Signaux précoces et prévisions

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 de la supply chain.
00:04:26 Le décalage entre les tendances des médias sociaux et les données de la supply chain au niveau des SKU.
00:06:37 Les défis de la recherche de signaux précoces dans les données des médias sociaux.
00:07:20 Utiliser les données de l’entreprise pour une meilleure prévision et l’importance de modèles de prévision stables.
00:10:07 La difficulté de prédire des événements extrêmes comme COVID-19 et l’importance de la prévision probabiliste.
00:13:42 Le processus lent et manuel de transformation des prévisions en décisions dans la plupart des industries.
00:15:00 La lenteur des supply chains et l’inefficacité d’agir sur les signaux précoces.
00:15:53 La nécessité de robotiser les pipelines de données pour générer des décisions de manière plus efficace.
00:17:07 Les limites de la technologie de prévision et l’acceptation de l’incertitude.
00:19:35 Le rôle des scientifiques de la supply chain et de l’expertise humaine dans la prise de décision.
00:20:31 Évaluer les gains de temps potentiels d’une meilleure technologie de prévision.
00:22:00 Donner la priorité à l’automatisation dans la prise de décision plutôt qu’à des prévisions avancées.

Résumé

Kieran Chandler et Joannes Vermorel discutent des défis et du potentiel de l’utilisation de sources de données externes telles que les médias sociaux pour prédire les tendances de la supply chain. Vermorel soutient que, bien que des informations précieuses puissent exister sur les médias sociaux, il est difficile de faire correspondre les données à des produits spécifiques, et la qualité et le contexte des données sont souvent flous. Il recommande plutôt de se concentrer sur les données internes pour des perspectives futures plus précises et d’adopter une approche probabiliste pour se préparer à des événements extrêmes. Vermorel souligne la nécessité pour les entreprises d’automatiser leurs processus de prise de décision pour améliorer leur agilité et mieux répondre aux fluctuations de la demande.

Résumé étendu

La discussion entre Kieran Chandler et Joannes Vermorel porte sur le potentiel de l’utilisation de grandes sources de données externes, telles que les médias sociaux, pour prévoir les tendances et capturer les signaux précoces pour l’optimisation de la supply chain. Vermorel soutient que, en pratique, cette approche ne fonctionne pas efficacement pour les supply chains en raison de la difficulté à extraire des données pertinentes et à distinguer les informations réelles des informations fausses. Même les annonceurs ont du mal à différencier le trafic réel du trafic généré par des bots, ce qui rend difficile l’obtention d’informations précieuses à partir de ces sources de données. Vermorel suggère que la prédiction des tendances à l’aide des médias sociaux peut fonctionner dans des situations rares ou extrêmes, mais la granularité des informations nécessaires pour l’optimisation 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 prédire les tendances de la supply chain. Vermorel explique que bien qu’il puisse y avoir des informations précieuses sur les médias sociaux, il est difficile de faire correspondre directement ces données à des produits spécifiques ou à des SKUs. De plus, la qualité et le contexte des données sont souvent flous, car les gens mentionnent rarement les détails des produits tels que 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 une célébrité qui fait la promotion d’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 aggravée 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 des sentiments peut aider, mais il reste difficile d’extraire des informations claires et exploitables à partir des données des médias sociaux.

Lorsqu’on lui demande quels sont les autres signaux précoces des tendances de la supply chain, Vermorel suggère aux entreprises de se concentrer sur leurs propres données internes. Une vision plus précise de l’avenir peut être obtenue en analysant ces données, mais il reste difficile de détecter les signaux précoces des événements extraordinaires. Il explique que même avec un bon modèle de prévision, il y a des limites en raison de la nécessité de stabilité. Une supply chain nécessite un plan stable à exécuter, et une réactivité excessive peut entraîner de coûteux faux positifs.

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 sont satisfaits lorsqu’ils peuvent détecter une perturbation quelques jours plus tôt qu’auparavant. Il met en garde contre le fait que dans la plupart des cas, ces signaux précoces sont encore réactifs, car ils sont basés sur les données de l’entreprise qui reflètent les changements dans les ventes ou d’autres facteurs.

Abordant l’idée d’avoir des signaux précoces pour des événements importants, 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 perturbations rares à grande échelle, la praticité de développer des modèles de prévision précis et fiables pour ces scénarios reste incertaine.

Le fondateur a discuté des événements extrêmes rares comme COVID-19, des défis de prédiction de tels événements et de 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. Au lieu de cela, il recommande d’adopter une approche probabiliste qui attribue une faible probabilité aux événements extrêmes et de se préparer à eux au fil du temps.

Vermorel souligne la nécessité pour les organisations d’être réfléchies et adaptatives face aux événements mondiaux. Il note que de nombreuses industries sont lentes à réagir, même lorsqu’elles reçoivent des signaux d’alerte précoce, car elles manquent de capacité à transformer efficacement les prévisions en décisions exploitables. Cela est souvent dû à la nature manuelle et chronophage des processus de prise de décision au sein des entreprises.

Il souligne l’importance d’avoir un processus entièrement automatisé pour transformer les prévisions en décisions sans intervention humaine. Sans automatisation, les avantages des signaux d’alerte précoce sont souvent perdus en raison de l’inertie des personnes qui essaient de transformer les prévisions en actions. De plus, il met en évidence 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 problème clé réside dans la transformation des prévisions en décisions. Il estime qu’une approche de la Supply Chain Quantitative, impliquant la robotisation complète du pipeline de données, est essentielle pour résoudre ce problème. Cela permet aux entreprises d’être plus réactives et mieux préparées aux événements imprévus.

Il a discuté des défis liés à la prévision et à la réponse aux pics de demande, tels que lors d’une pandémie. Vermorel explique que l’avenir est intrinsèquement incertain et que la prévision probabiliste est la meilleure approche pour embrasser cette imprécision. Il souligne que les entreprises devraient se concentrer sur la manière de prendre de meilleures décisions basées sur des probabilités, plutôt que d’essayer de prédire les chiffres exacts.

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

Lorsqu’on lui demande quel est le rôle des praticiens de la supply chain, Vermorel suggère qu’ils devraient se concentrer sur l’automatisation de leurs processus et sur la capacité à répondre aux changements de demande de manière opportune. Il note que les entreprises perdent souvent beaucoup de temps, parfois jusqu’à un quart, à s’adapter aux nouvelles réalités. En rationalisant et en automatisant les processus, les entreprises peuvent réduire ce délai et améliorer leur agilité.

Vermorel parle également des limites de l’utilisation des données des médias sociaux pour la prévision. Bien qu’elles puissent fournir certaines informations, elles ne sont pas nécessairement exploitables par les entreprises. Au lieu de cela, les entreprises devraient 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 pour accroître leur agilité face aux fluctuations de la demande.

Vermorel souligne l’importance d’embrasser l’incertitude et de se concentrer sur la prise de meilleures décisions basées sur des probabilités. En automatisant les processus et en éliminant le délai 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, de prévoir ces signaux précoces et de ce que les entreprises peuvent faire pour en tirer parti. 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 qu’elle est présentée par de nombreux vendeurs de logiciels, est qu’en exploitant de grandes sources de données qui dépassent ce que l’entreprise possède, vous pouvez essentiellement connaître le futur un peu plus tôt et avoir un aperçu d’un futur plus lointain juste un peu plus tôt. L’archétype de cette idée de signal précoce serait de détecter qu’il y a une tendance sur Instagram parce qu’il y a des célébrités qui portent maintenant un nouveau type de vêtement, et là, vous pouvez l’utiliser pour anticiper un mois à l’avance qu’il y a une tendance imminente ou quelque chose comme ça.

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

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

Kieran Chandler: Et concrètement, est-ce que cela fonctionne réellement bien, prévoir les signaux précoces basés sur des sources de données externes ?

Joannes Vermorel: À l’heure actuelle, il n’y a pratiquement rien qui fonctionne même de près pour les chaînes d’approvisionnement, même pas de près. L’idée selon laquelle vous pouvez aller sur les médias sociaux et simplement extraire des données pertinentes est une illusion. Ce sont des gens qui prétendent le faire, mais ils n’ont jamais constaté que la majeure partie du trafic sur ces médias sociaux n’est même pas générée par des personnes mais par des bots, vous savez, des robots. Il est donc très difficile de savoir ce qui est réel et ce qui ne l’est pas. Même les annonceurs, qui paient pour des impressions, ont beaucoup de mal à distinguer ce qui est réel de ce qui ne l’est pas, 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 réellement de personnes réelles avec de vrais yeux qui regardent ces publicités, c’est très difficile. Alors, imaginez que si vous êtes simplement un fournisseur qui collecte des téraoctets de données de trafic aléatoires, ce que vous obtenez, c’est simplement beaucoup d’aléatoire, beaucoup de bruit. L’idée selon laquelle vous pouvez automatiquement prévoir les tendances basées sur cela, peut-être dans certaines situations extrêmes, oui, mais elles sont rares, donc elles ne sont pas très intéressantes. Et le genre d’informations que vous obtiendriez n’aurait pas du tout la granularité qui vous intéresse. 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 en regardant simplement les médias sociaux. Cela vous donnera une image claire à l’avance de qui, à la fin de l’année, sera l’artiste le plus important. 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 défi très différent. Ici, je dirais que vous n’allez pas avoir d’informations qui sont loin d’avoir la qualité d’information nécessaire pour traduire ce que vous obtenez à partir de ces sources de données externes en quelque chose qui aurait du sens pour la supply chain en termes de production de biens et de leur distribution.

Kieran Chandler: D’accord, donc quel est le problème en termes de qualité des données ? Vous avez mentionné qu’il y a beaucoup de robots et de choses sur ces plateformes de médias sociaux, mais nous allons quand même voir ces publications avec le plus de likes monter en haut, devenir 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 SKU. Vous produisez des SKU de quelque chose, puis vous vendez ces produits peut-être à travers un bundle pour des canaux marketing complexes, etc. Peu importe quels tweets sont retweetés un million de fois ou quelle image Instagram est regardée un milliard de fois, il n’y a pas de correspondance directe entre cela et l’un des SKUs que vous produisez ou distribuez. Les gens incluent très rarement le code UPC dans leur tweet, en disant que ce produit avec ce code-barres est vraiment de qualité supérieure. Donc, habituellement, c’est très flou. Même quand cela semble évident, même si vous avez une superstar qui tweete : “Cette nouvelle paire de chaussures est super cool”, certaines personnes pourraient simplement regarder les chaussures et interpréter la couleur, d’autres pourraient penser à la forme, d’autres penseraient à la marque, et certaines pourraient interpréter que c’est n’importe quoi qui ressemble à ça. Cela peut être très flou, et lorsque vous ajoutez à cela le fait qu’il y a beaucoup d’interactions, ce n’est pas comme si vous pouviez simplement regarder un seul post et dire : “C’est ça”. C’est une série ; il y a de l’interaction. C’est destiné aux humains. La qualité de la réponse compte, car que se passe-t-il si quelqu’un publie quelque chose qui a un million de retweets, mais que les retweets sont très critiques ou sarcastiques ? Vous pouvez faire de l’analyse de sentiment, mais vous entrez dans un domaine où c’est très difficile.

Kieran Chandler: D’accord, cela semble certainement difficile du point de vue des médias sociaux, mais y a-t-il d’autres signaux précoces auxquels nous pourrions nous intéresser ? Nous avons parlé de la météo lors d’un épisode précédent, alors à quoi d’autre pourrions-nous nous intéresser ?

Joannes Vermorel: Oui, je veux dire, en général, si vous regardez simplement les données des entreprises elles-mêmes, il y a beaucoup de données là-bas, et vous pouvez essayer de regarder les données que les entreprises ont déjà pour avoir une vision plus précise de l’avenir. C’est généralement l’approche que Lokad adopte. Ensuite, en ce qui concerne l’obtention d’un véritable signal précoce pour quelque chose qui est, je dirais, un événement marginal ou quelque chose qui sort de l’ordinaire, c’est très difficile. Oui, si vous avez un très bon modèle de prévision, vous pouvez avoir un signal qui arrive un peu plus tôt, mais il y a de fortes limites à cela. Juste parce qu’un meilleur modèle de prévision signifie généralement que…

Kieran Chandler: Donc, d’après votre expérience, la stabilité est importante lorsqu’il s’agit de modèles de prévision, qu’ils soient classiques ou probabilistes. Les supply chains ont besoin d’un plan relativement stable à exécuter, et vous ne voulez pas qu’un peu de bruit sur le marché change la donne, ce qui perturberait la production et la distribution. Comment gérez-vous les moteurs de prévision qui deviennent trop réactifs et donnent de faux positifs ?

Joannes Vermorel: Une bonne technologie de prévision ne deviendra pas folle juste à cause d’un jour supplémentaire dans l’année. Pour la plupart des situations, c’est juste le business as usual avec une inflexion de cours minimale. Si vous avez un moteur de prévision qui devient trop réactif, vous vous retrouvez avec de faux positifs. Vous pourriez penser avoir un signal précoce pour changer radicalement de cap, mais deux semaines plus tard, vous réalisez que c’était juste 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 heureux lorsque nous pouvons détecter une perturbation quelques jours plus tôt, mais gagner seulement quelques jours est le mieux que nous puissions faire.

Kieran Chandler: Et qu’en est-il lorsqu’il y a une forte bosse, comme ce qui s’est passé avec le coronavirus ? Il est sûrement bon d’avoir un signal précoce pour ce type de scénarios, et que pouvez-vous faire si vous avez l’un de ces signaux précoces ? N’est-ce pas bénéfique ?

Joannes Vermorel: Je remets en question l’idée selon laquelle vous pouvez avoir un signal précoce pour des événements extrêmes comme le COVID-19. La plupart des gens étaient perplexes face à la façon dont les événements se sont déroulés, car c’était très chaotique 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 remets également en question l’idée qu’une prévision, même avec une avance de deux semaines, aurait vraiment aidé à faire face au COVID-19.

Kieran Chandler: La vision probabiliste en ce qui concerne les événements extrêmes est l’idée selon laquelle on ne peut pas vraiment les prévoir. C’est pratiquement par conception, car c’est très difficile car cela va être nouveau et surprenant. Mais ce que vous pouvez faire, c’est avoir votre prévision, votre prévision probabiliste, qui met toujours une certaine probabilité sur des choses qui sont tout simplement folles. 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 une chance d’un pour cent que l’activité soit la moitié de ce qu’elle est actuellement ou la moitié de ce qu’elle était l’année dernière. Pourquoi ? Je ne sais pas, je ne sais pas. C’est juste une possibilité. Cela pourrait être une guerre, cela pourrait être une pandémie, cela pourrait être un rappel massif, peut-être une campagne de diffamation en ligne contre la marque, ou autre chose. Est-il raisonnable de dire que pour la plupart des entreprises, vous avez une chance d’un pour cent pour 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 se produit. Je pense que c’est juste. Si nous regardons le XXe siècle, c’était plus que ça. Donc, vous avez besoin de prévisions probabilistes, où vous attribuez une probabilité fixe et faible aux événements extrêmes, puis vous vous préparez contre cela, sachant que cela peut se produire à tout moment, et lorsque cela se produira, vous supposerez que vous n’aurez aucun avertissement. Mais la bonne nouvelle, c’est que si vous avez cette probabilité en place depuis des années, cela signifie que vous avez apporté de petits ajustements qui, si cette chose se produisait, vous êtes un peu préparé. Mais cela a pris des années de préparation, en faisant bon usage de vos ressources.

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

Joannes Vermorel: Le problème est que la plupart des industries que j’ai observées, même si vous leur donnez un signal précoce, ne feront rien avec. La raison en est que jusqu’à ce que vous atteigniez un point, et cela ramène la question à cette vision de la supply chain quantitative, où le point numéro quatre consiste à avoir une automatisation complète de votre pipeline de données afin que vous puissiez générer vos décisions. Vous voyez, 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, la décision étant des choses comme, devrions-nous acheter plus auprès des fournisseurs, devrions-nous produire plus, ou devrions-nous en fait augmenter ou diminuer le prix ? Mais la réalité est que, pour la plupart des entreprises, le processus de transformer les prévisions en décisions réelles est très manuel et, de mon point de vue, très lent. Donc, imaginez que vous avez investi beaucoup dans la technologie pour obtenir un signal précoce, peut-être une semaine plus tôt, deux semaines plus tôt si vous êtes très bon. C’est le genre de chose que vous pouvez obtenir avec la technologie telle qu’elle existe actuellement.

Kieran Chandler: Il peut y avoir des cas particuliers où vous pouvez voir quelque chose à l’avance, mais je doute que dans ce cas, ce soit une prévision statistique. Il est plus probable que ce soit un aperçu de haut niveau sur l’évolution du marché, basé sur des chiffres et des statistiques. Dans ce genre de situation, vous avez votre prévision précoce, mais allez-vous agir en conséquence ?

Joannes Vermorel: Habituellement, si la conséquence d’un signal précoce est simplement d’envoyer un e-mail à quelqu’un dans votre entreprise ou d’attendre que cette personne aille dans une application pour consulter les alertes, rien ne se passera dans le court laps de temps. Ce sera lent. Les chaînes d’approvisionnement sont complexes et distribuées, impliquant de nombreuses personnes, systèmes et machines dans de nombreux endroits. Si vous voulez avoir une bonne réponse de la chaîne d’approvisionnement, vous avez besoin de coordination. À moins qu’il n’y ait un degré très élevé d’automatisation en place, cette coordination impliquera de vraies personnes qui passent des appels frénétiques, et cela prendra du temps, généralement des semaines.

En fin de compte, si vous avez un signal précoce mais que vous n’avez pas un processus entièrement automatisé qui transforme votre prévision en décisions automatiquement, sans intervention humaine, la grande majorité du gain potentiel du signal précoce sera perdue dans l’inertie des personnes qui essaient de transformer ces prévisions en actions.

Kieran Chandler: Je suppose que l’un des problèmes avec ces signaux précoces est le niveau de confiance que vous pouvez réellement avoir dans les résultats. Comme vous l’avez dit, ils sont souvent assez bruyants. Pensez-vous qu’à l’avenir, nous pourrions arriver à un stade où la technologie est en place pour avoir plus 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 prend en compte le fait que l’avenir est incertain. Si vous vous attendez à un système informatique magique qui vous donnera le numéro gagnant de la loterie avec une certitude de 100%, ça ne fonctionne pas comme ça. Au mieux, vous pouvez avoir un système qui vous donne des probabilités.

Par exemple, vous pourriez être confronté à une situation qui commence par avoir 1% de chances d’être un événement extrême. Ensuite, peut-être que vous commencez à voir quelque chose d’anormal, et le lendemain, l’estimation passe à 1,5%. Devriez-vous faire quelque chose ? Peut-être pas. Le lendemain, cela augmente à 3% de chances, ce qui est une croissance exponentielle, mais encore très lente. Ensuite, c’est 6%. Devriez-vous devenir fou parce qu’il y a 6% de chances ?

Kieran Chandler: Pour que cela se produise, vous savez, nous parlons de quelque chose qui était censé se produire une fois tous les 25 ans, et nous voilà, quelque chose qui pourrait se produire 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 éléments qui transforment ces priorités en décisions refléteront progressivement le fait que le risque qui était à un pour cent est maintenant de six pour cent. Donc, cela orientera un peu, mais juste un peu, les décisions dans une direction qui les rendra plus protectrices pour votre entreprise, mais sans devenir fou à nouveau. Vous ne voulez pas avoir quelque chose qui rende votre supply chain fou en faisant des mouvements sauvages et des changements, et peut-être que le lendemain, les choses reviendront à une estimation de trois pour cent, vous savez, de six à trois parce que c’était peut-être un faux positif ou peut-être que cela continuera d’augmenter. Mais vous voyez, c’est une sorte de bonne réponse que vous pouvez obtenir à partir d’un pipeline de données entièrement automatisé. Et puis, si vous avez des Supply Chain Scientists en plus, et qu’ils voient les nouvelles, qu’ils ont une compréhension de haut niveau, et qu’ils voient qu’une grosse vague arrive, comme un coronavirus, alors vous pouvez en fait avoir des personnes qui, en plus de cela, vont un peu tordre la recette numérique elle-même afin qu’elle nécessite un peu plus d’intuition humaine pour orienter le système dans une meilleure direction.

Joannes Vermorel: Donc, si vous êtes un praticien de la supply chain qui regarde cela, votre principal objectif devrait-il être d’automatiser complètement vos processus plutôt que de vous inquiéter de ce qui se passe peut-être plus tôt dans le processus ? Vous devriez peut-être vous concentrer sur la façon dont vous y répondez sur le moment.

Kieran Chandler: Exactement. Je veux dire, 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, je veux dire, combien pouvez-vous économiser ? Peut-être une semaine, peut-être deux, par rapport à une moyenne mobile. Peut-être que vous avez de meilleures prévisions, donc cela pourrait compter un peu mieux, vous savez, peut-être quatre semaines si votre entreprise était très mauvaise pour gérer la saisonnalité ou autre chose. Mais, je veux dire, si vous n’aviez pas de processus dysfonctionnel en place, probablement nous parlons seulement de quelques semaines. Mais en ce qui concerne les décisions, j’observe fréquemment que les entreprises peuvent perdre jusqu’à un trimestre pour se mettre en ordre et accepter une nouvelle réalité. Donc c’est très lent, et même dans des entreprises super réactives comme la fast fashion, où il fallait six semaines pour transformer la prévision en une décision, et je parle d’une décision et ensuite il faut encore produire, transporter et distribuer. Cela prend encore du temps. Donc vraiment, je pense en moyenne, pour la grande majorité des entreprises, c’est un pari beaucoup plus sûr de dire que nous allons d’abord éliminer le décalage entre les décisions, entre la prévision et les décisions, en regroupant toutes ces choses dans un processus automatisé, puis trouver comment ils peuvent avoir des prévisions super avancées où ils peuvent gagner quelques jours ou semaines de plus s’ils ont de la chance. D’accord, super, nous devrons en rester là. Mais je suppose que maintenant nous pouvons utiliser les médias sociaux sans savoir que les entreprises surveillent tout ce que nous faisons.

Joannes Vermorel: Oh, elles surveillent. C’est juste bien, ça fait plaisir à certains analystes, mais ils n’en font rien de concret.

Kieran Chandler: Super, c’est tout pour cette semaine. Merci beaucoup de nous avoir suivi, et nous vous retrouverons dans le prochain épisode.