La Supply Chain Quantitative en un clin d'œil - Lecture 1.2

00:10 Introduction
02:23 Comment faire ? Cours sur la supply chain
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 Les scientifiques de la Supply Chain
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 du public

Description

Le manifeste de la Supply Chain Quantitative met l’accent sur une série courte de points saillants pour comprendre comment cette théorie alternative, proposée et pionnière par Lokad, se distingue de la théorie dominante de la supply chain. On pourrait résumer cela ainsi : chaque décision est évaluée par rapport à tous les futurs possibles en fonction des 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 complète

Bonjour à tous, bienvenue aux Cours sur la Supply Chain. Je suis Joannes Vermorel, et aujourd’hui je vais présenter “La Supply Chain Quantitative en un clin d’œil”. Pour ceux d’entre vous qui regardent le flux 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 fin de la conférence, je reviendrai sur le chat et commencerai par les questions du haut et ferai de mon mieux à partir de là. Alors continuons.

Je vais commencer par une citation d’un ancien président français, qui a dit qu’il y avait trois chemins vers la richesse : le plus rapide était avec le jeu, le plus agréable était avec les femmes, mais le plus sûr était avec les techniciens. Évidemment, dans cette série de cours, nous optons pour la troisième option. Je crois qu’il y a un grain de sagesse dans cette citation. La technique est un moyen puissant de faire plus de certaines choses, d’être meilleur dans certains jeux, mais elle peut aussi être assez distrayante. Par techniciens, il entendait non seulement les personnes qui s’occupent de choses techniques, comme les ingénieurs, mais aussi celles qui s’occupent des processus et des flux de travail, le type de technicité des MBA.

Lorsque nous abordons les défis de la supply chain, nous devons être très conscients de 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 le côté persuasif. Le défi est que si vous avez un énoncé de problème, vous pouvez prouver que vous avez une solution supérieure pour ce problème précis. Cependant, pouvez-vous prouver que vous avez un type de problème supérieur en premier lieu ? C’est beaucoup plus difficile intellectuellement.

Une des principales critiques que j’ai soulevées lors de la conférence précédente est que la supply chain est un problème complexe à sa base. Ainsi, la façon dont nous devons l’aborder est difficile. Aujourd’hui, je vais essayer de présenter un ensemble de exigences que je considère comme essentielles si nous voulons avoir un espoir de fournir quelque chose de satisfaisant pour la supply chain. Cependant, je ne peux pas vraiment prouver que l’un des éléments que je présente est vraiment nécessaire. Il y a un élément de croyance, ainsi qu’un élément de compréhension de haut niveau. Un autre aspect de la croyance est que si vous n’avez pas de solution à présenter devant vos exigences, tout ce que vous avez, c’est de la pensée magique. 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 qui sont fortement souhaitables pour qu’une solution devienne éligible à une bonne pratique de la supply chain.

Poursuivons donc. Il y a quelques années, Lokad avait déjà pionnier sa manière relativement atypique de servir ses propres clients. À la fin de l’année 2016, j’ai décidé de consolider une courte série de points saillants que je pense divergent considérablement de la théorie de la supply chain traditionnelle. Je voulais utiliser ces cinq points comme moyen de présenter comment la supply chain quantitative diffère de la supply chain traditionnelle. Je m’excuse pour la terminologie qui est un peu malheureuse car même la théorie de la supply chain traditionnelle est également très quantitative, mais j’ai décidé d’ajouter un autre adjectif pour clarifier la distinction entre la théorie de la supply chain quantitative et la théorie de la supply chain traditionnelle.

Ces éléments que je vais énumérer ne sont pas exactement fondamentaux ; ils ressemblent plus à une liste de choses que nous devons aborder si nous voulons avoir un espoir de réussir. Ces éléments comprennent :

1. Tous les futurs possibles : Nous devons envisager de nombreux futurs, 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’optionnalité, ces décisions sont les options auxquelles je faisais référence.
3. Les moteurs économiques : L’idée est que nous allons compter les dollars d’erreur, pas le pourcentage d’erreur.
4. La robotisation comme exigence pour le contrôle de la gestion : Cela peut sembler paradoxal car vous penseriez que la robotisation implique une perte de contrôle, mais la proposition est que c’est exactement le contraire - vous avez besoin de la robotisation si vous voulez que les humains aient le contrôle de tout ce qui concerne les supply chains.
5. Le scientifique de la supply chain : À la fin de la pratique, il devrait y avoir une personne qui est responsable 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.

Tout d’abord, l’idée est que nous devons envisager tous les futurs possibles. Pourquoi avons-nous même besoin de regarder vers l’avenir en premier lieu ? Nous devons regarder vers l’avenir parce que tout prend du temps. Nous ne pouvons pas tout imprimer en 3D instantanément, et même si nous le pouvions, nous devrions quand même transporter les choses. Donc tout prend du temps, ce qui signifie que chaque fois que vous prenez une décision de supply chain, comme décider de produire ou d’acheter quelque chose, vous le faites parce que vous regardez en avant et anticipez un état futur du marché où il y aura une demande pour ces produits. Vous travaillez ensuite en sens inverse et faites une sorte de prévision, en optimisant votre supply chain en conséquence.

Nous devons avoir cette anticipation et ces prévisions, qui ne sont que la version 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 XXe siècle et de la première partie du XXIe siècle sont les prévisions classiques de séries temporelles, qui sont profondément défectueuses à mes yeux à plusieurs égards. La première façon est que cette approche ignore complètement l’idée d’incertitude. Ma proposition est que l’incertitude est totalement irréductible et que chaque fois que vous traitez des supply chains, le futur ne peut jamais être prévu parfaitement. L’idée que vous pouvez avoir une précision de prévision de 99% est absurde. Même en regardant la consommation d’eau ou la consommation d’électricité, il est très difficile d’obtenir des prévisions avec ce degré de précision.

Lorsque l’on regarde de manière réaliste les supply chains et que l’on considère, 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. Donc, l’incertitude est irréductible. Si nous voulions avoir une plus grande preuve de cela, il suffit de regarder l’année 2020. Nous avons eu une pandémie mondiale massive qui a causé des ravages partout dans le monde, perturbant les supply chains. Il n’est tout simplement pas possible de prévoir ce genre de choses d’un point de vue classique où vous avez un chiffre et dites : “c’est ça, c’est le futur”.

Au lieu de cela, ce que vous pouvez avoir, ce sont des prévisions probabilistes. L’idée est que tous les futurs sont possibles, mais ils ne sont tout simplement pas également probables. C’est l’essence de la prévision probabiliste. C’est l’idée que vous pouvez avoir une méthode statistique qui, au lieu de prétendre avoir la prévision parfaite de la façon dont les choses se dérouleront exactement à l’avenir, dit simplement : “J’ai tous ces futurs possibles ; certains sont plus probables que d’autres.” Cette approche embrasse l’incertitude irréductible. Dans de nombreuses situations où les gens me disent : “tu ne peux pas prévoir ça”, la réponse est : “si, je peux.” Je ne peux pas vous donner une prévision classique correcte, mais je peux certainement avoir une prévision probabiliste parfaite.

L’exemple extrême de cela serait les billets de loterie. Je peux établir les chances exactes qu’un billet particulier soit le billet gagnant. Je ne sais pas lequel va gagner, mais si le jeu n’est pas truqué, je peux avoir une prévision probabiliste parfaite qui reflète les 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 sur l’avenir. Lorsque nous disons que nous avons des probabilités, nous savons beaucoup de choses. Par exemple, je peux dire qu’à n’importe quel moment, il y a un risque de queue d’une perturbation massive sur le marché. Je ne sais pas exactement d’où viendra le risque ; peut-être que ce sera une pandémie, un crash boursier, une guerre ou un nouveau tarif comme celui introduit par le président Trump. Il peut y avoir beaucoup de choses qui perturbent votre supply chain, et si je devais évaluer le risque de queue à n’importe quel moment pour n’importe quelle supply chain, c’est plusieurs pour cent de chances d’avoir une chute massive pour le prochain trimestre. Encore une fois, ce n’est pas de la magie ; c’est juste une hypothèse très raisonnable à faire sur l’avenir. Avec les bons outils statistiques, vous pouvez avoir quelque chose de beaucoup plus élaboré. Toutes les zones d’incertitude nécessitent une prévision, et une prévision probabiliste en plus. La demande n’est pas le seul domaine qui nécessite une prévision. Par exemple, tous les domaines où vous avez des incertitudes nécessitent une prévision.

Cela peut inclure la prévision de la demande future, mais aussi les futurs délais d’approvisionnement, les futurs retours dans le e-commerce, les rendements de production incertains dans les sources de production primaires comme l’exploitation minière ou les fermes, les taux de défaillance ou de rebut probabilistes dans le contrôle qualité des processus biologiques, et les réparations de pièces. Il existe une grande variété de domaines où il y a de l’incertitude, et tous ces domaines méritent une prévision. Une bonne pratique de la 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 prévues. Ce n’est pas seulement la demande.

Par exemple, nous pouvons même regarder des choses comme 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 beaucoup plus volatiles en termes de prix que d’autres, et cela signifie que le genre de risque que vous portez lorsque vous traitez avec ces matières premières peut être optimisé avec les modèles appropriés en ayant 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 ont de fortes dépendances, et c’est aussi quelque chose qui fait défaut à la théorie dominante de la supply chain. 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 stade, nous avons encore des prospects qui viennent me demander si Lokad peut faire une prévision à 12 mois pour un produit spécifique.

Par exemple, disons que nous travaillons avec une marque de sport et qu’ils demandent un sac à dos de suivi. Pouvons-nous prévoir quelle sera la demande au cours des 12 prochains mois ? Ma réponse de base est : “cela dépend”. Si vous ne vendez qu’un seul sac à dos, alors peut-être que vous aurez une certaine demande. Mais si soudainement vous décidez d’augmenter considérablement votre assortiment et d’introduire dix autres variantes du même sac à dos avec presque le même prix, la même taille et les mêmes caractéristiques, plus ou moins quelques poches et gadgets, vous ne multiplierez pas votre demande par un facteur de dix simplement parce que vous avez introduit dix autres produits très similaires. Pourtant, lorsque nous examinons la perspective de prévision classique, il n’y a rien qui empêcherait le modèle de prévision d’augmenter radicalement les chiffres de la demande si vous augmentez simplement le nombre de produits à prévoir. Donc, cela n’a pas de sens, et c’est pourquoi nous avons ces futurs. Ils sont non seulement caractérisés par une incertitude irrégulière, mais aussi par les dépendances qui existent entre eux. Nous devons avoir des outils qui peuvent appréhender tous ces changements.

En conclusion, les prévisions sont essentielles si nous voulons avoir un espoir d’optimiser quoi que ce soit, simplement parce que nous devons regarder vers l’avenir. Cependant, nous devons garder à l’esprit qu’elles ne sont que des opinions éclairées sur l’avenir.

Elles ne sont pas réelles, dans le sens où la qualité de votre prévision n’a aucune conséquence directe 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 que l’optimisation de la prévision se traduit immédiatement par de meilleures performances de la supply chain, ma proposition pour vous est que c’est une illusion. Ce n’est pas vrai, même pas de près.

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 choses comme acheter une unité supplémentaire à un fournisseur, déplacer une unité de stock d’un endroit à un autre, ou augmenter ou diminuer le 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 fine sur ce à quoi l’avenir ressemblera, mais les seules choses qui importent vraiment sont les décisions. La proposition que j’ai pour vous est que la pratique de la supply chain devrait être entièrement orientée vers la génération de ces décisions, car c’est la seule chose qui compte. L’idée selon laquelle vous pouvez avoir quelque chose comme un département de prévision ou de planification est, dans une large mesure, erronée. Les prévisions ne sont là que pour éclairer vos suppositions lorsque vous prenez de meilleures décisions.

Il est très dangereux et erroné de séparer la partie prévision de l’optimisation des décisions. En passant, lorsque je parle de 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 partout. Par exemple, vous pouvez avoir des quantités minimales de commande, un espace maximal sur une étagère dans un magasin, et une capacité maximale de volume ou de poids dans un conteneur ou un camion. Vous pouvez avoir des non-linéarités plus subtiles, comme des dates d’expiration, ou le fait que certaines pièces dans l’aérospatiale viennent avec des heures de vol et des cycles de vol, nécessitant des réparations planifiées.

Vous pouvez avoir toutes sortes de problèmes, comme certains produits, par exemple dans l’alimentation fraîche, qui ne peuvent pas être transportés 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 besoin de compartiments multiples ou de camions multiples. Il y a beaucoup de 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 unités 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 qui soit immédiatement réalisable d’un point de vue très banal, et c’est à cela que fait référence la faisabilité.

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

Nous devons prendre en compte les moteurs 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 les pourcentages, vous ferez réellement quelque chose de bon 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 souvent des prospects dire qu’ils veulent un taux de service de 99 %. Nous pouvons certainement le fournir, mais vous devez simplement constituer des stocks de manière folle, ce qui entraînera d’énormes pertes d’inventaire 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 l’inventaire 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 moteurs économiques pour chaque décision, nous pouvons évaluer le résultat. Nous pouvons prendre une décision et, pour un futur possible, examiner le résultat de cette décision pour ce futur particulier. Nous pouvons évaluer ses résultats en dollars en examinant les moteurs économiques.

Que veux-je dire par moteurs économiques ? Je veux dire tous les moteurs qui façonnent la performance de votre entreprise. Le premier cercle de moteurs est très simple - des choses que vous trouverez dans les livres de comptabilité, comme le coût des matériaux, le prix de vente, le coût de possession, les coûts de transport et les coûts de transformation. Vous devez additionner tous ces coûts, puis les soustraire de votre prix de vente pour calculer votre budget de coûts. Ce sont les premiers moteurs, les plus évidents que vous pouvez littéralement trouver dans votre ERP ou votre logiciel de comptabilité.

Cependant, ces coûts à eux seuls ne suffisent pas. Si vous les considérez simplement, vous obtenez une perspective financière très à court terme. Vous devez inclure le deuxième cercle de moteurs économiques, ceux qui n’existent pas dans votre système, du moins pas explicitement. Ce sont généralement les effets de deuxième ordre de vos décisions en matière de chaîne d’approvisionnement. Par exemple, la plupart du temps, s’il y a une rupture de stock, il n’y a pas de pénalité de rupture de stock. Peut-être que si vous êtes une grande marque vendant à un grand réseau de distribution comme Walmart, vous avez un accord de niveau de service et des pénalités si vous n’atteignez pas certains objectifs, mais cela n’est pas très fréquent. Même lorsque vous avez des pénalités, elles ne reflètent pas naturellement les coûts réels que vous avez infligés à vos clients.

L’idée est que nous avons besoin de moteurs qui représentent les conséquences de deuxième ordre de vos actions, à la fois positives, comme générer une fidélité supplémentaire des clients loyalty, et négatives, comme générer de la désloyauté et donner une incitation à vos clients d’aller ailleurs pour une alternative. Cela dépend évidemment du problème. Par exemple, si vous êtes une marque de mode et que vous accordez une remise à la fin de la saison, cela coûte plus que la simple perte immédiate du dollar remisé. Vous créez une habitude pour vos clients, qui s’attendront à la même remise l’année prochaine. Cela illustre l’impact à court terme et l’impact à long terme de la création d’habitudes et d’attentes parmi votre base de clients, c’est de cela dont je parle lorsque je mentionne les moteurs économiques du deuxième cercle.

Bien fait, l’optimisation financière n’est pas à court terme. Cependant, si vous faites une optimisation financière naïve, vous vous retrouvez avec beaucoup d’absurdités, ce qui est vrai pour n’importe quelle recette naïve lorsqu’il s’agit de chaînes d’approvisionnement. L’optimisation économique est essentielle car, sans elle, vous n’avez même pas de cible pour votre optimisation. L’idée d’optimiser des pourcentages ne fonctionne pas ; vous voulez 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 intéressant 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 avoir un cadre financier unifié pour piloter l’optimisation de sa chaîne d’approvisionnement, elle n’a même pas encore commencé. Si vous avez des dizaines d’équipes qui traitent en pourcentages, en niveaux de service et en autres mesures 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 moteurs 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 moteurs est de permettre la transparence, dont je parlerai dans une prochaine conférence. L’idée est que pour chaque décision, nous allons examiner tous les futurs possibles, attribuer la performance économique de la décision, calculer la performance économique moyenne des décisions pour tous les futurs possibles, puis classer toutes les décisions de celle qui a le meilleur retour sur investissement (ROI) à celle qui a le moins bon. Évidemment, nous voulons arrêter de prendre ces décisions lorsqu’il n’y a plus de rentabilité. Cependant, nous avons besoin d’une certaine transparence et compréhension quant à la raison pour laquelle nous choisissons ces décisions plutôt que d’autres décisions. Ici, ces moteurs économiques se révèlent très précieux car ils peuvent nous dire le “pourquoi” qui se cache derrière toute décision qui va être générée par un système, une pratique ou un logiciel.

L’idée est que vous serez en mesure, avec les moteurs économiques, d’examiner chaque décision et d’avoir quelques indicateurs clés de performance (KPI) exprimés en dollars, expliquant pourquoi cette décision est en réalité une bonne décision. À l’inverse, pour une décision qui n’est pas prise, vous pouvez examiner les moteurs et évaluer pourquoi ce n’est pas une bonne décision.

Avec ces trois éléments de base, nous avons tout ce qu’il faut pour commencer la pratique. Nous examinons tous les futurs possibles, toutes les décisions possibles et nous remettons en question chaque décision par rapport à tous les futurs possibles, en les évaluant en dollars et en les classant.

Pour que cela soit réel et efficace, l’état d’esprit nécessaire 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 la gestion sous contrôle. Cela peut sembler étrange au premier abord car, si vous robotisez, comment pouvez-vous reprendre le contrôle ? Cela a à voir avec la nature des chaînes d’approvisionnement, qui sont des systèmes très complexes et distribués avec de nombreux sites, produits, clients, logiciels, personnes et véhicules.

L’alternative à un processus robotisé pour générer toutes ces décisions qui doivent être prises quotidiennement est d’avoir une armée de commis utilisant une multitude de feuilles de calcul. Le problème est que si vous gérez une armée de commis, chaque fois que vous voulez changer quelque chose dans votre chaîne d’approvisionnement, il faut six mois pour que le changement soit intégré car vous devrez traiter avec de nombreuses personnes que vous devrez re-former et vérifier qu’elles comprennent vraiment la nouvelle stratégie et les nouvelles règles.

La robotisation est l’idée que si vous pouvez mettre en place une recette numérique de bout en bout qui génère toutes ces décisions banales, vous pouvez éviter ce délai. Je parle de toutes les décisions banales ; je ne parle pas de décisions telles que celle de démarrer une nouvelle usine dans un pays ou d’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 tout à fait normal d’avoir beaucoup de personnes qui y réfléchissent. Mais pour chaque référence d’unité de gestion des stocks (SKU) que vous avez dans votre chaîne d’approvisionnement, vous avez une demi-douzaine de décisions à prendre chaque jour. Dois-je produire plus ? Dois-je en apporter plus ? Dois-je déplacer le stock que j’ai ailleurs ? Dois-je augmenter ou baisser le prix ? Dois-je même me débarrasser de ce stock qui ne sert à rien et qui occupe 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. Donc, compte tenu de l’échelle à laquelle les chaînes d’approvisionnement modernes fonctionnent, je suis convaincu qu’il faut une robotisation de bout en bout si nous voulons avoir un espoir d’être agiles.

Il y a aussi un autre aspect essentiel, qui est qu’il est crucial d’avoir une robotisation de bout en bout si nous voulons avoir quelque chose de capitaliste et précis. Cela sera le sujet de ma prochaine conférence, mais en résumé, vous ne voulez pas traiter votre division de la chaîne d’approvisionnement comme des dépenses d’exploitation (OPEX). Vous voulez traiter votre investissement dans la chaîne d’approvisionnement comme des dépenses en capital (CAPEX). Tous les efforts que vous déployez sur la chaîne d’approvisionnement doivent être précis, et vous voulez faire de votre chaîne d’approvisionnement un actif capitaliste de l’entreprise. La seule façon de le faire est par la robotisation ; sinon, l’inverse n’est qu’une armée de commis que vous devez payer chaque jour pour faire la même chose en boucle.

Cela m’amène à la question de qui devrait être responsable de la robotisation et du logiciel qui effectue le travail de commis 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”, je pense, est 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 les gens pourraient dire sur l’IA, nous n’en sommes pas encore là. Ce que nous avons, ce sont des recettes numériques sophistiquées et glorifiées, et elles peuvent déjà apporter une valeur considérable à votre entreprise.

Quelqu’un dans votre entreprise ou à l’extérieur de votre entreprise doit prendre en charge la qualité de ces résultats numériques qui vont piloter votre supply chain de manière très banale. La pratique que nous avons pionnière chez Lokad est l’idée du Supply Chain Scientist. Le concept de Supply Chain Scientist est né de mes premiers échecs lorsque j’ai essayé de résoudre le problème avec des data scientists. Le problème avec les data scientists, c’est que leur engagement se situe dans les aspects techniques. Vous vous souvenez de la première citation sur la façon la plus sûre de ruiner les choses avec des techniciens ? C’est exactement ma perspective aujourd’hui lorsque les gens me parlent de data scientists qui essaient de résoudre des problèmes de supply chain. C’est un chemin très court, avec très peu d’incertitude sur la direction réelle que vous prenez, sans pour autant garantir de grands résultats à la fin du voyage. Le Supply Chain Scientist est la personne qui va prendre en charge la prise de décisions concrètes et réelles, et cette personne doit être attentive 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, ce qui a complètement faussé le profil de saisonnalité, vous ne pouvez pas considérer cela comme un simple détail. Cela ne remet pas en cause la validité fondamentale du modèle mathématique. La perspective du Supply Chain Scientist est que cela compte. Si je prends de mauvaises décisions pour cet entrepôt parce qu’un accident opérationnel dans le passé a introduit de graves 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 de chercheurs, Indiana Jones, qui est censé être un chercheur et un chercheur, et Windle Poons des œuvres de Terry Pratchett, la réalité de ces deux personnages fictifs ne pourrait pas être plus profondément différente. La différence fondamentale entre eux reflète pratiquement la différence entre un Supply Chain Scientist et un Data Scientist. Comme test décisif, vous pouvez vous demander si 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 la direction de Lokad depuis plus d’une décennie est que je rencontre régulièrement les PDG et les conseils d’administration de mes clients, et ils me mettent au défi sur les fondements de leur supply chain et sur la manière dont nous apportons des dollars de retour.

Les questions ne tournent pas autour de l’utilisation de machines à vecteurs de support ou d’arbres boostés par gradient. Les questions portent sur la voie qui garantit que la supply chain est un actif précieux qui peut surpasser le reste du marché.

J’ai présenté cinq points en tant qu’exigences, pas la solution réelle au problème. Ce ne sont qu’une liste d’éléments qui, s’ils ne sont pas correctement traités, signifient que vous n’avez même pas vraiment commencé à travailler sur quelque chose qui améliorerait ou optimiserait de manière significative la supply chain, du moins pas de manière quantitative. Il existe de nombreuses optimisations non quantitatives, telles que de meilleurs équipements, de meilleures politiques d’embauche ou des incitations financières bien réfléchies pour vos équipes.

Il existe un plan détaillé complet des prochaines conférences sur le site web de Lokad à l’adresse lokad.com/lectures. Nous devrons aborder de nombreux sujets, notamment différentes perspectives, concepts et paradigmes, en particulier liés aux méthodes, outils et pratiques de programmation. Il y a une quantité importante de matériel à traiter, et tous ces concepts seront introduits 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 tangente, certaines personnes m’ont défié en disant que la vision que je présente est si différente de ce qu’elles font actuellement. Elles soutiennent que c’est trop avancé et qu’elles préfèrent y aller lentement, en améliorant de manière incrémentielle avant de considérer cette approche quantitative de la supply chain. Cependant, je pense que cette approche “ramper, marcher, courir” est une illusion. Le progrès est souvent non incrémentiel et perturbateur. Par exemple, lorsque 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 et étape par étape ; c’était un changement perturbateur.

De même, il y a la célèbre citation de Henry Ford, qui a dit que si on lui avait demandé ce qu’ils voulaient, ses clients auraient demandé des chevaux plus rapides. Le point 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 du bon point de vue, alors notre point de départ avec la plupart des clients est que presque personne n’a de maturité dans ce domaine. Il est illusoire de penser que les grandes entreprises avec de grandes divisions optimisant les mauvaises métriques possèdent une réelle maturité en matière de gestion de la supply chain.

Mon message à l’audience n’est pas de vous considérer comme immature simplement parce que vous ne faites pas ce que font les autres entreprises, en particulier 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 de commerce électronique nord-américaines agiles et axées sur le numérique. Elles n’ont peut-être pas d’équipes massives de data scientists, mais plutôt quelques personnes avec la bonne mentalité et les recettes numériques appropriées.

En conclusion, j’ai abordé des aspects liés au côté nécessaire du problème. Dans la prochaine conférence, nous commencerons à examiner le côté suffisant du problème, en nous concentrant sur notre énoncé de problème et la solution. Cependant, il est crucial de commencer par le côté énoncé du problème, car cela nous permet de comprendre si la solution que nous présentons est précieuse ou simplement une solution à la recherche d’un 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 “second-order drivers”?

Lorsque je parle de “second order”, je fais référence aux conséquences de second ordre. En gestion de la supply chain, nous traitons avec des êtres humains et des systèmes complexes, pas seulement des systèmes physiques simples avec des trajectoires prévisibles. Les gens peuvent s’adapter, et nous devons tenir compte de leurs actions et réactions.

Par exemple, par le passé chez Lokad, nous avions un client à qui nous avons suggéré des quantités spécifiques de commandes d’achat. Cependant, nous avons remarqué que le client passait finalement des commandes avec des quantités beaucoup plus élevées que ce que nous recommandions. Il s’est avéré que lorsque le client recevait les marchandises, les équipes en charge de la réception recomptaient les articles pour 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 toute la commande d’achat et renvoyer la marchandise, mettant ainsi leur chaîne de production en péril. 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 ans, 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’accepterait et paierait 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 en apparence trivial et banal de votre ERP, mais vous avez ensuite des êtres humains intelligents dans la boucle qui manipulent le système. Cela se produit inévitablement chaque fois que vous traitez avec des êtres humains, car ils peuvent réfléchir et réagir à ce que vous faites. L’idée des conséquences de second ordre est que vous devez tenir compte des conséquences des conséquences. Cela peut même être du quatrième ou du cinquième ordre - vous devez réfléchir aux conséquences en cascade. C’est un jeu intellectuel difficile, mais si vous ne tenez pas compte des conséquences de second ordre, vous risquez de 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. La clé est d’être approximativement correct plutôt que précisément faux. Il vaut mieux avoir une estimation approximative qui a du sens que des calculs précis qui vous égarent.

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 les paradigmes de programmation. Bien que nous parlions de logiciels, nous devons prendre en compte les propriétés de conception fondamentales les plus souhaitables pour atteindre la robotisation. L’objectif principal est de créer un logiciel de qualité de production, pas nécessairement de l’IA. Vous ne pouvez pas atteindre une erreur de prévision de zéro pour cent, mais vous pouvez viser une folie de zéro pour cent.

Par “folie”, je veux dire quelque chose qui mettrait en péril toute votre entreprise. Par exemple, Target Canada a fait faillite en raison d’une optimisation de la chaîne d’approvisionnement qui a mal tourné, et Nike a connu un désastre en 2004 lorsque l’une de leurs solutions logicielles de chaîne d’approvisionnement, qui était concurrente de Lokad, a failli entraîner l’effondrement de l’entreprise. Donc, d’abord, nous aborderons ce sujet dans la prochaine conférence, mais cela nous prendra un peu de temps pour y arriver.

Question : Dans votre prévision, si nous essayons d’englober autant de variables progressives, nous devrions développer nous-mêmes des modèles, et cela peut devenir des simulations. Des réflexions à ce sujet?

Il n’y a pas de différence claire entre une simulation précise de l’avenir et une prévision probabiliste. Ce sont deux saveurs différentes de recettes numériques pour appréhender l’avenir. Chaque fois que vous avez un modèle de prévision probabiliste, vous pouvez générer des trajectoires qui représentent l’avenir. Vous prenez vos probabilités, tirez un déviateur, créez une observation fictive, réapprenez votre modèle, reconstruisez vos probabilités et itérez. La distinction entre la simulation et la modélisation statistique devient mince, surtout pour les modèles adaptés aux besoins de la chaîne d’approvisionnement. Dans une large mesure, ils se chevauchent complètement.

Question : Les solutions que vous avez développées sont-elles basées sur des services ou une combinaison des deux? Quel est votre avis sur cette approche pour l’avenir de la chaîne d’approvisionnement?

Chez Lokad, notre perspective est de fournir des performances de chaîne d’approvisionnement exprimées en dollars. Il y a une immense complexité dans ce domaine, et tout comme l’incertitude est irréductible en prévision, la complexité est irréductible si vous essayez 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 est de reconnaître le besoin d’intelligence humaine, en particulier des scientifiques de la chaîne d’approvisionnement. Je pense qu’il est irréaliste de penser que l’IA peut comprendre les défis d’une chaîne d’approvisionnement moderne.

Nous avons besoin de personnes intelligentes et expérimentées avec les bonnes compétences pour être efficaces dans leur travail. Lokad a développé un produit dans le but de rendre les scientifiques de la chaîne d’approvisionnement productifs et extrêmement fiables. Le défi consiste à fournir les bons outils à ces scientifiques de la chaîne d’approvisionnement. En résumé, Python n’est pas la solution, et au fur et à mesure que nous avançons dans ces conférences, vous verrez qu’il y a de graves problèmes avec la plupart des langages de programmation génériques. Ces problèmes de conception les rendent inadaptés pour résoudre les problèmes de la chaîne d’approvisionnement de manière satisfaisante. Nous devrons entrer dans les détails car il y a beaucoup de nuances dans ce que je veux dire par “qualité de production” et “prêt pour la production” de la solution. N’oubliez pas que c’est la folie de zéro pour cent que nous voulons, car tant que vous avez un robot insensé qui a un impact négatif sur votre chaîne d’approvisionnement, 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 de calcul Excel, et non dans des systèmes ERP. Quelle est la manière la plus efficace de résoudre ce problème? Comment ces informations supplémentaires peuvent-elles être collectées de manière à être aussi fiables que les informations provenant des systèmes ERP?

Il y a deux problèmes distincts ici. Tout d’abord, il y a le statu quo, où le problème de quantification des récompenses et des erreurs est politiquement très difficile. Beaucoup de personnes au sein des grandes organisations ont de fortes incitations à ne pas discuter des dollars de rendement ou de récompenses, car sinon l’entreprise se rendrait compte qu’elles n’apportent aucune valeur ajoutée. Ainsi, de nombreuses choses ne sont pas quantifiées simplement parce qu’il existe de puissantes forces politiques qui s’y opposent.

Pour rendre cela plus concret, lorsque Lokad a commencé à travailler pour un réseau de vente au détail afin d’optimiser les stocks en magasin, nous avons réalisé que le stock servait à deux fins radicalement différentes. La première était de servir correctement les clients, ce qui nécessitait une certaine quantité de stock. L’autre était de donner l’impression que le magasin était plein et attrayant, ce qui nécessitait une quantité supplémentaire de stock. Nous avions une quantité de stock exprimée en euros pour ce grand détaillant et nous avons dit que la moitié du stock était nécessaire à des fins de service et devait être gérée par la supply chain, tandis que l’autre moitié était nécessaire à des fins de merchandising et devait être prise en charge par le marketing. Évidemment, le marketing, qui se retrouvait soudainement avec une énorme ligne de stock dans son budget, n’était pas satisfait de cette idée.

Donc, tout d’abord, nous devons aborder le fait 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 au sein des 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 résoudre : l’ombre de l’informatique. Le problème avec les ERP et les logiciels similaires, comme vous pouvez le voir dans la base de connaissances de 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 représenter cela dans un ERP ? Cela dépend vraiment. Le MOQ peut être au niveau du produit, au niveau de la commande, ou parfois une combinaison des deux. Cela peut même être plus compliqué, comme dans le textile, où le MOQ est défini par la quantité de tissu dans chaque couleur.

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

Merci beaucoup à tous d’avoir regardé. La prochaine conférence aura lieu mercredi prochain, même jour, même heure. À bientôt. Au revoir.