00:00:08 Approche décisionnelle en 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 comme mécanisme de validation pour comprendre les données.
00:06:10 Les défis de l’optimisation des métriques et de l’identification des erreurs dans le processus de prise de décision.
00:07:50 La relation entre les métriques, la stratégie commerciale et la prise de décision.
00:09:08 L’objectif final des recettes numériques capitalistes pour l’automatisation des décisions.
00:11:37 La nécessité de générer des décisions pour comprendre si les étapes précédentes ont été efficaces.
00:12:40 Le rôle de la prévision dans la prise de décision de la supply chain et le problème de ne pas être décisionnel en premier.
00:14:45 Approches alternatives dans l’industrie et division des décisions.
00:16:01 Réconciliation des prévisions et prise de décision atomique.
00:18:16 Apprendre des échecs passés et adopter une nouvelle perspective.
00:20:59 Apprendre en faisant et la philosophie de la praxis.
00:21:57 Préparation de l’industrie pour une nouvelle approche et tentatives précédentes.
00:24:10 Reconnaître les échecs et les limites des approches cartésiennes.
Résumé
Dans l’interview, Kieran Chandler et Joannes Vermorel discutent de l’approche décisionnelle de Lokad pour l’optimisation de la supply chain. Les méthodes traditionnelles reposent sur la prévision, mais Lokad se concentre sur les décisions tangibles pour améliorer la compréhension des données et renforcer l’optimisation. Vermorel partage le changement de perspective de l’entreprise, passant d’une approche cartésienne à une approche décisionnelle après plusieurs échecs. Il estime que les organisations ne peuvent apprendre qu’en agissant et souligne la nécessité de générer des décisions et de les itérer. Convaincre les entreprises de changer leur approche est un défi, mais Vermorel pense que la plupart sont ouvertes une fois qu’elles reconnaissent les échecs passés et les limites des méthodes traditionnelles.
Résumé étendu
Dans cette interview, Kieran Chandler, l’animateur, s’entretient avec Joannes Vermorel, le fondateur de Lokad, une entreprise spécialisée dans l’optimisation de la supply chain. Ils discutent de l’approche unique de Lokad, appelée “décisionnelle”, pour l’optimisation de la supply chain, qui diffère des méthodes traditionnelles de prévision.
Historiquement, les supply chains ont reposé sur des méthodes de prévision, laissant la prise de décision réelle aux membres du personnel senior qui se fient à leur intuition et à leur expertise. Vermorel explique que Lokad a développé une approche alternative, axée sur la prise de décision en premier. Cette approche est apparue après des années de travail dans l’optimisation prédictive de la supply chain.
Initialement, Lokad fonctionnait avec une perspective cartésienne : collecter des données, clarifier leur sémantique, appliquer des recettes numériques pour la prévision et l’optimisation, puis prendre des décisions basées sur des métriques spécifiques. Cependant, Vermorel s’est rendu compte que cette approche ne fonctionnait pas comme prévu. Il a constaté que se concentrer d’abord sur le processus de prise de décision était non seulement plus efficace, mais aussi contre-intuitif.
Par “décisionnelle”, Vermorel fait référence au processus de prise de décisions tangibles en matière de supply chain, telles que l’achat d’une unité supplémentaire auprès d’un fournisseur, la production d’une unité supplémentaire sur une ligne de production, le déplacement de stocks d’un endroit à un autre ou l’ajustement des prix des produits. Ces décisions ont un impact économique réel 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 les données pour en assurer une compréhension correcte. Cependant, ils se rendaient souvent compte qu’ils comprenaient mal les données, ne réalisant leurs erreurs que lorsqu’ils généraient des décisions basées sur celles-ci.
C’est grâce au mécanisme de génération de décisions qu’ils ont pu identifier les erreurs dans leur interprétation des données. Les praticiens de la supply chain pouvaient passer en revue les décisions générées et signaler les incohérences, ce qui permettait à Lokad de corriger sa compréhension des données.
L’approche “décisionnelle” de Lokad pour l’optimisation de la supply chain met l’accent sur l’importance de prendre des décisions tangibles en matière de supply chain avant de se plonger dans l’analyse des données et la prévision. Cette méthode contre-intuitive permet de mieux comprendre les données et conduit finalement à une optimisation de la supply chain plus efficace.
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 se heurtent souvent à des problèmes qui entrent en conflit avec la réalité de la supply chain. Ces problèmes sont généralement 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 basées sur ces données. Si les décisions sont approximativement correctes et raisonnables, elles valident alors la compréhension sémantique des données d’entrée. Ce processus d’aller-retour entre le modèle mental des données et la génération de décisions contribue à améliorer la précision et à mieux aligner les décisions sur la réalité de la supply chain.
Les interviewés discutent également du défi de l’essai et de l’erreur dans la génération de décisions optimales. Vermorel souligne que les problèmes ne se limitent pas aux données, mais incluent également les métriques mêmes qui sont optimisées. En adoptant une perspective cartésienne, il convient d’optimiser en termes de dollars d’erreur plutôt qu’en pourcentage d’erreur. Cela implique d’appliquer des facteurs économiques tels que le coût de possession, la marge brute et les pénalités de rupture de stock pour exprimer la performance des décisions en dollars.
Cependant, même en appliquant des facteurs économiques apparemment sensés, les décisions initiales finissent souvent par être dénuées de sens. Vermorel explique que des problèmes subtils se trouvent dans les métriques elles-mêmes, ce qui nécessite un processus d’aller-retour entre la compréhension des données, la génération de décisions et l’affinement des facteurs économiques.
L’objectif final de cette approche axée sur la décision est de créer une recette numérique capable de générer automatiquement des décisions banales. Cela est essentiel pour gérer le volume massif de décisions nécessaires quotidiennement dans les grandes chaînes d’approvisionnement, 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 discutent de l’importance d’une approche “décision d’abord” et des limites de la focalisation de l’industrie sur l’exactitude des prévisions.
Vermorel explique que l’approche traditionnelle descendante et en cascade de l’optimisation de la chaîne d’approvisionnement ne fonctionne pas. Cette méthode implique la mise à niveau des systèmes, la documentation des processus et la réalisation d’études approfondies pour créer un plan complet. Cependant, Vermorel soutient que tant que les entreprises ne peuvent pas générer de décisions réelles, elles ne peuvent pas savoir si l’une de leurs étapes précédentes a été efficace.
La focalisation de l’industrie sur l’exactitude des prévisions est intellectuellement séduisante, mais Vermorel suggère qu’elle est défectueuse. Bien que les prévisions soient importantes pour anticiper les futurs états du marché, elles ne sont que des artefacts numériques sans aucune influence directe sur la chaîne d’approvisionnement. Améliorer les prévisions seules ne conduit pas à l’apprentissage ou à l’optimisation du monde réel. Au lieu de cela, Vermorel souligne que les entreprises devraient donner la priorité à la prise de décisions qui sont en accord avec la réalité.
Pour illustrer les limites de la focalisation sur les artefacts numériques, Vermorel décrit comment les entreprises peuvent créer des prévisions à court terme, à moyen terme et à long terme. Au lieu de résoudre le problème initial, cette approche crée plusieurs problèmes de prévision et nécessite des efforts supplémentaires pour concilier les différentes prévisions. Cela ne fait qu’aggraver la situation et ne fournit toujours pas de lien clair avec la réalité.
Vermorel défend une approche axée sur la décision, affirmant que les décisions sont atomiques et bien définies, ce qui peut conduire à l’apprentissage du monde réel et à une optimisation efficace de la chaîne d’approvisionnement. Il insiste sur la nécessité pour les entreprises de confronter 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’une perspective axée sur la décision pour éviter les erreurs.
Vermorel estime que les organisations ne peuvent apprendre qu’en agissant et souligne l’importance de générer des décisions et de les itérer, plutôt que de tenter de développer des solutions parfaites de manière descendante. Il reconnaît la difficulté de convaincre les entreprises de changer leur approche, car beaucoup ont essayé divers systèmes d’optimisation de la chaîne d’approvisionnement sans succès. En termes de préparation, il pense que la plupart des entreprises sont ouvertes à l’adoption d’une nouvelle approche, mais 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 comprendre l’approche alternative qui consiste à mettre les décisions au premier plan et comprendre comment cela peut améliorer le fonctionnement d’une organisation. Alors, Joannes, peut-être pouvez-vous commencer par nous en dire un peu plus sur ce que vous entendez par une approche axée sur la décision.
Joannes Vermorel: L’approche axée sur la décision est un angle très spécifique que nous avons découvert après quelques années à faire le travail que Lokad fait, c’est-à-dire l’optimisation prédictive de la chaîne d’approvisionnement. Quand j’ai commencé Lokad, j’avais une perspective cartésienne où vous voulez optimiser quelque chose, donc vous dites : “Je vais avoir des données, clarifier la sémantique, puis je vais appliquer une série de recettes numériques bien définies : prévision, optimisation, et ensuite je vais spécifiquement viser certaines métriques, et nous allons appliquer tout cela, et ensuite nous allons prendre de bonnes décisions.” Cependant, il s’est avéré que cette approche ne fonctionne pas. Ce n’est absolument pas ainsi que nous menons des projets de nos jours, et la façon dont nous le faisons est très profondément contre-intuitive.
Quand je dis “décision d’abord”, je veux dire qu’il s’agit littéralement de produire une décision, quelque chose qui correspond à la réalité. Que veux-je dire par décisions ? Je veux dire des décisions banales de la chaîne d’approvisionnement, comme décider d’acheter une unité de plus à un fournisseur, décider de fabriquer une unité de plus dans votre chaîne de production, décider de déplacer une unité de stock de l’emplacement A à l’emplacement B, ou décider de faire varier le prix d’un produit à la hausse ou à la baisse. Ce sont des décisions tangibles, physiques, qui ont un impact économique réel sur votre chaîne d’approvisionnement. Quand je dis “décision d’abord”, je veux dire que la première étape consiste littéralement à commencer par prendre l’une de ces décisions avant de faire tout le reste, ce qui semble très bizarre car on pourrait penser que tout le reste vient en premier, mais non, c’est la décision qui vient en premier.
Kieran Chandler: Parlons un peu de la façon dont vous avez eu cette idée. Qu’avez-vous vécu chez Lokad pour en arriver à cette approche ?
Joannes Vermorel: Nous avons réalisé que lorsque nous avons commencé, nous avions besoin de préparer les données. Par exemple, si nous voulions optimiser la chaîne d’approvisionnement, nous avions besoin de données, simplement des données historiques de base sur les ventes passées, les mouvements de stocks, et ce genre de choses. On pourrait penser que l’on peut documenter les données pour s’assurer de les comprendre, et c’est ce que nous avons fait. Cependant, le problème était que chaque fois que nous documentions les données, nous nous trompions un peu. Mais nous ne nous rendions pas compte que nous nous trompions avant d’arriver au point où nous générons la décision. C’est seulement grâce au mécanisme de génération de décision, où nous produisons une décision telle que “Déplaçons X unités de stock de cet emplacement à cet autre emplacement”, puis nous faisons examiner la décision par un praticien de la chaîne d’approvisionnement qui dit : “Eh bien, c’est tout simplement faux. Vous avez clairement mal compris les données.”
Kieran Chandler: Dans les situations où nous ne devrions pas le faire, il y a une très bonne raison de ne pas le faire. Ce n’est pas nécessairement avancé ; 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. Donc, vous ne pouvez même pas déplacer les 50 unités que vous voulez déplacer. Il y a des problèmes comme ça.
Joannes Vermorel: Il est intéressant que vous commenciez par générer la décision, puis vous avez des praticiens de la supply chain avec de l’expérience qui peuvent, d’un coup d’œil, vous dire que c’est une décision erronée. Ensuite, vous réalisez 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 vous penseriez qu’en nettoyant les données et en comprenant comment les données sont structurées, vous élimineriez 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 entrent en conflit avec la réalité de la supply chain d’une manière relativement banale. Il faut beaucoup d’intelligence pour générer la décision elle-même. La principale leçon à retenir ici est de comprendre que la seule façon de s’assurer que vous comprenez correctement les données est de pouvoir générer une décision à partir de celles-ci. Si cette décision est approximativement correcte et raisonnable, elle valide les sémantiques que vous croyez applicables aux données d’entrée et que vous avez utilisées pour créer le modèle en premier lieu.
Cependant, c’est un mécanisme où vous devez aller et venir entre le modèle mental, qui est simplement la sémantique de ce que vous pensez que les données signifient, et le mécanisme de génération de décision qui génère la décision, là où la réalité vous donne un retour sur ce que vous faites. Ensuite, vous vous rendez compte que vous vous trompiez sur de nombreuses choses concernant les données, donc vous allez et venez.
Kieran Chandler: Comment parvenons-nous à la décision finale alors ? Cela semble être beaucoup d’essais et d’erreurs. Combien d’essais et d’erreurs cela prend-il ?
Joannes Vermorel: C’est encore pire que ça parce que je n’ai discuté que des problèmes que vous avez identifiés concernant les données. Ce ne sont pas seulement les problèmes liés aux données ; ce sont aussi les métriques mêmes que vous optimisez. Si vous adoptez une perspective cartésienne, vous diriez que vous ne pouvez pas optimiser ce que vous ne mesurez pas. Chez Lokad, nous préconisons une optimisation basée sur les dollars d’erreur, et non sur le pourcentage d’erreur. Vous avez donc besoin d’une métrique exprimée en dollars qui représente tous les facteurs économiques applicables. Par exemple, dans le cas des stocks, cela signifierait prendre en compte des facteurs économiques tels que le coût de possession, 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, voici comment vous mesurez la performance de votre décision exprimée en dollars. Logiquement, vous diriez : “Je prends le DR que je comprends, je prends des capacités d’apprentissage statistique en haute dimension qui sont une partie de la prévision, puis je prends des capacités d’optimisation numérique en haute dimension, et j’applique une métrique qui reflète ma stratégie commerciale et je comprends mes facteurs.”
Kieran Chandler: Et que se passe-t-il lorsque vous appliquez cette métrique pour la première fois ?
Joannes Vermorel: Vous vous retrouverez avec des tonnes de décisions absurdes, et c’est très déconcertant car tous vos facteurs économiques, ils semblent un peu évidents, mais presque, vous savez, des voitures qui se déplacent. Marge brute, je veux dire, nous ne parlons pas de choses très avancées. Pourtant, lorsque nous appliquons cela à la décision, nous finissons invariablement par prendre des décisions très stupides et médiocres. Et que reflètent ces décisions ? Elles reflètent que les erreurs, les pensées, sont des problèmes subtils, se trouvent dans les métriques elles-mêmes. Et donc, tout comme nous l’avons vu avec, il y a beaucoup d’allers-retours entre votre compréhension des données et la décision que vous générez à partir de cela. Vous avez beaucoup d’allers-retours sur les facteurs économiques, comment vous les comprenez et quel type de décision vous générez. Nous parlons toujours de cette idée selon laquelle vous ne pouvez pas optimiser ce que vous ne mesurez pas. Alors quel est l’objectif final ? Est-ce que les données valident les décisions que vous prenez ?
Kieran Chandler: Et quel est l’objectif final selon les praticiens de la supply chain ?
Joannes Vermorel: L’objectif final est d’avoir quelque chose de capitaliste. Vous voyez, lorsque nous disons “décision d’abord”, l’idée est que nous voulons fournir une recette numérique qui génère automatiquement toutes ces décisions super banales. Pourquoi ? Parce que vous en avez tellement. Nos plus grands clients en génèrent des millions chaque jour. Donc soit vous avez une armée de commis, ce que beaucoup d’entreprises ont encore, soit vous décidez : “D’accord, je vais avoir une recette miracle qui fait ce travail”, et ensuite tous les efforts que je continue de déployer dans ce domaine sont destinés à l’amélioration continue de la recette numérique elle-même.
Kieran Chandler: Et qu’est-ce qui est intéressant dans cette approche ?
Joannes Vermorel: Fait intéressant, jusqu’à ce que vous génériez réellement ces décisions, toutes les autres choses que vous pouvez faire, vous n’êtes même pas sûr qu’elles fonctionnent. C’est ça le truc, car si vous adoptez cette perspective cartésienne descendante, vous diriez : “D’accord, mon plan est d’abord de mettre à niveau le ERP avec de nouvelles capacités XYZ. D’accord, cela prend six mois, puis nous allons documenter et clarifier l’ordre dans lequel ils se trouvent, et ensuite c’est encore XYZ et même pousser tout dans un lac de données, puis nous allons faire une autre étude de six mois avec peut-être un consultant externe pour clarifier complètement la stratégie et avoir une modélisation quantitative complète.”
Kieran Chandler: Des facteurs commerciaux, puis nous allons enfin rassembler toutes ces choses pour générer cette exécution automatisée de la décision optimisée. Cela ressemble à un plan avec une belle perspective en cascade où vous passez de la phase un à la phase deux à la phase trois. Mais littéralement, cette chose ne fonctionne pas du tout, et c’est probablement la leçon la plus frustrante. Jusqu’à ce que vous arriviez au point où vous générez réellement des décisions, vous n’avez aucune idée si l’une des étapes que vous avez prises auparavant fonctionne réellement. Et c’est quelque chose de choquant. Vous penseriez 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 cette réalité, cette boucle de rétroaction, vous ne savez pas, vous ne savez vraiment pas.
Joannes Vermorel: Oui, je veux dire que l’industrie est très axée sur cette idée de prévision et de précision des prévisions, n’est-ce pas ? Pourquoi cette vision est-elle si poussée par les entreprises, les sociétés et les consultants ?
Kieran Chandler: Parce que c’est très séduisant intellectuellement. Cela semble être quelque chose de très raisonnable.
Joannes Vermorel: Je veux dire, oui, les prévisions sont importantes, évidemment. Parce que chaque fois que vous prenez une décision de supply chain, c’est essentiellement une déclaration que vous faites sur l’état futur du marché. Si vous passez une commande de matières premières à un fournisseur, vous faites implicitement une déclaration sur l’état de la demande à l’avenir. Donc, la supply chain, parce que nous ne pouvons pas téléporter et parce que nous ne pouvons pas simplement tout imprimer en 3D instantanément, il s’agit d’anticiper l’état futur du marché. Les entreprises essaient donc d’aborder cela de manière rationnelle et disent : “Oh, faisons une amélioration des prévisions”, c’est essentiellement ce dont nous avons discuté dans notre épisode sur les prévisions nues. Et puis vous vous retrouvez avec toutes sortes de problèmes, et en réalité, lorsque nous revisitons cela d’un point de vue légèrement différent, qui est cette possibilité de cet épisode de décision d’abord, je dirais que le problème est que vous n’êtes pas décision d’abord lorsque vous faites cela. Si vous dites : “Oh, poussons pour de meilleures prévisions et nous verrons ce que nous pouvons faire avec ces meilleures prévisions”, vous n’êtes pas décision d’abord. Vous commencez par 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 dites peut-être que cela s’améliorera, et mon retour d’expérience est que la leçon apprise depuis une décennie maintenant en menant des projets de supply chain chez Lokad est que non, vous n’apprendrez rien. L’apprentissage ne vient que de la réalité, qui est l’arbitre ultime de qui a raison ou tort. Et lorsque je parle de réalité, je veux dire que la façon de s’assurer que ce projet d’optimisation de la supply chain fait réellement quelque chose qui va dans la bonne direction, ce sont ces décisions, car ces décisions sont vraiment l’essentiel de vous mettre en danger par rapport à ce que la réalité peut vous dire si cela fonctionne réellement ou non.
Kieran Chandler: D’accord, et mettre les décisions en premier est certainement la façon dont nous le considérons, mais qu’en est-il de ces approches alternatives qui existent dans l’industrie ? Et que pensez-vous 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 les artefacts, en particulier les artefacts numériques, ils ont très peu de contraintes qui leur sont attachées, et donc vous pouvez les diviser ou les séparer. Par exemple, vous pouvez avoir une prévision à court terme, une prévision à moyen terme et une prévision à long terme. Lorsque vous faites cela, vous créez plus de problèmes. Vous aviez un problème de prévision, maintenant vous avez trois problèmes de prévision, et vous avez également le problème de la nécessité pour différentes équipes de concilier leur travail. Donc, vous devrez concilier la prévision à long terme avec la prévision à moyen terme, puis vous devrez concilier la prévision à court terme avec la prévision à moyen terme, et peut-être même la prévision à court terme avec la prévision à long terme. Vous aviez un problème, maintenant vous en avez six. Vous avez simplement aggravé la situation, et il n’est toujours pas très clair si ce que vous faites a le moindre lien avec la réalité.
La réalité ne vous dira pas si ce que vous faites est faux de manière très indirecte. Et c’est là toute la beauté des décisions. Si nous adoptons cette approche axée sur les décisions, 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 à ce fournisseur aujourd’hui”, vous savez que c’est aussi atomique que possible. Parfois, vous pouvez le préciser davantage, comme “Achetez une unité à ce fournisseur aujourd’hui et faites expédier cette unité par camion”, car il y a peut-être une option pour l’expédier par train ou autre chose. Donc, chez Lokad, nous avons des décisions qui sont, par définition, complètement atomiques. Vous ne pouvez pas vraiment les subdiviser, ce qui est très bien car cela limite également les choses que vous pouvez inventer.
Se concentrer sur les décisions vous empêche de commettre toute une série d’erreurs, telles que diviser les choses ou créer du travail fictif. C’est un véritable changement de perspective.
Kieran Chandler: Et donc, que faites-vous pour convaincre ces organisations qui ont l’habitude de suivre une approche plus classique ?
Joannes Vermorel: C’est là que réside le problème…
Kieran Chandler: Le problème est que c’est très difficile à 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 manière plus classique, que je décrirais comme la manière cartésienne. Vous essayez simplement ce principe de cascade ou ce principe d’ingénierie : clarifiez l’entrée, clarifiez les métriques, clarifiez le modèle, puis mettez tout cela ensemble pour faire une optimisation dans cet ordre et cela fonctionnera. Mais non, ce n’est absolument pas la façon dont cela fonctionne.
Joannes Vermorel: Je peux communiquer mon expérience selon laquelle cela a échoué maintes et maintes fois, et nous avons eu une série d’initiatives très douloureuses. Je veux dire, en fin de compte, lorsque vous le faites de manière cartésienne, que se passe-t-il en pratique ? Eh bien, vous allez simplement faire votre beau projet, et puis, une fois arrivé au jour où vous étiez censé avoir terminé, vous réalisez simplement 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 verrez toutes ces choses et vous devrez revoir tout ce que vous avez fait auparavant. Et c’est là que réside le piège. Si vous n’adoptez pas cette perspective, ce qui se passera, c’est que vos projets prendront des années, car vous ferez simplement un projet d’un an pour le terminer selon cette perspective de cascade, avec un beau plan et tout. Et le jour où vous essayez de mettre en marche le système, vous réalisez simplement que tout s’effondre. Donc, vous l’éteignez à nouveau et vous recommencez. Et cela prend des années.
Ma philosophie est d’abord d’essayer de communiquer sur cette expérience. Et ensuite, d’un point de vue plus philosophique, je dirais que tout ce que vous apprenez, vous ne l’apprenez 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 quelque chose sans le faire.
Oui, en théorie, vous pouvez apprendre une langue étrangère en choisissant simplement un livre, en le lisant pendant six mois, en le mémorisant et ensuite vous êtes fluent. Je ne sais pas si j’ai déjà vu quelqu’un capable de le faire. En théorie, cela pourrait être possible, mais en réalité, non. Vous essayeriez, vous trébucheriez et parfois les gens ne comprendraient tout simplement pas ce que vous dites, et vous vous amélioreriez progressivement. Mais vous voyez, on apprend en faisant. C’est le concept grec ancien de la praxis. Et je pense que pour quelque chose qui est un système très complexe comme la supply chain, il n’y a pas d’autre moyen d’apprendre, je pense que c’est une folie.
Kieran Chandler: D’accord, eh bien commençons à conclure un peu. Mais tout cela semble très bien en théorie, mais ce n’est pas du tout établi. Pensez-vous que l’industrie est vraiment prête à adopter une toute nouvelle approche, ou pensez-vous qu’elle est très ancrée dans ses habitudes et que les anciennes approches sont trop ancrées ?
Joannes Vermorel: La chose amusante, c’est qu’en termes de préparation, je vois que la grande majorité des entreprises qui déploient des systèmes d’optimisation de la supply chain depuis des décennies, en particulier les grandes entreprises, et je veux dire, c’est insensé. Elles ont, je veux dire…
Kieran Chandler: Même le terme, vous savez, ERP (Enterprise Resource Planning) signifie normalement une sorte d’optimisation de la supply chain. La grande majorité des ERP qui ont été déployés au cours des trois dernières décennies ne fournissent aucune valeur dans ce domaine. Oui, ils fournissent beaucoup de valeur du côté de la gestion. Vous savez, vous pouvez suivre vos stocks, vous pouvez avoir une visibilité en temps réel, ce qui est très bien. Vous pouvez avoir beaucoup d’automatisations de flux de travail pour les factures, les paiements, le suivi des retards, toutes ces sortes de choses. Très bien. Mais en ce qui concerne l’optimisation prédictive, 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. Fréquemment, les grandes entreprises que nous servons, nous sommes généralement leur cinquième, sixième ou septième tentative dans ce domaine. Donc, clairement, en termes de préparation, je pense que beaucoup d’entreprises sont prêtes à le faire car elles essaient depuis les trois dernières 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 au pouvoir de la connaissance négative, dont nous avons discuté dans un autre épisode. Peut-être que certaines entreprises doivent commencer à se concentrer sur ces problèmes complexes, ces problèmes insolubles, ou des problèmes qui résistent à l’approche cartésienne où vous pouvez simplement prendre un stylo et du papier, vous asseoir à votre bureau, réfléchir intensément, trouver une solution, la déployer et ça marche. Ce n’est pas comme ça que ça fonctionne dans la gestion de la supply chain. La supply chain est beaucoup trop chaotique. Vous devez générer ces décisions, pas seulement agir sur elles. Vous pouvez générer la décision, faire en sorte que certaines personnes les examinent, et ensuite elles vous diront : “Non, ça ne marche pas.” C’est déjà suffisant. Mais en termes de préparation, pour revenir à votre question, je pense que beaucoup d’entreprises sont prêtes, et cela va être une bataille difficile. Pour Lokad, nous devons encore les convaincre qu’il n’y a pas d’autre moyen que de mettre leur initiative en danger par rapport à la réalité, au lieu d’essayer de le faire correctement dès la première fois, d’un point de vue cartésien et descendant, ce qui malheureusement ne fonctionne pas.
Kieran Chandler: D’accord, génial. Nous devons en rester là, mais merci pour votre temps. C’est tout pour cette semaine. Merci beaucoup de nous avoir suivi, et nous vous retrouverons dans le prochain épisode. Au revoir pour le moment.
