00:00:08 Présentation de la valeur ajoutée de la prévision en tant que technique de gestion.
00:01:29 Explication du processus de valeur ajoutée de la prévision et pourquoi il a émergé.
00:02:06 Importance des métriques pour déterminer la précision du processus de prévision.
00:03:37 Discussions sur les raisons pour lesquelles les prévisions à plusieurs étapes par plusieurs équipes ne fonctionnent pas.
00:07:55 L’idée de plusieurs équipes travaillant ensemble pour améliorer la précision est attrayante mais non soutenue par la science.
00:08:01 Inconvénients de faire voter le public sur le prochain mouvement 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 dans l’amélioration de la précision des prévisions.
00:14:50 Difficulté à faire confiance à la science plutôt qu’au jugement humain dans les prévisions.
00:15:55 Granularité de la compréhension et de l’analyse d’un commercial vis-à-vis de ses clients.
00:16:00 Critique de l’idée selon laquelle une prévision devrait être un effort collaboratif.
00:17:02 La récente résurgence de la popularité de la méthodologie d’évaluation des prévisions.
00:17:23 Le potentiel de gain financier en produisant des métriques et en facturant des mises à niveau.
00:19:10 L’importance de déterminer si un consultant apporte une réelle valeur à l’entreprise ou s’il s’agit simplement de travail inutile.
00:23:36 La nécessité d’identifier une incompétence radicale et d’utiliser la valeur ajoutée de la prévision comme test décisif.
Résumé
La valeur ajoutée de la prévision (FVA) est une approche défectueuse de la prévision de la supply chain qui implique une collaboration entre différentes 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 elle n’est pas soutenue par la recherche scientifique. Vermorel suggère que les entreprises devraient se concentrer sur la recherche de solutions plus simples et plus efficaces à leurs défis de supply chain et faire confiance aux spécialistes dans différents domaines. Les entreprises devraient utiliser la FVA comme un test décisif pour détecter une incompétence radicale chez les fournisseurs ou les agences de conseil qui promeuvent 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 comme une technique visant à améliorer la précision des prévisions en identifiant les étapes du processus de prévision qui contribuent positivement ou négativement au produit final. Cette approche implique généralement différentes équipes au sein d’une organisation qui collaborent à la prévision, telles que le marketing, les ventes et la production.
L’idée derrière la FVA est que 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 la précision des prévisions avec des contributions 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 en plusieurs étapes où les prévisions passent d’une division à une autre au sein d’une entreprise. En fait, les compétitions de prévision ont régulièrement montré que les gagnants ne se fient pas à de telles techniques.
Malgré ses lacunes, la FVA a gagné en popularité car c’est une solution attrayante qui permet à chacun de contribuer et de se sentir inclus 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 entraînerait probablement une distraction plutôt qu’une amélioration des performances.
La valeur ajoutée de la prévision est une approche populaire mais défectueuse de la prévision de la supply chain. Elle implique une collaboration entre différentes 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 des preuves empiriques suggèrent qu’elle ne conduit pas à de meilleures prévisions. L’attrait de la FVA peut provenir du désir de participation collective et de la satisfaction tirée de la participation au processus de prise de décision.
Ils ont discuté du concept de la 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 selon laquelle la prévision est un effort collaboratif est incorrecte, car la science et les compétitions de prévision passées ne soutiennent pas cette notion. Il souligne que l’esprit humain n’est pas bien équipé pour faire face au bruit statistique et que les interventions manuelles ont tendance à diminuer la précision des prévisions. 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 manuellement les prévisions.
Il remet en question la capacité des non-spécialistes à effectuer 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 beaucoup plus élevée que celle requise pour prévoir la demande individuelle de SKU. Leurs idées devraient plutôt être utilisées pour réviser la recette numérique, ce qui permettrait d’obtenir des prévisions plus précises.
Malgré les préoccupations de Vermorel, il note que la valeur ajoutée de la prévision a connu un regain de popularité ces dernières années, de nombreux consultants et vendeurs de logiciels promouvant la méthodologie. Cependant, il reste critique à l’égard de cette approche et estime qu’elle n’est pas la manière la plus efficace d’améliorer la précision des prévisions dans la gestion de la supply chain.
Vermorel exprime ses préoccupations concernant les vendeurs de logiciels qui gagnent de l’argent en proposant des solutions complexes aux problèmes de la supply chain qui ne fournissent pas nécessairement de valeur. Il suggère que de nombreux vendeurs utilisent des distractions pour vendre leurs produits et services, ce qui rend difficile pour les clients d’identifier la véritable valeur.
Vermorel souligne l’importance d’éviter la complexité pour la complexité. Il fait remarquer que l’ajout de 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 vendeurs facturent souvent plus cher pour ces solutions complexes, y compris les mises à niveau et les frais de consultation.
Pour différencier les consultants de valeur de ceux qui ne font que produire des métriques, Vermorel suggère aux entreprises de se demander si le service ou la solution fournie ajoute réellement de la valeur ou crée simplement du travail inutile. Il souligne l’importance de se concentrer sur des solutions tournées vers l’extérieur plutôt que vers l’intérieur, car l’ajout de couches supplémentaires de complexité dans 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 dans un bâtiment, qui n’est pas considérée comme un effort d’équipe. Il affirme qu’il n’y a aucune raison pour que la prévision soit un processus collaboratif et que les entreprises devraient se concentrer sur la recherche de solutions plus simples et plus efficaces à leurs défis en matière de supply chain.
Vermorel souligne l’importance de faire confiance à des spécialistes dans différents domaines, tels que les installations électriques ou la prévision de la supply chain. Il fait remarquer que les méthodes de prévision collaboratives sont souvent contre-productives, citant une série d’articles démontrant que l’intervention manuelle dans les prévisions peut être nuisible. Cela est dû à la mauvaise perception de l’aléatoire par les humains ; tandis que les humains excellent dans l’identification des motifs, ils ont du mal à comprendre l’aléatoire.
Vermorel affirme que tant qu’une approche de prévision collaborative ne peut pas être prouvée supérieure, elle ne devrait pas être considérée comme fiable. Il note que les chercheurs de premier plan dans le domaine, tels que ceux qui participent à des compétitions de prévision, n’utilisent pas de méthodes collaboratives. Vermorel suggère que les entreprises devraient être plus sceptiques à l’égard des vendeurs et des agences de conseil qui promeuvent de telles méthodes de prévision collaborative, car elles peuvent manquer de compétence dans ce domaine.
Le message central 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 de chercher à améliorer les prévisions par le biais de la collaboration. Vermorel recommande d’utiliser la valeur ajoutée de la prévision comme test pour détecter l’incompétence radicale chez les vendeurs ou les agences de conseil qui promeuvent la prévision collaborative. Il compare cela à la détection de vendeurs qui poussent des méthodes basées sur l’astrologie ou l’intelligence artificielle sans comprendre leurs véritables implications.
Vermorel conseille aux entreprises de faire preuve de prudence lorsqu’elles traitent avec des vendeurs 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 à des spécialistes et éviter les méthodes de prévision collaboratives peut conduire à une gestion de la supply chain plus efficace.
Transcription complète
Kieran Chandler: Aujourd’hui, nous allons discuter de l’efficacité de cette méthode et de la raison pour laquelle la décomposition d’une prévision peut en réalité conduire à 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 qui est apparu au début des années 2000, peut-être dans les années 90. Je n’ai pas trouvé de publications antérieures, mais comme ce n’est pas une idée très compliquée, je suppose qu’elle était déjà pratiquée dans les années 90, probablement sous différents noms et formes. Essentiellement, c’est un processus qui vise à améliorer quantitativement la précision de la prévision en identifiant si certaines étapes prises 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 base. Ensuite, l’équipe marketing intervient et ajuste cette prévision de base en fonction de leurs connaissances supplémentaires en marketing, par exemple, ce qu’ils ont l’intention de faire en termes de campagnes. Ensuite, l’équipe des ventes intervient et ajoute sa propre correction en fonction de leurs connaissances supplémentaires en 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 sont faites dans le cadre du processus SNLP. Le processus de valeur ajoutée de la prévision consiste à établir des métriques pour le delta introduit par chaque étape 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 à la fin.
Kieran Chandler: Alors pourquoi cette idée a-t-elle vu le jour ? Parce que faire intervenir autant d’acteurs différents peut certainement compliquer les choses.
Joannes Vermorel: Oui, en fait, du moins les premiers articles des années 2000 indiquent que produire des prévisions avec de nombreuses personnes aboutit généralement à l’effet inverse de l’objectif, qui est simplement de dégrader la précision de la prévision. Leur conclusion est que rester avec la prévision de base naïve, qui est très souvent quelque chose comme une moyenne mobile plus saisonnalité, est plus précis que ce que vous obtenez une fois que vous laissez de nombreuses personnes différentes ajuster ces prévisions à la hausse et à la baisse. Mais la logique dit que nous devrions essayer de filtrer les mauvaises contributions pour conserver les bonnes, afin que nous puissions avoir le meilleur des deux mondes : la précision initiale qui est améliorée grâce aux contributions supplémentaires, mais soigneusement filtrée grâce au processus de valeur ajoutée de la prévision.
Kieran Chandler: Alors comment déterminez-vous quelles équipes produisent les bonnes contributions et quelles sont les équipes qui produisent les mauvaises ?
Joannes Vermorel: Très simplement, en faisant un backtest.
Kieran Chandler: Quelle était la précision de la prévision de base pour le dernier trimestre ? Quelle était la précision de la prévision de base plus la contribution de l’équipe des ventes ? Et puis nous avons deux prévisions différentes : les prévisions de base et celles avec la première couche de correction. Nous pouvons voir si nous avons amélioré la précision de la prévision ou non. Et puis nous pouvons répéter cette expérience pour chaque étape afin de la comparer avec la précision de ce qui précédait. Nous pouvons donc isoler les résultats essentiellement.
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 des étapes du point de vue de l’organisation, où une prévision est transmise à une équipe, l’équipe apporte des corrections, puis la transmet à une autre équipe. Le tout circule à l’intérieur de l’entreprise jusqu’à ce qu’il revienne à l’équipe de prévision d’origine chargée de l’ensemble du processus de prévision.
Kieran Chandler: Cela a un certain sens d’un point de vue logique ; vous obtenez l’expertise de plus en plus de personnes, donc cela finira probablement par être plus précis. Alors quel est le gros problème alors ?
Joannes Vermorel: Le problème, c’est que cela ne fonctionne tout simplement pas et cela n’est étayé par aucune preuve scientifique. C’est le genre de chose qui semble intuitive et qui semble bien, mais si nous commençons à examiner la littérature statistique sur les prévisions, aucun chercheur scientifique ne travaille réellement avec ce genre de techniques. Même s’ils ont des modèles de prévision avec plusieurs étapes, toutes ces étapes sont intégrées dans un seul cadre algorithmique, donc un seul logiciel. L’idée selon laquelle vous pouvez affiner une prévision statistique en la faisant passer d’une division à une autre à l’intérieur de l’entreprise relève principalement de la folie. Si nous examinons les compétitions de prévision qui ont lieu depuis longtemps, comme celles organisées par le professeur Makridakis, les personnes qui ont fini par remporter ces compétitions n’ont pas eu recours à un processus de prévision à plusieurs étapes où la prévision passerait d’un spécialiste à un autre. À mon avis, c’est le genre de chose qui est très attrayante car elle rend tout le monde heureux ; tout le monde 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 le genre de chose comme imaginez que vous avez un joueur d’échecs champion, et vous dites : “D’accord, maintenant nous allons essayer d’aider ce champion en ayant un grand vote de personnes qui essaient de l’aider à faire son prochain coup.” La réponse est non, cela ne va pas rendre ce champion meilleur. Il y a de fortes chances que cela ne soit qu’une distraction totale. Si vous voulez avoir le meilleur du meilleur, laissez-le simplement jouer le jeu ou laissez-la simplement jouer le jeu exactement comme les champions le voient, et c’est tout.
Kieran Chandler: Alors pourquoi cette idée a-t-elle tant de succès ? Est-ce parce que c’est quelque chose qui rend beaucoup de gens heureux, donc les gens ont l’impression de contribuer ? Je veux dire, pourquoi est-ce que les gens ont entendu parler de la valeur ajoutée des prévisions ?
Joannes Vermorel: Je pense que c’est une sorte d’idée très bureaucratique qui a tendance à avoir beaucoup d’attrait car elle est très introspective. Dès que vous commencez à aborder les problèmes réels, comme la gestion des risques qui vous oblige à améliorer votre pratique vers les prévisions probabilistes, cela devient super compliqué. La valeur ajoutée des prévisions est triviale. Le niveau de mathématiques impliqué est celui du collège. C’est le genre de chose qui semble bien, et personne ne sera intellectuellement mis au défi par la valeur ajoutée des prévisions. C’est littéralement excessivement simple.
Joannes Vermorel: Il est très tentant d’ajouter simplement une autre couche de bureaucratie dans votre supply chain pour laisser les gens s’occuper de ce processus qui semble bien et raisonnable. Cela va juste occuper tout le monde, et vous allez être plutôt bon dans ce domaine. Comment pourriez-vous échouer à quelque chose d’aussi simple et direct que la valeur ajoutée des prévisions ? La réalité est que vous allez échouer dans le sens où vous allez ajouter une couche supplémentaire de complexité qui va très probablement ralentir tout, compliquer tout et tout confondre. Mais vos KPI à court terme vont s’améliorer un peu, et personne ne sait si cela va apporter des dollars à l’entreprise. Du point de vue très étroit de vos KPI à court terme, cela pourrait s’améliorer un peu.
Kieran Chandler: N’y a-t-il pas une part de vérité dans le fait que si nous nous concentrons sur des domaines clés spécifiques, nous pourrions voir d’énormes améliorations ?
Joannes Vermorel: La première chose que nous devons démanteler, c’est que la prémisse de cette proposition est complètement fausse. 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 au cours des dernières décennies ne soutiennent pas non plus cette proposition. Les articles que je lis ne soutiennent pas non plus cette proposition. Donc littéralement, nous avons une prémisse qui est complètement fausse. La prévision n’est pas meilleure lorsqu’elle est réalisée en tant qu’effort collaboratif. Ainsi, l’idée d’avoir tout le monde à bord et tout le monde qui apporte des contributions est tout simplement fausse.
Kieran Chandler: Et fondamentalement, chez Lokad, nous avons évalué la contribution des ajustements manuels sur les prévisions, et essentiellement, ils étaient systématiquement incorrects. Ils diminuaient systématiquement la précision des prévisions. Cependant, pour y parvenir, vous devez d’abord avoir une mentalité où, lorsque quelqu’un voit une prévision statistique qui est complètement fausse, vous ne voulez pas ajuster manuellement la prévision ; vous voulez corriger la recette numérique sous-jacente. Je suppose que nous parlons d’une recette numérique raisonnable pour la prévision qui a été testée sur le terrain. Donc, s’il y a des choses évidentes qui ne sont pas correctement prises en compte dans la prévision, ces problèmes ont été résolus. Par exemple, si vous ne tenez pas compte de vos ruptures de stock, vous allez confondre zéro vente avec zéro demande, ce qui est complètement faux.
Joannes Vermorel: Oui, vous devez rendre votre recette numérique consciente des ruptures de stock. Je suppose qu’une fois que vous avez résolu tous ces problèmes qui relèvent davantage de la nature du débogage, et une fois que le modèle a été testé sur le terrain et débogué, nous avons, chez Lokad, à la demande de nombreux clients, réalisé de nombreux benchmarks où nous examinions la précision des prévisions avant et après l’intervention manuelle. Et à chaque fois, les interventions manuelles dégradaient la précision des prévisions. Il s’avère que l’esprit humain n’est pas très bon 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 voir le bruit statistique pour ce qu’il est, et donc, même des méthodes statistiques simplistes comme la moyenne mobile ont tendance à surpasser le jugement humain, bien que ce soit à peine mieux que la moyenne mobile, et pourtant c’est déjà mieux.
Kieran Chandler: Donc, ce que vous préconisez, c’est ce genre de champion unique qui produirait une prévision. Et pourquoi pensez-vous que les gens trouvent si difficile de faire confiance à la science ? Pourquoi est-ce un tel saut de foi ?
Joannes Vermorel: Ce n’est pas un saut de foi ; c’est le genre de chose que la science ne vous demande pas de croire réellement. Il s’agit de comprendre ce qui se passe. La question est : pourquoi des personnes qui ne sont pas du tout spécialistes seraient-elles capables de se lancer dans un ensemble de données considérable et d’effectuer une tâche numérique complexe dans leur tête ou avec des feuilles de calcul aléatoires mieux que des personnes qui passent réellement des années à essayer d’identifier des recettes numériques raisonnables précisément pour cela ? Quel genre de magie serait impliqué ? Et si les gens disent qu’ils ont des idées sur le marché, oui, mais à quelle granularité ? Imaginons pour une entreprise typique, vous avez quelque chose comme 20 000 SKU, puis vous demandez aux personnes de l’équipe de vente - disons qu’il y a cinq personnes - vous leur donnez une feuille de calcul avec 20 000 SKU et vous leur demandez de fournir leurs idées.
Kieran Chandler: Vos contributions sur la question de savoir si ces files d’attente doivent augmenter ou diminuer, l’équipe de vente ne le sait pas. Je veux dire, si vous faites partie de l’équipe de vente, vous gérez peut-être une demi-douzaine de clients VIP importants si vous êtes dans une entreprise B2B. Ces clients commandent des milliers de produits par trimestre en quantités variables. Ce n’est pas la granularité à laquelle vous opérez si vous êtes un commercial. Votre granularité, c’est que votre client est une organisation, et dans cette organisation, vous connaissez une série de personnes. C’est votre granularité en termes de réflexion et d’analyse. Et je sais que cette organisation a de l’attrait, et les gens pourraient même être enclins à se rapprocher de l’offre que je propose ou, au contraire, à s’en éloigner. Mais les détails des 20 000 SKU et plus, je veux dire, littéralement, ils ne savent pas, donc ils vont simplement deviner quelque chose et prétendre que le travail est fait.
Joannes Vermorel: C’est une illusion. Le problème, c’est que si vous avez des idées importantes, pourquoi ne pas réviser explicitement la recette numérique afin qu’elle puisse utiliser ces éléments supplémentaires comme entrée ? Le travail sera fait avec beaucoup moins d’efforts et beaucoup plus de précision.
Kieran Chandler: Diriez-vous donc que c’est un problème qui existe toujours ou diriez-vous que les gens commencent à comprendre que ce n’est pas seulement une seule personne responsable de la prévision ?
Joannes Vermorel: L’évaluation des prévisions a connu une recrudescence de popularité au cours des dernières années. Beaucoup de consultants, et même certains éditeurs de logiciels assez malavisés, poussent maintenant cette méthodologie. Pour être honnête, pour des fournisseurs comme Lokad, il y a beaucoup d’argent à gagner. C’est le genre de chose qui va être une distraction totale. La bonne chose pour un fournisseur avec une distraction totale, c’est que vous ne pouvez jamais échouer. Il n’y avait aucun gain à réaliser en premier lieu, mais inversement, il n’y a aucune perte évidente qui pourrait se produire. Donc, vous ne pouvez jamais échouer. C’est très bien. La distraction est une mission où vous ne pouvez pas échouer.
Vous pouvez passer des semaines ou des mois à générer tout un ensemble de métriques à partir de cela, ce qui vous donne une autre dimension, de sorte que tout ce que vous faisiez auparavant, vous pouvez ajouter une dimension supplémentaire, qui montre comment chaque chose que vous faites déjà bénéficie ou est affectée par chaque étape du processus. Je veux dire, vous rendez le problème quadratiquement plus complexe, pas plus compliqué car c’est très simple, c’est juste une dimension supplémentaire, mais vous le rendez beaucoup plus complexe. Si vous avez une grande entreprise avec dix étapes différentes, vous avez littéralement dix fois plus de métriques pour chaque chose que vous mesuriez auparavant. Et donc, vous pouvez facturer en conséquence. Vous pouvez facturer des mises à niveau, des frais de consultation, etc.
Kieran Chandler: Comment pouvez-vous alors faire la différence entre les consultants qui apportent réellement de la valeur et ceux qui produisent simplement ces métriques pour le plaisir ?
Joannes Vermorel: Je pense que vous devez simplement vous demander si vous faites quelque chose de réel. Est-ce que vous faites quelque chose qui a un impact réel ?
Kieran Chandler: Donc, pensez-vous que cette approche collaborative de la prévision a une valeur intrinsèque pour l’entreprise, ou est-ce que vous faites simplement du travail inutile et occupez la bureaucratie ?
Joannes Vermorel: Comme test décisif, j’ai mentionné plus tôt en discutant du noyau bureaucratique de la supply chain, que vous regardiez vers l’intérieur ou vers l’extérieur. Dans ce cas, c’est très largement l’archétype de regarder vers l’intérieur. Si vous prenez un processus de prévision existant, décomposez les parties internes et ajoutez une autre couche de complexité à l’intérieur pour l’améliorer, cela ne fonctionne pas comme ça dans le monde réel. Vous n’obtenez pas quelque chose de mieux en termes d’organisation en regardant vers l’intérieur et en ajoutant des couches supplémentaires d’artefacts. Il n’y a aucune valeur ajoutée à gagner avec cette abstraction. L’idée simple devrait être de supprimer la prémisse selon laquelle la prévision devrait être un effort collaboratif ; il n’y a aucune raison pour cela.
Il y a beaucoup de choses, comme avoir de l’électricité dans votre bâtiment, qui ne sont pas 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 brûle pas en raison d’une installation électrique dangereuse. L’idée selon laquelle vous pouvez avoir une meilleure installation électrique avec un effort d’équipe est absurde, et il s’avère que la même chose est vraie pour la prévision.
Quand je dis “croire en la science”, je veux dire qu’il existe une série d’articles démontrant que l’intervention manuelle sur les prévisions est nuisible. Ces articles ont environ 20 ans, et leurs conclusions ne sont pas surprenantes car il existe un domaine entier de la psychologie qui teste les humains pour leur perception de l’aléatoire. 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 crois que nous avons de très bonnes raisons de dire que tant que vous ne pouvez pas démontrer qu’une prévision collaborative est supérieure, nous ne devrions pas vous faire confiance. Et lorsque nous constatons que nous avons une concurrence où tout le monde qui gagne, vous savez, se classe parmi les 100 premiers, n’utilise aucune méthode collaborative et que les chercheurs de premier plan dans ce domaine comme Foreman ne l’utilisent pas non plus, et vous pouvez lire leur livre de A à Z, vous ne trouverez rien qui ressemble à cela. Il est assez raisonnable de supposer que c’est complet nonsense. Il y a beaucoup de choses qui semblent très bonnes, qui semblent très raisonnables, mais qui sont tout simplement fausses, et tout comme, vous savez, si vous regardez autour de vous, la Terre est plate.
Joannes Vermorel: Si nous résumons les choses aujourd’hui, le message principal est beaucoup plus radical. Vous devez identifier, si vous voulez améliorer votre supply chain, les endroits d’incompétence radicale, des personnes qui n’ont absolument aucune idée de ce qu’elles font, littéralement Bozo le Clown. Dans les affaires, ces personnes peuvent avoir, vous savez, une apparence de sérieux et tout ça. La valeur ajoutée de la prévision doit être traitée comme un test de dépistage pour détecter une incompétence radicale. Donc, si un fournisseur de prévisions pousse cela sur son site web, rayez ce fournisseur comme complètement incompétent. Si une agence de conseil pousse cela, vous pouvez les rayer comme complètement incompétentes. C’est le genre de chose qui est bonne car c’est un peu comme la blockchain ou l’intelligence artificielle, vous savez, c’est le même genre de test où s’ils poussent pour l’intelligence artificielle, d’accord, ils n’ont absolument aucune idée de ce qu’ils font. Nous pouvons rayer, passer au suivant. Imaginez simplement que si un fournisseur poussait réellement une méthode basée sur l’astrologie, vous diriez, d’accord, ces personnes ne sont pas crédibles, vous êtes exclu. Je ne veux même pas entendre votre raisonnement. Je sais qu’il y a 99,9% de chances que vous soyez un fraudeur complet. Eh bien, c’est une bonne chose. La valeur ajoutée de la prévision vous donne un test de dépistage pour écarter une entreprise ou des cabinets de conseil qui se sont simplement révélés complètement incompétents. Soyez reconnaissants et utilisez cela comme un filtre.
Kieran Chandler: D’accord, je vais devoir m’arrêter là, mais quelques entreprises à rayer de la liste. C’est tout pour cette semaine. Merci beaucoup de nous avoir suivi, et nous vous retrouverons dans le prochain épisode. Merci de nous avoir regardés.
