00:00:07 Introduction de Warren Powell et du sujet du jour.
00:00:36 Le parcours de Warren et son travail à Princeton et Casa Labs.
00:02:00 Le sujet de la discussion - l’incertitude dans la gestion de la supply chain.
00:03:05 Comparaison entre le transport par camion complet et la gestion de la supply chain.
00:06:00 Le concept de prise de décision séquentielle dans la gestion de la supply chain.
00:09:01 KPIs, indices de performance clés, et réalisation de simulations dans une supply chain.
00:10:00 La nécessité d’une règle de prise de décision pour effectuer des simulations et évaluer la performance de l’entreprise.
00:11:51 Utiliser des simulations pour déterminer la meilleure décision pour une entreprise.
00:13:03 La dualité entre la prévision probabiliste et un modèle génératif.
00:15:17 Le défi de déployer ces idées sur le terrain, la difficulté de l’apprentissage par renforcement, et le potentiel du deep learning.
00:18:00 Discussion sur la nécessité d’embrasser la complexité et de construire des algorithmes de machine learning capables de prendre des décisions basées sur des politiques.
00:18:26 Explication de la manière dont les humains utilisent également des politiques pour prendre des décisions.
00:19:37 Importance des simulations informatiques pour la gestion de la supply chain et leur rôle irremplaçable.
00:22:17 Explication des quatre classes fondamentales de méthodes pour prendre des décisions.
00:24:00 Critique des méthodes de prévision actuelles utilisées par les grandes marques de mode et la nécessité de prendre en compte la cannibalisation et la substitution.
00:26:01 Discussion de l’impact des remises et des soldes sur le comportement des consommateurs et comment cela affecte les entreprises.
00:27:08 Comparaison entre l’utilisation de modèles mathématiques et l’instinct pour prendre des décisions d’affaires.
00:29:44 Explication de l’importance de la confiance dans les prévisions basées sur des politiques.
00:30:32 Explication de la nécessité d’avoir des personnes compétentes pour comprendre le problème et examiner les bons indicateurs.
33:37 Réflexions finales sur l’avenir de la gestion de la supply chain et sur la nécessité d’outillages et d’ingénieurs de la supply chain.
Résumé
La discussion entre Joannes Vermorel, fondateur de Lokad, et Warren Powell, professeur à l’Université de Princeton et co-fondateur d’Optimal Dynamics, explore les complexités et incertitudes de la gestion de la supply chain et de la prise de décisions. Les experts partagent leurs expériences sur le terrain et offrent des perspectives pour aborder ces complexités à l’aide de modélisations mathématiques et de simulations. Ils insistent sur l’importance des politiques et des simulations pour prendre des décisions stratégiques, tactiques et opérationnelles dans la gestion de la supply chain, tout en soulignant les limites des méthodes de prévision. L’interview se termine par une discussion sur l’avenir des méthodes basées sur des politiques dans la gestion de la supply chain et sur la nécessité d’ingénieurs supply chain compétents.
Résumé Étendu
Dans l’interview, Kieran Chandler anime une discussion entre Joannes Vermorel, fondateur de Lokad, et Warren Powell, professeur à l’Université de Princeton et co-fondateur d’Optimal Dynamics. Ils abordent les complexités et incertitudes inhérentes à la gestion de la supply chain et à la prise de décisions.
Warren Powell partage son expérience sur le terrain, ayant fondé Castle Labs, une collaboration unique entre universités et industrie qui s’attaque aux problèmes du monde réel. Il explique comment ses premiers travaux dans le domaine du transport par camion complet l’ont exposé aux défis de la planification face à des facteurs incertains.
Joannes Vermorel développe la problématique centrale de la prise de décision séquentielle dans les supply chains, où les décisions actuelles sont fortement influencées par les décisions futures. Il compare ce processus à une partie d’échecs, où chaque coup doit être envisagé dans le contexte des coups suivants. Vermorel reconnaît que modéliser mathématiquement ces problèmes peut s’avérer complexe et déroutant.
Warren Powell explique que mesurer l’efficacité de la prise de décision dans les supply chains implique l’utilisation d’indicateurs de performance clés (KPIs) pour évaluer l’impact des décisions sur les coûts et la productivité. Il suggère que les simulations peuvent aider à naviguer dans la nature complexe et imprévisible de la gestion de la supply chain, car les modèles déterministes peuvent ne pas fournir de solutions précises.
L’interview explore les défis de la gestion des incertitudes et de la prise de décisions efficaces dans les supply chains, où chaque décision est interconnectée avec celles à venir. Les experts partagent leurs expériences sur le terrain et offrent des éclairages pour aborder ces complexités à travers la modélisation mathématique et les simulations.
La conversation a débuté par une comparaison de l’optimisation de la supply chain à une partie d’échecs contre un adversaire imprévisible, suggérant que l’utilisation de simulations peut aider à prendre de meilleures décisions. Powell a expliqué que des politiques ou des règles de prise de décision peuvent être utilisées en complément des simulations pour évaluer rapidement la performance de l’entreprise à l’aide d’une variété d’indicateurs.
Vermorel a acquiescé, en insistant sur l’importance de la prévision probabiliste et des modèles génératifs, qui peuvent tous deux être utilisés pour l’optimisation de la supply chain. Il a évoqué la dualité entre ces deux approches et souligné que le choix entre elles dépend du problème spécifique à traiter.
Vermorel et Powell ont tous deux convenu de l’importance d’utiliser des politiques en complément des simulations pour optimiser supply chain les décisions. Les politiques sont des règles abstraites qui peuvent comporter des paramètres pouvant être appris et appliqués. Vermorel a noté la difficulté d’appliquer ces concepts dans des situations réelles, étant donné que des décennies de recherche n’ont donné que des résultats numériques limités.
Vermorel a également souligné que les récentes avancées en deep learning et en méthodes d’optimisation, telles que la descente de gradient stochastique gradient descent, ont amélioré l’applicabilité de la prise de décisions fondée sur des politiques dans des environnements complexes. Ces techniques fonctionnent bien dans des environnements bruyants et avec un grand nombre de variables, ce qui les rend adaptées aux problèmes d’optimisation de la supply chain dans le monde réel.
Powell a mentionné que les humains utilisent également des politiques ou des méthodes lorsqu’ils prennent des décisions et qu’il existe quatre classes fondamentales de méthodes de prise de décision. Il a cité l’exemple de Google Maps comme une politique d’anticipation, qui pourrait être utile dans le contexte des supply chains longues.
Powell souligne la nécessité des simulations pour prendre des décisions stratégiques, tactiques et opérationnelles dans la gestion de la supply chain. En raison de la durée des délais et de la nature complexe des supply chains, la méthode d’essais et erreurs n’est pas une solution viable pour tester des idées. Les simulations, bien que perfectibles, offrent une meilleure alternative. Il insiste sur l’importance de comprendre les décisions prises, les indicateurs d’évaluation, les sources d’incertitude et le processus de prise de décision.
Vermorel, cependant, se fait l’avocat du diable en soulevant des préoccupations quant à la crédibilité des méthodes numériques. Il reconnaît que les simulations sont plus efficaces que des réunions interminables, mais il relève que de nombreux modèles mathématiques sophistiqués peuvent être naïfs dans leur contexte. Il cite l’industrie de la mode comme exemple, où les prévisions ponctuelles ignorent souvent des facteurs cruciaux tels que la cannibalisation et la substitution. Il insiste sur le fait que l’instinct est généralement plus précis lorsqu’il s’agit de modèles naïfs.
Vermorel soutient en outre que les managers devraient adopter une approche plus empathique de la modélisation en considération des heuristiques et en prenant pleinement en compte le problème. Pendant ce temps, Powell reconnaît que la modélisation fine est essentielle pour réussir, car des modèles simplistes peuvent négliger des facteurs importants, conduisant à des erreurs potentiellement significatives.
Vermorel et Powell s’accordent à dire que, bien que les simulations informatiques et les modèles avancés soient cruciaux pour l’optimisation de la supply chain, il est tout aussi important de bien comprendre le problème en question et de développer des modèles qui reflètent avec précision les complexités de la supply chain du monde réel.
La discussion tourne autour des limites des prévisions ponctuelles et des avantages des méthodes de prévision basées sur des politiques.
Les participants soutiennent que les méthodes de prévision traditionnelles, qui reposent fortement sur l’instinct et ne tiennent pas compte de la multitude de variables, aboutissent souvent à un surstockage ou à un sous-stockage. Les prévisions ponctuelles tendent à produire des stocks très maigres, ce qui, comme ils l’ont constaté, n’est pas optimal. Ils suggèrent plutôt qu’être réaliste, intelligent et poser les bonnes questions conduira à une meilleure prise de décision.
Le défi de convaincre les gens de faire confiance et de visualiser les avantages des prévisions basées sur des politiques est également abordé. Dans l’industrie du transport de fret, les prévisions probabilistes sont utilisées pour simuler divers scénarios, puis évaluées à l’aide d’indicateurs clés de performance (KPIs) afin de déterminer leur pertinence. Ce processus aide à instaurer la confiance dans la méthode.
Vermorel et Powell insistent sur l’importance de disposer d’ingénieurs supply chain possédant une connaissance approfondie du problème ainsi que des compétences en programmation. Ils conviennent que la meilleure approche est d’utiliser une multitude d’indicateurs pour identifier les domaines où les décisions pourraient être erronées, coûteuses ou inefficaces. Il est important de se concentrer sur les valeurs aberrantes, car elles peuvent souvent avoir des conséquences significatives.
Ils abordent les limites des prévisions de coûts moyens et des prévisions ponctuelles, en soulignant la nécessité d’ingénieurs supply chain plutôt que de data scientists ou d’ingénieurs logiciels. Ils estiment que les méthodes basées sur des politiques, qui prennent en compte l’incertitude et le risque, seront à l’origine de l’avenir de la gestion de la supply chain, soutenues par des capacités informatiques de plus en plus avancées.
L’interview se conclut par une discussion sur l’avenir des méthodes basées sur des politiques dans la gestion de la supply chain. Powell estime que les prévisions ponctuelles deviendront obsolètes, car elles ne représentent pas fidèlement le monde réel. Les avancées de la technologie informatique et la capacité croissante à gérer l’incertitude rendront les méthodes de prévision basées sur des politiques plus efficaces et répandues.
L’interview met en lumière les limites des méthodes de prévision traditionnelles et insiste sur les avantages des prévisions basées sur des politiques, tout en soulignant l’importance de disposer d’ingénieurs supply chain compétents et d’utiliser une variété d’indicateurs pour une prise de décision efficace.
Transcription Complète
Kieran Chandler: Aujourd’hui sur Lokad TV, nous sommes ravis d’accueillir Warren Powell, qui va discuter avec nous de la différence entre les prévisions basées sur des politiques et les prévisions ponctuelles et de la manière dont celles-ci peuvent être utilisées pour optimiser ces décisions catch-22. Alors Warren, merci beaucoup de nous rejoindre en direct depuis les États-Unis aujourd’hui, et comme toujours, nous aimons commencer par apprendre un peu plus sur nos invités. Pourriez-vous donc commencer en nous parlant un peu de vous ?
Warren Powell: Eh bien, tout d’abord, merci de m’avoir invité dans l’émission. J’ai vraiment apprécié faire ce que je fais et je suis reconnaissant de pouvoir en parler. J’ai enseigné à Princeton pendant 39 ans, et il y a environ 30 ans, j’ai créé ce laboratoire appelé Castle Labs. Je travaillais beaucoup avec l’industrie et j’ai débuté dans le transport de fret. Alors que les universitaires reçoivent beaucoup d’argent des gouvernements et autres, notre principale source de financement provenait de l’industrie. J’ai aussi constaté que l’une des faiblesses du financement gouvernemental était qu’ils n’ont aucune donnée ; ils n’ont en réalité pas de problème. J’ai donc développé cette collaboration unique entre universités et industrie via Castle Labs, en travaillant avec l’industrie et en s’attaquant à leurs problèmes. Il y avait un intérêt précoce à utiliser les ordinateurs pour aider à gérer les entreprises plus efficacement, si bien que le laboratoire a très bien fonctionné, s’est rapidement développé, et j’ai eu la chance d’avoir un grand nombre d’étudiants. Je pense que j’ai fini par voir environ 60 diplômés et post-doctorants, et je les considère comme la principale source de… je pense que nous avons écrit environ 250 publications. C’est en grande partie le travail des étudiants. J’ai lancé trois cabinets de conseil, le plus récent étant Optimal Dynamics avec lequel je suis toujours impliqué. En fait, j’ai pris ma retraite l’année dernière pour m’impliquer à plein temps dans Optimal Dynamics. C’est une opportunité très excitante.
Kieran Chandler: Ça a l’air génial, et aujourd’hui notre sujet porte sur l’optimisation des décisions que vous prenez au sein d’une supply chain. Pourriez-vous commencer en nous expliquant quelles sont les sortes d’incertitudes que vous pouvez observer dans la gestion de la supply chain ?
Warren Powell: Eh bien, je dois ajouter un peu de contexte supplémentaire, à savoir que mes tout premiers projets concernaient le truckload trucking, et que l’introduction de ce concept venait d’une grande entreprise appelée Schneider National. Ils disposaient déjà de modèles informatiques pour planifier de manière déterministe dans le futur, et ils disaient : “Regardez, le truckload trucking n’est pas déterministe. Nous ne savons pas ce qui va se passer demain. Nous ne savons pas ce qui va se passer aujourd’hui.” Et j’ai constaté que la communauté académique n’avait pas appris comment modéliser véritablement ces problèmes et les résoudre à l’aide d’ordinateurs. Cela m’a lancé pendant plusieurs décennies dans la réflexion, “Ok, comment aborder ce problème ?”, car la communauté académique n’avait vraiment pas de solution.
Alors que je suis passé du truckload trucking, qui est vaste et compliqué, à la gestion de la supply chain, j’ai constaté que cette dernière n’est pas aussi complexe que la supply chain. Avec les transporteurs en truckload, le problème principal était de savoir si l’expéditeur ferait appel à un chargement ou non, combien de chargements je devais déplacer, et il y avait quelques autres sources de bruit, comme si le conducteur se présentait ou s’il était pris dans les embouteillages. Ce n’est pas à la même échelle que les supply chains. Ainsi, dans les supply chains, vous vous y engagez, et dans le truckload trucking, vous pourriez prendre des décisions une semaine à l’avance ou plus.
Kieran Chandler: Deux dans le futur, la plupart du temps cela tend à être de trois ou quatre jours. Les supply chains peuvent s’étendre jusqu’à 100 jours, 150 jours. Commander des produits de Chine peut prendre plusieurs mois. Pendant ces mois, vous pouvez avoir des événements majeurs, de fortes tempêtes, des problèmes politiques, des problèmes de main-d’œuvre, et des ruptures de stock. Beaucoup de cela se produit en réalité aujourd’hui. Le fournisseur engendre beaucoup de bruit quant à la durée nécessaire pour que le fabricant en Chine construise réellement le produit que vous demandez. Il peut devoir mettre en route une ligne de fabrication et aligner ses pièces et ses fournitures. Ensuite, vous le chargez sur le navire de fret, et le navire peut prendre 30 jours, mais il pourrait prendre 35 ou 36 selon les tempêtes et la météo. Vous pouvez rencontrer des retards au port. Lorsque le produit débarque effectivement du navire, il doit être déchargé. Vous devez le transférer sur un train ou un camion. Puis, lorsqu’il arrive enfin, vous devez l’examiner et dire : la qualité est-elle correcte ? Je veux dire, c’est juste cette litanie de différentes formes d’incertitude.
Kieran Chandler: Oui, et Joannes, c’est ce dont nous allons discuter avec un peu plus de détails aujourd’hui. Ce que Warren évoquait là, c’est la grande variation des échéances. Pourquoi est-ce intéressant ? Que signifient ces différences d’échéances d’un point de vue peut-être plus technique ?
Joannes Vermorel: Je crois que le travail de Warren est très intéressant, mais peut-être pour un aspect légèrement différent, à savoir le processus de prise de décisions séquentielles. Les incertitudes relèvent un peu de la technicité, mais le cœur du problème est de commencer même à penser à ces décisions séquentielles que vous prenez successivement. L’astuce, c’est que le futur façonne le passé, ce qui semble un peu étrange. La décision que vous souhaitez optimiser à l’instant dépend en réalité de la décision que vous prendrez plus tard. Que la décision prise en ce moment soit bonne ou non dépend énormément de celle qui sera prise plus tard.
Joannes Vermorel: Pour clarifier ce genre de situation, supposons que vous commandez auprès d’un fournisseur étranger avec une quantité minimale de commande (MOQ), et que vous commandez des tonnes de produits chez ce fournisseur, au point de remplir un conteneur complet. Le fait est que vous passez une commande, et le conteneur peut contenir des centaines de produits différents. Est-ce une bonne commande ? Eh bien, cela dépend. Cela dépend du moment où vous passerez réellement la commande pour les prochains conteneurs. Vous voyez, si vous manquez d’un produit quelques jours seulement après avoir commandé votre conteneur, vous pouvez avoir une rupture de stock pour ce produit. Pouvez-vous réellement passer une autre commande auprès de votre fournisseur ? Non, pas vraiment, car ce produit à lui seul ne représente qu’une infime fraction d’un conteneur complet. Vous vous retrouvez donc coincé avec le fait d’avoir commandé un conteneur complet, et vous devez attendre d’avoir une capacité de commande qui soit pratique, compatible avec le réapprovisionnement complet d’un conteneur.
Kieran Chandler: Et donc, la décision que vous êtes sur le point de prendre, est-elle la bonne ? Cela dépend de quand vous prendrez votre prochaine décision. La réalité dans la Supply Chain et dans bien d’autres domaines est que, quand vous commencez à réfléchir à ce que signifie réellement prendre une bonne décision, cela doit être une décision qui s’accorde avec une décision qui sera prise plus tard. C’est un peu comme si vous jouiez aux échecs : il ne s’agit pas seulement d’avoir effectué le bon coup à l’instant. On ne peut dire qu’un coup est bon qu’en regardant tous les autres coups qui vont être joués. Voilà ce que cela signifie. Et puis la question est que, soudainement, le problème devient très difficile à aborder même mathématiquement, car vous pensez : “D’accord, j’ai une décision, et vous pouvez imaginer que j’ai différentes quantités parmi lesquelles choisir.” Mais ensuite, vous adoptez une perspective récursive où vous devez penser à toutes les décisions futures qui n’ont pas encore été prises, et vous vous demandez : “Je veux optimiser cette décision que je n’ai pas encore prise, et pourtant je dois prendre en compte des décisions futures qui n’ont pas non plus encore été prises.” Vous voyez, c’est le fameux problème de l’œuf et de la poule, et mathématiquement, c’est difficile et déconcertant. Je pense qu’une partie du travail de Warren Powell a été de consolider un corpus de cadres mathématiques et d’approches pour que l’on puisse même commencer à réfléchir numériquement à ces problèmes de manière cohérente. J’aime vraiment cette analogie qui rapproche cela des échecs et qui dépend énormément de ce que l’autre personne est en train de faire et de ce qui se passe dans le monde.
Warren Powell: Eh bien, toutes les entreprises ont des moyens de mesurer leur performance. On les appelle les KPI, les indices clés de performance. Elles disposent donc de toutes leurs métriques sur le coût, la productivité. Les entreprises en ont des dizaines, voire parfois des centaines. Vous utilisez ces mêmes métriques. Ce que nous avons tendance à faire, c’est de lancer des simulations. Ce serait bien si nous vivions dans un monde déterministe. Imaginez Google Maps, où nous faisons semblant de connaître tous les temps de trajet, de sorte que nous voyions tout le chemin jusqu’à la destination. Les supply chains sont trop désordonnées. Le chemin est trop long et il y a trop d’éléments aléatoires qui vont se produire, donc il n’y a pas un seul chemin, mais plusieurs. Plutôt que de regarder dans le futur en pensant que vous allez savoir exactement ce qui va se passer, l’analogie avec les échecs est pertinente. Mais si vous jouez contre un expert aux échecs, il tend à être très prévisible. Imaginez-le jouer contre un joueur moins expert. C’est alors un peu plus aléatoire parce qu’il se comporte de manière imprévisible. Le problème devient en réalité beaucoup plus compliqué. Mais pour simplifier, imaginez que l’ordinateur peut tout simplement exécuter des simulations. À mesure que nous avançons vers le futur, j’ai besoin d’avoir une règle, ou plutôt, ce que j’appelle une politique, une méthode pour prendre une décision qui me dira quelle décision je vais prendre, quoi qu’il arrive. Ainsi, je peux lancer ces simulations, et chaque fois que j’arrive à un moment – disons dans un mois – où je dois prendre une décision, j’ai une règle. Les ordinateurs peuvent exécuter ces simulations très rapidement. Nous pouvons lancer 100 scénarios différents vers le futur en parallèle.
Kieran Chandler: Commençons par la manière dont une entreprise peut utiliser des métriques pour évaluer sa performance. Lorsqu’il s’agit de prendre des décisions, comme par exemple de passer une commande et déterminer l’ampleur de la commande, comment les entreprises peuvent-elles simuler ces décisions et leurs résultats potentiels ?
Warren Powell: Pour prendre ces décisions, les entreprises peuvent utiliser des simulateurs pour analyser les métriques et déterminer la meilleure décision pour l’instant présent. Nous pouvons utiliser une règle pour prendre une décision maintenant, mais nous devons également utiliser des simulateurs pour affiner cette règle afin de nous assurer qu’elle fonctionne au mieux, en tenant compte non seulement du présent, mais aussi de l’avenir. Pour des problèmes plus simples, comme la gestion de stocks, une simple politique de réapprovisionnement peut très bien fonctionner. Cependant, pour des problèmes plus complexes, tels que le moment de passer une commande pour un chargement venant de Chine qui arrivera dans 90 jours, la décision doit prendre en compte des facteurs comme les commandes précédentes, des événements connus tels que les ouragans, et d’autres facteurs inconnus. Nous pouvons simuler ces scénarios et évaluer les choix sur la base des meilleures métriques pour le futur. Essentiellement, il s’agit de simuler et de gérer votre entreprise comme vous le feriez normalement et de l’évaluer en conséquence.
Kieran Chandler: Joannes, que pensez-vous de cette approche fondée sur des politiques ? La simulation fonctionne-t-elle réellement à vos yeux ?
Joannes Vermorel: Oui, je suis tout à fait d’accord pour dire que la simulation fonctionne. En matière de prévision, l’approche moderne consiste à penser en termes de prévisions probabilistes. Il existe une dualité entre les prévisions probabilistes et les modèles génératifs. Les prévisions probabilistes vous donnent des probabilités pour certains futurs, qui peuvent être échantillonnées pour obtenir des exemples de futurs possibles. Les modèles génératifs, quant à eux, génèrent des futurs qui, une fois moyennés, vous donnent les probabilités de votre modèle holistique. Essentiellement, ces modèles sont deux manières différentes d’aborder la même chose. Le choix entre eux relève davantage de questions techniques et de ce qui est le plus approprié pour la résolution numérique de votre problème.
Warren Powell: C’est exact, et l’essence même de l’astuce mathématique pour optimiser les décisions séquentielles consiste à démêler les décisions d’aujourd’hui et de demain. Au lieu de se concentrer sur la décision elle-même, nous devons apprendre le mécanisme de prise de décision. Ce mécanisme peut comporter de nombreux paramètres pouvant être optimisés.
Kieran Chandler: Joannes, pourriez-vous expliquer comment les politiques peuvent être ajustées et leur rôle dans l’optimization de la supply chain ?
Joannes Vermorel: Une politique est fondamentalement une règle abstraite dotée de paramètres qui peuvent être appris d’une manière ou d’une autre. L’idée est de confronter vos politiques qui génèrent des décisions. Pour ce faire, vous avez besoin d’un modèle génératif, généralement dérivé d’une prévision probabiliste ou d’autres méthodes.
Kieran Chandler: Comment considérer la simulation comme une prévision probabiliste aide-t-il à évaluer la précision d’une politique ?
Joannes Vermorel: Il est intéressant de voir la simulation comme une prévision probabiliste car cela vous permet d’envisager la précision. Lorsque les gens affirment faire de la simulation, la grande question est de savoir si celle-ci offre une représentation précise du futur. Pour répondre à cette question, vous devez adopter la perspective de la prévision probabiliste, afin de pouvoir évaluer si votre simulateur fournit une représentation précise des futurs possibles pour votre entreprise.
Kieran Chandler: Pouvez-vous détailler les défis liés au déploiement de ces politiques sur le terrain et les avancées réalisées en informatique pour surmonter ces défis ?
Joannes Vermorel: Le problème devient avant tout une question de praticité lorsqu’il s’agit de déployer ces idées sur le terrain. L’apprentissage des politiques a été un problème extrêmement difficile d’un point de vue numérique. Les techniques traditionnelles d’apprentissage par renforcement réussissaient souvent uniquement dans des environnements simplifiés, mais peinaient avec des problèmes impliquant des milliers, voire des millions de variables.
Un des effets secondaires de la percée en deep learning a été le développement de meilleures méthodes de mathematical optimization, telles que la descente de gradient stochastique, qui fonctionne bien dans des environnements bruyants avec des variables de transfert. Ces méthodes n’ont pas été spécifiquement conçues pour les processus de prise de décision politique, mais les avancées en informatique les ont rendues très applicables à l’optimisation de politiques dans des contextes réels et complexes. Cela inclut des situations où les simulations concernent des milliers, voire des centaines de milliers de stock keeping units (SKUs) et s’étendent sur des centaines de jours à l’avance.
Kieran Chandler: Nous avons une demi-douzaine d’incertitudes imbriquées : l’incertitude de la demande, le lead time, le prix des matières premières, la cannibalisation, les mouvements des concurrents. Elles ne sont pas très complexes, mais elles sont toutes imbriquées. Vous devez donc être capable d’embrasser ce genre de complexité ambiante afin que votre simulateur ne soit pas excessivement naïf quant aux futurs possibles. Warren, seriez-vous d’accord avec cela ? Je veux dire, comment procéderiez-vous pour construire ces algorithmes d’apprentissage automatique afin de prendre ces décisions basées sur des politiques ?
Warren Powell: Eh bien, tout d’abord, rappelons-nous que les humains utilisent aussi des politiques. Chaque fois qu’une décision est prise, vous utilisez une méthode. Appelons cela une politique, mais c’est une méthode. Tout le monde utilise une méthode, donc ce n’est en réalité pas nouveau. Ce que j’ai fait, c’est de dire qu’il existe quatre classes fondamentales de méthodes. La politique de réapprovisionnement est l’une des quatre classes ; on l’appelle une évaluation de fonction de politique.
Prenons Google Maps comme exemple ; c’est une politique de prévision. En planification des stocks, les gens ont tendance à utiliser cette simple évaluation de fonction de politique : lorsque la commande descend en dessous d’un certain seuil, réapprovisionnez jusqu’à un certain niveau. Quand vous avez ces longues supply chains, vous devez vraiment penser à l’avenir. C’est une prévision directe, donc nous avons maintenant couvert deux des quatre classes.
Ces quatre classes ne font qu’articuler ce que nous faisons de toute façon. Maintenant, pour découvrir quelle est la meilleure classe, vous devez simuler et voir comment cela fonctionne au fil du temps. Dans une entreprise de transport routier, je pourrais avoir une idée, la tester pendant quelques semaines et voir si cela fonctionne. Vous ne pouvez pas faire cela avec les supply chains ; il faut peut-être près d’un an pour voir si quelque chose va fonctionner. Les échéances sont tout simplement trop longues, et c’est pourquoi les simulations informatiques sont presque irremplaçables.
Sans ordinateur, vous n’êtes qu’un groupe de personnes autour d’une table à discuter et à dire, “Oh, eh bien, je pense que ceci est mieux,” et quelqu’un d’autre pense que c’est mieux. C’est ce que l’on voit aujourd’hui dans le monde de la supply chain – beaucoup de gens bavardant et se parlant, mais personne n’a de preuves. J’ai passé ma carrière chez Castle Labs à construire des simulateurs pour la planification stratégique, la planification tactique, et des simulateurs pour voir dans le futur afin de m’aider à décider si j’avais pris la bonne décision à l’instant.
Sans simulations, que faire d’autre ? Je pourrais essayer une idée, attendre trois mois, essayer une autre idée, attendre encore trois mois, mais bien sûr, les trois mois suivants n’ont rien à voir avec les trois premiers. Je ne vois aucun moyen d’éviter d’avoir un ordinateur pour dire, “Voici une méthode de prise de décision, voici soit une méthode très différente, soit une méthode légèrement différente, une autre manière de prendre des décisions. Laquelle semble fonctionner ?” Vous lancez vos simulations. Les simulations ne sont jamais parfaites, mais quoi de mieux ? Citez-moi quelque chose de mieux.
Le processus est en réalité très simple à comprendre. L’une des choses les plus difficiles que je rencontre dans les supply chains est de demander à un professionnel de la supply chain quelles décisions il prend. Je n’arrive pas à croire combien de personnes vous regarderont, l’air interloqué, et diront, “Eh bien, je n’y ai jamais vraiment pensé de cette manière.” Il y a bien plus dans la supply chain que de simplement commander des stocks ; il y a beaucoup d’autres décisions impliquées.
Kieran Chandler: Alors, quelles sont vos métriques ? Ce n’est pas une seule ; il y en a plein. Et quelles sont vos sources d’incertitude ? Nous pourrions en discuter longuement, mais vous n’allez pas toutes les énumérer. Je suis désolé, ces grandes supply chains dont vous parlez impliquent des incertitudes globales. Qui aurait pu anticiper qu’un navire se bloquerait dans le canal de Suez ou la pandémie de COVID ? Mais il y a beaucoup d’éléments bruyants que vous pouvez anticiper, et nous devons être conscients que ces événements se produisent. Une fois que vous avez choisi vos décisions, déterminé comment vous êtes évalué et identifié les incertitudes, il ne vous reste plus qu’à décider comment prendre la décision. Et devinez quoi, il existe quatre classes de politiques, allant des plus simples aux plus compliquées avec une anticipation complète. Vous pouvez anticiper de manière déterministe, comme Google Maps, ou anticiper avec incertitude.
Warren Powell: Quand je discute avec des gens du monde des affaires et qu’ils utilisent le mot “forecast”, j’ai l’impression qu’à chaque fois qu’ils disent “forecast”, ils veulent signifier une prévision ponctuelle. Ce que j’aime dans cette émission, c’est que je n’ai pas à avoir cette discussion avec vous ; vous comprenez parfaitement la nécessité de penser de manière stochastique. Il faut tenir compte de l’incertitude de votre prévision, ce qui signifie qu’il faut penser aux règles de prise de décision plutôt qu’à la décision elle-même. Et tout est très simple. Oui, nous avons besoin de l’ordinateur. Si vous n’allez pas utiliser un ordinateur, dites-moi ce que vous comptez faire. Si vous avez une meilleure idée, je n’arrive pas à la comprendre.
Kieran Chandler: Johannes, dans quelle mesure peut-on avoir confiance en ces approches basées sur des politiques ? À quel point ces modélisations mathématiques sont-elles solides ?
Joannes Vermorel: Tout d’abord, je conviens que l’alternative consistant à organiser d’innombrables réunions S&OP n’est pas très productive. Cependant, l’un des problèmes – et je pense que c’est une critique valable des méthodes numériques – est que, comme l’a dit Russell Ackoff il y a presque 40 ans, nous disposons de méthodes qui peuvent être mathématiquement très sophistiquées mais contextuellement incroyablement naïves. Le problème est donc de réfléchir à la crédibilité que l’on peut accorder à ces projections du futur. En réalité, de nombreuses méthodes populaires encore largement utilisées dans les grandes supply chains sont complètement nulles. Je comprends la position d’un manager qui observe une simulation informatique sophistiquée, mais qui passe complètement à côté de l’essentiel en se fondant sur des approximations. Pour vous donner un exemple plus concret, je dirais que probablement presque toutes les grandes marques de mode réalisent des prévisions, la plupart d’entre elles effectuant des prévisions ponctuelles. Ainsi, vous prenez vos produits et essayez d’établir des prévisions de demande hebdomadaires. Cependant, j’estime qu’environ 0 % de ces marques intègrent réellement la cannibalisation et la substitution.
Kieran Chandler: Bienvenue à tous à notre interview d’aujourd’hui. Nous avons deux invités avec nous, Joannes Vermorel, le fondateur de Lokad, une société de logiciels spécialisée dans l’optimisation de la supply chain, et Warren Powell, professeur à l’Université de Princeton, cofondateur et Chief Analytics Officer chez Optimal Dynamics. Merci à vous deux d’être parmi nous. Entrons dans le vif du sujet.
Joannes Vermorel: Lorsqu’il s’agit de choisir un produit à acheter, vous vous fiez souvent à un simple ressenti et optez pour celui qui correspond à vos goûts ou à votre instinct. Vous pouvez constater qu’il existe d’énormes effets de substitution et de cannibalisation en jeu. Par exemple, quand je pénètre dans un magasin de mode et que je vois 20 chemises blanches différentes, elles me semblent toutes assez similaires. Je finis par en privilégier une plutôt qu’une autre, sans avoir une idée précise du code-barres que je voulais scanner en entrant.
Si vous disposez d’un modèle de prévision qui ignore quelque chose d’aussi déterminant que la substitution, combien de confiance pouvez-vous avoir dans ce modèle mathématique ? Je pense qu’il y a lieu à un scepticisme justifié, car les managers regardent ces méthodes sophistiquées et demandent : “Traitez-vous quelque chose d’aussi fondamental que la substitution ?” Si la réponse est non, comment pouvez-vous faire confiance au modèle ?
Vous devez également prendre en compte l’impact des réductions. Si nous commençons à offrir de grosses remises à la fin de la saison, les gens s’habitueront au fait que notre marque propose beaucoup de réductions, et ils attendront la saison des soldes de la prochaine collection pour en bénéficier. Les gens sont intelligents et savent s’adapter.
Dorénavant, en comparant un modèle naïf à l’intuition, c’est souvent l’intuition qui se révèle plus juste. Il vaut mieux être approximativement juste qu’exactement faux. Avec des soins appropriés et une bonne compréhension, il est possible d’améliorer le modèle, mais cela nécessite une affinité mécanique et une véritable appropriation du problème pour atteindre une justesse approximative.
Warren Powell: Je suis d’accord avec votre exemple, Joannes. Il y a deux problèmes ici : le hasard lié au choix d’une chemise, que les modèles mathématiques peuvent gérer assez bien, et la modélisation plus subtile des remises ainsi que la réaction du marché face à celles-ci. Un modèle naïf pourrait facilement négliger ce second aspect et suggérer une baisse des prix, en ignorant que si vous baissez vos prix, le marché s’y habituera. C’est une erreur considérable.
Les gens se fient à leur intuition, et des modèles plus sophistiqués devraient être capables de gérer ces subtilités. Mais un modèle simple ne le fera pas. J’ai passé des années en laboratoire à construire des modèles financés par des entreprises, et nous avons observé ce genre d’erreur se produire lorsque les modèles négligent des aspects cruciaux du problème.
Kieran Chandler: Pourriez-vous expliquer comment vous insufflez de la confiance dans vos modèles, en particulier lorsque vous travaillez dans le transport de fret ?
Warren Powell: Il nous a fallu six ou huit ans pour obtenir un modèle en lequel Norfolk Southern disait avoir confiance. Cela a demandé beaucoup de travail. On ne peut pas ignorer la subtilité du fait que le marché s’habitue à quelque chose, c’est une erreur facile à commettre. Il faut calibrer les modèles, disposer de bonnes statistiques et de personnes compétentes qui posent les bonnes questions. Cependant, bricoler des éléments à partir de rien sera difficile. Je pense qu’il y a trop de variables pour qu’un humain puisse les prendre en compte, alors une des solutions consiste à commander davantage de stocks et à les dissimuler, ce qui est coûteux. Si vous utilisez des prévisions ponctuelles, vous avez tendance à opter pour des stocks très maigres. Nous apprenons que ce n’est pas la bonne approche non plus.
Kieran Chandler: Warren, revenons à l’idée de confiance. Lorsque vous construisez ces prévisions basées sur des politiques, comment amenez-vous les gens à visualiser réellement et à adhérer à cette vision ? Parce que l’un des véritables défis que nous avons rencontrés chez Lokad était de faire en sorte que les gens se représentent ce que nous faisions avec des prévisions probabilistes.
Warren Powell: Dans le transport de fret, nous réalisons des prévisions probabilistes de ce que les expéditeurs peuvent faire. Nous exécutons des simulations et observons ce que font réellement les camions pour vérifier si cela semble raisonnable. Nous compilons des métriques indiquant le nombre de fois où nous couvrons des chargements ou ramenons les chauffeurs à la maison, et nous examinons les KPI standards que toute entreprise utiliserait. Vous pouvez réaliser votre prévision probabiliste, exécuter mille simulations, compiler vos KPI, puis vous demander si cela paraît raisonnable. Il faut procéder par essais et erreurs, et des personnes intelligentes, qui comprennent le problème, doivent être impliquées. Elles doivent examiner les KPI et les bonnes métriques pour déterminer si le comportement est correct.
Kieran Chandler: Johannes, comment compareriez-vous votre parcours à celui de Warren ? Il semble que vous ayez vécu des expériences assez similaires.
Joannes Vermorel: Oui, exactement. Chez Lokad, les personnes qui possèdent des compétences en programmation et une connaissance approfondie du problème de la supply chain sont appelées Supply Chain Scientist. Il est vrai que l’on ne peut pas aborder le problème d’un point de vue monolithique centré sur une seule métrique, car cela est généralement très trompeur. Quand on procède ainsi, on finit par obtenir quelque chose de très semblable à Kaggle, et pas dans le bon sens, où l’on micro-optimise une métrique pour ensuite en exploiter complètement les failles.
Kieran Chandler: Au-delà de son point d’irrélevance, l’approche consiste généralement à disposer de nombreuses métriques qui vous aident à instrumenter votre dispositif afin d’identifier les zones où vous commettez de grosses erreurs. Joannes, pourriez-vous développer ce point ?
Joannes Vermorel: Chez Lokad, nous appelons cela optimisation expérimentale. L’idée est de repérer la situation où votre modèle numérique qui génère votre politique va mener à des décisions très mauvaises. C’est généralement le point d’entrée pour diagnostiquer ce qui ne va pas. La manière d’identifier ces décisions aberrantes, qui omettent quelque chose – comme passer à côté d’un éléphant – consiste à examiner le problème sous plusieurs angles. Ces décisions incorrectes peuvent s’avérer très coûteuses, mais elles restent rares. Si vous ne regardez que vos moyennes, vous risquez de ne pas les remarquer, car vous vous fiez à des métriques probabilistes, qui impliquent généralement des moyennes sur de nombreuses situations. Le problème avec les moyennes, c’est qu’elles peuvent masquer un événement qui ne se produit qu’une fois sur mille mais multiplier vos coûts par un facteur de 10. C’est pourquoi nous essayons de les instrumenter.
La clé est d’avoir des personnes qui soient avant tout des ingénieurs de la supply chain, plutôt que des data scientists ou des ingénieurs logiciels. Cela m’amène à la conclusion qu’il faut disposer d’un certain outillage permettant de fonctionner avec un niveau de productivité décent, mais c’est un problème tout à fait différent.
Kieran Chandler: Merci, Joannes. Warren, nous vous laissons la parole finale. Quels sont vos espoirs pour l’avenir ? Voyez-vous un jour tout le monde utiliser ces méthodes basées sur des politiques ?
Warren Powell: Tout d’abord, parce qu’aujourd’hui tout le monde utilise des méthodes basées sur des politiques, je pense que c’est la voie à suivre. Le Google Maps des prévisions ponctuelles, je suis désolé, mais cela ne va tout simplement pas survivre. Vous devez comprendre, c’était au début de ma carrière en 1981.
Kieran Chandler: Bienvenue chez Schneider National, à l’époque notre plus grand transporteur de camionnage aux États-Unis et un pionnier précoce de l’analytics. En 1981, ils avaient déjà des modèles informatiques en fonctionnement, mais ils ont continué avec des prévisions ponctuelles. Ce sont eux qui sont venus me voir et m’ont dit : “Warren, le monde est stochastique. Nous passons donc désormais au monde de la gestion de la supply chain. Les prévisions ponctuelles ne vont tout simplement pas fonctionner. Enfin, peut-être que quelqu’un pense intérieurement que c’est le monde réel, mais ce n’est pas le cas.” Cette notion d’approche basée sur des politiques décrit la manière dont les gens prennent des décisions.
Warren Powell: Vous pouvez avoir des politiques simples comme “order up to” ou des politiques de look-ahead. Maintenant, quand les gens disent “look ahead”, ils tendent à penser de manière déterministe. C’est ici que les choses doivent être repensées. Il faut envisager le “look ahead” avec incertitude, mais les ordinateurs sont désormais là. Dans les années 1980, les ordinateurs étaient une source de gêne. Aujourd’hui, nous sommes sur le cloud et nous exécuterons 50 scénarios en parallèle, et au lieu de nous fier aux moyennes, nous évaluerons la fréquence d’apparition d’un événement négatif pour mesurer le risque.
Toutes les autres problématiques soulevées par Joannes restent valables. Vous devez toujours modéliser le problème de manière appropriée, mais à un certain moment, vous atteindrez ce point de bascule où ce que l’ordinateur réalise sera nettement meilleur que ce que n’importe quel humain pourrait faire. Je trouve extrêmement enthousiasmant que le moment soit venu. Nous faisons déjà cela dans l’industrie du camionnage. J’ai écrit des simulateurs de supply chain, mais principalement en tant que simulateurs. Je pense que faire passer le simulateur sur le terrain, c’est-à-dire réfléchir dès maintenant à ce qui pourrait se passer dans le futur pour m’aider à prendre une décision aujourd’hui, se rapproche de la réalité.
Kieran Chandler: D’accord, c’est brillant. Je vais devoir conclure ici, mais messieurs, merci à vous deux pour votre temps. Voilà, c’est tout pour cette semaine. Merci beaucoup de nous avoir suivis, et à bientôt.