00:00:08 Aperçu de la valeur ajoutée de la prévision en tant que technique de gestion.
00:01:29 Explication du processus de la valeur ajoutée de la prévision et des raisons de son émergence.
00:02:06 Importance des métriques pour déterminer la précision du processus de prévision.
00:03:37 Discussions sur pourquoi les prévisions multi-étapes réalisées par plusieurs équipes ne fonctionnent pas.
00:07:55 L’idée que plusieurs équipes travaillent ensemble pour améliorer la précision est attrayante mais n’est pas soutenue par la science.
00:08:01 Inconvénients de laisser le public voter sur le prochain coup d’un champion d’échecs.
00:10:31 L’inefficacité de la valeur ajoutée de la prévision dans la supply chain.
00:12:17 L’inefficacité de l’intervention manuelle pour améliorer la précision de la prévision.
00:14:50 La difficulté de faire confiance à la science plutôt qu’au jugement humain en matière de prévision.
00:15:55 La granularité de la compréhension et de l’analyse qu’un commercial a de ses clients.
00:16:00 Critique de l’idée qu’une prévision devrait être un effort collaboratif.
00:17:02 La récente résurgence de popularité de la méthodologie d’évaluation de la prévision.
00:17:23 Le potentiel de gain financier provenant de la production de métriques et de la facturation de mises à niveau.
00:19:10 L’importance de déterminer si un consultant apporte une valeur réelle à l’entreprise ou s’il ne fait que du travail inutile.
00:23:36 La nécessité d’identifier une incompétence radicale et d’utiliser la valeur ajoutée de la prévision comme test probant.

Résumé

La valeur ajoutée de la prévision (FVA) est une approche défaillante de la prévision en supply chain qui implique la collaboration entre diverses équipes au sein d’une organisation pour améliorer la précision. Joannes Vermorel, fondateur de Lokad, soutient que la FVA ajoute une couche supplémentaire de complexité à la gestion de la supply chain sans bénéfice clair pour l’entreprise, et qu’elle n’est pas appuyée par la recherche scientifique. Vermorel suggère que les entreprises se concentrent sur la recherche de solutions plus simples et efficaces pour leurs défis en supply chain et qu’elles fassent confiance aux spécialistes de divers domaines. Les entreprises devraient utiliser la FVA comme test probant pour détecter une incompétence radicale chez les fournisseurs ou agences de conseil promouvant la prévision collaborative.

Résumé Étendu

Dans cette interview, l’animateur Kieran Chandler et Joannes Vermorel, fondateur de Lokad, discutent du concept de la valeur ajoutée de la prévision (FVA) et de son efficacité dans l’optimisation de la supply chain. La FVA est apparue au début des années 2000 en tant que technique pour améliorer la précision des prévisions en identifiant quelles étapes du processus de prévision contribuent positivement ou négativement au produit final. Cette approche implique généralement que différentes équipes au sein d’une organisation collaborent sur la prévision, telles que le marketing, les ventes et la production.

L’idée derrière la FVA est qu’en mesurant la précision de chaque étape du processus, on peut identifier les équipes qui contribuent positivement ou négativement à la précision de la prévision. Cela se fait par le biais du backtesting, en comparant la précision de la prévision de référence à celle des prévisions comportant des apports supplémentaires de différentes équipes.

Cependant, Vermorel souligne que cette approche ne fonctionne pas en pratique et n’est pas soutenue par la recherche scientifique. La littérature sur la prévision statistique ne préconise pas un processus multi-étapes où les prévisions passent d’une division à l’autre au sein d’une entreprise. En fait, les compétitions de prévision ont constamment montré que les gagnants ne s’appuient pas sur de telles techniques.

Malgré ses lacunes, la FVA a gagné en popularité car elle constitue une solution attrayante qui permet à chacun de contribuer et de se sentir impliqué dans le processus. Vermorel compare cela à l’idée d’un groupe de personnes essayant d’aider un champion d’échecs à faire son prochain coup, ce qui aboutirait probablement à une distraction plutôt qu’à une amélioration des performances.

La valeur ajoutée de la prévision est une approche populaire mais défaillante de la prévision en supply chain. Elle implique la collaboration entre diverses équipes au sein d’une organisation, dans le but d’améliorer la précision. Cependant, cette méthode n’est pas soutenue par la recherche scientifique, et les preuves empiriques suggèrent qu’elle ne conduit pas à de meilleures prévisions. L’attrait de la FVA peut découler du désir de participation collective et de la satisfaction d’appartenir au processus de prise de décision.

Ils ont discuté du concept de valeur ajoutée de la prévision et de ses défauts. Il estime que c’est une idée bureaucratique qui ajoute une couche supplémentaire de complexité à la gestion de la supply chain, ralentissant les processus et compliquant les opérations, sans bénéfice clair pour l’entreprise.

Vermorel soutient que l’idée que la prévision devrait être un effort collaboratif est incorrecte, car la science et les compétitions de prévision passées ne corroborent pas cette notion. Il souligne que l’esprit humain n’est pas bien équipé pour gérer le bruit statistique, et que les interventions manuelles tendent à diminuer la précision de la prévision. Il suggère qu’il est plus efficace de se concentrer sur l’amélioration de la recette numérique sous-jacente à la prévision, plutôt que d’ajuster les prévisions manuellement.

Il remet en question la capacité des non-spécialistes à réaliser des tâches numériques complexes mieux que des experts qui ont passé des années à développer des recettes numériques raisonnables. Vermorel souligne que les équipes de vente, par exemple, opèrent généralement à une granularité bien plus grande que celle requise pour prévoir la demande d’un SKU. Au contraire, leurs connaissances devraient être utilisées pour réviser la recette numérique, conduisant à des prévisions plus précises.

Malgré les inquiétudes de Vermorel, il note que la valeur ajoutée de la prévision a connu une résurgence de popularité ces dernières années, avec de nombreux consultants et fournisseurs de logiciels promouvant la méthodologie. Cependant, il reste critique envers cette approche et estime que ce n’est pas le moyen le plus efficace d’améliorer la précision des prévisions en supply chain.

Vermorel exprime ses préoccupations quant aux fournisseurs de logiciels qui gagnent de l’argent en proposant des solutions complexes à des problèmes de supply chain qui ne procurent pas nécessairement de valeur. Il suggère que de nombreux fournisseurs utilisent des distractions pour vendre leurs produits et services, rendant difficile pour les clients l’identification de la véritable valeur.

Vermorel souligne l’importance d’éviter la complexité pour le simple plaisir d’être complexe. Il fait remarquer qu’ajouter des dimensions inutiles à un processus peut en réalité rendre le problème quadratiquement plus complexe, ce qui peut ne pas être bénéfique pour l’entreprise. De plus, il estime que les fournisseurs facturent souvent davantage ces solutions complexes, y compris les mises à niveau et les honoraires de conseil.

Pour différencier les consultants de valeur de ceux qui ne produisent que des métriques, Vermorel suggère que les entreprises se demandent si le service ou la solution fournie apporte réellement de la valeur ou ne crée qu’un travail inutile. Il insiste sur l’importance de se concentrer sur des solutions tournées vers l’extérieur plutôt que sur l’intérieur, car ajouter des couches supplémentaires de complexité à un processus peut ne pas conduire à de meilleurs résultats.

Dans le contexte de la gestion de la supply chain, Vermorel s’oppose à l’idée que la prévision devrait être un effort collaboratif. Il compare cela à l’alimentation électrique d’un bâtiment, qui n’est pas considérée comme un effort d’équipe. Il affirme qu’il n’y a aucune raison que la prévision soit un processus collaboratif, et que les entreprises devraient se concentrer sur la recherche de solutions plus simples et efficaces à leurs défis en supply chain.

Vermorel souligne l’importance de faire confiance aux spécialistes dans divers domaines, tels que les installations électriques ou la prévision en supply chain. Il fait remarquer que les méthodes de prévision collaboratives sont souvent contre-productives, en citant une série d’articles démontrant que l’intervention manuelle dans les prévisions peut être néfaste. Cela est dû à la mauvaise perception du hasard par les humains ; bien que les humains excellent à identifier des motifs, ils peinent à comprendre l’aléatoire.

Vermorel soutient que tant qu’une approche de prévision collaborative ne pourra pas être prouvée supérieure, elle ne devrait pas être fiable. Il note que les chercheurs de premier plan dans ce domaine, tels que ceux participant aux compétitions de prévision, n’utilisent pas de méthodes collaboratives. Vermorel suggère que les entreprises devraient être plus sceptiques à l’égard des fournisseurs et des agences de conseil qui promeuvent de telles méthodes de prévision collaborative, car ils pourraient manquer de compétence dans ce domaine.

Le message fondamental de l’interview est que les entreprises devraient se concentrer sur l’identification des domaines d’incompétence radicale dans leur gestion de la supply chain, plutôt que d’essayer d’améliorer les prévisions par la collaboration. Vermorel recommande d’utiliser la valeur ajoutée de la prévision comme test probant pour détecter une incompétence radicale chez les fournisseurs ou agences de conseil qui promeuvent la prévision collaborative. Il compare cela à la détection de fournisseurs prônant des méthodes basées sur l’astrologie ou sur l’intelligence artificielle sans en comprendre les véritables implications.

Vermorel conseille aux entreprises d’être prudentes lorsqu’elles traitent avec des fournisseurs et des agences de conseil dans le domaine de l’optimisation de la supply chain, en utilisant la valeur ajoutée de la prévision comme outil pour identifier l’incompétence. Faire confiance aux spécialistes et éviter les méthodes de prévision collaborative peut conduire à une gestion de la supply chain plus efficace.

Transcription Complète

Kieran Chandler: Aujourd’hui, nous allons discuter de l’efficacité de ce procédé et pourquoi décomposer une prévision peut en réalité entraîner des décisions plus difficiles. Alors, Joannes, quelle est l’idée derrière la valeur ajoutée de la prévision ?

Joannes Vermorel: La valeur ajoutée de la prévision est un processus apparu au début des années 2000, voire peut-être dans les années 90. Je n’ai trouvé aucune publication antérieure, mais comme il ne s’agit pas d’une idée très compliquée, je soupçonne qu’elle était déjà pratiquée dans les années 90, probablement sous divers noms et formes. Essentiellement, c’est un processus qui vise à améliorer quantitativement la précision de la prévision en identifiant si certaines étapes effectuées lors de la composition du produit final, c’est-à-dire la prévision, améliorent réellement la précision.

Pour illustrer, nous avons une équipe de prévision qui produit la prévision de référence. Ensuite, l’équipe marketing intervient et ajuste cette référence en se basant sur leurs connaissances marketing supplémentaires, par exemple ce qu’ils prévoient de faire en termes de campagnes. Puis, l’équipe des ventes intervient et ajoute sa propre couche de correction en raison des connaissances supplémentaires qu’elle possède en matière de ventes. Ensuite, la production intervient, et ainsi de suite. Nous revenons à l’équipe de prévision qui conclut finalement avec le plan, et c’est essentiellement le genre de choses qui se font dans le cadre du processus SNLP. Le processus de valeur ajoutée de la prévision consiste à établir des métriques pour le delta introduit par chacune des étapes du processus de prévision, en termes d’amélioration ou de diminution de la précision, et implicitement, l’idée est de supprimer les contributions qui finissent par dégrader la précision de la prévision.

Kieran Chandler: Alors, pourquoi cette idée est-elle née ? Parce qu’impliquer tant d’intervenants différents peut définitivement compliquer les choses.

Joannes Vermorel: Oui, en effet, au moins les premiers articles des années 2000 indiquent que produire des prévisions avec de nombreuses interventions finit généralement par faire l’inverse de ce qui était prévu, c’est-à-dire dégrader la précision de la prévision. Leur conclusion est que s’en tenir à la prévision de référence naïve, qui est très souvent quelque chose comme une moyenne mobile plus la saisonnalité, se révèle plus précis que lorsque l’on laisse de nombreuses personnes modifier ces prévisions à la hausse et à la baisse. Mais la logique veut que nous devrions essayer de filtrer les mauvaises contributions pour ne conserver que les bonnes, afin d’obtenir le meilleur des deux mondes : la précision initiale, améliorée par des contributions supplémentaires, mais soigneusement filtrée à travers le processus de valeur ajoutée de la prévision.

Kieran Chandler: Alors, comment déterminez-vous quelles équipes apportent les bonnes contributions et lesquelles apportent en quelque sorte les mauvaises ?

Joannes Vermorel: Très simplement, en réalisant un backtest.

Kieran Chandler: Quelle était la précision de la prévision de référence pour le dernier trimestre ? Quelle était la précision de la prévision de référence plus la contribution de l’équipe des ventes ? Ensuite, nous avons deux configurations de prévision différentes : celle de référence et celle avec la première couche de correction. Nous pouvons voir si la précision de la prévision s’est améliorée ou non. Puis nous pouvons répéter cette expérience pour chaque étape afin de comparer avec la précision obtenue juste avant. Cela nous permet essentiellement d’isoler les résultats.

Joannes Vermorel: C’est très similaire à un processus de backtest, sauf que vous ajoutez un niveau supplémentaire de granularité dans l’analyse. Vous voulez analyser et comparer la précision respective avant et après les changements, en examinant les étapes clés du processus de prévision. Et quand je dis étapes clés, je définis les étapes du point de vue de l’organisation, où une prévision est transmise à une équipe, l’équipe applique des corrections, puis la transmet à une autre équipe. Le tout circule au sein de l’entreprise jusqu’à revenir à l’équipe de prévision originale en charge de l’ensemble du processus de prévision.

Kieran Chandler: Cela semble logique d’un point de vue rationnel ; on bénéficie de l’expertise toujours croissante de plusieurs personnes, donc cela devrait probablement finir par être plus précis. Alors, quel est le gros problème ?

Joannes Vermorel: Le problème, c’est que ça ne fonctionne tout simplement pas, et ce n’est étayé par aucune preuve scientifique. C’est le genre de chose qui semble intuitif et a l’air bien, mais si nous commençons à examiner la littérature sur la prévision statistique, aucun chercheur scientifique ne travaille réellement avec ce genre de techniques. Même s’ils disposent de modèles de prévision à plusieurs étapes, toutes ces étapes se retrouvent intégrées dans un seul cadre algorithmique, donc juste un logiciel. L’idée que vous pouvez affiner une prévision statistique en la faisant passer de division en division au sein de l’entreprise relève avant tout de la folie. Si nous observons les compétitions de prévision organisées depuis longtemps, comme celles mises en place par le Professeur Makridakis, les personnes qui ont fini par gagner ces compétitions n’ont pas eu recours à un processus de prévision à plusieurs étapes où la prévision passerait de spécialiste en spécialiste. À mon avis, c’est le genre de chose qui est très attrayant parce que cela rend tout le monde heureux ; chacun peut contribuer, et cela crée un sentiment d’émotion positive.

Joannes Vermorel: Dans ce processus, oui, mais ce n’est pas ainsi que cela fonctionne. C’est un peu comme si vous imaginiez que vous avez un champion d’échecs, et que vous disiez : “D’accord, maintenant nous allons essayer d’aider ce champion en organisant un grand vote de personnes qui vont tenter de l’aider à effectuer son prochain coup.” La réponse est non, cela ne va pas rendre ce champion meilleur. Il y a de fortes chances que ce soit simplement une distraction totale. Si vous voulez avoir les meilleurs des meilleurs, laissez-le jouer le jeu, ou laissez-la jouer exactement comme les champions l’estiment, et c’est tout.

Kieran Chandler: Alors, pourquoi ce genre d’idée a-t-il gagné autant d’adhésion ? Est-ce parce que cela rend beaucoup de gens heureux et leur donne l’impression de contribuer ? Je veux dire, pourquoi les gens ont-ils entendu parler de forecast value added ?

Joannes Vermorel: Je crois que c’est une sorte d’idée très bureaucratique qui exerce un fort attrait parce qu’elle est très introspective. Dès que vous commencez à aborder les vrais problèmes, comme la gestion des risques qui vous oblige à améliorer votre pratique vers la prévision probabiliste, cela devient incroyablement compliqué. Forecast value added est trivial. Le niveau de mathématiques requis relève du collège. C’est le genre de chose qui a l’air bien, et personne ne sera intellectuellement stimulé par forecast value added. C’est littéralement d’une simplicité extrême.

Joannes Vermorel: Il est très tentant d’ajouter simplement une couche supplémentaire de bureaucratie dans votre supply chain pour laisser les gens s’occuper de ce processus qui a bonne allure et semble raisonnable. Cela ne fera qu’occuper tout le monde, et vous allez exceller dans ce domaine. Comment pourriez-vous échouer dans quelque chose d’aussi simple et direct que forecast value added ? La réalité, c’est que vous allez échouer dans le sens où vous ajouterez une couche supplémentaire de complexité qui va très probablement ralentir, compliquer et embrouiller le tout. Mais vos KPI à courte vue s’amélioreront un petit peu, et personne ne sait si cela va réellement rapporter des dollars à l’entreprise. Du point de vue extrêmement étroit de vos KPI à courte vue, cela pourrait légèrement s’améliorer.

Kieran Chandler: Y a-t-il néanmoins un élément de vérité dans tout cela, que si nous nous concentrions sur des domaines clés spécifiques, nous pourrions observer d’énormes améliorations ?

Joannes Vermorel: La première chose que nous devons démanteler, c’est que la prémisse de cette proposition est complètement erronée. La prémisse est que la prévision devrait être un effort collaboratif. Ce n’est pas le cas. La science ne soutient absolument pas cette proposition, et toutes les compétitions de prévision qui ont eu lieu ces dernières décennies ne l’ont pas soutenue non plus. Les articles que je lis ne soutiennent pas cette proposition. Ainsi, littéralement, nous avons une prémisse totalement fausse. La prévision n’est pas meilleure lorsqu’elle est réalisée en effort collaboratif. Par conséquent, l’idée que tout le monde doit être de la partie et apporter sa contribution est tout simplement erronée.

Kieran Chandler: Et fondamentalement, chez Lokad, nous avons comparé l’impact des ajustements manuels sur la prévision, et en fin de compte, ils étaient invariablement erronés. Ils diminuaient systématiquement la précision de la prévision. Cependant, pour parvenir à cela, il faut d’abord adopter un état d’esprit selon lequel, lorsqu’une personne constate qu’une prévision statistique est profondément erronée, elle ne doit pas ajuster la prévision manuellement ; elle doit corriger la recette numérique sous-jacente. Je pars du principe que nous parlons d’une recette numérique raisonnable pour la prévision qui a fait ses preuves. Ainsi, s’il existe des aspects évidents qui n’ont pas été correctement intégrés dans la prévision, ces problèmes ont été résolus. Par exemple, si vous ne prenez pas en compte vos ruptures de stock, vous confondrez des ventes nulles avec une demande nulle, ce qui est complètement faux.

Joannes Vermorel: Oui, il faut que votre recette numérique prenne en compte les ruptures de stock. Je suppose qu’une fois que vous avez résolu tous ces problèmes, qui relèvent davantage du débogage, et qu’une fois que le modèle a fait ses preuves et a été corrigé, nous avons réalisé, chez Lokad, à la demande de nombreux clients, de nombreux benchmarks comparant la précision de la prévision avant et après une intervention manuelle. Et à chaque fois, les interventions manuelles dégradaient la précision de la prévision. Il s’avère que l’esprit humain n’est pas très adroit pour gérer le bruit statistique. Le bruit statistique n’est pas quelque chose que nous percevons ; nous voyons des motifs partout. Il est en réalité très difficile de percevoir le bruit statistique tel qu’il est, et ainsi, même des méthodes statistiques simplistes comme la moyenne mobile tendent à surpasser le jugement humain, bien qu’elles ne soient qu’à peine meilleures que la moyenne mobile, et pourtant elles sont déjà supérieures.

Kieran Chandler: Ainsi, ce que vous préconisez, c’est un champion unique qui produirait la prévision. Et pourquoi pensez-vous que les gens trouvent si difficile de faire confiance à la science ? Pourquoi est-ce un tel saut dans l’inconnu ?

Joannes Vermorel: Ce n’est pas un saut dans l’inconnu ; c’est le genre de chose pour laquelle la science ne vous demande pas de croire aveuglément. Il s’agit de comprendre ce qui se passe. La question est : pourquoi des personnes complètement non-spécialistes seraient-elles capables de se plonger dans un jeu de données conséquent et d’exécuter une tâche numérique complexe dans leur tête ou avec des tableurs aléatoires, mieux que des gens qui passent des années à identifier des recettes numériques raisonnables pour cela ? Quel genre de magie serait impliqué ? Et si des gens disent avoir des intuitions sur le marché, oui, mais à quelle granularité ? Imaginons, pour une entreprise type, que vous ayez environ 20 000 références, et puis vous demandez aux membres de l’équipe commerciale – disons qu’il y a cinq personnes – on leur donne un tableur contenant 20 000 références et on leur demande d’apporter leurs intuitions.

Kieran Chandler: Vos suggestions sur la manière dont ces files d’attente devraient évoluer ne sont pas connues de l’équipe commerciale. Je veux dire, si vous faites partie de l’équipe commerciale, vous gérez peut-être une demi-douzaine de clients VIP importants si vous êtes dans le B2B. Ces clients commandent des milliers de produits par trimestre en quantités variables. Ce n’est pas la granularité avec laquelle vous opérez en tant que commercial. Votre granularité, c’est que votre client est une organisation, et au sein de cette organisation, vous connaissez plusieurs personnes. C’est cette granularité en termes de réflexion et d’analyse. Et je sais que cette organisation a de l’adhésion, et que les personnes pourraient être enclines à se rapprocher de l’offre que je propose ou, au contraire, à prendre leurs distances. Mais le détail des 20 000 références et plus, littéralement, ils ne savent pas, donc ils vont simplement faire des approximations et prétendre que le travail est fait.

Joannes Vermorel: C’est l’illusion. Le problème est que si vous avez des intuitions importantes, alors pourquoi ne pas réviser explicitement la recette numérique afin qu’elle puisse utiliser ces éléments supplémentaires comme données d’entrée ? Le travail sera effectué avec beaucoup moins d’efforts et avec bien plus de précision.

Kieran Chandler: Diriez-vous donc que c’est un problème qui persiste, ou pensez-vous que les gens commencent à comprendre qu’il n’y a pas une seule personne responsable de la prévision ?

Joannes Vermorel: L’évaluation des prévisions a connu un regain de popularité ces dernières années. De nombreux consultants, et même quelques fournisseurs de logiciels assez mal orientés, poussent désormais cette méthodologie. Pour être honnête, pour des fournisseurs comme Lokad, il y a énormément d’argent à se faire. C’est le genre de chose qui va être une distraction totale. L’avantage pour un fournisseur face à une distraction complète, c’est que vous ne pouvez jamais échouer. Il n’y avait aucun gain à réaliser dès le départ, mais inversement, il n’y a aucune perte évidente possible. Vous ne pouvez donc jamais échouer. C’est très bien. La distraction est une mission où l’échec n’est pas envisageable.

Vous pouvez passer des semaines ou des mois à générer un mur entier de métriques à partir de cela, ce qui vous ajoute une autre dimension, de sorte que tout ce que vous faisiez auparavant se voit enrichi par une dimension supplémentaire, qui indique comment chacune des actions que vous réalisez bénéficie ou est affectée par chaque étape du processus. Je veux dire, vous rendez le problème quadratiquement plus complexe, et non pas plus compliqué parce que c’est très simple, c’est juste une dimension de plus, mais vous le rendez immensément plus complexe. Si vous avez une grande entreprise avec dix étapes différentes, vous avez littéralement dix fois plus de métriques pour chaque élément que vous mesuriez auparavant. Et ainsi, vous pouvez facturer en conséquence. Vous pouvez facturer pour des mises à niveau, des frais de conseil, etc.

Kieran Chandler: Alors, comment pouvez-vous différencier les consultants qui apportent réellement de la valeur de ceux qui ne font que produire ces métriques pour le plaisir ?

Joannes Vermorel: Je pense qu’il suffit de vous demander : faites-vous quelque chose de réel ? Avez-vous un impact véritable ?

Kieran Chandler: Alors, pensez-vous que cette approche collaborative de la prévision a une valeur intrinsèque pour l’entreprise, ou faites-vous simplement des tâches superficielles pour occuper la bureaucratie ?

Joannes Vermorel: Comme test décisif, j’ai évoqué plus tôt, en discutant du noyau bureaucratique de la supply chain, la question de savoir si vous regardez vers l’intérieur ou vers l’extérieur. Dans ce cas, c’est véritablement l’archétype du regard intérieur. Si vous prenez un processus de prévision existant, en décomposez les parties internes et y ajoutez une couche supplémentaire de complexité pour l’améliorer, cela ne fonctionne pas ainsi dans le monde réel. On n’obtient rien de meilleur en termes d’organisation en regardant vers l’intérieur et en ajoutant des couches supplémentaires d’artéfacts. Aucune valeur ajoutée n’est obtenue avec cette abstraction. L’idée simple devrait être de supprimer la prémisse selon laquelle la prévision doit être un effort collaboratif ; il n’y a aucune raison que ce soit le cas.

Il y a de nombreuses choses, comme avoir de l’électricité dans votre bâtiment, qui ne relèvent pas d’un effort d’équipe. Vous ne penseriez pas que tout le monde doit être impliqué pour avoir de l’électricité dans le bâtiment. Il est évident que si vous voulez une installation électrique décente, vous faites confiance à des spécialistes qui feront le travail et veilleront à ce que votre bâtiment ne prenne pas feu à cause d’une installation électrique défectueuse. L’idée que vous puissiez obtenir une meilleure installation électrique grâce à un effort d’équipe est absurde, et il s’avère que c’est exactement la même chose pour la prévision.

Quand je dis “believe the science,” je veux dire qu’il existe une série d’articles démontrant que l’intervention manuelle sur les prévisions est nuisible. Ces articles datent d’environ 20 ans, et leurs conclusions ne sont pas surprenantes, car il existe tout un domaine de la psychologie qui étudie la perception de l’aléatoire par les humains. Il s’avère que l’esprit humain est terrible pour comprendre l’aléatoire. Nous sommes très doués pour voir des motifs, mais pas pour comprendre l’aléatoire lui-même.

Kieran Chandler: Donc, je pense que nous avons de bonnes raisons de dire que, tant que vous ne pourrez pas démontrer qu’une prévision collaborative est supérieure, nous ne devrions pas vous faire confiance. Et lorsque nous constatons qu’il existe des compétitions où tous les gagnants, vous savez, qui parviennent au top 100, n’utilisent aucun type de méthode collaborative et que les chercheurs de premier plan dans ce domaine, comme Foreman, ne l’utilisent pas non plus, et que vous pouvez lire leur livre de la première à la dernière page sans y trouver quoi que ce soit de similaire, il est tout à fait raisonnable de penser que c’est complètement absurde. Il y a plein de choses qui semblent très bien et paraissent très raisonnables, mais qui sont tout simplement complètement fausses, et tout comme, vous savez, si vous regardez autour de vous, la Terre est plate.

Joannes Vermorel: Si nous concluons aujourd’hui, le message essentiel est bien plus radical. Vous devez identifier, si vous voulez améliorer votre supply chain, les points d’incompétence radicale, ces personnes qui n’ont absolument aucune idée de ce qu’elles font, littéralement Bozo le Clown. Dans le monde des affaires, ces personnes peuvent arborer un air de sérieux, mais forecast value added doit être considéré comme un test décisif pour détecter l’incompétence radicale. Ainsi, s’il y a un fournisseur de prévisions qui met cela en avant sur son site web, rayez ce fournisseur comme complètement incompétent. Si une agence de conseil le prône, vous pouvez les considérer comme complètement incompétents. C’est ce genre de chose qui est positif, parce que c’est un peu comme la blockchain ou le deep learning, vous savez, c’est le même type de test : s’ils prônent l’intelligence artificielle, d’accord, ils n’ont aucune idée de ce qu’ils font. On peut les écarter et passer au suivant. Imaginez simplement que si un fournisseur défendait une méthode reposant sur l’astrologie, vous diriez : d’accord, ces personnes ne sont pas crédibles, vous êtes recalé. Je ne veux même pas entendre vos arguments. Je sais qu’il y a 99,9 % de chances que vous soyez un fraudeur complet. Eh bien, c’est une bonne chose. Forecast value added vous offre un test décisif pour écarter une entreprise ou des cabinets de conseil qui se révèlent être complètement incompétents. Soyez donc reconnaissants et utilisez cela comme filtre.

Kieran Chandler: D’accord, je vais m’arrêter là, mais quelques entreprises seront rayées de la liste. Voilà tout pour cette semaine. Merci beaucoup de nous avoir suivis, et nous vous retrouvons dans le prochain épisode. Merci d’avoir regardé.