L'avenir façonne le passé dans la Supply Chain (avec Warren Powell)

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 chaîne d’approvisionnement.
00:03:05 Comparaison entre le transport de charges complètes et la gestion de la chaîne d’approvisionnement.
00:06:00 Le concept de prise de décision séquentielle dans la gestion de la chaîne d’approvisionnement.
00:09:01 KPI, indices de performance clés, et exécution de simulations dans une chaîne d’approvisionnement.
00:10:00 Le besoin d’une règle de prise de décision pour exécuter des simulations et évaluer la performance de l’entreprise.
00:11:51 Utilisation de simulations pour déterminer la meilleure décision pour une entreprise.
00:13:03 La dualité entre prévision probabiliste et modèle génératif.
00:15:17 Le défi de la mise en œuvre de 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 d’apprentissage automatique capables de prendre des décisions basées sur des politiques.
00:18:26 Explication de la façon dont les humains utilisent également des politiques pour prendre des décisions.
00:19:37 Importance des simulations informatiques pour la gestion de la chaîne d’approvisionnement et leur rôle irremplaçable.
00:22:17 Explication des quatre classes fondamentales de méthodes de prise de décision.
00:24:00 Critique des méthodes de prévision actuelles utilisées par les grandes marques de mode et de la nécessité de prendre en compte la cannibalisation et la substitution.
00:26:01 Discussion sur l’impact des remises et des soldes sur le comportement des consommateurs et sur la façon dont cela affecte les entreprises.
00:27:08 Comparaison entre l’utilisation de modèles mathématiques et l’intuition pour prendre des décisions commerciales.
00:29:44 Explication de l’importance de la confiance dans les prévisions basées sur des politiques.
00:30:32 Explication de la nécessité de personnes compétentes pour comprendre le problème et examiner les bonnes mesures.
33:37 Réflexions finales sur l’avenir de la gestion de la chaîne d’approvisionnement et la nécessité d’outils et d’ingénieurs en chaîne d’approvisionnement.

Résumé

L’entretien 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 les incertitudes de la gestion de la chaîne d’approvisionnement et de la prise de décision. Les experts partagent leur expérience dans le domaine et offrent des perspectives sur la façon de relever ces défis grâce à la modélisation mathématique et aux simulations. Ils soulignent l’importance des politiques et des simulations pour prendre des décisions stratégiques, tactiques et opérationnelles en gestion de la chaîne d’approvisionnement, tout en mettant en évidence les limites des méthodes de prévision traditionnelles. L’entretien se conclut par une discussion sur l’avenir des méthodes basées sur les politiques en gestion de la chaîne d’approvisionnement et la nécessité d’ingénieurs qualifiés en chaîne d’approvisionnement.

Résumé étendu

Dans l’entretien, 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 les incertitudes liées à la gestion de la chaîne d’approvisionnement et à la prise de décision.

Warren Powell partage son expérience dans le domaine, ayant créé Castle Labs, une collaboration unique entre l’université et l’industrie qui s’attaque à des problèmes réels. Il explique comment ses premiers travaux dans le transport routier l’ont confronté aux défis de la planification en tenant compte de facteurs incertains.

Joannes Vermorel développe la question centrale de la prise de décision séquentielle dans les chaînes d’approvisionnement, où les décisions présentes 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 la modélisation mathématique de ces problèmes peut être complexe et déconcertante.

Warren Powell explique que mesurer l’efficacité de la prise de décision dans les chaînes d’approvisionnement implique d’utiliser des indicateurs de performance clés (KPI) pour évaluer l’impact des décisions sur les coûts et la productivité. Il suggère que les simulations peuvent aider à naviguer dans la nature chaotique et imprévisible de la gestion de la chaîne d’approvisionnement, car les modèles déterministes peuvent ne pas fournir de solutions précises.

L’entretien explore les défis de la gestion des incertitudes et de la prise de décisions efficaces dans les chaînes d’approvisionnement, où chaque décision est interconnectée avec les décisions futures. Les experts discutent de leur expérience dans le domaine et offrent des perspectives sur la façon de relever ces défis grâce à la modélisation mathématique et aux simulations.

La conversation a commencé par une comparaison de l’optimisation de la chaîne d’approvisionnement à une partie d’échecs contre un joueur imprévisible, suggérant que l’utilisation de simulations peut aider à prendre de meilleures décisions. Powell a expliqué que les politiques ou les règles de prise de décision peuvent être utilisées en conjonction avec les simulations pour évaluer rapidement les performances de l’entreprise en utilisant diverses mesures.

Vermorel a convenu, en soulignant l’importance des prévisions probabilistes et des modèles génératifs, qui peuvent tous deux être utilisés pour l’optimisation de la chaîne d’approvisionnement. Il a discuté de la dualité entre ces deux approches et a souligné que le choix entre elles dépend du problème spécifique abordé.

Vermorel et Powell ont tous deux convenu de l’importance d’utiliser des politiques en conjonction avec des simulations pour optimiser les décisions de la chaîne d’approvisionnement. Les politiques sont des règles abstraites qui peuvent avoir des paramètres qui peuvent être appris et appliqués. Vermorel a souligné la difficulté d’appliquer ces concepts dans des situations réelles, car il y a eu des décennies de recherche avec des succès limités en termes de réalisations numériques.

Vermorel a également souligné que les récentes avancées en matière d’apprentissage profond et de méthodes d’optimisation, telles que la descente de gradient stochastique, ont amélioré l’applicabilité de la prise de décision basée 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 chaîne d’approvisionnement du 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 de prévision, qui pourrait être utile dans le contexte des longues chaînes d’approvisionnement.

Powell souligne la nécessité de simulations pour prendre des décisions stratégiques, tactiques et opérationnelles dans la gestion de la chaîne d’approvisionnement. En raison des délais prolongés et de la nature complexe des chaînes d’approvisionnement, l’essai et l’erreur ne sont pas une méthode réalisable pour tester des idées. Les simulations, bien qu’imparfaites, offrent une meilleure alternative. Il souligne l’importance de comprendre les décisions prises, les métriques d’évaluation, les sources d’incertitude et le processus de prise de décision.

Vermorel, cependant, joue les avocats du diable en soulevant des préoccupations concernant la crédibilité des méthodes numériques. Il convient que les simulations sont plus efficaces que des réunions sans fin, mais il souligne 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’intuition est généralement plus précise lorsqu’il s’agit de modèles naïfs.

Vermorel soutient en outre que les gestionnaires devraient adopter une approche plus compréhensive de la modélisation en tenant compte des heuristiques et en embrassant le problème. Pendant ce temps, Powell reconnaît que la modélisation subtile est essentielle pour réussir, car les modèles simplistes peuvent négliger des facteurs importants, entraînant potentiellement des erreurs significatives.

Vermorel et Powell conviennent tous deux que si les simulations informatiques et les modèles avancés sont cruciaux pour l’optimisation de la chaîne d’approvisionnement, 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 chaîne d’approvisionnement du monde réel.

La discussion porte sur les limites des prévisions ponctuelles et les avantages des méthodes de prévision basées sur des politiques.

Les participants soutiennent que les méthodes de prévision traditionnelles, qui reposent fortement sur l’intuition et ne tiennent pas compte de la multitude de variables, conduisent souvent à une surstockage ou à une sous-estimation des stocks. Les prévisions ponctuelles ont tendance à produire des stocks très minces, ce qui n’est pas optimal, comme ils l’ont appris. Au lieu de cela, ils suggèrent qu’être réaliste, intelligent et poser les bonnes questions conduira à de meilleures prises 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 marchandises, les prévisions probabilistes sont utilisées pour simuler différents scénarios, qui sont ensuite évalués en fonction des indicateurs de performance clés (KPI) pour déterminer s’ils semblent raisonnables. Ce processus contribue à instaurer la confiance dans la méthode.

Vermorel et Powell soulignent tous deux l’importance de disposer d’ingénieurs de la chaîne d’approvisionnement qui possèdent une connaissance approfondie du problème et des compétences en programmation. Ils conviennent que la meilleure approche consiste à utiliser une multitude de mesures pour identifier les domaines où les décisions peuvent être incorrectes, coûteuses ou inefficaces. Il est important de se concentrer sur les valeurs aberrantes, car elles peuvent souvent avoir des conséquences importantes.

Ils abordent les limites du coût moyen et des prévisions ponctuelles, en soulignant la nécessité d’ingénieurs de la chaîne d’approvisionnement plutôt que de scientifiques des données ou d’ingénieurs logiciels. Ils estiment que les méthodes basées sur des politiques, qui tiennent compte de l’incertitude et du risque, orienteront l’avenir de la gestion de la chaîne d’approvisionnement, avec l’aide de capacités informatiques de plus en plus avancées.

L’interview se termine par une discussion sur l’avenir des méthodes basées sur des politiques dans la gestion de la chaîne d’approvisionnement. Powell estime que les prévisions ponctuelles deviendront obsolètes, car elles ne représentent pas fidèlement le monde réel. Les progrès 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 évidence les limites des méthodes de prévision traditionnelles et souligne les avantages des prévisions basées sur des politiques, tout en insistant sur l’importance de disposer d’ingénieurs qualifiés de la chaîne d’approvisionnement et d’utiliser une variété de mesures 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 elles peuvent être utilisées pour optimiser ces décisions impossibles. Donc Warren, merci beaucoup de nous rejoindre en direct des États-Unis aujourd’hui, et comme toujours, nous aimons commencer par en apprendre un peu plus sur nos invités. Alors peut-être pourriez-vous commencer par nous parler un peu de vous.

Warren Powell: Eh bien, tout d’abord, merci de m’avoir invité dans l’émission. J’ai vraiment apprécié ce que je fais et je suis reconnaissant de l’opportunité d’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 commencé dans le transport de marchandises. Maintenant, les universitaires reçoivent beaucoup d’argent des gouvernements et autres, mais notre principale source de financement provenait de l’industrie. J’ai également réalisé que l’un des points faibles du financement gouvernemental était qu’ils n’ont pas de données; ils n’ont pas réellement de problème. J’ai donc développé cette collaboration unique entre l’université et l’industrie grâce à Castle Labs, en travaillant avec l’industrie et en abordant leurs problèmes. Il y avait cet intérêt précoce pour l’utilisation des ordinateurs pour aider à gérer les entreprises de manière plus efficace, donc le laboratoire a très bien fonctionné, il a rapidement grandi et j’ai eu la chance d’avoir un grand nombre d’étudiants. Je pense avoir diplômé environ 60 étudiants et post-doctorants, et je les considère comme la principale source, je pense, de nos quelque 250 publications. C’est principalement le travail des étudiants. J’ai créé trois sociétés de conseil, la plus récente étant Optimal Dynamics, avec laquelle je suis toujours impliqué. En fait, j’ai pris ma retraite l’année dernière pour m’impliquer davantage à plein temps dans Optimal Dynamics. C’est une opportunité très excitante.

Kieran Chandler: Ça a l’air génial, et aujourd’hui, notre sujet concerne l’optimisation de ces décisions prises au sein d’une chaîne d’approvisionnement. Peut-être pourriez-vous commencer par nous dire quelles sont les sortes d’incertitudes que l’on peut observer dans la gestion de la chaîne d’approvisionnement ?

Warren Powell: Eh bien, je dois donner un peu plus de contexte, mes tout premiers projets étaient dans le transport de marchandises par camion, et l’introduction est venue d’une grande entreprise appelée Schneider National. Ils avaient déjà des modèles informatiques qui planifiaient de manière déterministe dans le futur, et ils ont dit : “Regardez, le transport de marchandises par camion 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 universitaire n’avait pas appris comment modéliser réellement ces problèmes et les résoudre sur ordinateur. Donc cela m’a lancé dans plusieurs décennies de réflexion sur la manière dont nous devons même aborder ce problème, car la communauté universitaire ne l’avait pas vraiment résolu.

Au fur et à mesure que je suis passé du transport de marchandises par camion, qui est grand et compliqué, à la gestion de la chaîne d’approvisionnement, j’ai constaté que cette dernière n’est pas aussi compliquée que la chaîne d’approvisionnement. Donc, avec les transporteurs de marchandises par camion, la principale question est de savoir si l’expéditeur va demander un chargement ou non, combien de chargements dois-je déplacer, et il y a quelques autres sources de bruit comme savoir si le chauffeur se présente et s’il est pris dans les embouteillages. Ce n’est pas du tout à la même échelle que les chaînes d’approvisionnement. Donc, dans les chaînes d’approvisionnement, vous vous y plongez et dans le transport de marchandises par camion, vous pouvez prendre des décisions une semaine à l’avance environ.

Kieran Chandler: À l’avenir, la plupart des décisions sont prises trois ou quatre jours à l’avance. Les chaînes d’approvisionnement peuvent s’étendre sur 100 jours, voire 150 jours. Commander des produits en Chine peut prendre plusieurs mois. Pendant ces mois, il peut y avoir des événements majeurs, des tempêtes, des problèmes politiques, des problèmes de main-d’œuvre et des pénuries de matières premières. Beaucoup de cela nous arrive aujourd’hui. Le fournisseur rencontre beaucoup d’incertitudes quant au temps qu’il faut au fabricant en Chine pour construire réellement le produit que vous demandez. Il peut devoir mettre en marche une ligne de production et préparer ses pièces et ses fournitures. Ensuite, vous le mettez sur le navire cargo, et le navire cargo peut prendre 30 jours, mais cela peut prendre 35 ou 36 jours en fonction des tempêtes et des conditions météorologiques. Il peut y avoir des retards dans les ports. Lorsque le produit arrive réellement du navire, il doit être déchargé. Vous devez le mettre sur un train ou un camion. Ensuite, lorsque le produit arrive enfin, vous devez l’examiner et vous demander si la qualité est bonne. Je veux dire, c’est juste une litanie de différentes formes d’incertitude.

Kieran Chandler: Oui, et Joannes, c’est ce dont nous allons discuter un peu plus en détail aujourd’hui. Ce que Warren a mentionné, c’est la grande variation des délais. Pourquoi est-ce intéressant ? Que signifient ces différences de délais d’un point de vue plus technique ?

Joannes Vermorel: Je pense que le travail de Warren est très intéressant, mais peut-être pour un aspect légèrement différent, qui est le processus de prise de décision séquentielle. Les incertitudes sont un peu techniques, mais le cœur du problème est de commencer à réfléchir même à ces décisions séquentielles que vous prenez les unes après les autres. Le truc, c’est que le futur façonne le passé, ce qui semble un peu étrange. La décision que vous voulez optimiser en ce moment dépend en réalité de la décision que vous prendrez plus tard. Que la décision que vous prenez en ce moment soit bonne ou non, cela dépend beaucoup de la décision qui sera prise ultérieurement.

Joannes Vermorel: Pour clarifier ce genre de situation, disons que vous commandez à un fournisseur étranger avec une quantité minimale de commande (MOQ), et vous commandez des tonnes de produits à ce fournisseur, et vous devez atteindre un conteneur complet. Maintenant, le problème, c’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, le problème, c’est que si vous manquez d’un produit quelques jours seulement après avoir commandé votre conteneur, vous risquez de manquer de stock pour ce produit. Pouvez-vous 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 êtes coincé. Vous êtes coincé avec le fait que vous avez commandé un conteneur complet et que vous devez attendre d’avoir une capacité de commande pratique, compatible avec la commande d’un conteneur complet à nouveau.

Kieran Chandler: Et donc, la décision que vous êtes sur le point de prendre, est-ce la bonne ? Cela dépend du moment où vous prendrez votre prochaine décision. La réalité dans la supply chain et dans de nombreux domaines d’interaction est que, lorsque vous commencez à réfléchir à ce que signifie vraiment prendre une bonne décision, cela doit être une décision qui s’accorde bien avec une décision qui sera prise ultérieurement. Tout comme si vous jouez aux échecs, il ne s’agit pas de savoir si j’ai fait le bon coup maintenant. Il n’a de sens de dire que c’est un bon coup qu’en fonction de tous les autres coups qui vont être joués. C’est ce que cela signifie. Et ensuite, la question est, soudainement, le problème devient très difficile à aborder même mathématiquement, car vous pensez : “D’accord, j’ai une décision à prendre, et vous pouvez penser que j’ai différentes quantités que je peux choisir.” Mais ensuite, vous avez une sorte de perspective récursive où vous devez penser à toutes les décisions futures qui n’ont pas été prises, et vous vous demandez : “Je veux optimiser cette décision que je n’ai pas encore prise, ma décision, et pourtant je dois prendre en compte les décisions futures qui ne sont même pas encore prises non plus.” Vous voyez, vous avez ce problème de l’œuf et de la poule, et mathématiquement, c’est difficile et déroutant. Je pense que le travail de Warren Powell consistait en partie à consolider un corpus de cadre mathématique et d’approches afin que vous puissiez commencer à penser numériquement à ces problèmes de manière cohérente. J’aime vraiment cette analogie avec les échecs et le fait que cela dépende beaucoup de ce que l’autre personne fait peut-être et de ce qui se passe par ailleurs dans le monde.

Warren Powell: Eh bien, toutes les entreprises ont des moyens de mesurer leur performance. Elles les appellent les KPI, les indicateurs clés de performance. Elles ont tous leurs indicateurs de coût, de productivité. Les entreprises en ont des dizaines et des dizaines, et parfois des centaines. Vous utilisez ces mêmes indicateurs. Ce que nous avons tendance à faire, c’est de faire des simulations. Ce serait bien si nous vivions dans un monde déterministe. Imaginez Google Maps, où nous prétendons connaître tous les temps de trajet, donc nous voyons tout le chemin jusqu’à la destination. Les supply chains sont trop désordonnées. Cela va trop loin, et il y a trop de choses aléatoires qui vont se produire, donc ce n’est pas un seul chemin ; c’est plusieurs. Donc, plutôt que de regarder vers l’avenir et de penser que vous allez savoir exactement ce qui va se passer, l’analogie avec les échecs est bonne. Mais si vous jouez contre un joueur d’échecs expert, il tend à être très prévisible. Imaginez qu’il joue contre un joueur d’échecs moins expert. C’est un peu plus aléatoire car il se comporte de manière imprévisible. Le problème devient en réalité beaucoup plus compliqué. Mais pour simplifier, imaginez que l’ordinateur puisse simplement exécuter des simulations. Au fur et à mesure que nous avançons dans le futur, j’ai besoin d’une règle, ou j’aime l’appeler une politique, une méthode pour prendre une décision qui me dira quelle décision je vais prendre quoi qu’il arrive. Donc, je peux exécuter ces simulations, et à chaque fois que j’arrive à un point, disons un mois plus tard, et que je dois prendre une décision, j’ai une règle. Les ordinateurs peuvent effectuer ces simulations très rapidement. Nous pouvons exécuter 100 scénarios différents dans le futur en parallèle.

Kieran Chandler: Commençons par la façon dont une entreprise peut utiliser des métriques pour évaluer sa performance. Lorsqu’il s’agit de prendre des décisions, comme passer une commande et déterminer sa taille, 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 examiner les métriques et déterminer la meilleure décision pour le moment 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 des stocks, une politique de commande jusqu’à un certain niveau peut très bien fonctionner. Cependant, pour des problèmes plus complexes, comme décider quand passer une commande pour un chargement en provenance de Chine qui arrivera dans 90 jours, la décision doit prendre en compte des facteurs tels que les commandes précédentes, des événements connus comme les ouragans et d’autres facteurs inconnus. Nous pouvons simuler ces scénarios et évaluer les choix en fonction des meilleures métriques pour l’avenir. Fondamentalement, il s’agit de simuler et de gérer votre entreprise de la manière habituelle et de l’évaluer en conséquence.

Kieran Chandler: Johannes, qu’en pensez-vous de cette approche politique ? La simulation fonctionne-t-elle réellement selon vous ?

Joannes Vermorel: Oui, je suis tout à fait d’accord que la simulation fonctionne. En ce qui concerne les prévisions, l’approche moderne consiste à penser aux prévisions probabilistes. Il y a une dualité entre les prévisions probabilistes et les modèles génératifs. Les prévisions probabilistes vous donnent des probabilités de certains futurs, qui peuvent être échantillonnées pour obtenir des exemples de futurs possibles. Les modèles génératifs, en revanche, génèrent des futurs qui, lorsqu’ils sont moyennés, vous donnent les probabilités de votre modèle global. Fondamentalement, ces modèles sont deux façons différentes de regarder la même chose. Le choix entre eux relève davantage de considérations 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 est de 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 avoir de nombreux paramètres qui peuvent être optimisés.

Kieran Chandler: Joannes, pourriez-vous expliquer comment les politiques peuvent être ajustées et leur rôle dans l’optimisation de la supply chain ?

Joannes Vermorel: Une politique est fondamentalement une règle abstraite avec des 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 le fait de considérer la simulation comme une prévision probabiliste aide-t-il à évaluer l’exactitude d’une politique ?

Joannes Vermorel: Il est intéressant de considérer la simulation comme une prévision probabiliste car cela vous permet de prendre en compte l’exactitude. Lorsque les gens disent qu’ils font de la simulation, la grande question est de savoir si la simulation donne une représentation précise de l’avenir. Pour répondre à cette question, vous devez adopter la perspective de la prévision probabiliste, afin de pouvoir évaluer si votre simulateur donne une représentation précise des futurs possibles pour votre entreprise.

Kieran Chandler: Pouvez-vous expliquer les défis liés au déploiement de ces politiques sur le terrain et les progrès réalisés en informatique pour surmonter ces défis ?

Joannes Vermorel: Le problème devient très pratique 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 étaient souvent couronnées de succès uniquement dans des configurations simplifiées, mais rencontraient des difficultés avec des problèmes impliquant des milliers ou des millions de variables.

L’un des effets secondaires de la percée dans le deep learning a été le développement de meilleures méthodes d’optimisation mathématique, 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, mais les progrès en informatique les rendent très applicables à l’optimisation des politiques dans des contextes réels et complexes. Cela inclut des situations où les simulations impliquent des milliers, voire des centaines de milliers, d’unités de gestion des stocks (SKU) et s’étendent sur des centaines de jours à l’avance.

Kieran Chandler: Nous avons une demi-douzaine d’incertitudes entrelacées : l’incertitude de la demande, le délai d’approvisionnement, le prix des matières premières, la cannibalisation, les mouvements des concurrents. Elles ne sont pas très complexes, mais elles sont toutes entrelacées. Vous devez donc être capable d’embrasser ce type de complexité ambiante afin que votre simulateur ne soit pas trop naïf par rapport aux futurs possibles. Warren, seriez-vous d’accord avec cela ? Je veux dire, comment construiriez-vous ces algorithmes d’apprentissage automatique pour prendre ces décisions basées sur des politiques ?

Warren Powell: Eh bien, tout d’abord, rappelons-nous que les humains utilisent également 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 pas vraiment nouveau. Ce que j’ai fait, c’est dire qu’il existe quatre classes fondamentales de méthodes. La politique de commande est l’une des quatre classes ; on l’appelle évaluation de la fonction de politique.

Prenons Google Maps comme exemple ; c’est une politique de prévision. Dans la planification des stocks, les gens ont tendance à utiliser cette simple évaluation de la fonction de politique : lorsque la commande passe en dessous de quelque chose, commander jusqu’à quelque chose. Lorsque vous avez ces longues chaînes d’approvisionnement, vous devez vraiment penser à l’avenir. C’est une prévision directe, nous avons donc maintenant couvert deux des quatre classes.

Ces quatre classes ne font que décrire ce que nous faisons déjà. Maintenant, pour savoir quelle est la meilleure classe, vous devez simuler et voir comment cela fonctionne dans le temps. Dans une entreprise de transport routier, je pourrais avoir une idée, la tester pendant quelques semaines et voir si ça marche. Vous ne pouvez pas faire ça avec les chaînes d’approvisionnement ; cela prend peut-être près d’un an pour voir si quelque chose va fonctionner. Les délais sont tout simplement trop longs, et c’est pourquoi les simulations informatiques sont presque irremplaçables.

Sans ordinateur, vous n’êtes qu’un groupe de personnes autour d’une table qui se disputent et disent : “Oh, je pense que c’est mieux”, et quelqu’un d’autre pense que c’est mieux. C’est ce que vous voyez dans le monde de la chaîne d’approvisionnement aujourd’hui - beaucoup de gens qui jacassent et qui parlent les uns aux autres, 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’ai pris la bonne décision maintenant.

Sans simulations, que pouvez-vous faire d’autre ? Je pourrais essayer une idée, attendre trois mois, essayer une autre idée, attendre encore trois mois, mais bien sûr, les trois prochains mois n’ont rien à voir avec les trois premiers mois. Je ne vois aucun moyen d’éviter d’avoir un ordinateur pour dire : “Voici une méthode de prise de décision, voici soit une manière très différente, soit une manière légèrement différente, une autre manière de prendre des décisions. Laquelle semble fonctionner ?” Vous lancez vos simulations. Les simulations ne sont jamais parfaites, mais qu’est-ce qui est mieux ? Donnez-moi un exemple de quelque chose de mieux.

Le processus est en réalité très simple à comprendre. L’une des choses les plus difficiles que je trouve dans les chaînes d’approvisionnement est de demander à un professionnel de la chaîne d’approvisionnement quelles décisions il prend. Je ne peux pas croire combien de personnes vous regarderont avec des yeux vides et diront : “Eh bien, je n’y ai jamais vraiment pensé de cette façon.” Il y a plus dans la chaîne d’approvisionnement que simplement commander des stocks ; il y a beaucoup d’autres décisions impliquées.

Kieran Chandler : Alors, quels sont vos indicateurs ? Ce n’est pas seulement un ; il y en a plusieurs. Et quelles sont vos sources d’incertitude ? Nous pouvons en discuter longuement, mais vous ne pourrez pas toutes les énumérer. Désolé, ces grandes chaînes d’approvisionnement dont vous parlez impliquent des incertitudes mondiales. Qui aurait pu anticiper que le navire se serait coincé dans le canal de Suez ou la pandémie de COVID ? Mais il y a beaucoup de choses bruyantes que vous pouvez anticiper, et nous devons être conscients que ces choses se produisent. Donc, une fois que vous avez les décisions que vous prenez, comment vous êtes évalué et les incertitudes, vous en arrivez maintenant à la manière de prendre la décision. Et devinez quoi, il existe quatre classes de politiques, allant de la commande la plus simple à la plus compliquée avec une vision à long terme. Vous pouvez anticiper de manière déterministe, comme Google Maps, ou vous pouvez anticiper avec incertitude.

Warren Powell : Quand je parle aux gens dans le monde des affaires et qu’ils utilisent le mot “prévision”, j’ai cette impression qu’à chaque fois que j’entends le mot “prévision”, ils veulent dire prévision ponctuelle. Ce que j’ai aimé dans cette émission, c’est que je n’ai pas à avoir cette argumentation avec vous les gars ; vous comprenez parfaitement la nécessité de penser de manière stochastique. Vous devez penser à l’incertitude de votre prévision, ce qui signifie que vous devez réfléchir 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 ne voulez pas utiliser un ordinateur, dites-moi ce que vous allez faire. Si vous avez une meilleure idée, je ne peux pas la comprendre.

Kieran Chandler : Johannes, à quel point pouvons-nous avoir confiance dans ces approches basées sur des politiques ? À quel point ces modélisations mathématiques sont-elles solides ?

Joannes Vermorel : Tout d’abord, je suis d’accord pour dire que le contrepoint d’avoir des réunions S&OP sans fin n’est pas très productif. 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 près de 40 ans, nous avons des méthodes qui peuvent être mathématiquement très sophistiquées mais contextuellement incroyablement naïves. Donc, le problème est que nous devons commencer à réfléchir à la crédibilité que nous pouvons accorder à ces projections futures. La réalité est qu’il existe de nombreuses méthodes populaires encore largement utilisées dans les grandes chaînes d’approvisionnement qui sont complètement inutiles. Je comprends la position d’un manager qui regarde une simulation informatique sophistiquée mais qui passe complètement à côté du sujet et qui repose sur des conjectures. Pour vous donner un exemple plus concret, je dirais que probablement presque toutes les grandes marques de mode font des prévisions de nos jours, la plupart d’entre elles faisant des prévisions ponctuelles. Donc, vous prenez vos produits et essayez d’avoir des prédictions de la demande hebdomadaire. Cependant, j’estimerais qu’environ 0% de ces marques de mode tiennent réellement compte de la cannibalisation et de la substitution.

Kieran Chandler : Bienvenue à tous pour notre entretien aujourd’hui. Nous avons deux invités avec nous, Joannes Vermorel, fondateur de Lokad, une entreprise de logiciels spécialisée dans l’optimisation de la chaîne d’approvisionnement, et Warren Powell, professeur à l’université de Princeton, co-fondateur et directeur analytique en chef d’Optimal Dynamics. Merci à vous deux de nous rejoindre. Plongeons dans la discussion.

Joannes Vermorel : Quand il s’agit de choisir un produit à acheter, vous avez souvent juste une impression et vous en choisissez un qui correspond à votre goût ou à votre instinct. Vous pouvez voir qu’il y a d’énormes effets de substitution et de cannibalisation en jeu. Par exemple, quand je rentre dans un magasin de mode et que je vois 20 chemises blanches différentes, elles ont toutes l’air un peu pareilles pour moi. Je finis par en préférer une par rapport à l’autre, mais ce n’est pas comme si j’avais une idée absolue du code-barres que je voulais prendre quand je suis entré dans le magasin.

Si vous avez un modèle de prévision qui ignore quelque chose d’aussi massif que la substitution, à quel point pouvez-vous avoir confiance dans le modèle mathématique ? Je pense qu’il y a eu beaucoup de scepticisme justifié parce que les managers regardent ces méthodes sophistiquées et demandent : “Traitez-vous quelque chose d’aussi basique que la substitution ?” Si la réponse est non, comment pouvez-vous faire confiance au modèle ?

Vous devez également prendre en compte l’impact des remises. Si nous commençons à accorder de grandes remises à la fin de la saison, les gens s’habitueront au fait que notre marque accorde beaucoup de remises, et ils attendront la saison des soldes de la prochaine collection pour bénéficier des remises. Les gens sont intelligents et ils s’adaptent.

Donc, lorsque l’on compare un modèle naïf à un sentiment intuitif, le sentiment intuitif est généralement plus correct. Il vaut mieux être approximativement correct que complètement faux. Avec les soins appropriés et la compréhension, il est possible d’améliorer le modèle, mais cela nécessite une sympathie mécanique et une acceptation du problème pour être approximativement correct.

Warren Powell : Je suis d’accord avec ton exemple, Joannes. Il y a deux problèmes ici : le hasard de choisir une chemise, que les modèles mathématiques peuvent très bien gérer, et la modélisation plus subtile des remises et de la réaction du marché à celles-ci. Un modèle naïf pourrait facilement négliger ce dernier aspect et suggérer de baisser les prix, en ignorant le fait que si vous baissez votre prix, le marché s’y habitue. C’est une erreur significative.

Les gens ont un sentiment intuitif, et des modèles plus sophistiqués devraient être capables de gérer ces subtilités. Mais un modèle simple ne le pourra pas. J’ai passé des années en laboratoire à construire des modèles financés par des entreprises, et nous avons constaté ce genre d’erreurs lorsque les modèles négligent des aspects cruciaux du problème.

Kieran Chandler : Pourriez-vous expliquer comment vous gagnez en confiance dans vos modèles, notamment lorsque vous travaillez dans le transport de marchandises ?

Warren Powell : Il nous a fallu six ou huit ans pour obtenir un modèle auquel Norfolk Southern a dit qu’il faisait confiance. Cela a été beaucoup de travail. Vous ne pouvez pas ignorer la subtilité du fait que le marché s’habitue à quelque chose, c’est une erreur si facile à commettre. Vous devez calibrer les modèles, avoir de bonnes statistiques et des personnes compétentes qui poseront les bonnes questions. Cependant, sortir constamment des choses de nulle part sera difficile. Je pense qu’il y a trop de variables à prendre en compte pour un être humain, donc une façon de les couvrir est de commander plus de stocks et de les cacher, ce qui est coûteux. Si vous utilisez des prévisions ponctuelles, vous avez tendance à opter pour des stocks très faibles. Nous apprenons que ce n’est pas non plus la bonne chose à faire.

Kieran Chandler : Warren, revenons à l’idée de la confiance. Lorsque vous élaborez ces prévisions basées sur des politiques, comment parvenez-vous à faire visualiser et adhérer à cette vision ? Parce que l’un des véritables problèmes que nous avons rencontrés chez Lokad était de faire visualiser ce que nous faisions avec des prévisions probabilistes.

Warren Powell : Dans le transport de marchandises, nous faisons des prévisions probabilistes de ce que les expéditeurs peuvent faire. Nous effectuons des simulations et examinons ce que font réellement les camions pour voir si cela semble raisonnable. Nous rassemblons des indicateurs de combien de fois nous couvrons les charges ou ramenons les conducteurs chez eux, et nous examinons les KPI standard que toute entreprise utiliserait. Vous pouvez faire votre prévision probabiliste, exécuter mille simulations, rassembler vos KPI, puis vous demander si cela semble raisonnable. Vous devez faire une certaine quantité d’essais et d’erreurs, et des personnes intelligentes qui comprennent le problème doivent être impliquées. Elles doivent examiner les KPI et les bons indicateurs pour déterminer si cela se comporte correctement.

Kieran Chandler : Johannes, comment compareriez-vous votre parcours à celui de Warren ? Il semble que vous ayez eu des expériences assez similaires.

Joannes Vermorel : Oui, exactement. Chez Lokad, les personnes qui ont des compétences en programmation et une connaissance approfondie du problème de la supply chain sont appelées des supply chain scientists. Il est vrai que cela ne peut pas être abordé d’une perspective monolithique basée sur une seule métrique, car cela est généralement très trompeur. Lorsque vous faites cela, vous vous retrouvez avec quelque chose qui ressemble beaucoup à Kaggle, mais pas de la bonne manière, où vous optimisez microscopiquement une seule métrique, mais vous la faussez complètement.

Kieran Chandler : Au-delà de son point d’irrélevance, l’approche consiste généralement à avoir de nombreuses métriques qui vous aident à instrumenter votre configuration afin que vous puissiez identifier les domaines où vous faites quelque chose de très mal. Joannes, pourriez-vous développer sur ce point ?

Joannes Vermorel : Chez Lokad, nous appelons cela l’optimisation expérimentale. L’idée est d’identifier la situation où votre modèle numérique qui génère votre politique va générer des décisions très mauvaises. C’est généralement le point d’entrée pour diagnostiquer ce qui ne va pas. La façon d’identifier ces décisions aberrantes qui manquent quelque chose, comme manquer un éléphant, est d’examiner le problème sous différents angles. Ces décisions incorrectes peuvent être très coûteuses, mais elles sont également peu fréquentes. Si vous ne regardez que vos moyennes, vous pourriez ne pas les remarquer car vous regardez des métriques probabilistes, qui impliquent généralement des moyennes sur de nombreuses situations. Le problème avec les moyennes, c’est qu’elles peuvent cacher quelque chose qui n’arrive qu’une fois sur mille mais multiplie votre coût par un facteur de 10. C’est pourquoi nous essayons de l’instrumenter.

La clé est d’avoir des personnes qui sont d’abord et avant tout des ingénieurs de la supply chain, plutôt que des data scientists ou des ingénieurs logiciels. Cela m’amène à la conclusion que vous avez besoin d’un certain type d’outillage pour travailler avec un niveau de productivité décent, mais c’est un problème complètement différent.

Kieran Chandler : Merci, Joannes. Warren, nous vous laissons le dernier mot. Quels sont vos espoirs pour l’avenir ? Pensez-vous que tout le monde utilisera un jour ces méthodes basées sur des politiques ?

Warren Powell : Tout d’abord, parce que tout le monde utilise déjà des méthodes basées sur des politiques aujourd’hui, je pense que c’est la voie à suivre. Les prévisions ponctuelles de Google Maps, désolé, mais cela ne va tout simplement pas survivre. Vous devez comprendre que c’était le début de ma carrière en 1981.

Kieran Chandler : Bienvenue chez Schneider National à l’époque, notre plus grand transporteur de camions complets aux États-Unis et un pionnier précoce de l’analyse. En 1981, ils avaient déjà des modèles informatiques en cours d’exécution, mais ils ont avancé avec des prévisions ponctuelles. Ce sont eux qui sont venus me voir et m’ont dit : “Warren, le monde est stochastique. Nous passons donc maintenant au monde de la gestion de la supply chain. Les prévisions ponctuelles ne fonctionnent tout simplement pas. Je veux dire, peut-être que quelqu’un dans son esprit pense que c’est le monde réel, mais ce n’est pas le cas.” Cette notion d’approche basée sur des politiques décrit comment les gens prennent des décisions.

Warren Powell : Vous pouvez avoir des politiques simples comme “commander jusqu’à” ou vous pouvez avoir des politiques de prévision. Maintenant, lorsque les gens disent “prévoir”, ils ont tendance à penser de manière déterministe. C’est là que les choses doivent être nouvelles. Vous devez penser à “prévoir” avec incertitude, mais les ordinateurs sont maintenant là. Dans les années 1980, les ordinateurs étaient une honte. Maintenant, nous sommes sur le cloud et nous exécutons 50 scénarios en parallèle, et au lieu de moyennes, nous évaluons à quelle fréquence un événement indésirable s’est produit pour évaluer le risque.

Toutes les autres questions soulevées par Joannes sont toujours valables. Vous devez toujours modéliser le problème de manière appropriée, mais à un moment donné, vous allez avoir ce croisement où ce que l’ordinateur fait est toujours beaucoup mieux que ce que n’importe quel humain pourrait faire. Je pense que c’est extrêmement excitant que le moment soit venu. Nous le faisons déjà dans l’industrie du transport routier. J’ai écrit des simulateurs de supply chain, mais principalement juste en tant que simulateurs. Je pense que déplacer le simulateur sur le terrain, cela dit : “D’accord, maintenant je vais réfléchir à ce qui pourrait se passer dans le futur pour m’aider à prendre une décision maintenant”, se rapproche.

Kieran Chandler : D’accord, génial. Je vais devoir conclure ici, mais messieurs, merci à tous les deux pour votre temps. C’est tout pour cette semaine. Merci beaucoup de nous avoir suivi et à bientôt.