00:50 Introduction
02:22 Livre de Claude Bernard
11:19 L’histoire jusqu’à présent
13:39 Expériences en supply chain ?
19:21 Méthodes expérimentales : contre les études de cas
20:50 Sur les grandes marques
28:14 Sur les tabous
35:05 Sur les perspectives d’emploi
37:51 Sur la pseudo-neutralité
42:59 Sur les fournisseurs
45:57 Méthodes expérimentales : pro personae
46:54 Fiction vs réalité
52:19 Création d’une persona de la supply chain
55:26 Critères de rejet
01:02:33 Problème vs solution, 1/3
01:08:53 Problème vs solution, 2/3
01:11:41 Problème vs solution, 3/3
01:16:13 Prochaines personae
01:17:06 Conclusion
01:18:29 Prochaine conférence et questions du public
Description
Une “persona” de la supply chain est une entreprise fictive. Cependant, bien que l’entreprise soit fictive, cette fiction est conçue pour mettre en évidence ce qui mérite l’attention d’un point de vue de la supply chain. Cependant, la persona n’est pas idéalisée au sens de simplifier les défis de la supply chain. Au contraire, l’intention est de magnifier les aspects les plus difficiles de la situation, les aspects qui résisteront le plus obstinément à toute tentative de modélisation quantitative et à toute tentative de pilotage d’une initiative visant à améliorer la supply chain.
En supply chain, les études de cas - lorsque une ou plusieurs parties sont nommées - souffrent de graves conflits d’intérêts. Les entreprises, ainsi que leurs fournisseurs (logiciels, consultants), ont un intérêt financier à présenter les résultats sous un jour positif. De plus, les supply chains réelles souffrent ou bénéficient généralement de conditions accidentelles qui n’ont rien à voir avec la qualité de leur exécution. Les personae de la supply chain sont la réponse méthodologique à ces problèmes.
Transcription complète
Salut à tous, bienvenue dans cette série de conférences sur la supply chain. Je suis Joannes Vermorel et aujourd’hui je vais présenter les “Personae de la Supply Chain”. Pour ceux d’entre vous qui assistent à la conférence en direct, vous pouvez poser des questions à tout moment via le chat YouTube. Cependant, je ne lirai pas les questions pendant la conférence ; je reviendrai sur le chat à la fin des conférences pour répondre, si possible, à toutes les questions qui ont été posées.
Le sujet d’aujourd’hui est de savoir si nous pouvons élever l’étude des supply chains au rang de science. On pourrait objecter que les supply chains sont avant tout une activité commerciale et une pratique. Absolument, mais la question est de savoir si nous pouvons améliorer la gestion de la supply chain, et si oui, pouvons-nous le faire de manière systématique, fiable et quelque peu contrôlée ? Je crois que cela n’est possible que par le biais de quelque chose qui ressemblerait à une méthode scientifique appliquée aux connaissances que nous avons.
Pour apporter des améliorations, nous avons besoin de connaissances, et nous avons besoin de connaissances de haute qualité. Que veux-je dire par haute qualité ? Il s’agit de connaissances qui peuvent être caractérisées par ce qui caractérise généralement les connaissances scientifiques de nos jours. Si nous n’avons que l’intuition, cela limite considérablement ce que nous pouvons espérer apporter aux supply chains de manière systématique. La méthode scientifique est vraiment d’un grand intérêt, et pouvoir élever l’étude des supply chains au rang de science revêt une importance cruciale. Mais cela soulève la question : qu’est-ce que la science, et qu’est-ce que la méthode scientifique ?
Je crois qu’il y a un livre, “Introduction à l’étude de la médecine expérimentale”, publié par Claude Bernard en 1865, qui est un véritable jalon dans l’histoire de la science. Claude Bernard, un chercheur très célèbre à l’époque, est encore considéré de nos jours comme l’un des pères fondateurs, voire le père fondateur, de la médecine moderne par de nombreuses personnes. En raison d’une maladie, il s’est retiré et a réfléchi à une quête de connaissances tout au long de sa vie. Il a commencé à mettre par écrit ses idées sur la manière dont il avait réussi et quelles sortes de méthodes il avait utilisées au cours de sa carrière pour faire toutes les découvertes qu’il avait faites.
C’est un livre absolument fascinant. Il se lit comme un roman, ce qui est très surprenant. C’est complètement différent des “Principia Mathematica” de Newton, qui est presque insupportable. Ce livre est très facile à lire, du moins en français. Je ne sais pas pour la version anglaise, mais je suppose que de bonnes traductions existent. Avec beaucoup de clarté et de simplicité, Claude Bernard explique et donne de nombreux indices sur la science et la méthode scientifique. C’est quelque chose qui est profondément éclairant pour les supply chains.
D’ailleurs, malgré le titre de ce livre, qui semble être très centré sur la médecine, la plupart de ce que Claude Bernard décrit est complètement non spécifique à la médecine. Ce livre a eu une influence profonde sur de nombreuses autres sciences bien au-delà de la médecine. Pour comprendre pourquoi, nous devons comprendre qu’au XIXe siècle, Claude Bernard luttait contre des opposants qui étaient totalement opposés à l’idée que la médecine devrait, au moins en partie, devenir une science. En effet, l’étude de la médecine est confrontée à deux défis majeurs, qui, je crois, sont également d’une grande pertinence pour les supply chains.
Le premier défi est que les êtres vivants sont incroyablement et irréductiblement complexes. Si vous avez un organisme vivant, vous ne pouvez pas simplement appliquer une sorte d’approche diviser-pour-régner ; vous ne pouvez pas le démonter pour l’étudier car si vous le faites, vous tuez simplement l’être vivant et vous vous retrouvez avec quelque chose qui n’est plus vivant. Cela passe complètement à côté de l’objet de votre étude. Cette complexité irréductible et le fait que vous avez quelque chose de super complexe que vous ne pouvez pas facilement démonter s’appliquent également aux supply chains. Si vous avez une supply chain composée de fournisseurs, d’usines, d’entrepôts, de centres de distribution et de magasins, et si vous en enlevez un seul de ces éléments, la supply chain ne fonctionne plus et n’a même plus de sens. Vous ne pouvez même plus l’étudier en tant que supply chain. Nous avons donc cette sorte de complexité irréductible qui s’applique également aux supply chains.
Le deuxième grand défi est qu’un être vivant est essentiellement un système entrelacé. Si vous commencez à apporter un petit changement local, il y a de fortes chances que cela ait des répercussions sur l’organisme tout entier. Par exemple, vous pouvez faire une injection très locale de poison, mais cela va avoir un impact sur tout l’organisme, pas seulement sur l’endroit où vous avez réellement injecté le poison. Cela résonne également beaucoup avec les supply chains car, comme je l’ai décrit dans l’une de mes conférences précédentes, la plupart des optimisations locales dans une supply chain ne font que déplacer un problème ailleurs dans le réseau. Nous avons donc ces deux problèmes, et à l’époque, Claude Bernard était confronté à des opposants qui disaient essentiellement que la médecine, en raison de ces problèmes, est irréductible et ne peut pas être réduite à quelque chose d’aussi vulgaire qu’une science. Claude Bernard, ainsi que de nombreuses autres personnes et ceux qui ont suivi, ont prouvé que cette perspective était complètement fausse. Cependant, il est intéressant de constater que ce défi existe toujours, et je crois que même un siècle et demi plus tard, nous en sommes toujours là en ce qui concerne les supply chains.
Maintenant, si nous voulons comprendre ce que Claude Bernard apporte avant tout, c’est l’idée des expériences. Dans son livre, il avance l’idée que notre connaissance passe par trois étapes : l’émotion, la raison et l’expérience. L’idée est que la méthode scientifique commence par une émotion, une étincelle de volonté, qui vous donne une sorte d’idée préconçue sur l’univers. Grâce à cette émotion, vous pouvez commencer à faire n’importe quoi, même si c’est profondément irrationnel et n’a aucune qualité scientifique. Sans cela, vous n’avez pas l’impulsion initiale qui déclenchera le reste. L’initialisation de ce système de connaissance est l’émotion, puis vient la raison. La raison donne forme, structure et direction à cette idée pour que vous puissiez commencer à agir. À ce stade, vous avez une idée, mais il n’est pas clair si elle est vraie ou fausse. Elle existe simplement, mais elle a plus de structure que la première étape, qui était simplement l’émotion.
Grâce à la raison, vous pouvez construire la première étape d’une expérience. L’idée est qu’à travers la raison, vous allez mettre votre idée à l’épreuve. Vous avez cette idée préconçue sur l’univers, et vous allez mener une expérience qui vous permettra de tester l’idée. La chose intéressante, c’est que vous devez croire en votre idée, sinon vous n’allez pas poursuivre tous les efforts et le temps nécessaires pour mener réellement l’expérience. La méthode scientifique n’est pas l’élimination des croyances antérieures ; ce n’est absolument pas le cas. Vous devez avoir quelque chose qui vous motive, ces idées préconçues qui guideront votre action.
Ensuite, vous menez l’expérience, observez les résultats et laissez l’observation prendre le contrôle de vos idées. Vous aviez vos idées préconçues, vous avez mené l’expérience, et une fois que vous avez terminé votre expérience, vous laissez ce que vous venez d’observer prendre le contrôle de vos idées, et c’est ainsi que se construit la connaissance. L’une des idées profondes de la science expérimentale est qu’il n’y a pas de connaissance en nous. Nous avons des émotions et une capacité innée de raisonner, mais toute la connaissance à trouver se trouve à l’extérieur de nous. Même si cela semble évident maintenant, au XIXe siècle, ce n’était absolument pas le cas. En ce qui concerne les chaînes d’approvisionnement, il n’est pas évident que tout le monde soit d’accord avec moi sur ce point. L’idée d’avoir une science expérimentale consiste à construire et à extraire des connaissances de l’univers, et l’étape élémentaire pour cela est une série d’expériences.
Dans ma dernière conférence, j’ai conclu le premier chapitre de cette série de conférences, qui était le prologue. Dans le prologue, j’ai présenté mes points de vue sur la façon d’aborder les chaînes d’approvisionnement en premier lieu. J’ai défini la chaîne d’approvisionnement lors de la première conférence comme la maîtrise de l’optionnalité. J’ai également présenté des points de vue à la fois qualitatifs et quantitatifs pour vous donner un aperçu de la façon dont j’aborde le problème. Dans ces conférences actuelles, j’ouvre un deuxième chapitre : la méthodologie. Si nous voulons améliorer les chaînes d’approvisionnement, nous avons besoin de connaissances pour orienter nos actions. Si nous voulons avoir un moyen fiable d’apporter des améliorations et avoir un espoir raisonnable d’un haut degré de contrôle, alors nous avons besoin que ces connaissances soient solidement ancrées. Je crois que nous avons besoin de quelque chose qui ressemble à la méthode scientifique. Lorsque je parle de la méthode scientifique, j’abuse du terme, car il n’y a pas de “méthode scientifique” en tant que telle. Il existe en réalité une large série de méthodes, et Claude Bernard, dans son livre, en présente une série. Bernard a également démontré que la science progresse non seulement grâce à de meilleures théories, mais aussi grâce à de meilleures méthodes. Le défi n’est pas seulement d’en savoir plus sur les chaînes d’approvisionnement, mais aussi d’établir des fondements avec des méthodes qui se révèlent supérieures pour générer de meilleures connaissances, plus rapidement, de manière plus fiable et plus précise. L’objectif d’une chaîne d’approvisionnement est d’avoir une méthode, parmi tant d’autres, pour relier les chaînes d’approvisionnement en tant que domaine d’étude à ce qui se passe dans le monde réel et exploiter les informations qui ne sont pas en nous mais dans le monde extérieur.
La façon d’apporter une dose de réalité dans votre domaine d’étude passe généralement par des expériences. Cependant, dans le cas spécifique des chaînes d’approvisionnement, il semble que les expériences en matière de chaîne d’approvisionnement soient assez compliquées pour plusieurs raisons. Permettez-moi de les présenter brièvement.
La première raison est la confidentialité. Comme nous l’avons vu dans une précédente conférence, une chaîne d’approvisionnement ne peut pas être observée directement ; elle ne peut être observée qu’indirectement. Les seules choses que vous pouvez observer dans une chaîne d’approvisionnement sont les enregistrements électroniques qui sont collectés et rassemblés par un logiciel d’entreprise. C’est ainsi que vous pouvez observer une chaîne d’approvisionnement, à travers les enregistrements collectés par un logiciel d’entreprise ou à travers des ensembles de données. Le problème est que les entreprises ne sont pas disposées à partager ces ensembles de données, et il y a de très bonnes raisons de ne pas vouloir les partager. Premièrement, c’est un avantage concurrentiel, ou plutôt, si elles devaient partager publiquement ces données, ce serait un désavantage concurrentiel car leurs concurrents pourraient profiter de l’accès à ces données pour prendre un avantage concurrentiel sur elles.
Mais ce n’est pas la seule raison. Il y a aussi de bonnes raisons de ne pas partager les données, comme la confidentialité et la protection de la vie privée. Par exemple, en Europe, nous avons maintenant le RGPD en tant que réglementation. Je ne discute pas ici de savoir si le RGPD est une bonne chose ou une mauvaise chose ; je souligne simplement que même si une entreprise était disposée à partager ses données, elle risquerait de faire quelque chose d’illégal. À titre d’exemple, l’année dernière, la compétition de prévision M5 a eu lieu, basée sur des données de vente obtenues auprès de Walmart. À ma connaissance, il s’agissait du plus grand ensemble de données le plus complet et pertinent pour une expérience de chaîne d’approvisionnement jamais publié. Juste pour vous donner une idée de l’ampleur du problème, cet ensemble de données était uniquement les données de vente d’une petite fraction des produits d’un seul magasin. Walmart est une entreprise gigantesque qui exploite plus de 10 000 magasins, et l’ensemble de données de la compétition sur Kaggle ne représentait même pas un magasin entier. Il s’agissait en réalité d’une petite fraction d’un magasin, et il s’agissait essentiellement de l’historique des ventes, y compris l’historique des ventes en quantités et en prix. Pour aggraver le problème, en raison de problèmes d’ingénierie en termes d’extraction de données, il s’est avéré que la moitié de l’ensemble de données, qui était constituée de prix, n’était même pas exploitable à des fins de compétition. Aucune des équipes gagnantes qui ont terminé dans le top 10 de la compétition n’a réussi à utiliser ces données. Cela vous donne une idée de la difficulté de communiquer publiquement sur ce sujet, mais ce n’est pas le seul problème.
Nous avons également le problème de la reproductibilité. Par exemple, en discutant avec plusieurs clients de Lokad en janvier 2020, le commerce électronique dans leurs entreprises respectives représentait environ 30% du volume. En janvier 2021, il était passé à 60%. Évidemment, il y a eu une année entière de pandémie, et des choses relativement sans précédent se sont produites, ce qui a complètement changé le paysage dans de nombreuses industries, probablement pour toujours. C’est un problème important car la reproductibilité est au cœur des sciences expérimentales. Mais si vous faites quelque chose dans la chaîne d’approvisionnement et que vous voulez le reproduire, le paysage peut être tellement différent quelques années plus tard que vous n’aurez aucun espoir de reproduire quoi que ce soit. C’est une autre catégorie de gros problèmes auxquels nous sommes confrontés.
De plus, il y a les coûts et les retards impliqués. En règle générale, une expérience de chaîne d’approvisionnement devrait durer au moins deux fois la durée de traitement caractéristique de l’entreprise. Dans de nombreuses industries ou secteurs, la durée de traitement caractéristique est d’environ trois mois, ce qui signifie que le délai caractéristique pour une expérience de chaîne d’approvisionnement serait de six mois ou plus. C’est très long, et il y a de bonnes raisons si les sciences expérimentales, telles que la médecine expérimentale, ont tendance à privilégier l’utilisation de souris pour les expériences en raison de leur métabolisme rapide et de leur taux de reproduction rapide. Le temps est essentiel, même en médecine, et c’est à peu près la même chose dans la chaîne d’approvisionnement. Pourtant, le temps caractéristique des expériences est très long.
De plus, nous avons l’élément non local dont nous avons déjà discuté, où il est difficile de réaliser une expérience à petite échelle et à faible coût car tout repose sur les effets de réseau. Vous ne pouvez pas simplement faire quelque chose à un endroit et attendre des résultats. En règle générale, vous ne pouvez rien conclure à partir d’une expérience locale en chaîne d’approvisionnement.
Évidemment, je ne suis pas le premier à réaliser que nous avons cette grande série de problèmes et que les chaînes d’approvisionnement résistent à l’approche expérimentale naïve. En conséquence, une grande partie des études réalisées dans les chaînes d’approvisionnement se tournent vers une alternative à l’expérience de chaîne d’approvisionnement, qui est l’étude de cas de chaîne d’approvisionnement. L’idée est simple : nous voulons relier la chaîne d’approvisionnement en tant que domaine d’étude au monde réel. Nous voulons injecter des doses de réalité dans notre théorie. C’est ce qu’est une étude de cas. Ma proposition pour vous aujourd’hui est que les études de cas sont des infopublicités glorifiées, et si nous devons évaluer les études de cas en termes de quantité de connaissances à transmettre par ce format, ma réponse est d’environ zéro. Cependant, tout n’est pas perdu, car il existe des alternatives possibles, et c’est là que je vais vous présenter le personnel de la chaîne d’approvisionnement. En raison de la prévalence des études de cas, nous devons d’abord comprendre pourquoi cela ne fonctionne tout simplement pas, ne peut pas fonctionner et ne fonctionnera malheureusement jamais.
Une étude de cas concerne une entreprise, un problème, une solution existante (qui est la solution en place avant le début de l’étude de cas), puis une solution plus récente et meilleure. L’étude de cas décrit tout cela et quantifie les avantages que la nouvelle solution, censée être meilleure, apporte à l’entreprise. Le plus gros problème que j’ai, c’est que chaque fois que je vois des études de cas et comment les gens raisonnent à leur sujet, ce qui domine vraiment, ce ne sont pas les chiffres présents dans les études de cas, mais le nom de l’entreprise qui est l’objet de l’étude de cas elle-même. Il y a un énorme halo d’autorité en jeu.
Imaginons une étude de cas sur la supply chain qui émane de Google, un géant de la technologie. Google possède sa propre supply chain assez importante pour gérer tout le matériel informatique distribué dans le monde entier afin de soutenir ses opérations de centres de données. Imaginons que cette étude de cas démontre la supériorité d’une méthode spécifique de supply chain développée chez Google. Elle serait considérée comme très pertinente, évidemment, car Google est un nom très connu. Cependant, le succès de Google n’a rien à voir avec la supply chain. Google est une entreprise extrêmement réussie, mais son succès ne provient pas de ses pratiques de supply chain. Si nous devions examiner une telle étude de cas, elle aurait beaucoup de poids, et je dirais même un poids excessif, simplement en raison de la marque Google. Juste parce que Google a embauché de nombreux ingénieurs très talentueux et a redéfini l’état de l’art de l’ingénierie logicielle dans de nombreux domaines, il n’y a aucune raison de croire que cela se transférerait automatiquement à tout ce qu’ils font, surtout s’il s’agit d’une fonction de support pour eux, comme la supply chain.
C’est intéressant car si je reviens au livre de Claude Bernard, “Introduction à l’étude de la médecine expérimentale”, la première chose que Claude Bernard présente est le rejet de l’autorité en tant que partie intégrante de la méthode scientifique. Au milieu du XXe siècle, il a déclaré que le plus gros problème de la médecine de l’époque était qu’elle était principalement une question d’autorité. Les gens croyaient quelque chose être vrai simplement parce qu’il y avait un grand nom ou quelqu’un qui avait beaucoup de poids dans la société soutenant la théorie. C’est faux. La position radicale de Claude Bernard est que, en ce qui concerne la science, nous devons rejeter toutes les autorités, sauf celles obtenues directement par le biais d’expériences. La source ultime de l’autorité, et en réalité la seule source d’autorité en termes de vérité scientifique, devrait être l’expérience ou, en d’autres termes, la réalité elle-même.
Lorsque nous commençons à examiner des études de cas, nous rencontrons des problèmes d’autorité partout. Pour souligner ce point, je liste quatre entreprises remarquables. Toutes ces entreprises sont largement reconnues, très réussies et ont connu des échecs absolument épiques dans leur supply chain au cours de leur histoire. Ces échecs étaient dus à une combinaison insensée d’arrogance, de cupidité, de paresse, d’ignorance et de divers autres problèmes. Pour vous donner quelques exemples, Nike a perdu 400 millions de dollars en 2004 dans une tentative malavisée d’améliorer sa supply chain avec un fournisseur de logiciels. Lidl a perdu 500 millions d’euros en 2018 avec un autre fournisseur de supply chain de renom. Je pense que ces chiffres ne représentent qu’une petite fraction du coût réel pour ces entreprises, car la perte monétaire n’était qu’un aspect de ces échecs à grande échelle. La direction a été distraite pendant des années, et dans le cas de Lidl, presque une décennie. Le coût d’opportunité de ces échecs est absolument gigantesque.
Je ne dis pas que ces entreprises ne font pas certaines choses très bien. Elles sont vraiment remarquables et ont survécu à des échecs à grande échelle dans leur supply chain, ce qui prouve qu’elles faisaient les choses de manière très remarquable ; sinon, elles auraient fait faillite. Cependant, le point que je veux souligner, c’est que ce n’est pas parce qu’une entreprise a une bonne réputation et est extrêmement réussie que nous pouvons en déduire quelque chose sur la qualité de ses pratiques de supply chain. C’est ma principale critique, et tout comme Claude Bernard le disait, nous devons fondamentalement rejeter tous ces mécanismes qui reposent sur l’autorité. Nous devons le faire également dans le domaine des études de la supply chain.
Cependant, nous avons un autre ensemble de problèmes, et c’est un tabou. Si je regarde les études de cas publiées, juste en me fiant à mon intuition sans statistiques réelles, je dirais que 99% des études de cas sont positives. Elles montrent un problème, une solution héritée, une nouvelle solution et la nouvelle solution apporte un résultat positif. Pourtant, j’ai discuté avec des directeurs de la supply chain pendant plus d’une décennie, plus de 100 d’entre eux, et ma perception est que la grande majorité des initiatives de la supply chain échouent. En général, les échecs ne sont pas aussi spectaculaires que ceux que j’ai mentionnés précédemment, mais ils sont partout, et la grande majorité de ces initiatives échouent. Ce n’est pas très surprenant - si une entreprise parvenait systématiquement et sans échec à améliorer sa supply chain et appliquait cette méthode pendant une décennie, cette entreprise écraserait la concurrence, à l’instar de l’histoire d’Amazon. Mais je m’égare.
Revenons à l’idée des tabous, je pense que nous avons un décalage manifeste entre la positivité écrasante des études de cas et la négativité écrasante des expériences réelles de la supply chain dans le monde réel. Cela peut s’expliquer simplement par le fait que l’échec, dans une large mesure, est un tabou. Il y a un article fantastique intitulé “Les derniers jours de Target” de Joe Castaldo, publié en 2016, à propos de Target Canada. Target, une chaîne de vente au détail nord-américaine, a tenté de s’implanter au Canada, a investi plus de 5 milliards de dollars dans cette entreprise, et tout s’est transformé en un désastre complet. Ils ont cessé leurs activités avec d’énormes pertes, et au cœur du problème se trouvait une longue série de problèmes brutaux de la supply chain. En essence, c’était une longue série d’énormes erreurs de la supply chain.
La chose amusante, c’est que Joe Castaldo fait un travail fantastique en décrivant le problème d’un point de vue journalistique. Cela ne met personne en valeur. L’histoire montre une combinaison sauvage d’arrogance, de fierté, de stupidité, d’ignorance et de pensée magique. Vous pouvez voir des cadres très bien payés prendre une longue série de décisions absolument stupides, encouragés par un fournisseur qui n’a pas la moindre idée de ce qu’il fait en termes d’analyse de la supply chain. Tout explose de manière assez spectaculaire. Il faut un tel courage pour publier une telle histoire. Je ne connais pas Joe Castaldo personnellement, mais j’aurais peur de l’idée de publier une telle histoire, car les avocats de Target et du fournisseur de logiciels, dont je ne peux même pas prononcer le nom, poursuivraient probablement quiconque raconterait ce récit car il est si désastreux. Nous avons un problème - il y a beaucoup de choses qui ne peuvent littéralement pas être dites en raison des tabous. Je pense que cela explique le biais massif dans les études de cas, qui ont tendance à ne refléter que les bons résultats, ce qui entraîne un biais de survie significatif. Est-ce un nouveau problème ? Absolument pas.
Si nous regardons le livre de Claude Bernard, un scientifique renommé, il est devenu célèbre en faisant un usage intensif de la vivisection, la dissection d’animaux vivants. Dans son livre, il affirme que la méthode est vile, cruelle, brutale et grossière, mais il soutient également qu’elle est essentielle à la médecine moderne. Non seulement il a été prouvé qu’il avait raison à son époque avec ses découvertes, mais un siècle et demi plus tard, il ne fait aucun doute que les vivisections ont été fondamentales pour l’établissement des progrès que nous apprécions dans la médecine moderne aujourd’hui.
La science ne consiste pas à nous faire sentir bien ou à l’aise. Souvent, la bonne science examine les choses qui nous mettent le plus mal à l’aise. Intuitivement, cela peut être compris car nous n’avons pas peur d’examiner les domaines où nous sommes à l’aise. Notre intuition sera probablement assez bonne dans ces domaines. Cependant, les domaines qui semblent faux, où nous avons un instinct de répulsion, sont précisément là où nous ne regarderons pas instinctivement. C’est pourquoi nous avons besoin de quelque chose comme la méthode scientifique pour nous aider à regarder la réalité de manière plus prudente et impartiale, sans être complètement pollués par des biais.
Pour conclure sur les tabous, les études de cas prennent souvent le problème à l’envers. Elles vont dans le sens de voir les résultats positifs et d’éliminer les mauvais. Mais ce n’est même pas la fin de l’histoire.
Pourrions-nous avoir de bonnes raisons de penser que les personnes impliquées dans les études de cas ont une propension à exagérer les résultats ? Ma proposition est oui, absolument. Ce n’est pas difficile à comprendre.
Si vous êtes un cadre et que vous participez à une étude de cas qui prétend que vous avez réussi à obtenir un succès étonnant, en économisant des millions de dollars pour l’entreprise, cela semble très bien sur votre CV. Cela améliorera vos perspectives d’obtenir un poste plus important, soit à l’intérieur de la même entreprise, soit à l’extérieur dans une autre entreprise. Tous ceux qui ont travaillé dans une grande entreprise savent que ce n’est pas seulement une question de rendre de grands services à l’entreprise. Si vous voulez progresser dans une grande entreprise, vous devez non seulement rendre de grands services à l’entreprise, mais aussi faire connaître vos réalisations. Il y a un énorme conflit d’intérêts pour ceux qui sont impliqués dans les études de cas, car ce sont eux qui établissent les chiffres qui justifient les bénéfices. Il est rare que vous puissiez déduire le profit généré par une nouvelle méthode, une nouvelle technologie ou un nouveau processus en regardant simplement les livres de comptabilité. Habituellement, c’est beaucoup plus indirect ; vous devez retraiter les chiffres, présenter les avantages de manière logique et faire de nombreuses hypothèses. Cela peut être assez subjectif, et lorsque les personnes ont un conflit d’intérêts important, nous savons avec certitude que cela va fausser les résultats. Ce conflit d’intérêts peut conduire à exagérer les résultats positifs.
Pour remédier à ce problème, certains peuvent faire appel à une tierce partie neutre pour fournir un avis objectif et s’assurer que tout est fait équitablement. Il existe deux types principaux de tierces parties neutres : les sociétés d’études de marché et les chercheurs universitaires. Cependant, je pense que ces parties ne sont pas du tout neutres.
Les sociétés d’études de marché sont dans le secteur de l’étude du marché, de l’évaluation des forces et des faiblesses relatives des solutions, et de la vente des résultats de leurs recherches sous forme de rapports aux entreprises à la recherche de solutions. Ces entreprises peuvent acheter le rapport et avoir une vision impartiale du marché fournie par des experts, ce qui leur permet de choisir le meilleur fournisseur. En réalité, les grandes sociétés d’études de marché que je connais ne tirent pas leur argent de la vente de rapports ; la majeure partie de leurs revenus provient des services de conseil et de coaching qu’elles vendent aux fournisseurs de solutions. Cela place ces sociétés dans une position où elles veulent faire ce qui est le mieux pour leurs clients, qui ne sont pas les entreprises à la recherche de solutions, mais plutôt les fournisseurs de technologies qui paient pour les services de conseil.
Il s’avère que cette prétendue tierce partie neutre est en réalité fortement en conflit d’intérêts et peut aggraver le problème en ajoutant sa propre couche de partialité aux biais existants. En ce qui concerne les chercheurs universitaires, ils ont eux-mêmes de nombreux intérêts contradictoires. La publication ou la disparition est très réelle dans le monde universitaire, et les études de cas négatives, en particulier celles que l’on rencontre souvent dans la chaîne d’approvisionnement, ne sont pas des catastrophes à grande échelle, mais plutôt des échecs décevants à petite échelle. Il est très intéressant pour un chercheur universitaire de montrer des résultats positifs car ils sont plus faciles à publier.
Certains pourraient soutenir que la publication de résultats frauduleux pourrait ruiner la carrière d’un chercheur universitaire, mais en ce qui concerne les études de cas dans la chaîne d’approvisionnement, les chercheurs peuvent être assurés que personne ne va discréditer leurs résultats. Il est extrêmement difficile de mener des expériences dans la chaîne d’approvisionnement, et il est encore plus difficile de réfuter quelque chose qui s’est avéré faux et qui a été publié. Il serait presque impossible de prouver qu’une étude de cas passée était fausse ou que les résultats étaient largement exagérés. Cela ne veut pas dire que les chercheurs sont malhonnêtes, mais ils ont un conflit d’intérêts évident, et il est impossible pour un observateur de différencier les chercheurs honnêtes des malhonnêtes. En règle générale, lorsque qu’une tierce partie est impliquée dans une étude de cas, elle est généralement encore plus biaisée que si aucune tierce partie n’était impliquée, ce qui est assez surprenant.
Maintenant, pour conclure cette série sur les études de cas, examinons de près les fournisseurs. Les gens pensent souvent que les fournisseurs ne sont pas censés mentir, mais ce n’est pas tout à fait exact. Il existe une notion connue sous le nom de “dolus bonus” ou “bon mensonge”, introduite par les Romains il y a longtemps.
Pour comprendre ce concept, considérez un commerçant sur un marché vendant des œufs et faisant une affirmation extravagante selon laquelle un œuf est le meilleur que vous mangerez jamais et qu’il vous rendra heureux pendant un mois entier. De toute évidence, cette affirmation n’a absolument aucune chance d’être vraie. Les Romains se sont posé la question : devrions-nous faire quelque chose à propos de ce commerçant menteur ? Devrions-nous le mettre en prison ou lui infliger une amende ? La réponse était non ; c’est tout à fait normal. Ce concept de “dolus bonus” suggère que si vous êtes commerçant, il fait partie de votre nature de mentir sur ce que vous vendez. Bien qu’il y ait des limites, la loi reconnaît que les fournisseurs feront ce qu’ils font, et vous ne devriez pas les blâmer d’essayer de présenter leurs produits sous un jour favorable, même de manière absurde. C’est ainsi que fonctionne le marché.
Même si les fournisseurs ne sont pas conscients des détails juridiques, ils le savent intuitivement, et il y a donc une propension à produire des études de cas qui coûtent de l’argent et du temps, servant essentiellement de publicités sophistiquées. Bien que la publicité remplisse une fonction dans la société, croire que la publicité glorifiée peut être un moyen de transmettre des connaissances est erroné. Par conception, les études de cas ne peuvent pas être sauvées à cette fin.
Donc, si nous éliminons les études de cas car elles sont complètement invalides, que nous reste-t-il ? Nous devons trouver une méthode alternative qui ne souffre pas des mêmes problèmes. C’est là que les récits de la chaîne d’approvisionnement entrent en jeu. L’objectif d’un récit de la chaîne d’approvisionnement est de décrire les problèmes afin que les praticiens et les chercheurs de la chaîne d’approvisionnement puissent partager leurs connaissances, en se concentrant sur les enjeux et sur ce que nous essayons de résoudre.
Pour commencer, parlons d’un livre très intéressant, un roman intitulé “The Phoenix Project”. Bien qu’il ne soit pas un chef-d’œuvre de la science, c’est une lecture agréable sur une entreprise fictive, racontée du point de vue du directeur informatique. La plupart des événements de l’histoire impliquent une série de problèmes de chaîne d’approvisionnement et de logiciels d’entreprise qui sont profondément entrelacés. L’histoire raconte les luttes auxquelles l’entreprise est confrontée et ce que les gens font pour résoudre ces problèmes. Ce qui est surprenant, c’est que cette œuvre de fiction résonne profondément chez beaucoup de ceux qui la lisent, encore plus que la plupart des études de cas, sauf peut-être les négatives comme celles produites par Joe Castello.
Ce paradoxe apparent pourrait ne pas être un paradoxe du tout si nous considérons la première étape entreprise par les auteurs. Ils ont décidé que l’histoire serait celle d’une entreprise fictive, ce qui a éliminé tous les problèmes liés au nom et à l’autorité qui accompagnent une étude de cas liée à une entreprise bien identifiée. En créant une œuvre de fiction, ils ont éliminé l’attrait de l’autorité qui serait attachée à une vraie entreprise.
Deuxièmement, en termes de tabou, l’entreprise fictive a permis aux auteurs d’explorer de nombreux aspects intéressants de l’histoire. La plupart des personnages ont des limites, ils ont des défauts, ils luttent, parfois ils font des erreurs stupides, et parfois ils sont égoïstes au point de nuire réellement à l’entreprise. Ils peuvent être très cupides de manière totalement contraire aux intérêts de l’entreprise. Vous pouvez voir comment certains personnages mentent à leurs collègues. Dans une étude de cas, il serait impossible d’écrire cette histoire car cela entraînerait une longue série de litiges s’il était fait avec de vraies personnes.
Cependant, pourrait-on dire que ce roman est une œuvre scientifique ? Non, et pour une raison simple : le roman est un plaidoyer en faveur de DevOps, une philosophie pour aborder le développement et la maintenance des logiciels d’entreprise. Les auteurs racontent l’histoire d’un ensemble de personnages dans leur entreprise fictive qui font face à d’immenses difficultés et surmontent progressivement les défis auxquels ils sont confrontés jusqu’à ce qu’ils redécouvrent les principes fondamentaux de la philosophie DevOps. Ce livre est porteur d’un programme très chargé, et les auteurs ne le cachent pas ; ils militent en faveur de l’agenda DevOps.
Ma principale critique est que nous avons le même problème qu’avec les études de cas : un conflit d’intérêts complet. Les auteurs se trouvent être des consultants qui vendent des services de conseil pour aider à mettre en œuvre les pratiques DevOps dans les entreprises. Le fait que dans l’histoire, tout puisse être résolu de manière crédible et qu’il y ait une fin heureuse où l’entreprise finit par réaliser d’énormes bénéfices grâce à cette méthodologie est loin d’être objectif.
L’idée d’un récit de la supply chain est que nous voulons commencer avec une entreprise fictive mais avoir un focus exclusif sur les problèmes. Nous voulons aborder le problème en créant une entreprise fictive afin de ne pas avoir de problème d’autorité et de tabous. Cependant, nous ne voulons pas inclure la description des solutions dans notre récit, car cela entraînerait une longue série de conflits d’intérêts. Nous voulons nous concentrer exclusivement sur le côté problème des choses et mettre de côté le côté solution.
Il peut y avoir quelques modestes exceptions à cette règle car parfois, pour justifier qu’un problème donné est pertinent, vous devez fournir une intuition de la solution. Si vous ne donnez pas l’intuition de la solution, le problème semble tout simplement impossible. Pour éviter les objections selon lesquelles certains défis sont impossibles à relever et donc pas intéressants, nous devons peut-être introduire un petit indice concernant l’existence d’au moins une solution. Nous ne prétendons pas que c’est une bonne solution, juste qu’une solution existe.
L’objectif du récit de la supply chain est d’injecter de la réalité et de l’expérience du monde réel dans le domaine de la gestion de la supply chain. Nous voulons que ce format soit un véhicule approprié pour transmettre des connaissances aux praticiens et chercheurs de la supply chain, et même nous aider à raisonner sur les supply chains elles-mêmes, ce qui est un défi de taille en raison de leur complexité. Pour rendre l’ensemble intelligible et crédible, nous avons besoin d’une histoire et d’un contexte. Nous voulons magnifier la pertinence des problèmes présentés dans le récit.
Cependant, si nous créons une entreprise fictive et répertorions tous les problèmes qui impactent les supply chains, pouvons-nous simplement l’appeler de la science ? Absolument pas.
Le problème est que nous devons rendre très facile le rejet de la validité d’un récit. Dans une étude de cas, il est très facile d’en créer une, mais il est incroyablement difficile de réfuter ou de rejeter sa validité. Avec la conception du récit en tant que méthode, nous voulons inverser ce problème. Nous voulons créer quelque chose qui est extrêmement difficile à élaborer mais relativement facile à rejeter.
Le premier critère serait la résonance. Si nous avons un récit sur un archétype d’entreprise spécifique dans une industrie spécifique et que nous parlons aux directeurs de la supply chain de cette industrie, seraient-ils d’accord pour dire que ce récit fait écho aux types de problèmes qu’ils rencontrent ? Bien que cela puisse sembler très subjectif, je ne pense pas que ce soit si subjectif. Si nous regardons le livre “The Phoenix Project”, pratiquement toutes les personnes parmi mes collègues qui l’ont lu ont trouvé qu’il faisait écho à leurs expériences dans différentes entreprises. Nous ne nous concentrons pas sur la solution, seulement sur la définition du problème. Même s’il peut y avoir un désaccord généralisé sur ce qu’il faut faire concernant le problème, il y a généralement un accord fort sur les problèmes qui sont sur la table. Ce n’est pas nécessairement aussi subjectif qu’il n’y paraît, bien qu’il y ait un degré de subjectivité irréductible.
Un autre facteur est l’exhaustivité. Si vous pouvez choisir une entreprise qui serait censée correspondre à cette persona et montrer que cette entreprise a des problèmes importants qui ne sont même pas répertoriés dans la persona, alors le fardeau du rejet est très léger. Vous n’avez qu’à présenter une entreprise, un problème, et dire : “C’est une raison de rejeter la persona.” Cela ne nécessite pas des mois de travail, juste un peu de retour d’information et une description de bonne foi d’un problème important.
Une bonne persona devrait également prendre des risques en ce qui concerne les chiffres, et par chiffres, je ne veux pas dire des chiffres précis, mais des ordres de grandeur. Nous devons préciser s’il s’agit d’une entreprise qui essaie de gérer 100 SKUs ou 100 millions de SKUs. Nous devons donner les dimensions caractéristiques et les ordres de grandeur qui caractérisent l’entreprise. Si vous trouvez une entreprise qui ne correspond pas aux ordres de grandeur donnés, cela peut signifier que nous avons mal cadré la persona.
Le dernier point est plus subtil mais aussi très important : l’existence de solutions sur le marché. Selon la solution qui existe ou n’existe pas sur le marché, cela peut être utilisé pour rejeter la validité d’une persona. Si nous avons une solution qui rend le problème complètement trivial ou qui offre une solution définitive de sorte que ce qui était auparavant un problème devient un non-problème, alors cela est une raison de rejeter la persona, du moins dans sa forme actuelle.
Pour vous donner un exemple plus concret, si nous prenons une grande entreprise qui opère avec des dizaines de milliers de SKUs dans un entrepôt en 1950, la persona de cette entreprise pourrait mentionner le maintien des niveaux de stock appropriés comme un défi majeur. À l’époque, les niveaux de stock devaient être maintenus manuellement par une petite armée de commis qui mettaient à jour les registres. C’était en réalité un immense défi de maintenir des registres d’inventaire précis au fil du temps. Mais avançons rapidement de 70 ans jusqu’à aujourd’hui, pouvons-nous encore considérer cela comme un défi ? Pas du tout. Avec les codes-barres et les logiciels de gestion des stocks, maintenir des niveaux de stock précis dans un entrepôt est essentiellement un problème complètement résolu. Ce n’est pas digne d’être inclus dans une persona car il existe de nombreuses solutions, et il n’y a pratiquement aucune incertitude sur le type de solution nécessaire.
Je présente une dualité entre le problème et la solution, et la réalité est qu’il peut être étonnamment difficile d’avoir une séparation claire entre les problèmes et les solutions. Il est difficile de réfléchir à un problème si on ne peut pas imaginer une solution d’abord et vice versa. Une source de difficulté dans la compréhension des problèmes est l’idéologie latente qui imprègne la société. Nous avons des valeurs qui font simplement partie de notre société, et nous vivons avec elles sans même les percevoir. Ces valeurs peuvent avoir une influence massive sur notre façon de voir les problèmes et de décider s’ils sont pertinents ou non.
Pour illustrer cela, j’aimerais évoquer le cas de l’aléatoire. L’aléatoire a été associé à la stigmatisation du jeu, qui était perçu comme mal. Dans “Introduction à l’étude de la médecine expérimentale” de Claude Bernard, Bernard est farouchement opposé à la présence de l’aléatoire dans le domaine de la science. Il dit que si une expérience n’est pas parfaitement déterministe, c’est généralement un signe de mauvaise science ou, au mieux, de science incomplète.
Avançons rapidement de 70 ans, et nous voyons qu’Albert Einstein a apporté d’énormes contributions au domaine de la mécanique quantique, et il était très en conflit avec certains aspects de celle-ci, notamment l’indéterminisme ou l’aléatoire qui semblait être une propriété fondamentale de l’univers. Einstein, à plusieurs reprises, a reconnu que la physique quantique n’était probablement pas fausse car ses propriétés opérationnelles étaient excellentes. Cependant, il estimait que le non-déterminisme suggérait que la physique quantique était incomplète et n’était pas le produit final de ce que la physique devrait être. Cela a pris de nombreuses décennies, mais de nos jours, la perception est que l’indéterminisme est vraiment une propriété fondamentale de l’univers, et il n’y a pas d’échappatoire.
Ma théorie personnelle est que la stigmatisation du jeu, qui était associée à l’aléatoire, a perduré à travers les âges et a même influencé le présent. Il y a une décennie chez Lokad, nous avons décidé de promouvoir l’idée de la prévision probabiliste, en embrassant l’aléatoire au lieu de le rejeter. Cela nous a amenés à redéfinir complètement le problème, et nous avons été accueillis avec scepticisme et même des réactions plus viscérales. Certains remettaient en question la pertinence de l’aléatoire pour les problèmes qu’ils devaient résoudre.
De mon point de vue, l’étude de la structure de l’aléatoire elle-même est d’un grand intérêt. Cependant, nous pouvons avoir des idées préconçues qui entravent notre compréhension de certains problèmes. Un autre défi est la distraction qui peut survenir lorsqu’une excellente solution émerge pour un problème difficile. Il peut devenir difficile de réfléchir au problème abstrait, car nous avons tendance à le définir de manière réflexive par rapport à la solution.
Un exemple historique de cela est le développement des machines volantes au XIXe siècle. Les machines volantes plus légères que l’air, comme les montgolfières, ont été découvertes et utilisées pour faire des découvertes stupéfiantes. Le succès de ces machines plus légères que l’air a détourné l’attention des communautés concernées de l’examen des alternatives plus lourdes que l’air. Il a fallu des décennies aux communautés concernées pour explorer les alternatives, et je pense que l’une des raisons était qu’avoir une solution stupéfiante, comme construire une machine volante, était extrêmement distrayant.
Un autre défi auquel nous sommes confrontés lors de l’examen de problèmes et de situations est lorsque le problème est impensable. C’est le genre de chose que vous ne pouvez même pas conceptualiser, bien qu’il s’agisse d’un problème réel.
Pour illustrer cette idée, j’aimerais faire référence à un article fantastique publié en 2018 par une équipe de recherche de Facebook sur la traduction automatique. La traduction automatique consiste à prendre du texte dans une langue et à utiliser une machine pour produire une traduction dans une autre langue. Ce domaine d’étude existe depuis environ 70 ans. Les premiers traducteurs automatiques étaient incroyablement naïfs, se contentant d’utiliser des dictionnaires pour remplacer les mots d’une langue par les mots correspondants dans une autre. Cette approche donnait des traductions de très mauvaise qualité.
Au fil des années, les techniques ont évolué, et la plupart des méthodes avaient une chose en commun : l’utilisation de corpus bilingues. L’idée était d’utiliser des ensembles de données contenant des phrases dans deux langues, en apprenant à partir de ces exemples pour construire un système de traduction automatique. Le résultat stupéfiant obtenu par l’équipe de recherche de Facebook a été le développement d’un système de traduction sans aucun ensemble de données de traduction explicite. Ils ont utilisé un vaste ensemble de données de textes en français et un ensemble de données distinct et disjoint de textes en anglais, puis ont construit un système de traduction automatique capable de traduire du français vers l’anglais sans jamais avoir reçu d’exemples. Ce résultat va à l’encontre de l’approche conventionnelle de la traduction automatique et a nécessité une solution réelle avant que les gens ne puissent même reconsidérer la manière dont ils devraient aborder le problème.
Un exemple plus modeste mais pertinent de notre travail chez Lokad concerne le marché de l’après-vente automobile. Dans ce domaine, le défi consiste à trouver la bonne pièce de voiture avec la compatibilité mécanique correcte pour un véhicule spécifique. Sur le marché européen, par exemple, il existe plus d’un million de pièces distinctes et plus de 100 000 véhicules distincts. Lorsque vous allez dans un garage et avez besoin de remplacer une pièce, la personne du magasin doit consulter un service quelconque pour déterminer quelle pièce convient à votre véhicule. Il s’avère que la liste complète des compatibilités pièce-véhicule, que je désigne comme les arêtes qui relient les pièces et les véhicules, a un ordre de grandeur d’environ 100 millions de compatibilités. Sur ce marché, il existe quelques entreprises très spécialisées qui maintiennent cet ensemble de données pour le marché européen. Elles vendent l’accès à cet ensemble de données à pratiquement toutes les entreprises opérant dans l’industrie de l’après-vente automobile, d’une manière ou d’une autre.
Le problème est que cet ensemble de données est énorme, avec 100 millions de compatibilités, et qu’il contient de nombreuses erreurs. Selon diverses sources, j’estime qu’il existe quelques ensembles de données pour l’Europe, et la plupart d’entre eux ont un taux d’erreur d’environ 3 %. Les erreurs sont à la fois des faux positifs, où une compatibilité est déclarée alors qu’elle n’existe pas, et des faux négatifs, où une compatibilité existe mais n’est pas correctement enregistrée dans le système. Ces erreurs créent des problèmes continus pour toutes les entreprises opérant dans l’après-vente.
Lorsqu’une réparation doit être effectuée et qu’un client est pressé, le véhicule ne bouge plus. Ils commandent une pièce, la pièce arrive à temps, mais ensuite les gens se rendent compte que la pièce n’est pas compatible. La pièce doit être renvoyée, une autre pièce est commandée, et des jours supplémentaires de retard et de frustration client surviennent. Donc, c’est un problème, mais que pouvons-nous y faire ? Les entreprises qui maintiennent ces ensembles de données emploient déjà manuellement de petites armées de commis pour les maintenir à jour. Elles corrigent des erreurs tout le temps, mais elles ajoutent également constamment de nouvelles pièces et de nouveaux véhicules. Au fil des décennies, l’ensemble de données augmente légèrement, les erreurs sont corrigées, de nouvelles erreurs sont introduites, et le taux d’erreur de 3 % reste plus ou moins constant. Il ne s’améliore pas avec le temps.
Le système a déjà atteint un équilibre, et les entreprises du secteur de l’après-vente automobile ne sont peut-être pas disposées à payer dix fois plus cher pour que les entreprises qui maintiennent les ensembles de données embauchent dix fois plus de commis pour corriger les erreurs restantes. Il y a des rendements décroissants, et les erreurs qui n’ont pas encore été détectées sont probablement très difficiles à corriger.
Chez Lokad, nous avons développé un algorithme qui détecte à la fois les faux positifs et les faux négatifs et peut corriger automatiquement environ 90 % de ces problèmes. La beauté de cela, c’est que cet algorithme n’utilise rien d’autre que l’ensemble de données initial. Cela peut sembler étrange, mais nous pouvons utiliser cet ensemble de données même pour apprendre les erreurs contenues dans l’ensemble de données, et c’est précisément ce que nous avons fait. Au fait, je présenterai ces techniques en détail lors d’une prochaine conférence. Vous pouvez consulter le programme en ligne ; le calendrier des conférences est disponible sur le site web de Lokad. Donc, voici un autre exemple où, tant que vous n’avez pas de solution, il est très difficile de penser qu’il y a même un problème en premier lieu.
Dans le cadre de mon intention, je présenterai une courte série de conférences sur les personas qui caractérisent les archétypes que nous avons rencontrés chez Lokad. Je ferai de mon mieux pour résumer ma vision du problème, en synthétisant toutes les expériences que j’ai accumulées grâce à ma propre expérience et à celle de mes collègues chez Lokad. Encore une fois, vous pouvez vérifier que je ne présenterai pas toutes ces personas dans l’ordre, car cela serait probablement très fastidieux pour le public et peut-être un peu ennuyeux pour moi aussi. Donc, j’ai l’intention de présenter une persona probablement dans deux semaines, puis je passerai à d’autres éléments d’intérêt.
En conclusion aujourd’hui, nous avons soulevé des questions très importantes sur la supply chain en tant que domaine d’étude, et j’espère avoir été en mesure de présenter des réponses très prometteuses, peut-être pas prouvées, mais au moins fournir des réponses prometteuses à ces questions. Je réalise également que probablement parmi les cercles de personnes qui ont passé une bonne partie de leur vie professionnelle à produire des études de cas, je n’ai probablement pas fait d’amis aujourd’hui, et j’espère vraiment ne pas finir comme le gars dans l’illustration. Ce serait assez terrible, mais encore une fois, je pense que les enjeux sont assez élevés. Nous voulons établir et élever la supply chain en tant que domaine d’étude à une science, de sorte que nous ayons quelque chose de très capitaliste, agressif, et où nous pouvons nous attendre à des améliorations fiables et contrôlées.
Donc, c’est tout pour aujourd’hui. Je vais maintenant examiner les questions.
Question : Je n’ai pas compris le concept d’exhaustivité pour les personas. Pouvez-vous expliquer ?
D’accord, l’exhaustivité signifie simplement que, en raison des effets systémiques, la description des défis et des problèmes de la supply chain doit être complète. Les supply chains impliquent une longue série de compromis, donc si vous omettez l’une des forces en jeu, vous risquez de ne pas raisonner correctement sur le problème en premier lieu. Par exemple, vous ne pouvez pas raisonner correctement sur quel est le niveau de stock optimal si vous ignorez le problème d’avoir un approvisionnement limité en capital de travail. L’exhaustivité signifie énumérer toutes les choses qui sont très pertinentes, et si nous ne sommes pas exhaustifs dans l’énumération de tous les problèmes pertinents, cela signifie probablement que ce n’est pas une très bonne persona, car certaines choses ont peut-être été négligées et cela pourrait mettre en danger toute réflexion basée sur cette persona.
Question : Le mauvais type de solutions dans les supply chains est courant, et il y a beaucoup de praticiens de la supply chain qui savent qu’ils sont défectueux par conception. Comment pouvons-nous les aider à abandonner et à passer à des types de solutions approximativement corrects et à embrasser l’incertitude ?
Tout d’abord, je pense que le principal problème est que la supply chain en tant que domaine d’étude en est encore à ses balbutiements pré-scientifiques, et il y a un scepticisme généralisé quant à la validité de presque tout ce qui est publié. Convaincre les gens est très difficile. Je pense que la première étape consiste à convaincre les gens que la supply chain est éligible à la méthode scientifique. Ce serait une première étape importante car il ne s’agit pas d’une question d’opinion ou d’idéologie ; il existe potentiellement une fin de partie où nous avons objectivité et connaissance avec de bonnes qualités. Nous pouvons avoir des bases solides pour comprendre les problèmes et appliquer des solutions appropriées. La première étape, et c’est ce que j’essaie de faire à travers ces cours, est d’éduquer le grand public sur le fait que la supply chain n’est pas seulement une pratique ou un art, mais qu’elle pourrait être une science.
Claude Bernard, considéré comme l’un des pères de la médecine moderne, a été confronté à de nombreuses objections de son temps. Il a été confronté à des médecins qui prétendaient déjà avoir la science et qu’il n’y avait rien à apprendre de ses méthodes. Ils ont suggéré qu’il devrait simplement se conformer à leurs théories et ne pas mener ses expériences. La plus grande bataille que Bernard a dû mener était l’idée même que la médecine était éligible à une étude scientifique. De même, je soupçonne que la plupart de ce qui est publié, même parmi les cercles universitaires, sur la supply chain n’est pas scientifique. Je crois avoir démontré aujourd’hui qu’une bonne partie de la littérature, telle que les études de cas, n’est pas scientifique. Dans la prochaine conférence, nous verrons ce qu’il faut faire avec l’autre moitié de la littérature qui reste, et ce n’est pas très prometteur.
En ce qui concerne votre question sur l’incertitude, ma première étape consisterait à convaincre les gens que l’incertitude est irréductible et qu’ils devront y faire face comme un problème massif dans leur vie quotidienne. Pouvons-nous convenir qu’il n’y a aucun espoir que nous puissions anticiper parfaitement ce que les gens vont acheter ? Pour anticiper parfaitement les actions d’une personne dans un magasin, il faudrait reproduire parfaitement toute son intelligence. L’algorithme qui pourrait prédire chaque mouvement d’une personne serait fondamentalement aussi intelligent qu’une réplication parfaite de l’intelligence humaine, ce qui semble très peu raisonnable. La proposition alternative selon laquelle l’incertitude est irréductible dans une large mesure semble être une proposition beaucoup plus raisonnable. Le plus grand défi est de mener la discussion à un niveau où nous raisonnons d’une perspective semi-scientifique au lieu de nous appuyer sur des pratiques, des intuitions et des déclarations autoritaires.
Question : Qu’en pensez-vous de la pensée design ?
Je ne suis pas très sûr de la question spécifique ici, mais ce que j’essaie de faire, c’est de faire le lien entre la supply chain et le monde réel. Si nous pouvons avoir des expériences de supply chain qui s’alignent sur ce qui est fait dans de nombreuses autres sciences expérimentales, nous pouvons connecter la supply chain avec le monde réel de manière satisfaisante. J’ai présenté une méthode aujourd’hui, la persona, et il y en a probablement beaucoup d’autres. Je ne suis pas attaché à une manière spécifique de penser ; je m’intéresse davantage à la méthode de production de connaissances qu’à la façon dont les gens pensent.
À cet égard, je suis très en phase avec les idées que présente Claude Bernard. L’étincelle initiale de la connaissance, l’émotion, l’intuition, est fondamentalement quelque chose qui n’est pas du tout scientifique. Cela relève du domaine de l’émotion, pas de la raison. Je ne pense pas que vous puissiez vraiment rationaliser cette partie, et même si vous le pouviez, je serais très méfiant que la même méthode fonctionnerait pour tout le monde. Mais je m’égare.
Je pense que nous en avons fini avec les questions pour le moment. Rendez-vous dans deux semaines ; nous nous retrouverons le même jour et à la même heure. Nous explorerons une persona nommée Paris pour une entreprise de fast fashion exploitant un réseau de vente au détail. À bientôt.
Références
- Introduction à l’étude de la médecine expérimentale, Claude Bernard, 1865
- The Phoenix Project: Un roman sur l’informatique, DevOps et l’aide à votre entreprise à gagner, Gene Kim, Kevin Behr, George Spafford, 2013
- Traduction automatique non supervisée en utilisant uniquement des corpus monolingues, Guillaume Lample, Alexis Conneau, Ludovic Denoyer, Marc’Aurelio Ranzato, 2018
