00:00:07 Discussion sur la gestion des références pour les planificateurs de la Supply Chain.
00:01:09 Dépendance de la gestion des références en fonction des secteurs d’activité.
00:02:14 Gestion des références dans le commerce de détail et impact sur les planificateurs de la demande.
00:04:00 Facteurs influençant la gestion des références et règles classiques suivies.
00:07:01 Comparaison de l’approche classique avec la manière dont Loca gère la gestion des références.
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 d’une personne à gérer des millions de références en utilisant des recettes numériques.
00:12:19 Comment les recettes numériques aident à créer un atout pour les entreprises.
00:14:00 La nécessité d’automatiser les tâches répétitives des cols blancs et les limites de l’automatisation.
00:16:02 Limitations des scientifiques de la Supply Chain et gestion de la complexité.
00:17:42 Rendements décroissants en termes de productivité et de coordination entre les scientifiques.
00:19:33 Comparaison de l’efficacité et de la rapidité d’un seul scientifique par rapport à une équipe.
00:21:09 Amélioration continue et approche capitaliste des scientifiques de la Supply Chain.
00:22:45 Barrières à la mise en œuvre d’approches capitalistes dans la gestion de la Supply Chain.
Résumé
Lors d’une récente interview, Joannes Vermorel, fondateur de Lokad, a abordé les défis auxquels sont confrontés les planificateurs de la Supply Chain modernes, en particulier en ce qui concerne la gestion des unités de gestion des stocks (SKUs). Vermorel a expliqué que le nombre de SKUs gérés varie généralement de quelques centaines à quelques milliers, en fonction du secteur d’activité. Traditionnellement, les planificateurs de la demande utilisent des feuilles de calcul avec des dizaines de colonnes pour prendre des décisions en matière de stocks, mais Lokad emploie des scientifiques de la Supply Chain qui développent des recettes numériques pour prendre des décisions en matière de stocks. L’objectif est de créer une solution avec un “taux de folie de zéro pour cent”, en veillant à ce que les décisions soient sensées. Vermorel soutient que considérer chaque problème comme un bug à corriger encourage une mentalité de croissance et d’amélioration constantes, ce qui conduit à de meilleures performances globales.
Résumé étendu
Dans cette interview, Kieran Chandler, l’animateur, discute avec Joannes Vermorel, le fondateur de Lokad, des défis auxquels sont confrontés les planificateurs de la chaîne d’approvisionnement moderne, en particulier dans la gestion des unités de gestion des stocks (UGS). Vermorel explique que le nombre d’UGS qu’un planificateur gère varie généralement de quelques centaines à quelques milliers, selon le secteur d’activité. La vente au détail est une exception, car les planificateurs peuvent traiter de nombreuses UGS au niveau de l’entrepôt, mais au niveau du magasin, ils gèrent généralement des modèles de stocks min-max au lieu d’UGS individuelles.
Le nombre d’UGS qu’un planificateur gère est souvent déterminé par le temps nécessaire pour effectuer un cycle à travers la liste des références. Les planificateurs travaillent généralement avec des feuilles de calcul, ajustant les quantités et les valeurs min-max, et classant les UGS en catégories telles que les meilleures ventes et les produits à rotation lente.
Vermorel souligne que la relation entre le volume des UGS et l’erraticité est inversement corrélée. Les grandes entreprises de biens de consommation courante avec des volumes élevés ont une erraticité plus faible, tandis que les industries à faible volume et à forte erraticité, telles que les pièces automobiles, peuvent avoir une prévision plus difficile, mais la valeur économique n’est pas aussi importante. Le nombre d’UGS qu’un planificateur de la chaîne d’approvisionnement gère dépend du secteur d’activité et de la nature des produits. Le processus implique généralement la gestion de quelques centaines à quelques milliers d’UGS et l’utilisation de feuilles de calcul pour surveiller et ajuster les niveaux de stock, en tenant compte de facteurs tels que le volume, l’erraticité et la valeur économique.
Ils comparent l’approche de Lokad à la méthode classique de la gestion de la chaîne d’approvisionnement.
Traditionnellement, les planificateurs de la demande utilisent des feuilles de calcul avec des dizaines de colonnes pour prendre des décisions en matière de stocks, en se concentrant davantage sur les articles de haute priorité (A) et moins sur les articles de basse priorité (B et C). Cette approche implique des dépenses opérationnelles importantes avec peu de capitalisation. La seule capitalisation provient de la conception de la feuille de calcul, qui devient utile pour les mois suivants.
Lokad, en revanche, emploie des scientifiques de la chaîne d’approvisionnement qui développent des recettes numériques pour prendre des décisions en matière de stocks. Leur premier objectif est de créer une solution avec un “pourcentage d’insanité de zéro”, en veillant à ce que les décisions soient sensées. Par exemple, une mauvaise décision pourrait consister à ne stocker qu’un magasin de mode avec des sacs à main marron et noir car ils se vendent le plus, tout en négligeant les autres couleurs nécessaires à des fins de merchandising.
En établissant des recettes numériques qui capturent l’expertise, l’approche de Lokad permet à un seul scientifique de la chaîne d’approvisionnement de gérer un grand nombre d’UGS et une quantité importante de stocks. Cette approche représente un changement significatif par rapport à la méthode classique, qui nécessiterait des dizaines, voire des centaines de planificateurs de la demande pour gérer la même charge de travail. L’accent de Lokad est mis sur la création 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 feuilles de calcul chaque jour, car les décisions sont basées sur les données disponibles. Au lieu de cela, elle met en œuvre le processus de réflexion des planificateurs de la demande grâce à des recettes numériques, impliquant éventuellement des techniques spécifiques d’apprentissage automatique.
Vermorel explique l’importance de l’utilisation des techniques d’apprentissage automatique pour les entreprises qui emploient encore des travailleurs de bureau pour effectuer des tâches répétitives, car cela pourrait conduire à une amélioration de 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 de la chaîne d’approvisionnement, telles que les quantités de commande et les points de prix, peuvent être entièrement automatisées grâce à des recettes numériques. Il précise que cela ne signifie pas une automatisation sans supervision humaine, mais plutôt le déploiement des connaissances humaines à grande échelle et laisser les ordinateurs gérer le travail numérique fastidieux. Les limites, dit-il, résident dans la complexité de la chaîne d’approvisionnement elle-même et 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 scientifique de la chaîne d’approvisionnement est également discuté. Vermorel suggère que la division de la chaîne d’approvisionnement en parties plus petites gérées par plusieurs scientifiques peut aider à améliorer le raffinement des recettes numériques. Cependant, cela peut entraîner des rendements décroissants en termes de productivité, car les scientifiques supplémentaires contribuent moins à la production globale.
L’interview aborde le paradoxe de la productivité, avec une personne responsable de la gestion d’un grand nombre de SKUs, et la nécessité de plus de personnes pour gérer de grandes chaînes d’approvisionnement. Vermorel conclut en soulignant l’importance de réduire les “facteurs camion” en ayant du personnel de secours qui peut prendre le relais en cas de départ d’une personne de l’entreprise.
La discussion porte sur la façon dont la prise de décision en matière de chaîne d’approvisionnement peut être rendue plus efficace, plus efficiente et plus capitaliste en tirant parti de la technologie et de l’amélioration continue.
Vermorel soutient que les approches traditionnelles de planification de la demande, qui reposent sur la prise de décision humaine et les feuilles de calcul, sont limitées dans leur capacité à favoriser l’amélioration continue. Après la configuration initiale d’un système de planification de la demande, les améliorations stagnent généralement et l’équipe reste bloquée dans un cycle de simple maintenance du système. Cela les empêche d’avoir le temps et les ressources nécessaires pour se concentrer sur l’amélioration continue.
En revanche, l’approche de Lokad vise à automatiser 100% des décisions de la chaîne d’approvisionnement, permettant aux scientifiques de la chaîne d’approvisionnement de consacrer leurs efforts entièrement à l’amélioration continue. Bien que la mise en place de ce type de système puisse prendre plus de temps qu’un système de planification de la demande traditionnel, cela aboutit finalement à une chaîne d’approvisionnement plus efficace et plus performante.
Vermorel souligne que considérer chaque problème comme un bogue à corriger encourage une mentalité de croissance et d’amélioration constantes. Cette approche capitaliste de la gestion de la chaîne d’approvisionnement garantit que les scientifiques de la chaîne d’approvisionnement construisent en permanence sur leurs améliorations, ce qui conduit à de meilleures performances globales.
Cependant, il y a des défis à la mise en œuvre de ces approches capitalistes. 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 chaîne d’approvisionnement comme une fonction essentielle, la considérant comme une simple fonction de soutien ou un centre de coûts. Par conséquent, il y avait peu d’incitation à investir dans de nouvelles technologies ou pratiques pour rendre la gestion de la chaîne d’approvisionnement plus capitaliste.
Pour surmonter ces obstacles, Vermorel suggère que les entreprises doivent changer leur état d’esprit, reconnaissant la valeur de la gestion de la chaîne d’approvisionnement comme un atout, plutôt que simplement comme un centre de coûts. Cela, combiné à la disponibilité de nouvelles technologies et de logiciels, peut permettre une approche plus capitaliste et efficace de la prise de décision en matière de chaîne d’approvisionnement.
Transcription complète
Kieran Chandler: Hé, avec les entreprises modernes proposant des catalogues de plus en plus grands et la technologie facilitant la gestion des stocks, un planificateur de chaîne d’approvisionnement moderne doit jongler avec de nombreuses tâches. Nous allons demander combien de SKUs un planificateur de chaîne d’approvisionnement devrait gérer et combien est trop. Alors Joannes, il semble que les planificateurs de chaîne d’approvisionnement aient beaucoup à faire ces jours-ci. Combien de SKUs un planificateur de chaîne d’approvisionnement a-t-il tendance à gérer?
Joannes Vermorel: D’après ce que j’ai observé, cela dépend de l’industrie, mais la plupart des entreprises gèrent généralement quelques centaines à quelques milliers de SKUs. Bien qu’il y ait des situations où les entreprises gèrent des dizaines de milliers de SKUs, c’est plus une exception. La plage typique que j’ai observée est d’environ 500 à 1 000 SKUs dans de nombreuses industries.
Kieran Chandler: Dans quelle mesure cela dépend-il de l’industrie? J’imagine que dans la vente au détail de luxe, vous ne gérez pas beaucoup de SKUs, mais dans un hypermarché, vous en gérez beaucoup plus.
Joannes Vermorel: Oui, la vente au détail est probablement l’exception où les planificateurs de la demande traitent un plus grand nombre de SKUs. Cependant, même dans les réseaux de vente au détail, les planificateurs de la demande gèrent généralement seulement quelques centaines de SKUs au niveau de l’entrepôt. Au niveau du magasin, ils utilisent généralement des modèles min-max qu’ils reproduisent dans un grand nombre de magasins ayant des caractéristiques similaires. De cette manière, ils ne gèrent pas directement les SKUs au niveau du 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 grand nombre de SKUs, mais ce n’est pas ainsi que le travail est généralement effectué. Ainsi, les gestionnaires gèrent généralement quelques milliers de SKUs au maximum par personne.
Kieran Chandler: Quels sont les facteurs qui déterminent le nombre de SKUs qu’une personne gère? Y a-t-il des règles classiques que les gens suivent?
Joannes Vermorel: L’approche classique utilisée par la plupart des planificateurs de la demande et des planificateurs d’approvisionnement consiste à passer par une longue feuille de calcul, avec un SKU par ligne et diverses colonnes instrumentées qui fournissent des indicateurs. Ces indicateurs peuvent inclure la quantité vendue au cours des dernières semaines, de l’année dernière ou à la même période de l’année précédente pour tenir compte de la saisonnalité. Les planificateurs passent ligne par ligne, ajustant les quantités et les niveaux min-max en fonction des données de ces colonnes.
Kieran Chandler: Feuille de calcul, eh bien vous revenez en arrière, et vous itérez. Potentiellement, vous découpez vos SKUs en classes comme ABC, peu importe, de sorte que vous passez plus de temps sur les meilleures ventes et moins de temps sur les produits à faible rotation. C’est à peu près ça, et vous constatez que le nombre de SKUs est très largement défini par le temps qu’il faut au planificateur de la demande pour effectuer un cycle à travers la liste des références que cette personne gère. Donc, dans cet exemple, j’imagine que cela dépend beaucoup de la variabilité des produits. Donc, si vous êtes dans une entreprise comme Coca-Cola où il n’y a qu’un seul produit, cela signifie-t-il que nous n’avons qu’un seul planificateur de la demande?
Joannes Vermorel: Non, je veux dire que Coca-Cola a des centaines de produits. Et si vous commencez à regarder le genre de choses qui doivent être planifiées du point de vue de Coca-Cola, d’abord ils devront planifier pratiquement chaque canal car leurs canaux sont gigantesques. En général, les planificateurs seront organisés par géographie ou par canal, et vous vous retrouvez avec un planificateur pour un canal. Ils ont quelques centaines de SKUs, et donc vous vous retrouvez à nouveau avec quelques centaines de SKUs par planificateur. Ils doivent également fréquemment, je veux dire les entreprises, les très grandes entreprises de produits de grande consommation, doivent également faire un peu de VMI, de gestion des stocks par le fournisseur. Donc, là encore, vous retombez sur quelques centaines de SKUs par planificateur.
Kieran Chandler: Et qu’en est-il de la difficulté de prévision si vous êtes dans une industrie où il y a beaucoup de nouveaux produits, comme la mode par exemple ? Est-ce que cela signifie que vous serez capable de gérer moins de SKUs par personne ?
Joannes Vermorel: C’est une question intéressante, et encore une fois, je décris ici ce que je considère comme étant la norme de nos jours, pas la façon dont Lokad fonctionne. Mais le fait est que lorsque vous avez une très grande variabilité, il s’agit généralement de produits à très faible volume. Vous constatez qu’il y a une corrélation inverse entre la variabilité et le volume. Si vous êtes une grande entreprise de produits de grande consommation, vous avez des volumes élevés, une variabilité plus faible. Mais vous pourriez aussi penser : “Oh, si j’ai moins de variabilité, peut-être que la prévision est plus facile.” Oui, mais ce que vous prévoyez est également très important d’un point de vue économique, car nous parlons d’une grande masse. En revanche, si nous parlons d’une prévision très variable, disons des pièces automobiles dans la longue traîne, alors oui, c’est incroyablement variable, mais le volume est également très faible et la valeur n’est pas si élevée. Donc même si, oui, techniquement la prévision est plus difficile et la variabilité est beaucoup 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 que ce soit plus difficile ou non. Il n’est pas très raisonnable de passer plus de temps sur ces articles.
Kieran Chandler: D’accord, alors comparons peut-être la façon dont Lokad le fait par rapport à 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: La perspective classique, et c’est pourquoi nous en arrivons à ce nombre de SKUs par planificateur de la demande, la façon classique est littéralement des personnes qui consolident les informations.
Kieran Chandler: Donc, les gens utilisent des feuilles de calcul avec des dizaines de colonnes qui expliquent ce qu’ils devraient voir, puis ils prennent des décisions en parcourant la feuille de calcul. Ils commencent par les articles les plus importants et passent moins de temps sur les moins importants. À quelle fréquence réexaminent-ils ces articles ?
Joannes Vermorel: Eh bien, ils peuvent réexaminer tous les articles importants quotidiennement, tandis qu’ils ne réexaminent les moins importants que mensuellement. Le temps passé par le planificateur est une dépense opérationnelle. Le travail que vous consommez, le temps de votre planificateur de la demande, juste pour faire le travail de planification de la demande, il n’y a rien qui soit capitalisé. La seule capitalisation vient du fait d’avoir une feuille de calcul bien conçue avec toutes les colonnes pertinentes. Cette partie du travail, avoir une feuille de calcul bien instrumentée, est capitaliste dans le sens où vous le faites une fois et ensuite votre travail est plus rapide pour tous les mois qui suivent. Cependant, cette partie ne dure que quelques semaines au début, puis c’est terminé. Vous ne capitalisez pas au-delà de ce point.
Kieran Chandler: Pouvez-vous nous parler de l’approche de Lokad et de la façon dont elle diffère des méthodes traditionnelles ?
Joannes Vermorel: L’approche de Lokad est très différente. Un scientifique de la supply chain va fondamentalement élaborer une recette où vous voulez que toutes vos décisions, dès le départ, ne soient pas stupides. Vous voulez avoir zéro pour cent de folie. C’est le premier jalon que nous visons lorsque nous voulons passer en production.
Kieran Chandler: Pouvez-vous donner un exemple de ce qu’une décision stupide pourrait être ?
Joannes Vermorel: Une décision stupide serait, disons, vous avez un magasin de mode qui vend des sacs à main. Vous ne mettez que des sacs à main marron et noir dans le magasin parce que ces couleurs se vendent le plus. En conséquence, la vitrine du magasin a l’air triste et manque de variété de couleurs. Vous aimeriez avoir des touches d’autres couleurs, comme le blanc ou le jaune, à des fins de merchandising. Une décision intelligente de réapprovisionnement des stocks doit prendre en compte des facteurs au-delà des aspects de vente et de service. Vous voulez également prendre en compte l’apparence du magasin.
Kieran Chandler: Donc, vous dites que les recettes numériques devraient capturer ces connaissances et refléter le genre d’expertise qu’une personne effectuant le travail manuellement aurait, plutôt que de se limiter à des formules naïves de stocks de sécurité ?
Joannes Vermorel: Exactement. Tout d’abord, vous voulez établir une recette numérique qui capture ces connaissances. Une fois que vous l’avez, vous réalisez que vous pouvez opérer à peu près à n’importe quelle échelle. Chez Lokad, nous avons des scientifiques de la supply chain qui gèrent individuellement plus d’un milliard d’euros de stocks.
Kieran Chandler: de stocks qu’une seule personne et une personne gère individuellement quelque chose comme quatre millions de références. Vous voyez donc qu’il y a soudainement une déconnexion totale entre le nombre de références et la quantité de personnes qu’une personne peut gérer à des niveaux qui représenteraient, si cela était fait de manière classique, des dizaines, voire des centaines de planificateurs de la manière classique. Et d’ailleurs, nous avons eu une conduite massive du changement qui s’est produite chez nos clients lorsque nous avons déployé ce genre de techniques parce que soudainement…
Joannes Vermorel: Cela ne signifie pas que tous ces planificateurs ont été, soit dit en passant, licenciés. Il y a des tonnes de choses où vous pouvez apporter une valeur ajoutée supplémentaire. Mais la question est, si vous faites partie d’une entreprise et que ce que vous faites, c’est simplement passer en revue un tableau chaque jour, comment cela crée-t-il une valeur précise pour l’entreprise ? Est-ce que cela, vous savez, est-ce que l’entreprise investit vraiment dans votre travail, où le travail que vous produisez génère du capital pour l’entreprise, vous savez, quelque chose qui est un actif ou est-ce simplement quelque chose qui est consommé ? C’est l’opex par rapport au capex. Et l’approche de Lokad se concentre fondamentalement sur deux choses : le capex, le capex, le capex. Nous voulons avoir un actif.
Kieran Chandler: Alors, comment cette recette numérique construit-elle cet actif ? Comment cela fonctionne-t-il ?
Joannes Vermorel: L’idée est pourquoi devriez-vous revisiter votre tableau chaque jour ? Vous savez, si vous prenez une décision, vous prenez cette décision en fonction des données que vous avez. Donc vous voyez, en tant que planificateur de la demande, lorsque vous avez des centaines de produits, vous ne connaissez pas chaque produit par cœur, vous ne savez pas tout ce qu’il y a. Non, je veux dire, cela peut arriver dans certains domaines très spécifiques, mais c’est très rare. Habituellement, vous concevez correctement vos dizaines de colonnes qui expliquent ce que vous devriez regarder, puis vous prenez une décision numérique basée sur cela. Eh bien, l’approche de Lokad consiste à dire, mettons en œuvre ce que vous faites dans votre tête. Et oui, cela nécessite peut-être quelques bribes d’apprentissage automatique très spécifiques pour le faire. Oui, il y a peut-être des relations qui ne sont pas faciles à exprimer en termes de simples formules numériques, de formules numériques classiques, car peut-être que vous faites, dans votre tête, une évaluation des risques.
Ainsi, la façon dont Lokad aborde numériquement l’évaluation des risques, par exemple, est grâce 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 nombre généré par votre recette numérique qui semble tout simplement faux, vous devez le traiter comme un bogue et le corriger. Et il ne devrait y avoir aucune exception, aucune alerte.
Kieran Chandler: Donc, vous avez mentionné ces bribes de techniques d’apprentissage automatique. 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 excessivement répétitives fait une erreur, point final. Vous voyez, aucune exception. Il y a des domaines où, en termes de tâches physiques, certaines opérations sont encore très, très difficiles à automatiser. Par exemple, les robots ont tendance à être rigides parfois, et avoir quelqu’un juste pour faire quelque chose, par exemple…
Kieran Chandler: Des opérations aussi simples que le nettoyage, où il y a, disons, un déversement d’huile dans votre entrepôt, et vous avez juste besoin de le nettoyer, sont en réalité extrêmement difficiles à automatiser. Avoir un robot qui peut faire un peu de nettoyage, prendre une éponge et le faire est très, très difficile. Donc, il y a des emplois qui semblent simples, comme prendre un seau d’eau, une éponge, du détergent et nettoyer. Ce sont des choses extrêmement difficiles à automatiser et qui dépassent 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 est tout simplement au-delà de nos capacités techniques. En ce qui concerne les décisions de la chaîne d’approvisionnement, telles que les décisions numériques telles que ce que je devrais commander, combien d’unités devrais-je commander pour chaque SKU que je gère, devrais-je augmenter ou diminuer mon prix, ou devrais-je effectuer des transferts de stocks de l’emplacement A à l’emplacement B, toutes ces questions peuvent être entièrement automatisées. Je ne dis pas que c’est une automatisation sans supervision humaine ; ce n’est pas ce que je décris. Je décris une recette numérique qui a été conçue par un humain, où les gens comprennent ce qui se passe. C’est juste que vous déployez les connaissances humaines à grande échelle, en laissant l’ordinateur effectuer le travail numérique banal à votre place.
Kieran Chandler: Alors, où se situent les limites ? Vous avez mentionné que les scientifiques de la chaîne d’approvisionnement géreront des milliards de dollars de stocks. Quel est le facteur limitant alors ?
Joannes Vermorel: Le facteur limitant devient la complexité de la chaîne d’approvisionnement elle-même, où à un certain moment, votre recette numérique va être une approximation de votre chaîne d’approvisionnement. Vous voulez être approximativement correct et pas exactement faux. Les scientifiques de la chaîne d’approvisionnement ne peuvent pas modéliser la réalité exactement ; vous devez 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 gérer 20 000 lignes de code, ce qui est gérable. Si vous êtes une personne et que vous devez gérer un demi-million de lignes de code, cela devient ingérable. Donc, il y a un équilibre dans le nombre de lignes de code impliquées.
Ainsi, si vous avez une personne à un certain moment, il devient intéressant d’introduire, surtout si vous optez pour des chaînes d’approvisionnement très importantes, des moyens de diviser vos chaînes d’approvisionnement entre différents scientifiques de la chaîne d’approvisionnement afin qu’ils puissent consacrer plus de temps individuellement à certains problèmes. Par exemple, si vous avez une chaîne d’approvisionnement et que vous avez des décisions de tarification et des décisions d’achat, à un certain moment, ces deux choses vont être étroitement liées, mais à un certain moment, cela
Kieran Chandler: Donc, Joannes, vous avez mentionné que le fait d’avoir deux personnes responsables de la tarification et des achats pourrait être bénéfique, mais 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 avoir un degré de précision plus élevé dans vos recettes numériques pour la tarification et les achats. Néanmoins, ces deux personnes vont beaucoup discuter et coordonner leurs actions, ce qui signifie également que vous avez des rendements décroissants en termes de productivité. Donc, vous voyez, c’est juste qu’à un certain moment, pour obtenir ce petit pourcentage de performance supplémentaire, il est très raisonnable d’ajouter plus de personnes à l’équipe, même si cela signifie que, en termes de productivité, l’ajout de la deuxième personne n’améliore la productivité que de quelques pourcents. Si vous aviez une croissance complètement linéaire, vous diriez une augmentation de 100 pourcent de la production si vous ajoutiez un deuxième scientifique de la chaîne d’approvisionnement. En réalité, vous n’aurez qu’environ cinquante pourcent, puis avec la troisième personne, cette troisième personne n’ajoutera que trente pourcent. Donc, cela va diminuer très rapidement en termes de débit. Vous avez de très fortes économies d’échelle. Néanmoins, si vous travaillez avec une chaîne d’approvisionnement très importante, il est intéressant de le faire ne serait-ce que pour atténuer les risques liés à la dépendance à une seule personne, de sorte que lorsque quelqu’un part, vous avez quelqu’un d’autre prêt à prendre le relais.
Kieran Chandler: C’est intéressant que vous mentionniez le mot productivité, car tout cela semble un peu paradoxal. Vous avez cette personne qui est responsable de beaucoup plus de références. Comment peuvent-ils être plus efficaces et plus rapides dans leurs décisions qu’une équipe de personnes responsables d’un champ d’action plus restreint ?
Joannes Vermorel: Parce que l’équipe de personnes qui est responsable d’un champ d’action plus restreint, il n’y a rien de très capitaliste dans ce qu’ils font. Vous savez, la seule partie capitaliste est la mise en place d’une feuille de calcul propre et agréable, votre environnement de travail, qui se fait, vous savez, au cours des premières semaines. Et ensuite, vous ne capitalisez plus. Donc, vous êtes bloqué, vous êtes bloqué dans une impasse où soudainement tous vos efforts sont complètement consommés, et vous n’injectez plus d’intelligence dans le système. Vous suivez simplement un processus qui consomme tout votre temps, et vous n’avez donc plus de temps pour les améliorations continues. Et vous voyez que l’approche de Lokad consiste à dire que 100 pourcent des efforts du scientifique de la chaîne d’approvisionnement doivent être consacrés à l’amélioration continue. Donc, la configuration prend un peu plus de temps que celle, encore une fois, de la perspective classique de la planification de la demande. Vous pourriez probablement avoir une configuration en deux semaines où vous vous contentez d’instrumenter votre feuille de calcul, et puis c’est fini. Une configuration selon la perspective de Lokad va probablement prendre, vous savez, quelques semaines de plus que cela. Mais, en échange, vous obtenez quelque chose où vous avez quelque chose où vous obtenez 100 de vos décisions qui doivent être prises chaque jour automatiquement, 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 bogue qui doit être corrigé doit prendre du temps.
Joannes Vermorel: Oui, et vous voyez, le problème, c’est que si vous traitez chaque problème comme un bogue qui doit être corrigé, cela signifie que vous vous mettez dans une position où lorsque vous entrez au bureau chaque jour, essentiellement, vous passez quelques minutes à vous assurer qu’il n’y a rien comme si vous n’aviez pas un incendie à éteindre.
Kieran Chandler: Juste parce que quelque chose d’inattendu se produit, comme une inondation d’entrepôt, il n’y a rien que vous puissiez faire. Ce genre de chose 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 capitaliste. Si vous pensez que, parce que les scientifiques de la supply chain ajoutent chaque semaine une couche d’amélioration, c’est exactement le genre de chose qui se passait d’un point de vue classique avec le planificateur de la demande pendant les deux premières semaines, mais ensuite cela s’arrête. Et avec la perspective de la fusée, ce travail super capitaliste ne s’arrête jamais. Et c’est pourquoi, en avançant de quelques mois, vous vous retrouvez avec quelque chose où il n’y a qu’une seule personne mais c’est beaucoup plus productif que l’approche classique. Et c’est aussi en termes de performance de la supply chain, c’est aussi beaucoup mieux. Juste parce que, encore une fois, vous avez construit sur vos améliorations d’une manière qui est très, très capitaliste. Bon, nous allons commencer à conclure alors. Donc, où se trouvent les plus grands obstacles à l’introduction de ce genre d’approches capitalistes ? 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’avions pas les recettes logicielles, les technologies logicielles pour rendre ce genre de choses possibles. Donc, nous avions ces feuilles de calcul, et puis, par exemple, chez Lokad jusqu’à ce que nous ayons trouvé l’approche probabiliste, nous avons eu beaucoup de mal à exprimer numériquement ce qui se passait dans la tête d’un planificateur de la demande qui faisait une sorte d’évaluation des risques. Vous compreniez intuitivement ce qui se passait. Les gens pouvaient décrire ce qu’ils faisaient, mais comment traduire cela en formules ? C’était une question ouverte. Et il y a des formules, il y a des approches comme safety suck qui essaient simplement de le faire, mais ça ne marche pas. Nous avions besoin d’une meilleure classe de recettes numériques. Donc, c’était une classe de barrières. Une autre classe de barrières était que de nombreuses entreprises ne considéraient pas la supply chain comme une fonction importante. Donc, la supply chain était simplement une fonction de soutien. Le fait que ce ne soit pas une fonction centrale n’était pas un problème. C’était une fonction de soutien. Cela coûte de l’argent, tout comme la plupart des fonctions de soutien. Vous n’attendez pas de votre fonction de soutien qu’elle crée de la valeur pour l’entreprise. Donc, c’est simplement un centre de coûts. Et tant que ce centre de coûts garde ses propres coûts sous contrôle, alors soit. Vous voyez, c’était double. D’abord, le fait qu’il n’y avait pas de véritables moyens technologiques pour rendre cette chose capitaliste. Et puis, la deuxième chose était que si les gens ne réalisent pas que c’est un atout, alors ils n’entrent pas dans le genre d’état d’esprit qu’il faut pour vraiment changer la pratique pour qu’elle devienne capitaliste. Parce que vous voyez, pour que la pratique de la supply chain devienne capitaliste, il faut commencer par un acte de croyance, un acte de foi, si vous voulez, qu’elle peut devenir un atout. Tant que vous pensez que c’est simplement une fonction de soutien qui est simplement un centre de coûts, alors devinez quoi ? Elle ne dépassera jamais le stade d’un centre de coûts.
Kieran Chandler: Oui, c’est un concept intéressant, cette idée de changer les choses pour être plus capitalistes. Nous devrons donc conclure ici, mais merci beaucoup de nous avoir suivi et nous vous retrouverons dans le prochain épisode. Merci de nous avoir regardés.
