00:00:07 Introduction au sujet du machine learning dans l’industrie de la supply chain.
00:00:46 Introduction de l’invité Alexander Backus, qui est le data and analytics leader chez IKEA.
00:02:20 Explication du concept de prophétie auto-réalisatrice.
00:03:03 Discussion sur la manière dont une prophétie auto-réalisatrice affecte la supply chain, par exemple les objectifs commerciaux et l’influence de la demande et de l’offre.
00:07:14 Explication de la façon dont les boucles de rétroaction dans la supply chain rendent le monde plus complexe et comment un surplus d’un certain produit peut influencer ses ventes.
00:08:53 Discussion sur les boucles de rétroaction dans les supply chains et l’influence du comportement humain sur celles-ci.
00:10:41 Utilisation des données de vente dans la prévision de la demande et les conséquences potentielles d’une approche naïve.
00:13:08 Le problème de prévision zéro dans les systèmes de machine learning et l’effet coup de fouet.
00:15:17 Explication du biais de rupture de stock et des techniques pour y faire face.
00:17:22 Discussion sur la prévalence des ruptures de stock et l’efficacité de la méthode pour traiter le biais de rupture de stock.
00:18:15 Explication de la manière dont la perception d’un produit par le client peut influencer la demande et de l’impact des niveaux de stocks sur les ventes.
00:20:17 Explication du masquage des pertes et de son objectif.
00:20:26 Explication de la manière dont donner au modèle l’accès aux niveaux de stocks peut l’aider à comprendre l’effet des fluctuations des niveaux de stocks sur les ventes.
00:22:14 Discussion sur les limites de l’utilisation d’un modèle de machine learning pour l’inférence causale et les effets des variables confondantes.
00:25:54 Explication de la manière dont la prévision probabiliste peut aider à réduire l’impact de la prévision zéro en reconnaissant le caractère flou des informations disponibles.
00:27:04 Explication des avantages de l’utilisation d’un modèle de prévision probabiliste.
00:28:44 Avantages de l’utilisation d’un modèle de prévision probabiliste par rapport à une prévision ponctuelle.
00:30:42 Les boucles de rétroaction et leur impact sur la prévision.
00:34:35 Comment les prix peuvent affecter la prévision.
00:36:32 Explication de l’observabilité partielle et de son défi dans la création d’un modèle pour la gestion de la supply chain.
00:37:04 Comparaison avec le concept de bandit feedback et son application bien connue dans les systèmes de recommandation de le e-commerce.
00:37:17 Discussion sur les limites de l’apprentissage supervisé dans la prédiction de l’impact des décisions dans la gestion de la supply chain.
00:38:01 Explication de l’algorithme d’apprentissage par renforcement basé sur les politiques.
00:41:06 Discussion sur les défis d’appliquer un algorithme d’apprentissage par renforcement à la gestion de la supply chain réelle et sur la solution de commencer par un apprentissage hors ligne à partir de données historiques.
00:44:55 Discussion sur comment les habitudes et les pratiques passées affectent les mouvements de prix dans une entreprise.
00:46:41 Explication de l’exploitation et de l’exploration en apprentissage par renforcement.
00:50:57 La nécessité de prendre en compte les boucles de rétroaction dans les prévisions comme un changement de paradigme.
00:52:45 Les défis techniques et culturels liés à l’incorporation de l’IA dans les processus métier.
00:53:57 Discussion sur les défis de la modélisation et de la prise de décision dans l’industrie de la supply chain.
00:54:55 Reconnaissance de l’existence de boucles de rétroaction dans le processus de supply chain.
00:55:06 Passer d’une approche basée sur les prévisions à une approche basée sur la décision.
00:57:27 La tendance dans l’industrie de la supply chain, notamment parmi les grandes entreprises du le e-commerce.
01:01:03 Quelles qualités sont recherchées lors de l’intégration de nouvelles personnes pour travailler sur les défis de la supply chain chez IKEA.
Résumé
Dans une interview animée par Nicole Zint, Joannes Vermorel, fondateur de Lokad, et Alexander Backus, data and analytics leader chez IKEA, discutent de l’application du machine learning et de l’IA dans l’industrie de la supply chain. L’interview met en lumière l’impact des prophéties auto-réalisatrices et des boucles de rétroaction sur la gestion de la supply chain et souligne les défis liés à l’utilisation des modèles de machine learning pour les prévisions. L’interview explore également des approches pour éviter le problème de prévision zéro, telles que l’utilisation de la prévision probabiliste, et l’importance de reconnaître l’incertitude dans les prévisions de la supply chain. Les panélistes insistent sur la nécessité d’embrasser l’incertitude, de passer vers des modèles de prise de décision et d’intégrer des changements de manière progressive pour améliorer la gestion de la supply chain.
Résumé étendu
Dans cette interview, Nicole Zint anime une discussion entre Joannes Vermorel, fondateur de Lokad, et Alexander Backus, data and analytics leader chez IKEA, au sujet de l’application du machine learning et de l’IA dans l’industrie de la supply chain. Ils abordent le concept de prophétie auto-réalisatrice et son impact potentiel sur les supply chains, le rôle des boucles de rétroaction, ainsi que les défis liés à l’utilisation des modèles de machine learning pour la prévision.
Une prophétie auto-réalisatrice est une prédiction qui, directement ou indirectement, se réalise grâce au retour d’information entre la croyance et le comportement. Dans la gestion de la supply chain, les prévisions peuvent influencer les processus de prise de décision et, en fin de compte, changer l’avenir. Vermorel souligne que les prophéties auto-réalisatrices ne sont ni intrinsèquement bonnes ni mauvaises ; elles rendent simplement la situation plus complexe.
Les boucles de rétroaction sont courantes dans les supply chains, car les humains réagissent aux prévisions, ce qui peut ensuite influencer les prévisions futures. Vermorel souligne comment ces boucles peuvent se manifester de différentes manières, par exemple en ajustant les prix ou le placement des produits en fonction des niveaux de stocks. Il note également que les concurrents peuvent modifier leurs stratégies en réponse aux prévisions d’une entreprise, créant ainsi des boucles de rétroaction supplémentaires.
Backus explique que les données de vente sont un élément clé pour les modèles de machine learning en prévision, mais que les ventes ne sont pas équivalentes à la demande. Les données de vente peuvent être influencées par l’offre et d’autres facteurs, tandis que la demande est une quantité non observée qui doit être déduite. Il souligne l’importance de faire la distinction entre les deux et de prendre en compte leur interaction dans le processus de prévision.
Les modèles de machine learning peuvent poser problème dans les prévisions de la supply chain s’ils ne sont pas conçus pour prendre en compte les boucles de rétroaction et les prophéties auto-réalisatrices. Backus évoque “l’effet coup de fouet”, où de petites déviations dans la supply chain peuvent être amplifiées par le système. Cela peut entraîner des effets néfastes, tels que des ventes en spirale ou des prévisions inexactes. Il compare la prévision météo, qui n’est pas influencée par le comportement humain, à la prévision des résultats d’une entreprise, lesquelles sont soumises à ces boucles de rétroaction complexes.
Pour atténuer les défis posés par les boucles de rétroaction et les prophéties auto-réalisatrices, Vermorel suggère que les entreprises devraient accepter la complexité des systèmes de supply chain et reconnaître que les prévisions ponctuelles peuvent être insuffisantes. Au lieu de cela, elles devraient chercher à comprendre et anticiper les impacts potentiels de leurs prévisions sur le comportement humain et les processus de prise de décision.
En résumé, l’interview explore les subtilités de l’utilisation du machine learning et de l’IA dans la gestion de la supply chain, soulignant l’importance de comprendre les prophéties auto-réalisatrices et les boucles de rétroaction pour améliorer la précision des prévisions et la prise de décision.
Le problème de prévision zéro se produit lorsqu’un système commande moins de stock en raison d’une baisse perçue de la demande, ce qui entraîne une baisse supplémentaire de la demande et conduit à une diminution continue des commandes. Pour éviter ce problème, Vermorel suggère de supprimer le biais de rupture de stock en modifiant la métrique utilisée dans le modèle de prévision. Une approche consiste à annuler les mesures les jours de ruptures de stock. Cette méthode fonctionne bien lorsque les ruptures de stock sont relativement rares, mais elle est moins efficace dans les secteurs où elles sont fréquentes.
Une autre approche consiste à donner au modèle de machine learning accès aux données historiques et futures des niveaux de stocks, lui permettant ainsi d’apprendre l’effet des fluctuations des niveaux de stocks sur les ventes ou la demande futures. Cette méthode nécessite d’intégrer toutes les décisions et facteurs influençant la demande, tels que les promotions, la tarification, la capacité, les contraintes d’entrepôt et les forces du marché, dans le modèle de prévision.
Cependant, Backus met en garde contre l’utilisation d’un modèle de machine learning standard sans toutes les informations nécessaires, car cela peut entraîner des erreurs, comme confondre la cause et l’effet des variations des niveaux de stocks et des fluctuations de la demande. Pour éviter ces problèmes, il suggère d’utiliser la prévision probabiliste, qui reconnaît le flou des informations disponibles et évite de converger vers une confiance absolue que la demande soit nulle.
La prévision probabiliste répartit les probabilités sur plusieurs valeurs, rendant plus difficile la convergence vers une confiance absolue en une demande nulle. Cette approche permet d’éviter le gel des stocks à zéro en estimant des probabilités non nulles pour la demande future. Elle prend également en compte l’asymétrie entre le fait de servir un client et de conserver des stocks supplémentaires pour un jour de plus, favorisant ainsi des taux de service.
Malgré ses avantages, la prévision probabiliste n’est pas une solution parfaite. Elle peut encore sous-estimer la demande future en cas de ruptures de stock répétées. Toutefois, elle offre une méthode plus robuste pour gérer les stocks et éviter le problème de prévision zéro.
En conclusion, l’adoption des techniques de machine learning et de la prévision probabiliste peut aider les professionnels de la supply chain à mieux prédire la demande et à gérer les stocks. En tenant compte des divers facteurs qui influencent la demande et en prenant en compte les incertitudes des données disponibles, les entreprises peuvent prendre des décisions plus éclairées et améliorer leur performance de la supply chain.
Joannes Vermorel a souligné l’importance de reconnaître l’incertitude dans les prévisions de la supply chain, car modéliser parfaitement les événements futurs est irréaliste. Il a abordé le concept de prévision probabiliste, qui reflète l’incertitude inhérente aux événements de la supply chain, et comment celle-ci diffère des prévisions ponctuelles. Selon lui, les prévisions probabilistes impliquent des distributions de probabilité, rendant le futur très différent du passé. Il a également évoqué les boucles de rétroaction comme une dimension supplémentaire pour enrichir les prévisions en les rendant dynamiques et conditionnées par le comportement futur.
Alexander Backus a approuvé les points de Vermorel et a expliqué comment donner aux modèles accès aux décisions antérieures, telles que la tarification, peut atténuer les problèmes liés aux prévisions. Il a introduit le concept d’observabilité partielle, qui consiste à n’observer que l’effet d’une décision sans connaître le contre-fait. Afin de mieux prédire l’impact des décisions, Backus a suggéré de reformuler les problèmes de machine learning pour produire des décisions optimales au lieu de prévisions sur l’avenir. Cette approche est appelée apprentissage par renforcement.
Cette conversation tourne autour des défis de la prévision et de la prise de décision dans la gestion de la supply chain en raison des boucles de rétroaction, des données limitées et des décisions non aléatoires. Ils soulignent la nécessité d’embrasser ces boucles de rétroaction et de s’orienter vers un modèle qui produit des décisions plutôt que des prévisions. La tendance parmi les entreprises technophiles, comme Amazon et Alibaba, est d’abandonner l’idée d’une prévision parfaite pour se concentrer sur la prise de décision. Malgré les défis existants, les panélistes conviennent que l’industrie devrait œuvrer, étape par étape, à l’intégration de ces changements pour améliorer la gestion de la supply chain.
Vermorel souligne l’importance d’embrasser l’incertitude et la complexité irréductible des supply chains, qui sont composées d’humains, de machines et de processus. Il préconise d’être approximativement correct plutôt qu’exactement faux. Backus insiste sur la nécessité de disposer de grands talents en data science pour relever les défis au sein de grandes entreprises comme IKEA, soulignant le potentiel d’impact mondial et l’importance de remettre en question le statu quo.
Transcription complète
Nicole Zint: Welcome Alexander Backus with us here today at our offices. Alexander is an expert in this field and is the Data and Analytics leader at IKEA. So, as always, we’d like to start off by letting our guests introduce themselves. Alexander, if you wish, the floor is yours. Alexander Backus: Thanks, Nicole. Thanks for having me here. It’s great to be here in Paris with you. My name is Alexander Backus, and I’m leading data analytics in the inventory and logistics operations domain of IKEA Inka Group Digital. I’m managing a group of data scientists, data engineers, and data analysts working in cross-functional product teams on a mission to optimize inventory logistics operations planning. I have a background in data science, and I’ve worked as a consultant for big companies like KLM Airlines, Heineken, Vodafone Ziggo, and ING Bank. After doing a PGD in Cognitive Neuroscience, I think working in supply chain as a data scientist is a really exciting field because it combines a lot of favorable conditions for data science. There’s a lot of data, there’s an impact on real-world decision-making, so it’s something tangible, and you don’t impact only the bottom line, but also help create a more sustainable world by reducing waste in the supply chain. So that’s how I ended up here. Nicole Zint: Before we delve into these topics, let’s first explain the concept that we will be discussing. Let’s just start off: What is a self-fulfilling prophecy?
Alexander Backus: L’idée est que la prévision que vous réalisez pour optimiser votre business process impacte réellement un certain processus de prise de décision. Il y a une décision prise sur la base de votre prévision, du moins c’est ce que vous souhaitez. Lorsque cela se produit, cela signifie que votre prévision change l’avenir et modifie également les données utilisées pour prévoir la prochaine fois. Cela peut poser certains défis. Essentiellement, une prophétie qui se réalise, c’est lorsqu’une prédiction se concrétise parce qu’elle a été prédite. Ainsi, vous affectez l’avenir parce que vous pensiez qu’il serait d’une certaine manière. Vous n’affectez pas seulement l’avenir, mais vous créez aussi une réalité où la prévision devient la vérité, et cela peut se produire de différentes manières. Par exemple, si vous avez une prévision de votre entreprise ou de vos ventes, cela peut devenir l’objectif pour votre entreprise.
Nicole Zint: Donc, les marketeurs prennent certaines décisions, ils disent, d’accord, nous devrions atteindre cet objectif car nous sommes un peu en dessous en ce moment, donc nous devons vendre un peu plus et faire quelques promotions. En réalité, la prévision que vous avez faite est devenue l’objectif qui a conduit aux prises de décision, ce qui impacte le résultat final des ventes dans cet exemple. Et cela peut se produire de plusieurs manières. Un autre exemple est le suivant : vous disposez d’une certaine prévision qui vous conduit à sécuriser une capacité de livraison ou de préparation dans vos entrepôts, et cela a un impact sur le lead time. Ainsi, lorsqu’un client consulte votre site web de le e-commerce et voit que le lead time est très élevé ou très bas, cela peut aller dans les deux sens; cela influence en réalité la demande des clients.
Alexander Backus: Exactement, ainsi la demande influence votre approvisionnement, et l’approvisionnement influence la demande. Cela peut aller dans un sens ou dans l’autre, et c’est en fait cet effet auquel tu fais allusion, Joannes. Lorsqu’il s’agit des prévisions qui deviennent des objectifs d’affaires, comment voyez-vous que cela affecte l’entreprise elle-même? Quels sont les inconvénients lorsque la prévision est quelque chose que les gens cherchent à atteindre plutôt que de regarder réellement la performance de leur supply chain?
Joannes Vermorel: Il n’y a pas d’inconvénients en soi. C’est plus une question de ce que la supply chain implique. Vous savez, les boucles de rétroaction sont partout. Nous traitons essentiellement d’affaires humaines, et ce qui surprend les praticiens, c’est que dans de nombreuses écoles d’ingénierie et même dans beaucoup d’entreprises, on aborde la prévision comme si c’était la prévision du mouvement des planètes, avec un cadre très net où les observations passées permettent d’émettre une hypothèse sur la position future d’une planète. Mais vous, en tant que prévisionniste, n’avez aucun impact sur ces éléments observés, comme les planètes.
Nicole Zint: Donc, vous voulez dire qu’une prophétie qui se réalise n’est pas nécessairement bonne ou mauvaise, elle est simplement ce qu’elle est?
Joannes Vermorel: Oui, exactement. On ne peut pas prétendre qu’elle n’affecte rien, mais cela rend certainement la situation plus complexe et compliquée, en réalité un peu des deux. Et là où cela devient un peu déconcertant, c’est que de nombreuses entreprises ont du mal à accepter tout ce qui n’est pas une prévision ponctuelle. Disons, vous avez un seul futur; c’est lui. Et c’est essentiellement quelque chose qui est complètement symétrique au passé. Vous avez vos observations passées, et vous aimeriez que le futur soit aussi clair et net que le passé, essentiellement plus de la même chose.
Nicole Zint: Oui, plus de la même chose mais aussi de la même nature. Vous avez une vision parfaitement claire du passé et une vision parfaitement claire du futur. Et d’ailleurs, dans le cas du mouvement des planètes, tant que vous ne regardez pas des millions d’années en avant, vous pouvez avoir une vision complètement parfaite de la position de ces planètes dans un siècle.
Joannes Vermorel: Ce qui devient intéressant dans la supply chain, c’est que vous avez des boucles de rétroaction partout. Chaque fois que vous vous engagez dans un produit en en achetant beaucoup, vous créez des attentes, et les gens ont le sentiment qu’ils doivent vendre ce produit. Ils feront tout pour que l’entreprise ne se retrouve pas avec un excès de stocks massif qu’elle n’aurait pas réussi à écouler. Ils s’organisent pour que cet excès se transforme en ventes massives, ou du moins c’est ce qu’ils essaieront de faire. Ils ajustent le prix en fonction de la quantité en stocks, ou parfois entreprennent des actions encore plus banales. S’il y a des magasins, si vous
Nicole Zint: Dans une direction légèrement différente, juste pour établir une plus grande différenciation, vous voyez ces boucles de rétroaction : elles sont partout et ne sont pas mauvaises. Elles sont simplement présentes, et encore une fois, la raison principale est que, au cœur du processus, il y a des humains capables de penser et d’agir en fonction de leurs anticipations sur le futur. Ainsi, dès qu’il y a des humains dans la boucle, dès que vous émettez une affirmation sur l’avenir, les gens réagissent en fonction de cette affirmation. Les supply chains sont très complexes, donc ces réactions peuvent prendre de nombreuses formes. Mais toutes les supply chains ont en commun d’impliquer beaucoup de personnes, et parfois, par exemple, la boucle de rétroaction se présente également sous la forme de l’annonce d’une pénurie de quelque chose. Alors, les gens se précipitent pour acheter cet article, et ainsi vous pouvez avoir une pénurie provoquée par l’homme simplement parce que c’est un effet psychologique.
Joannes Vermorel: Exactement. Et l’idée que si vous annoncez une pénurie, vous allez très probablement provoquer une pénurie n’est pas nouvelle. C’est relativement prévisible, mais néanmoins, il est difficile d’anticiper tous ces signaux, car soudainement vous devez être parfait. Oui, et vous devez alors, en quelque sorte, modéliser la psychologie des personnes qui se trouvent au cœur de la supply chain.
Nicole Zint: Joannes, vous ne cessez de mentionner ces boucles de rétroaction. Alexander, puis-je vous demander quelles données exactes sont réinjectées dans ces systèmes pour que nos spectateurs comprennent? À quel moment de la supply chain réintroduisons-nous les données?
Alexander Backus: Bonne question. Je pense qu’une source très importante pour réaliser toute sorte de prévision, ce sont vos données de ventes, et c’est également la donnée clé affectée par les effets dont nous venons de parler. Ainsi, si nous revenons à ce que Joannes expliquait, l’approche naïve de la prévision de la demande, ou de la prévision d’affaires en général, consiste à prendre un modèle d’apprentissage supervisé et à le traiter comme un simple problème de régression. Alors, vous dites : “D’accord, je vais simplement prédire cette quantité en me basant sur des données historiques en utilisant un algorithme d’apprentissage supervisé.” Et ensuite, si vous prenez ce modèle entraîné pour prédire les ventes futures et que vous repensez aux exemples de boucles de rétroaction dont nous avons discuté, vous pouvez obtenir des cas délétères ou dégénératifs. Ainsi, lorsque votre modèle prédit une faible demande ou de faibles ventes — soyons très prudents pour ne pas confondre les deux —, mettons de côté pour un moment le fait que les ventes ne sont pas la demande.
Et ainsi, cela vous placera dans une situation où vous prévoyez de faibles ventes, vous planifiez donc une faible capacité, et par conséquent, vous vendez moins, puis vous dégringolez jusqu’à atteindre zéro. Le modèle commencera alors à apprendre que la demande est en baisse, et elle baisse réellement. Et cela peut aussi aller dans l’autre sens, en fait. Cela peut donc également s’envoler dans ce sens.
Joannes Vermorel: Oui, il existe ces effets délétères si vous utilisez un modèle d’apprentissage supervisé pour apprendre de l’historique afin de prédire le futur de manière naïve, ce qui peut complètement mal tourner.
Nicole Zint: Cela ressemble un peu à un bullwhip effect, où une erreur dans une supply chain ou une déviation par rapport à la norme est simplement amplifiée par le système. Et vous avez également mentionné que les ventes ne correspondent pas nécessairement à la demande, car vous pourriez vendre 50 unités de vos stocks, mais si la demande était de 100, cela n’enregistrerait que 50 ventes. Cette distinction est en réalité au cœur du problème.
Alexander Backus: Oui, la demande elle-même est, bien sûr, une quantité non observée. Vous ne pouvez pas la mesurer, donc vous devez l’inférer. Et les données de ventes sont ce qui s’en rapproche le plus, mais ce n’est définitivement pas tout.
Nicole Zint: Nous discutons donc de l’idée que les prévisions produites peuvent influencer la demande et les ventes, créant ainsi une boucle de rétroaction. Certains ont décrit la différence entre prédire la météo et prédire les affaires, où prédire la météo n’affecte pas celle-ci, tandis que prédire les affaires peut effectivement l’impacter. Alexander, pourriez-vous approfondir cette boucle de rétroaction et expliquer comment éviter le problème de zéro prévision dont vous avez parlé?
Alexander Backus: Certainement. Lorsqu’un modèle d’apprentissage supervisé apprend à partir de ses propres données de sortie, il peut amplifier les écarts par rapport à la norme. Par exemple, si la demande chute un peu pour quelque raison que ce soit, le modèle peut indiquer au système de commander moins. En conséquence, la demande chute encore plus parce que moins est commandé, et le modèle suggère alors de commander encore moins, conduisant ainsi à un problème de zéro prévision. Ce problème est particulièrement courant avec la prévision des séries temporelles.
Joannes Vermorel: La prévision à zéro, c’est ce qui se produit lorsque vous ne supprimez pas le biais de rupture de stock, qui peut être assez fort. Si vous êtes en rupture de stock, vous observez zéro vente, mais cela ne signifie pas qu’il y a zéro demande. Nous avons au moins trois techniques en production chez Lokad pour traiter le biais de rupture de stock. Une approche consiste à modifier la métrique que vous optimisez avec votre modèle de prévision. Au lieu d’appliquer la métrique uniformément dans le temps, vous mettez à zéro les mesures les jours où vous êtes en rupture de stock. C’est une approche brutale, mais cela peut fonctionner.
Nicole Zint: Quelle est la métrique utilisée initialement que vous suggérez de modifier?
Joannes Vermorel: Il existe des milliers de métriques, mais les plus simples sont L1, L2 ou même MAPE. La question est de savoir si vous appliquez la métrique uniformément dans le temps. La réponse est généralement non, vous ne voulez pas l’appliquer de manière uniforme. Vous voulez mettre à zéro vos mesures les jours où vous êtes en rupture de stock.
Nicole Zint: Donc, mettre à zéro signifie supprimer la contribution d’un jour où il y a eu une rupture de stock?
Joannes Vermorel: Oui, vous supprimez la contribution d’un jour lorsque vous savez que votre signal est fortement déformé. Cela fonctionne bien pour éliminer ce signal, mais c’est une approche plutôt brutale.
Nicole Zint: Sauf si vos ruptures de stock se produisent très fréquemment. Pour de nombreuses entreprises, les ruptures de stock sont statistiquement relativement rares. Elles affichent un taux de service supérieur à 95 %, donc cette méthode fonctionne bien si les ruptures de stock sont quelque peu exceptionnelles, un peu comme une disaster naturelle qui se produit très rarement.
Joannes Vermorel: Non, je veux dire, prenons par exemple un magasin de grande distribution, votre supermarché. Ils ont chaque jour un taux de service supérieur à 95 %, c’est parfait. Là où cela ne fonctionnerait pas, par exemple, ce serait pour un magasin de luxe dur. Dans ce cas, un magasin de luxe dur, pour vous donner une idée, aurait typiquement, disons, 500 articles sur un catalogue de 5 000. Ainsi, par définition, vous avez environ 90 % de ruptures de stock en permanence. Dans ce cas, ce n’est pas très sensé. Vous voyez, cela dépend vraiment du secteur. Il existe des industries, comme l’alimentaire, où l’on attend des taux de service très élevés. Votre assortiment est axé sur des produits que vous êtes censé avoir. Par exemple, si votre supermarché vend habituellement un pack de bouteilles de soda, vous devriez pouvoir entrer dans le magasin en ayant la certitude de trouver ces unités. Parfois, cela ne sera pas le cas, mais ces événements resteront rares. Encore une fois, cela dépend des secteurs que vous examinez.
Nicole Zint: D’accord, et en effet, les ventes peuvent envoyer un mauvais signal concernant la demande, comme vous l’avez expliqué. Si c’est zéro vente, on peut rapidement supposer à tort que cela signifie zéro demande, alors qu’en réalité, cela peut être dû au fait que vous n’avez pas ce stock, alors qu’il y a en fait une très forte demande. Et l’inverse est également vrai. Si vous êtes en rupture de stock pour un autre produit qui se révèle être un excellent substitut, vous pouvez observer une explosion des ventes d’un article, alors qu’il ne reflète que le fait que vous êtes en rupture de stock d’un produit qui sert de substitut approximatif. Néanmoins, la perception du client pourrait être que c’est un mauvais service.
Joannes Vermorel: Oui, car les clients pourraient accepter le substitut, mais ils pourraient néanmoins considérer que c’est une option inférieure. Ainsi, il est intéressant de prendre en compte l’agent, les clients, et ce qu’ils pensent, et d’essayer d’ajuster votre modélisation de la demande pour refléter la manière de penser basique de votre clientèle.
Nicole Zint: Comment éviter ce problème de zéro prévision pour que zéro vente ne soit pas supposé signifier zéro demande?
Alexander Backus: Jiran a mentionné qu’il fallait tout simplement ne pas prendre ce signal en compte, c’est-à-dire éviter ces jours. En termes techniques, cela s’appelle du loss masking.
Joannes Vermorel: Oui, vous supprimez essentiellement la contribution de ce point de données. Une autre technique simple consiste à donner au modèle un accès aux niveaux de stocks historiques et peut-être à quelques projections futures, afin que vous puissiez comprendre comment ces ventes sont influencées par les niveaux de stocks.
Alexander Backus: Le modèle peut alors apprendre quel est l’effet de certaines fluctuations des niveaux de stocks sur les ventes futures ou sur la demande si vous le modélisez. Essentiellement, il apprend l’effet des décisions.
Joannes Vermorel: Oui, c’est vers cela que tout le monde tend : prendre toutes les décisions qui ont été prises sur la base de vos prévisions précédentes et les intégrer comme données d’entrée dans votre modèle de prévision.
Nicole Zint: Lorsque vous entraînez le modèle, ce ne sont pas seulement les décisions relatives aux stocks qui impactent les niveaux de stocks, mais il peut aussi s’agir de décisions marketing, comme un objectif fixé par la direction de l’entreprise. Ils disent, “Hé, voilà combien nous voulons vendre.” C’est une décision en soi, car il existe toutes ces forces du marché.
Alexander Backus: Oui, les forces du marché. Vous intégrez toutes ces informations dans la prévision comme variables d’entrée, telles que les promotions, les données de tarification et les données de capacité. La capacité peut également influencer la demande. Si les délais d’approvisionnement s’envolent, les gens chercheront des alternatives. Essentiellement, toutes les contraintes dans l’entreprise, dans les entrepôts, et tout ce qui peut affecter la demande servent de signaux d’entrée pour votre modèle. Ensuite, le modèle peut apprendre de l’histoire quel est l’effet de ces signaux sur la demande et ainsi s’y ajuster.
Ceci est en quelque sorte la deuxième étape de votre modélisation car il y a beaucoup de choses dont vous devez vous méfier ici. Un détour intéressant est que les utilisateurs métier veulent utiliser votre modèle pour effectuer ce qu’on appelle, en termes techniques, l’inférence causale. Ils veulent modifier des éléments tels que «Que se passe-t-il si nous lançons cette promotion ou si nous réduisons les niveaux de stocks ? Qu’advient-il de la demande ?» C’est un peu comme une simulation.
Pour que cela fonctionne, vous devez faire preuve de bien plus de rigueur dans la modélisation. Si vous procédez comme je l’ai expliqué, votre modèle peut facilement apprendre des effets tels que lorsque le stock est faible, la demande est élevée, simplement parce qu’une campagne marketing, qui est la véritable cause, a fait baisser les stocks et augmenter la demande. Cela perturbe la notion. On appelle cela un facteur de confusion ou une causalité inversée. Un modèle de machine learning standard, qui ne dispose pas de toutes les informations nécessaires, commettra ce genre d’erreur.
Un exemple classique est celui où vous essayez de prédire s’il fera chaud. Vous pouvez prédire cela à partir du nombre de ventes de glaces. Eh bien, bien sûr, c’est un exemple typique de causalité inversée. Mais peut-être ont-ils baissé leur prix ou ont connaisşu une rupture de stocks, et tel était le véritable motif. De nombreuses choses sont possibles.
Mais il faut être prudent. C’est une manière de commencer à fournir à votre modèle davantage d’informations sur les décisions qui ont été prises à son sujet et de vous assurer qu’il apprend à établir des liens. Cependant, il restera assez difficile pour le modèle d’apprendre ces relations, surtout s’il y a de nombreuses étapes intermédiaires pour lesquelles vous ne disposez pas de données. Si vous fournissez une prévision, ce n’est pas dans un rapport un à un que quelqu’un dans l’entreprise prendra cela pour prendre des décisions. Des informations supplémentaires seront ajoutées, des modifications effectuées par les planificateurs de l’entreprise, et vous en serez dans une certaine mesure aveugle. Cela redevient problématique et complexe.
Avant d’examiner comment nous abordons concrètement ces nouveaux défis posés par la création d’un…
Nicole Zint : Le machine learning est un modèle plus intelligent qui produit des décisions et apprend. Alexander, comment chaque décision impacte-t-elle l’entreprise, et comment pouvons-nous les comparer pour déterminer quelles décisions nous devrions prendre ? Nous ne voulons pas seulement prévoir, mais aussi comprendre les étapes intermédiaires. Mais avant d’entrer dans le détail, Joannes, nous avons mentionné plus tôt ce modèle de prévision zéro, qui est un concept important dans ce modèle de machine learning. Quelle est la différence entre les approches de prévision que nous adoptons chez Lokad ? Les prévisions probabilistes aident-elles à résoudre le problème de la prévision zéro et à amplifier, comme nous l’avons évoqué, ces écarts par rapport à la norme qui se transforment en erreurs encore plus importantes ? Comment la prévision probabiliste change-t-elle cela ?
Joannes Vermorel : La prévision probabiliste est très intéressante à cet égard et, de manière plus générale, pour la boucle de rétroaction. Il y a deux raisons complètement différentes à cela. La première est l’idée d’introduire une notion de flou, afin d’essayer d’être au moins approximativement correct plutôt qu’exactement faux.
En ce qui concerne, par exemple, les situations avec des prévisions zéro, ce qui se passe, c’est que lorsque vous disposez de prévisions probabilistes, vous reconnaissez que la qualité de l’information dont vous disposez tend à être assez floue. Vous n’avez pas une vision parfaite de ce qui se passe, et il sera donc beaucoup plus difficile, d’un point de vue numérique, de converger vers une confiance absolue sur le fait que la demande est réellement nulle. Ce n’est donc pas que le modèle de prévision probabiliste est tellement meilleur, c’est simplement qu’il sera réparti et évitera de rester bloqué sur cette position zéro. Il prend en compte toutes les probabilités réparties sur de nombreuses valeurs, et lorsque vous ajoutez au mélange le fait que vous avez généralement de fortes asymétries entre pouvoir servir ou simplement être en mesure de servir une unité versus simplement conserver une unité en plus en stock pour un jour supplémentaire, dans de nombreuses situations, il est nettement préférable de conserver une unité supplémentaire pendant un jour plutôt que de prendre le risque de subir une rupture de stocks. Le trade-off est clairement orienté vers des taux de service plus élevés.
Ainsi, ce que vous obtenez avec les prévisions probabilistes, c’est une situation où vous disposez de probabilités réparties. Vous n’obtenez pas votre prévision, qui est votre affirmation numérique sur le futur, qui s’effondre rapidement vers un état dégénéré, c’est-à-dire que nous disons simplement que la demande future sera nulle. Cela posera des problèmes, donc si vous avez des ruptures de stocks répétées, la prévision probabiliste n’est pas magique. Vous sous-estimerez très probablement la demande future réelle. Cependant, vous éviterez très probablement que les stocks ne figent à zéro, simplement parce que vous estimez toujours qu’il existe une probabilité non nulle d’avoir une, deux ou trois unités de demande. C’est le premier argument ; cela évite une amplification dans une seule direction.
Alexander Backus : Oui, il est également important de considérer que, surtout lorsque nous avons des boucles de rétroaction, les situations sont très difficiles à contrôler complètement. Il vaut mieux avoir quelque chose qui ne s’amplifie pas dans une seule direction, comme l’a mentionné Joannes.
Nicole Zint : Faire semblant de tout maîtriser. Encore une fois, nous ne parlons pas du mouvement des planètes. Les phénomènes où une inexactitude de 30 à 60 pour cent n’est rien, vous savez, ne sont pas vraiment surprenants.
Joannes Vermorel : Nous parlons donc d’un degré d’inexactitude dans ce type d’énoncé numérique que nous faisons sur l’avenir qui est très élevé. La prévision probabiliste offre au moins quelque chose qui reflète cette énorme incertitude ambiante que nous avons. Encore une fois, nous essayons de modéliser des humains, vous savez, des personnes capables de réagir. C’est extrêmement difficile et la première chose à reconnaître est que vous n’êtes pas aux commandes. Je veux dire, ces personnes – ces clients, ces fournisseurs, ces concurrents – sont intelligents, ils jouent leur propre jeu, vous savez, ils font beaucoup de choses. Ce serait, je dirais, un peu présomptueux de prétendre que vous pouvez modéliser parfaitement tout ce qui va se passer. Ce serait le fondement du roman de science-fiction d’Asimov, où l’on pourrait avoir une modélisation statistique parfaite de l’avenir de grandes civilisations. C’est extrêmement difficile et très probablement irréaliste.
Joannes Vermorel : La prévision probabiliste suscite également un grand intérêt pour une raison tout à fait différente. La deuxième raison est que, contrairement à la prévision ponctuelle où vous avez une symétrie complète entre le passé et l’avenir – avec une prévision ponctuelle, vous avez essentiellement une mesure par jour par SKU, qui serait par exemple vos ventes ou votre demande – et lorsque vous projetez dans le futur, vous obtenez une mesure par jour par SKU. Ainsi, la prévision est très symétrique par rapport à vos observations passées. Cependant, lorsque vous entrez dans le domaine de la prévision probabiliste, soudainement, ce que vous observez est une distribution de probabilité ou une série de distributions de probabilité. Et donc, vous avez cette très forte asymétrie entre le passé et l’avenir. Soudainement, l’avenir est complètement différent du passé. Dans le passé, vous avez des observations, elles sont uniques, il n’y a pas d’incertitude ou, s’il y en a, ce n’est que l’incertitude inhérente à la mesure elle-même. Je veux dire, il pourrait y avoir une erreur administrative dans votre registre des ventes, mais en termes d’ordre de grandeur, c’est très, très faible. Cela peut presque toujours être approximé en supply chain comme n’ayant aucune incertitude par rapport à l’avenir, où l’incertitude est vaste et ce sont vos distributions de probabilité.
Joannes Vermorel : Et ainsi, ce qui est très intéressant, et qui m’amène à la boucle de rétroaction, c’est que celle-ci représente une dimension supplémentaire. C’est un moyen d’enrichir la prévision pour la rendre plus robuste, mais d’une manière très différente, car si la prévision probabiliste consistait à introduire des probabilités, la boucle de rétroaction consiste à faire de la prévision une fonction d’ordre supérieur. Fondamentalement, votre prévision n’est plus un résultat, pas même une distribution de probabilité, c’est un mécanisme dans lequel vous pouvez injecter une politique, une sorte de réaction, et vous obtiendrez un résultat différent. Vous voyez, cela devient en quelque sorte quelque chose où vous savez simplement que si quelqu’un agit – et ce quelqu’un peut même être vous-même d’une certaine manière – vous aurez toujours un impact sur la prévision.
Nicole Zint : La situation devient donc plus dynamique et holistique lorsque l’on entre dans le domaine des boucles de rétroaction. Pouvez-vous expliquer comment cela affecte la prévision et en quoi elle devient plus insaisissable ?
Joannes Vermorel : Lorsque vous entrez dans le domaine des boucles de rétroaction, vous êtes confronté à quelque chose de dynamique qui nécessite un ingrédient fonctionnel à sa base, comme une politique. Cette politique dicte comment vous réagissez en termes de stocks, de prix et de différents facteurs qui représentent votre prévision. La prévision devient plus insaisissable parce que ce n’est plus un objet simple. Elle est affectée par ces boucles de rétroaction, et quand les gens disent «prévision», ils pensent généralement à une prévision ponctuelle. Lorsque nous entrons dans le domaine des prévisions basées sur une politique, nous dépassons déjà ce à quoi les gens sont habitués. Quand nous disons qu’il s’agira de distributions de probabilité, il devient beaucoup plus difficile de visualiser.
Par exemple, le fait que vos prix vont évoluer pour aider à maintenir le flux de marchandises dans votre supply chain. Si une entreprise est sur le point de subir une pénurie massive, la réponse la plus naturelle est d’augmenter progressivement le prix afin que la pénurie soit moins sévère. Inversement, si vous êtes sur le point de subir une situation de surstock massif, la réponse naturelle est de baisser le prix pour augmenter la demande et liquider le surstock. La prévision que vous avez sur l’avenir dépend de votre politique de tarification dans ces exemples. Lorsque vous commencez à penser aux boucles de rétroaction, votre prévision devient conditionnelle, prenant en compte une politique qui est, dans une certaine mesure, sous votre contrôle.
Nicole Zint : Alexander, êtes-vous d’accord avec les forces et les différences que Joannes vient de souligner entre l’approche de prévision probabiliste et une prévision de séries temporelles ?
Alexander Backus : Oui, donner à votre modèle accès aux décisions précédentes, comme la tarification, peut atténuer ce problème. Joannes a parlé de séries temporelles et de prévision probabiliste à ce sujet. Cependant, nous n’avons pas seulement l’effet de votre prévision affectant les décisions futures et les données d’entraînement; nous avons également ce que l’on appelle l’observabilité partielle. Cela signifie que vous n’observez que l’effet de la décision qui a été prise, et que vous ne savez pas ce qui se serait passé si vous aviez disposé de plus de capacité ou de plus de stocks. C’est un contrefait. Le défi consiste à créer un modèle suffisamment performant pour prédire avec précision l’impact de toutes les décisions.
Ce phénomène est très bien connu dans les systèmes de recommandation du le e-commerce et est sans doute moins présent en supply chain. On appelle cela le bandit feedback. Le terme vient des multi-armed bandits, une configuration de machines à sous dans un casino où vous n’observez que la récompense obtenue de la machine ou le bras que vous activez.
Nicole Zint : Et puis, c’est le même effet, et le système de recommandation est similaire à cela car si vous montrez une certaine publicité, vous ne savez pas ce qui se serait passé si vous aviez montré une publicité différente au client. Il existe des approches de modélisation spécifiques bien adaptées à cela, et la configuration naïve d’apprentissage supervisé dont j’ai parlé au début est en réalité celle qui fait défaut. Ainsi, ce n’est pas efficace pour prédire l’effet de l’action. Plutôt, ce que vous voulez faire, c’est reformuler votre problème de machine learning, de sorte que le modèle ne produise pas une prévision sur l’avenir ; il doit produire une décision optimale. Et c’est ce à quoi, je pense, Joannes faisait allusion également, cela s’appelle une politique. Vous apprenez donc un modèle qui dit «voici ce que vous devriez faire». C’est la publicité que vous devriez montrer, ou dans un contexte de supply chain, c’est le stock que vous devriez déplacer de A à B, c’est la quantité de capacité que vous devriez réserver. Ainsi, ce sont les éléments qui affectent directement votre supply chain plutôt qu’une prévision à elle seule, à partir de laquelle vous prenez vous-même les décisions, et dans laquelle la machine ne sait pas quelles décisions vous avez prises. En théorie, vous pourriez en fait complètement passer la prévision et simplement dire «voici ce que vous devriez faire».
Alexander Backus : Il existe des algorithmes de machine learning spécifiques, et la catégorie plus large est en réalité appelée reinforcement learning. C’est là que vous prenez une action dans le monde réel, vous en observez l’effet, et vous devez le formuler en termes de récompenses, de récompenses financières. Et c’est ainsi que vous obtenez la rétroaction, puis mettez à jour votre modèle en fonction de cette rétroaction. Vous avez mentionné des récompenses financières, par exemple, si vous prenez la décision de commander tel volume de stock, puis que vous observez la performance de la supply chain, combien d’argent est entré sur le compte, et que cela est ensuite réinjecté dans le système afin qu’il comprenne que, lorsque nous avons pris ces décisions, tel était le résultat, et qu’il continue à partir de là.
Joannes Vermorel : Oui, ce type de renforcement financier ou d’objectif financier peut être plus complexe, en tenant compte des coûts de stockage, des opportunités manquées, etc. Il y a beaucoup à développer sur ce point, ou nous pouvons nous en tenir là. C’est donc ce que vous optimisez ensuite avec cet algorithme de reinforcement learning. De cette manière, vous apprenez directement la politique, les décisions que vous devriez produire. Vous adoptez ainsi davantage cette prophétie auto-réalisatrice plutôt que d’éviter ce que nous avons commencé à évoquer au tout début de notre discussion. Ce n’est donc ni bon ni mauvais ; cela ne peut tout simplement pas être ignoré. Et c’est une manière de contourner cela, d’avoir ce modèle qui prend en compte les décisions et apprend de l’impact des décisions précédentes pour créer des décisions de plus en plus performantes.
Alexander Backus : Nous devons réfléchir un peu aux implications de cela, car cela signifie que vous devriez également être capable d’expérimenter. Et cela est, dans ce cadre, bien sûr, très difficile si le modèle doit apprendre et voir ce qui se passe s’il fait A ou B.
Nicole Zint : Alors, pourquoi cela n’a-t-il pas été essentiellement appliqué auparavant, ou n’est-il pas appliqué partout ?
Alexander Backus : Eh bien, c’est l’une des raisons. Et de plus, les algorithmes de reinforcement learning typiques apprennent de manière en ligne, c’est-à-dire qu’ils prennent une action puis apprennent des retours de récompense qu’ils en tirent. Cela pose problème dans des environnements réels où le risque est important, et aussi vous n’avez
Nicole Zint: Vous n’avez pas quelque chose avec lequel démarrer cet algorithme pour qu’il produise des résultats sensés en premier lieu. Il commence par être initié aléatoirement. Ou bien vous devez disposer d’un environnement de simulation très performant, ce qui est ce que l’on voit souvent dans d’autres contextes d’apprentissage par renforcement comme AlphaZero apprenant à jouer aux échecs chez Google DeepMind. Ils disposent d’une simulation, c’est-à-dire d’une simulation informatique dans laquelle cet algorithme d’apprentissage par renforcement peut s’exercer. Ainsi, vous ne sacrifiez essentiellement pas la supply chain de quelqu’un d’autre.
Alexander Backus: Exactement, vous ne voulez pas de cobayes d’essai. Mais c’est une situation du type poule ou œuf dans notre cas, car alors vous avez besoin d’un modèle de la réalité très précis. Et si vous avez cela, alors vous avez déjà résolu le problème. Ainsi, vous avez besoin d’une supply chain en premier lieu pour faire cela, et vous ne voulez pas le faire. Vous avez besoin d’un modèle de votre supply chain. Si vous l’avez, vous ne devriez pas avoir besoin de vous entraîner, et vous devriez déjà être capable de déceler l’opportunité. Revenons à notre point de départ.
Oui, mais il existe de nos jours une voie prometteuse où l’on apprend à partir de données historiques. Ça s’appelle l’apprentissage par renforcement hors ligne, où vous apprenez essentiellement à partir des décisions historiques qui ont été prises. Même si elles ne sont pas aussi bien réparties que vous l’auriez souhaité, il est toujours possible d’entraîner des algorithmes basés sur des données du monde réel préalablement recueillies.
Nicole Zint: Comme point de départ ?
Alexander Backus: Oui, comme point de départ. Et à partir de là, vous pouvez ensuite passer à des environnements en ligne sans sacrifier vos stocks, ou vous l’entraînez hors ligne avant de le déployer par lots. Il existe plusieurs options, mais cela comporte également ses propres défis. Joannes, quel est votre avis sur ce qu’Alexander vient de décrire : démarrer hors ligne, apprendre à partir des données précédentes, puis, essentiellement, la machine contourne ce problème du poule et de l’œuf, devient suffisamment performante pour être appliquée à une supply chain réelle et dispose ainsi de plus de données réelles avec lesquelles travailler, et continue à évoluer ? Quel est votre avis à ce sujet ?
Joannes Vermorel: L’efficacité en termes de données est presque toujours une préoccupation pour tout type d’algorithme de machine learning dans la supply chain, car nous n’avons jamais le luxe de disposer d’une quantité gigantesque de données, du moins pas au niveau de granularité auquel les décisions doivent être prises. Dans les décisions de supply chain, elles doivent généralement être prises au niveau du SKU. Et étant donné que vous avez des traitements par lots, même si l’on observe le SKU dans un magasin, il ne s’agira pas de millions d’unités par jour. Et si l’on observe le SKU dans une usine, il y aura alors de gros lots, et ce sera par lots de, disons, 10 000 unités. Encore une fois, il ne s’agira pas de millions de lots par jour. Ainsi, la quantité d’observations pertinentes reste relativement limitée.
C’est un aspect qui représente toujours un défi pour l’apprentissage par renforcement car nous ne disposons pas d’autant de données. Un simulateur revêt un intérêt très élevé, mais c’était aussi un point que j’ai brièvement abordé dans l’une de mes conférences. Essentiellement, il existe une dualité entre une prévision probabiliste et un simulateur. Si vous disposez d’une prévision probabiliste, vous pouvez toujours échantillonner des observations, et ainsi obtenir votre simulateur à partir de votre prévision probabiliste. Et si vous avez un simulateur, vous pouvez simplement exécuter de nombreuses simulations et calculer les probabilités respectives, et ainsi revenir à votre prévision probabiliste. Il existe donc une dualité très forte.
Oui, c’est intéressant, mais cela repose sur le fait de disposer d’une prévision probabiliste très précise, ce qui est très difficile.
Nicole Zint: La partielle observabilité est un problème particulièrement difficile à résoudre car, lorsqu’on prend un ensemble de données, par exemple si vous souhaitez étudier les mouvements de prix, l’entreprise a pu fonctionner de manière spécifique durant la dernière décennie où elle n’effectuait pas les mouvements de prix au hasard ; elle avait des habitudes très enracinées. Par exemple, ces habitudes sont parfois si fortes qu’elles posent des problèmes pour réellement différencier la véritable cause de quelque chose.
Joannes Vermorel: Et si l’entreprise, chaque année à la fin de janvier, décidait d’organiser ses premières ventes de début d’année ? Elle a pour habitude d’appliquer de grosses réductions sur une grande variété de produits à la fin de janvier, ce qui se traduit par une hausse de la demande à la fin du mois. Mais quel est l’effet de la saisonnalité ? Observeraient-ils une augmentation de la demande à la fin du mois même sans les réductions ? Et quelle part de l’impact résulte uniquement des réductions ?
Alexander Backus: C’est bien là le problème. Les décisions n’ont pas été prises au hasard, et ce que vous observez reflète donc largement les pratiques habituelles. Une manière d’aborder cela en apprentissage par renforcement est d’introduire un mélange d’exploration et d’exploitation. L’exploitation consiste à tirer le meilleur parti de ce que vous avez observé, tandis que l’exploration consiste à essayer quelque chose de nouveau, avec l’attente que, parce que c’est partiellement aléatoire, ce sera inférieur.
Joannes Vermorel: Alors pourquoi essayeriez-vous quelque chose dont vous savez qu’il sera très probablement inférieur ? La réponse est, eh bien, parce que c’est la seule manière de découvrir, au final, quelque chose qui s’avère supérieur. C’est l’idée du sacrifice, fondamentalement, c’est un investissement dans la recherche et développement. Et cela pourrait être quelque chose qui ne prend pas nécessairement une forme très banale. Par exemple, imaginons que vous êtes dans un magasin et que vous vendez des bougies.
Alexander Backus: Et vous réalisez, que se passerait-il si vous tentiez de vendre les mêmes bougies mais à un prix quatre fois plus élevé ou quatre fois plus bas ? Les deux options peuvent être valables. Peut-être que si vous optez pour une commande en très gros volume auprès de l’un de vos fournisseurs et augmentez considérablement la quantité, vous pourriez potentiellement réduire drastiquement le prix d’un produit de base. Je prends l’exemple de la bougie volontairement, ainsi vous pourriez obtenir un prix bien inférieur, et peut-être multiplier par 10 la demande que vous avez observée.
Joannes Vermorel: Ce serait un compromis qui en vaudrait la peine. Ou alors prendre l’autre direction, changer complètement de cap et dire : “Je vais opter pour quelque chose de beaucoup plus premium, ajouter du goût ou une fragrance, et autre chose, un meilleur packaging, et multiplier le prix par quatre.” Au lieu d’avoir un dixième de la demande que j’avais auparavant, j’aurais encore la moitié de la demande, mais pour un produit dont le prix est bien plus élevé.
Alexander Backus: Cependant, si nous regardons l’histoire, il est fort probable que les variations que nous avons observées n’étaient que de petites variations par rapport à la norme. Notre historique n’englobe pas ces scénarios plus fous, pour ainsi dire.
Joannes Vermorel: Oui, et encore, il peut s’agir de ce cas où vous prenez un produit et dites : “J’introduis cinq variantes de cinq couleurs différentes.”
Nicole Zint: Vous savez, quel sera le degré de cannibalisation que j’observerai, ou vais-je réellement toucher de nouveaux marchés ? Encore une fois, si je prends des bougies et que je dis que je vais introduire plusieurs couleurs pour ces bougies, dans quelle mesure ces bougies aux différentes couleurs vont-elles s’auto-cannibaliser, et dans quelle mesure vais-je véritablement satisfaire une demande entièrement nouvelle ?
Joannes Vermorel: Je ne sais pas, et peut-être que cet enregistreur pourrait me donner un aperçu à ce sujet. Mais dans une large mesure, ce que nous constatons habituellement, c’est qu’aussi longtemps que les entreprises commencent à introduire une certaine dose d’aléatoire induit par la machine, il y a très peu d’aléatoire. Il s’agit davantage de schémas d’habitude. Et encore une fois, cela revient aussi à la manière dont ces entreprises fonctionnent. Lorsqu’il s’agit, par exemple, d’une décision de tarification, ce n’est généralement pas une seule personne qui a eu l’idée. Il y a une méthode, et les gens sont formés à dire : “Dans ce genre de situation, vous devriez appliquer une réduction sur le produit parce que c’est la pratique habituelle et que cela a du sens.” C’est bien, mais cela signifie également que la plupart des variations de prix que vous observez dans les données historiques suivent toujours un petit nombre de schémas, qui sont précisément les méthodes en place.
Alexander Backus: Mais cela reste tout de même un bon point de départ. Lorsque, comme vous l’avez mentionné, que faites-vous d’autre ? Soit vous sacrifiez une supply chain, soit vous créez une excellente simulation, mais cela repose également sur l’idée que vous disposez de bonnes données sur lesquelles vous appuyer. Mais, comme je l’ai mentionné, si nous le faisons de manière hors ligne, en examinant notre historique de ventes existant ou les données dont nous disposons, même s’il se peut que nous ne constations pas d’énormes écarts par rapport à la norme pour observer les différentes conséquences, est-ce quand même le bon point de départ, à votre avis ?
Joannes Vermorel: Je pense que le bon point de départ est légèrement différent. Il s’agit tout d’abord de reconnaître que dès que nous avons des boucles de rétroaction, cela est fondamental. Si nous reconnaissons que ces boucles de rétroaction sont réelles et que nous voulons les traiter, c’est un changement de paradigme dans notre approche de la prévision elle-même. Vous voyez, c’est un véritable point de départ. Le reste relève de la technique. Il existe une multitude de modèles. Les modèles d’apprentissage par renforcement les plus simples, comme les bandits, peuvent être incroyablement simples. Certains sont incroyablement complexes, mais ce ne sont que des détails techniques. Ce que j’ai observé dans les supply chains réelles, c’est que le plus grand défi pour réellement commencer à intégrer quelque chose d’aussi simple que ces boucles de rétroaction est de reconnaître que cela aura en réalité des conséquences profondes sur les prévisions elles-mêmes. Les prévisions ne seront jamais les mêmes, et je ne parle pas ici de manière quantitative, mais en termes de paradigme : on ne peut plus considérer ces prévisions de la même façon. Ce n’est même plus le même objet. C’est quelque chose d’une nature différente, et c’est très difficile puisque, généralement, la question qui m’est posée est : “Ma prévision sera-t-elle plus précise ?” L’un des défis est qu’une fois que nous commençons à examiner ces boucles de rétroaction, comment mesurez-vous la précision lorsqu’elles sont présentes ? C’est une question à part entière. Une question difficile.
Alexander Backus: Oui, si je puis m’inscrire dans cette logique, je pense que nous avons discuté des défis techniques et ceux liés à la disponibilité des données. Mais je suis tout à fait d’accord avec Joannes pour dire que la principale raison pour laquelle cela n’a pas été appliqué ou adopté dans les environnements d’entreprise, c’est aussi que cela a un impact profond sur vos processus métier. Donc, dans ce type de cadre théorique…
Nicole Zint: Alors, qui pensez-vous sont les acteurs les plus tournés vers la technologie dans l’industrie du le e-commerce ?
Joannes Vermorel: La tendance est, je crois, que si je regarde les acteurs particulièrement tournés vers la technologie, il s’agit de dd.com, d’Amazon.com, d’Alibaba.com. Vous savez, ces entreprises du le e-commerce qui sont en avance sur leur temps. Oui, elles sont vraiment au sommet de leur art. Elles sont très, très efficaces.
Alexander Backus: Je serais d’accord avec cela. Ces entreprises sont sans aucun doute des leaders dans l’industrie en matière de technologie et d’innovation.
Nicole Zint: Donc, le monde a beaucoup changé au fil des années. Qu’en pensez-vous, Joannes, du monde dans lequel nous vivons aujourd’hui ?
Joannes Vermorel: Eh bien, ce n’est plus aussi simple qu’autrefois. Le monde continue de progresser, mais nous avons connu beaucoup de surprises ces dernières années. Il est évident que nous ne sommes pas au bout de l’histoire où tout est prévisible. Le monde est chaotique, et nous devons accepter l’incertitude et la complexité des humains, des machines et des processus dans les supply chains. Nous ne pouvons pas avoir un contrôle total, donc mon approche est d’être approximativement correct afin de tout capturer plutôt que d’être exactement faux.
Nicole Zint: C’est une approche vraiment intéressante. Et vous, Alexander, quel type de talent recherchez-vous lorsque vous intégrez de nouvelles personnes dans votre équipe ?
Alexander Backus: Chez IKEA, nous sommes toujours à la recherche de grands talents en data science pour résoudre les défis d’une grande entreprise. Nous disposons de nombreuses données et d’un potentiel d’impact à l’échelle mondiale, donc nous devons remettre en cause le statu quo.
Nicole Zint: Merci à vous deux pour vos éclairages. Ce fut un plaisir de vous avoir avec nous aujourd’hui.
Joannes Vermorel: Oui, merci.
Alexander Backus: Merci de m’avoir invité.