00:00:08 Analyse des scénarios et comparaison avec les prévisions probabilistes.
00:01:02 La planification de scénarios et sa simplicité.
00:02:56 Limitations de la planification de scénarios avec les logiciels et la gestion de l’incertitude.
00:05:57 L’alternative : les prévisions probabilistes et leurs avantages.
00:06:48 Difficultés de mise en œuvre de plusieurs scénarios dans la planification de la supply chain.
00:08:00 Les limites de la planification de scénarios dans la gestion de la supply chain.
00:09:52 Les prévisions probabilistes comme alternative à la planification de scénarios.
00:10:38 Comparaison des prévisions probabilistes à l’imagerie haute résolution.
00:13:22 Illusion de simplicité dans la planification de scénarios et défis de la prise de décision.
00:15:00 Exemple illustrant l’inadéquation de la prise de décision moyenne entre les scénarios.
00:16:01 Les limites de la planification de scénarios traditionnelle.
00:17:27 Défis de mise en œuvre des prévisions probabilistes.
00:19:00 Les avantages de la planification de scénarios et son avenir.
00:20:58 Automatisation de la conciliation entre les futurs possibles.
00:23:19 L’importance d’outils appropriés pour la prise de décision probabiliste.
Résumé
Kieran Chandler interviewe Joannes Vermorel, fondateur de la société de logiciels d’optimisation de la supply chain Lokad, pour discuter de l’efficacité de l’analyse de scénarios et de sa comparaison avec les prévisions probabilistes. Vermorel estime que si la planification de scénarios présente des limites, telles que le temps nécessaire et les ressources importantes, les prévisions probabilistes sont une approche plus efficace et plus efficience pour faire face à l’incertitude dans la supply chain. Il note que l’exploration des outils inhabituels nécessaires pour opérer sur tous les futurs en même temps est essentielle pour l’adoption, et Lokad a développé une algèbre des variables aléatoires, un outil mathématique et statistique pour traiter les futurs probabilistes. L’imprévisibilité récente des supply chains souligne la nécessité de meilleurs outils pour faire face aux scénarios imprévus.
Résumé étendu
Dans cette interview, l’animateur Kieran Chandler et Joannes Vermorel, fondateur de Lokad, une société de logiciels d’optimisation de la supply chain, discutent de l’efficacité de l’analyse de scénarios et de sa comparaison avec les prévisions probabilistes. L’analyse de scénarios a été développée pour la première fois par Shell dans les années 1970 et consiste en une expérience de pensée où des hypothèses sur l’avenir sont formulées et explorées pour voir comment les choses se déroulent, notamment en ce qui concerne les questions de la supply chain. L’objectif de la planification de scénarios est d’explorer plusieurs futurs alternatifs pour prendre de meilleures décisions et créer une performance plus robuste face aux variations imprévisibles. Bien que les supply chains soient complexes, la planification de scénarios peut simplifier le processus et peut être soutenue par des outils logiciels. En revanche, les prévisions probabilistes sont différentes dans leur approche et ne reposent pas sur des hypothèses. Elles traitent des probabilités statistiques et de l’incertitude de l’avenir. Bien que les deux méthodes traitent des futurs incertains, elles diffèrent dans leur approche, l’analyse de scénarios étant une approche plus élégante et directe, et les prévisions probabilistes reposant davantage sur des probabilités statistiques.
La discussion porte sur la planification de scénarios et les prévisions dans la gestion de la supply chain.
Vermorel explique que la planification de scénarios consiste à prévoir différents scénarios en fonction de différentes entrées et hypothèses. Ces scénarios peuvent aider les décideurs à planifier des futurs alternatifs et à ajuster leurs stratégies en conséquence. Cependant, la planification de scénarios présente également des limites. Par exemple, elle peut prendre du temps et nécessiter une contribution manuelle importante d’experts.
Vermorel suggère qu’une approche plus efficace et plus efficience consiste à utiliser des prévisions probabilistes, qui reposent sur des méthodes informatiques plutôt que sur l’expertise humaine. Cette approche est particulièrement utile dans les situations où de nombreuses variables doivent être prises en compte et où le nombre de scénarios possibles est écrasant.
Vermorel note que bien qu’il existe de nombreux consultants et fournisseurs qui préconisent la planification basée sur les scénarios, il est rare de voir ces scénarios utilisés en production. Il suggère que cela est dû au fait que la planification de scénarios nécessite un investissement important en termes de temps et de ressources, et qu’il n’est pas toujours pratique pour les entreprises de la mettre en œuvre.
Dans l’ensemble, Vermorel souligne l’importance de prendre en compte différents scénarios et de planifier l’incertitude dans la gestion de la supply chain. Bien qu’il y ait des limites à la planification de scénarios traditionnelle, les prévisions probabilistes offrent une approche plus efficace et plus efficience à ce défi.
La conversation s’est concentrée sur le rôle des scénarios dans la supply chain. Vermorel estime que les scénarios jouent un rôle important dans les tâches quotidiennes de l’équipe de la supply chain, mais qu’ils sont trop coûteux. Il estime que l’idée fondamentale de traiter avec des futurs incertains est correcte, mais la perspective classique de la supply chain consistant à faire une prévision est profondément erronée. Vermorel soutient que les entreprises utilisent des scénarios parce qu’elles n’ont pas de meilleures alternatives pour faire face à des futurs incertains.
Les prévisions probabilistes sont une nouvelle alternative pour faire face à des futurs incertains. Vermorel explique que les prévisions probabilistes sont différentes des scénarios car elles adoptent une perspective complètement différente en exploitant de grandes quantités de puissance de traitement disponibles à bas prix de nos jours. L’idée clé derrière les prévisions probabilistes est d’examiner tous les futurs possibles, même s’il y a une très faible probabilité qu’ils se produisent. Vermorel estime que les prévisions probabilistes sont une meilleure alternative pour faire face à des futurs incertains que les scénarios car elles tirent parti des grandes quantités de puissance de traitement disponibles aujourd’hui.
Vermorel a expliqué le concept de prévision probabiliste, qui est une manière mécanique de mettre des probabilités sur des événements futurs possibles. Avec cela, Vermorel estime qu’il n’est plus nécessaire d’utiliser des scénarios car tous les futurs possibles peuvent être analysés. Il a utilisé l’analogie d’avoir une image haute résolution de tout le futur plutôt qu’une image basse résolution avec seulement quelques pixels.
Chandler a demandé à Vermorel quelles sont les différences de perspective des utilisateurs finaux entre la planification de scénarios et la prévision probabiliste. Vermorel a noté que la planification de scénarios donne l’illusion de la simplicité mais peut poser problème lors de la prise de décisions pour plusieurs scénarios qui peuvent être incohérents. Vermorel a donné l’exemple d’un magasin de livres où la majorité des clients sont des parents qui ne veulent qu’une seule copie d’un livre, mais occasionnellement, un enseignant entre et veut 30 copies du même livre.
Vermorel a souligné l’importance de la prévision probabiliste en tant qu’outil d’optimisation de la supply chain et de prise de décision, car elle offre une image haute résolution de tous les futurs possibles plutôt que seulement quelques scénarios.
La discussion porte sur les défis de l’optimisation de la supply chain. Vermorel est le fondateur de Lokad, une entreprise spécialisée dans ce domaine. La conversation commence par une discussion sur la quantité appropriée de stock à garder dans un magasin pour un livre donné. Vermorel soutient que la moyenne de la quantité de stock nécessaire n’a pas de sens et que l’approche traditionnelle qui consiste à consacrer plus de main-d’œuvre au problème aggrave la situation. Il explique que la planification de scénarios offre une solution potentielle en permettant la gestion de plusieurs futurs, mais cela nécessite plus que simplement copier-coller la logique. La mise en œuvre d’une approche de prévision probabiliste est beaucoup plus difficile, mais pour les fournisseurs de logiciels de supply chain comme Lokad, cela offre une opportunité significative d’améliorer leurs systèmes. Vermorel conclut en notant que la conciliation des résultats qui émergent de la planification de scénarios est un défi critique qui doit être relevé.
Ils discutent de l’analyse de scénarios et de ses limites dans la gestion de la supply chain. Vermorel explique que les entreprises ne réalisent souvent pas qu’elles ont un problème avant de mettre en place un système et de se heurter à des cas particuliers qui le rendent non viable. Malgré cela, les fournisseurs sont incités à vendre des fonctionnalités qui semblent cool et fonctionnent lors des démonstrations, et tant que les gens ne peuvent pas imaginer une alternative, l’analyse de scénarios semble être la meilleure option. Vermorel estime que la prévision probabiliste, qui attribue des probabilités aux scénarios, est une extension naturelle de l’analyse de scénarios, mais le véritable problème réside dans la conciliation automatisée entre tous les futurs possibles. Pour résoudre ce problème, Lokad a développé une algèbre des variables aléatoires, un outil mathématique et statistique spécifique pour traiter les futurs probabilistes. Vermorel souligne qu’il est essentiel d’explorer les outils inhabituels nécessaires pour opérer sur tous les futurs en même temps, car il ne suffit pas de réaliser qu’il est possible d’examiner tous les futurs possibles avec des probabilités. Enfin, ils discutent des événements récents qui ont montré l’imprévisibilité des supply chains et de la nécessité de meilleurs outils pour faire face à des scénarios imprévus.
Transcription complète
Kieran Chandler: Aujourd’hui sur Lokad TV, nous allons discuter de son efficacité et de la possibilité de le remplacer par des méthodes alternatives telles que la prévision probabiliste.
Joannes Vermorel: Donc, ces deux méthodes sont similaires dans le sens où vous voulez traiter des futurs incertains. Parce que vous ne savez pas exactement ce que l’avenir réserve, vous voulez explorer les options. Cependant, la manière dont vous effectuez cette exploration est très différente.
Kieran Chandler: Aujourd’hui, nous allons examiner plus en détail la planification de scénarios. Peut-être un bon point de départ serait d’expliquer comment cela fonctionne et ce que c’est.
Joannes Vermorel: La planification de scénarios est conceptuellement très simple. Vous faites simplement une expérience de pensée “et si”, en disant que l’avenir sera comme ceci. Supposons que l’avenir soit exactement comme cela, et sur la base de cette hypothèse initiale, voyons comment les choses se passent du point de vue de la chaîne d’approvisionnement si cet avenir se réalise. En quelque sorte, c’est très élégant et simple, et vous pouvez répéter l’exercice. L’idée derrière la planification de scénarios est qu’au lieu d’avoir une seule prévision vraie, nous allons explorer plusieurs alternatives. En explorant plusieurs alternatives, vous pouvez rendre vos décisions et vos performances plus robustes face à des variations que vous ne pouvez pas prédire, mais que vous attendez.
Kieran Chandler: C’est intéressant car nous savons que dans la chaîne d’approvisionnement, la demande peut être une variation, mais il peut aussi y avoir d’autres variations connexes, comme les délais d’approvisionnement. Cette méthode peut-elle combiner ces multiples variations ?
Joannes Vermorel: L’idée clé de la planification de scénarios est qu’elle simplifie les choses en s’appuyant mentalement sur quelque chose de très similaire au passé. Cela revient littéralement à dire que la demande sera numériquement ceci et cela. En raison de cette simplicité, il s’avère que d’un point de vue logiciel, vous avez besoin d’outils pour soutenir ces lignes de pensée, en particulier lorsque vous traitez avec la complexité de milliers de produits, de tonnes de lieux, etc. La chose intéressante est que, d’un point de vue logiciel, la planification de scénarios est comme un exercice de copier-coller avec votre configuration et votre logique traitant de la prévision classique.
Kieran Chandler: Pouvez-vous expliquer ce qu’est l’analyse de scénarios et comment elle est utilisée dans l’optimisation de la chaîne d’approvisionnement ?
Joannes Vermorel: Bien sûr, l’analyse de scénarios est basée sur des chiffres de prévision qui représentent des scénarios futurs possibles. Sur la base de ces prévisions, vous pouvez déduire des décisions. Si vous voulez avoir un scénario alternatif, il s’agit simplement d’une prévision différente avec peut-être un biais. Par exemple, une tendance à la baisse. Vous pouvez ensuite déduire toutes les décisions et les comparer au premier ensemble de décisions que vous avez prises pour le scénario médian, qui représente votre prévision classique habituelle.
Le fait qu’il soit très facile de mettre en œuvre ce type de processus avec un logiciel où vous pouvez simplement multiplier les scénarios ne signifie pas nécessairement qu’il fera tout ce que vous voulez. En particulier, vous dépendez des experts et des ajustements manuels pour ajuster les scénarios. Vous avez tendance à ajuster les scénarios en fonction de variables simplistes telles que l’augmentation ou la diminution de la demande future. Mais il y a beaucoup d’autres domaines qui sont également incertains, comme les délais d’approvisionnement.
Le problème avec l’ajustement des scénarios est que vous avez des tonnes de combinaisons et cela devient écrasant. Fondamentalement, le choix des scénarios est une affaire très humaine. Les humains sont censés choisir ces scénarios.
L’approche alternative consiste à adopter une approche plus computationnelle, et c’est là que s’inscrit la prévision probabiliste.
Kieran Chandler: Donc, est-ce pour cela qu’il vaut mieux le laisser à une machine plutôt qu’à un être humain ?
Joannes Vermorel: Oui, l’analyse de scénarios est une façon intéressante de faire face au fait que vous ne connaissez pas parfaitement l’avenir, mais elle souffre du problème selon lequel vous ne choisissez que quelques scénarios. La réalité est que l’approche classique de la prévision et de la planification de la chaîne d’approvisionnement est déjà très chronophage, même pour le seul scénario principal. Pour les grandes entreprises, cela nécessite déjà des équipes entières de planificateurs et de prévisionnistes pour mener à bien le travail. Si vous souhaitez ajouter plus de scénarios, vous vous retrouvez dans une situation où vous avez besoin d’une augmentation presque linéaire de la main-d’œuvre pour alimenter le processus. C’est pourquoi, d’après mon expérience, bien qu’il y ait des tonnes de consultants et de fournisseurs qui préconisent la planification basée sur les scénarios, j’ai très rarement vu ces scénarios réellement utilisés en production. C’est plutôt l’exception que la norme. Si nous examinons les opérations quotidiennes, il est en réalité assez rare qu’ils soient utilisés.
Kieran Chandler: Il est rare de voir des entreprises où les scénarios jouent un rôle important dans la tâche quotidienne de l’équipe de la chaîne d’approvisionnement, et je pense que la raison en est que cela coûte beaucoup trop cher. Mais cette technique existe depuis les années 1970. Alors pourquoi les consultants et les fournisseurs continuent-ils de la promouvoir, et pourquoi est-ce quelque chose que les entreprises utilisent encore apparemment ?
Joannes Vermorel: Tout d’abord, je pense que l’idée centrale, qui est la nécessité de faire face à des futurs incertains, est profondément correcte. Ainsi, la perspective classique de la chaîne d’approvisionnement, où vous faites simplement une prévision et dites “voilà, c’est ça, c’est l’avenir”, comme la semaine prochaine nous vendrons 155 unités de ce produit, est fondamentalement erronée. Intuitivement, vous voyez qu’il y a quelque chose de profondément faux dans cette approche ; vous devez faire face au fait que l’avenir n’est pas connu. Les scénarios sont une réponse, bien qu’imparfaite, à ce problème, et faute de meilleures alternatives, il est très tentant de les utiliser. Il y a ce dicton selon lequel quand tout ce que vous avez dans la main est un marteau, tout le reste est un clou. Donc, si vous n’avez pas d’outil meilleur, vous utiliserez ce que vous avez, qui est un marteau, même si c’est en réalité une vis avec laquelle vous essayez de faire face.
Maintenant, des alternatives ont émergé qui reposent sur des choses qui n’existaient pas il y a quatre ou cinq décennies, comme de grandes quantités de puissance de traitement bon marché. C’est l’essence de la prévision probabiliste. Il s’agit essentiellement de prendre une perspective complètement différente du problème en exploitant les grandes quantités de puissance de traitement disponibles de nos jours.
Kieran Chandler: Alors pourquoi la prévision probabiliste est-elle peut-être si différente ? Parce que vous regardez toujours un futur alternatif. Je suppose qu’avec la prévision probabiliste, vous attribuez une probabilité à sa réalisation éventuelle, mais en surface, elles ne semblent pas être vraiment si différentes car vous ne regardez que des alternatives possibles.
Joannes Vermorel: L’idée clé de la prévision probabiliste est que vous aurez des futurs générés par des machines. Vous examinerez tous les futurs possibles, ou du moins tous les futurs numériquement pertinents. Même si vous disposez de ressources informatiques immenses, il est inutile d’évaluer les conséquences de quelque chose qui n’a qu’une chance sur un trillion de se produire. Ce n’est tout simplement pas un bon investissement de la puissance de traitement dont vous disposez. Mais si nous ne considérons que les choses qui ont au moins une chance de se produire, disons au moins une chance sur un million chaque année, c’est encore très improbable, mais ce n’est pas totalement improbable. Alors il y a beaucoup de puissance de traitement brute pour traiter ce genre d’événements grâce aux ordinateurs modernes.
Kieran Chandler: Dans quelques décennies, avec les ordinateurs banals que vous avez chez vous ou même dans votre smartphone, la prévision probabiliste est littéralement une façon mécanique de mettre des probabilités sur de nombreux événements futurs possibles. Dès que vous avez cela, vous réalisez que vous n’avez plus besoin de scénarios. Vous pouvez remplacer tous ces scénarios qui ont été choisis parmi tous les futurs possibles par quelque chose qui analyse brutalement tous les futurs possibles. C’est comme passer d’une caméra vidéo avec seulement quatre pixels dans votre image à une image haute résolution complète de tout l’avenir où vous voyez tous les pixels.
Joannes Vermorel: Quelle différence cela fait-il ? Demandez-vous simplement, si vous avez un paysage et que vous n’avez que cinq pixels, il est très difficile de deviner à quoi il ressemble. Si vous faites beaucoup d’efforts, vous pourriez avoir 20 pixels sur votre image, et cela va être très fastidieux. Mais lorsque vous passez de 20 pixels à 4 millions, vous passez de quelque chose qui n’a pratiquement aucun sens à une image de haute qualité qui a tout son sens. En pratique, même si c’est un processus graduel en théorie, c’est complètement différent.
Kieran Chandler: Parlons des choses du point de vue de l’utilisateur final. Avec la planification de scénarios, peut-être qu’avec seulement vos quatre pixels, vous avez une idée de ce qui se passe au début et à la fin, et c’est très logique. Mais cette idée de regarder une prévision probabiliste et tous les futurs possibles est beaucoup moins logique et plus difficile à comprendre. Est-ce plus facile pour l’utilisateur final ?
Joannes Vermorel: Avec la planification de scénarios, vous avez une illusion de simplicité. Vous choisissez un scénario et vous avez un ensemble de décisions qui ont du sens pour ce scénario particulier. C’est relativement simple. Mais le problème est que vous regardez un autre scénario et vous obtenez un autre ensemble de décisions. Si vous regardez un troisième scénario, vous obtenez encore un autre ensemble de décisions. Que ferez-vous de toutes ces décisions qui peuvent être et sont, en pratique, complètement incohérentes ? La réponse naïve serait de faire une sorte de moyenne, mais pourquoi la moyenne serait-elle pertinente ?
Juste pour vous donner un exemple, imaginez que vous avez un magasin qui vend des livres pour les écoles. La majorité de vos clients sont des parents qui ont un enfant et qui veulent juste une copie du livre. Dans le même magasin, de temps en temps, un enseignant entre et veut 30 exemplaires du livre.
Kieran Chandler: La question est de savoir s’il est logique d’avoir un stock de cinq exemplaires d’un livre dans un magasin.
Joannes Vermorel: Si vous voulez seulement servir les parents qui viennent de temps en temps au magasin, alors oui, cinq exemplaires pourraient suffire. Cependant, si vous voulez servir les enseignants, alors vous aurez probablement besoin de 35 exemplaires du livre. Vous aurez besoin de 30 pour servir les enseignants, puis cinq de plus pour servir les parents. Mais si vous faites une moyenne et dites : “Oh, 25 devraient suffire”, non, 25 n’est pas vraiment bon car c’est bien plus que ce dont vous avez besoin pour les parents et ce n’est toujours pas suffisant pour les enseignants. Donc, vous voyez, faire une moyenne n’a généralement pas beaucoup de sens. Et si vous avez des non-linéarités comme les MOQs, quantité minimale de commande, cela ne fonctionne pas. Donc, en gros, vous avez l’apparence de la simplicité lorsque vous regardez ces scénarios où vous choisissez un scénario et dites : “Eh bien, il y a une solution simple ici.” Vous choisissez un autre scénario et vous avez une autre solution simple. Mais ensuite, vous vous retrouvez avec un problème de comment concilier tous ces scénarios. La réalité est que l’approche traditionnelle consiste simplement à ajouter encore plus de main-d’œuvre au problème. Donc, vous voyez, vous aviez déjà quelque chose de très intensif en termes de main-d’œuvre. Pour chaque scénario, vous avez besoin de plus de planificateurs, de plus de prévisionnistes. Mais ensuite, vous créez un autre problème, qui est, vous savez, maintenant vous avez besoin d’une autre équipe pour simplement concilier toutes ces choses. Donc, vous voyez, c’est encore pire que d’avoir une augmentation linéaire de la quantité de personnel que vous avez. C’est comme une augmentation hyper-linéaire de la quantité de choses que vous devez gérer avec un grand nombre de scénarios. Et c’est très, très mauvais.
Kieran Chandler: Je pense que l’un des avantages de la planification de scénarios est simplement une question de copier-coller un peu de logique et du point de vue de la mise en œuvre, il s’agit simplement de jeter plus de ressources dessus. Est-ce que cela signifie que la mise en œuvre d’une approche de prévision probabiliste est beaucoup plus difficile, et c’est pourquoi les entreprises ne s’y intéressent pas autant ?
Joannes Vermorel: Je veux dire, en tant que fournisseur de logiciels, absolument oui. Imaginez littéralement que vous êtes un fournisseur de logiciels de chaîne d’approvisionnement, et ce que vous faites, c’est que vous avez conçu un système de prévision et de planification de la chaîne d’approvisionnement. Cela signifie qu’au minimum, du point de vue classique, votre système est capable de gérer une prévision classique. Donc, il s’agit d’attribuer une quantité quotidienne, hebdomadaire ou mensuelle pour une période X à venir pour chaque référence ou produit individuel. C’est à quoi ressemble un produit de prévision classique. Vous avez tout en place pour gérer un avenir et dire : “C’est ça. C’est ainsi que les choses se passeront.” Maintenant, si vous voulez passer à la planification de scénarios, vous n’avez qu’à dire essentiellement : “Eh bien, je vais simplement gérer une deuxième instance de cet avenir, et je vais simplement la considérer comme un deuxième scénario.” En termes de logique, en termes de code, c’est littéralement le même code où vous avez juste besoin d’ajouter une dimension supplémentaire, qui est la dimension du scénario, et c’est tout. Vous avez déjà votre système de planification de scénarios en place. Mais il y a un hic. Le hic, c’est que vous n’avez rien fait pour concilier les résultats qui émergent de ceux-ci.
Kieran Chandler: Des scénarios, mais la réalité est que les entreprises ne vont généralement pas se rendre compte, vous savez, qu’elles sont effectivement confrontées à ce problème jusqu’à ce qu’elles mettent en œuvre le système et qu’elles se heurtent à toutes sortes de cas particuliers où vous ne pouvez pas faire la moyenne des résultats donnés par différents scénarios, où il est en fait absurde de faire la moyenne des résultats.
Joannes Vermorel: Si vous faites trois exemples et que le fournisseur est assez bon, vous savez, je veux dire d’abord, l’intérêt du fournisseur est très bon marché à mettre en œuvre, alors pourquoi ne pas mettre en œuvre une fonctionnalité qui est bon marché et qui a l’air cool pendant les démonstrations ? De plus, lorsque vous faites simplement un pilote très simple, il y a des chances que vous ne rencontriez pas les cas particuliers que je viens de décrire, et donc faire la moyenne des scénarios fonctionnera probablement pour vous. Mais dès que vous vous retrouvez dans une situation plus complexe, vous vous rendrez compte que vous avez d’innombrables cas particuliers qui émergent, et donc que tout cela rend l’ensemble non viable. Mais à ce stade, le fournisseur est déjà satisfait car il a déjà été payé. Vous savez, il y a tous les mauvais incitatifs en place sur la façon dont vous payez votre fournisseur de logiciels de chaîne d’approvisionnement, dont nous avons discuté dans l’épisode précédent. De plus, encore une fois, tant que les gens ne peuvent pas imaginer une alternative, cela semble toujours être la meilleure chose qui existe faute de mieux.
Kieran Chandler: D’accord, commençons donc à rassembler un peu les choses. Tu dis que les gens ne peuvent pas imaginer une alternative, et maintenant nous sommes un peu dans une situation où il y a une alternative avec la puissance de calcul dont nous disposons. Il existe une méthode alternative, donc peux-tu voir quelque chose comme l’analyse de scénarios disparaître à un moment donné ?
Joannes Vermorel: Oui, je veux dire, bien que franchement, il reste encore beaucoup de chemin à parcourir pour que Lokad évangélise littéralement le reste du monde à ce sujet. Le problème n’est pas la prévision probabiliste en soi car l’idée d’avoir de nombreux scénarios avec des probabilités est relativement simple, et cela semble être une extension très naturelle de l’approche par scénarios, tout simplement avec de nombreux scénarios, tout comme ajouter des pixels à une image, où la quantité serait la probabilité.
Kieran Chandler: Donc, au lieu de la couleur, on pourrait penser à cela comme mon scénario, et il y a une probabilité attribuée à ce scénario. Mais le problème est que lorsque vous avez tous ces futurs possibles, vous devez réfléchir à des moyens d’automatiser complètement la conciliation entre tous ces futurs possibles. Et c’est là que les choses commencent à devenir vraiment délicates et bizarres du point de vue de Lokad.
Joannes Vermorel: Vous savez, la solution que nous avons développée s’appelle une algèbre de variables aléatoires. Donc, vous avez besoin d’un outillage mathématique statistique très spécifique pour traiter ce genre de concepts, non seulement du côté de la prévision, mais aussi du côté de la prise de décision. En fait, si vous regardez de plus près la pile technologique de Lokad, vous verrez que la prévision n’est qu’une petite partie relativement de l’image de nos jours. La majeure partie de la complexité, des techniques, des outils, des pratiques, des algorithmes et du reste réside dans la façon dont vous optimisez réellement vos décisions tout en faisant face à tous ces futurs incertains et probabilistes.
Et c’est là le problème, je crois, pour favoriser davantage l’adoption. Les gens doivent non seulement réaliser qu’il est possible d’examiner tous ces futurs possibles avec des probabilités, mais ils doivent également explorer des choses qui sont, je dirais, très inhabituelles - le genre d’outils dont vous avez besoin pour opérer sur tous les futurs en même temps. Car sans ces outils, vous revenez essentiellement à la case départ, où il faut énormément de temps aux gens pour trier toutes ces possibilités. Le tour de passe-passe, c’est qu’à Lokad, nous ne trions pas toutes ces possibilités ; nous maintenons toutes ces possibilités pendant tout le processus. Donc, ce n’est pas exactement facile, mais c’est en fait assez simple si vous disposez des outils appropriés.
Kieran Chandler: D’accord, nous devrons en rester là. Mais je suppose que, compte tenu des événements récents, nous savons qu’il existe tellement de scénarios imprévisibles que les humains ne pourraient probablement jamais prédire. C’est tout pour cette semaine. Merci beaucoup de nous avoir suivi, et nous vous retrouverons dans le prochain épisode. Merci de nous avoir regardés.
