00:12 Introduction
02:23 Falsifiabilité
08:25 L’histoire jusqu’à présent
09:38 Approches de modélisation : Optimisation Mathématique (MO)
11:25 Aperçu de l’optimisation mathématique
14:04 Théorie de la supply chain traditionnelle (récapitulatif)
19:56 Étendue de la perspective de l’optimisation mathématique
23:29 Heuristiques de rejet
30:54 Le lendemain
32:43 Qualités rédemptrices ?
36:13 Approches de modélisation : Optimisation Expérimentale (EO)
38:39 Aperçu de l’optimisation expérimentale
42:54 Causes profondes de l’insanité
51:28 Identifier les décisions insensées
58:51 Améliorer l’instrumentation
01:01:13 Améliorer et répéter
01:04:40 La pratique de l’EO
01:11:16 Récapitulatif
01:14:14 Conclusion
01:16:39 Prochaine conférence et questions du public
Description
Loin de la perspective cartésienne naïve selon laquelle l’optimisation consisterait simplement à déployer un optimiseur pour une fonction de score donnée, la supply chain nécessite un processus beaucoup plus itératif. Chaque itération est utilisée pour identifier les décisions “insensées” qui doivent être étudiées. La cause profonde est souvent liée à des facteurs économiques inappropriés, qui doivent être réévalués en ce qui concerne leurs conséquences involontaires. Les itérations s’arrêtent lorsque les recettes numériques ne produisent plus de résultats insensés.
Transcription complète
Bonjour à tous, bienvenue dans cette série de conférences sur la supply chain. Je suis Joannes Vermorel et aujourd’hui je vais présenter “l’Optimisation Expérimentale”, qui doit être comprise comme l’optimisation des chaînes d’approvisionnement par le biais d’une série d’expériences. Pour ceux d’entre vous qui regardent la conférence en direct, vous pouvez poser des questions à tout moment via le chat YouTube. Cependant, je ne lirai pas le chat pendant la conférence ; je reviendrai sur le chat à la fin de la conférence pour répondre aux questions qui y sont posées.
L’objectif pour nous aujourd’hui est l’amélioration quantitative des chaînes d’approvisionnement, et nous voulons être en mesure d’y parvenir de manière contrôlée, fiable et mesurable. Nous avons besoin de quelque chose qui ressemble à une méthode scientifique, et l’une des caractéristiques clés de la science moderne est qu’elle est profondément enracinée dans la réalité ou, plus précisément, dans l’expérience. Dans une conférence précédente, j’ai brièvement abordé l’idée d’expériences en chaîne d’approvisionnement et mentionné que, à première vue, elles semblent longues et coûteuses. La durée et le coût pourraient même contrecarrer l’objectif même de pourquoi nous faisons ces expériences, au point où cela pourrait ne même pas en valoir la peine. Mais le défi est que nous avons besoin d’une meilleure façon d’aborder l’expérimentation, et c’est exactement de cela qu’il s’agit dans l’optimisation expérimentale.
L’optimisation expérimentale est fondamentalement une pratique qui a émergé chez Lokad il y a une dizaine d’années. Elle offre une manière de réaliser des expériences en chaîne d’approvisionnement de manière efficace, pratique et rentable, et c’est précisément le sujet de la conférence d’aujourd’hui.
Mais d’abord, revenons un instant sur cette notion même de la nature de la science et de sa relation avec la réalité.
Il y a un livre, “La Logique de la Découverte Scientifique”, qui a été publié en 1934 avec Karl Popper comme auteur, qui est considéré comme un jalon absolu dans l’histoire de la science. Il a proposé une idée complètement stupéfiante, qui est la falsifiabilité. Pour comprendre comment cette idée de falsifiabilité est apparue et de quoi il s’agit, il est très intéressant de revisiter le parcours de Karl Popper lui-même.
Vous voyez, dans sa jeunesse, Popper était proche de plusieurs cercles d’intellectuels. Parmi ces cercles, il y en avait deux d’un intérêt majeur : l’un était un cercle d’économistes sociaux, généralement partisans de la théorie marxiste à l’époque, et l’autre était un cercle de physiciens, qui comprenait notamment Albert Einstein. Popper a constaté que les économistes sociaux avaient une théorie dans le but d’avoir une théorie scientifique qui pourrait expliquer l’évolution de la société et de son économie. Cette théorie marxiste faisait en réalité des prédictions sur ce qui allait se passer. La théorie soulignait qu’il y aurait une révolution, et que la révolution se produirait dans le pays le plus industrialisé et où l’on trouverait le plus grand nombre d’ouvriers d’usine.
Il s’est avéré que la révolution a effectivement eu lieu en 1917 ; cependant, elle a eu lieu en Russie, qui était le pays le moins industrialisé d’Europe et qui allait donc complètement à l’encontre de ce que la théorie prédisait. Du point de vue de Popper, il y avait une théorie scientifique qui faisait des prédictions, puis des événements se sont produits qui contredisaient la théorie. Ce à quoi il s’attendait, c’était que la théorie soit réfutée et que les gens passent à autre chose. Au lieu de cela, ce qu’il a vu était quelque chose de très différent. Les partisans de la théorie marxiste ont modifié la théorie pour l’adapter aux événements tels qu’ils se déroulaient. Ce faisant, ils ont progressivement rendu la théorie immunisée contre la réalité. Ce qui avait commencé comme une théorie scientifique a été progressivement modifié pour devenir quelque chose de complètement immunisé, et rien de ce qui pourrait se produire dans le monde réel ne contredirait plus la théorie.
Cela contrastait fortement avec ce qui se passait dans les cercles des physiciens, où Popper a vu des personnes comme Albert Einstein créer des théories et ensuite faire de grands efforts pour penser à des expériences qui pourraient réfuter leurs propres théories. Les physiciens ne consacraient pas toute leur énergie à prouver les théories, mais plutôt à les réfuter. Popper a réfléchi à la meilleure façon de faire de la science et a développé le concept de falsifiabilité.
Popper a proposé que la falsifiabilité soit un critère permettant d’établir si une théorie peut être considérée comme scientifique. Il a déclaré qu’une théorie est scientifique si elle satisfait deux critères. Le premier est que la théorie doit être exposée à un risque par rapport à la réalité. La théorie doit être formulée de manière à ce que la réalité puisse contredire ce qui est dit. Si une théorie ne peut pas être contredite, ce n’est pas qu’elle est vraie ou fausse ; cela dépasse le point de vue scientifique. Ainsi, pour qu’une théorie soit considérée comme scientifique, elle doit prendre un certain degré de risque par rapport à la réalité.
Le deuxième critère est que la crédibilité ou la confiance que nous pouvons accorder à une théorie devrait être, dans une certaine mesure (et je simplifie ici), proportionnelle à la quantité de travail investie par les scientifiques eux-mêmes pour tenter de réfuter la théorie. La caractéristique scientifique d’une théorie est qu’elle prend beaucoup de risques et que de nombreuses personnes essaient d’exploiter ces faiblesses pour réfuter la théorie. Si elles ont échoué maintes et maintes fois, alors nous pouvons accorder une certaine crédibilité à la théorie.
Cette perspective montre qu’il existe une profonde asymétrie entre ce qui est vrai et ce qui est faux. Les théories scientifiques modernes ne doivent jamais être considérées comme vraies ou prouvées, mais simplement comme en attente. Le fait que de nombreuses personnes aient essayé de les réfuter sans succès renforce la crédibilité que nous pouvons leur accorder. Cette vision est d’une importance capitale pour le monde de la supply chain, et en particulier, cette notion de falsifiabilité a alimenté bon nombre des développements les plus stupéfiants en science, notamment en ce qui concerne la physique moderne.
Jusqu’à présent, c’est la troisième conférence du deuxième chapitre de cette série sur la supply chain. Dans le premier chapitre du prologue, j’ai présenté mes points de vue sur la supply chain à la fois en tant que domaine d’étude et en tant que pratique. L’une des principales idées était que la supply chain couvre un ensemble de problèmes complexes, par opposition aux problèmes simples. Ces problèmes ne se prêtent pas, par conception, à une solution directe. Par conséquent, nous devons accorder une grande attention à la méthodologie que nous avons à la fois pour étudier et pratiquer la supply chain. Ce deuxième chapitre concerne ces méthodologies.
Dans la première conférence du deuxième chapitre, j’ai proposé une méthode qualitative pour apporter des connaissances et ensuite des améliorations à la supply chain via la notion de personas de la supply chain. Ici, dans cette troisième conférence, je propose une méthode quantitative : l’optimisation expérimentale.
Lorsqu’il s’agit d’apporter des améliorations quantitatives aux supply chains, nous avons besoin d’un modèle quantitatif, d’un modèle numérique. Il existe au moins deux façons d’aborder cela : la voie traditionnelle, l’optimisation mathématique, et une autre perspective, l’optimisation expérimentale.
L’approche traditionnelle pour apporter des améliorations quantitatives à la supply chain est l’optimisation mathématique. Cette approche consiste essentiellement à construire un long catalogue de paires problème-solution. Cependant, je pense que cette méthode n’est pas très bonne et nous avons besoin d’une autre perspective, c’est ce qu’est l’optimisation expérimentale. Il faut la comprendre comme l’optimisation des supply chains par le biais d’une série d’expériences.
L’optimisation expérimentale n’a pas été inventée par Lokad. Elle est apparue chez Lokad en tant que pratique d’abord, puis a été conceptualisée comme telle des années plus tard. Ce que je présente aujourd’hui n’est pas la façon dont elle est progressivement apparue chez Lokad. C’était un processus beaucoup plus progressif et confus. J’ai revisité cette pratique émergente des années plus tard pour la consolider sous la forme d’une théorie que je peux présenter sous le titre d’optimisation expérimentale.
Tout d’abord, nous devons clarifier le terme d’optimisation mathématique. Nous avons deux choses différentes à différencier : l’optimisation mathématique en tant que domaine de recherche indépendant et l’optimisation mathématique en tant que perspective pour l’amélioration quantitative de la supply chain, qui est le sujet d’intérêt aujourd’hui. Mettons de côté la deuxième perspective un instant et clarifions ce qu’est l’optimisation mathématique en tant que domaine de recherche autonome.
Il s’agit d’un domaine de recherche intéressé par la classe de problèmes mathématiques qui se présentent comme décrits à l’écran. Essentiellement, vous commencez avec une fonction qui va d’un ensemble arbitraire (A majuscule) à un nombre réel. Cette fonction, fréquemment appelée fonction de perte, est notée f. Nous recherchons la solution optimale, qui sera un point x appartenant à l’ensemble A, et qui ne peut pas être amélioré. Évidemment, il s’agit d’un domaine de recherche très vaste avec de nombreuses techniques et concepts. Certaines fonctions peuvent ne pas avoir de minimum, tandis que d’autres peuvent avoir plusieurs minima distincts. En tant que domaine de recherche, l’optimisation mathématique a été prolifique et couronnée de succès. De nombreuses techniques ont été développées et des concepts ont été introduits, qui ont été utilisés avec grand succès dans de nombreux autres domaines. Cependant, je n’en parlerai pas aujourd’hui, car ce n’est pas le sujet de cette conférence.
Le point que je souhaite souligner est que l’optimisation mathématique, en tant que science auxiliaire concernant la supply chain, a connu un succès considérable en tant que telle. À son tour, cela a profondément façonné l’étude quantitative des supply chains, c’est ce dont il est question dans la perspective d’optimisation mathématique de la supply chain.
Revenons à deux livres que j’ai présentés lors de ma toute première conférence sur la supply chain. Ces deux livres représentent, selon moi, la théorie quantitative de la supply chain traditionnelle, incarnant les cinq dernières décennies à la fois de publications scientifiques et de production de logiciels. Il ne s’agit pas seulement des articles publiés, mais aussi des logiciels qui ont été mis sur le marché. En ce qui concerne l’optimisation quantitative des supply chains, tout est fait et a été fait depuis longtemps via des instruments logiciels.
Si vous regardez ces livres, chaque chapitre peut être considéré comme une application de la perspective d’optimisation mathématique. Cela se résume toujours à une énonciation du problème avec différents ensembles d’hypothèses, suivie de la présentation d’une solution. La justesse et parfois l’optimalité de la solution sont ensuite prouvées par rapport à l’énoncé du problème. Ces livres sont essentiellement des catalogues de paires problème-solution, se présentant comme des problèmes d’optimisation mathématique.
Par exemple, la prévision peut être considérée comme un problème où vous avez une fonction de perte, qui sera votre erreur de prévision, et un modèle avec des paramètres que vous souhaitez ajuster. Vous voulez ensuite apprendre le processus d’optimisation, numériquement parlant, qui vous donne les paramètres optimaux. La même approche s’applique à une politique d’inventaire, où vous pouvez faire des hypothèses sur la demande, puis prouver que vous avez une solution qui s’avère être optimale par rapport aux hypothèses que vous venez de faire.
Comme je l’ai déjà expliqué lors de la toute première conférence, je suis très préoccupé par cette théorie dominante de la supply chain. Les livres que j’ai mentionnés ne sont pas des sélections aléatoires ; je pense qu’ils reflètent fidèlement les deux dernières décennies de recherche en supply chain. Maintenant, en examinant les idées de falsifiabilité telles qu’introduites par Karl Popper, nous pouvons voir plus clairement quel est le problème : aucun de ces livres n’est en réalité une science, car la réalité ne peut pas réfuter ce qui est présenté. Ces livres sont essentiellement complètement immunisés contre les supply chains du monde réel. Lorsque vous avez un livre qui est essentiellement une collection de paires problème-solution, il n’y a rien à réfuter. Il s’agit d’une construction purement mathématique. Le fait qu’une supply chain fasse ceci ou cela n’a aucune incidence sur la preuve ou la réfutation de ce qui est présenté dans ces livres. C’est probablement ma plus grande préoccupation concernant ces théories.
Il ne s’agit pas seulement de recherche dont il est question ici. Si vous regardez ce qui existe en termes de logiciels d’entreprise pour servir les supply chains, les logiciels qui existent aujourd’hui sur le marché reflètent très largement ces publications scientifiques. Ces logiciels n’ont pas été inventés séparément de ces publications scientifiques ; généralement, ils vont de pair. La plupart des logiciels d’entreprise disponibles sur le marché pour résoudre les problèmes d’optimisation de la supply chain sont le reflet d’une certaine série d’articles ou de livres, parfois rédigés par les mêmes personnes qui ont produit les logiciels et les livres.
Le fait que la réalité n’a aucune incidence sur les théories présentées ici est, je pense, une explication très plausible de la raison pour laquelle il y a si peu de théories présentées dans ces livres qui sont réellement utiles dans les supply chains du monde réel. C’est une déclaration assez subjective que je fais, mais au cours de ma carrière, j’ai eu l’occasion de discuter avec plusieurs centaines de directeurs de supply chain. Ils sont conscients de ces théories, et s’ils ne les connaissent pas très bien, ils ont des personnes dans leur équipe qui les connaissent. Très souvent, le logiciel utilisé par l’entreprise met déjà en œuvre une série de solutions telles que présentées dans ces livres, et pourtant elles ne sont pas utilisées. Les gens reviennent à leurs propres feuilles de calcul Excel pour diverses raisons.
Donc, ce n’est pas de l’ignorance. Nous avons ce problème très réel, et je crois que la cause profonde est littéralement que ce n’est pas de la science. Vous ne pouvez pas falsifier les choses qui sont présentées. Ce n’est pas que ces théories sont incorrectes - elles sont mathématiquement correctes - mais elles ne sont pas scientifiques au sens où elles ne sont même pas qualifiées pour être de la science.
Maintenant, la question serait : quelle est l’ampleur du problème ? Parce que j’ai effectivement choisi deux livres, mais quelle est l’ampleur réelle de cette perspective d’optimisation mathématique dans la supply chain ? Je dirais que cette perspective est absolument massive. À titre de preuve anecdotique pour le démontrer, j’ai récemment utilisé Google Scholar, un moteur de recherche spécialisé fourni par Google qui ne fournit que des résultats pour des publications scientifiques. Si vous recherchez “inventaire optimal” rien que pour l’année 2020, vous obtiendrez plus de 30 000 résultats.
Ce chiffre doit être pris avec des pincettes. Évidemment, il y a probablement de nombreux doublons dans cette liste, et il y aura très probablement des faux positifs - des articles où les mots “inventaire” et “optimal” apparaissent à la fois dans le titre et le résumé, mais l’article ne concerne pas du tout la supply chain. C’est juste accidentel. Néanmoins, un examen rapide des résultats laisse fortement entendre que nous parlons de plusieurs milliers d’articles publiés chaque année dans ce domaine. En tant que référence, ce chiffre est très élevé, même par rapport à des domaines qui sont absolument énormes, comme l’apprentissage profond. L’apprentissage profond est probablement l’une des théories de l’informatique qui connaît le plus grand succès au cours des deux ou trois dernières décennies. Donc, le fait que la simple requête “inventaire optimal” renvoie quelque chose qui est de l’ordre d’un cinquième de ce que vous obtenez pour l’apprentissage profond est vraiment stupéfiant. L’inventaire optimal ne représente évidemment qu’une fraction de ce que sont les études quantitatives de la supply chain.
Cette simple requête montre que la perspective d’optimisation mathématique est vraiment massive, et je dirais, bien que cela soit peut-être un peu subjectif, que en ce qui concerne les études quantitatives de la supply chain, elle domine vraiment. Si nous avons plusieurs milliers d’articles qui fournissent des politiques d’inventaire optimales et des modèles de gestion d’inventaire optimaux pour les entreprises, publiés chaque année, alors la majorité des grandes entreprises devraient fonctionner sur la base de ces méthodes. Nous ne parlons pas de quelques articles seulement ; nous parlons d’une quantité absolument massive de publications.
D’après mon expérience, avec quelques centaines de points de données sur la supply chain que je connais, ce n’est vraiment pas le cas. Ces méthodes sont presque nulle part. Nous avons un décalage absolument stupéfiant entre l’état du domaine en ce qui concerne les articles qui sont publiés - et, soit dit en passant, le logiciel, car encore une fois, le logiciel est pratiquement le reflet de ce qui est publié dans les articles scientifiques - et la façon dont les supply chains fonctionnent réellement.
La question que je me pose est la suivante : avec des milliers d’articles, y a-t-il quelque chose de bon à trouver ? J’ai eu le plaisir de parcourir des centaines d’articles quantitatifs sur la supply chain, et je peux vous donner une série d’heuristiques qui vous donneront une quasi-certitude que l’article ne présente aucune valeur ajoutée réelle dans le monde réel. Ces heuristiques ne sont pas absolument vraies, mais elles sont très précises, quelque chose qui serait précis à plus de 99 %. Ce n’est pas parfaitement précis, mais c’est presque parfaitement précis.
Alors, comment détecter les articles qui apportent une valeur réelle dans le monde réel, ou inversement, comment rejeter les articles qui n’apportent aucune valeur ? J’ai dressé une courte série d’heuristiques. La première est simplement que si l’article fait une quelconque revendication d’optimalité, alors vous pouvez être sûr que l’article n’apporte aucune valeur réelle aux supply chains du monde réel. Tout d’abord, parce que cela reflète le fait que les auteurs ne comprennent même pas, ou n’ont pas la moindre compréhension du fait que les supply chains sont essentiellement un problème complexe. Le fait de dire que vous avez une solution d’approvisionnement optimale - donc, revenons à la définition d’une solution optimale : une solution qui est optimale si elle ne peut pas être améliorée. Dire que vous avez une solution d’approvisionnement optimale revient à dire qu’il y a une limite stricte à l’ingéniosité humaine. Je ne crois pas cela un instant. Je pense que c’est une proposition complètement déraisonnable. Nous constatons qu’il y a un très gros problème avec la façon dont la supply chain est abordée.
Un autre problème est que chaque fois qu’il y a une revendication d’optimalité, ce qui suit est que vous avez invariablement une solution qui repose très fortement sur des hypothèses. Vous pouvez avoir une solution qui est prouvée être optimale selon un certain ensemble d’hypothèses, mais que se passe-t-il si ces hypothèses sont violées ? La solution restera-t-elle bonne ? Au contraire, je crois que si vous avez une solution dont vous pouvez prouver l’optimalité, vous avez une solution qui dépend énormément des hypothèses qui doivent être faites pour être même vaguement correctes. Si vous violez les hypothèses, la solution obtenue est très susceptible d’être absolument terrible, car elle n’a jamais été conçue pour être robuste face à quoi que ce soit. Les revendications d’optimalité peuvent être pratiquement rejetées dès le départ.
La deuxième chose concerne les distributions normales. Chaque fois que vous voyez un article ou un logiciel prétendant utiliser des distributions normales, vous pouvez être sûr que ce qui est proposé ne fonctionne pas dans les vraies chaînes d’approvisionnement. Dans une précédente conférence, où j’ai présenté les principes quantitatifs pour la chaîne d’approvisionnement, j’ai montré que toutes les populations d’intérêt dans les chaînes d’approvisionnement suivent une distribution Zipf, et non une distribution normale. Les distributions normales ne se trouvent nulle part dans les chaînes d’approvisionnement, et je suis absolument convaincu que ce résultat est connu depuis des décennies. Si vous trouvez des articles ou des logiciels qui reposent sur cette hypothèse, il est presque certain que vous avez une solution qui a été conçue par commodité, afin de faciliter l’écriture de la preuve mathématique ou du logiciel, et non parce qu’il y avait un désir d’avoir des performances réelles. La présence de distributions normales est simplement de la paresse pure ou, au mieux, un signe d’incompréhension profonde de ce qu’est une chaîne d’approvisionnement. Cela peut être utilisé pour rejeter ces articles.
Ensuite, la stationnarité - cela n’existe pas. C’est une hypothèse qui semble être correcte : les choses sont stationnaires, plus de la même chose. Mais ce n’est pas le cas ; c’est une hypothèse très forte. Cela signifie essentiellement que vous avez une sorte de processus qui a commencé au début du temps et qui continuera jusqu’à la fin du temps. C’est une perspective très déraisonnable pour les chaînes d’approvisionnement du monde réel. Dans les vraies chaînes d’approvisionnement, un produit a été introduit à un moment donné, et un produit sera retiré du marché à un moment donné. Même si vous regardez des produits relativement durables, comme on les trouve, disons, dans l’industrie automobile, ces processus ne sont pas stationnaires. Ils vont durer peut-être une décennie au mieux. La durée d’intérêt, la période d’intérêt, est finie, donc la perspective stationnaire est tout simplement incorrecte.
Un autre élément pour identifier une étude quantitative qui ne fonctionnera pas est l’absence même de la notion de substitution. Dans les chaînes d’approvisionnement du monde réel, les substitutions sont partout. Si nous revenons à l’exemple de chaîne d’approvisionnement que j’ai présenté il y a deux semaines lors d’une conférence précédente, vous pouvez voir au moins une demi-douzaine de situations où il y avait des substitutions en jeu - du côté de l’approvisionnement, du côté de la transformation et du côté de la demande. Si vous avez un modèle où conceptuellement la substitution n’existe même pas, alors vous avez quelque chose qui est vraiment en contradiction avec les chaînes d’approvisionnement du monde réel.
De même, le manque de globalité ou le manque d’une perspective holistique sur la chaîne d’approvisionnement est également un signe révélateur que quelque chose ne va pas. Si je reviens à la conférence précédente où j’ai présenté les principes quantitatifs pour la chaîne d’approvisionnement, j’ai affirmé que si vous avez quelque chose qui ressemble à un processus d’optimisation locale, vous n’optimiserez rien ; vous déplacerez simplement les problèmes au sein de votre chaîne d’approvisionnement. La chaîne d’approvisionnement est un système, un réseau, et vous ne pouvez pas appliquer une sorte d’optimisation locale en espérant qu’elle sera réellement bénéfique pour l’ensemble de la chaîne d’approvisionnement. Ce n’est tout simplement pas le cas.
Avec ces heuristiques, je pense que vous pouvez presque éliminer la majeure partie de la littérature sur la chaîne d’approvisionnement quantitative, ce qui est assez stupéfiant en soi.
Le problème est que si je devais convaincre chaque comité de rédaction de chaque conférence et revue sur la chaîne d’approvisionnement d’utiliser ces heuristiques pour filtrer les contributions de faible qualité, cela ne fonctionnerait pas. Les auteurs s’adapteraient simplement et contourneraient le processus, même si nous ajoutions ces lignes directrices pour la publication dans les revues sur la chaîne d’approvisionnement. Si les analystes de marché les ajoutaient à leur liste de contrôle, ce qui se passerait, c’est que les auteurs, à la fois des articles et des logiciels, s’adapteraient simplement. Ils obscurciraient le problème, en faisant des hypothèses plus compliquées où vous ne pouvez plus voir que cela se résume à une distribution normale ou à une hypothèse stationnaire. C’est juste que c’est formulé de manière très opaque.
Ces heuristiques sont utiles pour identifier les contributions de faible qualité, à la fois les articles et les logiciels, mais nous ne pouvons pas les utiliser pour simplement filtrer ce qui est bon. Nous avons besoin d’un changement plus profond ; nous devons revoir tout le paradigme. À ce stade, nous manquons encore de falsifiabilité. La réalité n’a nulle part où frapper en retour et contredire ce qui est présenté.
En tant que dernier élément pour clore cette partie de la conférence sur la perspective de l’optimisation mathématique, y a-t-il une qualité rédemptrice à trouver dans cette énorme production d’articles et de logiciels ? Ma réponse très subjective à cette question est absolument non. Ces articles, et j’ai lu beaucoup d’articles sur la chaîne d’approvisionnement quantitative, ne sont pas intéressants. Au contraire, ils sont extrêmement ennuyeux, même les meilleurs d’entre eux. Lorsque nous examinons les sciences auxiliaires, il n’y a pas de pépites de choses vraiment intéressantes à trouver. Vous pouvez regarder tous ces articles, et j’en ai répertorié des milliers. D’un point de vue mathématique, c’est très ennuyeux. Il n’y a pas de grandes idées mathématiques présentées. D’un point de vue algorithmique, c’est simplement une application directe de ce qui est connu depuis longtemps dans le domaine des algorithmes. Il en va de même pour la modélisation statistique et la méthodologie, qui sont extrêmement pauvres. En termes de méthodologie, tout se résume à la perspective de l’optimisation mathématique, où vous présentez un modèle, optimisez quelque chose, fournissez la solution et prouvez que cette solution a certaines caractéristiques mathématiques par rapport à l’énoncé du problème.
Nous devons vraiment changer plus que superficiellement. Je ne critique pas l’approche. Il y a des précédents historiques à cela. Il peut sembler complètement stupéfiant que je prétende que nous avons des dizaines de milliers d’articles qui sont complètement stériles, mais cela s’est produit historiquement. Si vous regardez la vie d’Isaac Newton, l’un des pères de la physique moderne, vous verrez qu’il a passé environ la moitié de son temps à travailler sur la physique, avec un héritage massif, et l’autre moitié à travailler sur l’alchimie. C’était un physicien brillant et un très mauvais alchimiste. Les archives historiques tendent à montrer qu’Isaac Newton était aussi brillant, dévoué et sérieux dans son travail sur l’alchimie que dans son travail sur la physique. En raison du fait que la perspective alchimique était simplement mal formulée, tout le travail et l’intelligence que Newton a injectés dans ce domaine se sont révélés complètement stériles, sans aucun héritage à mentionner. Ma critique n’est pas que nous avons des milliers de personnes qui publient des choses idiotes. La plupart de ces auteurs sont très intelligents. Le problème est que le cadre lui-même est stérile. C’est le point que je veux souligner.
Passons maintenant à la deuxième approche de modélisation que je souhaite présenter aujourd’hui. Au début, la méthodologie de Lokad était profondément ancrée dans la perspective de l’optimisation mathématique. Nous étions très conventionnels à cet égard, et cela ne fonctionnait pas du tout pour nous. Une chose très spécifique à Lokad, qui était presque accidentelle, est qu’à un moment donné, j’ai décidé que Lokad ne vendrait pas de logiciel d’entreprise, mais vendrait directement des décisions finales de la chaîne d’approvisionnement. Je veux dire par là les quantités exactes qu’une certaine entreprise doit acheter, les quantités qu’une entreprise doit produire et combien d’unités doivent être déplacées de l’endroit A à l’endroit B - que chaque prix individuel doit baisser - Lokad était dans le business de la vente de décisions finales de la chaîne d’approvisionnement. En raison de cette décision semi-accidentelle de ma part, nous avons été brutalement confrontés à nos propres lacunes. Nous avons été mis à l’épreuve, et il y a eu une réalité très brutale. Si nous produisions des décisions de chaîne d’approvisionnement qui s’avéraient mauvaises, les clients étaient immédiatement sur moi, hurlant au meurtre parce que Lokad ne livrait pas quelque chose de satisfaisant.
D’une certaine manière, l’optimisation expérimentale a émergé chez Lokad. Elle n’a pas été inventée chez Lokad ; c’était une pratique émergente qui était simplement une réponse au fait que nous étions sous une immense pression de la part de notre base de clients pour faire quelque chose à propos de ces défauts qui étaient partout au début. Nous avons dû trouver une sorte de mécanisme de survie, et nous avons essayé beaucoup de choses, parfois presque au hasard. Ce qui est apparu, c’est ce qu’on appelle l’optimisation expérimentale.
L’optimisation expérimentale est une méthode très simple. L’objectif est de produire des décisions de chaîne d’approvisionnement en écrivant une recette, pilotée par un logiciel, qui génère des décisions de chaîne d’approvisionnement. La méthode commence comme suit : étape zéro, vous écrivez simplement des recettes qui génèrent des décisions. Il y a beaucoup de savoir-faire, de technologies et d’outils qui sont intéressants ici. Ce n’est pas le sujet de cette conférence ; cela sera abordé en détail dans les conférences ultérieures. Donc, étape un, vous écrivez simplement une recette, et très probablement, elle ne sera pas très bonne.
Ensuite, vous entrez dans une pratique d’itération indéfinie, où d’abord vous allez exécuter la recette. Par “exécuter”, je veux dire que la recette doit pouvoir s’exécuter dans un environnement de production. Il ne s’agit pas seulement d’avoir un algorithme dans le laboratoire de data science que vous pouvez exécuter. Il s’agit d’avoir une recette qui possède toutes les qualités, de sorte que si vous décidez que ces décisions sont suffisamment bonnes pour être mises en production, vous pouvez le faire en un seul clic. Tout l’environnement doit être de qualité de production ; c’est de cela qu’il s’agit d’exécuter la recette.
La prochaine étape consiste à identifier les décisions insensées, ce qui a été abordé dans l’une de mes conférences précédentes sur la livraison orientée produit pour la supply chain. Pour ceux d’entre vous qui n’ont pas assisté à cette conférence, en résumé, nous voulons que les investissements dans la supply chain soient capitalistes, accréteurs, et pour cela, nous devons nous assurer que les personnes qui travaillent dans cette division de la supply chain ne sont pas constamment en mode lutte contre les incendies. La situation par défaut dans la grande majorité des entreprises à l’heure actuelle est que les décisions de la supply chain sont générées par des logiciels - la plupart des entreprises modernes utilisent déjà massivement des logiciels d’entreprise pour gérer leur supply chain, et toutes les décisions sont déjà générées par des logiciels. Cependant, une très grande partie de ces décisions sont tout simplement complètement insensées. Ce à quoi la plupart des équipes de la supply chain s’attellent, c’est à réexaminer manuellement toutes ces décisions insensées et à s’engager dans des efforts continus de lutte contre les incendies pour les éliminer. Ainsi, tous les efforts finissent par être consommés par le fonctionnement de l’entreprise. Vous nettoyez toutes vos exceptions un jour, puis vous revenez le lendemain avec un tout nouveau lot d’exceptions à traiter, et le cycle se répète. Vous ne pouvez pas capitaliser ; vous ne faites que consommer le temps de vos experts en supply chain. L’idée de Lokad est donc que nous devons traiter ces décisions insensées comme des défauts logiciels et les éliminer complètement, afin que nous puissions avoir un processus et une pratique capitalistes de la supply chain elle-même.
Une fois que nous avons cela, nous devons améliorer l’instrumentation et, par conséquent, améliorer la recette numérique elle-même. Tout ce travail est effectué par le Supply Chain Scientist, une notion que j’ai introduite dans ma deuxième conférence du premier chapitre, “La perspective de la Supply Chain Quantitative”, telle que vue par Lokad. L’instrumentation est d’un intérêt primordial car c’est grâce à une meilleure instrumentation que vous pouvez mieux comprendre ce qui se passe dans votre supply chain, ce qui se passe dans votre recette, et comment vous pouvez l’améliorer davantage pour résoudre ces décisions insensées qui continuent de surgir.
Penchons-nous un instant sur les causes profondes de la folie qui expliquent ces décisions insensées. Souvent, lorsque je demande aux directeurs de la supply chain pourquoi ils pensent que leurs systèmes logiciels d’entreprise qui gèrent leurs opérations de supply chain continuent de produire ces décisions insensées, une réponse très courante mais erronée que j’obtiens est : “Oh, c’est juste parce que nous avons de mauvaises prévisions.” Je pense que cette réponse est erronée à au moins deux égards. Premièrement, si vous passez de la précision que vous pouvez obtenir à partir d’un modèle de moyenne mobile très simpliste à un modèle d’apprentissage automatique de pointe, il y a peut-être une précision supplémentaire de 20 % à gagner. Donc oui, c’est significatif, mais cela ne peut pas faire la différence entre une décision très bonne et une décision complètement insensée. Deuxièmement, le plus gros problème avec les prévisions, c’est qu’elles ne voient pas toutes les alternatives ; elles ne sont pas probabilistes. Mais je m’égare ; cela serait un sujet pour une autre conférence.
Si nous revenons à la cause profonde de la folie, je pense que, bien que les erreurs de prévision soient préoccupantes, elles ne sont absolument pas la principale préoccupation. D’après une décennie d’expérience chez Lokad, je peux dire que c’est au mieux une préoccupation secondaire. La principale préoccupation, le plus gros problème qui génère des décisions insensées, c’est la sémantique des données. Rappelez-vous que vous ne pouvez pas observer directement une supply chain ; ce n’est pas possible. Vous ne pouvez observer une supply chain que comme un reflet via les enregistrements électroniques que vous recueillez grâce à des logiciels d’entreprise. L’observation que vous faites de votre supply chain est un processus très indirect à travers le prisme du logiciel.
Ici, nous parlons de centaines de tables relationnelles et de milliers de champs, et la sémantique de chacun de ces champs compte vraiment. Mais comment savez-vous que vous avez la bonne compréhension et la bonne mentalité ? La seule façon de savoir avec certitude que vous comprenez vraiment ce que signifie une colonne spécifique est de la mettre à l’épreuve de l’expérience. Dans l’optimisation expérimentale, le test expérimental est la génération de décisions. Vous supposez que cette colonne signifie quelque chose ; c’est votre théorie scientifique en quelque sorte. Ensuite, vous générez une décision basée sur cette compréhension, et si la décision est bonne, alors votre compréhension est correcte. Fondamentalement, la seule chose que vous pouvez observer, c’est si votre compréhension conduit à des décisions insensées ou non. C’est là que la réalité vous rattrape.
Ce n’est pas un petit problème ; c’est un très gros problème. Les logiciels d’entreprise sont complexes, pour le moins que l’on puisse dire, et il y a des bugs. Le problème avec la perspective de l’optimisation mathématique, c’est qu’elle considère le problème comme s’il s’agissait d’une simple série d’hypothèses, et ensuite vous pouvez déployer une solution relativement simple et mathématiquement élégante. Mais la réalité, c’est que nous avons des couches de logiciels d’entreprise par-dessus des couches, et des problèmes peuvent survenir partout. Certains de ces problèmes sont très banals, comme une copie incorrecte, un mauvais lien entre les variables, ou des systèmes qui devraient être synchronisés qui se désynchronisent. Il peut y avoir des mises à jour de version pour les logiciels qui créent des bugs, et ainsi de suite. Ces bugs sont partout, et la seule façon de savoir si vous avez des bugs ou non, c’est encore une fois de regarder les décisions. Si les décisions sont correctes, alors il n’y a soit pas de bugs, soit les bugs présents sont insignifiants et nous nous en fichons.
En ce qui concerne les moteurs économiques, une autre approche incorrecte se présente fréquemment lors des discussions avec les directeurs de la supply chain. Ils me demandent souvent de prouver qu’il y aura un certain retour économique pour leur entreprise. Ma réponse à cela est que nous ne connaissons même pas encore les moteurs économiques. Mon expérience chez Lokad m’a appris que la seule façon de savoir avec certitude quels sont les moteurs économiques - et ces moteurs sont utilisés pour construire la fonction de perte qui, à son tour, est utilisée pour effectuer l’optimisation réelle dans la recette numérique elle-même - est de les mettre à l’épreuve, encore une fois, à travers l’expérience de générer des décisions et d’observer si ces décisions sont insensées ou non. Ces moteurs économiques doivent être découverts et validés selon l’expérience. Au mieux, vous pouvez avoir une intuition de ce qui est correct, mais seule l’expérience et les expériences peuvent vous dire si votre compréhension est réellement correcte.
Ensuite, il y a aussi toutes les impraticabilités. Vous avez une recette numérique qui génère des décisions, et ces décisions semblent être conformes à toutes les règles que vous avez énoncées. Par exemple, s’il y a des quantités minimales de commande (MOQ), vous générez des bons de commande qui sont conformes à vos MOQs. Mais que se passe-t-il si un fournisseur revient vers vous et vous dit que le MOQ est autre chose ? À travers ce processus, vous pouvez découvrir de nombreuses impraticabilités et des décisions apparemment réalisables qui, lorsque vous essayez de les mettre à l’épreuve du monde réel, se révèlent irréalisables. Vous découvrez toutes sortes de cas particuliers et de limitations, parfois des cas auxquels vous n’aviez même pas pensé, où le monde vous répond et où vous devez également corriger cela.
Ensuite, il y a même votre stratégie. Vous pouvez penser que vous avez une stratégie globale et de haut niveau pour votre supply chain, mais est-elle correcte ? Juste pour vous donner une idée, prenons Amazon comme exemple. Vous pouvez dire que vous voulez être centré sur le client. Par exemple, si les clients achètent quelque chose en ligne et qu’ils ne l’aiment pas, ils devraient pouvoir le retourner très facilement. Vous voulez être très généreux en ce qui concerne les retours. Mais que se passe-t-il si vous avez des adversaires ou de mauvais clients qui abusent du système ? Ils peuvent commander un smartphone coûteux de 500 $ en ligne, le recevoir, le remplacer par un contrefait d’une valeur de seulement 50 $, puis le retourner. Amazon se retrouve avec des contrefaçons dans son inventaire sans même s’en rendre compte. C’est un problème très réel qui a été discuté en ligne à de nombreuses reprises.
Vous pouvez avoir une stratégie qui dit que vous voulez être centré sur le client, mais peut-être que votre stratégie devrait être centrée sur le client pour les clients honnêtes seulement. Donc, ce ne sont pas tous les clients ; c’est une sous-section de clients. Même si votre stratégie est approximativement correcte, le diable se cache dans les détails. Encore une fois, la seule façon de voir si les petits caractères de votre stratégie sont corrects est par le biais de l’expérimentation, où vous pouvez examiner les détails.
Maintenant, discutons de la façon dont nous identifions les décisions insensées. Comment faisons-nous la différence entre les décisions saines et les décisions insensées ? Par “décision insensée”, je veux dire une décision qui n’est pas saine pour votre entreprise. C’est un type de problème qui nécessite vraiment une intelligence humaine générale. Il n’y a absolument aucun espoir que vous puissiez résoudre ce problème grâce à un algorithme. Cela peut être un paradoxe, mais c’est le genre de problème qui nécessite une intelligence de niveau humain, mais pas nécessairement un humain très intelligent.
Il y a plein d’autres problèmes comme celui-ci dans le monde réel. Par exemple, une analogie est les erreurs de film. Si vous demandiez aux studios d’Hollywood un algorithme capable d’identifier toutes les erreurs dans n’importe quel film, ils diraient probablement qu’ils n’ont aucune idée de comment concevoir un tel algorithme, car cela semble être une tâche qui nécessite une intelligence humaine. Cependant, si vous transformez le problème en un problème où vous voulez simplement des personnes qui peuvent être formées pour être très bonnes pour identifier les erreurs de film, la tâche devient beaucoup plus simple. Il est très simple de concevoir un manuel regroupant tous les trucs pour identifier les erreurs de film. Vous n’avez pas besoin de personnes exceptionnellement intelligentes pour faire ce travail ; vous avez juste besoin de personnes raisonnablement intelligentes et dévouées. C’est exactement de cela qu’il s’agit.
Alors, à quoi ressemble la situation d’un point de vue de la supply chain ? Si nous voulons examiner concrètement le problème, fondamentalement, nous allons chercher des valeurs aberrantes. Nous devons simplement commencer par un angle. Disons, par exemple, que nous revenons à la persona Paris que j’ai présentée il y a deux semaines. Il s’agit d’une entreprise de mode qui exploite un grand réseau de magasins de mode. Disons, par exemple, que nous nous préoccupons de la qualité de service.
Commençons par les ruptures de stock. Si nous faisons simplement une requête sur tous les produits et tous les magasins, nous verrons que nous avons des milliers de ruptures de stock dans tout le réseau. Donc, cela ne nous aide pas vraiment ; nous en avons des milliers, et la réponse est “et alors ?” Peut-être que ce ne sont pas seulement les ruptures de stock ; ce qui est vraiment intéressant, ce sont les ruptures de stock dans les magasins phares, les magasins qui vendent beaucoup. C’est là que ça compte, et pas les ruptures de stock pour n’importe quel produit mais pour les meilleures ventes. Réduisons notre recherche aux ruptures de stock qui se produisent dans les magasins phares pour les meilleures ventes.
Ensuite, nous pouvons examiner un SKU où le stock se trouve à zéro. Mais en y regardant de plus près, nous verrons peut-être qu’au début de la journée, le stock était en réalité de trois unités, et la dernière unité a été vendue seulement 30 minutes avant la fermeture du magasin. Si nous y prêtons plus d’attention, nous verrons que trois unités seront réapprovisionnées le lendemain. Donc ici, nous avons une situation où nous voyons que nous avons une rupture de stock, mais est-ce vraiment important ? Eh bien, il s’avère que non, car la dernière unité a été vendue juste avant la fermeture du magasin le soir, et la quantité doit être réapprovisionnée. De plus, si nous regardons plus loin, nous verrons peut-être qu’il n’y a pas assez de place dans le magasin pour mettre plus de trois unités, donc nous sommes limités ici.
Donc, ce n’est pas vraiment un problème important. Peut-être devrions-nous réduire la recherche aux ruptures de stock où nous avons eu l’occasion de réapprovisionner - magasin phare, produit phare - mais nous ne l’avons pas fait. Nous trouvons un exemple d’un tel SKU donné, et ensuite nous voyons qu’il ne reste plus de stock dans le centre de distribution. Donc, dans ce cas, est-ce vraiment un problème ? On pourrait dire que non, mais attendez une minute. Nous n’avons pas de stock dans le centre de distribution, mais pour le même produit, regardons le réseau dans son ensemble. Avons-nous encore du stock quelque part ?
Disons que, pour ce produit - produit phare, magasin phare - nous avons beaucoup de magasins faibles qui ont encore beaucoup de stock pour le même produit, mais ils ne tournent tout simplement pas. Ici, nous voyons que nous avons effectivement un problème. Le problème n’était pas qu’il n’y avait pas assez de stock alloué au magasin phare ; le problème était qu’il y avait trop de stock alloué, probablement lors de l’allocation initiale vers les magasins pour la nouvelle collection, pour des magasins très faibles. Donc, nous procédons étape par étape pour identifier la cause profonde du problème. Nous pouvons remonter à un problème de qualité de service causé non pas par l’envoi d’un stock insuffisant mais, au contraire, par l’envoi d’un stock trop important, ce qui finit par avoir un impact au niveau du système sur la qualité de service pour ces magasins puissants.
Ce que j’ai fait ici est tout à fait l’opposé des statistiques, et c’est quelque chose d’important lorsque nous recherchons des décisions “insensées”. Vous ne voulez pas agréger les données ; au contraire, vous voulez travailler sur des données qui sont complètement désagrégées afin que tous les problèmes se manifestent. Dès que vous commencez à agréger les données, généralement, ces comportements subtils disparaissent. Le truc consiste généralement à commencer au niveau le plus désagrégé et à parcourir le réseau pour comprendre exactement ce qui se passe, non pas au niveau statistique mais à un niveau très basique, élémentaire où vous pouvez comprendre.
Cette méthode se prête également très bien à la perspective que j’ai introduite dans la supply chain quantitative, où je dis qu’il faut avoir des moteurs économiques. Ce sont toutes les futures possibles, toutes les décisions possibles, et ensuite vous évaluez toutes les décisions en fonction des moteurs économiques. Il s’avère que ces moteurs économiques sont très utiles lorsqu’il s’agit de trier tous ces SKUs, décisions et événements qui se produisent dans la supply chain. Vous pouvez les trier en fonction de l’impact en dollars décroissant, et c’est un mécanisme très puissant, même si les moteurs économiques sont partiellement incorrects ou incomplets. Cela s’avère être une méthode très efficace pour enquêter et diagnostiquer avec une productivité élevée ce qui se passe dans une supply chain donnée.
En enquêtant sur les décisions “insensées” tout au long des initiatives où vous déployez cette méthode d’optimisation expérimentale, il y a un passage progressif de décisions vraiment insensées et dysfonctionnelles à des décisions simplement mauvaises. Elles ne vont pas faire exploser votre entreprise, mais elles ne sont tout simplement pas très bonnes.
C’est là que nous avons une divergence profonde par rapport à la perspective de l’optimisation mathématique pour la supply chain.
Avec l’optimisation expérimentale, la fonction de perte elle-même, parce que l’optimisation expérimentale utilise des outils d’optimisation mathématique en interne, généralement au cœur des recettes numériques qui génèrent la décision, a une composante d’optimisation mathématique. Mais ce n’est qu’un moyen, pas une fin, qui soutient votre processus. Au lieu de passer par la perspective de l’optimisation mathématique où vous exposez votre problème puis optimisez, ici vous remettez en question à plusieurs reprises ce que vous comprenez même du problème lui-même et modifiez la fonction de perte elle-même.
Afin de gagner en termes de compréhension, vous devez instrumenter pratiquement tout. Vous devez instrumenter votre processus d’optimisation lui-même, votre recette numérique elle-même, et toutes sortes de caractéristiques que vous avez sur les données avec lesquelles vous travaillez. C’est très intéressant car, d’un point de vue historique, lorsque vous regardez bon nombre des plus grandes avancées scientifiques où des découvertes significatives devaient être faites, généralement quelques décennies avant que ces découvertes ne soient faites, il y avait une percée en termes d’instrumentation. Lorsqu’il s’agit de découvrir des connaissances, vous découvrez généralement d’abord une nouvelle façon d’observer l’univers, vous faites une percée au niveau de l’instrumentation, puis vous pouvez réellement faire votre percée dans ce qui intéresse le monde. C’est vraiment ce qui se passe ici. Au fait, Galilée a fait la plupart de ses découvertes parce qu’il était la première personne à avoir un télescope qu’il avait lui-même fabriqué à sa disposition, et c’est ainsi qu’il a découvert les lunes de Jupiter, par exemple. Toutes ces mesures sont les instruments qui font réellement avancer votre parcours.
Maintenant, le défi est que, comme je l’ai dit, l’optimisation expérimentale est un processus itératif. La question qui est très importante ici est de savoir si nous échangeons une bureaucratie contre une autre. Une de mes plus grandes critiques de la gestion de la supply chain traditionnelle est que nous nous retrouvons avec une bureaucratie de personnes qui ne font que lutter contre les incendies, en se frayant un chemin à travers toutes ces exceptions au quotidien, et leur travail n’est pas capitaliste. J’ai présenté la perspective contrastée du scientifique de la supply chain, où leur travail est censé être capitalistiquement accretif. Cependant, cela se résume vraiment à quel genre de productivité peut être atteint avec les scientifiques de la supply chain, et ces personnes doivent être très productives.
Ici, je vous donne une courte liste des indicateurs clés de performance (KPI) pour ce que cette productivité implique. Tout d’abord, vous voulez vraiment être capable de parcourir les pipelines de données en moins d’une heure, de bout en bout. Comme je l’ai dit, l’une des causes profondes de la folie est la sémantique des données. Lorsque vous réalisez que vous avez un problème au niveau sémantique, vous voulez le mettre à l’épreuve, et vous devez relancer l’ensemble du pipeline de données. Votre équipe de supply chain ou votre scientifique de la supply chain doit être capable de le faire plusieurs fois par jour.
En ce qui concerne la recette numérique qui effectue l’optimisation elle-même, à ce stade, les données sont déjà préparées et consolidées, il s’agit donc d’un sous-ensemble de l’ensemble du pipeline de données. Vous aurez besoin d’un très grand nombre d’itérations, vous voulez donc être capable de faire des dizaines d’itérations chaque jour. Le temps réel serait fantastique, mais la réalité est que l’optimisation locale en supply chain ne fait que déplacer les problèmes. Vous devez avoir une perspective holistique, et le problème avec les modèles naïfs ou triviaux de votre supply chain est qu’ils ne vont pas être très bons en termes de leur capacité à embrasser toutes les complexités que l’on trouve dans les supply chains. Vous avez un compromis entre l’expressivité et la capacité de la recette numérique et le temps nécessaire pour la rafraîchir. En général, l’équilibre est bon tant que vous gardez le calcul dans quelques minutes.
Enfin, et ce point a également été abordé dans la conférence sur la livraison de logiciels orientée produit pour la supply chain, vous devez vraiment être capable de mettre en production une nouvelle recette chaque jour. Ce n’est pas exactement ce que je recommande de faire, mais plutôt, vous devez être capable de le faire car des événements imprévus se produiront. Il peut s’agir d’une pandémie, ou parfois ce n’est pas aussi extravagant que cela. Il y a toujours la possibilité qu’un entrepôt soit inondé, vous pourriez avoir un incident de production, ou vous pourriez avoir une grande surprise avec une promotion d’un concurrent. Toutes sortes de choses peuvent se produire et perturber votre activité, vous devez donc être capable de prendre des mesures correctives très rapidement. Cela signifie que vous devez avoir un environnement où il est possible de mettre en production une nouvelle itération de votre recette de supply chain chaque jour.
Maintenant, la pratique de l’optimisation expérimentale est intéressante. L’approche de Lokad était une pratique émergente, et elle s’est progressivement intégrée à la pratique quotidienne depuis une décennie maintenant. Au cours des premières années, nous avions quelque chose comme un processus d’optimisation expérimentale proto en place. La principale différence était que nous itérions toujours, mais nous utilisions des modèles mathématiques de supply chain obtenus dans la littérature de la supply chain. Il s’est avéré que ces modèles sont généralement monolithiques et ne se prêtent pas au processus très itératif que je décris avec l’optimisation expérimentale. En conséquence, nous itérions, mais nous étions loin de pouvoir mettre en production une nouvelle recette chaque jour. C’était plutôt comme si cela prenait plusieurs mois pour trouver une nouvelle recette. Si vous regardez le site web de Lokad sur le parcours que nous avons parcouru, les itérations successives que nous avons eues sur notre moteur de prévision étaient le reflet de cette approche. Il fallait en gros 18 mois pour passer d’un moteur de prévision à la prochaine génération de moteurs de prévision, avec une courte série peut-être d’une grande itération par trimestre ou quelque chose du genre.
C’était ce qui se passait avant, et là où le jeu a vraiment changé, c’est avec l’introduction des paradigmes de programmation. Il y a une conférence précédente dans ma prologue où j’ai introduit les paradigmes de programmation pour la supply chain. Maintenant, avec cette conférence, il devrait devenir plus clair pourquoi nous nous soucions autant de ces paradigmes de programmation. Ce sont eux qui alimentent cette méthode d’optimisation expérimentale. Ce sont les paradigmes dont vous avez besoin pour construire une recette numérique, où vous pouvez itérer efficacement chaque jour pour vous débarrasser de toutes ces décisions insensées et vous orienter vers quelque chose qui crée vraiment beaucoup de valeur pour la supply chain.
Maintenant, l’optimisation expérimentale dans la nature, eh bien, je crois fermement que c’est quelque chose qui a émergé. Ce n’est pas vraiment inventé chez Lokad ; c’est plutôt quelque chose qui a émergé là-bas, simplement parce que nous étions confrontés encore et encore à nos propres inadéquations en ce qui concerne les décisions réelles de la supply chain. Je soupçonne fortement que d’autres entreprises, soumises aux mêmes forces, ont mis en place leurs propres processus d’optimisation expérimentale qui ne sont qu’une sorte de variante de ce que je vous ai présenté aujourd’hui.
Ici, si vous regardez les géants de la tech comme GAFA, j’ai des contacts là-bas qui, sans divulguer de secrets commerciaux, semblent indiquer que ce genre de pratique porte différents noms mais est déjà très présent chez ces géants de la tech. Vous pouvez même le constater en tant qu’observateur externe par le fait que bon nombre des outils open source qu’ils publient sont des outils qui prennent tout leur sens lorsque vous commencez à réfléchir aux outils que vous aimeriez avoir si vous deviez mener des initiatives suivant cette méthode d’optimisation expérimentale. Par exemple, PyTorch n’est pas un modèle ; c’est une méta-solution, un paradigme de programmation pour faire de l’apprentissage automatique, donc cela s’inscrit dans ce cadre.
Ensuite, vous pourriez vous demander pourquoi, si c’est si réussi, cela n’est pas plus reconnu en tant que tel. Quand il s’agit de reconnaître l’optimisation expérimentale dans la nature, c’est délicat. Si vous prenez une capture d’écran d’une entreprise à un moment donné, cela ressemble exactement à la perspective de l’optimisation mathématique. Par exemple, si Lokad prend une capture d’écran de l’une des entreprises que nous servons, nous avons un énoncé du problème à ce moment-là et une solution que nous proposons. Donc, à ce moment-là, la situation ressemble exactement à la perspective de l’optimisation mathématique. Cependant, il s’agit uniquement de la perspective statique. Dès que vous commencez à regarder la dimension temporelle et la dynamique, c’est radicalement différent.
Il est également important de noter que, bien qu’il s’agisse d’un processus itératif, ce n’est pas un processus convergent. Cela peut être un peu perturbant. L’idée selon laquelle vous pouvez avoir un processus itératif qui converge vers quelque chose d’optimal revient à dire qu’il y a une limite stricte à l’ingéniosité humaine. Je pense que c’est une proposition extravagante. Les problèmes de supply chain sont complexes, donc il n’y a pas de convergence simplement parce qu’il y a toujours des choses qui peuvent changer radicalement la donne. Ce n’est pas un problème étroitement défini où vous pouvez espérer trouver la solution optimale. De plus, un autre facteur qui explique pourquoi il n’y a pas de convergence en pratique est que le monde continue de changer. Votre supply chain n’opère pas dans le vide ; vos fournisseurs, clients et paysage changent. Quelle que soit la recette numérique que vous aviez à un moment donné, elle peut commencer à prendre des décisions insensées simplement parce que les conditions du marché ont changé, et ce qui était raisonnable dans le passé ne l’est plus. Vous devez vous réajuster pour vous adapter à la situation actuelle. Regardez simplement ce qui s’est passé en 2020 avec la pandémie ; évidemment, il y a eu tellement de changements que quelque chose de sain avant la pandémie ne pouvait pas rester sain pendant celle-ci. La même chose se reproduira.
Pour récapituler, nous avons deux perspectives différentes : la perspective de l’optimisation mathématique, où nous traitons des problèmes bien définis, et la perspective de l’optimisation expérimentale, où le problème est complexe. Vous ne pouvez même pas définir le problème ; vous ne pouvez que vous diriger vers le problème. En conséquence, lorsque vous avez un problème bien défini dans la perspective de l’optimisation mathématique, vous pouvez avoir un algorithme clair comme solution que vous fournissez, et vous pouvez le mettre en paquet dans un logiciel, prouvant sa correction et son optimalité. Dans le monde de l’optimisation expérimentale, cependant, vous ne pouvez pas tout mettre en paquet car c’est beaucoup trop complexe. Ce que vous pouvez avoir, ce sont des paradigmes de programmation, des outils, une infrastructure, et ensuite c’est une question d’intelligence humaine tout le temps. Il s’agit de réfléchir deux fois, de mesurer trois fois et de faire un pas en avant. Rien ne peut être automatisé à ce sujet ; tout se résume à l’intelligence humaine du supply chain scientist.
En termes de falsifiabilité, ma principale proposition est que la perspective de l’optimisation mathématique n’est pas une science car vous ne pouvez pas falsifier ce qu’elle produit. Ainsi, à la fin du jeu, vous vous retrouvez dans une course à la sophistication - vous voulez des modèles toujours plus complexes, mais ce n’est pas parce qu’ils sont plus sophistiqués qu’ils sont plus scientifiques ou qu’ils créent plus de valeur pour l’entreprise. En revanche, l’optimisation expérimentale est axée sur la falsification. Toutes les itérations sont motivées par le fait que vous mettez vos recettes numériques à l’épreuve du monde réel, générant des décisions et identifiant les bonnes décisions. Ce test expérimental peut être effectué plusieurs fois par jour pour remettre en question votre théorie et la prouver à tort à maintes reprises, itérant à partir de là et, espérons-le, apportant beaucoup de valeur dans le processus.
C’est intéressant car, en termes de fin de partie, l’optimisation expérimentale n’est pas une course vers la sophistication ; c’est une course vers les fondamentaux. Il s’agit de comprendre ce qui fait fonctionner votre supply chain, les éléments fondamentaux qui régissent la supply chain et exactement comment vous devriez comprendre ce qui se passe dans vos recettes numériques afin qu’elles ne continuent pas à produire ces décisions insensées qui nuisent à votre supply chain. En fin de compte, vous voulez produire quelque chose de très bon pour votre supply chain.
Cela a été une longue conférence, mais la leçon à retenir devrait être que l’optimisation mathématique est une illusion. C’est une illusion séduisante, sophistiquée et attrayante, mais une illusion néanmoins. L’optimisation expérimentale, en ce qui me concerne, est le monde réel. Nous l’utilisons depuis près d’une décennie pour soutenir le processus des vraies entreprises. Lokad n’est qu’un point de données, mais de mon point de vue, c’est un point de données très convaincant. Il s’agit vraiment d’avoir un aperçu du monde réel. Au fait, cette approche est extrêmement difficile pour vous car lorsque vous vous lancez dans le monde réel, la réalité vous frappe. Vous aviez de belles théories sur le type de recette numérique qui devrait fonctionner pour gouverner et optimiser la supply chain, puis la réalité vous frappe. Parfois, cela peut être incroyablement frustrant car la réalité trouve toujours des moyens de défaire toutes les choses intelligentes auxquelles vous pourriez penser. Ce processus est beaucoup plus frustrant, mais je pense que c’est la dose de réalité dont nous avons besoin pour réellement fournir des rendements réels et rentables pour vos supply chains. Je pense que, à l’avenir, il y aura un moment où l’optimisation expérimentale, ou peut-être un descendant de cette méthode, supplantera entièrement la perspective de l’optimisation mathématique en ce qui concerne les études et les pratiques de la supply chain.
Dans les prochaines conférences, nous passerons en revue les méthodes réelles, les méthodes numériques et les outils numériques que nous pouvons utiliser pour soutenir cette pratique. La conférence d’aujourd’hui ne traitait que de la méthode ; plus tard, nous aborderons le savoir-faire et les tactiques nécessaires pour que cela fonctionne. La prochaine conférence aura lieu dans deux semaines, le même jour et à la même heure, et portera sur les connaissances négatives en matière de supply chain.
Maintenant, laissez-moi jeter un coup d’œil aux questions.
Question : Si les articles sur la supply chain n’ont aucune chance d’être connectés à la réalité, même de loin, et que tout cas réel serait soumis à une NDA, que suggérez-vous à ceux qui souhaitent réaliser des études sur la supply chain et publier leurs résultats ?
Ma suggestion est de remettre en question la méthode. Les méthodes que nous avons ne conviennent pas pour étudier la supply chain. J’ai présenté deux façons dans cette série de conférences : le personnel de la supply chain et l’optimisation expérimentale. Il y a beaucoup à faire sur la base de ces méthodologies. Ce ne sont que deux méthodologies ; je suis assez sûr qu’il en existe beaucoup d’autres qui restent à découvrir ou à inventer. Ma suggestion serait de remettre en question ce qui fait d’une discipline une véritable science.
Question : Si l’optimisation mathématique n’est pas le meilleur reflet de la façon dont la supply chain devrait fonctionner dans le monde réel, pourquoi la méthode du deep learning serait-elle meilleure ? Le deep learning ne prend-il pas des décisions basées sur des décisions optimales antérieures ?
Dans cette conférence, j’ai fait une distinction claire entre l’optimisation mathématique en tant que domaine de recherche indépendant et le deep learning en tant que domaine de recherche indépendant, et l’optimisation mathématique en tant que perspective appliquée à la supply chain. Je ne critique pas le fait que l’optimisation mathématique en tant que domaine de recherche soit invalide ; bien au contraire. Dans cette méthode d’optimisation expérimentale dont je parle, au cœur de la recette numérique, vous aurez généralement un algorithme d’optimisation mathématique de quelque sorte. Le point est l’optimisation mathématique en tant que perspective ; c’est ce que je remets en question ici. Je sais que c’est subtil, mais c’est une différence cruciale que je fais. Le deep learning est une science auxiliaire. Le deep learning est un domaine de recherche distinct, tout comme l’optimisation mathématique est un domaine de recherche distinct. Ce sont deux grands domaines de recherche, mais ils sont complètement indépendants et distincts des études sur la supply chain. Ce qui nous préoccupe vraiment aujourd’hui, c’est l’amélioration quantitative des supply chains. C’est ce dont il s’agit - des méthodes pour apporter des améliorations quantitatives à la supply chain de manière contrôlée, fiable et mesurable. C’est ce qui est en jeu ici.
Question : L’apprentissage par renforcement peut-il être la bonne approche pour la gestion de la supply chain ?
Tout d’abord, je dirais que c’est probablement la bonne approche pour l’optimisation de la supply chain. C’est une distinction que j’ai faite dans l’une de mes conférences précédentes - d’un point de vue logiciel, vous avez le côté gestion avec la gestion des ressources d’entreprise, puis vous avez le côté optimisation. L’apprentissage par renforcement est un autre domaine de recherche qui peut également tirer parti d’éléments du deep learning et de l’optimisation mathématique. C’est le genre d’élément que vous pouvez utiliser dans cette méthode d’optimisation expérimentale. La partie critique sera de savoir si vous disposez des paradigmes de programmation qui peuvent importer ces techniques d’apprentissage par renforcement de manière à ce que vous puissiez opérer de manière très fluide et itérative. C’est un grand défi. Vous voulez pouvoir itérer, et si vous avez quelque chose qui est un modèle d’apprentissage par renforcement complexe et monolithique, alors vous aurez des difficultés, tout comme Lokad l’a fait dans les premières années lorsque nous essayions d’utiliser ce genre de modèles monolithiques où nos itérations étaient très lentes. Une série de percées techniques était nécessaire pour rendre l’itération beaucoup plus fluide.
Question : L’optimisation mathématique est-elle un élément essentiel de l’apprentissage par renforcement ?
Oui, l’apprentissage par renforcement est un sous-domaine de l’apprentissage automatique, et l’apprentissage automatique peut être considéré, d’une certaine manière, comme un sous-domaine de l’optimisation mathématique. Cependant, la chose est que lorsque vous faites cela, tout est inclus dans tout, et ce qui différencie vraiment tous ces domaines, c’est qu’ils n’adoptent pas la même perspective sur le problème. Tous ces domaines sont connectés, mais généralement, ce qui les différencie vraiment, c’est l’intention que vous avez.
Question : Comment définissez-vous une décision insensée dans le contexte des méthodes d’apprentissage profond qui pensent souvent à de nombreuses décisions à l’avance ?
Une décision insensée dépend des décisions futures. C’est exactement ce que j’ai démontré dans l’exemple lorsque j’ai dit : “Est-ce un problème d’être en rupture de stock ?” Eh bien, ce n’est pas un problème si vous voyez que la prochaine décision qui va être prise est un réapprovisionnement. Donc, que je qualifie ou non cette situation d’insensée dépendait en réalité d’une décision qui allait être prise. Cela complique l’enquête, mais c’est exactement de cela qu’il s’agit lorsque je dis que vous devez avoir une très bonne instrumentation. Par exemple, cela signifie que lorsque vous enquêtez sur une situation de rupture de stock, vous devez être capable de projeter les décisions futures que vous êtes sur le point de prendre, afin de pouvoir voir non seulement les données que vous avez, mais aussi les décisions que vous projetez de prendre selon votre recette numérique actuelle. Vous voyez, il s’agit d’avoir une instrumentation appropriée, et encore une fois, ce n’est pas une tâche facile. Cela nécessite une intelligence de niveau humain ; vous ne pouvez pas automatiser cela simplement.
Question : Comment fonctionne l’optimisation expérimentale, l’identification de l’insanité et la recherche de solutions en pratique ? Je ne peux pas attendre que l’insanité se produise dans la réalité, n’est-ce pas ?
Tout à fait correct. Si je reviens au début de cette conférence, j’ai mentionné deux groupes de personnes : les physiciens modernes et les marxistes. Le groupe de physiciens, lorsque j’ai dit qu’ils faisaient de la vraie science, n’était pas passif, en attendant que leurs théories soient réfutées. Ils faisaient tout leur possible pour concevoir des expériences incroyablement intelligentes qui auraient une chance de réfuter leurs théories. C’était un mécanisme très proactif.
Si vous regardez ce qu’Albert Einstein a fait pendant la majeure partie de sa vie, c’était trouver des moyens astucieux de mettre à l’épreuve des expériences les théories de physique qu’il avait inventées, du moins en partie. Donc oui, vous n’attendez pas que la décision insensée se produise. C’est pourquoi vous devez être capable d’exécuter votre recette encore et encore et investir du temps à la recherche de la décision insensée. Évidemment, il y a certaines décisions, comme celle avec des impraticabilités, où il n’y a aucun espoir - vous devez le faire en production, et ensuite le monde réagira. Mais pour la grande majorité, les décisions insensées peuvent être identifiées simplement en faisant des expériences jour après jour. Mais vous avez besoin de données, et vous devez avoir le processus réel qui génère les décisions réelles qui pourraient être mises en production.
Question : Si une recette peut être cassée en raison d’une méthode mathématique et/ou d’une perspective, et si vous ne connaissez pas cette autre perspective, comment pouvez-vous découvrir que vous avez un problème de perspective, pas un problème de méthode, et vous pousser à découvrir une autre perspective qui convient mieux au problème ?
C’est un très gros problème. Comment pouvez-vous voir quelque chose qui n’est pas là ? Si je reviens à l’exemple du personnel de la chaîne d’approvisionnement de Paris, une entreprise de mode exploitant des magasins de détail, imaginons un instant que vous avez oublié de réfléchir à l’effet à long terme que vous avez sur les habitudes de vos clients en offrant des réductions de fin de saison. Vous ne réalisez pas que vous créez une habitude au sein de votre base de clients. Comment pourriez-vous jamais vous en rendre compte ? C’est un problème d’intelligence générale. Il n’y a pas de solution magique.
Vous devez faire un brainstorming, et d’ailleurs, la réponse très concrète de Lokad est que l’entreprise est basée à Paris. Nous servons des clients dans une vingtaine de pays éloignés, dont l’Australie, la Russie, les États-Unis et le Canada. Pourquoi ai-je regroupé toutes mes équipes de scientifiques de la chaîne d’approvisionnement à Paris, même si avec la pandémie, c’est un peu plus compliqué, il y a beaucoup de travail à distance. Mais pourquoi ai-je regroupé tous ces scientifiques de la chaîne d’approvisionnement en un seul endroit plutôt que de les externaliser partout ? La réponse était que j’avais besoin que ces personnes soient au même endroit pour qu’elles puissent discuter, faire un brainstorming et trouver de nouvelles idées. Encore une fois, c’est une solution très basique, mais je ne peux pas vraiment promettre mieux. Lorsqu’il y a quelque chose que vous ne pouvez pas voir, comme par exemple la nécessité de penser aux implications à long terme, et que vous l’avez simplement oublié ou jamais pensé, ce problème peut être très évident et manquant. Dans l’une de mes conférences précédentes, j’ai donné l’exemple de la valise. Il a fallu 5 000 ans pour inventer l’idée qu’il serait une bonne idée de mettre des roues sur les valises. Les roues ont été inventées il y a des milliers d’années, et la meilleure version de la valise a été inventée des décennies après avoir mis des gens sur la lune. C’est le genre de chose où il peut y avoir quelque chose d’évident que vous ne voyez pas. Il n’y a pas de recette pour cela ; c’est juste l’intelligence humaine. Vous faites simplement ce que vous avez.
Question : Les conditions en constante évolution rendront constamment obsolue la solution optimale pour votre chaîne d’approvisionnement, n’est-ce pas ?
Oui et non. Du point de vue de l’optimisation expérimentale, il n’y a pas de solution optimale. Vous avez des solutions optimisées, mais la distinction fait toute la différence. Les solutions optimisées sont loin d’être optimales. Optimal, c’est comme dire, et je me répète, qu’il y a une limite stricte à l’ingéniosité humaine. Donc, il n’y a rien d’optimal ; c’est juste optimisé. Et oui, à mesure que chaque jour passe, le marché s’éloigne de toutes les expériences que vous avez faites jusqu’à présent. L’évolution même du monde dégrade simplement l’optimisation que vous avez produite. C’est juste la façon dont le monde est. Il y a certains jours, par exemple, où une pandémie se produit, et la divergence s’accélère énormément. Encore une fois, c’est juste la façon dont le monde est. Le monde change, et donc votre recette numérique doit changer avec lui. C’est une force externe, donc oui, il n’y a pas d’échappatoire ; la solution devra être réexaminée en permanence.
C’est l’une des raisons pour lesquelles Lokad vend un abonnement, et nous disons à nos clients : “Non, nous ne pouvons pas vous vendre un scientifique de la chaîne d’approvisionnement uniquement pour la phase de mise en œuvre. C’est absurde. Le monde continuera de changer ; ce scientifique de la chaîne d’approvisionnement qui a trouvé la recette numérique devra être là jusqu’à la fin des temps ou jusqu’à ce que vous en ayez assez de nous.” Ainsi, cette personne pourra adapter la recette numérique. Il n’y a pas d’échappatoire ; c’est simplement le monde extérieur qui continue de changer.
Question : Le cheminement vers le problème, bien que correct, rend fou les cadres supérieurs. Ils ne peuvent tout simplement pas comprendre cela ; ils pensent : ‘Comment pouvez-vous revisiter le problème plusieurs fois au cours du projet ?’ Quelles analogies connues de la vie suggéreriez-vous pour aborder ces conversations afin de prouver qu’il s’agit d’un problème largement existant ?
D’abord, c’est exactement ce que j’ai dit dans la dernière diapositive où j’ai mis la capture d’écran de The Matrix. À un moment donné, vous devez décider si vous voulez vivre dans un fantasme ou dans le monde réel. J’espère que la direction de votre entreprise n’est pas composée d’un tas d’idiots, ma seule suggestion est que vous feriez mieux d’aller dans une autre entreprise car je ne suis pas sûr que cette entreprise sera là pour longtemps. Mais la réalité est que je pense que les managers ne sont pas des idiots. Ils ne veulent pas traiter avec des problèmes inventés. Si vous êtes un manager dans une grande entreprise, vous avez des gens qui viennent vous voir dix fois par jour avec un “problème majeur”, qui n’est pas un vrai problème. La réaction de la direction, qui est une réaction correcte, est “Il n’y a aucun problème, continuez simplement à faire ce que vous avez fait. Désolé, je n’ai pas le temps de refaire le monde avec vous. Ce n’est tout simplement pas la bonne façon de regarder le problème.” Ils ont raison de faire cela car, grâce à des décennies d’expérience, ils peuvent le résoudre. Ils ont de meilleures heuristiques que ceux qui sont plus bas dans la hiérarchie.
Mais parfois, il y a une préoccupation très réelle. Par exemple, votre question est la suivante : comment convaincre la direction il y a deux décennies que le e-commerce va être une force dominante à prendre en compte dans vingt ans ? À un moment donné, vous devez simplement choisir vos batailles judicieusement. Si votre direction n’est pas idiote et que vous venez à une réunion bien préparé, en disant : “Hé patron, j’ai ce problème. Ce n’est pas une blague. C’est une préoccupation très importante avec des millions de dollars en jeu. Je ne plaisante pas. C’est une tonne d’argent que nous laissons sur la table. Pire encore, je soupçonne que la plupart de nos concurrents vont nous voler notre déjeuner si nous ne faisons rien. Ce n’est pas un détail mineur ; c’est un problème très réel. J’ai besoin que vous accordiez 20 minutes de votre attention.” Encore une fois, il est rare dans les grandes entreprises que la direction soit un tas d’idiots complets. Ils peuvent être occupés, mais ils ne sont pas idiots.
Question : Quel serait le paysage approprié des outils pour les entreprises manufacturières : l’optimisation expérimentale comme Lokad, plus ERP, plus la visualisation ? Qu’en est-il du rôle des systèmes de planification concurrents en ligne ?
La grande majorité de nos concurrents s’alignent sur la perspective de l’optimisation mathématique des chaînes d’approvisionnement. Ils ont défini le problème et mis en œuvre un logiciel pour le résoudre. Ce que je dis, c’est que lorsqu’ils mettent le logiciel à l’épreuve et qu’il finit invariablement par produire des tonnes de décisions insensées, ils disent : “Oh, c’est parce que vous n’avez pas configuré correctement le logiciel.” Cela rend le produit logiciel immunisé contre le test de la réalité. Ils trouvent des moyens de détourner les critiques plutôt que de les adresser.
Chez Lokad, cette méthode n’a émergé que parce que nous étions très différents de nos concurrents. Nous n’avions pas le luxe d’avoir une excuse. Comme dit le dicton, “Vous pouvez avoir des excuses ou des résultats, mais vous ne pouvez pas avoir les deux.” Chez Lokad, nous n’avions pas la possibilité de faire des excuses. Nous prenions des décisions, et il n’y avait rien à configurer ou à ajuster du côté du client. Lokad faisait face directement à ses propres lacunes. Pour autant que je sache, tous nos concurrents sont fermement ancrés dans la perspective de l’optimisation mathématique, et ils souffrent de problèmes d’immunité à la réalité. Pour être honnête, ils ne sont pas complètement immunisés à la réalité, mais ils finissent par avoir un rythme d’itération très lent, comme celui que j’ai décrit pour Lokad pendant les premières années. Ils ne sont pas complètement immunisés à la réalité, mais leur processus d’amélioration est extrêmement lent, et le monde continue de changer.
Ce qui se produit invariablement, c’est que le logiciel d’entreprise ne change pas aussi rapidement pour suivre le reste du monde, de sorte que vous vous retrouvez avec un logiciel qui vieillit simplement. Il ne s’améliore pas vraiment parce que chaque année qui passe, le logiciel s’améliore, mais le monde devient de plus en plus étrange et différent. Le logiciel d’entreprise ne cesse de prendre du retard sur un monde de plus en plus déconnecté de ses origines.
Question : Quel serait le paysage approprié des outils pour les entreprises manufacturières ?
Le paysage approprié est constitué d’outils de gestion des ressources d’entreprise qui peuvent gérer tous les aspects transactionnels. En plus de cela, ce qui est vraiment important, c’est d’avoir une solution très intégrée en ce qui concerne votre recette numérique. Vous ne voulez pas avoir une pile technologique pour la visualisation, une autre pour l’optimisation, une autre pour l’investigation, et encore une autre pour la préparation des données. Si vous vous retrouvez avec une demi-douzaine de piles technologiques différentes pour toutes ces choses différentes, vous aurez besoin d’une armée d’ingénieurs logiciels pour les connecter toutes ensemble, et vous vous retrouverez avec quelque chose qui est l’opposé de l’agilité.
Il faut tellement de compétences en ingénierie logicielle qu’il ne reste plus de place pour la compétence réelle en chaîne d’approvisionnement. Rappelez-vous, c’était le point de ma troisième conférence sur la livraison de logiciels axée sur le produit. Vous avez besoin de quelque chose qu’un spécialiste de la chaîne d’approvisionnement, pas un ingénieur logiciel, peut utiliser.
C’est tout. Rendez-vous dans deux semaines, même jour et même heure, pour “La connaissance négative en chaîne d’approvisionnement”.
Références
- La logique de la découverte scientifique, Karl Popper, 1934
