L'exactitude des prévisions en dollars au lieu de pourcentages

00:00:08 Introduction du sujet de l’amélioration de la précision des prévisions dans l’industrie supply chain.
00:01:22 Explication de ce que signifie une prévision plus précise et de l’utilisation des métriques de prévision.
00:03:21 Discussion sur les limites de l’utilisation de métriques mathématiques pour mesurer la performance des supply chain.
00:05:30 Mise en avant de la mesure de la précision des prévisions en dollars au lieu de pourcentages.
00:08:42 Explication de la manière dont maximiser la précision en pourcentages peut être trompeur pour la performance des supply chain.
00:09:04 Discussion sur les limites de l’utilisation d’une métrique simple pour la prévision des ventes.
00:10:20 Explication de comment l’utilisation d’un modèle prévoyant zéro vente conduit à un résultat désastreux pour l’entreprise.
00:11:23 Explication du problème des métriques symétriques dans le contexte de la gestion de la supply chain.
00:13:02 Explication du fait que les prévisions ne sont que des opinions éclairées sur l’avenir et de leur impact sur la supply chain.
00:16:32 Discussion sur les dangers de créer des divisions dédiées à l’amélioration de la précision des prévisions.
00:18:09 Discussion sur l’amélioration progressive de la prévision avec le temps.
00:19:01 Explication du fait que de meilleures métriques de prévision ne se traduisent pas toujours par une amélioration de la performance des supply chain.
00:21:41 Prise de conscience que la croissance et la rentabilité de l’entreprise ne signifiaient pas nécessairement que les supply chain de ses clients s’amélioraient.
00:22:04 Explication de la différence entre un modèle d’abonnement mensuel et des plans pluriannuels.
00:25:53 Explication de la manière dont le produit a évolué, passant d’une simple prévision à un outil qui aide à découvrir des métriques de précision.
00:26:56 Discussions sur les métriques utilisées dans la gestion de la supply chain.
00:27:20 Les avantages de l’utilisation de la prévision probabiliste et de métriques spécifiques telles que l’entropie croisée et le continuous rank probability score.
00:27:54 Le changement de perspective, passant de l’amélioration de la précision des prévisions à la maximisation de la performance des supply chain.
00:29:51 L’importance de disposer d’une personne responsable de bout en bout de l’ensemble de la supply chain.
00:32:23 L’importance de disposer d’un processus d’optimisation monolithique dans la gestion de la supply chain.

Résumé

Le fondateur de Lokad, Joannes Vermorel, s’est entretenu avec l’animatrice Nicole Zint au sujet des limites de l’utilisation de la performance des supply chain. Vermorel soutient que les entreprises se concentrent souvent excessivement sur l’amélioration de la précision des prévisions sans tenir compte de l’impact sur le résultat net. Il a proposé que mesurer la précision des prévisions en dollars d’erreur, plutôt qu’en pourcentages, peut mieux évaluer si une entreprise va dans la bonne direction. Vermorel a également souligné l’importance de trouver les décisions supply chain clés qui maximisent le profit ou la performance, plutôt que de se concentrer uniquement sur l’amélioration de la précision des prévisions. Il a mis en garde contre les dangers des métriques trompeuses qui peuvent conduire à des décisions dénuées de sens et nuire à l’entreprise.

Résumé étendu

Le sujet de l’entretien porte sur la précision des prévisions dans l’industrie supply chain. L’animatrice, Nicole Zint, observe que malgré des décennies d’efforts pour améliorer la précision des prévisions, une meilleure précision n’a pas conduit à une amélioration de la performance des supply chain. Elle se demande si l’industrie aborde le problème de la mauvaise manière ou se focalise sur le mauvais problème dès le départ. Joannes Vermorel, le fondateur de Lokad, explique qu’une prévision plus précise signifie qu’un modèle de prévision est plus précis qu’un autre selon une métrique de prévision. Il existe une variété de métriques de prévision, mais toutes sont des objets mathématiques qui peuvent ne pas être pertinents pour l’industrie supply chain. Vermorel note que l’idée selon laquelle on peut simplement choisir une métrique mathématique dans un manuel pour l’adapter à un problème est erronée. Il ajoute que maximiser la précision en pourcentages peut être trompeur pour la performance des supply chain. Il remarque également que réduire l’erreur de prévision par l’optimisation de métriques mathématiques ne génère pas nécessairement une performance supply chain supplémentaire. Cependant, augmenter l’erreur de prévision ne conduit pas non plus nécessairement à une amélioration de la performance des supply chain. Vermorel estime que la supply chain n’est pas un problème unidimensionnel et qu’il existe une fausse dualité entre la précision et la performance.

Vermorel explique que, pour améliorer la performance des supply chain, la réduction des erreurs de prévision est cruciale. Cependant, ce n’est pas toujours aussi simple que de simplement réduire les erreurs, car les supply chain sont multidimensionnelles. La clé de l’amélioration de la performance réside dans la mise en relation de la qualité de la prévision avec la performance de la supply chain en injectant un economic driver. Vermorel propose de mesurer la précision des prévisions en dollars d’erreur, plutôt qu’en pourcentages, afin d’évaluer si l’entreprise va dans la bonne direction. Il constate qu’une erreur de prévision exprimée en pourcentages ne coïncide pas toujours avec la précision des prévisions en dollars, ce qui est au cœur du problème.

Zint demande à Vermorel comment mesurer la performance des supply chain, ce à quoi Vermorel répond que les métriques utilisées peuvent être difficiles à définir. Le défi réside dans la recherche d’une bonne prévision, qui dépend de la situation. Vermorel suggère d’examiner un exemple concret, comme celui d’un supermarché, pour comprendre comment optimiser la prévision. Il explique qu’au niveau du magasin, la grande majorité des produits présentent une demande moyenne bien inférieure à une unité par semaine, ce qui signifie que le résultat le plus probable pour la grande majorité des produits un jour donné est zéro vente. Si les entreprises optimisent selon une métrique qui maximise la précision des prévisions en pourcentages, elles se retrouveront avec un modèle qui prédit zéro chaque jour, ce qui serait catastrophique pour l’entreprise. Pire encore, si un modèle prévoit zéro, le magasin réapprovisionnera zéro, ce qui entraînera une perte de revenus et de clients.

Dans l’ensemble, Vermorel soutient que la clé pour améliorer la performance des supply chain réside dans la mise en relation de la qualité de la prévision avec la performance de la supply chain en injectant un economic driver. Il suggère de mesurer la précision des prévisions en dollars d’erreur et de prendre en compte les coûts associés au manque de stocks, plutôt que de se contenter d’optimiser selon une métrique qui maximise la précision des prévisions en pourcentages. Ce faisant, les entreprises peuvent éviter d’optimiser leur prévision pour un résultat erroné, tel que zéro vente chaque jour, et obtenir ainsi un meilleur équilibre entre l’offre et la demande.

Vermorel aborde la question de la précision des prévisions dans la gestion de la supply chain, en soulignant le problème lié à l’utilisation d’une métrique de précision des prévisions symétrique qui accorde le même poids à une sur-prévision qu’à un excès de stocks. Vermorel soutient que cela pose problème, car être en surstock est une situation significative aux conséquences asymétriques. Il affirme que, bien que la précision des prévisions soit importante, elle doit être liée au résultat final, c’est-à-dire prendre la bonne décision au bon moment pour chaque produit, chaque jour.

Vermorel soutient que l’introduction d’artéfacts numériques, tels que les safety stocks, les ABC classes et les taux de service, peut créer une tentation de former un sous-groupe de spécialistes au sein d’une entreprise, experts dans la gestion de ces artéfacts numériques. Cependant, Vermorel affirme que ces artéfacts ne sont pas réels et que la création d’une équipe de spécialistes travaillant uniquement à l’amélioration de la qualité de la prévision est une cause fondamentale du problème. Il estime qu’une telle équipe opère dans sa propre bulle, produisant des prévisions selon leur propre objectif et métrique, sans tenir compte des résultats finaux.

Selon Vermorel, les grandes entreprises peinent à répartir la charge de travail, et l’introduction d’un artéfact numérique ne signifie pas nécessairement qu’une équipe doit être créée pour l’optimiser. Au contraire, Vermorel soutient que les gestionnaires de supply chain devraient se concentrer sur les résultats finaux et prendre les bonnes décisions au bon moment pour chaque produit, chaque jour. Bien que la précision des prévisions soit importante, elle doit être liée au résultat final, et les gestionnaires de supply chain doivent faire attention à ne pas se focaliser uniquement sur l’amélioration de la précision des prévisions sans prendre en compte les conséquences de leurs décisions.

Ils ont discuté des limites de l’utilisation des métriques de précision pour améliorer la performance des supply chain. Vermorel estime que les entreprises se concentrent trop sur l’amélioration de la précision des prévisions sans considérer l’impact sur le résultat net. En établissant un parallèle avec les cargo cults des îles du Pacifique pendant la Seconde Guerre mondiale, Vermorel note que les équipes de prévision optimisent des métriques sans tenir compte de l’impact plus profond sur la supply chain. En se concentrant sur l’impact plus profond de leurs méthodes de prévision, Vermorel croit que Lokad peut aider les clients à obtenir une supply chain plus performante grâce à un modèle d’abonnement mensuel qui donne la priorité aux résultats positifs.

Vermorel explique comment le cycle de rétroaction dans l’optimisation de la supply chain est plus serré, ce qui signifie que l’entreprise doit être plus réactive aux changements du marché. Il note également qu’il ne suffit pas d’optimiser selon une métrique donnée, car cela peut engendrer de nombreux problèmes. Au lieu de cela, les entreprises doivent découvrir les métriques de précision spécifiques à leur activité, ce qui peut s’avérer difficile compte tenu des nombreux cas particuliers et facteurs uniques à chaque secteur.

Vermorel souligne l’importance de trouver les décisions supply chain clés qui maximisent le profit ou la performance, plutôt que de se concentrer uniquement sur l’amélioration de la précision des prévisions. Il soutient que les entreprises doivent avoir une personne responsable de la prise de décision de bout en bout et que la fragmentation peut conduire à des décisions dénuées de sens qui nuisent à l’entreprise. Vermorel met en garde contre les dangers des métriques trompeuses qui semblent rationnelles mais sont en réalité profondément irrationnelles, comme se focaliser uniquement sur la survie d’une seule pièce d’échecs plutôt que sur la victoire dans la partie. Il conclut en conseillant aux entreprises d’adopter un processus d’optimisation monolithique plutôt que de fragmenter le processus, qui est, par conception, défaillant et contre-productif.

Transcription complète

Nicole Zint : L’ensemble de l’industrie supply chain tente, depuis des décennies, d’améliorer la précision de ses prévisions. Chaque grande entreprise possède même sa propre division dédiée exclusivement à ce problème. Toutefois, le résultat de cet effort, peut-être contre-intuitif, a montré qu’une meilleure précision des prévisions n’a pas conduit à des supply chain plus performantes. Regardons-nous le problème sous un mauvais angle, ou peut-être même abordons-nous le mauvais problème dès le départ ? Et que change-t-il si nous mesurons la précision en dollars plutôt qu’en pourcentages ? Tel est le sujet de l’épisode d’aujourd’hui, alors lançons cela avec Jonas. Qu’est-ce que cela signifie qu’une prévision soit plus précise ? Joannes Vermorel : Une prévision plus précise signifie que, selon une certaine métrique de prévision, vous disposez d’un modèle plus précis qu’un autre. Plus précisément, lorsqu’on dit que nous avons une prévision plus précise, c’est un peu abusif sur le plan du langage. En réalité, ce que nous affirmons véritablement, c’est que nous avons un modèle de prévision qui est plus précis qu’un autre modèle de prévision, et selon quoi ? Selon une certaine métrique de prévision, qui n’est qu’une métrique, une simple mesure quantifiant l’erreur de prévision que vous avez sur les deux modèles de prévision. Ainsi, la précision des prévisions dépend directement de la métrique que vous utilisez, absolument. Et il existe une grande variété de métriques de prévision connues, dirais-je, dans la littérature. Les plus répandues sont probablement l’erreur quadratique moyenne, l’erreur absolue, la moyenne des pourcentages absolus, l’erreur pondérée, et un véritable bestiaire de fonctions qui vous permettent de mesurer l’erreur de prévision. Et toutes ces métriques de prévision ont en commun que, si vous obtenez des résultats parfaits, elles se contentent de vous indiquer que votre erreur est nulle. Nous disposons donc d’une vaste gamme de métriques différentes à utiliser. Laquelle est la meilleure ? Comment le savez-vous ? Nicole Zint : En ce qui concerne la supply chain, c’est une question très délicate car la réalité est que toutes les métriques que j’ai mentionnées sont en réalité des objets mathématiques. Vous les trouverez dans les manuels scolaires car ils vous offrent une multitude de propriétés mathématiques, je dirais, intéressantes. Mais ce n’est pas parce que quelque chose est mathématiquement intéressant que cela est probablement pertinent pour un domaine d’intérêt. Vous savez, il existe de nombreuses choses qui peuvent être très intéressantes d’un point de vue mathématique, et cela ne signifie pas qu’elles auront une quelconque pertinence d’un point de vue supply chain.

Joannes Vermorel: Oui, je veux dire encore, notre conclusion n’est pas que nous devrions maximiser l’erreur de prévision. Ce n’est pas ce dont je discute. Vous voyez, le constat était plus déroutant que cela. Le constat était que si vous réduisez simplement votre erreur de prévision par l’optimisation de métriques mathématiques, cela ne génère pas une performance supplémentaire pour la supply chain. Mais l’inverse n’est pas simple. Ce n’est pas parce que vous augmentez votre erreur de prévision que vous améliorez réellement la performance de la supply chain. Vous voyez, c’est là que ça devient très déroutant, car il y a ce genre de fausse dualité où l’on dit, eh bien, c’est l’un ou l’autre. Oui, ce serait le cas si la supply chain était un problème unidimensionnel où, vous savez…

Nicole Zint: Donc, réduire l’erreur de prévision améliore la performance de la supply chain, et si vous faites l’inverse, vous la dégradez. Si nous vivions dans un monde unidimensionnel, oui, ce serait le cas, mais les supply chains sont de très nombreuses dimensions, donc cela ne fonctionne pas du tout ainsi. Et c’est là que je dirais que l’intuition de base peut se tromper très, très gravement. Alors, laissez-moi vous poser cette question. Vous avez mentionné la performance de la supply chain. Comment mesurez-vous la performance de la supply chain ?

Joannes Vermorel: C’est en fait le cœur du problème, en effet, vous voyez, ces métriques supply chain, c’est que les gens ont énormément de mal à se représenter ce qu’est une bonne prévision. Ainsi, vous sélectionnez une métrique tirée d’un manuel et vous dites : “C’est ça”, mais vous réalisez très rapidement que ce n’est pas parce qu’elle se trouve dans un manuel, qu’elle se trouve dans un manuel mathématique, qu’elle a une quelconque pertinence pour votre problème de supply chain. Et donc, si vous voulez obtenir quelque chose, la question est : quoi d’autre ? Vous savez, cela semble être une question très ouverte et, en réalité, c’est une question très, très vaste, et la pratique que nous avons pionnière consiste à penser essentiellement en termes de dollars d’erreur. Qu’est-ce que vous essayez d’optimiser ? Et bien, pour relier la qualité et la performance de votre prévision à la performance de votre supply chain, vous devez injecter une dose de facteur économique, une dose assez importante, et c’est à ce moment que vous commencez à mesurer les choses en dollars d’erreur. Ensuite, vous pouvez commencer à évaluer si vous déplacez réellement l’aiguille dans une direction qui a du sens pour votre supply chain. En fait, plus la performance de la supply chain est bonne, plus l’entreprise génère d’argent, plus nous réduisons les coûts dans notre supply chain, et par conséquent notre chiffre d’affaires augmente. C’est assez intéressant car cela signifie que si nous examinons la précision des prévisions en pourcentages, cela ne coïncide pas nécessairement avec la précision des prévisions en dollars, qui est en quelque sorte le cœur du problème dont nous discutons en ce moment.

Nicole Zint: Oui, et c’est très pointu. Encore une fois, je pense que cela va être une déclaration controversée, mais réduire l’erreur de prévision exprimée en pourcentage ne suffit pas à améliorer la performance de la supply chain. Parfois, cela peut même produire exactement l’effet inverse. Donc, si nous prenons un exemple, disons un supermarché. Un supermarché est un problème assez intéressant car le comportement humain peut être très imprévisible. Ainsi, si je gère un supermarché et que je veux savoir si je vais vendre zéro bouteille de shampooing aujourd’hui ou cinq, et que j’ai une prévision, et Joannes, quelle est la différence en termes de précision de cette prévision dans mon scénario actuellement si je la considère en pourcentages par rapport aux dollars ?

Joannes Vermorel: Alors, commençons par clarifier une chose. Le fait qu’il y ait une notion d’incertitude ou très peu d’incertitude va simplement définir l’ampleur de l’erreur de prévision que vous allez observer. Donc, c’est bon. Vous voyez, cela dépend complètement du contexte. Si vous regardez, par exemple, la consommation nationale d’électricité, la variation d’un jour à l’autre est très, très faible. Il existe un cycle quotidien, mais sinon, la consommation est très, très stable, donc vous observerez des variations minimes. Et si vous examinez quelque chose d’extrêmement désagrégé, comme la bouteille de shampooing dans un supermarché, vous observerez, en pourcentage, une variation beaucoup plus élevée. Ceci

Nicole Zint: Examinons cet exemple spécifique de supermarché. C’est une anecdote que j’ai déjà racontée dans un autre épisode. Il y a des années, nous avons réalisé un benchmark de prévision dans ce contexte, et nous avons constaté que la grande majorité des produits, lorsque l’on opère au niveau du magasin, ont une demande moyenne bien inférieure à une unité. Vous savez, vous vendez en moyenne une unité par semaine pour chaque produit, et parfois même moins. Il est plus probable de vendre zéro que d’en vendre une unité. Absolument, donc le résultat le plus probable pour la grande majorité des produits un jour donné est la vente de zéro. Comment se présente la prévision qui vise à maximiser la précision en pourcentages ?

Joannes Vermorel: Si vous prenez une métrique, disons la valeur absolue de votre prévision moins la réalité, puis la divisez par les ventes annuelles, ou autre, et que vous la normalisez, vous obtiendrez une métrique qui, si vous essayez de l’optimiser — c’est-à-dire si vous cherchez quel modèle de prévision vous donnera les meilleurs résultats selon cette métrique —, vous finirez par obtenir un modèle qui prévoit zéro chaque jour. Et pourquoi ? Parce que vendre zéro est de loin le résultat le plus probable un jour donné. Le modèle qui sera le plus précis, selon cette métrique très, très simple et directe que je vous ai donnée — la valeur absolue de la réalité moins la prévision —, si vous l’optimisez, produira des prévisions de zéro. Et, de manière encore plus étrange et nuisible pour la supply chain, c’est que si vous avez un modèle qui prévoit zéro, alors vous obtiendrez zéro, et très vite, votre magasin se retrouvera sans rien en rayon, et par conséquent, votre prévision sera 100 % précise parce que vous prévoyez zéro et vous vendez zéro. Tout semble bien, sauf que ce ne l’est pas. C’est une catastrophe pour l’entreprise.

Nicole Zint: Oui, c’est assez intéressant. Même lorsque nous obtenons une précision de 100 % sur nos prévisions, nous avons zéro chiffre d’affaires. Et pire encore, nous avons toujours zéro chiffre d’affaires, mais nous supportons tous les coûts. Nous continuons à faire fonctionner un magasin. Nous devons payer le personnel, payer le bâtiment, tout. Vous voyez, c’est encore pire. Et ensuite, nous perdons des clients parce qu’ils ne trouvent pas ce qu’ils cherchent, et ils ne reviennent pas.

Joannes Vermorel: Exactement. Et ici, nous constatons une sorte d’absurdité. Ce n’est pas aussi évident quand on regarde des séries temporelles plus agrégées, mais le problème reste exactement le même. Fondamentalement, le problème dans cet exemple d’hypermarché est que nous avons d’immenses asymétries. Le coût de détenir ou d’être en rupture d’une unité n’est absolument pas le même que le coût d’avoir une unité invendue pendant un jour supplémentaire. C’est très, très asymétrique. Ainsi, le problème avec la métrique de précision des prévisions que je viens d’exposer — la valeur absolue de la prévision moins la réalité —, c’est qu’elle est complètement symétrique. Elle attribue donc essentiellement le même poids à la sur-prévision et au surstock. Et ici, nous voyons que, dans un problème très, très simple caractérisé par une asymétrie massive, la métrique de prévision ne capture même pas cette réalité. Et d’un point de vue mathématique, ou parce que les métriques que vous examinez sont typiquement symétriques, pourquoi voudriez-vous avoir une métrique extrêmement asymétrique ? Ce n’est généralement pas…

Nicole Zint: Alors, je veux parler un peu de la précision des prévisions et de son rôle dans l’optimisation de la supply chain. D’un point de vue mathématique, c’est très intéressant et ce n’est qu’effleurer la surface. Nous ne traitons qu’un petit problème, mais ce problème est déjà suffisamment grand pour annuler complètement tous les avantages escomptés d’un processus qui optimiserait les prévisions selon une métrique symétrique. Il me semble donc que non seulement nous abordons peut-être ce problème de la mauvaise manière, mais nous pourrions même nous attaquer au mauvais problème dès le départ. Nous sommes tellement concentrés sur la prédiction de la demande que nous ne prenons pas en compte le coût d’un surstock ou d’une rupture. Et nous nous détachons ainsi des bénéfices réels que nous pourrions obtenir, en nous limitant à deviner la demande exacte.

Joannes Vermorel: Oui, je veux dire, fondamentalement, une prévision n’est qu’une opinion. Idéalement, c’est une opinion éclairée sur l’avenir, qui est en quelque sorte correcte. Cependant, au final, une prévision n’est qu’une opinion éclairée sur l’avenir. Elle ne change rien à votre supply chain. La seule chose qui agit réellement sur votre supply chain, c’est ce que vous faites. Les décisions que vous prenez — dois-je ajouter une unité supplémentaire dans cet hypermarché ou non, pour chaque produit donné un jour donné — voilà les décisions. Ainsi, la question devient, lorsqu’on parle de précision des prévisions, comment l’amélioration de votre modèle de prévision contribue-t-elle à votre objectif final, qui est de prendre la bonne décision au bon moment pour chaque produit chaque jour. C’est un maillon manquant, et c’est généralement ce qui fait cruellement défaut à ces métriques de précision. Et c’est pourquoi, lorsque je vois des discussions dans les communautés supply chain où l’on dit : “Vous savez quoi ? Il y a 20 métriques différentes que nous pouvons utiliser pour la supply chain. Dans cette situation, vous pouvez utiliser ceci. Dans cette situation, vous pouvez utiliser cela,” etc., généralement, toutes ces discussions passent entièrement à côté de l’essentiel. Elles ne commencent même pas à relier ces prévisions — qui ne sont qu’une opinion — aux résultats finaux, qui sont les décisions prises sur la base de ces prévisions. Ainsi, nous détournons notre attention de la conséquence de chacune de ces décisions.

Nicole Zint: Absolument. Mais ces grandes entreprises ont encore des divisions dédiées spécifiquement à l’amélioration de la précision de ces prévisions. Devrait-il y avoir une telle division dès le départ ?

Joannes Vermorel: C’est un sujet que nous avons brièvement abordé dans l’un des épisodes antérieurs de la chaîne, qui traitait des silos et des divisions au sein des grandes entreprises. Vous voyez, le problème, c’est que lorsque vous commencez à introduire des artefacts numériques — et les artefacts numériques peuvent être de toutes sortes, que ce soit des classes ABC, des stocks de sécurité, des prévisions, encore une fois, je dis que tout cela est des artefacts numériques — il n’existe pas de stock de sécurité dans votre warehouse. Vous n’avez pas deux stocks, le stock opérationnel et le stock de sécurité. Il n’y a qu’un seul stock. Et lorsque vous introduisez ces artefacts numériques, il y a une tentation de créer un sous-groupe de spécialistes au sein de l’entreprise qui va devenir expert dans la gestion de cet artefact. Le problème, c’est que ce n’est pas réel. Ce n’est pas parce que vous le faites, ou que la moitié de l’industrie le fait, que vous pouvez être amené à penser que c’est réel, mais ce ne l’est pas, littéralement. Et il existe une multitude de choses de ce genre qui ne sont tout simplement pas réelles. Les stocks de sécurité ne sont pas réels, les taux de service ne sont pas réels, les prévisions, peu importe comment vous les faites.

Nicole Zint: Alors, Joannes, quand nous parlons d’artefacts numériques, que voulons-nous dire exactement ?

Joannes Vermorel: Eh bien, ils ne sont pas réels ; ce sont des artefacts numériques que vous produisez pour atteindre un certain type d’opérations et pour prendre certains types de décisions. Et ainsi, si nous revenons à ces grandes entreprises, elles peinent toujours à répartir la charge de travail. Ce n’est pas parce que vous avez introduit un artefact numérique qu’il faut créer une équipe. Cela est, au contraire, l’une des causes profondes de ces maux — je dirais — qui sapent véritablement la performance de la supply chain dès le départ.

Nicole Zint: Et pourquoi est-ce ainsi ?

Joannes Vermorel: Eh bien, si vous commencez à créer une équipe de spécialistes qui ne vont travailler qu’à améliorer la qualité de la prévision, que va-t-il se passer ? La réalité est qu’ils vont choisir une métrique. Pourquoi ? Parce que s’ils n’ont pas de métrique, ils ne peuvent pas fonctionner. Donc, ils vont choisir une métrique. Il nous faut quelque chose à mesurer, oui. Et parce qu’ils ont une métrique, cela semble très rationnel, vous savez. Oui, nous optimisons la prévision, la valeur absolue de la prévision moins la réalité. Évidemment, si nous produisions une prévision parfaitement précise, notre erreur serait zéro. Et donc, tout le monde est d’accord. Ça semble raisonnable, ça semble rationnel. Sauf que, comme nous l’avons vu dans l’exemple de l’hypermarché, ce n’est absolument pas réel et non plus rationnel. On peut faire des choses complètement insensées avec cela. Néanmoins, si vous êtes une grande entreprise, vous ne vous en rendrez peut-être pas compte. Le diable est dans les détails, et il est probable que les gens ne se rendront même pas compte que c’est absolument totalement bidon et insensé dès le départ. Néanmoins, vous avez une équipe, et l’équipe chargée des prévisions évolue dans sa propre bulle, vous savez. Ce ne sont donc pas eux qui prennent les décisions réelles qui génèrent des résultats ; ce sont eux qui produisent la prévision.

Nicole Zint: Et pourquoi est-ce un problème ?

Joannes Vermorel: Selon leur objectif et leur métrique, ils s’améliorent. Ils vont produire une série de modèles, et avec le temps, ils vont s’améliorer. Ils prendront en compte la saisonnalité; ils prendront en compte les fêtes religieuses. Ils prendront en compte d’innombrables facteurs, et ils s’amélioreront. Ainsi, selon la métrique, la prévision s’améliorera. Et potentiellement, ils introduiront de meilleurs logiciels, toutes sortes de choses avec le temps. Cela s’améliorera selon la métrique, qui ne coïncide pas avec l’intérêt de l’entreprise exprimé en dollars. Donc, la performance du supply chain ne s’améliore pas avec la prévision améliorée. Oui, et encore, certains diraient, “Mais pourquoi ? Nous avons de meilleures prévisions, alors pourquoi cela devrait-il s’améliorer ?” Ces personnes ne font rien pour réellement améliorer, selon les dollars d’erreur qu’ils visent avec leurs métriques de précision. Vous voyez, c’est là le piège. Ce n’est pas parce que vous faites quelque chose qui ressemble un peu à autre chose que vous obtiendrez le résultat que vous obtiendriez en faisant autre chose. Vous savez, c’est littéralement – il y a, euh, je m’égare un peu – mais il existe une anecdote pour l’étranger, que l’on peut retrouver sur Wikipedia à propos des cargo cults, vous savez, c’était pendant la Seconde Guerre mondiale, lorsque des avions américains survolaient des îles du Pacifique et larguaient des cargaisons – de la nourriture, des munitions, diverses marchandises – pour que les soldats arrivant sur les îles aient déjà

Nicole Zint: Lorsque les gens se sont réellement rendus compte, ils ont même été témoins de la naissance de nouvelles religions où certains tentaient de déclencher l’apparition d’un avion qui livrerait plus de cargaison. Comme vous le voyez, c’est ce qui se produit quand on essaie simplement d’imiter en surface quelque chose qui vous a été bénéfique parce que cela s’est produit dans le passé, mais il n’y a plus la substance fondamentale, et ce sont ces cargo cults qui ont émergé en essayant littéralement de réinstaurer la livraison d’une cargaison sur l’île en reproduisant simplement une sorte de choses qui s’est produite. Je crois que c’est ce qui arrive avec, je dirais, la plupart des équipes de prévision qui tentent d’améliorer la performance du supply chain en optimisant simplement ces métriques. Vous savez, cela possède une rationalité propre, mais si vous observez le tableau global, ce n’est absolument pas rationnel. Ce n’est qu’un vernis de rationalité, et vous ne faites que reprendre des formes, vous avez des chiffres, vous avez des gens compétents, vous avez des processus, mais ce n’est pas parce que vous cochez toutes les cases que l’ensemble a réellement un sens. Alors, je dois demander, Joannes, au début, nous avons commencé par faire des prévisions et nous concentrer sur l’augmentation progressive de leur précision, et Joannes, tout au long de ce parcours chez Lokad, comment avez-vous réalisé que cela, en fait, ne générait pas une amélioration ou ne conduisait pas à un supply chain mieux performant pour nos clients ?

Joannes Vermorel: Parce que cela ne fonctionnait tout simplement pas. Alors, comment avez-vous réalisé que nous regardions le mauvais problème ? Je veux dire, j’ai compris, tout d’abord, comment j’ai réalisé que cela ne fonctionnait pas ? Parce que c’est une question délicate, car en fait, même quand cela ne fonctionnait pas, Lokad acquérait des clients sans problème, grandissait parfaitement et était rentable, d’une certaine manière, vous savez, tout allait bien. Donc, si vous grandissez, si vous êtes rentable, et que vous êtes une entreprise de logiciels, cela paraît bien, paraît bien, oui, oui. Mais, cela ne fonctionnait pas pour les clients, vous savez ? Et quand je prenais du recul, et que je me demandais, en posant la question brutale et honnête, “Est-ce que j’ai vraiment amélioré la situation pour les clients ?” Vous savez, si je prenais du recul, si j’oubliais les métriques, essayant simplement de ressentir intuitivement la situation, est-ce que cela s’améliorait vraiment ? Et je commençais à réaliser que non, vous savez, ça n’allait pas. Et pourtant, selon toutes les matrices, ça allait. Mais, si je sortais de la matrice un instant, pour évaluer froidement si ce que nous faisions apportait réellement un changement positif, dans un sens plus profond, quelque chose de significatif, ce n’était pas le cas. Mais des gens diraient, “Oh, mais selon toutes les métriques, nous sommes bons, donc nous atteignons les objectifs.” Mais nous n’apportons rien, et c’est là le problème : si vous choisissez une métrique et que vous optimisez en fonction de cette métrique, alors, oui, vous serez meilleur selon cette métrique. C’est littéralement ce que l’optimisation mathématique et machine learning feront pour vous. Vous choisissez une métrique, et vous lancez un type d’optimisation numérique, et vous obtiendrez quelque chose de meilleur selon cette métrique. Vous voyez, c’était de nature un peu tautologique. Nous choisissons une métrique, nous obtenons de meilleurs résultats selon cette métrique, qu’attendiez-vous, vous savez ? À moins que les algorithmes soient défectueux, nous devrions effectivement faire cela. Mais cela ne signifie pas qu’à un niveau plus profond nous…

Nicole Zint: Pouvez-vous expliquer pourquoi vous croyez en l’annulation précoce des plans ?

Joannes Vermorel: L’annulation précoce, parce que vous voyez que la plupart de nos concurrents optent pour des plans pluriannuels. Ils ne se rendent jamais compte qu’il y a un problème car, fondamentalement, ils passent par un ERP, ils vendent leurs produits, puis s’engagent dans un parcours de cinq ans. Qu’il fonctionne ou non, le client a investi tellement d’efforts dans ce processus qu’il ne peut pas changer, donc il est coincé. Vous savez, ce sont comme des voitures coulées sur lesquelles on joue. Il existe un piège psychologique à persister dans cette voie puisque vous avez déjà investi tant d’efforts. Vous en profitez tellement, et ainsi, après cinq ans, vous êtes épuisé par le déploiement de la solution super complexe, alors vous ne changez pas, vous ne voulez pas changer immédiatement. Et puis, quand vous décidez enfin que vous voulez changer, vous savez, vos 8 ou 10 ans, ensuite vous passez par un autre RFP. Ainsi, si vous perdez le client à ce moment, vous dites simplement, “Eh bien, ce n’est pas que nous faisions quelque chose de mal avec la prévision, c’est juste que la technologie, vous savez, a évolué, certains de nos concurrents ont pris de l’avance avec ce client en particulier, et donc nous n’avons pas regagné le client lors du deuxième RFP.” Mais vous ne faites pas naturellement le lien que ce rapport est extrêmement faible quant à savoir si vous faites réellement du bien et si vos prévisions apportent une valeur réelle pour le client. Si vous “achetez le mois”, soudain vous savez quand le directeur du supply chain se rend compte qu’il ressent la même intuition que ce n’est tout simplement pas apporteur de valeur, peu importe ce que disent les KPIs, alors vous êtes hors jeu. Et donc, la boucle de rétroaction est, je dirais, bien plus serrée.

Nicole Zint: Pouvez-vous me dire comment un produit a évolué tel qu’il est actuellement par rapport à une simple prévision ?

Joannes Vermorel: Nous avons réalisé qu’en termes de précision des prévisions, le problème n’est pas d’optimiser en fonction d’une précision de prévision donnée, d’une métrique donnée. Vous en choisirez une, et cela posera d’innombrables problèmes. Ce n’est pas le problème. Et si votre outil est bien conçu, vous en choisissez une et vous optimisez en fonction de cette métrique, et c’est tout. C’est très simple. Je veux dire, cela pourrait être rendu encore plus simple, mais c’est très simple. Optimisons-nous en ce moment ? Le paramétrage ? Voilà, c’est ça. L’outil est optimisé selon la métrique, mais le fait est que l’outil que nous avons développé est ce qu’il faut pour découvrir les métriques, les métriques de précision dont votre entreprise a besoin. Vous voyez, le parcours a commencé avec l’idée que nous pourrions simplement disposer d’un ensemble préconçu de métriques et optimiser simplement en fonction de celles-ci, et tout irait bien. Ce n’est pas le cas, et c’est bien pire que ce que je pensais initialement. Il ne s’agit pas d’identifier de meilleures métriques. Oui, il existe certaines métriques qui sont légèrement meilleures. Par exemple, si nous revenons à cette situation d’hypermarché, si vous prenez, disons, la pinball loss function, c’est une fonction de perte extrêmement asymétrique qui peut être rendue arbitrairement asymétrique. Vous pouvez obtenir des résultats marginalement meilleurs si vous optez pour la prévision probabiliste. Vous pouvez même opter pour vos métriques spécifiques aux prévisions probabilistes, l’entropie croisée, le continuous rank probability score, et d’autres encore. Donc, il existe des métriques qui sont marginalement meilleures, mais c’est tout. Elles sont juste marginalement meilleures. Le problème est que lorsque vous êtes confronté à une situation réelle…

Nicole Zint: Joannes, pouvez-vous parler du changement de paradigme dans l’optimization de la supply chain qui a eu lieu au cours de la dernière décennie ?

Joannes Vermorel: Oui, bien sûr. Vous voyez, c’est le genre de changement de paradigme auquel nous avons dû faire face au cours de la dernière décennie. Les outils dont nous disposons aujourd’hui répondent littéralement à la question de ce qu’il faut pour que les Supply Chain Scientist découvrent. Nous analysons les données et discutons avec l’expert en supply chain de l’entreprise pour déterminer à quoi devrait ressembler la métrique de précision. Et vous réaliserez que cela n’a pas l’élégance numérique des métriques mathématiques, car il y a des tas de facteurs, des cas particuliers et des éléments très spécifiques au type d’entreprise dans lequel vous opérez. Si vous travaillez dans le secteur du luxe dur, c’est complètement différent de, disons, l’alimentaire frais ou de l’aérospatial. Il existe donc de nombreux cas particuliers et situations limites qui n’ont de sens que parce que vous examinez une entreprise très spécifique. Néanmoins, ces cas particuliers sont absolument cruciaux si vous voulez produire, en fin de compte, des résultats et des décisions qui ne soient pas complètement farfelus. Ce que nous recherchons vraiment, ce sont ces décisions exactes de supply chain. Oui, ce serait l’objectif final. Ce serait la manière de mesurer si vous apportez réellement quelque chose de bénéfique, et cela est vrai pour tous les artefacts numériques intermédiaires que vous produisez.

Nicole Zint: Pouvez-vous expliquer ce que vous entendez par artefacts numériques ?

Joannes Vermorel: Oui, bien sûr. Les prévisions mesurées par leur propre matrice de précision ne sont qu’un type d’artefact numérique. Il existe généralement des dizaines d’autres artefacts numériques qui se situent au cœur du processus. Nous sommes donc passés du fait de nous concentrer sur l’amélioration de la précision des prévisions à l’identification de ces décisions clés de supply chain qui maximisent le profit ou la performance maximale du supply chain, ce qui constitue un changement de perspective tout à fait intéressant.

Nicole Zint: Alors, quel est votre conseil aux entreprises qui souhaitent optimiser leur supply chain ?

Joannes Vermorel: Mon conseil est que si une seule personne n’est pas responsable de tout, depuis l’analyse des données présentes dans l’ERP jusqu’à la génération finale des ordres de production, reapprovisionnement des commandes d’achat, des mouvements de stocks, des variations de prix, alors vous n’avez même pas commencé à optimiser votre supply chain. Si vous n’avez pas une personne responsable de bout en bout de toute cette chaîne, alors tous les efforts que vous avez investis dans de meilleures prévisions ou autre ne sont qu’une illusion. Si les incitations ne sont pas alignées, ces personnes feront des choses qui n’ont aucun sens pour l’entreprise. Imaginez simplement que vous jouiez aux échecs, et je vous dis que vous êtes le cavalier et votre seul objectif est de vous assurer que le cavalier survit jusqu’à la fin de la partie. La question est : pensez-vous qu’en jouant le rôle du cavalier, vous jouiez également la tour, alors que moi, je joue la dame ?

Nicole Zint: Et votre objectif est de survivre. Votre objectif est de survivre. Pensez-vous qu’en procédant ainsi, nous jouons une partie qui a une chance réelle de gagner contre l’adversaire ?

Joannes Vermorel: Non, ce n’est pas le cas. Vous savez, c’est trompeur. L’objectif que nous essayons d’atteindre – et les gens disent, “Oh, dans 99 % des parties que nous avons jouées, je jouais le cavalier, et le cavalier était toujours sur l’échiquier à la fin de la partie.” Oui, mais nous avons perdu chaque partie.

Nicole Zint: C’est bien, mais ce jeu…

Joannes Vermorel: Voilà le problème avec les métriques trompeuses : elles peuvent paraître et sembler super rationnelles, mais en réalité, au fond, elles sont profondément irrationnelles. Et je crois que ce genre de pratiques de prévision et de divisions de prévision que possèdent de nombreuses grandes entreprises est complètement irrationnel. Et je sais que c’est très difficile, car ces divisions sont remplies d’ingénieurs qui veulent bien faire. Ils ne sont pas idiots, et leurs supérieurs ainsi que les personnes au-dessus d’eux ne le sont pas non plus, et ils veulent bien faire. Vous voyez, ce n’est pas une question de personnes qui devraient être licenciées ou autre, non, non, c’est la pire des configurations. C’est tout simplement contre-productif.

Nicole Zint: Exactement, ça ne peut pas fonctionner. C’est défaillant de par sa conception. Cela n’aboutira pas.

Joannes Vermorel: Donc, mon conseil serait de vous assurer de disposer de cette personne unique. Cette personne peut avoir autant de pairs que vous le souhaitez, pour constituer des maillons reliant l’ensemble à la décision finale, et cela devrait correspondre à une optimisation monolithique. Vous ne devriez pas morceler ce processus.

Nicole Zint: Joannes, merci beaucoup pour ce sujet aujourd’hui. En effet, c’est très stimulant sur le plan réflexif. Merci de nous avoir écoutés, et à la prochaine.

Joannes Vermorel: Merci.