00:00:08 Approche decision-first dans l’optimisation de la supply chain.
00:02:25 L’importance de générer des décisions pour comprendre la sémantique des données.
00:04:55 La génération de décisions en tant que mécanisme de validation pour la compréhension des données.
00:06:10 Les défis de l’optimisation des indicateurs et de l’identification des erreurs dans le processus de prise de décision.
00:07:50 La relation entre les indicateurs, la stratégie d’entreprise et la prise de décision.
00:09:08 L’objectif final des recettes numériques capitalistes pour l’automatisation de la décision.
00:11:37 La nécessité de générer des décisions pour vérifier si les étapes précédentes ont été efficaces.
00:12:40 Le rôle des prévisions dans la prise de décision en supply chain et le problème de ne pas être decision-first.
00:14:45 Les approches alternatives dans l’industrie et la répartition des décisions.
00:16:01 La réconciliation des prévisions et la prise de décisions atomiques.
00:18:16 Tirer des leçons des échecs passés et adopter une nouvelle perspective.
00:20:59 Apprendre par la pratique et la philosophie de la praxis.
00:21:57 La préparation de l’industrie à une nouvelle approche et les tentatives précédentes.
00:24:10 Reconnaître les échecs et les limites des approches cartésiennes.
Résumé
Dans cette interview, Kieran Chandler et Joannes Vermorel discutent de l’approche decision-first de Lokad pour l’optimisation de la supply chain. Les méthodes traditionnelles reposent sur les prévisions, mais Lokad se concentre sur des décisions tangibles pour améliorer la compréhension des données et renforcer l’optimisation. Vermorel partage le virage de l’entreprise, passant d’une perspective cartésienne à une approche decision-first après des échecs répétés. Il estime que les organisations n’apprennent qu’en pratiquant et souligne la nécessité de générer des décisions et d’itérer dessus. Convaincre les entreprises de changer d’approche est un défi, mais Vermorel pense que la plupart sont ouvertes à cette idée une fois qu’elles reconnaissent les échecs passés et les limites des méthodes traditionnelles.
Résumé Détaillé
Dans cette interview, Kieran Chandler, l’animateur, s’entretient avec Joannes Vermorel, le fondateur de Lokad, une entreprise de logiciels spécialisée dans l’optimisation de la supply chain. Ils discutent de l’unique approche “decision-first” de Lokad pour l’optimisation de la supply chain, qui diffère des méthodes de prévisions.
Historiquement, les supply chains se sont appuyées sur des méthodes de prévisions, laissant la prise de décision réelle aux cadres supérieurs qui se fient à leur intuition et à leur expertise. Vermorel explique que Lokad a développé une approche alternative, en privilégiant d’abord la prise de décision. Cette approche est née après des années de travail dans l’optimisation prédictive de la supply chain.
Initialement, Lokad fonctionnait selon une perspective cartésienne : recueillir des données, clarifier leur sémantique, appliquer des recettes numériques pour les prévisions et l’optimisation, puis produire des décisions basées sur des indicateurs spécifiques. Cependant, Vermorel a réalisé que cette approche ne fonctionnait pas comme prévu. Il a constaté qu’en se concentrant d’abord sur le processus de prise de décision, non seulement cela s’avérait plus efficace, mais c’était aussi contre-intuitif.
Par “decision-first”, Vermorel fait référence au processus de prise de décisions tangibles en supply chain, comme acheter une unité supplémentaire chez un fournisseur, produire une unité de plus sur une ligne de production, déplacer des stocks d’un emplacement à un autre, ou ajuster les prix d’un produit. Ces décisions ont de réels impacts économiques sur les supply chains.
Vermorel partage son expérience chez Lokad, où l’entreprise se concentrait initialement sur la préparation des données. Ils collectaient des données historiques, telles que les ventes et les mouvements de stocks, et documentaient ces données pour en assurer une bonne compréhension. Toutefois, ils se rendaient souvent compte qu’ils interprétaient mal les données, et ce, seulement lorsqu’ils généraient des décisions basées sur celles-ci.
C’est grâce au mécanisme de génération de décisions qu’ils ont pu identifier des erreurs dans leur interprétation des données. Les professionnels de la supply chain pouvaient examiner les décisions générées et signaler des incohérences, permettant ainsi à Lokad de corriger sa compréhension des données.
L’approche “decision-first” de Lokad pour l’optimisation de la supply chain souligne l’importance de prendre des décisions tangibles en supply chain avant de se lancer dans l’analyse des données et les prévisions. Cette méthode contre-intuitive permet une meilleure compréhension des données et conduit finalement à une optimisation plus efficace de la supply chain.
Ils explorent les défis et le processus de génération de décisions optimales dans la gestion de la supply chain.
Vermorel explique que lorsqu’ils essaient de générer des décisions, ils rencontrent souvent des problèmes qui sont en contradiction avec la réalité de la supply chain. Ces problèmes sont habituellement banals et répétitifs, mais les identifier et les résoudre est essentiel pour créer des solutions efficaces.
Pour mieux comprendre les données dans la supply chain, Vermorel suggère de générer des décisions à partir de ces données. Si les décisions sont approximativement correctes et raisonnables, alors elles valident la compréhension sémantique des données d’entrée. Ce processus itératif entre le modèle mental des données et la génération de décisions aide à améliorer la précision des prévisions et à mieux aligner les décisions avec la réalité de la supply chain.
Les intervenants discutent également du défi du tâtonnement dans la génération de décisions optimales. Vermorel souligne que les problèmes ne se limitent pas aux données, mais concernent aussi les indicateurs mêmes qui sont optimisés. En adoptant une perspective cartésienne, il faudrait optimiser en termes de dollars d’erreur plutôt qu’en pourcentage d’erreur. Cela implique d’appliquer des moteurs économiques tels que le coût de possession des stocks, la marge brute, et les pénalités pour rupture de stock afin d’exprimer la performance des décisions en dollars.
Cependant, même en appliquant des moteurs économiques apparemment sensés, les décisions initiales se révèlent souvent absurdes. Vermorel explique que des problèmes subtils résident au sein même des indicateurs, nécessitant un va-et-vient entre la compréhension des données, la génération de décisions et le raffinement des moteurs économiques.
L’objectif final de cette approche decision-first est de créer une recette numérique capable de générer automatiquement des décisions banales. Cela est essentiel pour gérer l’énorme volume de décisions nécessaires quotidiennement dans les grandes supply chains, car cela permet aux entreprises d’éviter d’employer une armée de commis et de se concentrer sur l’amélioration continue de la recette numérique elle-même.
Ils abordent l’importance d’une approche “decision first” et les limites de l’attention de l’industrie portée sur la précision des prévisions.
Vermorel explique que l’approche traditionnelle descendante, en cascade, pour l’optimisation de la supply chain ne fonctionne pas. Cette méthode consiste à mettre à jour les systèmes, documenter les processus et réaliser des études approfondies pour créer un plan global. Cependant, Vermorel soutient que tant que les entreprises ne peuvent pas générer de véritables décisions, elles ne sauront pas si leurs étapes précédentes ont été efficaces.
L’obsession de l’industrie pour la précision des prévisions est intellectuellement séduisante, mais Vermorel suggère qu’elle est erronée. Bien que les prévisions soient importantes pour anticiper l’état futur du marché, elles ne sont que des artefacts numériques sans influence directe sur la supply chain. Améliorer uniquement les prévisions ne conduit pas à un apprentissage réel ni à une optimisation. Au lieu de cela, Vermorel insiste sur le fait que les entreprises devraient prioriser la prise de décisions en accord avec la réalité.
Pour illustrer les limites de se concentrer sur des artefacts numériques, Vermorel décrit comment les entreprises peuvent créer des prévisions à court, moyen et long terme. Au lieu de résoudre le problème initial, cette approche engendre plusieurs problèmes de prévisions et nécessite des efforts supplémentaires pour concilier les différentes prévisions. Cela ne fait qu’aggraver la situation et n’apporte toujours pas de lien clair avec la réalité.
Vermorel défend une approche decision-first, affirmant que les décisions sont atomiques et bien définies, ce qui peut conduire à un apprentissage réel et à une optimisation efficace de la supply chain. Il souligne la nécessité pour les entreprises d’affronter la réalité en prenant des décisions, ce qui leur permet ensuite d’évaluer l’efficacité de leurs efforts d’optimisation.
Le Fondateur partage son expérience d’avoir initialement essayé une approche plus classique et cartésienne, qui a échoué à plusieurs reprises, et souligne la nécessité d’adopter une perspective decision-first pour éviter de commettre des erreurs.
Vermorel estime que les organisations n’apprennent qu’en pratiquant et insiste sur l’importance de générer des décisions et d’itérer dessus, plutôt que de tenter de développer des solutions parfaites de manière descendante. Il reconnaît la difficulté de convaincre les entreprises de changer d’approche, puisque beaucoup ont tenté divers systèmes d’optimisation de la supply chain sans succès. En termes de préparation, il pense que la plupart des entreprises sont ouvertes à adopter une nouvelle approche, mais qu’elles doivent d’abord reconnaître les échecs des tentatives précédentes et les limites des méthodes cartésiennes traditionnelles.
Transcription Complète
Kieran Chandler: Aujourd’hui sur Lokad TV, nous allons découvrir l’approche alternative consistant à mettre les décisions en premier et comprendre comment cela peut améliorer le fonctionnement d’une organisation. Alors, Joannes, peut-être pourrais-tu commencer par nous en dire un peu plus sur ce que tu entends par une approche decision-first.
Joannes Vermorel: L’approche decision-first est un angle très spécifique que nous avons découvert après quelques années à exercer le métier que Lokad fait, qui est essentiellement l’optimisation prédictive de la supply chain. Quand j’ai lancé Lokad, j’avais une perspective cartésienne où l’on veut optimiser quelque chose, alors on se disait : “Je vais disposer de données, clarifier leur sémantique, ensuite je vais appliquer une série de recettes numériques bien définies : prévisions, optimisation, puis je vais cibler certains indicateurs, et nous allons appliquer tout cela, pour ensuite obtenir de bonnes décisions.” Cependant, il s’est avéré que cette approche ne fonctionne pas. Ce n’est absolument pas ainsi que nous menons les projets de nos jours, et la façon dont nous procédons est profondément contre-intuitive.
Joannes Vermorel: Quand je dis decision-first, je veux dire qu’il s’agit littéralement de produire une décision, quelque chose qui est en accord avec la réalité. Que veux-je dire par décisions ? Je parle de décisions banales en supply chain, comme décider d’acheter une unité supplémentaire chez un fournisseur, de fabriquer une unité de plus sur votre ligne de production, de déplacer une unité de stocks de l’emplacement A à l’emplacement B, ou de modifier à la hausse ou à la baisse le prix d’un produit. Ce sont des décisions tangibles, physiques, qui ont un impact économique réel sur votre supply chain. Quand je dis decision-first, je veux dire que la première étape consiste littéralement à prendre l’une de ces décisions avant de faire tout le reste, ce qui paraît très bizarre car on penserait que tout le reste vient en premier, mais non, c’est la décision qui vient en premier.
Kieran Chandler: Parlons un peu de comment tu as eu cette idée. Qu’as-tu vécu chez Lokad pour arriver à adopter cette approche ?
Joannes Vermorel: Nous avons réalisé qu’au début, nous devions préparer les données. Par exemple, si nous voulions optimiser la supply chain, nous avions besoin de données, simplement des données historiques basiques concernant les ventes historiques, les mouvements de stocks, et ce genre de choses. On pourrait penser que l’on peut documenter les données pour s’assurer de bien les comprendre, et c’est ce que nous avons fait. Cependant, le problème était qu’à chaque fois que nous documentions les données, nous les interprétions un peu mal. Mais nous ne nous rendions pas compte de cette erreur avant d’arriver au moment où nous générions la décision. Ce n’est qu’avec le mécanisme de génération de décisions, où nous produisons une décision telle que, “Déplaçons X unités de stocks de cet emplacement vers cet autre emplacement,” que nous avions un professionnel de la supply chain qui examinait la décision et disait, “Eh bien, c’est tout simplement faux. Tu as clairement mal interprété les données.”
Kieran Chandler: Dans des situations où nous ne devrions pas faire cela, il y a une raison tout à fait valable de s’en abstenir. Ce n’est pas nécessairement complexe, c’est très banal. Par exemple, vous n’avez pas la capacité, ou vous pensez avoir 1 000 unités restantes dans le premier emplacement, mais en réalité, il n’en reste que cinq. Ainsi, vous ne pouvez même pas déplacer les 50 unités que vous souhaitez déplacer. Il existe des problèmes de ce genre.
Joannes Vermorel: Il est intéressant de commencer par générer la décision, puis de disposer de professionnels de la supply chain expérimentés qui peuvent, d’un simple coup d’œil, vous dire que c’est une décision erronée. Ensuite, vous vous rendez compte que vous avez de nombreux problèmes que vous n’aviez pas identifiés.
Kieran Chandler: C’est certainement contre-intuitif, n’est-ce pas ? Parce que l’on penserait qu’en effectuant le nettoyage des données et en comprenant leur structure, on éliminerait déjà certaines de ces décisions erronées.
Joannes Vermorel: Quand je dis que nous générons des décisions erronées, je veux dire que nous générons des décisions qui contredisent la réalité de la supply chain d’une manière relativement banale. Il faut beaucoup d’intelligence pour générer la décision elle-même. L’essentiel à retenir ici, c’est que la seule manière de s’assurer que l’on comprend correctement les données est de pouvoir en générer une décision. Si cette décision est approximativement correcte et raisonnable, elle valide la sémantique que vous estimez applicable aux données d’entrée et que vous avez utilisée pour créer le modèle dès le départ.
Cependant, c’est un mécanisme qui nécessite un va-et-vient entre le modèle mental, qui représente simplement la sémantique de ce que vous pensez que les données signifient, et le mécanisme de génération de décisions qui produit la décision, c’est là que la réalité vous donne un retour sur ce que vous faites. Vous vous rendrez alors compte qu’il y avait de nombreux éléments que vous interprétiez mal dans les données, et vous oscillerez entre les deux.
Kieran Chandler: Comment arrive-t-on alors à la décision finale ? Il semble que cela implique beaucoup d’essais et d’erreurs. Combien d’essais faut-il en moyenne ?
Joannes Vermorel: C’est encore pire, car je n’ai abordé que les problèmes que vous avez identifiés à propos des données. Il ne s’agit pas seulement des problèmes liés aux données ; ce sont aussi les indicateurs mêmes que vous optimisez. Si vous adoptez une perspective cartésienne, vous diriez qu’on ne peut pas optimiser ce qu’on ne mesure pas. Chez Lokad, nous préconisons une optimisation exprimée en dollars d’erreur, et non en pourcentage d’erreur. Ainsi, vous avez besoin d’un indicateur exprimé en dollars qui représente tous les leviers économiques applicables. Par exemple, dans le cas des stocks, cela signifierait prendre en compte des leviers économiques tels que le coût de détention, la marge brute et les pénalités de rupture de stock.
Kieran Chandler: Pouvez-vous expliquer comment vous mesurez la performance de la prise de décision chez Lokad ?
Joannes Vermorel: Oui, c’est ainsi que vous mesurez la performance de votre décision, exprimée en dollars. Logiquement, vous diriez : “Je prends le DR que je comprends, j’utilise des capacités d’apprentissage statistique haute dimension — ce qui constitue la partie prévision — puis j’applique des capacités d’optimisation numérique haute dimension, et j’applique un indicateur qui reflète ma stratégie d’entreprise et me permet de comprendre mes leviers.”
Kieran Chandler: Et que se passe-t-il lorsque vous appliquez cet indicateur pour la première fois ?
Joannes Vermorel: Vous allez vous retrouver avec une multitude de décisions absurdes, et c’est très déroutant car tous vos leviers économiques ne semblent pas évidents, mais presque, vous savez, le coût de détention. La marge brute, je veux dire, nous ne parlons pas de choses super avancées. Pourtant, quand nous appliquons cela aux décisions, nous aboutissons invariablement à des décisions très stupides et médiocres. Et que reflètent ces décisions ? Elles montrent que les erreurs, les idées, sont des problèmes subtils qui résident dans les indicateurs eux-mêmes. Et donc, tout comme nous avons eu, vous savez, beaucoup d’aller-retour entre votre compréhension des données et la décision que vous générez à partir de celles-ci. Il y a beaucoup d’allers-retours sur les leviers économiques, sur la manière dont vous les comprenez, et sur le type de décision que vous générez. Nous répétons toujours que l’on ne peut pas optimiser ce qu’on ne mesure pas. Alors, quel est le but final ? Est-ce que le but final est que les données valident les décisions que vous prenez ?
Kieran Chandler: Et quel est le but final selon les praticiens de la supply chain ?
Joannes Vermorel: Le but final est d’obtenir quelque chose de capitaliste. Vous voyez, quand nous disons “decision first”, l’idée est de fournir une recette numérique qui génère automatiquement toutes ces décisions super banales. Pourquoi ? Parce que vous en avez tellement. Nos plus gros clients doivent en générer des millions chaque jour. Donc, soit vous disposez d’une armée de commis — que beaucoup d’entreprises ont encore — soit vous décidez : “D’accord, je vais avoir une sorte de recette miracle qui fait ce travail”, et ensuite tous les efforts que je consacre dans ce domaine servent à l’amélioration continue de cette recette numérique.
Kieran Chandler: Et qu’est-ce qui est intéressant dans cette approche ?
Joannes Vermorel: De façon intéressante, tant que vous ne générez pas réellement ces décisions, toutes les autres choses que vous pourriez faire, vous n’êtes même pas sûr qu’elles fonctionnent. Voilà le problème, car si vous adoptez ce genre de perspective cartésienne descendante, vous diriez : “D’accord, mon plan est d’abord de mettre à niveau l’ERP vers de nouvelles capacités XYZ. D’accord, cela prend six mois, puis nous allons documenter et clarifier leur ordre, ensuite ce sera à nouveau des trucs XYZ, voire pousser le tout dans un data lake, et puis nous réaliserons une autre étude de six mois, peut-être avec un consultant externe, pour clarifier complètement la stratégie et obtenir une modalisation quantitative.”
Kieran Chandler: Des leviers économiques, et ensuite nous allons enfin tout rassembler pour générer cette exécution automatisée de la décision optimisée. Cela ressemble à, vous savez, un plan avec une jolie perspective en cascade où vous passez de la phase une à la phase deux, puis à la phase trois. Mais en réalité, ce mécanisme ne fonctionne pas du tout, et c’est probablement la leçon la plus frustrante. Tant que vous n’arrivez pas au point de générer effectivement des décisions, vous n’avez aucune idée si l’une des étapes que vous avez suivies auparavant fonctionne réellement. Et c’est quelque chose d’un peu choquant. Vous pourriez penser que vous pourriez avoir un plan que vous pouvez exécuter de manière fiable, mais non, la leçon est que si vous n’avez pas ce contact avec la réalité, ce retour d’information, vous ne savez pas, vous ne savez vraiment pas.
Joannes Vermorel: Oui, je veux dire que l’industrie se concentre énormément sur cette idée de prévisions et d’exactitude des prévisions, n’est-ce pas ? Pourquoi ce type de vision que les entreprises, les sociétés et les consultants défendent avec tant d’acharnement ?
Kieran Chandler: Parce que c’est très séduisant intellectuellement. Cela ressemble à quelque chose de tout à fait raisonnable.
Joannes Vermorel: Je veux dire, oui, les prévisions sont évidemment importantes. Parce que chaque fois que vous prenez une décision supply chain, c’est en gros une affirmation que vous faites sur un état futur du marché. Si vous passez un bon de commande de matières premières à un fournisseur, vous faites implicitement une affirmation sur l’état futur de la demande. Ainsi, la supply chain, puisque nous ne pouvons pas nous téléporter et puisque nous ne pouvons pas tout imprimer en 3D instantanément, repose sur l’anticipation de l’état futur du marché. Les entreprises essaient donc d’aborder cela de manière rationnelle en se disant : “Oh, faisons une série d’améliorations de prévisions,” c’est en gros ce dont nous avons discuté dans notre épisode Naked Forecast. Et puis vous vous retrouvez avec toutes sortes de problèmes et, en revisitant le sujet sous un angle légèrement différent – celui de l’approche decision first – je dirais que le problème est que vous n’êtes pas decision first lorsque vous faites cela. Si vous dites : “Oh, poussons pour de meilleures prévisions et ensuite nous verrons ce que nous pouvons faire avec ces meilleures prévisions,” vous n’êtes pas decision first. Vous partez d’un artefact numérique. Toutes sortes de prévisions ne sont que des artefacts numériques. Elles n’ont aucune influence directe sur votre supply chain. Et puis vous pensez que cela s’améliorera, or mon retour d’expérience après une décennie de projets supply chain chez Lokad, c’est que non, vous n’apprendrez rien. L’apprentissage ne vient que de la réalité, qui est l’arbitre ultime de ce qui est juste ou faux. Et quand je dis réalité, je veux dire que la manière de s’assurer que ce projet d’optimisation de la supply chain va réellement dans la bonne direction, ce sont ces décisions, car elles sont vraiment au cœur de se mettre à risque par rapport à ce que la réalité peut vous révéler quant à leur efficacité.
Kieran Chandler: D’accord, et mettre les décisions en premier est certainement la manière dont nous le verrions, mais qu’en est-il de ces approches alternatives qui circulent dans l’industrie ? Et qu’en est-il de diviser ces décisions ?
Joannes Vermorel: Oui, je veux dire, par exemple, ce qui se passe généralement, c’est que lorsque vous commencez à vous concentrer sur des artefacts, notamment des artefacts numériques, ils ont très peu de contraintes attachées, et donc vous pouvez essentiellement les diviser ou les scinder. Par exemple, vous pouvez avoir une prévision à court terme, une prévision à moyen terme et une prévision à long terme. Quand vous faites cela, vous créez davantage de problèmes. Vous aviez un problème de prévisions, et maintenant vous en avez trois, sans compter le problème supplémentaire de devoir concilier le travail de différentes équipes. Vous devrez donc réconcilier la prévision à long terme avec celle à moyen terme, puis la prévision à court terme avec celle à moyen terme, et peut-être même la prévision à court terme avec celle à long terme. Vous aviez un problème, et maintenant vous en avez six. Vous venez d’aggraver la situation, et il reste très flou de savoir si ce que vous faites a la moindre connexion avec la réalité.
Joannes Vermorel: La réalité ne vous dira pas, de façon très indirecte, si ce que vous faites est faux. Et c’est là toute la beauté des décisions. Si nous adoptons cette approche decision first, les décisions ont tendance à être hautement atomiques et bien définies. De notre point de vue chez Lokad, elles sont atomiques ; vous ne pouvez pas les subdiviser. Si je dis, “Achetez une unité de ce fournisseur aujourd’hui,” vous savez que c’est aussi atomique que possible. Parfois, vous pouvez la préciser, par exemple “Achetez une unité de ce fournisseur aujourd’hui et faites expédier cette unité par camion,” car il existe peut-être une option de l’expédier par train ou autre. Ainsi, chez Lokad, nous avons des décisions qui sont, par définition, complètement atomiques. Vous ne pouvez pas vraiment les subdiviser, ce qui est très appréciable car cela impose également des limites aux inventions que vous pourriez imaginer.
Focaliser sur les décisions vous empêche de commettre des catégories entières d’erreurs, telles que diviser les choses ou créer du travail fictif. C’est un véritable changement de perspective.
Kieran Chandler: Et alors, que faites-vous pour convaincre ces organisations habituées à adopter une approche plus classique ?
Joannes Vermorel: C’est là le cœur du…
Kieran Chandler: Le problème, c’est qu’il est très difficile de convaincre car, tout d’abord, je n’étais pas convaincu moi-même. Vous savez, je n’ai pas commencé avec cette approche en 2008. J’ai essayé la méthode plus classique, que je décrirais comme étant la voie cartésienne. Vous appliquez simplement ce principe en cascade ou principe d’ingénierie : clarifier l’entrée, clarifier les indicateurs, clarifier le modèle, puis tout rassembler pour faire une optimisation dans cet ordre et cela fonctionnera. Mais non, ce n’est absolument pas comme ça que cela fonctionne.
Joannes Vermorel: Je peux témoigner de mon expérience selon laquelle cela a échoué à maintes reprises, et nous avons connu une vaste série d’initiatives très douloureuses. Je veux dire, en fin de compte, quand vous suivez la voie cartésienne, que se passe-t-il en pratique ? Eh bien, vous menez simplement votre joli projet et, le jour où vous étiez censé avoir terminé, vous vous rendez compte que rien ne fonctionne et que vous devez tout recommencer.
Donc, en fin de compte, cela fonctionnera, car lorsque vous essayez réellement de passer en production, vous constaterez tous ces dysfonctionnements et vous devrez alors revisiter tout ce que vous avez fait auparavant. Et c’est là toute l’astuce. Si vous n’adoptez pas cette perspective, vos projets prendront des années, car vous mènerez un projet d’un an dans cette perspective en cascade, avec un joli plan et tout, et le jour où vous essayez de mettre le système en marche, vous réalisez que tout s’effondre. Vous l’éteignez, puis vous recommencez. Et cela prendra des années.
Ma philosophie est, dans un premier temps, d’essayer simplement de communiquer sur cette expérience. Et ensuite, sur le plan plus philosophique, je dirais que tout ce que l’on apprend, on ne l’apprend pas dans les manuels. Pour la grande majorité des choses dans la vie, on apprend en faisant. Il est en réalité extrêmement difficile d’apprendre quoi que ce soit sans le pratiquer.
Oui, en théorie, vous pouvez apprendre une langue étrangère simplement en choisissant un livre, en le lisant pendant six mois, en le mémorisant, et ensuite vous parlez couramment. Je ne sais pas si j’ai déjà vu quelqu’un capable de faire cela. Cela pourrait, en théorie, être possible, mais en réalité, non. Vous essayeriez, vous trébucheriez, et parfois les gens ne comprendraient tout simplement pas ce que vous dites, puis vous vous amélioreriez progressivement. Mais vous voyez, on apprend en faisant. C’est le genre de concept grec ancien appelé praxis. Et je pense que pour quelque chose d’aussi complexe qu’un système comme la supply chain, s’il existait une autre manière d’apprendre, ce serait de la folie.
Kieran Chandler: D’accord, eh bien commençons à conclure un peu. Tout cela semble génial théoriquement, mais c’est loin d’être établi. Pensez-vous donc que l’industrie est vraiment prête à adopter une toute nouvelle approche, ou qu’elle est trop figée dans ses méthodes et que les anciennes approches sont trop enracinées ?
Joannes Vermorel: Le fait amusant, c’est qu’en termes de préparation, je constate que la grande majorité des entreprises qui déploient des systèmes d’optimisation de la supply chain depuis des décennies, en particulier les grandes, et je veux dire, c’est incroyable. Elles ont, je veux dire…
Kieran Chandler: Même le terme, vous savez, ERP (Enterprise Resource Planning) désigne normalement une sorte d’optimisation de la supply chain. La grande majorité des ERP déployés au cours des trois dernières décennies n’apportent aucune valeur dans ce domaine. Certes, ils apportent beaucoup de valeur en termes de gestion. Vous savez, vous pouvez suivre vos stocks, vous pouvez avoir une visibilité en temps réel, ce qui est très appréciable. Vous pouvez bénéficier de nombreuses automatisations de workflow pour les factures, les paiements, le suivi des retards, et tout cela. Très bien. Mais quand il s’agit de predictive optimization, l’état de l’industrie est presque inexistant. Il y a très peu de choses en place qui fonctionnent, et ce n’est pas faute d’essayer. Souvent, les grandes entreprises que nous servons en sont généralement à leur cinquième, sixième ou septième tentative dans ce domaine. Il est donc clair, en termes de préparation, que beaucoup d’entreprises sont prêtes à le faire parce qu’elles essaient depuis trois décennies. Ce n’est pas faute d’essayer.
Joannes Vermorel: Je pense que le cœur du problème est que la plupart des entreprises n’ont même pas essayé de reconnaître les détails de leurs échecs. Cela peut être lié à la puissance du savoir négatif, dont nous avons parlé dans un autre épisode. Peut-être que certaines entreprises doivent commencer à se concentrer sur ces problèmes complexes, ces problèmes épineux, ou ces problèmes qui résistent à la jolie approche cartésienne où l’on peut simplement prendre un stylo et du papier, s’asseoir à son bureau, réfléchir intensément, trouver une solution, la déployer et constater que cela fonctionne. Ce n’est pas ainsi que cela fonctionne en gestion de la supply chain. La supply chain est bien trop désordonnée. Il faut générer ces décisions, et non pas simplement agir en fonction d’elles. Vous pouvez générer la décision, la faire examiner par quelques personnes, et ensuite elles vous diront : “Non, cela ne fonctionne pas.” Cela suffit déjà. Mais en termes de préparation, pour revenir à votre question, je pense que beaucoup d’entreprises sont prêtes, et que ce sera une bataille ardue. Pour Lokad, nous devons encore les convaincre qu’il n’y a pas d’autre moyen que de mettre leur initiative à risque par rapport à la réalité, plutôt que d’essayer de la faire correctement dès la première fois selon une perspective cartésienne descendante, qui malheureusement, ne fonctionne pas.
Kieran Chandler: D’accord, brillant. Nous allons devoir conclure ici, mais merci pour votre temps. Donc, c’est tout pour cette semaine. Merci beaucoup de nous avoir écoutés, et nous vous retrouvons dans le prochain épisode. Au revoir pour l’instant.
