00:00:08 Analyse de scénarios et comparaison avec les prévisions probabilistes.
00:01:02 Planification de scénarios et sa simplicité.
00:02:56 Limites de la planification de scénarios avec les logiciels et gestion de l’incertitude.
00:05:57 L’alternative : les prévisions probabilistes et leurs avantages.
00:06:48 Difficultés à implémenter plusieurs scénarios dans la planification de 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 en tant qu’alternative à la planification de scénarios.
00:10:38 Comparer les prévisions probabilistes à l’imagerie haute résolution.
00:13:22 L’illusion de simplicité dans la planification de scénarios et les défis dans la prise de décision.
00:15:00 Exemple illustrant l’inadéquation de la moyenne des décisions entre scénarios.
00:16:01 Les limites de la planification de scénarios traditionnelle.
00:17:27 Les défis de mise en œuvre des prévisions probabilistes.
00:19:00 Les avantages de la planification de scénarios et son avenir.
00:20:58 Automatiser la réconciliation 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 supply chain optimization société de logiciels, en discutant de l’efficacité de l’analyse de scénarios et de sa comparaison avec les prévisions probabilistes. Vermorel estime que, bien que la planification de scénarios présente des limites, telles que son caractère chronophage et nécessitant un investissement important, les prévisions probabilistes constituent une approche plus efficace pour gérer l’incertitude dans la supply chain. Il note qu’explorer les outils inhabituels nécessaires pour opérer sur tous les futurs simultanément est essentiel pour leur adoption, et Lokad a conçu une algèbre des variables aléatoires, un outil mathématique et statistique pour traiter les futurs probabilistes. L’imprévisibilité récente des supply chains met en lumière le besoin d’outils améliorés pour faire face à des scénarios déviants.
Résumé étendu
Dans cette interview, l’animateur Kieran Chandler et Joannes Vermorel, fondateur de Lokad, une société de logiciels d’optimisation de 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 constitue une expérience de pensée où des hypothèses sur le futur sont formulées et explorées afin de voir comment les choses se déroulent, en particulier en ce qui concerne les questions de supply chain. Le but de la planification de scénarios est d’explorer plusieurs futurs alternatifs afin de prendre de meilleures décisions et de 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 être soutenue par des outils logiciels. D’autre part, les prévisions probabilistes adoptent une approche différente et ne s’appuient pas sur des hypothèses. Elles se basent sur des probabilités statistiques et l’incertitude du futur. Alors que les deux méthodes traitent de futurs incertains, elles diffèrent par leur approche, l’analyse de scénarios étant une méthode plus élégante et simple, tandis que les prévisions probabilistes reposent davantage sur les 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 se basant sur diverses données d’entrée 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 être chronophage et nécessiter une contribution manuelle importante de la part des experts.
Vermorel suggère qu’une approche plus efficace consiste à utiliser les prévisions probabilistes, qui reposent sur des méthodes computationnelles plutôt que sur l’expertise humaine. Cette approche est particulièrement utile dans les situations où de nombreuses variables sont à prendre en compte et que le nombre de scénarios possibles est écrasant.
Vermorel note que, bien qu’il existe de nombreux consultants et fournisseurs qui prônent la planification basée sur des scénarios, il est rare de voir ces scénarios utilisés en production. Il suggère que cela est dû au fait que la planification de scénarios exige un investissement important en temps et en 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 considérer différents scénarios et de planifier face à l’incertitude dans la gestion de la supply chain. Bien que la planification de scénarios traditionnelle présente des limites, les prévisions probabilistes offrent une approche plus efficace face 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 significatif dans les tâches quotidiennes de l’équipe de supply chain, mais qu’ils sont trop coûteux. Il pense que l’idée fondamentale de gérer des futurs incertains est correcte, mais que la perspective classique de la supply chain consistant à réaliser une prévision est profondément erronée. Vermorel soutient que les entreprises recourent aux scénarios parce qu’elles manquent de meilleures alternatives pour gérer des futurs incertains.
Les prévisions probabilistes constituent une nouvelle alternative pour gérer des futurs incertains. Vermorel explique que les prévisions probabilistes diffèrent des scénarios parce qu’elles adoptent une perspective totalement différente en tirant parti de grandes capacités de traitement désormais disponibles à moindre coût. L’idée clé des prévisions probabilistes est d’examiner tous les futurs possibles, même si leur probabilité de réalisation est très faible. Vermorel estime que les prévisions probabilistes représentent une meilleure alternative pour gérer les futurs incertains que les scénarios, car elles exploitent les importantes capacités de traitement disponibles aujourd’hui.
Vermorel a expliqué le concept de prévisions probabilistes, qui est une méthode mécanique d’attribution de probabilités aux événements futurs possibles. Selon lui, cela élimine le besoin de recourir aux scénarios, puisque tous les futurs possibles peuvent être analysés. Il a utilisé l’analogie d’avoir une image haute résolution de l’ensemble du futur plutôt qu’une image basse résolution ne comportant que quelques pixels.
Chandler a interrogé Vermorel sur les différences de perspective du point de vue des utilisateurs finaux entre la planification de scénarios et les prévisions probabilistes. Vermorel a noté que la planification de scénarios offre une illusion de 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 vendant des livres où la majorité des clients sont des parents qui ne souhaitent qu’un seul exemplaire, mais où, occasionnellement, un professeur d’école entre et veut 30 exemplaires du même livre.
Vermorel a souligné l’importance des prévisions probabilistes comme outil pour l’optimisation de la supply chain et la prise de décision, car elles fournissent une image haute résolution de tous les futurs possibles plutôt que de quelques scénarios seulement.
La discussion porte sur les défis de l’optimisation de la supply chain. Vermorel est le fondateur de Lokad, une société de logiciels spécialisée dans ce domaine. La conversation commence par une discussion sur la quantité appropriée de stock à conserver 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 consistant à mettre plus de main-d’œuvre dans le problème aggrave la situation. Il explique que la planification de scénarios offre une solution potentielle en permettant la gestion de multiples futurs, mais qu’elle nécessite bien plus que de copier-coller une logique. Mettre en œuvre une approche de prévisions probabilistes est beaucoup plus difficile, mais pour des vendeurs de logiciels de supply chain comme Lokad, cela représente une opportunité significative d’améliorer leurs systèmes. Vermorel conclut en notant que la réconciliation des résultats issus de la planification de scénarios est un défi crucial 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 se rendent souvent pas compte qu’elles ont un problème tant qu’elles n’ont pas mis en place un système et rencontré des cas particuliers qui le rendent non viable. Malgré cela, les fournisseurs sont incités à vendre des fonctionnalités qui semblent impressionnantes et fonctionnent lors des démos, et tant que les gens n’imaginent pas d’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 que le véritable problème réside dans l’automatisation complète de la réconciliation entre tous les futurs possibles. Pour résoudre ce problème, Lokad a mis au point une algèbre des variables aléatoires, un outil mathématique et statistique spécifique pour traiter les futurs probabilistes. Vermorel souligne que l’exploration des outils inhabituels nécessaires pour opérer sur tous les futurs à la fois est essentielle pour leur adoption, car il ne suffit pas de réaliser qu’il est possible d’examiner tous les futurs possibles avec des probabilités. Enfin, ils abordent des événements récents qui ont révélé l’imprévisibilité des supply chains et la nécessité d’outils meilleurs pour gérer des scénarios déviants.
Transcription complète
Kieran Chandler: Aujourd’hui sur Lokad TV, nous allons discuter de son efficacité et de savoir si elle peut être remplacée par des méthodes alternatives telles que les prévisions probabilistes.
Joannes Vermorel: Ces deux méthodes sont similaires en ce sens que l’on cherche à gérer des futurs incertains. Parce que vous ne savez pas avec certitude ce que sera le futur, vous voulez explorer des options. Cependant, la manière d’effectuer cette exploration est tout à fait différente.
Kieran Chandler: Aujourd’hui, nous allons examiner la planification de scénarios plus en détail. Peut-être qu’il est judicieux de commencer par expliquer comment cela fonctionne et ce que c’est.
Joannes Vermorel: La planification de scénarios est conceptuellement très simple. Vous effectuez simplement une expérience de pensée du type “et si”, en affirmant que le futur sera ainsi. Supposons que le futur soit exactement ainsi, et en se basant sur cette hypothèse initiale, voyons comment les choses se dérouleront d’un point de vue de supply chain si ce futur se réalise. En un sens, c’est très élégant et simple, et vous pouvez répéter l’exercice. L’idée derrière la planification de scénarios est qu’au lieu de disposer d’une seule prévision véritable, nous allons explorer plusieurs alternatives. En explorant plusieurs alternatives, vous pouvez rendre vos décisions et vos performances plus robustes face aux variations que vous ne pouvez pas prévoir, mais auxquelles vous vous attendez.
Kieran Chandler: C’est intéressant, car nous savons que dans la supply chain, la demande peut être une variation, mais il peut aussi y avoir d’autres variations connexes, comme le délai d’approvisionnement. Cette méthode peut-elle combiner ces différentes variations ?
Joannes Vermorel: L’idée principale de la planification de scénarios est qu’elle simplifie les choses en s’appuyant mentalement sur quelque chose de très similaire au passé. C’est littéralement dire que la demande sera numériquement telle ou telle. En raison de cette simplicité, il s’avère qu’au niveau logiciel, il vous faut des outils pour soutenir ces raisonnements, surtout lorsqu’il s’agit de gérer la complexité de milliers de produits, des tonnes de localisations, etc. Ce qui est intéressant, c’est que, d’un point de vue logiciel, la planification de scénarios ressemble à un exercice de copier-coller de votre configuration et de votre logique traitant 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 supply chain ?
Joannes Vermorel: Bien sûr, l’analyse de scénarios repose sur la prévision de chiffres qui représentent des scénarios futurs possibles. À partir de ces prévisions, vous pouvez déduire des décisions. Si vous souhaitez obtenir 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 alors en déduire toutes les décisions et les comparer au premier ensemble de décisions que vous aviez 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 des logiciels, où vous pouvez simplement multiplier les scénarios, ne signifie pas nécessairement que cela répondra à tous vos besoins. En particulier, vous dépendez des experts et de réglages 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 existe de nombreux autres domaines également incertains, tels que les délais d’approvisionnement.
Le problème des ajustements de scénarios est que vous avez des tonnes de combinaisons et cela devient accablant. Fondamentalement, le choix des scénarios est une affaire très dépendante de l’humain. Les humains sont censés sélectionner minutieusement ces scénarios.
L’approche alternative consiste à adopter une méthode plus computationnelle, et c’est là que les prévisions probabilistes entrent en jeu.
Kieran Chandler: Est-ce pour cela qu’il vaut mieux laisser la tâche à une machine plutôt qu’à un être humain ?
Joannes Vermorel: Oui, l’analyse de scénarios est une manière intéressante d’aborder le fait que vous ne connaissez pas parfaitement le futur, mais elle souffre du problème de sélectionner quelques scénarios. La réalité est que l’approche classique de la prévision et de la planification de la supply chain est déjà très chronophage, même pour le seul scénario primaire. Pour les grandes entreprises, cela mobilise déjà des équipes entières de planificateurs et prévisionnistes. Si vous souhaitez ajouter d’autres scénarios, vous vous retrouvez dans une situation où vous avez besoin d’une augmentation quasiment linéaire des effectifs pour alimenter le processus. C’est pourquoi, d’après mon expérience, bien qu’il existe de nombreux consultants et fournisseurs qui prônent la planification basée sur des scénarios, j’ai très rarement vu ces scénarios être réellement utilisés en production. C’est plus l’exception que la norme. Si nous examinons les opérations quotidiennes, ils sont en réalité assez rares à être utilisés.
Kieran Chandler: Il est rare de voir des entreprises où les scénarios jouent un rôle significatif dans les tâches quotidiennes de l’équipe de supply chain, et je pense que cela s’explique par le fait que c’est tout simplement trop coûteux. Mais c’est une technique qui existe depuis les années 1970. Alors, pourquoi les consultants et fournisseurs continuent-ils de la promouvoir, et pourquoi est-ce quelque chose que les entreprises utilisent manifestement encore ?
Joannes Vermorel : D’abord, je crois que l’idée principale, à savoir la nécessité de faire face à des futurs incertains, est profondément juste. En effet, la perspective classique de la supply chain, où vous effectuez simplement une prévision et dites « voilà, c’est ça, c’est le futur », comme en affirmant que la semaine prochaine nous vendrons 155 unités de ce produit, est fondamentalement erronée. Intuitivement, on voit qu’il y a quelque chose de profondément problématique dans cette approche ; il faut prendre en compte le fait que l’avenir n’est pas connu. Les scénarios apportent une réponse, quoique médiocre, à ce problème et, faute de meilleures alternatives, il est très tentant de les utiliser. Il y a ce dicton : quand on n’a qu’un marteau en main, tout ressemble à un clou. Ainsi, si vous n’avez pas de meilleur outil, vous utiliserez ce que vous avez, c’est-à-dire un marteau, même si, en réalité, c’est une vis que vous essayez de manipuler.
Maintenant, des alternatives ont émergé qui reposent sur des éléments inexistants il y a quatre ou cinq décennies, comme de grandes quantités de puissance de calcul bon marché. C’est là l’essence de la prévision probabiliste. Il s’agit essentiellement d’adopter une perspective complètement différente du problème en tirant parti des grandes quantités de puissance de calcul disponibles de nos jours.
Kieran Chandler : Alors, pourquoi la prévision probabiliste est-elle peut-être si différente ? Parce que, en quelque sorte, vous examinez toujours un futur alternatif. Je suppose qu’avec la prévision probabiliste, vous attribuez une probabilité à sa survenue, mais en apparence, cela ne semble pas vraiment très différent puisque vous considérez simplement des alternatives possibles.
Joannes Vermorel : L’idée clé de la prévision probabiliste est que vous disposerez d’avenirs générés par machine. Vous examinerez tous les futurs possibles, ou du moins tous les futurs numériquement pertinents. Même si vous disposez d’immenses ressources informatiques, il est inutile d’évaluer la conséquence d’un événement dont la probabilité de survenue est d’une sur un trillion. Ce n’est tout simplement pas un bon investissement de la puissance de calcul dont vous disposez. Mais si nous ne considérons que les événements ayant au moins une chance de se produire – disons, au moins une chance sur un million par an – ils restent très improbables, mais ils ne sont pas d’une improbabilité infinitésimale. Ensuite, il y a suffisamment de puissance de calcul brute pour gérer ce genre d’événements avec des ordinateurs modernes.
Kieran Chandler : Dans quelques décennies, avec simplement les ordinateurs banals que vous avez à la maison ou même dans votre smartphone, la prévision probabiliste sera littéralement une manière mécanique d’attribuer des probabilités à une multitude d’événements futurs possibles. Dès que vous disposerez de cela, vous réaliserez que vous n’avez plus besoin de scénarios. Vous pouvez remplacer tous ces scénarios, choisis au sein de l’ensemble des futurs possibles, par quelque chose qui analyse brutalement tous les futurs possibles. C’est comme passer d’une caméra vidéo doté de seulement quatre pixels dans votre image à une image complète en haute résolution du futur entier 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 d’en déduire l’apparence. Même si, avec beaucoup d’efforts, vous pouvez obtenir 20 pixels sur votre image, cela reste très laborieux. Mais lorsque vous passez de 20 pixels à 4 millions, vous passez de quelque chose qui a à peine un sens à une image de haute qualité qui l’a pleinement. 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 par 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 bien moins logique et plus difficile à comprendre. Est-ce plus facile pour l’utilisateur final ?
Joannes Vermorel : Avec la planification par scénarios, vous avez l’illusion de la simplicité. Vous choisissez un scénario, et vous obtenez un ensemble de décisions qui ont du sens pour ce scénario particulier. C’est relativement simple. Mais le problème, c’est que si vous examinez un autre scénario, vous obtenez un autre ensemble de décisions. Et si vous regardez un troisième scénario, vous obtenez encore un autre ensemble de décisions. Que ferez-vous de toutes ces décisions qui, en pratique, peuvent et sont complètement incohérentes ? La réponse naïve serait de faire une sorte de moyenne, mais pourquoi cette moyenne serait-elle pertinente ?
Pour vous donner un exemple, imaginez que vous avez un magasin vendant des livres pour les écoles. La majorité de vos clients sont des parents qui ont un enfant et qui ne souhaitent qu’un seul exemplaire du livre. Dans le même magasin, de temps en temps, un enseignant entre et souhaite obtenir 30 exemplaires du livre.
Kieran Chandler : La question est : est-il raisonnable d’avoir un stock de cinq exemplaires d’un livre dans un magasin ?
Joannes Vermorel : Si vous ne voulez servir que les parents qui viennent de temps en temps au magasin, alors oui, cinq exemplaires peuvent suffire. Cependant, si vous voulez servir les enseignants, il vous faut probablement 35 exemplaires du livre. Vous aurez besoin de 30 pour les enseignants, et de cinq de plus pour les parents. Mais si vous faites une moyenne en disant « Oh, 25 devraient suffire », non, 25 n’est pas adapté, car c’est bien plus que ce dont vous avez besoin pour les parents et ce n’est toujours pas suffisant pour l’enseignant. Vous voyez, faire une moyenne n’a généralement pas vraiment de sens. Et si vous avez des non-linéarités comme MOQs, quantité minimale de commande, cela ne fonctionne pas. Ainsi, vous avez l’apparence de simplicité lorsque vous examinez 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 obtenez une autre solution simple. Mais ensuite, vous vous retrouvez avec le problème de concilier tous ces scénarios. La réalité, c’est que l’approche traditionnelle consiste simplement à injecter encore plus de main-d’œuvre dans le problème. Vous voyez, vous aviez déjà quelque chose de très intensif en main-d’œuvre. Pour chaque scénario, il vous faut plus de planificateurs, plus de prévisionnistes. Et puis vous créez un autre problème, à savoir que vous avez maintenant besoin d’une autre équipe pour concilier toutes ces informations. Ainsi, c’est encore pire qu’une augmentation linéaire du nombre de personnes, c’est plutôt une augmentation hyper-linéaire de tout ce qu’il faut gérer pour un nombre important de scénarios. Et c’est très, très mauvais.
Kieran Chandler : Je pense que l’un des avantages de la planification par scénarios est peut-être simplement le fait de copier-coller un peu de logique et, d’un point de vue d’implémentation, il s’agit juste d’injecter davantage de ressources. Cela signifie-t-il que la mise en œuvre d’une approche de prévision probabiliste est bien plus difficile, et c’est pourquoi les entreprises ne s’y intéressent pas autant ?
Joannes Vermorel : Pour un fournisseur de logiciels, absolument oui. Imaginez littéralement que vous êtes un fournisseur de logiciels pour la supply chain, et que vous avez conçu une sorte de système de prévision et de planification de la supply chain. Cela signifie qu’au minimum, dans une perspective classique, votre système est capable de gérer une prévision classique. Il s’agit d’attribuer une quantité quotidienne, hebdomadaire ou mensuelle pour une période X à venir pour tout skew ou produit. Voilà à quoi ressemble un produit de prévision classique. Vous avez tout en place pour gérer un futur et dire « C’est ça. Voilà comment les choses vont se dérouler. » Maintenant, si vous souhaitez passer à la planification par scénarios, il vous suffit essentiellement de dire « Eh bien, je vais simplement gérer une seconde instance de ce futur, et je vais l’appeler un second scénario. » En termes de logique, de code, c’est littéralement le même code où vous n’avez qu’à ajouter une dimension supplémentaire, celle du scénario, et voilà. Vous avez déjà votre système de planification par scénarios en place. Mais il y a un hic. Le hic, c’est que vous n’avez rien fait pour réconcilier les résultats qui en émergent.
Kieran Chandler : Les scénarios, mais la réalité est que les entreprises ne se rendront généralement pas compte qu’elles font face à ce problème tant qu’elles n’auront pas mis en place le système et qu’elles ne seront confrontées à tous ces cas limites où il est impossible de moyenner les résultats donnés par divers scénarios, là où il est en fait insensé de faire une moyenne.
Joannes Vermorel : Si vous faites, par exemple, trois cas et que le fournisseur s’en sort relativement bien – je veux dire, tout d’abord, l’intérêt du fournisseur est que c’est très peu coûteux à mettre en œuvre, alors pourquoi ne pas implémenter une fonctionnalité bon marché qui a fière allure lors des démonstrations ? De plus, lorsque vous réalisez simplement un pilote très simple, il y a de fortes chances que vous ne rencontriez pas les cas limites que je viens de décrire, et ainsi la moyenne des scénarios fonctionnera probablement pour vous. Mais dès que vous vous retrouvez dans une situation plus complexe, vous vous rendrez compte que d’innombrables cas limites apparaissent, rendant l’ensemble non viable. Et à ce stade, le fournisseur est déjà content, car il a déjà été payé. Vous savez, il existe tous les mauvais incitatifs dans la manière dont vous rémunérez votre fournisseur de logiciels pour la supply chain, comme nous l’avons évoqué dans l’épisode précédent. De plus, tant que les gens n’imaginent pas d’alternative, cela continue d’apparaitre comme la meilleure solution, par défaut, faute de mieux.
Kieran Chandler : D’accord, rassemblons maintenant un peu les idées. Vous dites que les gens n’arrivent pas à imaginer une alternative, et nous nous retrouvons dans une situation où une alternative existe grâce à la puissance de calcul dont nous disposons. Il y a une méthode alternative, alors voyez-vous que l’analyse par scénarios pourrait en quelque sorte disparaître à un moment donné ?
Joannes Vermorel : Oui, je veux dire, bien que, franchement, Lokad ait encore un long chemin à parcourir pour évangéliser 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 tout à fait naturelle de l’approche par scénarios, mais avec de nombreux scénarios, comme ajouter des pixels à une image, où la quantité représenterait la probabilité.
Kieran Chandler : Ainsi, au lieu de la couleur, vous pourriez considérer cela comme mon scénario, auquel une probabilité est attribuée. Mais le problème, c’est qu’une fois que vous avez tous ces futurs possibles, vous devez trouver des moyens d’automatiser complètement la réconciliation entre tous ces futurs. Et c’est là que les choses commencent à devenir vraiment complexes et étranges du point de vue de Lokad.
Joannes Vermorel : Vous savez, la solution que nous avons conçue s’appelle une algèbre des variables aléatoires. Il vous faut donc des outils mathématiques et statistiques très spécifiques pour gérer ce genre de concepts, non seulement du côté de la prévision, mais aussi du côté de la prise de décision. En réalité, si vous observez de plus près la pile technologique de Lokad, vous constaterez que la prévision n’est qu’une partie relativement réduite du tableau de nos jours. La majeure partie de la complexité – techniques, outils, pratiques, algorithmes et le reste – réside dans la manière d’optimiser réellement vos décisions 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 se rendre compte qu’il est possible d’examiner tous ces futurs possibles avec des probabilités, mais ils doivent également explorer des domaines qui sont, je dirais, très inhabituels – le type d’outils dont vous avez besoin pour travailler sur tous les futurs simultanément. Car sans ces outils, vous revenez essentiellement à la case départ, où il faut un temps énorme pour trier toutes ces possibilités. L’astuce, c’est qu’à Lokad, nous ne trions pas toutes ces possibilités ; nous les maintenons tout au long du processus. Ce n’est donc pas exactement facile, mais c’est en réalité assez simple si vous disposez des outils appropriés.
Kieran Chandler : D’accord, nous allons conclure ici. Mais je suppose qu’en nous basant sur les événements récents, nous savons qu’il existe tellement de scénarios incontrôlés qui peuvent se produire que les humains ne pourraient probablement jamais les prévoir. Voilà, c’est tout pour cette semaine. Merci beaucoup de votre écoute, et nous nous retrouverons lors du prochain épisode. Merci d’avoir regardé.
