Des données de meilleure qualité pour de meilleures prévisions

00:00:06 L’importance des données pour les projets d’optimisation et la démystification des idées reçues sur les données.
00:01:50 La collecte accidentelle de données et les défis liés à l’utilisation de données provenant de différents systèmes.
00:03:39 Les limites des séries temporelles et l’importance de la granularité des transactions.
00:06:18 Le besoin de données de meilleure qualité et plus pertinentes pour les prévisions.
00:07:26 Exemple pratique : optimisation des stocks dans une chaîne de vente au détail et importance des données de transaction.
00:10:01 Le rôle des couches transactionnelles et du stockage des données dans la collecte de données historiques.
00:11:38 Les transitions des systèmes ERP et la nécessité d’améliorer les processus de prévision.
00:13:37 Les inconvénients du nettoyage des données et l’importance des données à spectre complet.
00:15:20 L’utilisation de systèmes informatiques pour les opérations de la supply chain et l’exactitude des données.
00:17:31 L’importance de prendre en compte les niveaux de stock et les retours dans les prévisions.
00:19:24 Adapter l’approche de prévision en fonction d’une perspective spécifique au domaine.
00:21:46 Comprendre l’importance de meilleures données et élargir l’horizon des données pertinentes.
00:24:48 Avoir une compréhension claire de la génération de données et réaliser de meilleures prévisions.

Résumé

Kieran Chandler interviewe Joannes Vermorel, fondateur de Lokad, sur l’importance de la collecte de données dans l’optimisation de la supply chain. Vermorel suggère que les entreprises collectent souvent des données de manière accidentelle plutôt que dans un but d’optimisation, mais ces données peuvent néanmoins être utiles pour les prévisions et les processus d’optimisation. Il souligne l’importance des données granulaires, car l’agrégation des données en séries temporelles peut entraîner la perte d’informations précieuses. Vermorel conseille aux entreprises de travailler avec les données brutes et transactionnelles et d’aborder leurs problèmes de supply chain avec une perspective spécifique au domaine. La conversation aborde également l’importance de prendre en compte des facteurs tels que la tarification, les retours, les commandes en souffrance et les mouvements de stock dans les processus de prévision.

Résumé détaillé

Dans cette interview, Kieran Chandler, l’animateur, discute avec Joannes Vermorel, fondateur de Lokad, de l’importance de la collecte de données et de son rôle dans l’optimisation de la supply chain. Ils démystifient l’idée selon laquelle les machines ont besoin de données parfaites pour fonctionner et explorent comment les entreprises peuvent améliorer leurs processus de collecte de données.

Vermorel souligne que la plupart des entreprises collectent des données accidentellement, en tant que sous-produit de leurs systèmes transactionnels, plutôt que délibérément dans le but de les optimiser. Les systèmes tels que les ERP et les terminaux de vente ont été initialement conçus pour rationaliser les opérations routinières, et non pour collecter un historique transactionnel complet. Cependant, cette collecte de données incidentelle peut encore servir de base pour les processus de prévision et d’optimisation.

Chandler se demande s’il existe des trésors de données inexploités au sein des entreprises. Vermorel explique que les données générées par les systèmes d’entreprise sont souvent complexes et difficiles à interpréter car elles reflètent davantage le fonctionnement interne du système informatique que la réalité du processus. Lorsque les entreprises tentent de mettre en place des processus de prévision, elles extraient souvent une version simplifiée de ces données, telles que les ventes quotidiennes ou hebdomadaires. Cependant, cette simplification peut entraîner la perte d’informations critiques sur l’activité et les opérations de l’entreprise.

La granularité des données est une préoccupation majeure, car les données agrégées peuvent ne pas fournir suffisamment d’informations pour une prévision et une optimisation efficaces. Vermorel soutient que lorsque les entreprises transforment leurs données brutes en versions simplifiées, elles perdent d’énormes quantités d’informations qui pourraient être précieuses pour l’optimisation de la supply chain.

L’interview aborde l’importance de la collecte de données dans l’optimisation de la supply chain et met en évidence les défis auxquels les entreprises sont confrontées dans l’utilisation des données qu’elles collectent, souvent de manière accidentelle. La conversation souligne que des données parfaites ne sont pas une condition préalable à une prévision et une optimisation efficaces, mais reconnaît qu’il existe une marge significative d’amélioration dans la manière dont les entreprises collectent, traitent et analysent leurs données.

Ils discutent des défis et de l’importance de travailler avec des données granulaires pour améliorer les processus d’optimisation de la supply chain.

Vermorel explique que de nombreuses entreprises agrègent leurs données en séries temporelles, ce qui simplifie les données en un seul chiffre par jour. Bien que cette méthode soit facile à utiliser, elle peut ne pas être pertinente ou utile pour prendre des décisions commerciales éclairées. Il affirme que de meilleures prévisions et une meilleure optimisation de la supply chain peuvent être obtenues en travaillant avec des données au niveau des transactions, car cela fournit plus de contexte et d’informations sur les opérations réelles de l’entreprise.

L’interview met en évidence certains des pièges liés au travail avec des données agrégées, car elles peuvent être trompeuses et amener les entreprises à passer à côté de scénarios importants. Par exemple, dans un scénario de chaîne de vente au détail, Vermorel explique comment l’agrégation des données peut conduire à une mauvaise interprétation de la demande au niveau du centre de distribution. En traitant les données en séries temporelles, les entreprises éliminent l’ambiguïté, ce qui peut être à la fois avantageux et désavantageux, car elles pourraient involontairement faire des hypothèses incorrectes sur leurs opérations commerciales.

La conversation aborde également les données historiques et la manière dont de nombreuses entreprises perdent des informations précieuses lorsqu’elles passent d’un système ERP à un autre. Par le passé, la préservation des données n’était pas une priorité, car l’objectif des systèmes ERP était d’aider les entreprises à fonctionner plus efficacement. De plus, le stockage des données était coûteux, ce qui a conduit à la mise en place d’heuristiques pour se débarrasser des données de différentes manières. Cependant, de nos jours, le stockage des données est relativement bon marché, ce qui rend la préservation des données plus réalisable.

Vermorel souligne que lorsque Lokad travaille avec des entreprises, ils constatent souvent que les processus de prévision existants ne sont pas un point de départ approprié pour l’optimisation de la supply chain. Cela est dû en grande partie à la projection “grossière” des données transactionnelles en séries temporelles, ce qui entraîne la perte d’une grande partie des informations pertinentes. Au lieu de cela, il suggère que les entreprises devraient se concentrer sur le travail avec les données brutes et transactionnelles pour optimiser leurs processus de supply chain.

Enfin, l’interview aborde le sujet du nettoyage des données. Vermorel affirme que les données transactionnelles brutes sont déjà suffisamment propres pour leurs besoins, et que le concept de “nettoyage des données” fait souvent référence à la simplification excessive des données en séries temporelles, ce qui peut ne pas être utile pour comprendre la véritable nature des opérations d’une entreprise.

Vermorel commence par expliquer que si les entreprises ne regardent leurs données que d’une manière limitée, en ne considérant que des nuances de vert par exemple, leur compréhension du monde sera restreinte. Il insiste sur le fait que les données doivent être vues dans toute leur diversité pour obtenir une image plus précise. Il souligne également que les données ne sont pas intrinsèquement incorrectes, mais plutôt le reflet des processus de l’entreprise. Les entreprises doivent reconnaître leurs données pour ce qu’elles sont et les utiliser pour faire de meilleures prévisions.

Vermorel ajoute que les entreprises doivent reconnaître que leurs systèmes n’ont pas été initialement conçus pour produire des données, mais pour faire fonctionner la supply chain. Le fait que les entreprises disposent de factures, de paiements et d’autres documents est la preuve que leurs données sont en grande partie correctes. Cependant, en ce qui concerne les prévisions, les entreprises négligent souvent des facteurs cruciaux tels que la tarification, les retours et les niveaux de stocks.

La tarification a un impact significatif sur la demande et la supply chain. Lorsque les entreprises examinent leurs processus de prévision, elles constatent généralement que la tarification est absente. C’est seulement la partie émergée de l’iceberg, car des facteurs tels que les retours et les niveaux de stocks sont également souvent manquants. Vermorel explique que comprendre les niveaux de stocks est essentiel car s’il n’y a pas de stock, il n’y aura pas de ventes. De même, les commandes en attente représentent un type de demande unique qui ne doit pas être traité de la même manière que la demande régulière.

Vermorel conseille aux entreprises d’aborder leurs problèmes de supply chain avec une perspective spécifique à leur domaine. Elles doivent prendre en compte les facteurs les plus pertinents pour leur secteur d’activité et se concentrer sur ceux-ci. Par exemple, dans le secteur aérospatial, l’objectif pourrait être de minimiser les incidents d’avions immobilisés au sol (AOG) en optimisant les investissements, tandis que dans la vente au détail de produits frais, l’accent devrait être mis sur la maximisation de la fidélité à long terme des clients en garantissant la disponibilité et la fraîcheur des produits.

Ils ont discuté du fait que, au lieu de se concentrer sur la perfection et l’agrégation des données historiques, Vermorel suggère d’élargir les horizons des données pertinentes en tenant compte d’aspects banals tels que les prix, les retours, les commandes en attente et les mouvements de stocks. Il souligne l’importance de comprendre comment les données sont générées pour éviter les situations de “garbage in, garbage out”. Vermorel soutient également que de meilleures prévisions devraient être mesurées en dollars et liées à de meilleures prises de décision, plutôt que de s’appuyer sur des mesures basées sur des pourcentages.

Transcription complète

Kieran Chandler: Aujourd’hui, nous allons discuter de ce qu’une entreprise peut faire pour améliorer ses données si elle en collecte déjà, et nous allons aborder le mythe selon lequel les données doivent être parfaites pour que les machines puissent les traiter. Alors Joannes, si une entreprise collecte déjà des données, peut-elle réellement en faire beaucoup plus ?

Joannes Vermorel: Oui, la première chose à comprendre est que la plupart des entreprises collectent des données, mais de manière totalement accidentelle. L’objectif n’était jamais de collecter des données ; l’objectif était simplement de fonctionner. Par exemple, un ERP n’est pas conçu pour collecter des données, il est conçu pour que toutes les opérations très banales qui se déroulent en permanence dans l’entreprise puissent se faire avec le soutien d’un système informatique centralisé. Tout comme lorsque vous êtes à la caisse d’un magasin, le terminal de paiement électronique est simplement là pour accélérer votre paiement. Le système n’a pas été réellement conçu ou mis en place dans le but de collecter un historique transactionnel complet de tous les reçus. Étant donné que ces systèmes collectent des données depuis des décennies, les entreprises se retrouvent avec beaucoup de données, mais elles ne sont pas naturellement conçues pour l’optimisation. Il y a donc beaucoup de données qui circulent, et généralement, au cours des dernières décennies, un processus de prévision ou d’optimisation émerge à partir de ces données. Mais cela ne signifie pas qu’il n’y a pas une énorme marge de progression.

Kieran Chandler: Si les entreprises n’avaient pas l’intention de collecter des données lorsqu’elles ont commencé, cela signifie-t-il qu’il existe un trésor de données qui est simplement laissé quelque part dans le stockage et qui n’a pas vraiment été pris en compte ?

Joannes Vermorel: Le problème, c’est que les données ne sont généralement pas collectées intentionnellement. C’est simplement un artefact, un sous-produit de vos systèmes transactionnels. Ce n’est pas exactement désordonné ; c’est juste que lorsque vous regardez les données telles qu’elles sont générées dans les systèmes d’entreprise typiques, c’est quelque chose de très étranger. Ce n’est pas une imitation du monde réel ; cela a généralement plus à voir avec la plomberie interne du système informatique qu’avec la réalité du processus. En conséquence, lorsque les personnes d’une grande organisation lancent un nouveau processus, disons un processus ERP, et qu’elles veulent mettre en place une sorte de prévision, elles se retrouvent avec des données très étranges et étrangères, et avec des complexités accidentelles qui n’ont rien à voir avec le défi de la prévision. En général, ce que font les entreprises, c’est extraire une version très simplifiée de ces données, de sorte qu’elles se retrouvent avec des ventes quotidiennes ou hebdomadaires, puis elles construisent leurs prévisions à partir de cela. C’est là qu’il y a toute une série de problèmes : le fait que ces données, une fois extraites sous forme de ventes quotidiennes ou hebdomadaires, perdent beaucoup d’informations très importantes. C’est une transformation très coûteuse en termes d’informations sur ce qui se passe dans l’entreprise lorsque vous faites cela.

Kieran Chandler: Mais à quel point les données doivent-elles être granulaires ? Parce que si nous examinons une entreprise qui collecte des données depuis une vingtaine d’années, agréger ces données ne facilite-t-il pas les choses ? Pour gérer, je veux dire, lorsque vous agrégez des données, vous les rassemblez généralement de manière à ce qu’elles s’intègrent facilement dans quelque chose qui fonctionne généralement avec des séries temporelles. Et oui, les séries temporelles sont très pratiques, vous savez, un nombre par jour, c’est aussi simple que ça. Vous avez donc une série, un nombre par jour, et ensuite vous voulez la projeter dans le futur. C’est très simple. Il existe de nombreux modèles très intéressants qui peuvent fonctionner avec ce type de données, en commençant par les moyennes mobiles, nous pouvons avoir quelque chose de plus sophistiqué. Mais le problème est que ce n’est pas parce que c’est facile que c’est réellement pertinent. Et c’est là le problème : c’est très facile de le faire de cette façon, mais cela ne signifie pas que c’est réellement pertinent pour l’entreprise.

Joannes Vermorel: C’est le danger. Le problème est que les gens pensent : “Oh, j’ai besoin de données plus désagrégées, donc je dois passer des données mensuelles aux données hebdomadaires ou des données hebdomadaires aux données quotidiennes.” C’est simplement changer l’échelle de temps de l’agrégation. Ils diraient : “Oh, si nous le faisions mieux, nous passerions aux données horaires.” Ce n’est absolument pas le problème. Le problème est que lorsque vous pensez aux données de séries temporelles, vous formulez déjà le problème d’une manière complètement différente de la façon dont les données existent réellement dans vos systèmes. Dans vos systèmes, il n’y a pas de séries temporelles. Ce qui importe, c’est d’avoir des données à la granularité des transactions, car cela peut vous en dire beaucoup plus. Si vous voulez de meilleures prévisions avec de meilleures données, cela signifie, d’après notre expérience, se rapprocher le plus possible de la façon dont les choses se passent dans votre système informatique, plutôt que d’avoir une version simplifiée où toutes les informations pertinentes ont déjà été perdues.

Kieran Chandler: Ainsi, les informations pertinentes sont perdues et fondamentalement, les données que vous regardez pourraient être légèrement trompeuses. Quels sont les scénarios auxquels vous pourriez passer à côté ?

Joannes Vermorel: Habituellement, ce sont des choses si banales que les gens les oublient même. Par exemple, prenons une chaîne de distribution, comme les épiceries. Imaginez que vous ayez une série de centres de distribution, et chaque centre de distribution dessert, je ne sais pas, 20 supermarchés ou quelque chose comme ça. À quoi cela ressemble-t-il, vous savez, ce genre de choses ? Vous prenez la position d’optimiser, disons, le stock dans le centre de distribution. Donc, ce à quoi cela ressemble, c’est que chaque jour, les magasins passent des commandes au centre de distribution. Et lorsque vous commandez, je ne sais pas, 100 unités de quelque chose pour le supermarché, deux choses peuvent se produire au centre de distribution : soit ils satisfont la commande, donc ils expédient 100 unités généralement le lendemain, soit ils ne satisfont pas la commande. Donc le magasin passe une commande de 100 unités, puis le centre de distribution n’envoie rien. Et puis le lendemain, le même magasin passe une autre commande de 150 unités.

Maintenant, la question est, si vous voulez reconnaître la demande au niveau du centre de distribution pour ces deux jours, quelle est la demande ? Est-ce 100 unités plus 150 unités ? Mais cela semble incorrect car vous voyez, la raison pour laquelle le deuxième jour le magasin passe une commande de 150 unités est que la commande de la veille pour 100 unités n’a pas été satisfaite. Donc en gros, ils ont dû couvrir à la fois la demande pour le jour qui n’a pas été satisfaite plus un autre jour. Donc vous finissez par commander plus, mais c’est une erreur de penser que la demande est de 250 unités. Peut-être que la demande totale devrait en réalité être de seulement 150 unités car vous devriez ignorer les 100 unités initiales. Mais la réalité peut être compliquée.

Kieran Chandler: Commencez à produire une série temporelle, vous savez que cette information est perdue et toute l’ambiguïté qui existe car il y a beaucoup d’ambiguïtés. Toutes ces ambiguïtés sont éliminées, et on pourrait dire que c’est une bonne chose. Soudainement, je peux faire travailler mes data scientists sur des données non ambiguës. Mais oui et non, car en éliminant l’ambiguïté, le problème est que vous avez déjà fait une déclaration sur le fonctionnement de votre entreprise, et cette déclaration peut être totalement fausse.

Joannes Vermorel: Une des raisons pour lesquelles les entreprises agrègent leurs anciennes données est qu’elles peuvent passer d’un système ERP à quelque chose de plus récent. Donc, est-ce vraiment utile d’avoir toutes ces informations historiques peut-être réimportées dans le nouveau système ERP ? Au départ, lorsque nous parlions de ce que nous appelons aujourd’hui les “yuppies”, des couches transactionnelles de systèmes qui ne font que gérer les opérations courantes, leur objectif n’était pas de collecter des données historiques. Quand tout a commencé, disons à la fin des années 70 ou dans les années 80, la conservation des données n’était pas l’objectif, et à l’époque, c’était simplement pour permettre à l’entreprise de fonctionner plus efficacement.

Étant donné que, à l’époque, le matériel informatique était très cher, comparé à aujourd’hui, et surtout que le stockage des données était également très cher, beaucoup de vendeurs de logiciels ont fait ce qu’il fallait à l’époque. Ils ont mis en place des outils heuristiques pour se débarrasser des données de différentes manières. Je ne parle pas de nos jours, je veux dire que la plupart de ces heuristiques ou la plupart de ces systèmes n’ont plus aucun sens, simplement parce que le stockage des données est déjà très bon marché.

Kieran Chandler: Donc, est-ce que ces entreprises devraient faire une sorte de nettoyage des données quelque part ? Ou voulez-vous dire qu’elles devraient simplement prendre les données brutes et les laisser telles quelles ?

Joannes Vermorel: Les données sont déjà propres. Le problème, lorsque vous parlez de nettoyage des données, qu’est-ce que cela signifie ? Si je vous dis que le problème est que vous voulez avoir une image précise et exacte du monde, et pour une raison quelconque, vous décidez que la façon dont vous regardez le monde consiste uniquement à regarder les choses dans une nuance de vert. Donc vous avez une image qui ne prend que des nuances de vert, et tout ce qui n’est pas vert va être noir. Vous ne le verrez pas du tout. Ensuite, les choses qui sont plus ou moins vertes, vous aurez des nuances de vert, et c’est votre image du monde.

Évidemment, vous diriez : “Je pense que je dois faire un peu de nettoyage des données ; cette image n’est pas très précise. Je dois peut-être l’améliorer.” Mais vous avez besoin d’un spectre complet de couleurs. Le problème n’est pas la nuance de vert ; il n’y a pas de nettoyage. Votre image est simplement ce qu’elle est. Le problème est simplement que si vous voulez avoir une meilleure image du monde, vous avez besoin du spectre complet de couleurs.

Kieran Chandler : Par conséquent, pour une meilleure prévision, la première chose à faire est de commencer par regarder l’entreprise telle qu’elle est. Les données ne sont pas incorrectes, elles sont simplement là où elles sont, vous savez. Ce que je dis, c’est que produire des données n’a jamais été le premier objectif de tous vos systèmes. Vos systèmes ont été mis en place pour que la supply chain puisse fonctionner, pour qu’il soit possible de produire, de déplacer des choses et de les vendre. Donc, toutes les couches que vous avez ne sont qu’un reflet de tous ces processus, ce qui est très bien. Le fait que cela fonctionne et que vous ayez des choses comme des factures, des paiements, et autres, prouve que ces données sont largement correctes. Elles ne sont pas très correctes ; sinon, vous ne sauriez pas quoi facturer, vous ne sauriez pas combien payer vos fournisseurs, et autres.

Donc, je pense que généralement pour la plupart des entreprises de nos jours, du moins celles qui utilisent des systèmes informatiques depuis des décennies, c’est un emplacement en Europe, en Amérique du Nord et en fait, dans la plupart de l’Asie à l’heure actuelle, tout est en place, c’est déjà solide. Le problème, c’est que lorsque vous pensez en termes de prévision de manière simpliste, il ne s’agit pas seulement des ventes. Cela peut concerner les retours, cela peut aussi simplement être, par exemple, l’une des choses super basiques auxquelles les gens pensent, comment pouvons-nous améliorer nos prévisions ?

Joannes Vermorel : Habituellement, lorsque nous commençons à examiner ces séries temporelles, nous disons, vous savez quoi, vous ne connaissez même pas le prix. Lorsque nous commençons à travailler avec des entreprises et qu’elles veulent améliorer leurs prévisions, nous examinons simplement leur pipeline de données qui génère la prévision, et nous constatons que les prix sont absents. Évidemment, les prix ont un impact massif sur la supply chain. Si soudainement vous baissez tous vos produits de 50 %, votre demande va exploser, peut-être que votre rentabilité va simplement disparaître également, mais néanmoins, les prix ont généralement un impact massif sur la demande et sur votre supply chain. La plupart du temps, lorsque nous examinons ces processus S&OP et les processus de prévision, les prix sont absents, mais c’est généralement juste la partie visible de l’iceberg.

Kieran Chandler : Nous en avons déjà parlé, et les gens se concentrent sur la demande, et les prix sont évidemment une chose à laquelle ils peuvent s’intéresser, mais peut-être est-il utile de réitérer, quels sont les autres éléments qui pourraient être intéressants ?

Joannes Vermorel : Habituellement, les retours sont absents, les niveaux de stock sont absents. Vous pourriez penser, pourquoi avez-vous besoin de niveaux de stock ? La réponse est que si vous êtes en rupture de stock, vous n’allez rien vendre simplement parce qu’il n’y a rien à vendre. Peut-être que vous obtiendrez des commandes en attente, mais encore une fois, c’est un schéma très spécifique. Pouvez-vous vraiment considérer une commande en attente comme une vente régulière ? Je veux dire, cela demande de l’engagement. Une commande en attente, c’est essentiellement lorsque le produit n’est pas là, donc je vais demander au fournisseur de mettre quelque chose en commande en attente pour l’expédier plus tard, et en tant que client, je suis prêt à attendre longtemps. Donc, encore une fois, il s’agit de demande, mais d’une demande qui n’est pas exactement de même nature par rapport à une demande régulière. Donc, si vous dites simplement qu’une unité de commande en attente est exactement la même chose qu’une vente régulière, pas vraiment, pas vraiment.

Surtout, juste pour vous donner un exemple, si pour une raison quelconque, il se trouve qu’une grande partie de la demande que vous avez, peut-être en B2B, concerne des clients qui acceptent les commandes en attente et les longs délais de livraison s’ils peuvent obtenir un meilleur prix. Alors soudainement, d’un point de vue de la prévision, c’est très bien parce que soudainement vous n’avez plus besoin de prévoir quoi que ce soit.

Kieran Chandler : Pouvez-vous parler de la demande et des commandes en attente ?

Joannes Vermorel : Mettre quelque chose en commande en attente pour l’expédier plus tard, en tant que client, je suis prêt à attendre peut-être longtemps. Donc, encore une fois, il s’agit de demande, mais d’une demande qui n’est pas exactement de même nature par rapport à une demande régulière. Donc, si vous dites simplement qu’une unité de commande en attente est exactement la même chose que lorsqu’elle est vendue, non, pas vraiment. Surtout, surtout juste pour vous donner un exemple, si pour une raison quelconque, une grande partie de la demande que vous avez peut-être est que cela se produit en B2B avec des clients qui acceptent les commandes en attente et les longs délais de livraison s’ils peuvent obtenir un meilleur prix, alors soudainement, d’un point de vue de la prévision, c’est très, très bien parce que soudainement vous n’avez plus besoin de prévoir quoi que ce soit. Vous voyez simplement les commandes en attente et vous orchestrez votre supply chain de manière à ce que lorsque le délai de livraison prévu arrive, vous ayez les produits prêts. Mais vous n’avez pas nécessairement besoin de prévoir cette demande car cette demande est connue à l’avance car elle est déjà commandée.

Kieran Chandler : Si vous voulez tirer le meilleur parti des données que vous avez actuellement, quel est votre conseil aux entreprises ?

Joannes Vermorel : La première chose est que vous devez aborder le problème, je dirais, d’un point de vue très spécifique au domaine. Vous savez, vous devez vous demander : “J’ai une supply chain. Qu’est-ce qui compte vraiment ?” Et la réponse est : “Ça dépend.” Cela dépend vraiment du type de supply chain que vous exploitez. Si vous êtes dans l’aérospatiale, la question se résume vraiment à ceci : “Pour chaque dollar que j’investis dans ma supply chain, comment puis-je éviter le nombre maximum d’incidents AOG (avion au sol) parce qu’il manque quelque chose, et vous avez un avion qui est bloqué au sol ?” Donc, en général, la question est : “Comment puis-je obtenir le maximum d’incidents AOG par dollar investi ?” C’est la perspective pour l’aérospatiale. Pour les produits frais, ce sera un problème complètement différent. Ce serait plutôt : “D’accord, comment puis-je vraiment maximiser la fidélité à long terme de mes clients car la nourriture est entièrement axée sur les achats répétés ?” Donc, ce que vous voulez, ce n’est pas le taux de service d’un seul produit, c’est un peu inutile. Vous vous en fichez vraiment car il y a tellement de substituts. Ce que vous voulez, c’est vous assurer que vos clients fidèles qui viennent dans votre magasin pour acheter non pas un seul produit mais tout un panier, ont une très bonne expérience. Et donc, s’il manque quelque chose, il y a toujours un substitut, et ils peuvent quitter vos magasins très satisfaits non seulement de la disponibilité globale mais aussi de la fraîcheur globale de ce qu’ils achètent. Donc, cela fait partie de l’expérience globale, et encore une fois, la question sera par dollar investi, comment pouvez-vous optimiser cela ? La question est vraiment spécifique au domaine. Quelles sont les idées les plus pertinentes auxquelles vous devez vraiment prêter attention ? Eh bien, c’est seulement votre expertise dans le domaine qui vous permet de juger de cela, et en général, cela ne nécessite pas de compétences avancées en science des données. C’est juste une compréhension directe du domaine qui vous permet de dire si quelque chose est agréable à avoir ou complètement critique pour éviter de prendre des décisions stupides.

Kieran Chandler : Quel est le message principal d’aujourd’hui ?

Joannes Vermorel : Donc, si nous prenons l’objectif de cet épisode, vous savez, c’est comment puis-je avoir de meilleures prévisions avec une meilleure queue. C’est quelque chose que nous voulons avoir, et les meilleures données ne sont généralement pas ce à quoi vous vous attendez.

Kieran Chandler : Je veux dire, oui, vous pouvez avoir des données qui sont beaucoup meilleures pour vos prévisions, mais le problème est, que veux-je dire par “meilleures” ? Habituellement, l’expérience locale est que nous entendons des choses très spécifiques qui ne sont absolument pas ce que la plupart des gens attendent. Tout d’abord, de meilleures données signifient avoir une image complète de toutes les choses auxquelles vous devriez prêter attention, et généralement, ce n’est pas comme Instagram ou vos réseaux sociaux ou les prévisions météorologiques. C’est quelque chose de beaucoup plus banal, des choses qui existent déjà dans le système. C’est quelque chose où de nombreuses personnes, peut-être des personnes avant vous, ont déjà décidé qu’elles ne valaient même pas la peine d’être prises en compte.

Joannes Vermorel : Eh bien, notre message est que ces données valent vraiment la peine d’être prises en compte. Je parle des prix, des retours, des commandes en attente, des mouvements de stocks, tout cela. Elles sont importantes, et la bonne nouvelle, c’est qu’elles sont déjà présentes quelque part dans vos systèmes. Donc, premièrement, élargissez votre horizon sur ce que vous considérez même comme des données pertinentes. La deuxième chose serait d’oublier cette idée de préparation des données. Vous devez comprendre comment les données sont générées, pourquoi ? Parce que sinon, vous allez vous retrouver dans une situation de “garbage in, garbage out”. Comprendre les données est délicat car c’est deux choses : comprendre le logiciel et aussi comprendre le processus suivi par les personnes qui opèrent sur le logiciel.

Généralement, la sémantique des données comporte deux parties : elle est à moitié dans la tête de la personne qui utilise le logiciel et à moitié dans la tête de l’ingénieur logiciel qui a conçu le logiciel d’entreprise en premier lieu. Quand je dis la personne, malheureusement, il s’agit généralement de nombreuses personnes, et le pire cas est lorsque ces personnes ont des interprétations contradictoires. C’est là que vous pouvez vous retrouver dans une situation très confuse. Donc vous voyez, élargissez votre horizon en termes de données pertinentes, rien de très fantaisiste, juste des choses basiques et quotidiennes pour votre entreprise, mais pas seulement les ventes. Ensuite, vous devez comprendre ces données.

Enfin, si vous voulez avoir de meilleures prévisions, cela revient à se demander ce que cela signifie, une meilleure prévision ? Ensuite, nous en arrivons au point où les gens diraient : “Oh, c’est une meilleure erreur de pourcentage absolue moyenne ou une meilleure erreur absolue moyenne,” ou mieux, vous savez, toutes sortes de mesures. Et encore une fois, je dirais que si c’est exprimé en pourcentage, ce n’est tout simplement pas bon. Cela doit être exprimé en dollars. Et tout comme nous l’avons discuté dans l’un des épisodes précédents sur la décision d’abord, une prévision ne peut être considérée comme meilleure que si elle vous conduit à de meilleures décisions.

Malheureusement, la façon dont vous pouvez juger si une prévision est meilleure ou non est à travers le prisme de la décision finale que vous prenez. C’est difficile, mais c’est ainsi que vous le faites. Si vous dites simplement : “Oh, j’ai une meilleure MAPE, et la prévision est meilleure,” c’est très faux, et vous ne serez même pas sur la voie qui vous mène à faire des choses qui sont des erreurs de nationalisme, des erreurs en quelque sorte.

Kieran Chandler : Oui, d’accord, je vais devoir vivre avec ça, mais je suppose qu’il y a probablement quelques directeurs informatiques qui vont nous remercier pour cela car ils vont fouiller dans les archives maintenant. Bon, 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.