00:54 Introduction
02:25 Sur la nature du progrès
05:26 L’histoire jusqu’à présent
06:10 Quelques principes quantitatifs : principes d’observation
07:27 Résoudre “une aiguille dans une botte de foin” via l’entropie
14:58 Les populations de SC sont distribuées selon la loi de Zipf
22:41 Les petits nombres prévalent dans les décisions de SC
29:44 Les motifs sont partout dans les SC
36:11 Quelques principes quantitatifs : principes d’optimisation
37:20 Il faut 5 à 10 cycles pour résoudre tout problème de SC
44:44 Les SC âgées sont quasi-optimales dans une seule direction
49:06 Les optimisations locales de SC ne font que déplacer les problèmes
52:56 De meilleurs problèmes l’emportent sur de meilleures solutions
01:00:08 Conclusion
01:02:24 Prochain cours et questions du public
Description
Alors que les chaînes d’approvisionnement ne peuvent pas être caractérisées par des lois quantitatives définitives - contrairement à l’électromagnétisme - des principes quantitatifs généraux peuvent néanmoins être observés. Par “général”, nous entendons applicable à (presque) toutes les chaînes d’approvisionnement. Découvrir de tels principes est d’un intérêt primordial car ils peuvent être utilisés pour faciliter l’ingénierie de recettes numériques destinées à l’optimisation prédictive des chaînes d’approvisionnement, mais ils peuvent également être utilisés pour rendre ces recettes numériques plus puissantes dans l’ensemble. Nous passons en revue deux listes courtes de principes : quelques principes d’observation et quelques principes d’optimisation.
Transcription complète
Bonjour à tous, bienvenue dans cette série de cours sur les chaînes d’approvisionnement. Je suis Joannes Vermorel, et aujourd’hui je vais présenter quelques “Principes quantitatifs pour les chaînes d’approvisionnement”. Pour ceux d’entre vous qui regardent le cours en direct sur YouTube, vous pouvez poser vos questions à tout moment via le chat YouTube. Cependant, je ne lirai pas vos questions pendant les cours. Je reviendrai sur le chat à la fin du cours et ferai de mon mieux pour répondre à la plupart des questions.
Les principes quantitatifs sont d’un grand intérêt car, dans les chaînes d’approvisionnement, comme nous l’avons vu lors des premiers cours, ils impliquent la maîtrise de l’optionnalité. La plupart de ces options sont de nature quantitative. Vous devez décider combien acheter, combien produire, combien de stocks déplacer et éventuellement le point de prix - que vous souhaitiez augmenter ou diminuer le point de prix. Ainsi, un principe quantitatif qui peut améliorer les recettes numériques pour les chaînes d’approvisionnement est d’un grand intérêt.
Cependant, si je devais demander à la plupart des autorités ou experts en chaîne d’approvisionnement de nos jours quels sont leurs principes quantitatifs fondamentaux pour les chaînes d’approvisionnement, je soupçonne que fréquemment, je recevrais une réponse du genre d’une série de techniques pour une meilleure prévision des séries temporelles ou quelque chose d’équivalent. Ma réaction personnelle est que bien que cela soit intéressant et pertinent, cela passe également à côté du sujet. Je crois qu’au fond, le malentendu réside dans la nature même du progrès lui-même - qu’est-ce que le progrès et comment pouvez-vous mettre en œuvre quelque chose comme le progrès en ce qui concerne les chaînes d’approvisionnement ? Permettez-moi de commencer par un exemple illustratif.
Il y a six mille ans, la roue a été inventée, et six mille ans plus tard, la valise à roulettes a été inventée. L’invention est datée de 1949, comme le montre ce brevet. Au moment où la valise à roulettes a été inventée, nous avions déjà maîtrisé l’énergie atomique et même fait exploser les premières bombes atomiques.
Avance rapide de 20 ans, en 1969, l’humanité envoie les premiers hommes sur la lune. L’année suivante, la valise à roulettes est améliorée avec une poignée légèrement meilleure, qui ressemble à une laisse, comme le montre ce brevet. Ce n’est toujours pas très bon.
Puis, 20 ans plus tard, à ce moment-là, nous avons déjà le système de positionnement global GPS qui sert les civils depuis près d’une décennie, et la poignée appropriée pour la valise à roulettes est enfin inventée.
Il y a au moins deux leçons d’intérêt ici. Premièrement, il n’y a pas de flèche du temps évidente en ce qui concerne le progrès. Le progrès se produit de manière chaotique et non linéaire, et il est très difficile d’évaluer le progrès qui devrait se produire dans un domaine en fonction de ce qui se passe dans d’autres domaines. C’est un élément que nous devons garder à l’esprit aujourd’hui.
La deuxième chose est que le progrès ne doit pas être confondu avec la sophistication. Vous pouvez avoir quelque chose qui est largement supérieur mais aussi beaucoup plus simple. Si je prends l’exemple de la valise, une fois que vous en avez vu une, la conception semble complètement évidente et évidente. Mais était-ce un problème facile à résoudre ? Je dirais absolument pas. La preuve simple que la gestion de la chaîne d’approvisionnement était un problème difficile à résoudre est qu’il a fallu à une civilisation industrielle avancée un peu plus de quatre décennies pour résoudre ce problème. Le progrès est trompeur dans le sens où il ne respecte pas la règle de la sophistication. Il est très difficile d’identifier à quoi ressemblait le monde avant que le progrès ne se produise car il change littéralement votre vision du monde au fur et à mesure qu’il se produit.
Maintenant, revenons à notre discussion sur la chaîne d’approvisionnement. C’est la sixième et dernière conférence de ce prologue. Il existe un plan complet que vous pouvez consulter en ligne sur le site web de Lokad concernant l’ensemble des conférences sur la chaîne d’approvisionnement. Il y a deux semaines, j’ai présenté les tendances du XXe siècle pour les chaînes d’approvisionnement, en adoptant une perspective purement qualitative sur le problème. Aujourd’hui, je prends l’approche opposée en adoptant une perspective assez quantitative sur cet ensemble de problèmes en tant que contrepoint.
Aujourd’hui, nous allons passer en revue un ensemble de principes. Par principe, j’entends quelque chose qui peut être utilisé pour améliorer la conception des recettes numériques en général pour toutes les chaînes d’approvisionnement. Nous avons ici une ambition de généralisation, et c’est là qu’il est assez difficile de trouver des choses qui sont d’une importance primordiale pour toutes les chaînes d’approvisionnement et toutes les méthodes numériques pour les améliorer. Nous passerons en revue deux listes restreintes de principes : les principes d’observation et les principes d’optimisation.
Les principes d’observation s’appliquent à la manière dont vous pouvez acquérir des connaissances et des informations quantitatives sur les chaînes d’approvisionnement. Les principes d’optimisation concernent la manière dont vous agissez une fois que vous avez acquis des connaissances qualitatives sur votre chaîne d’approvisionnement, en particulier comment utiliser ces principes pour améliorer vos processus d’optimisation.
Commençons par observer une chaîne d’approvisionnement. Cela me laisse perplexe lorsque les gens parlent des chaînes d’approvisionnement comme s’ils pouvaient les observer directement de leurs propres yeux. Pour moi, c’est une perception très déformée de la réalité des chaînes d’approvisionnement. Les chaînes d’approvisionnement ne peuvent pas être observées directement par les humains, du moins pas d’un point de vue quantitatif. C’est parce que les chaînes d’approvisionnement, par conception, sont géographiquement distribuées, impliquant potentiellement des milliers de SKUs et des dizaines de milliers d’unités. Avec vos yeux humains, vous ne pourriez observer la chaîne d’approvisionnement telle qu’elle est aujourd’hui et pas telle qu’elle était dans le passé. Vous ne pouvez pas vous souvenir de plus que quelques chiffres ou d’une infime fraction des chiffres associés à votre chaîne d’approvisionnement.
Chaque fois que vous voulez observer une chaîne d’approvisionnement, vous allez effectuer de telles observations indirectement via des logiciels d’entreprise. C’est une façon très spécifique de regarder les chaînes d’approvisionnement. Toutes les observations qui peuvent être faites quantitativement sur les chaînes d’approvisionnement se font par le biais de ce médium spécifique : les logiciels d’entreprise.
Caractérisons un logiciel d’entreprise typique. Il va contenir une base de données, car la grande majorité de ces logiciels sont conçus de cette manière. Le logiciel est susceptible de comporter environ 500 tables et 10 000 champs (un champ est essentiellement une colonne dans une table). En tant que point d’entrée, nous avons un système qui contient potentiellement une quantité massive d’informations. Cependant, dans la plupart des situations, seule une infime fraction de cette complexité logicielle est réellement pertinente pour la chaîne d’approvisionnement qui nous intéresse.
Les éditeurs de logiciels conçoivent des logiciels d’entreprise en tenant compte de situations très diverses. Lorsqu’on regarde un client spécifique, il est probable que seule une infime fraction des capacités du logiciel soit réellement utilisée. Cela signifie que, bien qu’il puisse y avoir 10 000 champs à explorer en théorie, en réalité, les entreprises n’utilisent qu’une petite fraction de ces champs.
Le défi consiste à trier les informations pertinentes des données inexistantes ou non pertinentes. Nous ne pouvons observer les chaînes d’approvisionnement que via des logiciels d’entreprise, et il peut y avoir plus d’un logiciel impliqué. Dans certains cas, un champ n’a jamais été utilisé et les données sont constantes, ne contenant que des zéros ou des nuls. Dans cette situation, il est facile d’éliminer le champ car il ne contient aucune information. Cependant, en pratique, le nombre de champs qui peuvent être éliminés en utilisant cette méthode peut être d’environ 10 %, car de nombreuses fonctionnalités du logiciel ont été utilisées au fil des ans, même accidentellement.
Pour identifier les champs qui n’ont jamais été utilisés de manière significative, nous pouvons nous tourner vers un outil appelé entropie informationnelle. Pour ceux qui ne sont pas familiers avec la théorie de l’information de Shannon, le terme peut sembler intimidant, mais il est en réalité plus simple qu’il n’y paraît. L’entropie informationnelle consiste à quantifier la quantité d’informations dans un signal, un signal étant défini comme une séquence de symboles. Par exemple, si nous avons un champ qui ne contient que deux types de valeurs, vrai ou faux, et que la colonne oscille aléatoirement entre ces valeurs, la colonne contient beaucoup de données. En revanche, s’il n’y a qu’une seule ligne sur un million où la valeur est vraie et que toutes les autres lignes sont fausses, le champ dans la base de données ne contient presque aucune information.
L’entropie informationnelle est très intéressante car elle vous permet de quantifier, en bits, la quantité d’informations présentes dans chaque champ de votre base de données. En effectuant une analyse, vous pouvez classer ces champs du plus riche au plus pauvre en termes d’informations et éliminer ceux qui contiennent à peine des informations pertinentes pour l’optimisation de la chaîne d’approvisionnement. L’entropie informationnelle peut sembler compliquée au premier abord, mais elle n’est pas difficile à comprendre.
Par exemple, en envisageant un langage de programmation spécifique au domaine, nous avons implémenté l’entropie informationnelle en tant qu’agrégateur. En prenant une table, telle que des données provenant d’un fichier plat appelé data.csv avec trois colonnes, nous pouvons représenter graphiquement le résumé de la quantité d’entropie présente dans chaque colonne. Ce processus vous permet de déterminer facilement quels champs contiennent le moins d’informations et de les éliminer. En utilisant l’entropie comme guide, vous pouvez rapidement démarrer un projet au lieu de prendre des années pour le faire.
Passons à la prochaine étape, nous faisons nos premières observations sur les chaînes d’approvisionnement et réfléchissons à ce à quoi nous devons nous attendre. Dans les sciences naturelles, l’attente par défaut est celle de distributions normales, également connues sous le nom de courbes en forme de cloche ou de courbes gaussiennes. Par exemple, la taille d’un homme de 20 ans ou son poids suivra une distribution normale. Dans le domaine du vivant, de nombreuses mesures suivent ce schéma. Cependant, en ce qui concerne la chaîne d’approvisionnement, ce n’est pas le cas. Il n’y a pratiquement rien d’intéressant qui soit normalement distribué dans les chaînes d’approvisionnement.
Au lieu de cela, presque toutes les distributions d’intérêt dans les chaînes d’approvisionnement sont distribuées selon la loi de Zipf. La distribution de Zipf est illustrée dans la formule donnée. Pour comprendre ce concept, considérez une population de produits, avec la mesure d’intérêt étant le volume des ventes pour chaque produit. Vous classeriez les produits du plus grand au plus petit volume de ventes sur une période donnée, comme une année. La question devient alors de savoir s’il existe un modèle qui prédit la forme de la courbe et qui, étant donné le rang, fournira le volume de ventes attendu. C’est précisément ce que la distribution de Zipf représente. Ici, f représente la forme d’une loi de Zipf-Mandelbrot, et k fait référence au kème plus grand élément. Il y a deux paramètres, q et s, qui sont essentiellement appris, tout comme vous avez mu (la moyenne) et sigma (la variance) pour une distribution normale. Ces paramètres peuvent être utilisés pour ajuster la distribution à une population d’intérêt. La loi de Zipf-Mandelbrot englobe ces paramètres.
Il est important de noter que pratiquement toutes les populations d’intérêt dans la chaîne d’approvisionnement suivent une distribution de Zipf. Cela est vrai pour les produits, les clients, les fournisseurs, les promotions, et même les unités de distribution. La distribution de Zipf est essentiellement une descendante du principe de Pareto, mais elle est plus gérable et, à mon avis, plus intéressante, car elle fournit un modèle explicite de ce à quoi s’attendre pour toute population d’intérêt dans la chaîne d’approvisionnement. Si vous rencontrez une population qui n’est pas distribuée selon la loi de Zipf, il est plus probable qu’il y ait un problème avec les données plutôt qu’un véritable écart par rapport au principe.
Pour exploiter le concept de distribution de Zipf dans le monde réel, vous pouvez utiliser Envision. Si nous examinons cet extrait de code, vous verrez qu’il ne faut que quelques lignes de code pour appliquer ce modèle à un ensemble de données réelles. Ici, je suppose qu’il y a une population d’intérêt dans un fichier plat appelé “data.csv” avec une colonne représentant la quantité. Normalement, vous auriez un identifiant de produit et la quantité. À la ligne 4, je calcule les rangs à l’aide de l’agrégateur de rang et les trie par rapport à la quantité. Ensuite, entre les lignes 6 à 11, j’entre dans un bloc de programmation différentiable, rendu explicite par Autodev, où je déclare trois paramètres scalaires : c, q et s, tout comme dans la formule à gauche de l’écran. J’ai ensuite calculé les prédictions du modèle de Zipf et utilisé une erreur quadratique moyenne entre la quantité observée et la prédiction du modèle. Vous pouvez littéralement régresser la distribution de Zipf avec seulement quelques lignes de code. Même si cela semble sophistiqué, c’est assez simple avec les bons outils.
Cela m’amène à un autre aspect observationnel des supply chains : les chiffres que vous pouvez attendre à n’importe quel niveau de la supply chain sont petits, généralement inférieurs à 20. Non seulement vous aurez peu d’observations, mais les chiffres que vous observez seront également petits. Bien sûr, ce principe dépend des unités utilisées, mais lorsque je parle de “chiffres”, je fais référence à ceux qui ont un sens canonique d’un point de vue de la supply chain, c’est-à-dire ceux que vous essayez d’observer et d’optimiser.
La raison pour laquelle nous n’avons que de petits chiffres est due aux économies d’échelle. Prenons l’exemple des t-shirts dans un magasin. Le magasin peut avoir des milliers de t-shirts en stock, ce qui semble être un grand nombre, mais en réalité, ils ont des centaines de types différents de t-shirts avec des variations de taille, de couleur et de design. Lorsque vous commencez à regarder les t-shirts avec la granularité pertinente d’un point de vue de la supply chain, c’est-à-dire le SKU, le magasin n’aura pas des milliers d’unités de t-shirts pour un SKU donné ; au lieu de cela, ils n’en auront qu’une poignée.
Si vous avez un plus grand nombre de t-shirts, vous n’aurez pas des milliers de t-shirts qui traînent, car cela serait un cauchemar en termes de traitement et de déplacement. Au lieu de cela, vous emballerez ces t-shirts dans des boîtes pratiques, ce qui se passe précisément dans la pratique. Si vous avez un centre de distribution qui traite de nombreux t-shirts, car vous les expédiez vers des magasins, alors il est probable que ces t-shirts soient réellement dans des boîtes. Vous pourriez même avoir une boîte contenant un assortiment complet de t-shirts avec des tailles et des couleurs variées, ce qui facilite le traitement le long de la chaîne. Si vous avez beaucoup de boîtes qui traînent, vous n’en aurez pas des milliers comme ça. Au lieu de cela, si vous avez des dizaines de boîtes, vous les organiserez soigneusement sur des palettes. Une palette peut contenir plusieurs dizaines de boîtes. Si vous avez beaucoup de palettes, vous ne les organiserez pas en palettes individuelles ; il est fort probable que vous les organiserez en conteneurs. Et si vous avez beaucoup de conteneurs, vous utiliserez un cargo ou quelque chose de similaire.
Mon point est que, en ce qui concerne les chiffres dans la supply chain, le chiffre vraiment pertinent est toujours un petit chiffre. Cette situation ne peut pas être évitée en passant simplement à un niveau agrégé supérieur car, à mesure que vous passez à un niveau d’agrégation supérieur, une sorte d’économies d’échelle entre en jeu, et vous souhaitez introduire un mécanisme de regroupement pour réduire vos coûts d’exploitation. Cela se produit plusieurs fois, donc peu importe l’échelle à laquelle vous regardez, que ce soit le produit final vendu à l’unité dans un magasin ou un article produit en masse, il s’agit toujours d’un jeu de petits chiffres.
Même si vous avez une usine qui produit des millions de t-shirts, il y a de fortes chances que vous ayez des lots gigantesques, et les chiffres qui vous intéressent ne sont pas le nombre de t-shirts mais le nombre de lots, qui sera un chiffre beaucoup plus petit.
Où est-ce que je veux en venir avec ce principe ? Tout d’abord, vous devez regarder à quoi ressemblent la plupart des méthodes en informatique scientifique ou en statistiques. Il s’avère que dans la plupart des autres domaines qui ne sont pas liés à la supply chain, c’est l’inverse qui prévaut : de grands nombres d’observations et de grands nombres où la précision compte. En revanche, dans la supply chain, les chiffres sont petits et discrets.
Ma proposition est que nous avons besoin d’outils basés sur ce principe qui prennent profondément en compte et embrassent le fait que nous allons avoir de petits chiffres au lieu de grands chiffres. Si vous avez des outils qui ont été conçus uniquement en tenant compte de la loi des grands nombres, que ce soit en raison de nombreuses observations ou de grands chiffres eux-mêmes, vous avez un décalage complet lorsqu’il s’agit de la supply chain.
Au fait, cela a des implications logicielles profondes. Si vous avez de petits chiffres, il existe de nombreuses façons de faire en sorte que les couches logicielles tirent parti de cette observation. Par exemple, si vous regardez l’ensemble de données des lignes de transaction pour un hypermarché, vous remarquerez, d’après mon expérience et mes observations, que 80% des lignes ont une quantité qui est vendue à un client final dans un hypermarché et qui est exactement égale à un. Donc, avez-vous besoin de 64 bits d’informations pour représenter cette information ? Non, c’est une perte totale d’espace et de temps de traitement. Adopter ce concept peut entraîner un gain opérationnel d’un ou deux ordres de grandeur. Ce n’est pas juste de la pensée magique ; il y a de réels gains opérationnels. Vous pourriez penser que les ordinateurs d’aujourd’hui sont très puissants, et c’est vrai, mais si vous disposez de plus de puissance de traitement, vous pouvez avoir des algorithmes plus avancés qui font des choses encore meilleures pour votre supply chain. Il est inutile de gaspiller cette puissance de traitement simplement parce que vous avez un paradigme qui s’attend à de grands nombres alors que de petits nombres prévalent.
Cela m’amène à mon dernier principe d’observation pour aujourd’hui : les motifs sont partout dans la supply chain. Pour comprendre cela, jetons un coup d’œil à un problème classique de la supply chain où les motifs sont généralement considérés comme absents : l’optimisation des itinéraires. Le problème classique de l’optimisation des itinéraires implique une liste de livraisons à effectuer. Vous pouvez placer les livraisons sur une carte et vous voulez trouver l’itinéraire qui minimise le temps de transport. Vous voulez établir un itinéraire qui passe par chaque point de livraison tout en minimisant le temps de transport total. À première vue, ce problème semble être un problème purement géométrique sans motifs impliqués dans sa résolution.
Cependant, je propose que cette perspective est totalement erronée. En abordant le problème sous cet angle, vous regardez le problème mathématique, pas le problème de la supply chain. Les supply chains sont des jeux itératifs où les problèmes se manifestent de manière répétée. Si vous êtes dans le secteur de l’organisation des livraisons, il y a de fortes chances que vous fassiez des livraisons tous les jours. Ce n’est pas seulement un itinéraire ; c’est littéralement un itinéraire par jour, au moins.
De plus, si vous êtes dans le secteur des livraisons, vous avez probablement une flotte entière de véhicules et de chauffeurs. Le problème n’est pas seulement d’optimiser un itinéraire ; il s’agit d’optimiser toute une flotte, et ce jeu se répète chaque jour. C’est là que tous les motifs apparaissent.
Tout d’abord, les points ne sont pas répartis de manière aléatoire sur la carte. Vous avez des points chauds, ou des zones géographiques avec une forte densité de livraisons. Vous pouvez avoir des adresses qui reçoivent des livraisons presque tous les jours, comme le siège d’une grande entreprise dans une grande ville. Si vous êtes une grande entreprise de commerce électronique, vous livrez probablement des colis à cette adresse tous les jours ouvrables. Ces points chauds ne sont pas immuables ; ils ont leur saisonnalité. Certains quartiers peuvent être très calmes pendant l’été ou l’hiver. Il y a des motifs, et si vous voulez être très bon pour jouer le jeu de l’optimisation des itinéraires, vous devez prendre en compte non seulement où ces points chauds vont se produire, mais aussi comment ils vont se déplacer au cours de l’année. De plus, vous devez tenir compte de la circulation. Vous ne devez pas penser seulement à la distance géométrique, car la circulation dépend du temps. Si un chauffeur commence à un certain moment de la journée, à mesure qu’il progresse dans son itinéraire, la circulation va changer. Pour bien jouer à ce jeu, vous devez prendre en compte les schémas de circulation, qui changent et peuvent être prédits de manière fiable à l’avance. Par exemple, à Paris, à 9h00 et à 18h00, toute la ville est complètement bloquée, et vous n’avez pas besoin d’être un expert en prévision pour le savoir.
Il y a aussi des choses qui se passent sur place, comme des accidents qui perturbent les schémas habituels de circulation. Si nous regardons les livraisons d’un point de vue mathématique, cela suppose que tous les points de livraison sont les mêmes, mais ce n’est pas le cas. Vous pouvez avoir des clients VIP, ou des adresses spécifiques où vous devez livrer la moitié de votre cargaison. Ces étapes clés de votre itinéraire doivent être prises en compte pour une optimisation efficace des itinéraires.
Vous devez également être conscient du contexte, et il est courant d’avoir des données imparfaites sur le monde. Par exemple, si un pont est fermé et que le logiciel n’en est pas informé, le problème n’est pas de ne pas savoir que le pont était fermé la première fois, mais plutôt que le logiciel n’apprend jamais du problème et propose toujours un itinéraire qui est censé être optimal mais qui se révèle absurde. Les gens se battent alors contre le système, ce qui n’est pas une bonne solution pratique d’optimisation des itinéraires d’un point de vue de la supply chain.
Le point est que lorsque nous examinons les situations de la supply chain, il y a de nombreux motifs partout. Nous devons faire attention à ne pas être distraits par des structures mathématiques élégantes et nous rappeler que ces considérations s’appliquent également à la prévision des séries temporelles. J’ai pris le problème de l’optimisation des itinéraires comme exemple car il était plus manifeste dans ce cas.
En conclusion, nous devons observer la supply chain sous toutes les dimensions observables, pas seulement celles qui sont évidentes ou où la solution se présente de manière élégante.
Cela m’amène à la deuxième série de principes liés à la façon dont nous devrions regarder notre supply chain. Jusqu’à présent, nous avons vu quatre principes liés à la façon dont nous devrions regarder notre supply chain : observation indirecte, logiciel d’entreprise, tri du désordre pour déterminer ce qui est pertinent et ce qui ne l’est pas, et entropie. Nous avons observé que les distributions suivent souvent la loi de Zipf, et même avec de petits nombres, nous pouvons encore voir des motifs émerger. La question maintenant est : comment agir ? Mathématiquement parlant, lorsque nous voulons décider de la meilleure action à prendre, nous effectuons une optimisation de quelque sorte, qui est la perspective quantitative.
La première chose à noter est que dès que nous avons une logique d’optimisation en production pour les supply chains, des problèmes vont se poser, tels que des bugs. Les logiciels d’entreprise sont des bêtes très complexes et sont souvent pleins de bugs. Lorsque vous concevez votre propre logique d’optimisation pour votre supply chain, il y aura beaucoup de problèmes. Cependant, si une logique est suffisamment bonne pour être mise en production, les problèmes auxquels nous sommes confrontés maintenant sont probablement des cas marginaux. Si ce n’était pas un cas marginal et que le logiciel ou la logique dysfonctionnait à chaque fois, il n’aurait jamais été mis en production.
L’idée de ce principe est qu’il faut cinq à dix cycles pour résoudre un problème. Lorsque je dis cinq à dix cycles, cela signifie que vous allez rencontrer un problème, l’examiner, comprendre la cause profonde, puis essayer d’appliquer une solution. Mais la plupart du temps, la solution ne va pas résoudre le problème. Vous découvrirez qu’il y avait un problème caché à l’intérieur du problème, ou que le problème que vous pensiez avoir résolu n’était pas la cause réelle, ou que la situation a révélé une classe plus large de problèmes. Vous avez peut-être résolu une petite instance d’une classe plus large de problèmes, mais d’autres problèmes continueront de se produire qui sont des variantes de celui que vous pensiez avoir résolu.
Les supply chains sont des bêtes complexes et en constante évolution qui opèrent dans le monde réel, ce qui rend difficile d’avoir une conception qui est correcte contre toutes les situations. Dans la plupart des cas, vous faites un effort maximal pour résoudre un problème, puis vous devez mettre votre logique révisée à l’épreuve de l’expérience du monde réel pour voir si cela fonctionne ou non. Vous devrez itérer pour résoudre le problème. Avec le principe selon lequel il faut entre cinq et dix itérations pour résoudre un problème, il y a des conséquences profondes sur la vitesse d’adaptation et la fréquence à laquelle vous actualisez ou recalculer votre logique d’optimisation de la supply chain. Par exemple, si vous avez une logique qui produit une prévision trimestrielle pour les deux prochaines années et que vous n’exécutez cette logique qu’une fois par trimestre, il faudra entre un et deux ans pour résoudre les problèmes auxquels vous êtes confrontés avec cette logique de prévision, ce qui est un temps incroyablement long.
Même si vous avez une logique qui s’exécute tous les mois, comme dans le cas d’un processus de S&OP (Sales and Operations Planning), cela peut encore prendre jusqu’à un an pour résoudre un problème. C’est pourquoi il est important d’augmenter la fréquence d’exécution de votre logique d’optimisation de la supply chain. Chez Lokad, par exemple, chaque logique s’exécute quotidiennement, même pour des prévisions à cinq ans. Ces prévisions sont actualisées quotidiennement, même si elles ne changent pas beaucoup d’un jour à l’autre. L’objectif n’est pas d’obtenir une précision statistique, mais de s’assurer que la logique est exécutée suffisamment fréquemment pour résoudre les problèmes ou les bugs dans un délai raisonnable.
Cette observation n’est pas propre à la gestion de la supply chain. Des équipes d’ingénieurs talentueuses dans des entreprises comme Netflix ont popularisé l’idée de l’ingénierie du chaos. Ils ont réalisé que les cas limites étaient rares et que la seule façon de résoudre ces problèmes était de répéter l’expérience plus fréquemment. En conséquence, ils ont créé un logiciel appelé le Chaos Monkey, qui introduit du chaos dans leur infrastructure logicielle en créant des perturbations réseau et des pannes aléatoires. Le but du Chaos Monkey est de faire apparaître plus rapidement les cas limites, permettant à l’équipe d’ingénieurs de les résoudre plus rapidement.
Bien qu’il puisse sembler contre-intuitif d’introduire un niveau supplémentaire de chaos dans vos opérations, cette approche s’est avérée efficace pour Netflix, qui est réputé pour sa fiabilité. Ils comprennent que lorsqu’ils sont confrontés à un problème lié au logiciel, il faut de nombreuses itérations pour le résoudre, et la seule façon d’arriver au fond du problème est d’itérer rapidement. Le Chaos Monkey n’est qu’un moyen d’augmenter la vitesse d’itération.
Du point de vue de la supply chain, le Chaos Monkey peut ne pas être directement applicable, mais le concept d’augmenter la fréquence d’exécution de votre logique d’optimisation de la supply chain est toujours très pertinent. Quelle que soit la logique que vous utilisez pour optimiser votre supply chain, elle doit s’exécuter à grande vitesse et à haute fréquence ; sinon, vous ne résoudrez jamais aucun des problèmes auxquels vous êtes confronté.
Maintenant, les supply chains vieillies sont quasi-optimales, et quand je dis vieillies, je veux dire les supply chains qui sont en opération depuis deux décennies ou plus. Une autre façon de formuler ce principe est que vos prédécesseurs en supply chain n’étaient pas tous incompétents. Lorsque vous regardez les initiatives d’optimisation de la supply chain, trop souvent, il y a de grandes ambitions comme réduire les niveaux de stock de moitié, augmenter les taux de service de 95% à 99%, éliminer les ruptures de stock, ou diviser les délais d’approvisionnement par deux. Ce sont des mouvements importants et unidirectionnels où vous vous concentrez sur un indicateur clé de performance et tentez de l’améliorer massivement. Cependant, j’ai observé que ces initiatives échouent presque toujours pour une raison très simple : lorsque vous prenez une supply chain qui est en opération depuis des décennies, il y a généralement une certaine sagesse latente dans la façon dont les choses ont été faites.
Par exemple, si les taux de service sont de 95%, il y a de fortes chances que si vous essayez de les augmenter à 99%, vous augmentiez considérablement les niveaux de stock et créiez une quantité massive de stock mort dans le processus. De même, si vous avez une certaine quantité de stock et lancez une initiative massive pour le réduire de moitié, vous risquez de créer des problèmes importants de qualité de service qui sont insoutenables.
Ce que j’ai observé, c’est que de nombreux praticiens de la supply chain qui ne comprennent pas le principe selon lequel les supply chains vieillies sont quasi-optimal unidirectionnellement ont tendance à osciller autour de l’optimum local. Gardez à l’esprit que je ne dis pas que les supply chains vieillies sont optimales, mais elles sont quasi-optimales unidirectionnellement. Si vous regardez l’analogie du Grand Canyon, la rivière creuse le chemin optimal en raison de la force unidirectionnelle de la gravité. Si vous appliquiez une force dix fois plus forte, la rivière subirait encore de nombreuses convolutions.
Le point est que, avec les supply chains vieillies, si vous voulez apporter des améliorations significatives, vous devez ajuster de nombreuses variables en même temps. Se concentrer sur une seule variable ne donnera pas les résultats souhaités, surtout si votre entreprise fonctionne depuis des décennies avec le statu quo. Vos prédécesseurs ont probablement fait quelques choses correctement à leur époque, donc les chances que vous tombiez sur une supply chain très dysfonctionnelle à laquelle personne n’a jamais prêté attention sont minimes. Les supply chains sont des problèmes complexes, et bien qu’il soit possible d’ingénierer des situations complètement dysfonctionnelles à grande échelle, cela sera très rare dans le meilleur des cas.
Un autre aspect à prendre en compte est que l’optimisation locale ne fait que déplacer les problèmes au lieu de les résoudre. Pour comprendre cela, vous devez reconnaître que les supply chains sont des systèmes, et lorsqu’on pense en termes de performance de la supply chain, seule la performance à l’échelle du système est intéressante. La performance locale est pertinente, mais elle ne représente qu’une partie de l’image.
Une façon courante de penser est que vous pouvez appliquer la stratégie de diviser pour régner pour résoudre les problèmes en général, pas seulement les problèmes de supply chain. Par exemple, dans un réseau de vente au détail avec de nombreux magasins, vous pouvez vouloir optimiser les niveaux de stock dans chaque magasin. Cependant, le problème est que si vous avez un réseau de magasins et de centres de distribution, chacun desservant de nombreux magasins, il est complètement trivial de micro-optimiser un magasin et d’obtenir une excellente qualité de service pour ce magasin au détriment de tous les autres magasins.
La perspective correcte est de penser que lorsque vous avez une unité disponible dans le centre de distribution, la question que vous devriez vous poser est : où cette unité est-elle le plus nécessaire ? Quel est le mouvement le plus rentable pour moi ? Le problème de l’optimisation de la répartition des stocks, ou le problème d’allocation des stocks, n’a de sens qu’au niveau du système, pas au niveau du magasin. Si vous optimisez ce qui se passe dans un magasin, vous risquez de créer des problèmes dans un autre magasin.
Quand je dis “local”, ce principe ne doit pas être compris uniquement d’un point de vue géographique ; cela peut aussi être une question purement logique au sein de la supply chain. Par exemple, si vous êtes une entreprise de commerce électronique avec de nombreuses catégories de produits, vous pouvez vouloir allouer des budgets variables pour les différentes catégories. C’est un autre type de stratégie de diviser pour régner. Cependant, si vous partitionnez votre budget et allouez une somme fixe au début de l’année pour chaque catégorie, que se passe-t-il si la demande de produits dans une catégorie double tandis que la demande de produits dans une autre catégorie est réduite de moitié ? Dans ce cas, vous vous retrouvez avec un problème d’allocation incorrecte des fonds entre ces deux catégories. Le défi ici est que vous ne pouvez pas appliquer de logique de diviser pour régner. Si vous utilisez des techniques d’optimisation locale, vous risquez de créer des problèmes en créant votre solution soi-disant optimisée.
Cela m’amène au dernier principe, qui est probablement le plus délicat parmi tous les principes que j’ai présentés aujourd’hui : de meilleurs problèmes l’emportent sur de meilleures solutions. Cela peut être extrêmement déroutant, surtout dans certains milieux universitaires. La façon typique dont les choses sont présentées dans le cadre d’une éducation classique est qu’un problème bien défini vous est présenté, et ensuite vous commencez à chercher des solutions à ces problèmes. Dans un problème mathématique, par exemple, un étudiant peut proposer une solution plus concise, plus élégante, et cela est considéré comme la meilleure solution.
Cependant, dans la réalité, les choses ne se passent pas de cette manière dans la gestion de la supply chain. Pour illustrer cela, revenons 60 ans en arrière et examinons le problème de la cuisine, une activité très chronophage. Les gens du passé imaginaient que les robots pourraient être utilisés à l’avenir pour effectuer des tâches de cuisine, ce qui augmenterait considérablement la productivité de la personne en charge de la cuisine. Ce genre de pensée était répandu dans les années 1950 et 1960.
Avance rapide jusqu’à aujourd’hui, et il est évident que les choses ne se sont pas déroulées ainsi. Pour minimiser les efforts de cuisine, les gens achètent maintenant des repas préparés. C’est un autre exemple de déplacement du problème. Fournir aux supermarchés des repas préparés est plus difficile d’un point de vue de la supply chain que de leur fournir des produits bruts, en raison du nombre accru de références et des dates d’expiration plus courtes. Le problème a été résolu grâce à une solution de supply chain supérieure, et non en proposant une meilleure solution de cuisine. Le problème de la cuisine a été complètement éliminé et redéfini comme étant la fourniture d’un repas décent avec un effort minimal.
En ce qui concerne les supply chains, la perspective académique se concentre souvent sur la recherche de meilleures solutions aux problèmes existants. Un bon exemple serait les compétitions Kaggle, où vous avez un ensemble de données, un problème, et potentiellement des centaines ou des milliers d’équipes qui concourent pour obtenir la meilleure prédiction sur ces ensembles de données. Vous avez un problème bien défini et des milliers de solutions qui s’affrontent. Le problème avec cette mentalité, c’est qu’elle vous donne l’impression que si vous voulez apporter des améliorations à votre supply chain, ce dont vous avez besoin, c’est une meilleure solution.
L’essence du principe est qu’une meilleure solution peut aider marginalement, mais seulement marginalement. En général, ce qui aide vraiment, c’est lorsque vous redéfinissez le problème, et cela est étonnamment difficile. Cela s’applique également aux problèmes quantitatifs. Vous devez repenser votre stratégie réelle de supply chain et le problème clé que vous devriez optimiser.
Dans de nombreux milieux, les gens pensent aux problèmes comme s’ils étaient statiques et immuables, à la recherche de meilleures solutions. Je ne nie pas que disposer d’un meilleur algorithme de prévision des séries temporelles puisse être utile, mais la prévision des séries temporelles relève du domaine de la prévision statistique, et non de la maîtrise de la gestion de la supply chain. Si nous revenons à mon exemple initial de la valise de voyage, l’amélioration clé pour une valise à roulettes ne concernait pas les roues, mais la poignée. C’était quelque chose qui n’avait rien à voir avec les roues à première vue, et c’est pourquoi il a fallu 40 ans pour trouver une solution - il faut penser différemment pour laisser émerger le meilleur problème.
Ce principe quantitatif consiste à remettre en question les problèmes auxquels vous êtes confrontés. Peut-être ne réfléchissez-vous pas suffisamment au problème, et il y a une tendance à tomber amoureux de la solution alors que vous devriez vous concentrer sur le problème et sur ce que vous ne comprenez pas à son sujet. Dès que vous avez un problème bien défini, avoir une bonne solution est généralement une simple question d’exécution, ce qui n’est pas si difficile.
En conclusion, la supply chain en tant que domaine d’étude regorge de perspectives impressionnantes et autoritaires. Celles-ci peuvent être sophistiquées, mais la question que je voudrais poser à cette audience est la suivante : est-il possible que tout cela soit gravement erroné ? Sommes-nous vraiment certains que des éléments tels que la prévision des séries temporelles et la recherche opérationnelle sont les perspectives appropriées sur le problème ? Peu importe la sophistication et les décennies d’ingénierie et d’efforts investis dans ces directions, sommes-nous vraiment sur la bonne voie ?
Aujourd’hui, je présente une série de principes que je considère comme d’une importance primordiale pour la gestion de la supply chain. Cependant, ils peuvent sembler étranges pour la plupart d’entre vous. Nous avons ici deux mondes - le monde éprouvé et le monde étrange - et la question est de savoir ce qui se passera dans quelques décennies.
Le progrès a tendance à se déployer de manière chaotique et non linéaire. L’idée de ces principes est de vous permettre d’embrasser un monde hautement chaotique, où il y a de la place pour l’inattendu. Ces principes peuvent vous aider à développer des solutions plus rapides, plus fiables et plus efficaces qui amélioreront vos supply chains d’un point de vue quantitatif.
Maintenant, passons à quelques questions.
Question : Comment les distributions Zipf se comparent-elles à la loi de Pareto ?
La loi de Pareto est la règle empirique du 80-20, mais d’un point de vue quantitatif, la distribution Zipf est un modèle prédictif explicite. Elle possède des capacités prédictives qui peuvent être mises à l’épreuve par rapport à des ensembles de données de manière très directe.
Question : Ne serait-il pas préférable de considérer la distribution Zipf-Mandelbrot comme une courbe logarithmique pour visualiser les fluctuations de la supply chain, comme le font les épidémiologistes avec les cas et les décès signalés ?
Absolument. Au niveau philosophique, la question est de savoir si vous vivez dans le pays de la Médiocrité ou dans celui de l’Extrême. Les supply chains et la plupart des affaires humaines existent dans le monde des extrêmes. Les courbes logarithmiques sont en effet utiles si vous souhaitez visualiser l’amplitude des promotions. Par exemple, si vous voulez voir les amplitudes de toutes les promotions passées pour les grands réseaux de vente au détail au cours des 10 dernières années, utiliser une échelle régulière pourrait rendre tout le reste invisible, simplement parce que la plus grande promotion de tous les temps était tellement plus grande que les autres. Ainsi, l’utilisation d’une échelle logarithmique peut vous aider à voir les variations plus clairement. Avec la distribution Zipf-Mandelbrot, je vous propose un modèle que vous pouvez littéralement mettre en œuvre avec quelques lignes de code, ce qui va au-delà d’une simple visualisation logarithmique des données. Cependant, je suis d’accord que l’intuition de base est la même. Pour une perspective philosophique de haut niveau, je vous recommande de lire le travail de Nassim Taleb sur Mediocristan versus Extremistan dans son livre “Antifragile”.
Question : En ce qui concerne l’optimisation locale de la supply chain, faites-vous référence aux données sous-jacentes qui soutiennent la collaboration des réseaux de supply chain et le SNLP ?
Mon problème avec l’optimisation locale est que les grandes entreprises qui gèrent des supply chains majeures ont généralement des organisations matricielles. Cette structure organisationnelle, avec sa mentalité de diviser pour mieux régner, entraîne une optimisation locale par conception. Par exemple, considérez deux équipes différentes - l’une responsable des prévisions de la demande et l’autre des décisions d’achat. Ces deux problèmes - la prévision de la demande et l’optimisation des achats - sont totalement entremêlés. Vous ne pouvez pas effectuer une optimisation locale en ne vous concentrant que sur le pourcentage d’erreur dans la prévision de la demande, puis optimiser séparément les achats en fonction de l’efficacité du traitement. Il y a des effets systémiques, et vous devez tous les prendre en compte ensemble.
Le plus grand défi pour la plupart des grandes entreprises établies qui gèrent des supply chains importantes aujourd’hui est que, lorsqu’on vise une optimisation quantitative, il faut penser à l’échelle du système et de l’entreprise. Cela va à l’encontre de décennies de sédimentation de l’organisation matricielle au sein de l’entreprise, où les gens se sont concentrés uniquement sur leurs limites bien définies, en oubliant la vue d’ensemble.
Un autre exemple de ce problème serait l’inventaire en magasin. Le stock remplit deux fonctions : d’une part, il répond à la demande des clients, et d’autre part, il sert de marchandise. Pour avoir la bonne quantité de stock, vous devez prendre en compte le problème de la qualité de service et le problème de l’attrait du magasin. L’attrait du magasin consiste à rendre le magasin attrayant et intéressant pour les clients, ce qui relève davantage d’un problème marketing. Dans une entreprise, vous avez une division marketing et une division supply chain, et elles ne travaillent pas naturellement ensemble en ce qui concerne l’optimisation de la supply chain. Mon point est que si vous ne réunissez pas tous ces aspects, l’optimisation ne fonctionnera pas.
En ce qui concerne votre préoccupation concernant le SNLP, le problème est que les gens se réunissent uniquement pour avoir des réunions, ce qui n’est pas très efficace. Nous avons publié un épisode de Lokad TV sur le SNLP il y a quelques mois, vous pouvez donc vous y référer si vous souhaitez avoir une discussion spécifique sur le SNLP.
Question : Comment devrions-nous répartir le temps et l’énergie entre la stratégie de la supply chain et l’exécution quantitative ?
C’est une excellente question. La réponse, comme je l’ai mentionné dans ma deuxième conférence, est que vous avez besoin d’une automatisation complète des tâches routinières. Cela vous permet de consacrer tout votre temps et votre énergie à l’amélioration stratégique continue de vos recettes numériques. Si vous consacrez plus de 10% de votre temps à traiter des aspects routiniers de l’exécution de la supply chain, vous avez un problème avec votre méthodologie. Les experts en supply chain sont trop précieux pour gaspiller leur temps et leur énergie sur des problèmes d’exécution routiniers qui devraient être automatisés dès le départ.
Vous devez suivre une méthodologie qui vous permet de consacrer presque toute votre énergie à la réflexion stratégique, qui est ensuite immédiatement mise en œuvre sous la forme de recettes numériques supérieures qui pilotent l’exécution quotidienne de la supply chain. Cela concerne ma troisième conférence sur la livraison orientée produit, où je parle de la livraison orientée produit logiciel.
Question : Est-il possible de supposer une sorte d’analyse plafond, la meilleure amélioration possible pour les problèmes de supply chain étant donné leur formulation systémique ?
Je dirais que non, absolument pas. Penser qu’il existe une sorte d’optimum ou de plafond revient à dire qu’il y a une limite à l’ingéniosité humaine. Bien que je n’aie aucune preuve qu’il n’y ait pas de limite à l’ingéniosité humaine, c’est l’une de mes convictions fondamentales. Les supply chains sont des problèmes complexes. Vous pouvez transformer le problème, et même transformer ce qui semble être un gros problème en une grande solution et un potentiel de croissance pour l’entreprise. Par exemple, regardez Amazon. Jeff Bezos, au début des années 2000, a compris que pour être un détaillant réussi, il aurait besoin d’une infrastructure logicielle massive et solide. Mais cette infrastructure de calcul à grande échelle, de qualité industrielle, dont il avait besoin pour faire fonctionner le commerce électronique d’Amazon, était incroyablement coûteuse, coûtant des milliards à l’entreprise. Ainsi, les équipes d’Amazon ont décidé de transformer cette infrastructure de cloud computing, qui était un investissement énorme, en un produit commercial. De nos jours, cette infrastructure de calcul à grande échelle est en réalité l’une des principales sources de profit pour Amazon.
Lorsque vous commencez à réfléchir aux problèmes complexes, vous pouvez toujours redéfinir le problème de manière supérieure. C’est pourquoi je pense qu’il est erroné de croire qu’il existe une sorte de solution optimale. Lorsque vous pensez en termes d’analyse plafond, vous regardez un problème fixe, et d’un point de vue de problème fixe, vous pouvez avoir une solution qui est probablement quasi-optimale. Par exemple, si vous regardez les roues des valises modernes, elles sont probablement quasi-optimales. Mais y a-t-il quelque chose d’évident que nous manquons complètement ? Peut-être y a-t-il un moyen de rendre les roues beaucoup meilleures, une invention qui n’a pas encore été faite. Dès que nous la verrons, elle nous semblera complètement évidente.
C’est pourquoi nous devons penser qu’il n’y a pas de plafond pour ces problèmes car les problèmes sont arbitraires. Vous pouvez redéfinir le problème et décider que le jeu doit être joué selon des règles complètement différentes. Cela est déconcertant car les gens aiment penser qu’ils ont un problème parfaitement conçu et peuvent trouver des solutions. Le système éducatif occidental moderne met l’accent sur une mentalité de recherche de solutions, où nous vous donnons un problème et évaluons la qualité de votre solution. Cependant, une question beaucoup plus intéressante est la qualité du problème lui-même.
Question : Les meilleures solutions résoudront les problèmes, mais parfois trouver la meilleure solution peut coûter du temps et de l’argent. Existe-t-il des solutions de contournement à cela ?
Absolument. Encore une fois, si vous avez une solution qui est théoriquement correcte mais qui prend une éternité à mettre en œuvre, ce n’est pas une bonne solution. Ce genre de pensée tend à être répandu dans certains cercles universitaires, où l’on se concentre sur la recherche de la solution parfaite selon des critères mathématiques étroits qui n’ont rien à voir avec le monde réel. C’est exactement de cela dont je parlais lorsque j’ai mentionné le bon problème d’optimisation.
Tous les trimestres environ, un professeur vient me voir et me demande si je peux examiner son algorithme en ligne pour résoudre le problème d’optimisation des itinéraires. La plupart des articles que je passe en revue de nos jours sont axés sur les variantes en ligne. Ma réponse est toujours la même : vous ne résolvez pas le bon problème. Je me fiche de votre solution car vous ne réfléchissez même pas correctement au problème lui-même.
Il ne faut pas confondre le progrès et la sophistication. C’est une perception erronée de penser que le progrès va d’une chose simple à quelque chose de sophistiqué. En réalité, le progrès est souvent atteint en commençant par quelque chose d’incroyablement compliqué et, grâce à une réflexion et une technologie supérieures, en parvenant à la simplicité. Par exemple, si vous regardez ma dernière conférence sur les tendances de la chaîne d’approvisionnement pour le 21e siècle, vous verrez la Machine de Marly, qui a apporté de l’eau au Palais de Versailles. C’était un système incroyablement compliqué, alors que les pompes électriques modernes sont beaucoup plus simples et plus efficaces.
Le progrès ne se trouve pas nécessairement dans une sophistication accrue. Parfois, c’est nécessaire, mais ce n’est pas un ingrédient essentiel du progrès.
Question : Les grands réseaux de vente au détail gèrent leur niveau de stock, mais doivent satisfaire les commandes presque immédiatement. Parfois, ils décident de faire une promotion de leur propre chef qui n’a pas été initiée par le fournisseur. Quelle serait l’approche pour prédire et se préparer en conséquence au niveau du fournisseur ?
Tout d’abord, nous devons aborder le problème sous un angle différent. Vous supposez une perspective de prévision, où votre client, un grand détaillant, fait une grande promotion qui sort de nulle part. Tout d’abord, est-ce si grave ? S’ils font la promotion de vos produits sans vous en informer, c’est simplement un fait de la vie. Si vous regardez votre historique, ils le font généralement de manière régulière, et il y a même des schémas.
Si je reviens à mes principes, les schémas sont partout. Tout d’abord, vous devez adopter une perspective selon laquelle vous ne pouvez pas prévoir l’avenir ; au lieu de cela, vous avez besoin de prévisions probabilistes. Même si vous ne pouvez pas anticiper parfaitement les fluctuations, elles ne sont peut-être pas entièrement inattendues non plus. Peut-être devez-vous changer les règles du jeu au lieu de laisser le fournisseur vous surprendre complètement. Peut-être devez-vous négocier des engagements qui lient le détaillant, le réseau de vente au détail et le fournisseur. Si le réseau de vente au détail commence à faire une grande promotion sans prévenir le fournisseur, le fournisseur ne peut pas être tenu responsable de ne pas maintenir la qualité de service.
Peut-être que la solution est quelque chose de plus collaboratif. Peut-être que le fournisseur devrait avoir une meilleure évaluation des risques. Si les matériaux vendus par le fournisseur ne sont pas périssables, il pourrait être plus rentable d’avoir quelques mois de stock. Les gens pensent souvent à avoir zéro délai, zéro stock et zéro tout, mais est-ce vraiment ce que vos clients attendent de vous ? Peut-être que ce que vos clients attendent, c’est une valeur ajoutée sous la forme d’un stock abondant. Encore une fois, la réponse dépend de divers facteurs.
Vous devez examiner le problème sous de nombreux angles, et il n’y a pas de solution triviale. Vous devez réfléchir très sérieusement au problème et envisager toutes les options qui s’offrent à vous. Peut-être que le problème n’est pas plus de stock mais plus de capacité de production. S’il y a une forte demande et qu’il n’est pas trop cher d’avoir un pic massif, et que les fournisseurs des fournisseurs peuvent fournir les matériaux suffisamment rapidement, peut-être que tout ce dont vous avez besoin est une capacité de production plus polyvalente. Cela vous permettrait de rediriger votre capacité de production vers ce qui est en hausse actuellement.
Au fait, cela existe dans certaines industries. Par exemple, l’industrie de l’emballage dispose de capacités massives. La plupart des machines dans l’industrie de l’emballage sont des imprimantes industrielles, qui sont relativement peu coûteuses. Les professionnels de l’emballage ont généralement de nombreuses imprimantes qui ne sont pas utilisées la plupart du temps. Cependant, lorsqu’il y a un événement important ou qu’une grande marque souhaite faire une poussée massive, ils ont la capacité d’imprimer des tonnes de nouveaux emballages qui correspondent à la nouvelle stratégie marketing de la marque.
Donc, cela dépend vraiment de divers facteurs, et je m’excuse de ne pas avoir de réponse définitive. Mais ce que je peux affirmer avec certitude, c’est que vous devez réfléchir très sérieusement au problème auquel vous êtes confronté.
Cela conclut la conférence d’aujourd’hui, la sixième et dernière du prologue. Dans deux semaines, le même jour et à la même heure, je présenterai les personnalités de la supply chain. À la prochaine fois.
