00:00:07 Discussion sur la gestion des SKU pour les Supply Chain Planners.
00:01:09 Dépendance de la gestion des SKU aux secteurs d’activité.
00:02:14 Gestion des SKU dans la distribution et impact sur les planificateurs de demande.
00:04:00 Facteurs influençant la gestion des SKU et règles classiques suivies.
00:07:01 Comparaison de l’approche classique avec la méthode de gestion des SKU de Loca.
00:08:01 Discussion sur la différence entre la planification de la demande traditionnelle et la science de la supply chain.
00:09:37 L’importance de prendre des décisions intelligentes de réapprovisionnement des stocks.
00:11:00 La capacité pour une seule personne de gérer des millions de SKU grâce aux recettes numériques.
00:12:19 Comment les recettes numériques aident à constituer un actif pour les entreprises.
00:14:00 La nécessité d’automatiser les tâches répétitives de cols blancs et les limites de l’automatisation.
00:16:02 Les limites des Supply Chain Scientists et la gestion de la complexité.
00:17:42 Les rendements décroissants en termes de productivité et de coordination entre scientifiques.
00:19:33 Comparaison de l’efficacité et de la rapidité d’un seul scientifique par rapport à une équipe.
00:21:09 L’amélioration continue et l’approche capitalistique des Supply Chain Scientists.
00:22:45 Les obstacles à la mise en œuvre d’approches capitalistiques dans la gestion de la supply chain.
Résumé
Dans une interview récente, Joannes Vermorel, fondateur de Lokad, a abordé les défis auxquels sont confrontés les Supply Chain Planners modernes, en particulier dans la gestion des stock-keeping units (SKU). Vermorel a expliqué que le nombre de SKU gérés varie généralement de quelques centaines à quelques milliers, selon le secteur d’activité. Traditionnellement, les planificateurs de demande utilisent des tableurs comportant des dizaines de colonnes pour prendre des décisions concernant les stocks, mais Lokad emploie des supply chain scientists qui développent des recettes numériques pour prendre ces décisions. L’objectif est de créer une solution avec « zéro pour cent de folie », garantissant ainsi que les décisions soient raisonnables. Vermorel soutient que traiter chaque problème comme un bogue à corriger favorise un état d’esprit de croissance constante et d’amélioration, conduisant à une performance globale supérieure.
Résumé Étendu
Lors de l’interview, Kieran Chandler, l’animateur, discute avec Joannes Vermorel, le fondateur de Lokad, des défis auxquels sont confrontés les Supply Chain Planners modernes, notamment dans la gestion des stock-keeping units (SKU). Vermorel explique que le nombre de SKU qu’un planificateur gère varie généralement de quelques centaines à quelques milliers, selon le secteur d’activité. La distribution est une exception, car les planificateurs peuvent gérer de nombreux SKU au niveau du entrepôt, mais au niveau du magasin, ils gèrent généralement des modèles min-max plutôt que des SKU individuels.
Le nombre de SKU qu’un planificateur gère est souvent déterminé par le temps nécessaire pour parcourir l’ensemble de la liste des références. Les planificateurs travaillent généralement avec des tableurs, ajustant les quantités et les valeurs min-max, et classant les SKU en catégories telles que les meilleures ventes et les produits à faible rotation.
Vermorel souligne que la relation entre le volume de SKU et l’erraticité est inversement proportionnelle. Les grandes entreprises de FMCG (biens de grande consommation) avec de grands volumes présentent une erraticité plus faible, tandis que les industries à faible volume et à forte erraticité, comme les pièces automobiles, peuvent avoir des prévisions plus difficiles, bien que la valeur économique ne soit pas aussi significative. Le nombre de SKU qu’un Supply Chain Planner gère dépend du secteur d’activité et de la nature des produits. Le processus implique généralement la gestion de quelques centaines à quelques milliers de SKU et l’utilisation de tableurs pour surveiller et ajuster les niveaux de stocks, en tenant compte de facteurs tels que le volume, l’erraticité et la valeur économique.
Ils comparent l’approche de Lokad avec la méthode classique de gestion de la supply chain.
Traditionnellement, les planificateurs de demande utilisent des tableurs comportant des dizaines de colonnes pour prendre des décisions concernant les stocks, en se concentrant davantage sur les articles à haute priorité (A) et moins sur ceux à faible priorité (B et C). Cette approche implique des dépenses opérationnelles (OPEX) importantes avec peu de capitalisation. La seule capitalisation provient de la conception du tableur, qui devient utile pour les mois suivants.
Lokad, quant à elle, emploie des supply chain scientists qui développent des recettes numériques pour prendre des décisions concernant les stocks. Leur premier objectif est de créer une solution avec « zéro pour cent de folie », garantissant que les décisions soient raisonnables. Par exemple, une mauvaise décision pourrait consister à approvisionner un magasin de mode uniquement avec des sacs à main marron et noirs parce qu’ils se vendent le mieux, tout en négligeant d’autres couleurs nécessaires pour le merchandising.
En établissant des recettes numériques qui capturent l’expertise, l’approche de Lokad permet à un seul supply chain scientist de gérer un nombre considérable de SKU et d’énormes quantités de stocks. Cette approche représente un changement radical par rapport à la méthode classique, qui nécessiterait des dizaines voire des centaines de planificateurs de demande pour gérer la même charge de travail. L’accent de Lokad est mis sur la construction d’un actif (CAPEX) plutôt que sur la simple consommation de ressources (OPEX).
L’approche de Lokad remet en question la nécessité de revoir les tableurs chaque jour, puisque les décisions sont basées sur les données disponibles. Au lieu de cela, elle implémente le processus de réflexion des planificateurs de demande à travers des recettes numériques, impliquant éventuellement des techniques spécifiques de machine learning.
Vermorel explique l’importance d’utiliser des techniques de machine learning pour les entreprises qui emploient encore des cols blancs afin d’exécuter des tâches répétitives, car cela pourrait améliorer l’efficacité. Cependant, il reconnaît que certains emplois, comme le nettoyage des entrepôts, restent difficiles à automatiser en raison des limites de la technologie actuelle.
Vermorel souligne que de nombreuses décisions supply chain, telles que les quantités de commande et les niveaux de prix, peuvent être entièrement automatisées grâce aux recettes numériques. Il précise que cela ne signifie pas une automatisation sans supervision humaine, mais plutôt le déploiement d’intuitions humaines à grande échelle, en laissant les ordinateurs gérer le travail numérique routinier. Les limitations, dit-il, résident dans la complexité de la supply chain elle-même et dans la nécessité d’approximations pour garantir que la recette numérique reste gérable d’un point de vue logiciel.
L’équilibre entre le nombre de lignes de code et la charge de travail d’un seul supply chain scientist est également abordé. Vermorel suggère que diviser la supply chain en parties plus petites, gérées par plusieurs scientists, peut aider à améliorer le raffinement des recettes numériques. Cependant, cela peut entraîner des rendements décroissants en termes de productivité, les scientists supplémentaires contribuant moins à la production globale.
L’interview aborde le paradoxe de la productivité, avec une seule personne responsable de la gestion d’un nombre considérable de SKU, et la nécessité de disposer de plus de personnel pour gérer de grandes supply chains. Vermorel conclut en soulignant l’importance d’atténuer les risques liés aux « truck factors » en disposant de personnel de réserve capable de reprendre en cas de départ d’un collaborateur.
La discussion se concentre sur la manière de rendre la prise de décision supply chain plus efficace, efficiente et capitalistique en tirant parti de la technologie et de l’amélioration continue.
Vermorel soutient que les approches traditionnelles de planification de demande, qui reposent sur la prise de décision humaine et les tableurs, sont limitées dans leur capacité à favoriser l’amélioration continue. Après la mise en place initiale d’un système de planification de demande, les améliorations stagnent généralement, et l’équipe se retrouve coincée dans un cycle de simple maintenance du système. Cela les empêche de disposer du temps et des ressources nécessaires pour se concentrer sur l’amélioration continue.
D’un autre côté, l’approche de Lokad vise à automatiser 100 % des décisions supply chain, permettant ainsi aux supply chain scientists de consacrer entièrement leurs efforts à l’amélioration continue. Bien que la mise en place de ce type de système puisse prendre plus de temps qu’un système traditionnel de planification de la demande, cela aboutit finalement à une supply chain plus efficiente et performante.
Vermorel insiste sur le fait que traiter chaque problème comme un bogue à corriger encourage un état d’esprit de croissance constante et d’amélioration. Cette approche capitalistique de la gestion de la supply chain garantit que les supply chain scientists construisent continuellement sur leurs améliorations, conduisant à une performance globale supérieure.
Cependant, il existe des défis à la mise en œuvre de ces approches capitalistiques. Pendant des décennies, la technologie et les logiciels nécessaires à de tels systèmes n’existaient pas. De plus, de nombreuses entreprises ne considéraient pas la gestion de la supply chain comme une fonction essentielle, la traitant comme une simple fonction de support ou un centre de coûts. En conséquence, il y avait peu d’incitation à investir dans de nouvelles technologies ou pratiques pour rendre la gestion de la supply chain plus capitalistique.
Pour surmonter ces obstacles, Vermorel suggère que les entreprises doivent changer d’état d’esprit, en reconnaissant la valeur de la gestion de la supply chain en tant qu’actif, plutôt que comme un simple centre de coûts. Cela, combiné à la disponibilité de nouvelles technologies et logiciels, peut permettre une approche plus capitalistique et efficace de la prise de décisions supply chain.
Transcription Intégrale
Kieran Chandler: Eh bien, avec des entreprises modernes proposant des catalogues de plus en plus vastes et une technologie facilitant la gestion des stocks, un Supply Chain Planner moderne doit jongler avec de nombreuses responsabilités. Nous allons nous demander combien de SKU un Supply Chain Planner devrait gérer et combien est trop. Alors Joannes, il semble que les Supply Chain Planners ont beaucoup à gérer ces jours-ci. Combien de SKU un Supply Chain Planner gère-t-il généralement ?
Joannes Vermorel: D’après mes observations, cela dépend du secteur, mais la plupart des entreprises gèrent généralement quelques centaines à quelques milliers de SKU. Bien qu’il existe des situations où des entreprises gèrent des dizaines de milliers de SKU, c’est plutôt l’exception. La plage typique que j’ai observée se situe autour de 500 à 1 000 SKU dans de nombreux secteurs.
Kieran Chandler: Dans quelle mesure cela dépend-il du secteur ? J’imagine que dans le luxe, on ne gère pas beaucoup de SKU, mais dans un hypermarché, on en gère beaucoup plus.
Joannes Vermorel: Oui, la distribution est sans doute l’exception où les planificateurs de demande traitent un plus grand nombre de SKU. Cependant, même dans les réseaux de distribution, les planificateurs gèrent généralement seulement quelques centaines de SKU au niveau de l’entrepôt. Au niveau du magasin, ils utilisent habituellement des modèles min-max qu’ils répliquent à travers un grand nombre de magasins aux caractéristiques similaires. De cette façon, ils ne gèrent pas directement les SKU dans le magasin, mais plutôt un méta-SKU ou un modèle. Si vous multipliez le nombre de magasins gérés par le nombre de produits, vous obtenez un nombre important de SKU, mais ce n’est pas ainsi que le travail est généralement effectué. Ainsi, les responsables gèrent habituellement au maximum quelques milliers de SKU par personne.
Kieran Chandler: Quels sont les facteurs qui déterminent le nombre de SKU qu’une personne gère ? Existe-t-il des règles classiques que les gens suivent ?
Joannes Vermorel: L’approche classique utilisée par la plupart des planificateurs de demande et supply planners consiste à parcourir un long tableur, avec un SKU par ligne et diverses colonnes instrumentées fournissant des indicators. Ces indicateurs peuvent inclure la quantité vendue au cours des deux dernières semaines, de l’année dernière, ou durant la même période l’année précédente pour tenir compte de la seasonality. Les planificateurs passent ligne par ligne, ajustant les quantités et les niveaux min-max en fonction des données de ces colonnes.
Kieran Chandler: Avec un tableur, eh bien, on repart du début et on itère. Potentiellement, vous segmentez vos SKU en classes comme ABC, etc., afin de consacrer plus de temps aux meilleures ventes et moins aux articles à faible rotation. C’est à peu près ça, et on constate que le nombre de SKU est en grande partie défini par le temps nécessaire au planificateur de demande pour effectuer un cycle à travers la liste des références qu’il gère. Dans cet exemple, j’imagine que cela dépend d’une grande variabilité des produits. Donc, si vous êtes dans une entreprise comme Coca-Cola où il n’y a qu’un seul produit, est-ce que cela signifie que nous n’avons qu’un seul planificateur de demande ?
Joannes Vermorel: Non, je veux dire que Coca-Cola propose des centaines de produits. Et si l’on examine ce qui doit être planifié du point de vue de Coca-Cola, d’abord, ils doivent quasiment planifier chaque canal car leurs canaux sont gigantesques. En général, les planificateurs sont organisés par zones géographiques ou par canaux, de sorte que vous vous retrouvez avec un planificateur par canal. Ils ont quelques centaines de SKU, et donc on revient à ce chiffre d’environ quelques centaines de SKU par planificateur. Par ailleurs, dans les très grandes entreprises FMCG, il faut souvent faire un peu de VMI, vendor-managed inventory. Là encore, vous retombez sur quelques centaines de SKU par planificateur.
Kieran Chandler: Et qu’en est-il de la difficulté de prévision si vous êtes dans un secteur où il y a beaucoup de new products, comme dans la mode ? Cela signifie-t-il que vous serez en mesure de gérer moins de SKU par personne ?
Joannes Vermorel: C’est une chose intéressante, et encore, je décris ici ce que je considère désormais comme mainstream, pas la manière dont Lokad opère. Mais le fait est que, lorsque vous optez pour une erraticité très élevée, il s’agit typiquement de produits avec un volume très faible. Vous voyez qu’il existe une corrélation inverse entre l’erraticité et le volume. Si vous êtes une grande FMCG, vous avez de gros volumes et une erraticité moindre. Mais vous pourriez penser : “Oh, si j’ai moins d’erraticité, peut-être que la prévision est plus facile.” Oui, mais de plus, ce que vous prévoyez est, d’un point de vue économique, très important car nous parlons d’une très grande masse. À l’autre extrémité du spectre, si nous parlons d’une prévision super erratique, disons des pièces automobiles dans la longue traîne, alors oui, c’est incroyablement erratique, mais de plus le volume est très faible et la valeur n’est pas si importante. Ainsi, même si, techniquement, la prévision est plus difficile et l’erraticité bien plus élevée, la réalité économique est que le poids économique de cet article dans votre supply chain est faible, et donc cela n’a pas vraiment d’importance s’il est plus difficile ou non. Il n’est pas très raisonnable de passer plus de temps sur ces articles.
Kieran Chandler: D’accord, et alors comparons peut-être la manière dont Lokad le fait avec l’approche plus classique. En quoi cela diffère-t-il de ce qu’un Supply Chain Scientist gérerait par rapport à ce que vous pouvez gérer de manière classique ?
Joannes Vermorel: Donc, la perspective classique – et c’est pourquoi nous nous retrouvons avec ce nombre de SKU par planificateur de la demande – consiste littéralement à consolider des informations.
Kieran Chandler: Donc, on utilise des feuilles de calcul avec des dizaines de colonnes qui expliquent ce qu’ils devraient voir, puis on prend des décisions en parcourant la feuille de calcul. Ils commencent par les éléments les plus importants et passent moins de temps sur les moins importants. À quelle fréquence revisitent-ils ces éléments ?
Joannes Vermorel: Eh bien, ils peuvent revisiter tous les éléments importants quotidiennement, tandis que les moins importants ne sont revisités qu’une fois par mois. Le temps consacré par le planificateur est une dépense opérationnelle. Le travail que vous consommez, le temps de votre planificateur de la demande, juste pour effectuer la planification de la demande, n’est rien de capitalisé. La seule capitalisation provient d’une feuille de calcul bien conçue avec toutes les colonnes pertinentes. Cette partie du travail, disposer d’une feuille de calcul bien instrumentée, est capitalistique dans le sens où vous le faites une fois, puis votre travail est accéléré pour tous les mois suivants. Cependant, cette phase ne dure que quelques semaines au début, et ensuite c’est terminé. Vous ne capitalisez pas au-delà de ce point.
Kieran Chandler: Pouvez-vous nous parler de l’approche de Lokad et comment elle diffère des méthodes traditionnelles ?
Joannes Vermorel: L’approche de Lokad est très différente. Un Supply Chain Scientist va fondamentalement élaborer une recette numérique dans laquelle vous voulez que toutes vos décisions, dès le départ, soient non-stupides. Vous voulez atteindre zéro pour cent de folie. C’est le premier jalon que nous visons lorsque nous passons en production.
Kieran Chandler: Pouvez-vous donner un exemple de ce qu’une décision stupide pourrait être ?
Joannes Vermorel: Une décision stupide serait, disons, que vous gérez une boutique de mode qui vend des sacs à main. Vous ne proposez en boutique que des sacs à main bruns et noirs parce que ces couleurs se vendent le mieux. En conséquence, la vitrine a l’air triste et manque de variété. Vous aimeriez ajouter des touches d’autres couleurs, comme le blanc ou le jaune, à des fins de merchandising. Une décision intelligente de réapprovisionnement de stocks doit prendre en compte des facteurs allant au-delà des aspects liés aux ventes et au service.
Kieran Chandler: Donc, vous dites que les recettes numériques devraient capturer ces intuitions et refléter l’expertise que posséderait quelqu’un effectuant le travail manuellement, plutôt que de s’en tenir à des formules naïves de stocks de sécurité ?
Joannes Vermorel: Exactement. D’abord, vous voulez établir une recette numérique qui capture ces intuitions. Une fois que vous avez cela, vous vous rendez compte que vous pouvez opérer à quasiment toute échelle. Chez Lokad, nous avons des Supply Chain Scientists qui gèrent individuellement plus d’un milliard d’euros de stocks.
Kieran Chandler: Un seul Supply Chain Scientist gère quelque chose comme quatre millions de SKU individuellement. Vous voyez donc qu’il y a soudainement une rupture complète entre le nombre de SKU et le nombre de personnes – un niveau qui, géré classiquement, représenterait des dizaines, voire des centaines de planificateurs. Et d’ailleurs, nous avons constaté un changement de comportement massif chez nos clients lorsque nous avons déployé ce type de techniques, car soudainement…
Joannes Vermorel: Cela ne signifie pas, d’ailleurs, que tous ces planificateurs ont été licenciés. Il y a une multitude d’autres domaines où l’on peut apporter plus de valeur ajoutée. Mais la question est la suivante : si vous faites partie d’une entreprise et que ce que vous faites se résume à parcourir une feuille de calcul chaque jour, comment cela crée-t-il une valeur réelle pour l’entreprise ? Est-ce vraiment que l’entreprise investit dans votre travail, que le travail que vous produisez génère du capital pour l’entreprise – quelque chose qui est un actif – ou est-ce simplement quelque chose qui se consomme ? C’est capex contre opex. Et l’approche de Lokad consiste fondamentalement à se concentrer sur : capex, capex, capex. Nous voulons disposer d’un actif.
Kieran Chandler: Alors, comment cette recette numérique construit-elle cet actif ? Comment cela fonctionne-t-il ?
Joannes Vermorel: L’idée est la suivante : pourquoi devriez-vous revisiter votre feuille de calcul chaque jour ? Si vous prenez une décision, c’est en vous basant sur les données dont vous disposez. Ainsi, en tant que planificateur de la demande, quand vous avez des centaines de produits, vous ne connaissez pas chaque produit par cœur, vous ne connaissez pas tous les détails. Non, enfin, cela peut arriver dans certains domaines très spécifiques, mais c’est rare. Habituellement, vous concevez correctement vos dizaines de colonnes qui expliquent ce sur quoi vous devez vous concentrer, puis vous prenez une décision numérique fondée sur cela. Eh bien, l’approche de Lokad est de dire : implémentons ce que vous avez dans la tête. Et oui, cela nécessite peut-être quelques bribes de machine learning très spécifiques pour y parvenir. Oui, il se peut qu’il y ait des relations difficiles à exprimer avec de simples formules numériques classiques, parce que peut-être effectuez-vous, dans votre tête, une évaluation du risque.
Ainsi, la manière dont Lokad, par exemple, aborde numériquement l’évaluation du risque est de recourir à des prévisions probabilistes avec des facteurs économiques. Mais vous voyez, il y a toute une série de problèmes, et l’idée est que, chaque fois que vous obtenez un chiffre généré par votre recette numérique qui semble tout simplement erroné, vous devez le considérer comme un bug et le corriger. Il ne doit y avoir aucune exception, aucune alerte.
Kieran Chandler: Donc, vous avez mentionné ces bribes de techniques de machine learning. Toutes les entreprises devraient-elles chercher à exploiter ce type de technologies dans leurs approches ?
Joannes Vermorel: Je dirais que toute entreprise qui emploie encore aujourd’hui des cols blancs pour effectuer des tâches extrêmement répétitives commet tout simplement une erreur, point final. Vous voyez, il n’y a aucune exception. Il existe des domaines où, en termes de tâches physiques, certaines opérations restent très, très difficiles à automatiser. Par exemple, les robots ont parfois tendance à être rigides, et le fait d’avoir quelqu’un dédié pour faire quelque chose, par exemple…
Kieran Chandler: Des opérations aussi simples que des nettoyages – lorsqu’il y a, disons, une fuite d’huile dans votre entrepôt et que vous devez simplement nettoyer – sont en réalité extrêmement difficiles à automatiser. Faire en sorte qu’un robot puisse effectuer un peu de nettoyage, prendre une éponge, et s’en charger est très, très difficile. Ainsi, il y a certains emplois qui semblent simples, comme prendre un seau d’eau, une éponge, du détergent, et nettoyer. Ce sont des tâches extrêmement difficiles à automatiser et qui dépassent un peu les capacités de nos robots les plus sophistiqués à l’heure actuelle.
Joannes Vermorel: Dans ce cas, nous avons des personnes pour effectuer ce travail, mais l’automatisation dépasse simplement nos capacités techniques. Lorsqu’il s’agit de décisions supply chain – telles que des décisions numériques comme ce que je dois commander, combien d’unités commander pour chaque SKU que je gère, si je dois augmenter ou baisser mon niveau de prix, ou si je dois effectuer des transferts de stocks de l’emplacement A vers l’emplacement B – toutes ces questions peuvent être entièrement automatisées. Je ne dis pas qu’il s’agit d’une automatisation sans supervision humaine ; ce n’est pas ce que je décris. J’expose une recette numérique élaborée par un humain, dans laquelle les gens comprennent ce qui se passe. Il s’agit simplement de déployer à grande échelle des intuitions très humaines, en laissant l’ordinateur effectuer pour vous le travail numérique banal.
Kieran Chandler: Alors, où résident les limitations ? Vous avez mentionné que les Supply Chain Scientists géreront des milliards de dollars de stocks. Quel est donc le facteur limitant ?
Joannes Vermorel: Le facteur limitant devient la complexité de la supply chain elle-même, où, à un certain moment, votre recette numérique ne sera qu’une approximation de votre supply chain. Vous voulez être approximativement correct et non exactement faux. Les Supply Chain Scientists ne peuvent pas modéliser exactement la réalité ; il faut toujours faire des choix pour que votre recette numérique reste gérable d’un point de vue logiciel. Vous avez des lignes de code ; si vous êtes une personne, vous devez maintenir 20 000 lignes de code, ce qui est gérable. Si vous êtes une personne et que vous devez maintenir un demi-million de lignes de code, cela devient ingérable. Il y a donc un équilibre dans le nombre de lignes de code impliquées.
Ainsi, si vous n’avez qu’une seule personne à un moment donné, il devient intéressant d’introduire – surtout si vous opérez avec des supply chains très grandes – des moyens de répartir votre supply chain entre plusieurs Supply Chain Scientists afin qu’individuellement ils puissent consacrer plus de temps à certains problèmes. Par exemple, si vous avez une supply chain et que vous avez des décisions de tarification et des décisions d’achat, à un moment donné, ces deux aspects vont être fortement imbriqués, mais à un moment donné, il
Kieran Chandler: Alors, Joannes, vous avez mentionné que le fait d’avoir deux personnes responsables de la tarification et des achats pourrait être bénéfique, mais qu’il y a des rendements décroissants en termes de productivité. Pourriez-vous expliquer cela un peu plus en détail ?
Joannes Vermorel: Oui, il est logique d’avoir deux personnes simplement pour obtenir un degré supérieur de précision dans vos recettes numériques pour la tarification et les achats. Néanmoins, ces deux personnes vont beaucoup discuter et coordonner leurs actions, ce qui signifie que les gains en productivité seront décroissants. Vous voyez, c’est qu’à un certain point, pour obtenir ce un pour cent supplémentaire de performance, il est tout à fait raisonnable d’ajouter des personnes, même si cela signifie qu’en termes de productivité, l’ajout d’un deuxième Supply Chain Scientist n’améliore la productivité que marginalement. Si cela était complètement linéaire, on dirait que la production augmenterait de 100 % avec l’ajout d’un deuxième Supply Chain Scientist. En réalité, vous n’obtiendrez qu’environ 50 %, puis vous ajoutez un troisième, qui n’apportera qu’environ 30 %. La progression chute donc très rapidement en termes de débit. Vous bénéficiez de fortes économies d’échelle. Néanmoins, si vous opérez avec une supply chain très grande, cela vaut la peine, ne serait-ce que pour pallier les situations où, si quelqu’un part, il y a immédiatement une personne prête à prendre le relais.
Kieran Chandler: C’est intéressant que vous mentionniez le terme productivité, car cela ressemble à un paradoxe. Vous avez cette unique personne responsable de bien plus de SKU. Comment peut-elle être plus efficace et plus rapide dans ses décisions qu’une équipe chargée d’un périmètre plus restreint ?
Joannes Vermorel: Parce que, pour l’équipe de personnes responsables d’un périmètre limité, il n’y a rien de vraiment capitalistique dans ce qu’elles font. Vous savez, la seule partie capitalistique est la mise en place d’une feuille de calcul propre et bien conçue, de votre environnement de travail, qui se réalise, vous savez, pendant les premières semaines. Et ensuite, vous ne capitalisez plus. Vous vous retrouvez alors coincé dans une impasse où, soudainement, tous vos efforts sont complètement absorbés, sans injecter davantage d’intelligence dans le système. Vous vous contentez de répéter un processus qui consomme tout votre temps, et il ne vous reste plus rien pour des améliorations continues. Et vous voyez, l’approche de Lokad est de dire que 100 % de l’effort du Supply Chain Scientist doit être dédié à l’amélioration continue. Ainsi, la mise en place prend un peu plus de temps que dans la perspective classique de la planification de la demande. Vous pourriez probablement configurer une feuille de calcul en deux semaines, et puis c’est terminé. Une configuration selon la perspective de Lokad prendra vraisemblablement quelques semaines de plus. Mais, en contrepartie, vous obtenez un système où 100 % des décisions à prendre chaque jour sont automatiquement exécutées, ce qui vous laisse presque tout votre temps pour vous concentrer sur l’amélioration continue.
Kieran Chandler: Je vois. Et traiter chaque problème comme un bug à corriger doit être chronophage.
Joannes Vermorel: Oui, et vous voyez, le fait de traiter chaque problème comme un bug à corriger signifie que vous vous mettez dans une situation où, en arrivant au bureau chaque jour, vous passez essentiellement quelques minutes à vous assurer qu’il n’y a rien, par exemple, de critique à éteindre.
Kieran Chandler: Juste parce qu’une situation totalement inattendue survient, comme l’inondation d’un entrepôt, il n’y a rien que vous puissiez faire. Ce genre de choses se produit dans la supply chain et ensuite vous pouvez passer toute votre journée à améliorer votre recette numérique. Et cela vous donne une approche incroyablement capitalistique. Si vous pensez que, parce que chaque semaine les Supply Chain Scientists vont ajouter une couche d’amélioration, c’est exactement le genre de choses qui se produisait, d’un point de vue classique, avec le planificateur de la demande pendant les deux premières semaines, mais ensuite ça s’arrête. Et avec la perspective fusée, ce travail super capitalistique ne s’arrête jamais. Et c’est pourquoi, quelques mois plus tard, vous vous retrouvez avec une situation où il n’y a qu’une seule personne, mais qui est bien plus productive que l’approche classique. Et c’est également, en termes de supply chain performance, bien meilleur. Simplement parce qu’encore une fois, vous vous êtes appuyé sur vos améliorations d’une manière hautement capitalistique. D’accord, nous allons donc commencer à conclure. Alors, où résident les plus grands obstacles à l’introduction de ce genre d’approches capitalistiques ? Quels sont les grands défis que vous devez relever ?
Joannes Vermorel: Je veux dire, le plus grand défi est que pendant des décennies, nous n’avons pas eu ce type de recettes logicielles, ni de technologies logicielles permettant de rendre ce genre de choses possible. Ainsi, nous avions ces tableurs, et ensuite, par exemple, chez Lokad, jusqu’à ce que nous mettions au point l’approche probabiliste, nous avions beaucoup de mal à exprimer numériquement ce qui se passait dans la tête d’un planificateur de la demande qui effectuait une sorte d’évaluation des risques. Les gens pouvaient décrire ce qu’ils faisaient, mais comment traduire cela en formules ? C’était une question ouverte. Et il existe des formules, il existe des approches comme safety suck qui tentent simplement de le faire, mais cela ne fonctionnait tout simplement pas. Nous avions besoin d’une meilleure catégorie de recettes numériques. C’était donc une catégorie d’obstacles. Une autre catégorie d’obstacles était que de nombreuses entreprises ne considéraient pas la supply chain comme une fonction d’une quelconque importance. Ainsi, la supply chain n’était qu’une fonction de support. Le fait que ce ne soit pas une fonction centrale ne posait pas de problème. C’était une fonction de support. Cela coûte de l’argent, comme la plupart des fonctions de support. On ne s’attend pas à ce que votre fonction de support crée de la valeur pour l’entreprise. Donc, c’est simplement un centre de coûts. Et tant que ce centre de coûts maintient ses propres dépenses sous contrôle, tant pis. Vous voyez, c’était double. Premièrement, le fait qu’il n’existait pas de véritables moyens technologiques pour rendre cela capitalistique. Et puis, la deuxième chose était que, si les gens ne réalisent pas qu’il s’agit d’un atout, alors ils n’adoptent pas l’état d’esprit nécessaire pour réellement changer la pratique afin qu’elle devienne capitalistique. Parce que, voyez-vous, pour que la pratique de la supply chain devienne capitalistique, elle doit commencer par un acte de foi, si vous voulez qu’elle puisse devenir un atout. Tant que vous pensez qu’il s’agit simplement d’une fonction de support, d’un simple centre de coûts, alors devinez quoi ? Elle ne dépassera jamais le statut de centre de coûts.
Kieran Chandler: Oui, c’est un concept intéressant, cette idée de changer les choses pour les rendre plus capitalistiques. Donc, nous allons devoir conclure ici, mais merci beaucoup de nous avoir suivis et nous vous retrouverons dans le prochain épisode. Merci d’avoir regardé.
