00:00:07 L’importance de la prévision des tendances.
00:01:36 Les limites de l’utilisation des données des médias sociaux pour la prévision supply chain.
00:04:26 Le décalage entre les tendances des médias sociaux et les données supply chain au niveau des SKU.
00:06:37 Les défis pour identifier les signaux précoces dans les données des médias sociaux.
00:07:20 Utiliser les données internes pour une meilleure prévision et l’importance de modèles de prévision stables.
00:10:07 La difficulté de prédire des événements extrêmes comme le COVID-19 et l’importance de la prévision probabiliste.
00:13:42 La lenteur et le caractère manuel du processus de transformation des prévisions en décisions dans la plupart des industries.
00:15:00 La lenteur inhérente des supply chain et l’inefficacité d’agir sur les signaux précoces.
00:15:53 La nécessité de robotiser les pipelines de données pour générer des décisions plus efficacement.
00:17:07 Les limites de la technologie de prévision et l’acceptation de l’incertitude.
00:19:35 Le rôle des Supply Chain Scientist et de l’intuition humaine dans la prise de décision.
00:20:31 Évaluer le gain de temps potentiel grâce à une meilleure technologie de prévision.
00:22:00 Prioriser l’automatisation dans la prise de décision plutôt que la prévision avancée.

Résumé

Kieran Chandler et Joannes Vermorel discutent des défis et du potentiel d’utilisation de sources de données externes telles que les médias sociaux pour prévoir les tendances supply chain. Vermorel soutient que, bien que des informations précieuses puissent se trouver sur les médias sociaux, il est difficile d’associer ces données à des produits spécifiques, et la qualité ainsi que le contexte des données restent souvent flous. Il recommande plutôt de se concentrer sur les données internes pour obtenir une vision plus précise du futur et d’adopter une approche probabiliste afin de se préparer aux événements extrêmes. Vermorel souligne la nécessité pour les entreprises d’automatiser leurs processus de prise de décision afin d’améliorer leur agilité et de mieux répondre aux fluctuations de la demande.

Résumé Étendu

La discussion entre Kieran Chandler et Joannes Vermorel porte sur le potentiel d’utilisation de vastes sources de données externes, telles que les médias sociaux, pour prévoir les tendances et capter les signaux précoces pour l’optimization de la supply chain. Vermorel fait valoir qu’en pratique, cette approche ne fonctionne pas efficacement pour les supply chains en raison de la difficulté d’extraire des données pertinentes et de distinguer l’information réelle de la fausse. Même les annonceurs peinent à différencier le trafic authentique du trafic généré par des bots, ce qui rend difficile l’obtention d’informations utiles à partir de ces sources. Vermorel suggère que la prévision des tendances via les médias sociaux pourrait fonctionner dans des situations rares ou extrêmes, mais que la granularité des informations requise pour l’optimization de la supply chain n’est généralement pas atteignable.

Ils ont discuté des défis et du potentiel de l’utilisation de données externes, telles que les médias sociaux, pour prévoir les tendances supply chain. Vermorel explique que, bien qu’il puisse exister des informations précieuses sur les médias sociaux, il est difficile d’associer directement ces données à des produits spécifiques ou à des SKUs. De plus, la qualité et le contexte de ces données sont souvent incertains, car les gens mentionnent rarement des détails produits comme les codes UPC dans leurs publications, et l’interprétation du contenu peut être très subjective.

Vermorel ajoute que même lorsque l’information semble évidente, comme lorsqu’une célébrité recommande un produit, l’interprétation peut varier considérablement. Les gens peuvent se concentrer sur différents aspects du produit, tels que la couleur, la forme ou la marque. Cette imprécision est accentuée par le fait que les publications sur les médias sociaux font souvent partie d’une conversation plus large, avec des interactions et des réponses ajoutant une ambiguïté supplémentaire. L’analyse de sentiment peut aider, mais il reste difficile d’extraire des informations claires et exploitables à partir des données des médias sociaux.

Interrogé sur d’autres signaux précoces pour les tendances supply chain, Vermorel suggère que les entreprises devraient se concentrer sur leurs propres données internes. Une vision plus précise de l’avenir peut être obtenue en analysant ces données, mais détecter des signaux précoces pour des événements hors du commun demeure un défi. Il explique que même avec un bon modèle de prévision, il existe des limitations dues au besoin de stabilité. Une supply chain requiert un plan constant à exécuter, et une réactivité excessive peut entraîner des faux positifs coûteux.

Vermorel reconnaît que des améliorations peuvent être apportées pour détecter les signaux plus tôt, mais les progrès sont souvent marginaux. Par exemple, chez Lokad, ils se réjouissent de pouvoir détecter une disruption quelques jours plus tôt qu’auparavant. Il avertit que, dans la plupart des cas, ces signaux précoces restent réactifs, car ils se fondent sur des données internes qui reflètent des changements de ventes ou d’autres facteurs.

En abordant l’idée de disposer de signaux précoces pour des événements significatifs, comme le coronavirus, Vermorel remet en question la faisabilité de détecter de tels signaux de manière fiable. Il suggère que, bien qu’il puisse être bénéfique d’avoir des systèmes d’alerte précoce pour des disruptions rares et à grande échelle, la praticabilité de développer des modèles de prévision précis et fiables pour ces scénarios demeure incertaine.

Le fondateur a abordé les événements extrêmes en queue de distribution comme le COVID-19, les défis liés à la prévision de tels événements, et l’importance de la prévision probabiliste. Il soutient que prédire les valeurs aberrantes est intrinsèquement difficile en raison de leur nature surprenante et sans précédent. Il recommande plutôt d’adopter une approche probabiliste qui attribue une faible probabilité aux événements extrêmes et de s’y préparer avec le temps.

Vermorel souligne la nécessité pour les organisations d’être réfléchies et adaptatives en réponse aux événements mondiaux. Il note que de nombreuses industries réagissent lentement, même lorsqu’elles reçoivent des signaux d’alerte précoce, car elles n’ont pas la capacité de transformer efficacement les prévisions en décisions exploitables. Cela est souvent dû au caractère manuel et chronophage des processus de prise de décision au sein des entreprises.

Il insiste sur l’importance d’avoir un processus entièrement automatisé pour transformer les prévisions en décisions sans intervention humaine. Sans automatisation, les bénéfices des signaux d’alerte précoce sont souvent perdus en raison de l’inertie des personnes qui tentent de convertir les prévisions en actions. De plus, il souligne le problème de la confiance dans les signaux précoces, car ils sont souvent bruyants et incertains.

Vermorel suggère que la technologie pourrait potentiellement s’améliorer à l’avenir, mais le principal enjeu demeure la conversion des prévisions en décisions. Il estime qu’une approche la Supply Chain Quantitative, impliquant la robotisation complète du data pipeline, est essentielle pour résoudre ce problème. Cela permet aux entreprises d’être plus réactives et mieux préparées face aux événements inattendus.

Il a évoqué les défis de la prévision et de la réponse aux pics de demande, comme lors d’une pandémie. Vermorel explique que l’avenir est intrinsèquement incertain, et que la prévision probabiliste est la meilleure approche pour accepter cette imprécision. Il insiste sur le fait que les entreprises devraient se concentrer sur l’élaboration de meilleures décisions basées sur des probabilités, plutôt que d’essayer de prédire des chiffres exacts.

Vermorel estime que la clé pour répondre avec succès aux pics de demande est l’agilité, et que les entreprises peuvent y parvenir en automatisant leurs processus. Il affirme que la technologie de better forecasting peut seulement économiser à une entreprise une semaine ou deux par rapport aux méthodes traditionnelles, mais que le véritable avantage réside dans l’élimination du décalage entre la prévision et la prise de décision. En intégrant ces processus, les entreprises peuvent prendre des décisions plus rapides et plus efficaces.

Interrogé sur le rôle des praticiens supply chain, Vermorel suggère qu’ils devraient se concentrer sur l’automatisation de leurs processus et réagir rapidement aux changements de la demande. Il note que les entreprises gaspillent souvent un temps considérable, parfois jusqu’à un quart, pour s’adapter aux nouvelles réalités. En simplifiant et en automatisant leurs processus, les entreprises peuvent réduire ce décalage et améliorer leur agilité.

Vermorel aborde également les limites de l’utilisation des données des médias sociaux pour la prévision. Bien qu’elles puissent fournir certaines informations, celles-ci ne sont pas nécessairement exploitables pour les entreprises. Il recommande plutôt aux sociétés de donner la priorité à l’automatisation de leurs processus de prise de décision et à la mise en œuvre de méthodes de prévision plus avancées afin d’augmenter leur agilité face aux fluctuations de la demande.

Vermorel met en lumière l’importance d’accepter l’incertitude et de se concentrer sur la prise de meilleures décisions basées sur des probabilités. En automatisant les processus et en éliminant le décalage entre la prévision et la prise de décision, les entreprises peuvent améliorer leur agilité et mieux répondre aux pics de demande.

Transcription Complète

Kieran Chandler: Aujourd’hui sur Lokad TV, nous allons discuter de la possibilité, avec l’essor des médias sociaux, et également de ce que les entreprises peuvent faire pour tirer parti de ces signaux précoces. Alors, Joannes, notre sujet d’aujourd’hui porte sur la prévision de ces signaux précoces. Quelle est l’idée derrière cela ?

Joannes Vermorel: L’idée, telle que la présentent de nombreux vendeurs de logiciels, est qu’en exploitant de vastes sources de données qui vont au-delà de ce que possède l’entreprise, on peut en quelque sorte connaître l’avenir un peu plus tôt pour avoir un aperçu d’un futur plus lointain dès le début. L’archétype de cette idée de signal précoce serait de détecter qu’une tendance émerge sur Instagram parce que certaines célébrités portent désormais un nouveau type de vêtement et, bam, cela permet d’anticiper, un mois à l’avance, l’arrivée d’une tendance ou quelque chose du genre.

Kieran Chandler: Donc, quand nous parlons de ces sources de données, nous évoquons peut-être les sources des médias sociaux. Est-ce le type de données à examiner ?

Joannes Vermorel: C’est du moins ce que diraient de nombreux vendeurs d’optimization de la supply chain pilotée par l’IA.

Kieran Chandler: Et en pratique, dans quelle mesure cela fonctionne-t-il réellement, la prévision de signaux précoces basée sur des sources de données externes ?

Joannes Vermorel: Actuellement, il n’existe pratiquement rien qui fonctionne, même de loin, pour les supply chains, pas même proche. L’idée que vous pouvez aller sur les médias sociaux et simplement extraire les données pertinentes est une illusion. Ce sont des personnes qui prétendent le faire, sans jamais avoir constaté que l’essentiel du trafic sur ces médias sociaux n’est même pas généré par des personnes, mais par des bots, vous savez, des robots. Il est donc très difficile de déterminer ce qui est réel et ce qui ne l’est pas. Même les annonceurs, qui paient pour des impressions, éprouvent de grandes difficultés à distinguer le réel de l’illusoire, et ils dépensent une fortune pour diffuser des publicités sur ces plateformes. Même lorsque vous payez pour chaque impression et que vous êtes désespéré de vous assurer qu’il s’agit bien de vraies personnes, avec de vrais regards fixés sur ces publicités, c’est très compliqué. Alors, imaginez que vous n’êtes qu’un vendeur qui collecte des téraoctets de données de trafic aléatoires : ce que vous obtenez, c’est simplement beaucoup de hasard, beaucoup de bruit. L’idée que vous pouvez automatiquement prévoir des tendances à partir de cela, peut-être dans certaines situations extrêmes, oui, mais elles sont rares, donc pas très intéressantes. Et le type d’information que vous obtiendriez n’aurait même pas la granularité que vous recherchez. Oui, si votre granularité consiste à prédire qui sera parmi les 50 artistes les plus populaires aux États-Unis cette année, vous pouvez avoir un signal précoce simplement en regardant les médias sociaux. Cela vous donnera une image claire à l’avance de qui, à la fin de l’année, sera le plus grand artiste. Mais si vous essayez réellement d’obtenir des informations telles que… Combien de t-shirts de cette taille, de cette couleur, de ce motif vais-je vendre dans cette région des États-Unis ? C’est un tout autre défi.

Kieran Chandler: D’accord, et donc quel est le problème en termes de qualité des données ? Vous avez mentionné qu’il y a beaucoup de robots et autres sur ces plateformes de médias sociaux, mais malgré cela, nous verrons ces publications avec le plus de likes remonter au sommet, devenant les plus visibles. Alors, en termes de données, pourquoi cela n’est-il pas intéressant ?

Joannes Vermorel: Le problème, c’est que, encore une fois, dans les supply chains, vos productions sont organisées par SKUs. Vous produisez des SKUs de quelque chose, puis vous vendez ces produits, peut-être via un bundle pour des canaux marketing complexes, etc. Peu importe quels tweets sont retweetés un million de fois ou quelle photo Instagram est vue un bazillion de fois, il n’existe aucune correspondance directe entre cela et l’un des SKUs que vous produisez ou distribuez. Les gens incluent très rarement le code UPC dans leurs tweets, indiquant que ce produit avec ce code-barres est vraiment de premier ordre. Donc, habituellement, c’est très vague. Même lorsque cela semble évident, même si vous avez une superstar qui tweete, “Cette nouvelle paire de chaussures est super cool”, certaines personnes pourraient simplement se concentrer sur la couleur, d’autres pourraient s’intéresser à la forme, d’autres encore à la marque, et certains pourraient interpréter que c’est n’importe quoi qui y ressemble. Cela peut être très flou, et lorsque vous y ajoutez le fait qu’il y a beaucoup d’interaction, on ne peut pas simplement regarder une seule publication et dire, “C’est ça.” C’est une série ; il y a des interactions. C’est destiné aux humains. La qualité de la réaction importe, car que se passe-t-il si quelqu’un poste quelque chose qui cumule un bazillion de retweets, mais que ces retweets sont extrêmement critiques ou sarcastiques ? Vous pouvez envisager l’analyse de sentiment, mais vous entrez dans un domaine où c’est très difficile.

Kieran Chandler: D’accord, cela semble donc vraiment difficile du point de vue des médias sociaux, mais existe-t-il d’autres signaux précoces que nous pourrions examiner ? Nous avons parlé de la météo dans un épisode précédent, donc qu’est-ce qu’on pourrait examiner d’autre ?

Joannes Vermorel: Ouais, enfin, en général, si on regarde les données des entreprises elles-mêmes, il y a beaucoup de données, et on peut essayer, en s’appuyant sur celles que possèdent déjà les entreprises, d’avoir une vision plus précise de l’avenir. C’est typiquement l’approche que Lokad adopte. Ensuite, quand il s’agit d’obtenir un véritable signal précoce pour quelque chose qui est, je dirais, un événement de queue ou quelque chose d’un peu hors de l’ordinaire, c’est très difficile. Oui, si vous avez un très bon modèle de prévision, vous pouvez obtenir un signal qui se manifeste un peu plus tôt, mais il y a de fortes limites à cela. Simplement parce qu’un meilleur modèle de prévision signifie généralement que…

Kieran Chandler: Donc, d’après votre expérience, la stabilité est importante en ce qui concerne les modèles de prévision, qu’ils soient classiques ou probabilistes. Les supply chain ont besoin d’un plan relativement stable pour être exécutées, et vous ne voulez pas qu’un peu de bruit sur le marché fasse changer de vitesse, ce qui perturberait la production et la distribution. Comment gérez-vous forecasting engines qui deviennent excessivement réactifs et entraînent des faux positifs ?

Joannes Vermorel: Une bonne technologie de prévision ne déraillera pas simplement à cause d’un jour de plus dans l’année. Dans la plupart des situations, c’est le quotidien avec une inflexion minimale de trajectoire. Si vous avez un forecasting engine qui devient trop réactif, vous finissez avec des faux positifs. Vous pourriez penser avoir un signal précoce pour changer radicalement de trajectoire, mais deux semaines plus tard, vous réalisez que ce n’était qu’un artefact ou une bosse, ce qui peut être très coûteux. Nous avons progressé chez Lokad au cours de la dernière décennie, mais c’est très marginal. Nous sommes contents quand nous pouvons détecter une perturbation quelques jours plus tôt, mais réduire de quelques jours au maximum est ce que nous pouvons faire.

Kieran Chandler: Et qu’en est-il lorsqu’il y a une grande bosse, comme ce qui est arrivé avec le coronavirus ? Il est certain qu’il est bon d’avoir un signal précoce pour ce genre de scénarios, et que pouvez-vous faire si vous en disposez ? Cela n’est-il pas bénéfique ?

Joannes Vermorel: Je conteste l’idée que l’on puisse avoir un signal précoce pour des événements de queue extrêmes comme le COVID-19. La plupart des gens ont été déconcertés par la manière dont les événements se sont déroulés, car c’était très aléatoire et incohérent d’un pays à l’autre, voire d’une région à l’autre. Les valeurs aberrantes, par définition, sont très difficiles à prévoir. Je conteste également l’idée qu’une prévision, même avec une avance de deux semaines, aurait réellement aidé à gérer le COVID-19.

Kieran Chandler: La vision probabiliste en ce qui concerne les événements de queue repose sur l’idée que vous ne pouvez pas vraiment les prévoir. C’est en grande partie par conception, car ils seront nouveaux et surprenants. Mais ce que vous pouvez faire, c’est avoir votre prévision, votre prévision probabiliste, qui attribue toujours une certaine probabilité à des choses complètement inattendues. Ce n’est pas comme si vous pouviez anticiper le COVID-19, mais c’est comme si vous disiez : eh bien, le trimestre prochain, il y a environ une chance sur cent que l’activité soit réduite de moitié par rapport à ce qu’elle est actuellement ou par rapport à ce qu’elle était l’année dernière. Pourquoi ? Je ne sais pas, je ne sais pas. Ce n’est qu’une possibilité. Cela pourrait être une guerre, une pandémie, un rappel massif, peut-être une campagne de dénigrement en ligne contre la marque, ou autre. Est-il raisonnable de dire que pour la plupart des entreprises, il y a environ une chance sur cent à chaque trimestre que les ventes soient réduites de moitié au cours du trimestre suivant ?

Joannes Vermorel: Je dirais que pour la plupart des entreprises, oui. Cela signifie que quatre fois par siècle, une catastrophe massive survient. Je pense que c’est équitable. Si l’on regarde le 20e siècle, c’était plus fréquent que cela. Vous avez donc besoin de prévisions probabilistes, où vous attribuez une faible probabilité fixe aux événements extrêmes, puis vous vous préparez en sachant que cela peut se produire à tout moment, et lorsqu’il se produira, vous partirez du principe que vous n’aurez aucun avertissement. Mais la bonne nouvelle est que si vous maintenez cette probabilité pendant des années, cela signifie que vous avez effectué de petits ajustements qui, en cas de survenance, vous auront partiellement préparé. Cependant, cela a nécessité des années de préparation, en faisant bon usage de vos ressources.

Kieran Chandler: Nous parlons toujours de cette idée d’être attentif à ce qui se passe dans le monde. Y a-t-il des industries que vous avez observées qui sont classiquement lentes dans leurs réactions et qui pourraient bénéficier peut-être d’une approche basée sur le signal précoce ?

Joannes Vermorel: Le fait est que la plupart des industries que j’ai observées, même si on leur donne un signal précoce, ne feraient rien avec. La raison en est que, tant que vous n’avez pas atteint un certain point — et cela ramène à cette vision de la Supply Chain Quantitative, où le point numéro quatre concerne la robotisation complète de votre chaîne de données afin de générer vos décisions —, ce qui se passe dans la plupart des entreprises, c’est que l’élément de prévision n’est qu’une étape du processus qui conduit finalement à la prise de décisions, celles-ci étant des choix tels que : devons-nous acheter plus auprès des fournisseurs, devons-nous produire davantage, ou devons-nous en fait augmenter ou diminuer le prix ? Mais la réalité est que, pour la plupart des entreprises, le processus de transformation des prévisions en décisions effectives est très manuel et, de mon point de vue, très lent. Alors, imaginez que vous avez investi beaucoup dans la technologie pour obtenir un signal précoce, peut-être une semaine plus tôt, voire deux si vous êtes vraiment performant. C’est le genre de chose que vous pouvez obtenir avec la technologie telle qu’elle existe actuellement.

Kieran Chandler: Maintenant, il pourrait y avoir des cas limites où l’on peut percevoir quelque chose à l’avance, mais je doute qu’il s’agisse ici d’une prévision statistique. Il est plus probable que ce soit une vue d’ensemble sur l’évolution du marché, guidée par les chiffres et les statistiques. Dans ce genre de situation, vous disposez de votre signal précoce, mais allez-vous agir en conséquence ?

Joannes Vermorel: Habituellement, si la conséquence d’avoir un signal précoce se limite à envoyer un email à quelqu’un dans votre entreprise ou à attendre que cette personne se connecte à une application pour consulter les alertes, rien ne se passe à court terme. Cela va être lent. Les supply chain sont complexes et distribuées, impliquant de nombreuses personnes, systèmes et machines dans divers sites. Si vous voulez obtenir une bonne réponse supply chain, vous avez besoin de coordination. À moins qu’un degré extrêmement élevé d’automatisation ne soit en place, cette coordination impliquera de vraies personnes passant des coups de téléphone frénétiques, et cela prendra du temps, généralement des semaines.

La conclusion est que si vous avez un signal précoce mais que vous ne disposez pas d’un processus entièrement automatisé qui transforme vos prévisions en décisions, sans intervention humaine, l’immense majorité des gains potentiels du signal précoce sera perdue dans l’inertie des personnes essayant de convertir ces prévisions en actions.

Kieran Chandler: Je suppose que l’un des problèmes avec ces signaux précoces est le niveau de confiance que l’on peut réellement avoir dans les résultats. Comme vous l’avez dit, ils sont souvent assez bruyants. Pensez-vous qu’à l’avenir nous pourrions atteindre un stade où la technologie sera suffisamment aboutie pour que l’on puisse avoir davantage confiance dans les résultats ?

Joannes Vermorel: Non, et la raison en est que l’avenir est flou, et cette incertitude est irréductible. Ce sur quoi nous nous sommes concentrés au cours de la dernière décennie, c’est la prévision probabiliste, qui intègre le fait que l’avenir est incertain. Si vous attendez d’un système informatique magique qu’il vous dévoile le numéro gagnant de la loterie avec une certitude de 100 %, cela ne fonctionne pas ainsi. Au mieux, vous pouvez disposer d’un système qui vous fournit des probabilités.

Par exemple, vous pourriez être confronté à une situation qui commence avec une probabilité de 1 % d’être un événement extrême. Puis, peut-être, commencez-vous à remarquer quelque chose d’inhabituel, et le jour suivant, l’estimation passe à 1,5 %. Devriez-vous agir ? Peut-être pas. Le jour suivant, elle augmente à 3 %, ce qui représente une croissance exponentielle, mais reste très lente. Ensuite, elle atteint 6 %. Devriez-vous commencer à paniquer parce qu’il y a 6 % de chance ?

Kieran Chandler: Pour se produire, genre, vous savez, nous parlons de quelque chose qui était censé arriver une seule fois tous les 25 ans, et nous voilà, avec quelque chose qui se produirait peut-être une fois tous les cinq ans environ. Mais c’est, encore une fois, juste une bosse, et l’idée est que ces priorités sont très floues, et si votre système de décision est bien conçu, les mécanismes qui transforment ces priorités en décision refléteront progressivement que le risque qui était de 1 % est désormais de 6 %. Ainsi, il orientera un peu, mais seulement un peu, les décisions dans une direction qui rendra votre entreprise plus protégée, sans pour autant sombrer dans l’extrême. Vous ne voulez pas que quelque chose rende folle votre supply chain en effectuant des mouvements sauvages, et peut-être que le jour suivant, les choses reviendront à une estimation de 3 %, passant de 6 à 3 parce qu’en réalité, il s’agissait peut-être d’un faux positif ou peut-être que cela continuera d’augmenter. Mais vous voyez, c’est une bonne réaction que l’on peut obtenir avec une chaîne de données entièrement automatisée. Et ensuite, si vous avez supply chain scientists en renfort, et qu’ils suivent l’actualité, qu’ils possèdent une compréhension globale, et qu’ils constatent l’arrivée d’une grande vague, comme le coronavirus, alors vous pouvez avoir des personnes qui, en plus, viendront ajuster la recette numérique elle-même afin d’apporter une touche d’insight humain supplémentaire pour orienter le système dans une meilleure direction.

Joannes Vermorel: Donc, si vous êtes un praticien de la supply chain qui regarde ceci, votre principal objectif devrait-il être de pleinement automatiser vos processus au lieu de vous soucier de ce qui se passe peut-être plus tôt dans le processus ? Vous devriez vous concentrer sur la façon dont vous y réagissez sur le moment.

Kieran Chandler: Exactement. Vous devez évaluer combien de jours d’agilité vous allez gagner. Pour la plupart des entreprises, je dirais qu’avec une meilleure technologie de prévision, peut-être comme celle de Lokad, disons, combien pouvez-vous économiser ? Peut-être une semaine, peut-être deux, comparé à une moyenne mobile. Peut-être avez-vous de meilleures prévisions, ce qui pourrait signifier un léger avantage, disons, peut-être quatre semaines si votre entreprise était très mauvaise dans la gestion de la seasonality ou quelque chose de ce genre. Mais, enfin, si vous n’aviez pas un processus dysfonctionnel en place, nous ne parlerions probablement que de quelques semaines. Cependant, lorsqu’il s’agit de décisions, j’observe fréquemment que les entreprises peuvent mettre jusqu’à un trimestre pour se remettre en ordre et accepter une nouvelle réalité. C’est donc très lent, et même dans des secteurs ultra réactifs comme la fast fashion, où il fallait six semaines pour transformer une prévision en décision — et je parle bien d’une décision, puis il faut encore produire, transporter et distribuer —, cela prend du temps. Donc, vraiment, je pense qu’en moyenne, pour la vaste majorité des entreprises, il est beaucoup plus prudent de dire que nous allons d’abord éliminer le décalage entre prévision et décision en regroupant le tout dans un processus automatisé, puis de voir comment elles peuvent obtenir des prévisions super avancées qui leur permettront de gagner quelques jours ou semaines supplémentaires si elles ont de la chance. D’accord, très bien, nous devons en rester là. Mais je suppose qu’à présent, nous pouvons utiliser les réseaux sociaux sans nous soucier que les entreprises observent tout ce que nous faisons.

Joannes Vermorel: Oh, ils observent. C’est juste agréable, cela rend certains analystes heureux, mais ils n’en font rien de concret.

Kieran Chandler: Super, donc c’est tout pour cette semaine. Merci beaucoup de nous avoir suivis, et nous nous reverrons dans le prochain épisode.