Précision des prévisions en dollars plutôt qu'en pourcentage

00:00:08 Introduction du sujet de l’amélioration de la précision des prévisions dans l’industrie de la supply chain.
00:01:22 Explication de ce que signifie une prévision plus précise et de l’utilisation de métriques de prévision.
00:03:21 Discussion sur les limites de l’utilisation de métriques mathématiques pour mesurer la performance des supply chains.
00:05:30 Insistance sur la mesure de la précision des prévisions en dollars plutôt qu’en pourcentage.
00:08:42 Explication de la façon dont la maximisation de la précision en pourcentage peut être trompeuse pour la performance de la supply chain.
00:09:04 Discussion sur les limites de l’utilisation d’une métrique simple pour prévoir les ventes.
00:10:20 Explication de la façon dont l’utilisation d’un modèle qui prévoit des ventes nulles entraîne 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 de la façon dont les prévisions ne sont que des opinions éclairées sur l’avenir et de leur impact sur la supply chain.
00:16:32 Discussion des dangers de la création de divisions dédiées à l’amélioration de la précision des prévisions.
00:18:09 Discussion sur la façon dont les prévisions s’amélioreront avec le temps.
00:19:01 Explication que de meilleures métriques de prévision ne se traduisent pas toujours par une amélioration de la performance de la supply chain.
00:21:41 Réalisation que la croissance et la rentabilité de l’entreprise ne signifiaient pas nécessairement que les supply chains des 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 façon dont le produit est passé d’une simple prévision à un outil qui aide à découvrir les 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 score de probabilité de rang continu.
00:27:54 Le changement de perspective consistant à améliorer la précision des prévisions à maximiser la performance de la supply chain.
00:29:51 L’importance d’avoir une personne responsable de bout en bout de l’ensemble de la supply chain.
00:32:23 L’importance d’avoir un processus d’optimisation monolithique dans la gestion de la supply chain.

Résumé

Le fondateur de Lokad, Joannes Vermorel, a parlé à l’animatrice Nicole Zint des limites de l’utilisation des métriques de précision pour améliorer la performance de la supply chain. Vermorel soutient que les entreprises se concentrent souvent trop sur l’amélioration de la précision des prévisions sans tenir compte de l’impact sur les résultats financiers. Il propose de mesurer la précision des prévisions en dollars d’erreur, plutôt qu’en pourcentage, pour évaluer plus précisément si une entreprise va dans la bonne direction. Vermorel souligne également l’importance de trouver les décisions clés de la supply chain qui maximisent le profit ou la performance, plutôt que de se concentrer uniquement sur l’amélioration de la précision des prévisions. Il met en garde contre les dangers des métriques trompeuses qui peuvent conduire à des décisions absurdes préjudiciables à l’entreprise.

Résumé étendu

Le sujet de l’interview est la précision des prévisions dans l’industrie de la gestion de la supply chain. L’animatrice, Nicole Zint, constate que malgré des décennies d’efforts pour améliorer la précision des prévisions, une meilleure précision n’a pas conduit à de meilleures performances des supply chains. Elle se demande si l’industrie regarde le problème de la mauvaise manière ou se concentre sur le mauvais problème. 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 ce sont toutes des objets mathématiques qui peuvent ne pas être pertinents pour l’industrie de la supply chain. Vermorel note que l’idée selon laquelle on peut simplement choisir une métrique mathématique dans un livre pour résoudre un problème est fausse. Il ajoute que maximiser la précision en pourcentage peut être trompeur pour la performance de la supply chain. Il note également que réduire l’erreur de prévision grâce à l’optimisation des métriques mathématiques ne génère pas de performance supplémentaire de la supply chain. Cependant, augmenter l’erreur de prévision ne permet pas nécessairement d’améliorer la performance de la supply chain non plus. Vermorel estime que la supply chain n’est pas un problème unidimensionnel et qu’il existe une fausse dualité entre précision et performance.

Vermorel explique que pour améliorer la performance de la supply chain, il est crucial de réduire les erreurs de prévision. Cependant, ce n’est pas toujours aussi simple que de simplement réduire les erreurs, car les supply chains sont multidimensionnelles. La clé pour améliorer la performance réside dans la connexion entre la qualité de la prévision et la performance de la supply chain en injectant un facteur économique. Vermorel propose de mesurer la précision des prévisions en dollars d’erreur, plutôt qu’en pourcentage, pour évaluer si l’entreprise va dans la bonne direction. Il note qu’une erreur de prévision exprimée en pourcentage ne correspond pas toujours à la précision des prévisions en dollars, ce qui est le cœur du problème.

Zint demande à Vermorel comment mesurer la performance de la supply chain, 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 de regarder un exemple spécifique, comme un supermarché, pour comprendre comment optimiser les prévisions. Il explique qu’au niveau du magasin, la grande majorité des produits ont 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 en fonction d’une métrique qui maximise la précision des prévisions en pourcentage, elles se retrouveront avec un modèle qui prévoit simplement 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.

Globalement, Vermorel soutient que la clé pour améliorer la performance de la supply chain réside dans la connexion entre la qualité de la prévision et la performance de la supply chain en injectant un facteur économique. Il suggère de mesurer la précision des prévisions en dollars d’erreur et de prendre en compte les coûts associés au fait de ne pas avoir suffisamment de stocks, plutôt que de simplement optimiser en fonction d’une métrique qui maximise la précision des prévisions en pourcentage. En faisant cela, les entreprises peuvent éviter d’optimiser leurs prévisions pour le mauvais résultat, comme zéro vente chaque jour, et plutôt atteindre 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, soulignant le problème lié à l’utilisation d’une métrique de précision des prévisions symétrique qui accorde le même poids à la surestimation et à la surstockage. Vermorel soutient que c’est un problème car le surstockage est un problème important avec des conséquences asymétriques. Il affirme que si la précision des prévisions est importante, elle devrait être liée au résultat final, qui consiste à prendre la bonne décision au bon moment pour chaque produit chaque jour.

Vermorel soutient que l’introduction d’artefacts numériques, tels que les stocks de sécurité, les classes ABC et les taux de service, peut créer une tentation de créer un sous-groupe de spécialistes au sein d’une entreprise qui sont des experts dans la gestion de ces artefacts numériques. Cependant, Vermorel soutient que ces artefacts ne sont pas réels et que la création d’une équipe de spécialistes qui ne travaille que sur l’amélioration de la qualité des prévisions est une cause fondamentale du problème. Il estime qu’une telle équipe fonctionne dans sa propre bulle, produisant des prévisions selon leurs propres objectifs et métriques, sans tenir compte des résultats finaux.

Selon Vermorel, les grandes entreprises ont du mal à répartir la charge de travail, et l’introduction d’un artefact numérique ne signifie pas nécessairement qu’une équipe doit être créée pour l’optimiser. Au lieu de cela, Vermorel soutient que les responsables de la 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 devrait être liée au résultat final, et les responsables de la supply chain devraient veiller à ne pas se concentrer uniquement sur l’amélioration de la précision des prévisions sans tenir compte des conséquences de leurs décisions.

Ils ont discuté des limites de l’utilisation des métriques de précision pour améliorer les performances de la supply chain. Vermorel estime que les entreprises sont trop concentrées sur l’amélioration de la précision des prévisions sans tenir compte de l’impact sur les résultats financiers. En faisant un parallèle avec les cultes de la cargaison des îles du Pacifique pendant la Seconde Guerre mondiale, Vermorel note que les équipes de prévision optimisent les 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 estime que Lokad peut aider les clients à obtenir une supply chain plus performante grâce à un modèle d’abonnement mensuel qui privilégie les résultats positifs.

Vermorel explique comment la boucle de rétroaction dans l’optimisation de la supply chain est plus étroite, 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 créer de nombreux problèmes. Au lieu de cela, les entreprises doivent découvrir les métriques de précision spécifiques à leur activité, ce qui peut être difficile compte tenu des nombreux cas particuliers et facteurs propres à chaque industrie.

Vermorel souligne l’importance de trouver les décisions clés de la supply chain 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 absurdes qui nuisent à l’entreprise. Vermorel met en garde contre les dangers des métriques trompeuses qui semblent rationnelles mais qui sont finalement profondément irrationnelles, comme se concentrer uniquement sur la survie d’une seule pièce d’échecs plutôt que sur la victoire du jeu. Il conclut en conseillant aux entreprises d’avoir un processus d’optimisation monolithique plutôt que de le découper en morceaux, ce qui est intrinsèquement défectueux et contre-productif.

Transcription complète

Nicole Zint: L’ensemble de l’industrie de la supply chain essaie depuis des décennies d’améliorer la précision de ses prévisions. Chaque grande entreprise a même sa propre division dédiée à ce problème. Mais cependant, le résultat de cet effort, peut-être contre-intuitif, a montré que de meilleures prévisions et une meilleure précision n’ont pas conduit à des supply chains plus performantes. Regardons-nous le problème de la mauvaise manière, voire peut-être le mauvais problème dès le départ ? Et qu’est-ce qui change si nous mesurons la précision en dollars plutôt qu’en pourcentage ? C’est le sujet de l’épisode d’aujourd’hui, alors commençons avec Jonas. Que signifie qu’une prévision soit plus précise ?

Joannes Vermorel: Une prévision plus précise signifie qu’en fonction d’une certaine métrique de prévision, vous avez un modèle qui est plus précis qu’un autre. Donc, plus précisément, lorsque nous disons que nous avons une prévision plus précise, c’est un peu un abus de langage. En fait, ce que nous disons vraiment, 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 est simplement une mesure qui quantifie l’erreur de prévision que vous avez sur les deux modèles de prévision. Donc en fait, la précision des prévisions dépend directement de la métrique que vous utilisez, absolument. Et il existe une grande variété de métriques de prévision connues, je dirais, dans la littérature. Les plus répandues sont probablement l’erreur quadratique moyenne, l’erreur absolue, la moyenne générale de pourcentage d’erreur absolue, la pondération de la moyenne, il y a un bestiaire mondial de fonctions qui vous permettent de mesurer l’erreur de prévision. Et toutes ces métriques de prévision ont en commun que si vous avez des résultats parfaits, elles vous indiquent simplement que votre erreur est nulle. Nous avons donc un vaste choix de différentes métriques à utiliser. Laquelle est la meilleure ? Comment le sait-on ?

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 énumérées sont en réalité des objets mathématiques. Vous les trouverez dans les manuels car ils présentent de nombreuses propriétés mathématiques intéressantes. Mais ce n’est pas parce que quelque chose est mathématiquement intéressant qu’il est forcément pertinent dans un domaine d’intérêt. Vous savez, il y a beaucoup de choses qui peuvent être très intéressantes d’un point de vue mathématique, mais cela ne signifie pas que cela aura une quelconque pertinence d’un point de vue de la supply chain. Et je pense que c’est là que réside le cœur du problème. Les gens s’attendent, et c’est à mon avis une attente erronée, à pouvoir simplement consulter un manuel mathématique, passer en revue des dizaines de métriques et en choisir une en disant que celle-ci convient parfaitement. Ça ne fonctionne tout simplement pas comme ça. En réalité, si nous examinons le problème de maximiser notre précision en pourcentage, cela peut être assez trompeur en termes de performance de la supply chain.

Joannes Vermorel: Oui, je veux dire encore une fois, notre conclusion n’est pas que nous devrions maximiser l’erreur de prévision. Ce n’est pas de cela dont je parle. Vous voyez, la découverte était plus déconcertante que cela. La découverte était que si vous réduisez simplement votre erreur de prévision grâce à l’optimisation de métriques mathématiques, cela ne génère pas de performance supplémentaire de la supply chain. Mais l’inverse n’est pas simple. Ce n’est pas simplement parce que vous augmentez votre erreur de prévision que vous améliorez réellement la performance de votre supply chain non plus. Vous voyez, c’est là que cela devient très déconcertant car il y a cette fausse dualité où l’on dit, eh bien, c’est l’un ou l’autre. Oui, ce serait cela si la supply chain était un problème unidimensionnel où si vous, vous savez…

Nicole Zint: Donc, réduire l’erreur de prévision améliore la performance de la supply chain, et si vous faites simplement l’inverse, vous dégradez la performance de la supply chain. Si nous vivions dans un monde unidimensionnel, oui, ce serait ça, mais les supply chains sont multidimensionnelles, donc ça ne fonctionne pas du tout comme ça. Et c’est là que je dirais que l’intuition de base peut se tromper très, très facilement. 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 là que réside le cœur du problème en réalité, c’est que vous voyez, ces métriques de la supply chain, c’est que les gens ont beaucoup de mal à comprendre ce qui devrait être une bonne prévision. Ainsi, vous trouvez une métrique que vous choisissez dans un manuel et vous dites : “C’est ça”, mais vous réalisez très rapidement que ce n’est pas parce que cela a été trouvé dans un manuel, que parce que c’était dans un manuel mathématique, cela a une quelconque pertinence pour votre problème de supply chain. Et donc, si vous voulez avoir quelque chose de plus, la question est quoi d’autre. Vous savez, cela ressemble à une question très ouverte, et en réalité, c’est une question très, très rapide, et la sorte de pratique que nous avons pionnière consiste à penser en termes essentiellement d’erreurs en dollars. Que cherchez-vous à 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 là que vous commencez à mesurer les choses en termes d’erreurs en dollars. Ensuite, vous pouvez commencer à évaluer si vous déplacez réellement l’aiguille dans la direction qui a du sens pour votre supply chain. Ainsi, en fait, plus la performance de la supply chain est bonne, plus l’entreprise génère de l’argent, plus nous réduisons les coûts dans notre supply chain, et donc notre chiffre d’affaires augmente. C’est donc assez intéressant car cela signifie que si nous examinons l’exactitude des prévisions en pourcentage, cela ne correspond pas nécessairement à l’exactitude des prévisions en dollars, ce qui est en quelque sorte le cœur de ce problème que nous discutons en ce moment.

Nicole Zint: Oui, et c’est très concentré. Encore une fois, je pense que cela va être une déclaration controversée, mais réduire l’erreur de prévision exprimée en pourcentage d’erreur ne permet pas d’améliorer la performance de la supply chain. Parfois, cela peut même avoir l’effet inverse. Donc, si nous prenons l’exemple d’un supermarché, c’est un problème assez intéressant car le comportement humain peut être assez imprévisible. Donc, 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 de précision de cette prévision dans mon scénario en termes de pourcentage par rapport aux dollars ?

Joannes Vermorel: Alors, commençons par clarifier une chose. Le fait qu’il y ait une pensée d’incertitude ou très peu d’incertitude va simplement définir le genre d’erreur de prévision que vous allez observer. Donc, c’est normal. Vous voyez, cela dépend complètement de la situation. Si vous regardez, disons, la consommation nationale d’électricité, la variation d’un jour à l’autre est très, très faible. Il y a un schéma quotidien, mais sinon, la consommation est très, très stable, donc vous observerez de très petites variations. Et si vous regardez quelque chose de très désagrégé, comme les bouteilles de shampooing dans un supermarché, vous observerez en pourcentage des variations beaucoup plus élevées. Cela

Nicole Zint: Regardons 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 une étude comparative de prévisions dans cette configuration, et ce que nous avons réalisé, c’est que la grande majorité des produits, lorsque vous opérez au niveau du magasin, ont une demande moyenne bien inférieure à un. Vous savez, vous vendez en moyenne une unité par semaine par produit, voire moins parfois. Il est plus probable de vendre zéro que une unité de cela. Absolument, donc le résultat le plus probable pour la grande majorité des produits un jour donné est de vendre zéro. Comment la prévision qui cherche à maximiser la précision en pourcentage se comporte-t-elle ?

Joannes Vermorel: Si vous prenez une métrique, disons la valeur absolue de votre prévision moins la réalité, puis vous pouvez diviser par les ventes annuelles ou autre chose, et normaliser cela. Ce que vous obtiendrez, c’est une métrique qui, si vous essayez de l’optimiser, c’est-à-dire si vous essayez de trouver quel est le modèle de prévision qui vous donnera les meilleurs résultats selon cette métrique, vous vous retrouverez avec un modèle qui prévoit zéro chaque jour. Et pourquoi ? Parce que les ventes zéro sont de loin le résultat le plus probable chaque jour. Le modèle qui sera le plus précis, selon cette métrique très simple et directe que je vous ai donnée, c’est-à-dire la valeur absolue de la réalité moins la prévision, si vous l’optimisez simplement, vous aurez une prévision qui produira zéro. Et encore plus étrange et encore plus préjudiciable pour la supply chain, c’est que si vous avez un modèle qui prévoit zéro, alors vous vendrez zéro, et très rapidement votre magasin n’aura plus rien en rayon, et donc très rapidement votre prévision sera à 100% précise car vous prévoyez zéro, vous vendez zéro. Tout va bien, sauf que ce n’est pas le cas. 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 n’avons aucun revenu. Et pire encore, nous n’avons toujours aucun revenu, mais nous avons tous les coûts. Nous continuons à exploiter un magasin. Nous devons payer les employés, payer le bâtiment, tout. Donc, vous voyez, c’est encore pire que ça. Et puis 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 voyons que c’est une sorte d’absurdité. Ce n’est pas aussi évident lorsque nous examinons des séries temporelles plus agrégées, mais le problème est exactement le même. Fondamentalement, le problème ici dans cet exemple d’hypermarché est que nous avons des asymétries massives. Le coût d’avoir ou de manquer d’une unité n’est absolument pas le même par rapport au coût d’avoir une unité invendue pendant un jour supplémentaire. C’est très, très asymétrique. Et donc, vous voyez, le problème avec la métrique de précision des prévisions que je viens de décrire initialement, la valeur absolue de la prévision moins la réalité, c’est qu’elle est complètement symétrique. Ainsi, elle met essentiellement le même poids sur la sur-prévision et le surstockage. Et ici, nous voyons que c’est un problème très, très simple où nous avons une asymétrie massive, et la métrique de prévision ne capture même pas cela. Et pourquoi serait-ce du point de vue mathématique ou des métriques que vous regardez, sont généralement symétriques ? C’est du point de vue mathématique. Pourquoi voudriez-vous avoir une métrique hautement asymétrique ? C’est généralement inutile…

Nicole Zint: Donc, 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 cela ne fait qu’effleurer le sujet. Nous ne regardons qu’un tout petit problème, mais ce petit problème est déjà suffisamment important pour annuler complètement tous les avantages escomptés qui découleraient d’un processus qui optimiserait les prévisions selon une métrique symétrique. Donc, il me semble que nous ne regardons peut-être pas seulement ce problème de la bonne manière, mais nous pourrions même regarder le mauvais problème dès le départ. Nous sommes tellement concentrés sur deviner quelle sera la demande que nous ne réfléchissons pas au coût d’avoir un excès de stock ou un manque de stock. Et nous nous éloignons des bénéfices réels que nous pouvons obtenir, et nous nous concentrons uniquement sur la prévision exacte de la demande.

Joannes Vermorel: Oui, je veux dire plus fondamentalement, une prévision n’est qu’une opinion. Idéalement, c’est une opinion éclairée sur l’avenir, qui est en quelque sorte correcte. Cependant, en fin de compte, une prévision n’a aucun impact sur votre supply chain. La seule chose qui a un impact sur votre supply chain, c’est ce que vous faites réellement. Les décisions que vous prenez, est-ce que je mets une unité supplémentaire dans cet hypermarché ou non, pour n’importe quel produit à n’importe quel jour donné, ce sont ces décisions. Ainsi, la question devient, lorsque vous voulez réfléchir en termes 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 lien manquant, et c’est généralement ce qui est complètement absent de ces métriques de précision. Et c’est pourquoi lorsque je vois des discussions dans les communautés de la supply chain où les gens disent : “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., etc., généralement toutes ces discussions passent complètement à côté du sujet. Elles ne commencent même pas à relier ces prévisions, qui ne sont encore qu’une opinion, avec les résultats finaux, qui sont les décisions qui sont prises sur la base de ces prévisions. Donc, nous éloignons notre attention des conséquences de chacune de ces décisions.

Nicole Zint: Absolument. Mais ces grandes entreprises ont encore des divisions spécifiquement dédiées à l’amélioration de l’exactitude de ces prévisions. Devrait-il y avoir une telle division en premier lieu ?

Joannes Vermorel: C’est un sujet que nous avons brièvement abordé dans l’un des épisodes précédents de la chaîne, qui était les silos et les divisions au sein des grandes entreprises. Vous voyez, le problème est que lorsque vous commencez à introduire des artefacts numériques, et les artefacts numériques peuvent être de n’importe quel type, cela peut être des classes ABC, cela peut être des stocks de sécurité, cela peut être des prévisions, encore une fois, je dis que tout cela sont des artefacts numériques. Il n’y a pas de telle chose comme un stock de sécurité dans votre entrepôt. Vous n’avez pas deux stocks, le stock de travail et le stock de sécurité. Maintenant, il n’y a qu’un seul stock. Ce que vous avez, 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 vont être des experts dans la gestion de cet artefact numérique. Le problème, c’est que ce n’est pas réel. Juste parce que vous le faites, ou que la moitié de l’industrie le fait, vous pouvez être induit en erreur en pensant que c’est quelque chose de réel, mais ce n’est pas le cas, littéralement. Et il y a des tonnes de choses comme ça 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 quelle que soit la manière dont vous les faites

Nicole Zint: Donc, 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 réaliser un certain type d’opération et prendre certaines décisions. Et donc, si nous revenons à ces grandes entreprises, elles ont toujours du mal à répartir la charge de travail. Ce n’est pas parce que vous avez introduit un artefact numérique que vous devez introduire une équipe. C’est, au contraire, l’une des causes profondes de ces, je dirais, maux qui sapent vraiment les performances de la supply chain en premier lieu.

Nicole Zint: Et pourquoi est-ce un problème ?

Joannes Vermorel: Eh bien, si vous commencez à créer une équipe de spécialistes qui ne vont travailler que sur l’amélioration de la qualité des prévisions, que va-t-il se passer ? La réalité, c’est qu’ils vont choisir une métrique. Pourquoi ? Eh bien, parce que s’ils n’ont pas de métrique, ils ne peuvent pas fonctionner. Donc, ils vont choisir une métrique. Nous avons besoin de quelque chose à mesurer, oui. Et parce qu’ils ont une métrique, cela semble très rationnel, vous savez. Oui, nous optimisons la prévision, valeur absolue de la prévision moins la réalité. Évidemment, si nous devions produire des prévisions parfaitement précises, notre erreur de prévision serait nulle. Et donc, tout le monde est d’accord. Oui, ça semble raisonnable, ça semble rationnel. Sauf, sauf que nous avons vu dans l’exemple de l’hypermarché que ce n’est absolument pas réel et pas rationnel. Vous pouvez faire des choses complètement insensées avec ça. Néanmoins, si vous êtes une grande entreprise, vous ne vous en rendrez peut-être pas compte. Le diable est dans les détails, et vous ne vous rendrez probablement même pas compte que c’est absolument complètement faux et dénué de sens en premier lieu. Néanmoins, vous avez une équipe, et ensuite l’équipe qui est chargée des prévisions où ils opèrent dans leur propre bulle, vous savez. Donc, ce ne sont pas eux qui prennent les décisions réelles qui les amènent ; ce sont eux qui produisent les prévisions.

Nicole Zint: Et pourquoi est-ce un problème ?

Joannes Vermorel: Selon leur objectif et leur métrique, ils s’améliorent. Ils produiront une série de modèles et au fil du temps, ils s’amélioreront. Ils prendront en compte la saisonnalité, les jours fériés religieux, ainsi que de nombreux autres facteurs, et ils s’amélioreront. Ainsi, selon la métrique, les prévisions s’amélioreront. Et éventuellement, ils apporteront de meilleurs logiciels, toutes sortes de choses au fil du temps. Les prévisions s’amélioreront selon la métrique, ce qui ne correspond pas à l’intérêt de l’entreprise exprimé en dollars. Donc, la performance de la supply chain ne s’améliore pas avec les prévisions améliorées. Oui, et encore une fois, les gens diraient : “Mais pourquoi ? Nous avons de meilleures prévisions, alors pourquoi cela devrait-il s’améliorer ?” Ces personnes ne font rien pour réellement s’améliorer en fonction des dollars d’erreur qu’elles visent avec les métriques de précision. Vous voyez, c’est ça le truc. Ce n’est pas parce que vous faites quelque chose qui ressemble à autre chose que vous obtiendrez le résultat que vous obtiendriez si vous faisiez autre chose. Vous savez, il y avait une anecdote très, je m’égare un peu, mais il y a une anecdote sur les cultes du cargo, vous savez, c’était pendant la Seconde Guerre mondiale où il y avait des avions américains qui survolaient des îles du Pacifique et ils larguaient des cargaisons - de la nourriture, des munitions, divers biens - afin que les soldats qui venaient d’arriver sur les îles en aient déjà.

Nicole Zint: Quand les gens ont réalisé qu’ils étaient même témoins de la naissance de nouvelles religions où les gens essayaient en quelque sorte de déclencher l’apparition d’un avion qui livrerait plus de cargaison. Comme vous le voyez, c’est ce qui se passe lorsque vous essayez simplement d’imiter en surface quelque chose qui vous était bénéfique parce que cela s’est produit dans le passé, mais il n’y a plus la substance essentielle, et ce sont ces cultes du cargo qui ont émergé en essayant littéralement de réinstaurer la livraison d’une cargaison sur l’île en reproduisant simplement certaines choses qui se sont produites. Je pense que c’est ce qui se passe avec, je dirais, la plupart des équipes de prévision qui essaient de générer de meilleures performances de la supply chain en optimisant simplement ces métriques. Vous savez, cela a sa propre rationalité, mais si vous regardez l’image globale, ce n’est absolument pas rationnel. C’est juste un vernis de rationalité, et vous prenez simplement les formes, donc vous avez des chiffres, vous avez des personnes intelligentes, vous avez des processus, mais ce n’est pas parce que vous cochez toutes les cases que tout cela a réellement un sens. Donc, je dois demander, Joannes, au départ, nous avons commencé par faire des prévisions et nous avons mis l’accent sur le fait de rendre une prévision de plus en plus précise, et Joannes, tout au long de ce parcours chez Lokad, comment avez-vous réalisé que cela, en fait, ne générait pas de meilleures performances de la supply chain pour nos clients ?

Joannes Vermorel: Parce que ça ne fonctionnait pas, tout simplement. Alors, comment avez-vous réalisé que nous regardions le mauvais problème ? Je veux dire, j’ai réalisé, tout d’abord, comment ai-je réalisé que ça ne fonctionnait pas ? Parce que c’est une question délicate car en réalité, même lorsque ça ne fonctionnait pas, Lokad acquérait des clients normalement, et se développait normalement et était rentable, en quelque sorte, vous savez, tout allait bien. Donc, si vous vous développez, si vous êtes rentable et que vous êtes une entreprise de logiciels, ça semble bien, ça semble bien, ouais, ouais. Mais, ça ne fonctionnait pas pour les clients, vous savez ? Et quand je prenais du recul, et que je réfléchissais, je me posais la question honnête et brutale, “Est-ce que j’ai vraiment amélioré la situation pour les clients ?” Vous savez, si je prends du recul, si j’oublie les métriques, vous savez, oubliez les métriques, essayez juste d’avoir, comme, une perception instinctive de la situation, est-ce que ça s’améliore vraiment ? Et je commençais à réaliser que non, vous savez, ça ne s’améliorait pas. Et c’était, mais selon toutes les matrices, si. Mais, si je sortais de la matrice pendant une seconde, si j’essayais d’évaluer froidement si ce que nous faisions apportait vraiment un changement positif, vous savez, dans un sens plus profond, quelque chose qui, et ce n’était pas le cas. Mais les gens diraient, “Oh, mais selon toutes les métriques, nous sommes bons, donc nous atteignons les métriques.” Mais nous n’apportons pas, mais c’est le problème, c’est que si vous choisissez une métrique et que vous l’optimisez en fonction de cette métrique, alors, oui, vous allez être meilleur selon cette métrique. C’est vraiment littéralement ce que l’optimisation mathématique et l’apprentissage automatique feront pour vous. Vous choisissez une métrique, et vous exécutez une sorte d’optimisation numérique, et vous obtiendrez quelque chose de meilleur selon cette métrique. Donc, vous voyez, c’était un peu de nature tautologique. Nous choisissons une métrique, nous faisons mieux selon cette métrique, qu’attendiez-vous, vous savez ? À moins que les algorithmes soient mal faits, nous devrions effectivement faire exactement cela. Mais, cela ne signifie pas que, 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 réalisent jamais que quelque chose ne va pas parce qu’ils passent fondamentalement par un ERP, ils vendent leurs produits, puis ils se lancent dans un voyage de cinq ans. Que cela fonctionne ou non, le client a tellement investi d’efforts qu’il ne peut pas changer, il est donc bloqué. Vous savez, ce sont des voitures coulées avec lesquelles on joue. Il y a un tel piège psychologique à s’en tenir à cela puisque vous avez déjà investi tant. Vous appréciez tellement que vous l’avez manqué et donc après cinq ans, vous êtes épuisé à déployer la solution super complexe, donc vous ne changez pas, vous ne voulez pas changer tout de suite. Et puis quand vous décidez enfin que vous voulez changer, vous savez que vous avez 8 ou 10 ans, puis vous passez par un autre RFP. Donc, si vous perdez le client à ce stade, 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 sur ce client spécifique, et donc nous n’avons pas remporté le client à nouveau lors du deuxième RFP.” Mais vous ne faites pas naturellement le lien entre le fait que le lien est très lâche sur le fait que vous faites du bien et que vos prévisions font réellement quelque chose qui a de la valeur pour le client. Si vous achetez le mois, tout à coup vous savez quand le directeur de la chaîne d’approvisionnement réalise qu’il ou elle a le même genre de pressentiment que cela ne vous apporte pas de valeur sur la table, peu importe ce que disent les KPI, alors vous êtes dehors. Et donc, la boucle de rétroaction est beaucoup, je dirais, beaucoup plus serrée.

Nicole Zint: Pouvez-vous me dire comment un produit a évolué tel qu’il est maintenant 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, cela posera des tonnes de problèmes. Ce n’est pas le problème. Et si votre outillage est bon, vous choisissez une métrique et vous l’optimisez par rapport à cette métrique, et c’est tout. C’est très simple. Je veux dire que cela pourrait être encore plus simple, mais c’est très simple. Est-ce que nous optimisons en ce moment ? L’accord ? Maintenant, c’est ça le truc. L’outil est optimisé selon la métrique, mais le problème est que l’outil que nous avons développé est ce qu’il faut pour découvrir les métriques, les métriques de précision dont vous avez besoin pour votre entreprise. Vous voyez que c’est ainsi que le voyage a commencé, nous avons commencé avec l’idée que nous pouvons simplement avoir un ensemble préconçu de métriques et les optimiser et ce sera bon. Ce n’est pas le cas, et c’est bien pire que je ne le pensais au départ. Il ne s’agit pas d’identifier de meilleures métriques. Oui, il y a quelques métriques qui sont légèrement meilleures. Par exemple, si nous revenons à cette situation d’hypermarché, si vous prenez disons la fonction de perte pinball, c’est une fonction de perte hautement asymétrique qui peut être rendue arbitrairement asymétrique. Vous pouvez obtenir des résultats marginalement meilleurs si vous optez pour des prévisions probabilistes. Vous pouvez même opter pour vos métriques spécifiques pour les prévisions probabilistes, cross-entropy, continuous rank probability score, il y en a d’autres. Donc, il y a des métriques qui sont marginalement meilleures, mais c’est tout. Elles sont simplement marginalement meilleures. Le problème, c’est quand vous êtes confronté à un réel-

Nicole Zint: Joannes, pouvez-vous parler du changement de paradigme dans l’optimisation de la supply chain qui s’est produit au cours de la dernière décennie ?

Joannes Vermorel: Oui, bien sûr. Vous voyez, c’est le genre de changement de paradigme que nous avons dû subir au cours de la dernière décennie. Les outils que nous avons aujourd’hui répondent littéralement à la question de ce que les Supply Chain Scientists doivent découvrir. Nous analysons les données et discutons avec l’expert en supply chain de l’entreprise de ce à quoi devrait ressembler la métrique de précision. Et vous vous rendrez compte que c’est quelque chose qui n’a pas la même élégance numérique que ces métriques mathématiques, car il y a des tonnes de facteurs, de cas particuliers et de choses très spécifiques au type d’activité que vous exercez. Si vous faites du luxe haut de gamme, c’est complètement différent, par exemple, de la nourriture fraîche ou de l’aérospatiale. Il y a donc des tonnes de cas particuliers et de situations particulières qui n’ont de sens que parce que vous regardez une entreprise très spécifique. Mais néanmoins, ces cas particuliers sont complètement critiques si vous voulez produire des résultats et des décisions qui ne sont pas complètement insensés. Donc, ce que nous recherchons vraiment, ce sont ces décisions exactes en matière de supply chain. Oui, ce serait l’objectif final. Ce serait la façon de mesurer que vous faites du bien, et cela vaut 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 avec leur propre matrice de précision de prévision ne sont qu’un type d’artefact numérique. Il y a généralement des dizaines d’autres artefacts numériques qui se trouvent en cours de route. Nous sommes donc passés de l’amélioration de la précision des prévisions à la recherche de ces décisions clés en matière de supply chain qui maximisent le profit ou les performances de la supply chain, ce qui est un changement de perspective assez intéressant.

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

Joannes Vermorel: Mon conseil est que si ce n’est pas une personne qui est responsable de tout, depuis la compréhension des données qui se trouvent dans l’ERP jusqu’à la génération finale des ordres de production, des commandes de réapprovisionnement, 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 déployés pour améliorer les prévisions ou autre chose 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. Pensez-y comme si vous jouiez aux échecs, et je dis que vous jouez le cavalier et votre objectif est simplement de vous assurer que le cavalier survit jusqu’à la fin de la partie. La question est, pensez-vous que si vous dites que vous jouez le cavalier, vous jouez la tour, et je joue la reine ?

Nicole Zint: Et votre objectif est de survivre. Votre objectif est de survivre. Pensez-vous qu’en faisant cela, nous jouerons globalement un jeu qui a une chance de gagner contre l’adversaire ?

Joannes Vermorel: Non, ça ne le fait pas. Vous savez, c’est trompeur. L’objectif que nous essayons de dire, oui, 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: C’est le problème avec les métriques trompeuses, c’est qu’elles peuvent sembler et paraître super rationnelles, mais en réalité, au fond, c’est profondément irrationnel. Et je pense que ce genre de pratiques de prévision et de divisions de prévision que de nombreuses grandes entreprises ont sont complètement irrationnelles. Et je sais que c’est très difficile parce que ces divisions sont remplies d’ingénieurs qui veulent bien faire. Ce ne sont pas des idiots, et leurs patrons et les personnes au-dessus d’eux ne sont pas des idiots non plus, et ils veulent bien faire. Donc, vous voyez, ce n’est pas un problème d’avoir des gens qui devraient être virés ou quoi que ce soit, non, non, c’est le pire des scénarios. C’est juste contre-productif.

Nicole Zint: Exactement, ça ne peut pas. C’est cassé par conception. Ça n’atteindra pas.

Joannes Vermorel: Donc mon conseil serait de vous assurer d’avoir cette personne. Cette personne peut avoir autant de pairs que vous le souhaitez, vous savez, pour avoir des packages d’un bout à l’autre qui connectent la ligne où ils se trouvent à la décision finale, et cela devrait être, vous savez, une optimisation monolithique. Vous ne devriez pas découper et découper ce processus.

Nicole Zint: Joannes, merci beaucoup pour ce sujet aujourd’hui. En effet, très stimulant. Merci de nous avoir suivi et à la prochaine fois.

Joannes Vermorel: Merci.