicateurs clés de performance (KPIs) exprimés en dollars, expliquant pourquoi cette décision est réellement bonne. Inversement, pour une décision qui n’est pas prise, vous pourrez examiner les leviers et évaluer pourquoi elle n’est pas bonne.

Avec ces trois éléments fondamentaux, nous avons tout ce qu’il faut pour lancer la pratique. Nous examinons tous les futurs possibles, toutes les décisions possibles, et nous confrontons chaque décision à l’ensemble des futurs, en les notant en dollars et en les classant.

Pour rendre cela réel et efficace, l’état d’esprit requis est une robotisation complète de bout en bout. La raison pour laquelle vous avez besoin d’une robotisation complète de bout en bout est de remettre le management aux commandes. Cela peut paraître étrange au premier abord, car si vous robotisez, comment quelqu’un peut-il rester aux commandes ? Cela tient à la nature des supply chains, qui sont des systèmes complexes et distribués, avec de nombreux sites, produits, clients, éléments logiciels, personnes et véhicules.

L’alternative à un processus robotisé qui génère toutes ces décisions quotidiennes est d’avoir une armée de commis utilisant une mer de spreadsheets. Le problème est que si vous gérez une armée de commis, dès que vous voulez changer quelque chose dans votre supply chain, il faut six mois pour que le changement se fasse sentir, car vous devrez gérer de nombreuses personnes à former de nouveau et vérifier qu’elles comprennent réellement la nouvelle stratégie et les nouvelles règles.

La robotisation consiste à mettre en place une recette numérique de bout en bout qui génère toutes ces décisions banales, afin d’éviter ce délai. J’évoque ici 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 de nombreuses 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 plus ? Dois-je en apporter davantage ? Dois-je déplacer les stocks que je possède ailleurs ? Dois-je faire varier le prix à la hausse ou à la baisse ? Dois-je même me débarrasser de ces stocks qui ne servent à rien et qui occupent simplement de l’espace dans mon entrepôt ou mon 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 suis convaincu qu’il faut une robotisation complète de bout en bout si nous voulons espérer être agiles.

Il y a également un autre angle essentiel : il est crucial d’avoir une robotisation complète de bout en bout si nous voulons un jour disposer de quelque chose de capitalistique et d’exact. Ce sera le sujet de ma prochaine conférence, mais en résumé, vous ne voulez pas traiter votre division de supply chain comme des charges d’exploitation (OPEX). Vous voulez considérer votre investissement en supply chain comme des dépenses d’investissement (CAPEX). Tous les efforts que vous déployez pour la supply chain doivent être précis, et vous souhaitez faire de votre supply chain un actif capitalistique de l’entreprise. La seule manière d’y parvenir est la robotisation ; sinon, l’alternative se résume à une armée de commis que vous devez payer chaque jour pour faire la même chose encore et encore.

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 prendre en charge 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’a pas de conscience de lui-même. Malgré ce que certains pourraient dire à propos de l’AI, nous n’y sommes pas encore. Ce que nous avons, ce sont des recettes numériques sophistiquées, qui peuvent déjà apporter une valeur considérable à votre entreprise.

Quelqu’un dans votre entreprise ou en dehors doit prendre en main la qualité de ces résultats numériques qui piloteront votre supply chain de manière très concrète. La pratique que nous avons innovée chez Lokad est celle du Supply Chain Scientist. Le concept de Supply Chain Scientist est né de mes premiers échecs lorsque j’essayais d’aborder le problème avec des data scientists. Le problème avec les data scientists, c’est que leur engagement se limite aux aspects techniques. Vous vous souvenez de la première citation sur la meilleure manière de faire échouer quelque chose, c’est avec des techniciens ? C’est exactement mon point de vue aujourd’hui 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 à prendre, sans que cela garantisse de grands résultats au bout du parcours. Le Supply Chain Scientist est la personne qui va prendre en charge la génération de décisions concrètes, et elle 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 qu’aucune activité n’y a circulé pendant trois semaines, déformant complètement le profil de saisonnalité, vous ne pouvez pas passer cela pour un simple détail. Cela ne remet pas en cause la validité fondamentale du modèle mathématique, mais du point de vue du Supply Chain Scientist, cela compte. Si je finis par prendre de mauvaises décisions pour cet entrepôt parce qu’un accident opérationnel passé a introduit de forts biais dans mes données historiques, cela compte. Tout cela compte, que cela génère des dollars de récompense ou des dollars de coût.

Si nous regardons cette illustration avec deux types d’universitaires, 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 peut être plus fondamentalement différente. La différence fondamentale entre eux reflète à peu près celle entre un Supply Chain Scientist et un data scientist. Comme test décisif, vous pouvez vous demander : est-ce que le PDG s’en soucie ? Le PDG de l’entreprise va-t-il vous remettre en question, en tant que Supply Chain Scientist, sur ce que vous faites ? Mon expérience de Lokad depuis plus d’une décennie, c’est que je rencontre régulièrement les PDG et les conseils d’administration de mes clients, et ils me questionnent sur les fondements de leur supply chain et sur la manière dont nous générons des retours en dollars.

Les questions ne tournent pas autour du choix entre support vector machines ou gradient boosted trees. Les questions portent sur la voie qui garantit que la supply chain est un actif précieux capable de surpasser le reste du marché.

J’ai présenté cinq points comme exigences, et non comme solution concrète au problème. Il s’agit simplement d’une liste d’éléments qui, s’ils ne sont pas traités correctement, signifient que vous n’avez même pas réellement commencé à travailler sur quoi que ce soit qui améliorerait ou optimiserait de manière significative la supply chain, du moins pas de façon quantitative.

Un plan détaillé complet des prochaines conférences est disponible sur le site de Lokad à lokad.com/lectures. Nous devrons aborder de nombreux sujets, incluant différentes perspectives, concepts et paradigmes, en particulier liés aux méthodes, outils et pratiques de programmation. Il y a une quantité significative de matière à traiter, et tous ces concepts seront introduits pour remplir les cinq points que j’ai présentés plus tôt. Sans ceux-ci, l’approche ne fonctionnera tout simplement pas.

Pour aborder une digression, certains m’ont contesté en disant que la vision que je présente est tellement différente de ce qu’ils font actuellement. Ils soutiennent que c’est trop avancé, et préfèrent y aller doucement, en s’améliorant de manière incrémentale avant de considérer cette approche de la Supply Chain Quantitative. Cependant, je pense que cette approche “crawl, walk, run” est une erreur. Le progrès est souvent non incrémental et perturbateur. Par exemple, lorsqu’Amazon a décidé de devenir un fournisseur de cloud computing, ils ont fait un bond 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, étape par étape; c’était un changement disruptif.

De même, il y a la célèbre 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 majorité des clients est que presque personne ne possède une véritable maturité dans ce domaine. Il est illusoire de penser que de grandes entreprises, avec d’importantes divisions optimisant les mauvais indicateurs, disposent d’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 considère comme les plus matures sont généralement de petites sociétés de le e-commerce agiles nord-américaines, qui sont axées sur le numérique. Elles ne disposent peut-être pas d’équipes massives de data scientists, mais comptent plutôt sur quelques personnes ayant le bon état d’esprit et les recettes numériques appropriées.

Pour conclure, j’ai couvert des aspects liés au côté nécessité du problème. Lors de la prochaine conférence, nous commencerons à examiner le côté suffisance du problème, en nous concentrant sur notre énoncé du problème et la solution. Cependant, il est crucial de débuter par l’énoncé du problème, car cela nous permet de comprendre si la solution que nous présentons est réellement valable ou simplement une solution en quête de problème.

Merci beaucoup pour votre temps aujourd’hui. Maintenant, je vais répondre aux questions.

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

Je suis ravi 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 appropriée pour 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 significatif sur les concurrents qui ne considèrent qu’un seul résultat possible.

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

Quand je parle de “second order”, 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 de simples systèmes physiques aux trajectoires prévisibles. Les gens peuvent s’adapter, et nous devons prendre en compte leurs actions et réactions.

Par exemple, par le passé chez Lokad, nous avions un client pour lequel nous avions suggéré des quantités spécifiques dans les commandes d’achat. Cependant, nous avons constaté que le client finissait par passer des commandes avec des quantités nettement supérieures à ce que nous avions recommandé. Il s’est avéré que lorsque le client recevait les marchandises, les équipes chargées de la réception recomptaient 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 avait une limitation particulière : ils pouvaient soit annuler l’ensemble de la commande d’achat et renvoyer la marchandise, mettant ainsi en péril leur ligne de production. Ce qui se passait, c’est qu’ils modifiaient la quantité de la commande d’achat initiale 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 pousser ce qu’ils voulaient à ce client, qui l’acceptait et payait la facture sans aucune question ni réclamation.

Ceci 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 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 considérer les conséquences des conséquences. Cela peut même aller jusqu’au quatrième ou cinquième ordre – il faut penser aux conséquences en cascade. C’est un jeu intellectuel difficile, mais si vous ne prenez pas en compte les conséquences de second ordre, vous pourriez 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 exactement faux. Il vaut mieux avoir une estimation de l’ordre de grandeur qui a 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 prendre en compte les propriétés de conception de base les plus souhaitables pour atteindre la robotisation. L’objectif principal est de créer un logiciel de qualité production, et non nécessairement de l’IA. Vous ne pouvez pas atteindre une erreur de prévision de zéro pour cent, mais vous pouvez viser à éliminer toute folie.

Par “folie”, j’entends quelque chose qui mettrait en péril l’ensemble de votre entreprise. Par exemple, Target Canada a fait faillite suite à une optimisation de la supply chain qui a mal tourné, et Nike a connu une catastrophe en 2004 lorsque l’une de ses solutions logicielles de supply chain, qui était un concurrent de Lokad, a failli entraîner l’effondrement de l’entreprise. Nous aborderons donc d’abord 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 nous-mêmes des modèles, et cela pourrait devenir des simulations. Qu’en pensez-vous ?

Il n’y a pas de différence nette entre une simulation précise du futur et une prévision probabiliste. Ce sont deux variantes des recettes numériques pour appréhender l’avenir. Dès que vous disposez d’un modèle de prévision probabiliste, vous pouvez générer des trajectoires qui représentent le futur. Vous prenez vos probabilités, tirez une valeur aléatoire, créez une observation fictive, réapprenez votre modèle, reconstruisez vos probabilités, et itérez. La distinction entre simulation et modélisation statistique devient mince, surtout pour des modèles adaptés aux besoins de la supply chain. Dans une large mesure, elles se chevauchent 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 une performance de la supply chain exprimée en dollars. Il existe une complexité immense dans ce domaine, et tout comme l’incertitude est irréductible en prévision, la complexité l’est également si vous tentez d’avoir un produit logiciel qui résout tous les problèmes en même temps. Vous avez besoin d’une méta-solution pour le problème. L’approche adoptée chez Lokad consiste à reconnaître le besoin d’intelligence humaine, en particulier celle des Supply Chain Scientist. Je crois qu’il est irréaliste de penser que l’IA peut comprendre les défis d’une supply chain moderne.

Nous avons besoin de personnes intelligentes et expérimentées, dotées des compétences adéquates 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 existe des problèmes profonds avec la plupart des langages de programmation génériques. Ces problèmes de conception les rendent inadaptés pour traiter les problèmes de supply chain de manière satisfaisante. Nous devrons entrer dans les détails, car il y a beaucoup de nuances dans ce que j’entends par “de qualité production” et par “prêt pour la production” de la solution. Rappelez-vous, c’est le zéro pour cent de folie que nous recherchons, car tant que vous aurez un robot dément qui impacte négativement votre supply chain, cela ne pourra tout simplement pas fonctionner. C’est ce que nous devons aborder en premier lieu.

Question: Souvent, les approches quantitatives nous obligent à quantifier ce qui n’était pas encore quantifié ou ce qui se trouvait dans des feuilles Excel, et non dans des systèmes ERP. Quelle est la manière la plus efficace de traiter ce problème ? Comment ces informations supplémentaires peuvent-elles être recueillies afin d’être aussi fiables que les informations 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 réside dans le fait que c’est politiquement très difficile. Beaucoup de personnes dans les grandes organisations ont de fortes incitations à ne pas discuter des retours ou des récompenses en dollars, car autrement l’entreprise se rendrait compte qu’elle n’a aucune valeur ajoutée. Ainsi, de nombreuses choses ne sont pas quantifiées simplement parce que de fortes forces politiques s’y opposent.

Pour rendre cela plus concret, lorsque Lokad a commencé à travailler pour un réseau de distribution afin d’optimiser le stock dans les magasins, nous avons constaté que le stock servait deux objectifs radicalement différents. Le premier objectif était de bien servir les clients, nécessitant une certaine quantité de stock. L’autre objectif était que le magasin paraisse plein et attrayant, ce qui nécessitait une quantité supplémentaire de stock. Nous avions une quantité de stock exprimée en euros pour ce grand distributeur et avons estimé que la moitié du stock était nécessaire pour les besoins de service et devait être prise en charge par la supply chain, tandis que l’autre moitié était nécessaire pour le merchandising et devait relever du marketing. Évidemment, le marketing, qui se retrouvait soudainement avec une ligne de stocks massive entrant dans son budget, n’était pas ravi de cette idée.

Donc, d’abord, nous devons reconnaître qu’il est très difficile d’établir des règles pour quantifier les récompenses et les coûts en dollars, et ces règles devraient s’appliquer de manière égale à tous. Cela est difficile à réaliser, et beaucoup de personnes dans les organisations ont intérêt à maintenir les choses telles qu’elles sont. 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 les logiciels similaires, comme vous pouvez le voir 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 pouvez avoir des quantités minimales de commande (MOQ). Comment représente-t-on cela dans un ERP ? Cela dépend vraiment. Le MOQ peut concerner le niveau du produit, le niveau de la commande, ou parfois une combinaison des deux. Cela peut même être plus compliqué, comme dans le cas des textiles, où le MOQ est défini par la quantité de tissu par 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 pour se rendre 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 demeure pas du shadow IT, mais devienne de petites extensions internes supplémentaires. En un sens, il est bon de disposer d’un ERP, et mon conseil est de ne pas personnaliser votre ERP, mais de faire quelque chose en parallèle. C’est bien plus facile à maintenir que de suivre la voie de “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.