Mettre en production des décisions automatisées en supply chain - Cours 7.2

00:00 Introduction
03:39 L’automatisation a toujours été l’objectif
06:28 Gestion des exceptions et alertes
10:27 L’histoire jusqu’à présent
14:33 Notre déploiement en production aujourd’hui
15:59 Récapitulatif : livrables, périmètre et rôles
19:01 Découvrir la forme de la décision
23:00 Réponse basée sur l’héritage
27:20 Itérer jusqu’à zéro pour cent de folie
32:30 Métriques aspirantes
36:27 Double exécution : manuelle + mécanique
39:19 Paralysie de l’analyse
43:21 Prise de contrôle progressive de l’automatisation
46:08 Sédimentation du processus
48:57 Du planificateur au gestionnaire de réseau
52:46 Le touriste des KPI
54:58 Leadership : du coach au propriétaire du produit
58:46 Le patron de la supply chain analogique
01:02:25 Conclusion
01:04:44 7.2 Mettre en production des décisions automatisées - Questions ?

Description

Nous recherchons une recette numérique pour piloter une classe entière de décisions banales, telles que les réapprovisionnements de stocks. L’automatisation est essentielle pour faire de la supply chain une entreprise capitaliste. Cependant, elle comporte des risques importants de causer des dommages à grande échelle si la recette numérique est défectueuse. Échouer rapidement et casser des choses n’est pas la bonne mentalité pour valider une recette numérique en production. Cependant, de nombreuses alternatives, comme le modèle en cascade, sont encore pires car elles donnent généralement une illusion de rationalité et de contrôle. Un processus hautement itératif est la clé pour concevoir une recette numérique qui se révèle être de qualité de production.

Transcription complète

Bienvenue dans cette série de cours sur la supply chain. Je suis Johannes Vermorel et aujourd’hui je vais présenter “Mettre en production des décisions automatisées en supply chain”. Au cours des deux derniers siècles, nos économies ont connu une transformation massive grâce à la mécanisation. Les entreprises qui ont atteint un degré de mécanisation supérieur par rapport à leurs concurrents ont presque toujours poussé ces derniers à la faillite de manière systématique. La mécanisation nous permet de faire plus, mieux et plus rapidement tout en réduisant les coûts. Cela est vrai pour les tâches physiques comme déplacer des marchandises avec un chariot élévateur au lieu de les porter à la main, mais aussi pour les tâches intellectuelles comme calculer combien d’argent il vous reste en banque.

Cependant, notre capacité à mécaniser une tâche dépend de la technologie. Il existe encore de nombreuses tâches physiques qui ne peuvent pas encore être mécanisées, par exemple faire une coupe de cheveux ou changer les draps. De même, il existe encore de nombreuses tâches intellectuelles qui ne peuvent pas encore être mécanisées, comme embaucher la bonne personne ou comprendre ce que veut le client. Il n’y a aucune raison de croire que ces tâches, qu’elles soient intellectuelles ou mécaniques, ne pourront jamais être mécanisées. Cependant, la technologie n’est pas encore tout à fait prête.

La plupart des décisions routinières et monotones de la supply chain peuvent désormais être automatisées. Il s’agit d’un développement relativement récent. Il y a dix ans, le nombre de décisions de la supply chain pouvant être automatisées avec succès n’était qu’une fraction de l’ensemble du spectre des décisions de la supply chain. De nos jours, la situation est inversée et, avec la bonne technologie, les décisions répétitives de la supply chain qui ne peuvent pas être automatisées avec succès sont rares. Par automatisation réussie, je fais référence à un processus dans lequel les décisions automatisées sont supérieures à celles obtenues avec un processus manuel, et non à la capacité de générer des décisions avec un ordinateur, ce qui est trivial tant que vous ne vous souciez pas de la qualité des décisions générées.

Notre objectif aujourd’hui n’est pas la recette numérique - c’est-à-dire le logiciel qui rend une telle automatisation possible en premier lieu. Dans le contexte des processus de prise de décision de la supply chain, les ingrédients nécessaires pour élaborer une telle recette numérique ont été abordés dans les chapitres précédents de cette série de cours. Notre objectif aujourd’hui est de nous concentrer sur les parties de l’initiative de la supply chain qui sont nécessaires pour mettre une telle recette numérique en production. Le but de cette conférence est de présenter ce qu’il faut pour passer d’une prise de décision manuelle à une prise de décision automatisée en supply chain. À la fin de cette conférence, vous devriez avoir des idées sur ce qu’il faut faire et ne pas faire lors de la transition vers l’automatisation. En effet, la difficulté technique pure associée à la recette numérique tend à occulter les aspects organisationnels qui sont néanmoins tout aussi critiques pour la réussite de l’initiative.

Lorsque les praticiens de la supply chain d’aujourd’hui entendent parler de l’automatisation de la prise de décision, leur réaction immédiate est souvent “C’est une idée si futuriste. Nous n’y sommes pas encore du tout.” Cependant, l’automatisation complète des décisions monotones et répétitives de la supply chain est littéralement l’objectif depuis le tout début de l’ère numérique des supply chains, il y a plus de quatre décennies.

Dès que les ordinateurs sont devenus facilement accessibles aux entreprises, les gens ont réalisé que la plupart des décisions de la supply chain étaient des candidats évidents pour une automatisation complète. À l’écran, j’ai sélectionné une liste de publications qui illustrent cette ambition. Dans les années 1970 et 1980, ce domaine n’était même pas encore appelé supply chain. Le terme ne deviendrait populaire qu’à partir des années 1990. Cependant, l’intention était déjà claire. Ces systèmes informatiques semblaient immédiatement adaptés pour automatiser les décisions de la supply chain les plus répétitives, comme les réapprovisionnements de stocks.

Ce qui me surprend le plus, c’est que cette communauté semble quelque peu ignorer ses anciennes ambitions. De nos jours, pour paraître futuriste, le terme “supply chain autonome” est parfois utilisé par des cabinets de conseil ou des entreprises informatiques pour transmettre cette perspective de mécanisation des décisions monotones de la supply chain. Cependant, le terme “autonome” me semble inapproprié. Nous n’utilisons pas le terme “logistique autonome” pour désigner un tapis roulant doté d’un système de tri. Le tapis roulant est mécanisé, pas autonome. Le tapis roulant nécessite toujours une supervision technique, mais cette innovation ne représente qu’une infime partie de la main-d’œuvre que l’entreprise aurait autrement besoin pour transporter les marchandises sans le tapis roulant. En ce qui concerne les décisions de la supply chain, l’objectif n’est pas d’éliminer complètement les humains de l’organisation, et donc d’atteindre une technologie vraiment autonome. L’objectif est simplement de retirer les humains de la partie la plus chronophage et la plus grossière du processus. C’est exactement la perspective adoptée dans ces articles publiés il y a quatre décennies et c’est la perspective que j’adopte également dans cette conférence.

Dans les années 1990, il semble que les fournisseurs de logiciels, à la fois les fournisseurs de ERP et les spécialistes de l’optimisation des stocks, aient largement abandonné l’idée de parvenir à des décisions automatisées de la supply chain. Avec le recul, les modèles simplistes des années 1970 qui ignoraient largement de nombreux facteurs importants tels que l’incertitude étaient la cause évidente de l’échec de l’automatisation à l’époque. Cependant, résoudre cette cause profonde s’est avéré être au-delà de ce que la technologie pouvait offrir à cette époque. Au lieu de cela, les fournisseurs de logiciels se sont tournés vers des systèmes de gestion des exceptions. Ces systèmes sont censés produire des alertes de stock en fonction des règles établies par l’entreprise cliente elle-même. Le raisonnement était le suivant : laissons l’automatisation s’occuper de la majorité des lignes qui peuvent être traitées automatiquement afin de concentrer l’intervention humaine sur les lignes difficiles, les lignes qui dépassent les capacités de la machine.

Soulignons immédiatement que vendre un système de gestion des exceptions est une très bonne affaire pour le fournisseur de logiciels, mais beaucoup moins pour l’entreprise cliente. Tout d’abord, la gestion des exceptions transfère la responsabilité de la performance de la supply chain du fournisseur à l’entreprise cliente. Une fois que la gestion des exceptions est en place, si les résultats sont mauvais, c’est la faute du client. Ils auraient dû configurer de meilleures alertes pour éviter que des situations préjudiciables ne se produisent en premier lieu.

Deuxièmement, créer un système pour gérer les alertes d’inventaire paramétrées est facile pour le fournisseur de logiciels tant qu’il n’a pas à fournir de valeur de paramètre qui régit les alertes sources. En effet, d’un point de vue analytique, être capable de produire une bonne alerte d’inventaire signifie que vous pouvez concevoir une règle qui peut identifier de manière fiable les mauvaises décisions en matière d’inventaire. Si vous pouvez concevoir une règle qui peut identifier de manière fiable les mauvaises décisions en matière d’inventaire, alors par définition, la même règle peut également être utilisée pour produire de manière fiable de bonnes décisions en matière d’inventaire. En effet, la règle doit simplement être utilisée comme un filtre pour empêcher la prise de mauvaises décisions.

Troisièmement, la gestion des exceptions est une stratégie quelque peu astucieuse pour le fournisseur de logiciels afin d’exploiter la psychologie humaine. En effet, ces alertes exploitent un mécanisme connu sous le nom de “consistance et engagement” par les psychologues empiriques. Ce mécanisme crée une dépendance forte mais largement accidentelle au produit logiciel. En bref, une fois que les employés commencent à ajuster les chiffres d’inventaire, ce ne sont plus des chiffres arbitraires. Ce sont leurs chiffres, leur travail et donc les employés s’attachent émotionnellement au système, peu importe que le système fournisse réellement une performance supérieure de la supply chain ou non.

Dans l’ensemble, la gestion des exceptions est une impasse technologique car dans le cas général, l’ingénierie des exceptions fiables et l’ingénierie des alertes fiables sont exactement aussi difficiles que l’ingénierie d’une automatisation fiable pour les décisions. Si vous ne pouvez pas faire confiance à vos alertes et si vous ne pouvez pas faire confiance à vos exceptions pour qu’elles soient fiables, alors vous devez tout vérifier manuellement, ce qui vous ramène au point de départ. Le processus de prise de décision reste strictement manuel.

Cette série de conférences sur la supply chain comprend une vingtaine d’épisodes. À ce stade, d’une certaine manière, tous les éléments que nous avons introduits jusqu’à présent ont été réalisés dans le but explicite d’arriver au point où nous nous trouvons aujourd’hui : sur le point de mettre en production cette initiative de supply chain quantitative. Plus précisément, c’est la recette numérique que nous voulons mettre en prédiction et cette entreprise est l’objet de la conférence d’aujourd’hui.

Dans ces conférences, j’utilise le terme “recette numérique” pour désigner la séquence de calculs qui prend les données historiques brutes en entrée et produit les décisions finales en sortie. Cette terminologie est intentionnellement vague car elle reflète de nombreux concepts, méthodes et techniques qui ont été précisément abordés dans les conférences des chapitres précédents. Dans le premier chapitre, nous avons vu pourquoi la supply chain doit devenir programmatique et pourquoi il est très souhaitable de pouvoir mettre une telle recette numérique en production. La complexité croissante des supply chains elles-mêmes rend l’automatisation plus pressante que jamais. Il y a aussi un impératif de faire de la pratique de la supply chain une entreprise capitaliste.

Le deuxième chapitre est consacré aux méthodologies. En effet, les supply chains sont des systèmes concurrentiels. Cette combinaison défait les méthodologies naïves. Parmi les méthodologies que nous avons introduites, les personae de la supply chain et l’optimisation expérimentale sont d’une importance primordiale pour le sujet d’aujourd’hui. Les personae de la supply chain sont la clé pour adopter la bonne forme de décisions. Nous reviendrons sur ce point dans quelques minutes. L’optimisation expérimentale est essentielle pour fournir quelque chose qui fonctionne réellement. Encore une fois, nous reviendrons sur ce point également dans quelques minutes.

Le troisième chapitre examine le problème, en mettant de côté la solution par le biais des personae de la supply chain. Ce chapitre tente de caractériser les classes de problèmes de prise de décision qui doivent être abordées. Ce chapitre montre que des perspectives simplistes comme le fait de devoir simplement choisir la bonne quantité pour chaque SKU ne correspondent pas vraiment aux situations réelles. Il y a presque toujours une profondeur dans la forme des décisions.

Le quatrième chapitre examine les éléments nécessaires pour appréhender une pratique moderne de la supply chain où les éléments logiciels sont omniprésents. Ces éléments sont fondamentaux pour comprendre le contexte plus large dans lequel la recette numérique et en réalité la plupart des processus de la supply chain opèrent. En effet, de nombreux manuels de supply chain supposent implicitement que leurs techniques et leurs formules fonctionnent dans une sorte de vide. Ce n’est pas le cas. Le paysage applicatif compte.

Les chapitres 5 et 6 sont consacrés respectivement à la modélisation prédictive et à la prise de décision. Ces chapitres couvrent les aspects intelligents de la recette numérique en utilisant des techniques d’apprentissage automatique et des techniques d’optimisation mathématique. Enfin, le septième et dernier chapitre est consacré à l’exécution d’une initiative de supply chain quantitative dont le but est précisément de mettre une recette numérique en production et de la maintenir par la suite. Dans la conférence précédente, nous avons abordé ce qu’il faut pour lancer l’initiative tout en établissant les bases appropriées au niveau technique. Cela signifie la mise en place d’un pipeline de données approprié. Aujourd’hui, nous voulons franchir la ligne d’arrivée et mettre cette recette numérique en action.

Nous commencerons par un bref rappel de la conférence précédente, puis nous aborderons trois aspects importants des dernières étapes de l’initiative. Le premier aspect concerne la conception de la recette numérique. Cependant, je ne parlerai pas de la conception des éléments numériques de la recette, mais de la conception du processus d’ingénierie lui-même, qui entoure la recette numérique. Nous verrons comment aborder le défi afin de donner à l’initiative une chance de faire émerger une solution satisfaisante.

Le deuxième aspect concerne le déploiement approprié de la recette numérique. En effet, l’entreprise commence par un processus manuel et doit finir par un processus automatisé. Un déploiement adéquat peut largement atténuer le risque associé à cette transition, ou plutôt atténuer le risque associé à une recette numérique qui se révélerait défectueuse, du moins initialement.

Le troisième aspect concerne le changement qui doit se produire au sein de l’entreprise une fois l’automatisation déployée. Nous verrons que les rôles et les missions des personnes dans la division de la supply chain doivent subir une quantité substantielle de changement.

Dans la conférence précédente, nous avons vu comment démarrer une initiative de supply chain quantitative. Revisitons les aspects les plus importants. Le livrable est une recette numérique opérationnelle, qui est un logiciel qui pilote une classe de décisions de la supply chain, par exemple, le réapprovisionnement des stocks. Cette recette numérique, une fois mise en production, fournira l’automatisation que nous recherchons. Les décisions ne doivent pas être confondues avec des artefacts numériques tels que les prévisions de la demande, qui ne sont que des résultats intermédiaires qui peuvent contribuer au calcul des décisions elles-mêmes.

Le périmètre de l’initiative doit être aligné à la fois avec la supply chain, comprise comme un système, et son paysage applicatif sous-jacent. Il est essentiel de prêter attention aux propriétés systémiques de la supply chain afin d’éviter de déplacer les problèmes plutôt que de les résoudre. Par exemple, si l’optimisation des stocks d’un magasin dans une chaîne de vente au détail se fait au détriment des autres magasins, alors cette optimisation est sans signification. De plus, il est important de prêter attention au paysage applicatif car nous devons minimiser les efforts initiaux de plomberie des données. Les ressources informatiques sont presque toujours un goulot d’étranglement et nous devons veiller à ne pas aggraver cette limitation.

Enfin, nous avons identifié quatre rôles pour cette initiative, à savoir le responsable de la supply chain, le responsable des données, le scientifique de la supply chain et le praticien de la supply chain. Le responsable de la supply chain est responsable de la stratégie, de la conduite du changement et arbitre les choix de modélisation. Le responsable des données est responsable de la configuration du pipeline de données, qui rend les données transactionnelles pertinentes disponibles à la couche analytique. Dans cette conférence, nous supposons que le pipeline de données a déjà été configuré. Le scientifique de la supply chain est chargé de la mise en œuvre de la recette numérique, qui comprend beaucoup d’instrumentation, pas seulement les parties algorithmiques intelligentes. Enfin, le praticien de la supply chain est une personne impliquée dans le processus de prise de décision manuelle. Cette personne a généralement un rôle de planification de l’offre et de la demande, bien que la terminologie puisse varier. Au début de l’initiative, on s’attend à ce qu’ils passent du rôle de planificateur de réseau à celui de responsable de réseau à la fin de l’initiative. Nous reviendrons sur ce point plus tard dans la conférence.

Les supply chains sont assez favorables à l’automatisation des processus de prise de décision. Il existe de nombreuses décisions banales et très répétitives qui sont quantitatives par nature. Malheureusement, la perspective de modélisation offerte dans la plupart des manuels de supply chain est généralement trop simpliste. Je ne dis pas que les techniques des manuels sont trop simples ou simplistes. Cependant, je dis simplement que le genre de problèmes présentés dans ces manuels tend à être simpliste. Prenons par exemple une situation de réapprovisionnement des stocks. La perspective des manuels cherche la politique de stock optimale pour calculer combien d’unités doivent être réapprovisionnées. C’est bien, mais c’est souvent une réponse plutôt incomplète.

Par exemple, nous devons décider si les marchandises vont être expédiées par avion ou par mer, les deux modes de transport représentant un compromis entre le délai de livraison et le coût du transport. Nous devons peut-être choisir un fournisseur parmi plusieurs fournisseurs éligibles. Nous devons peut-être décider du plan d’expédition exact avec plusieurs dates d’expédition si la quantité est suffisamment importante pour justifier plusieurs expéditions.

Le troisième chapitre de cette série, un chapitre consacré aux personnages de la supply chain, présente des vues détaillées de situations réelles de la supply chain dans lesquelles nous constatons qu’il y a presque toujours des subtilités au-delà du choix d’une seule quantité pour un SKU donné. Ainsi, le Supply Chain Scientist, avec l’aide du Supply Chain Practitioner et du Supply Chain Executive, doit commencer par découvrir la forme complète de la décision. La forme complète de la décision doit inclure tous les éléments qui contribuent à façonner l’opération réelle de la supply chain. Découvrir la forme complète de la décision est difficile.

Premièrement, la division du travail telle qu’elle est mise en œuvre dans la plupart des entreprises opérant une grande supply chain fragmente généralement les différents aspects de la décision entre plusieurs employés et parfois entre plusieurs départements. Par exemple, une personne choisit la quantité à réapprovisionner tandis qu’une autre personne décide quel fournisseur reçoit le bon de commande.

Deuxièmement, les aspects plus subtils de la décision, tels que demander au fournisseur d’accélérer la commande en cas de pic de demande, ont tendance à être négligés car les praticiens ne réalisent pas que ces aspects peuvent et doivent également être automatisés. Je suggère de rédiger la description de cette forme complète de décision, non pas sous forme de diapositives, mais sous forme de texte réel. En particulier, le texte doit clarifier le “pourquoi”. Qu’est-ce qui est exactement en jeu avec chaque aspect de la décision ? En effet, alors que certains aspects de la décision peuvent être relativement évidents, tels que la quantité dans une réapprovisionnement, d’autres aspects peuvent être négligés ou oubliés. Par exemple, un fournisseur peut proposer moyennant un prix l’option de retourner les marchandises dans les six mois si les colis restent intacts. Exercer ou non cette option devrait faire partie de la décision, mais cela peut être facilement oublié.

Ne pas réussir à identifier la forme complète de la décision de la supply chain ou pire encore, caractériser incorrectement la décision, est l’un des moyens les plus sûrs d’échouer dans l’initiative. En particulier, la réponse basée sur l’héritage est l’une des erreurs les plus fréquentes qui se produisent dans les grandes entreprises. L’essence de la réponse basée sur l’héritage est d’adopter une forme de décision qui n’a en réalité aucun sens pour l’entreprise et sa supply chain, mais qui est néanmoins adoptée car la forme correspond à un logiciel transactionnel existant ou à un processus existant au sein de l’organisation.

Par exemple, il peut être décidé que le réapprovisionnement des stocks doit être contrôlé par le calcul des niveaux de stocks de sécurité au lieu de calculer directement les quantités réellement à réapprovisionner. Le calcul des stocks de sécurité peut sembler plus facile car ces stocks de sécurité existent déjà dans l’ERP. Ainsi, si les valeurs des stocks de sécurité devaient être recalculées, ces valeurs pourraient être facilement injectées dans l’ERP, en remplaçant quelle que soit la formule qui a été réellement utilisée dans le DRP.

Cependant, les stocks de sécurité présentent des inconvénients importants. Même quelque chose d’aussi basique qu’une quantité minimale de commande (MOQ) ne correspond pas à une perspective de stocks de sécurité. Au minimum, cette mise en œuvre est privilégiée non pas en raison d’un logiciel, mais en raison de processus préexistants au sein de l’organisation.

Par exemple, un réseau de vente au détail peut avoir deux équipes de planification : une équipe dédiée au réapprovisionnement des magasins et une équipe dédiée aux niveaux de personnel des centres de distribution. Cependant, ces deux problèmes sont fondamentalement les mêmes. Une fois que les quantités de réapprovisionnement ont été choisies pour les magasins, il n’y a plus de marge de manœuvre pour décider de la quantité de personnel nécessaire pour les centres de distribution. Ainsi, les deux équipes ont fondamentalement des missions qui se chevauchent. Cette division du travail fonctionne tant que les humains sont dans la boucle. Les humains sont bons pour gérer les exigences ambiguës. Cependant, cette ambiguïté représente un obstacle majeur pour toute tentative d’automatisation du réapprovisionnement ou des besoins en personnel.

Ce contre-modèle, la réponse basée sur l’héritage, est très tentant car il minimise la quantité de changement à mettre en œuvre. Cependant, l’automatisation de la décision change même la manière dont la décision doit être abordée. Souvent, si la conception héritée est maintenue, l’initiative de la supply chain quantitative est vouée à l’échec.

Premièrement, cela complique davantage la conception de la recette numérique, qui est déjà une tâche assez complexe. En effet, les modèles qui étaient adaptés à une division du travail entre les employés humains ne conviennent pas à un logiciel qui est simplement mécanique.

Deuxièmement, la réponse basée sur l’héritage annule également bon nombre des avantages potentiels associés à l’automatisation. En effet, dans la supply chain, de nombreuses inefficacités se trouvent aux frontières qui existent au sein de l’entreprise. L’automatisation supprime la nécessité de la plupart de ces frontières qui ont été introduites en raison d’une manière spécifique d’organiser la division du travail qui n’a aucun sens si vous avez un ordinateur qui s’occupe de tout. Ne laissez pas les décisions prises il y a deux ou trois décennies dicter l’avenir de votre supply chain.

Une fois que la forme de la décision a été correctement caractérisée, le supply chain scientist commence à élaborer la recette numérique elle-même, en exploitant les données transactionnelles historiques. Dans cette série de conférences, deux chapitres sont consacrés aux détails des techniques algorithmiques pouvant être utilisées pour apprendre et optimiser. Je ne reviendrai pas sur ces éléments aujourd’hui. Disons simplement que le supply chain scientist prend une série de décisions pour élaborer une recette numérique initiale basée sur ses connaissances, son expérience et les outils disponibles pour les supply chain scientists.

Avec les outils et techniques appropriés, ce brouillon initial peut et doit être mis en œuvre en quelques jours, quelques semaines au maximum. En effet, il ne s’agit pas de recherche avancée visant à découvrir une nouvelle technique, mais simplement d’élaborer une adaptation des techniques connues qui intègre les spécificités de la supply chain concernée. En effet, la recette numérique doit strictement prendre en compte les détails de la décision tels qu’ils ont été identifiés dans leur forme complète.

Même en considérant un supply chain scientist très compétent utilisant les meilleurs outils que l’argent peut acheter, il est inutile de s’attendre à ce que la recette numérique soit correcte dès la première tentative. En effet, les supply chains sont trop complexes et obscures, en particulier leurs représentations numériques, pour obtenir une recette numérique correcte dès la première fois. Les méthodes numériques introspectives telles que les métriques et les benchmarks ne peuvent pas détecter une mauvaise compréhension par le supply chain scientist d’une donnée.

Pour chaque colonne dans chaque table obtenue à partir du système de transaction qui opère l’entreprise, il y a généralement plusieurs façons possibles d’interpréter ces données. Étant donné que nous parlons de dizaines de colonnes à intégrer dans la recette numérique, des erreurs sont garanties. La seule façon d’évaluer la justesse de la recette numérique est de la mettre à l’épreuve et d’obtenir des retours du monde réel. Cela a été discuté dans le deuxième chapitre de cette série lors de la conférence intitulée “Optimisation expérimentale”.

Ainsi, le supply chain scientist doit collaborer avec le praticien de la supply chain afin d’identifier les situations où la recette numérique, dans sa forme actuelle, donne encore des résultats insensés. En gros, le supply chain scientist met en place un tableau de bord qui consolide la décision telle qu’elle serait prise aujourd’hui par la recette numérique, et le praticien de la supply chain tente d’identifier les lignes qui semblent insensées.

Sur la base de ces retours, les scientifiques instrumentent davantage la recette numérique. L’instrumentation prend la forme d’indicateurs qui tentent de répondre à la question : pourquoi cette décision apparemment insensée a-t-elle été prise dans ce contexte ? Sur la base de cette instrumentation, il devient possible de décider si la recette numérique doit être corrigée, par exemple parce qu’un moteur économique est mal modélisé, ou si la décision apparemment insensée est en réalité correcte, mais différente de ce qui a été fait jusqu’à présent dans l’entreprise.

L’optimisation expérimentale est un processus hautement itératif. En règle générale, avec les bons outils, un supply chain scientist à temps plein doit être en mesure de présenter une nouvelle itération de la recette numérique chaque jour au praticien de la supply chain. Si la recette numérique est correctement instrumentée, au fur et à mesure de l’avancement de l’initiative, le praticien ne devrait pas avoir besoin de plus de deux heures par jour pour fournir des commentaires sur la dernière itération de la recette numérique.

L’itération s’arrête lorsque la recette numérique ne génère plus de résultats insensés, c’est-à-dire lorsque le praticien ne peut plus identifier de décisions qui sont manifestement préjudiciables à l’entreprise. L’absence de décisions insensées peut sembler être un objectif peu élevé par rapport à notre objectif global de générer des décisions supérieures par rapport au processus manuel. Cependant, gardons à l’esprit que la recette numérique a été conçue dès le départ pour effectuer explicitement une optimisation mathématique de l’intérêt économique à long terme de l’entreprise. Si les résultats sont sensés, alors l’optimisation fonctionne, et plus important encore, cela prouve également que le critère d’optimisation lui-même est quelque peu correct.

Bien que le processus d’ingénierie hautement itératif de la recette numérique puisse résoudre de nombreux problèmes présents dans la mise en œuvre initiale, les itérations seules ne suffisent pas si la perspective même qui entre dans l’optimisation est incorrecte. Dans cette série de conférences, j’ai déjà dit que l’optimisation doit être effectuée selon une mesure financière, c’est-à-dire une mesure exprimée en euros ou en dollars. Cependant, permettez-moi de préciser cette affirmation : ne pas utiliser une mesure financière est une erreur qui met en danger toute l’initiative.

Malheureusement, les grandes organisations ont généralement tendance à éviter les mesures financières. Au lieu de cela, elles préfèrent des mesures aspirantes, qui se présentent sous la forme d’un pourcentage et représentent une sorte de perfection qui serait atteinte si l’on atteignait soit zéro pour cent, soit 100 pour cent, selon le cas. Naturellement, la perfection n’est pas de ce monde, et cette situation limite ne sera jamais atteinte. Les taux de service, par exemple, sont l’archétype de la mesure aspirante. Le taux de service à 100% est impossible à atteindre, car cela nécessiterait une quantité déraisonnable de stock.

Certains managers des grandes entreprises adorent ces mesures aspirantes. Les équipes se réunissent régulièrement pour discuter de ce qui peut être fait pour améliorer davantage ces mesures. Comme ces mesures dépendent invariablement de facteurs qui échappent au contrôle de l’entreprise, elles peuvent être sans cesse réexaminées. Par exemple, les taux de service dépendent du volume de la demande exprimée par les clients et des délais de livraison proposés par les fournisseurs. Ni la demande ni les délais de livraison ne sont entièrement sous le contrôle de l’entreprise.

Ces mesures aspirantes fonctionnent plus ou moins comme des objectifs d’entreprise lorsque les humains restent dans la boucle de prise de décision, car les humains ne prêtent pas trop attention à ces mesures en premier lieu. Par exemple, même si tout le monde convient que le taux de service devrait être augmenté, les planificateurs maintiendront toujours de nombreuses exceptions non documentées. Le taux de service sera systématiquement augmenté, sauf si le risque de stock est trop élevé, si la quantité minimale de commande (MOQ) est trop élevée, si le produit est sur le point d’être abandonné ou s’il ne reste plus de budget pour le produit, etc.

Malheureusement, ces mesures aspirantes deviennent toxiques lors de la mise en place d’un processus automatisé. En effet, ces mesures sont incomplètes et ne reflètent pas ce qui est réellement souhaitable pour l’entreprise. Par exemple, atteindre un taux de service de 100% n’est pas souhaitable car cela créerait des surstocks massifs pour l’entreprise. Il est possible - pas déraisonnable mais possible - de tenter de réimplémenter toutes ces contraintes, toutes ces exceptions en plus des mesures aspirantes. Je veux dire par là d’avoir la recette numérique visant les mesures aspirantes avec de nombreuses contraintes imitant ce qui peut se passer dans la tête d’un planificateur. Par exemple, nous pourrions définir la règle selon laquelle le taux de service devrait être augmenté tant que nous maintenons le stock en dessous de quatre mois de stock. Cependant, cette stratégie de conception et de mise en œuvre réelle de la recette numérique est extrêmement fragile. L’optimisation financière directe est un chemin beaucoup plus sûr et supérieur.

Afin de parvenir à une collaboration efficace entre le praticien de la supply chain - ou plus probablement les praticiens, au pluriel - et le scientifique de la supply chain, je recommande d’adopter dès le début une stratégie de double exécution. La recette numérique doit être exécutée quotidiennement aux côtés du processus manuel préexistant. Avec la double exécution, l’entreprise génère effectivement la décision deux fois grâce à deux processus concurrents. Cependant, malgré les frictions, une double exécution offre des avantages substantiels. Tout d’abord, le praticien de la supply chain a besoin de décisions fraîchement générées qui correspondent à la situation actuelle pour faire son évaluation. Sinon, le praticien ne peut même pas donner de sens à la décision automatisée, ne peut même pas identifier les parties qui sont insensées. En effet, du point de vue du praticien, les décisions reflétant la situation de la supply chain il y a trois semaines relèvent de l’histoire ancienne. Il y a peu à gagner à passer des heures à revisiter les niveaux de stock passés.

Au contraire, si les décisions automatisées sont fraîches et reflètent la situation actuelle, alors ces décisions automatisées concurrencent les décisions que le praticien est sur le point de prendre manuellement. Ces décisions automatisées peuvent être considérées comme des suggestions pour le moment.

Deuxièmement, l’exécution quotidienne de la recette numérique garantit que l’ensemble du pipeline de données passe un test fonctionnel complet chaque jour. En effet, la recette numérique doit non seulement fournir des résultats cohérents, mais elle doit également fonctionner parfaitement du point de vue de l’infrastructure informatique. En effet, les chaînes d’approvisionnement sont assez chaotiques ; la recette numérique ne doit pas ajouter sa propre couche de chaos par-dessus. Mettre la recette dans des conditions de production dès que possible garantit que les problèmes peu fréquents se manifesteront tôt et que l’officier des données et les scientifiques de la chaîne d’approvisionnement auront peut-être la chance de résoudre ces problèmes rapidement. En règle générale, d’ici la fin du premier tiers - donc d’ici la fin du troisième mois après le début d’une initiative d’approvisionnement en quantité - l’exécution double devrait être en place, même si la recette numérique n’est pas encore prête à être mise en production.

De plus, d’ici la fin du premier mois de l’exécution double, si le scientifique fait du bon travail, le praticien devrait commencer à observer des schémas dans la liste des décisions automatisées qui auraient été manquées autrement, même s’il y a encore quelques lignes insensées qui nécessitent encore une amélioration de la recette numérique.

Une fois que l’exécution double est en place, on s’attend à ce que le praticien de la chaîne d’approvisionnement consacre du temps - une ou deux heures par jour - à surveiller les décisions générées par la recette numérique et qu’il tente d’identifier les parties qui ne sont pas encore tout à fait cohérentes. Cependant, parfois, la situation sera simplement floue. Une décision est surprenante - peut-être que la recette numérique est lente, peut-être que ce n’est pas le cas. Le praticien se sent incertain et dans ce cas, il devrait demander au scientifique d’ajouter plus d’instruments pour éclairer la situation. Ce processus est exactement ce qui est désigné dans cette série de conférences comme la mise en boîte blanche de la recette numérique. La mise en boîte blanche est un processus dans lequel la recette numérique est rendue aussi transparente que possible pour les actionnaires. La mise en boîte blanche est une bonne chose - voire essentielle - pour instaurer la confiance dans la recette numérique.

En supposant que les décisions automatisées sont rassemblées dans un tableau de bord, la forme la plus courante d’instrumentation sera des colonnes supplémentaires à côté des colonnes de décision. Par exemple, si nous considérons les quantités de réapprovisionnement, il existe des colonnes d’instrumentation évidentes qui peuvent être prises en compte, telles que la quantité de stock disponible, le délai moyen de livraison prévu, la demande moyenne attendue sur une base quotidienne, etc. Cette instrumentation est essentielle pour que le praticien puisse faire des évaluations rapides de la cohérence des décisions automatisées. Cependant, nous devons être attentifs à la quantité d’instrumentation qui s’accumule par-dessus la recette numérique. Chaque indicateur introduit pour décorer la décision automatisée dans le cadre du processus de mise en boîte blanche encombre un peu plus la vue que l’on peut avoir des décisions elles-mêmes. Trop de bien peut devenir un mal. Si après deux mois d’exécution, le praticien continue de demander régulièrement plus d’instrumentation alors que le pipeline de données a déjà été stabilisé, alors nous pouvons avoir un problème.

La cause profonde du problème peut être associée à des parties intelligentes de la recette numérique. Dans les chapitres 5 et 6 de cette série, nous avons vu que toutes les techniques et modèles ne sont pas égaux en termes d’interprétabilité. De nombreux modèles sont très opaques par conception, même pour les data scientists qui les utilisent. Je ne vais pas revisiter aujourd’hui les classes de modèles qui répondent aux critères en termes d’interprétabilité. Pour les besoins de cette discussion, je vais simplement supposer que les modèles qui ont été intégrés à la recette numérique sont correctement interprétables d’un point de vue de la supply chain. Dans ce contexte, lorsque l’initiative semble stagner en raison d’un flux incessant de demandes d’instrumentation supplémentaire, la cause la plus probable est l’analyse paralysante. Le praticien de la supply chain réfléchit trop à son évaluation de la recette numérique. C’est l’essence même de l’analyse paralysante. Le praticien soumet la recette numérique à un degré de rigueur qui dépasse ce qui est fait pour le processus manuel. Il incombe au responsable de la supply chain de veiller à ce que l’initiative ne reste pas bloquée dans l’analyse paralysante. Et si cela se produit quand même, et cela peut arriver, il incombe également au responsable de la supply chain de rappeler gentiment à l’équipe que les décisions prises par les humains sont également imparfaites. Nous cherchons à améliorer le processus manuel, pas à atteindre la perfection.

Une fois que la recette numérique ne génère plus de décisions insensées et une fois que les décisions elles-mêmes sont accompagnées d’un niveau d’instrumentation approprié, il est temps de procéder à une prise en charge progressive du processus automatisé en remplacement du processus manuel. En règle générale, ce point devrait être atteint dans les deux à quatre mois suivant le lancement de l’exécution simultanée. Dès le premier jour de l’exécution simultanée, la recette numérique devrait fonctionner sur l’ensemble du périmètre de l’initiative. Ainsi, en théorie, la transition des décisions manuelles aux décisions automatisées pourrait se faire du jour au lendemain.

Cependant, la pratique est souvent en désaccord avec la théorie. Si nous parlons d’une entreprise de taille importante, il est important de ne pas passer toutes les décisions d’un processus à un autre du jour au lendemain. Les supply chains sont très complexes et nous devons nous attendre à l’inattendu. Il est donc plus sage de commencer par un périmètre opérationnel réduit, comme une seule catégorie de produits, et de s’étendre à partir de là. Pour les premières étapes de la prise en charge, il est approprié de prendre une semaine, voire deux semaines, pour chaque itération. Le praticien de la supply chain et les scientifiques de la supply chain doivent inspecter attentivement la manière dont les décisions automatisées se déroulent. Et si rien d’inattendu ne se produit sur ce périmètre opérationnel réduit, même si la recette numérique ne génère plus de décisions apparemment insensées à ce stade, il peut encore y avoir des problèmes dans la manière dont les décisions automatisées sont intégrées aux systèmes transactionnels. Une fois que la recette numérique a été utilisée pour la production pendant quelques semaines, même si le périmètre était relativement restreint, il est approprié d’accélérer les itérations.

La prise en charge peut connaître des augmentations plus importantes à chaque itération et la durée des itérations elles-mêmes peut également être compressée, éventuellement jusqu’à deux itérations par semaine. En effet, la durée totale de la transition vers le processus automatisé doit être raisonnablement courte. Sinon, le retard de la prise en charge introduit lui-même d’autres classes de risques. La supply chain continue de changer ainsi que son paysage applicatif. En règle générale, la prise en charge ne doit pas dépasser deux à quatre mois en fonction de l’échelle et de la complexité de l’entreprise.

À mesure que la supply chain passe d’un processus manuel à un processus automatisé, une série de changements au sein de l’organisation doit également se produire. Les grandes organisations sont notoirement difficiles à changer, mais il existe deux directions distinctes pour le changement. L’organisation peut ajouter un processus ou l’organisation peut supprimer un processus.

Supprimer un processus est beaucoup plus difficile que d’en ajouter un. Ajouter un processus signifie embaucher des personnes et la seule opposition à cela viendra du sommet de l’entreprise car c’est une ligne budgétaire supplémentaire. Supprimer un processus signifie licencier des personnes ou du moins supprimer leurs emplois tout en conservant et en requalifiant les employés. Lors de la suppression d’un processus, la situation est inversée. On peut s’attendre à une opposition de l’ensemble de l’organisation, sauf de son sommet.

La manière la plus simple de mettre une recette numérique en production consiste à maintenir une double exécution indéfiniment. Le processus manuel existant est préservé et il exploite désormais les décisions automatisées comme de simples suggestions. Cette approche est sécurisante et peut même offrir des gains marginaux, car les suggestions automatiques permettent aux praticiens d’identifier certaines des pires erreurs associées au processus manuel. Cependant, le maintien de la double exécution indéfiniment entraîne une sédimentation du processus, où l’organisation échoue à supprimer quelque chose.

Pour que les pratiques de la supply chain deviennent une entreprise capitaliste - un actif productif - l’organisation doit abandonner le processus manuel. Le processus manuel est une impasse ; il ne s’améliorera pas davantage avec le temps. L’organisation doit rediriger tout le temps et l’énergie consacrés au processus manuel vers l’amélioration continue du processus automatisé. Le maintien du processus manuel ne fait qu’entraver la capacité à tirer le meilleur parti de l’automatisation et de ce qu’elle a à offrir. En particulier, tant que des remplacements manuels continuent de se produire, rien n’est vraiment reproductible en raison des interventions manuelles, et donc, rien ne peut être vraiment optimisé, car l’optimisation nécessite une reproductibilité.

L’automatisation des décisions, même en considérant celles qui sont banales et répétitives, représente un changement de paradigme dans la gestion des supply chains. Le changement est si important qu’il est tentant de le rejeter en bloc. Cependant, le changement est en marche. Deux siècles de mécanisation progressive de notre économie ont clairement montré que dès qu’une chose peut être automatisée, elle l’est. Après un certain temps, il n’est plus possible de revenir à l’état précédent. Lokad gère environ 100 supply chains dans des configurations hautement automatisées, fournissant ainsi la preuve vivante que l’automatisation de la supply chain est déjà là ; elle n’est tout simplement pas encore généralisée.

L’un des plus grands changements à mettre en place par nos clients concerne le rôle du planificateur de l’offre et de la demande. La forme la plus courante de ces rôles, qui porte différents noms dans l’industrie - tels que gestionnaires de stocks, gestionnaires de catégories ou gestionnaires d’approvisionnement - implique qu’un employé possède une liste restreinte de SKU, pouvant varier de 50 à 5 000 SKU en fonction du volume de flux. Le planificateur est responsable de la disponibilité continue des SKU de la liste restreinte, que ce soit en déclenchant le réapprovisionnement des stocks ou la production, ou les deux. La répartition des tâches est simple : plus le nombre de SKU augmente, plus le nombre de planificateurs augmente également.

L’attention du planificateur est tournée vers l’intérieur. Cette personne passe beaucoup de temps à examiner des chiffres, soit consolidés dans un tableur, soit affichés sur des tableaux de bord. Les planificateurs peuvent utiliser des outils logiciels d’entreprise, mais ils finalisent presque systématiquement leurs décisions dans des tableurs qu’ils gèrent personnellement. Le but du tableur est de fournir un contexte numérique accessible et entièrement personnalisable pour soutenir les décisions prises par le planificateur. La routine du planificateur consiste à revoir l’ensemble de la liste restreinte de SKU chaque semaine, voire chaque jour.

Cependant, une fois que la recette numérique est mise en production, il est inutile de maintenir ce calendrier de révision manuelle de la liste restreinte de SKU par le planificateur. Le planificateur devrait passer au rôle de gestionnaire de réseau. Largement libéré des routines liées aux données, le gestionnaire de réseau peut consacrer son temps à communiquer avec le réseau, tant en amont avec les fournisseurs qu’en aval avec les clients, et à revoir les hypothèses qui sous-tendent la conception de la recette numérique. Le principal danger qui menace la recette numérique n’est pas de perdre sa précision, mais de perdre sa pertinence. Le gestionnaire de réseau essaie d’identifier ce qui ne peut pas être vu à travers les lentilles des données, du moins pas encore. Il ne s’agit pas de microgérer la recette numérique ou d’apporter des ajustements numériques aux décisions elles-mêmes ; il s’agit d’identifier les facteurs qui restent ignorés ou mal compris par la recette numérique.

Le gestionnaire de réseau consolide les informations destinées à la fois aux scientifiques de la supply chain et aux dirigeants de la supply chain. Sur la base de ces informations, les scientifiques peuvent ajuster ou refactoriser la recette numérique pour refléter une compréhension renouvelée de la situation.

Malheureusement, s’opposer au déploiement de la recette numérique n’est pas le seul moyen pour le planificateur de maintenir le statu quo. Une autre stratégie consiste à continuer la même routine de travail : continuer à examiner la liste restreinte de SKU, mais au lieu de passer outre les décisions, simplement rapporter toutes les constatations, le cas échéant, au scientifique de la supply chain. Les gens aiment leurs habitudes, et les employés des grandes entreprises encore plus.

Le problème avec cette approche est que, une fois que l’automatisation est en place, les scientifiques de la supply chain peuvent observer directement les résultats du processus automatisé, tant les bons que les mauvais. Le planificateur et les scientifiques ont accès aux mêmes données ; cependant, le scientifique, par définition, dispose d’outils analytiques plus puissants par rapport au planificateur. Ainsi, une fois que l’automatisation est déployée, la valeur ajoutée des commentaires du planificateur diminue rapidement en ce qui concerne l’amélioration continue de la recette numérique.

Comme le planificateur dispose désormais de plus de temps pour analyser, il est susceptible de demander à ce que le scientifique crée davantage d’indicateurs et de tableaux de bord. Cela conduit à ce que l’on appelle le “tourisme des KPI” : augmenter le nombre d’indicateurs à examiner jusqu’à ce que leur simple examen devienne un travail à temps plein. Cette charge de travail devient également une distraction pour les scientifiques. À ce stade, après le déploiement, l’amélioration de la recette numérique nécessite une bonne compréhension des faiblesses de la mise en œuvre réelle. Le scientifique est idéalement placé pour effectuer ce travail, tandis que le planificateur est beaucoup moins adapté. Pour être utile, le planificateur doit devenir un gestionnaire de réseau et, comme indiqué précédemment, commencer à regarder vers l’extérieur. Sinon, la position du planificateur se réduit à du tourisme des KPI.

Le travail du responsable de la supply chain est largement défini par l’organisation et ses processus. Tant que les décisions banales restent le résultat d’un processus manuel, il n’y a pas d’autre alternative pour l’organisation que d’adopter une division du travail où chaque planificateur travaille sur sa propre liste restreinte de SKU. Ainsi, le responsable de la supply chain est avant tout le responsable d’une équipe de planificateurs. Si l’entreprise est suffisamment grande pour justifier une couche de gestion intermédiaire, alors le responsable ne gère peut-être que de manière indirecte les planificateurs. Néanmoins, la division de la supply chain reste la même : une pyramide avec les planificateurs en bas. Par nécessité, être un bon responsable de la supply chain signifie être un bon coach pour ces planificateurs. Ce n’est pas le responsable qui prend les décisions de la supply chain ; ce sont les planificateurs qui prennent ces décisions. Améliorer les décisions est principalement une question de faire un meilleur travail par les planificateurs.

Les fournisseurs de logiciels de supply chain soutiennent que leurs outils peuvent faire la différence. Cependant, comme nous l’avons déjà souligné, les feuilles de calcul sont presque toujours utilisées pour prendre ces décisions, quelle que soit la quantité d’outils mis en place au sein de l’entreprise. Ainsi, en fin de compte, tout se résume à ce que les planificateurs font avec leurs propres feuilles de calcul.

Une fois qu’une classe de décision de la supply chain a été automatisée, le travail du responsable de la supply chain change considérablement. Le travail ne consiste plus à coacher une grande équipe de planificateurs qui font tous des variations du même travail. Le travail consiste désormais pour le responsable de la supply chain à faire tout ce qui est nécessaire pour que l’entreprise tire le meilleur parti de son automatisation de la supply chain. Le responsable doit devenir le propriétaire du produit logiciel qui pilote efficacement les décisions de la supply chain.

En effet, la focalisation et la contribution des scientifiques de la supply chain sont tournées vers l’intérieur, tout comme les contributions antérieures des planificateurs. Les scientifiques ne peuvent améliorer la recette numérique que de l’intérieur. On ne peut pas s’attendre à ce qu’ils refondent le paysage applicatif ou les processus de l’entreprise dans leur ensemble. C’est le travail du responsable de la supply chain de faire en sorte que cela se produise. En particulier, le responsable devient responsable de l’établissement d’une feuille de route pour l’amélioration continue de l’automatisation.

Tant que les décisions étaient prises par les planificateurs, la feuille de route était largement évidente. Les planificateurs continueraient à faire ce qu’ils font, et la mission pour le prochain trimestre serait largement similaire à celle qu’ils avaient pendant le trimestre précédent. Cependant, une fois que l’automatisation est en place, l’amélioration de la recette numérique implique presque toujours de faire quelque chose qui n’a jamais été fait auparavant. Lorsque vous créez un logiciel, si vous le faites correctement, vous ne vous répétez pas - vous avancez. Une fois qu’une idée a été acquise, un nouveau type d’idée doit être recherché. La mission des personnes travaillant sous la responsabilité du propriétaire du produit logiciel change en permanence par conception.

Les nouvelles orientations et objectifs ne tombent pas du ciel. Il incombe au responsable de la supply chain de diriger le développement du produit logiciel de la supply chain dans des directions favorables.

La majorité des problèmes auxquels les supply chains sont confrontées au quotidien sont des problèmes logiciels. Cela est le cas depuis plus d’une décennie déjà dans les pays développés, même dans les entreprises où toutes les décisions sont dérivées manuellement de feuilles de calcul. Cette situation est une conséquence directe du fait que les supply chains se trouvent à la croisée de nombreux systèmes : ERP, CRM, WMS, OMS, PIM et des dizaines d’acronymes à trois lettres aimés par les fournisseurs de logiciels d’entreprise décrivant les différentes parties du logiciel d’entreprise qui contiennent toutes les données d’intérêt pour la supply chain. Les supply chains nécessitent une perspective de bout en bout de l’entreprise et, par conséquent, elles finissent par connecter la plupart du paysage applicatif de l’entreprise. Cependant, la plupart des entreprises semblent toujours choisir des responsables de la supply chain qui en savent très peu sur les logiciels. Pire encore, certains de ces responsables n’ont aucune intention d’apprendre quoi que ce soit sur les logiciels. Cette situation est le contre-exemple du “bus d’analyse de la supply chain”. Lorsque je parle de logiciel, il faut comprendre le genre de sujet que j’ai abordé dans le quatrième chapitre de cette série de cours, avec des sujets allant du matériel informatique à l’ingénierie logicielle.

De nos jours, l’illettrisme logiciel dans la haute direction de la supply chain pose de graves problèmes pour l’entreprise. Soit la direction pense qu’elle peut s’en sortir très bien sans expertise logicielle, soit elle pense qu’elle peut s’en sortir très bien avec une expertise logicielle externe. Dans les deux cas, les conséquences ne sont pas bonnes.

Si la direction pense qu’elle peut s’en sortir très bien sans expertise logicielle, alors l’entreprise va perdre du terrain sur tous les canaux électroniques, tant du côté de la vente que du côté de l’achat. Pourtant, comme de nombreux employés se rendent compte que ces canaux électroniques sont importants, que la direction le veuille ou non, l’IT parallèle sera généralisée. De plus, soyez assuré que pour la prochaine transition majeure du logiciel au sein de l’entreprise, cette transition sera très mal gérée, ce qui entraînera de longues périodes de basse qualité de service en raison de problèmes liés aux logiciels qui auraient pu être évités dès le départ.

Si la direction pense qu’elle peut s’en sortir très bien avec une expertise logicielle externe, c’est légèrement mieux que dans le cas précédent, mais pas beaucoup. S’appuyer sur des experts externes est bien si vous avez un problème étroit et autonome, comme garantir que votre processus d’embauche est conforme à une réglementation. Cependant, les défis de la supply chain ne sont pas autonomes ; ils se propagent dans toute l’entreprise et très souvent même au-delà de l’entreprise. Le piège le plus fréquent associé à la pensée selon laquelle l’expertise peut être externalisée consiste à dépenser des sommes déraisonnables auprès de grands fournisseurs de logiciels, en espérant qu’ils résoudront les problèmes pour vous. Surprise - ils ne le feront pas. Le seul remède à ces problèmes est un minimum de culture logicielle de la part de la haute direction.

Aujourd’hui, nous avons expliqué comment mettre en production des décisions automatisées de la supply chain. Le processus est un mélange de conception, d’ingénierie et de conduite du changement. C’est un parcours difficile, avec de nombreux chemins apparemment faciles ou rassurants qui mènent droit à l’échec de l’initiative. Pour réussir, l’initiative nécessite une évolution substantielle des rôles et des missions à la fois de la haute direction de la supply chain et de ses employés.

Pour les entreprises profondément enracinées dans leurs processus manuels, mener une telle initiative peut sembler insurmontable, et maintenir le statu quo peut sembler être la seule option. Cependant, je ne suis pas d’accord avec cette conclusion sur deux points. Premièrement, bien que le parcours soit ardu, il est peu coûteux, du moins par rapport à la plupart des investissements commerciaux. En réinvestissant le coût annuel de cinq planificateurs de la demande, l’entreprise peut automatiser la charge de travail de 50 planificateurs de la demande. Naturellement, les grands fournisseurs de logiciels d’entreprise peuvent être considérés comme affirmant qu’il faut des dizaines de millions de dollars pour même commencer, mais il existe des alternatives beaucoup plus légères. Deuxièmement, le parcours peut être ardu, mais il n’est pas vraiment facultatif non plus. Les entreprises qui emploient des armées de commis pour prendre leurs décisions de la supply chain banales et répétitives souffrent également de délais d’exécution longs et auto-imposés causés par leurs propres processus internes. Ces entreprises ne resteront pas compétitives face à celles qui ont automatisé leurs processus de prise de décision routiniers. L’avantage concurrentiel à tirer de l’automatisation est toujours modeste au début ; cependant, à mesure que l’automatisation peut être améliorée avec le temps, tandis qu’un processus manuel ne le peut pas, l’avantage concurrentiel devient exponentiellement plus fort avec le temps. À l’heure actuelle, les décisions automatisées de la supply chain peuvent encore être perçues comme futuristes, mais dans deux décennies, ce sera l’inverse. Les processus manuels seront perçus comme des vestiges désuets d’une époque révolue.

Cela conclut la conférence d’aujourd’hui. Nous passerons dans une minute aux questions. La prochaine conférence aura lieu la première semaine de novembre, le mercredi à 15 heures, heure de Paris, comme d’habitude. Nous reviendrons au troisième chapitre avec une persona de la supply chain. Il s’agira d’une entreprise fictive appelée Stuttgart, qui est une entreprise de pièces détachées automobiles. Nous verrons que l’automobile est l’industrie des industries et qu’elle présente toute une série de défis assez spécifiques qui ne sont, une fois de plus, pas correctement reflétés dans les manuels de la supply chain.

Jetons un coup d’œil aux questions.

Question : La supply chain quantitative nécessite-t-elle sa propre manière idéale de répartition des tâches ?

Oui, cela peut être une transition progressive, mais l’idée est que la répartition des tâches que vous aviez avec un processus manuel était définie par le fait qu’un planificateur ne peut gérer qu’un certain nombre de références. Plus de références, plus de planificateurs. Il s’agit d’une répartition des tâches très simpliste. Lorsque vous avez une grande entreprise et que vous souhaitez avoir un processus automatisé, l’idée est que vous allez avoir des personnes qui se spécialisent. Par exemple, un responsable réseau peut devenir un spécialiste de la qualité de service telle que perçue par le client. La perception compte ; ce n’est pas la qualité de service abstraite, comme les taux de service. Peut-être que les clients ont leur propre perspective là-dessus, donc quelqu’un peut se spécialiser dans ce domaine. Un autre responsable réseau peut se spécialiser dans un angle spécifique où une coordination plus étroite et une intégration avec certains fournisseurs pourraient, par exemple, réduire les délais et apporter de nouvelles options. Soudain, la répartition des tâches se concentre davantage sur les nombreux angles qui doivent être étudiés, révisés et réanalysés d’un point de vue analytique. Vous pouvez avoir plusieurs personnes qui travaillent sur cela. Mais encore une fois, il ne s’agit pas d’avoir quelque chose d’aussi clair qu’une liste de références. C’est aussi l’essence même de l’amélioration de quelque chose. Peut-être que les gens auraient juste besoin d’être plusieurs pour pouvoir réfléchir ensemble et essayer d’identifier les meilleures idées et les trier. Lorsque vous vous engagez dans une initiative de supply chain quantitative, votre répartition des tâches devient beaucoup plus semblable à un processus d’ingénierie continu, avec des personnes ayant une connaissance plus approfondie dans des domaines spécifiques et essayant de se réunir pour faire émerger un produit supérieur.

Question : L’utilisation de pourcentages au lieu de mesures financières permet de dissimuler les inefficacités du processus hérité. Dans ce cas, quelle est la probabilité de réussite de l’initiative ?

C’est une question très complexe. L’une des raisons pour lesquelles les grandes entreprises, et tant de managers au sein de celles-ci, aiment ces indicateurs aspirants, c’est qu’il n’y a pas de blâme qui leur est attaché. Une fois que vous avez un indicateur exprimé en pourcentage, personne ne réalise qu’il représente des millions de dollars qui ont été perdus en raison d’une erreur spécifique commise par une division particulière dirigée par une certaine personne pour le dernier trimestre seulement. Ces pourcentages sont incroyablement opaques, et c’est un véritable défi de faire réussir ces initiatives car, très souvent, une fois que vous mettez les choses en dollars ou en euros, vous découvrirez l’ampleur réelle des inefficacités, qui peuvent être absolument énormes.

Dans l’expérience de Lokad, pour les entreprises cotées en bourse qui divulguaient tous les chiffres aux marchés publics avec plus de 200 auditeurs certifiant la valeur des stocks, nous avons constaté que les valeurs des stocks étaient surestimées de 20% en faveur de l’entreprise. Nous parlons d’une entreprise avec plus d’un million d’euros de stocks dans ses livres. La chose insensée était que les stocks avaient été audités par plus de 200 personnes pendant littéralement des décennies, et tout avait été numérisé depuis des décennies également.

Lorsque vous découvrez ce genre de choses, c’est difficile, mais je crois que la façon de l’aborder est d’être dur avec les problèmes et doux avec les personnes. Les entreprises doivent apprendre à être douces avec les personnes et vraiment dures avec les problèmes, au lieu d’ignorer le problème et de licencier les personnes.

Question : Les grandes entreprises utilisent beaucoup plus de KPI qu’elles n’en ont besoin. Lorsque vous déployez l’initiative, comment remettez-vous en question tous les KPI ?

Très bonne question. Tous ces KPI sont une grande distraction pour soutenir le travail effectué manuellement par les planificateurs. Une fois que vous avez une recette numérique, pourquoi vous souciez-vous même de tous ces KPI ? Tout ce que vous optimisez doit être intégré à vos critères financiers. Vous devriez avoir une mesure qui vous indique pour chaque décision potentielle combien d’argent est en jeu, combien vous gagnerez ou perdrez en fonction du résultat de la décision. Au lieu d’accumuler une série interminable d’indicateurs, si vous souhaitez affiner votre mesure financière, vous pouvez ajouter un facteur. Mais cela ne signifie pas que vous ajoutez une colonne supplémentaire dans le rapport ; cela signifie simplement que vous ajustez un peu en attribuant un facteur supplémentaire qui ajoute ou soustrait de manière additive quelques euros ou dollars aux valeurs que vous attribuez à une décision donnée.

Fondamentalement, tout ce qui est en dehors de ces objectifs financiers est ignoré par la recette numérique. La recette numérique effectue un processus d’optimisation mathématique qui optimise strictement un objectif financier. C’est tout. Tous ces autres indicateurs sont ignorés. Une configuration automatisée rend beaucoup plus évident que ces indicateurs sont inutiles. Ils ne sont pas pris en compte par la recette, ils ne sont pas considérés par la recette numérique et ils ne font même pas partie du processus de prise de décision. Cela clarifie également que les mesures aspirantes, comme les niveaux de service, sont adverses. Vous ne pouvez pas simplement amener votre qualité de service à un niveau de service de 100 % car ce n’est pas un résultat souhaitable pour l’entreprise. Lorsqu’elle est correctement réalisée, l’automatisation clarifie ce qui est réellement nécessaire en termes d’indicateurs, et vous réalisez qu’il n’y en a pas tant que ça. De plus, parce que vous avez moins de personnes impliquées dans le processus, il y a moins de pression pour ajouter des indicateurs. Un autre aspect d’avoir de grandes équipes de planificateurs est que chaque personne a tendance à avoir un ou deux indicateurs personnels préférés. Si vous avez 200 personnes et que chaque personne veut qu’un indicateur soit ajouté pour sa propre commodité, vous vous retrouvez avec 200 indicateurs, ce qui est beaucoup trop. Mais si vous n’avez qu’un dixième de ce personnel, la pression pour accumuler les indicateurs est beaucoup plus faible.

Question : Comment les fournisseurs de logiciels de planification de la demande comprennent-ils les écosystèmes de leurs clients potentiels, tels que les exigences de stock de sécurité, tout en effectuant une personnalisation avant le déploiement chez le client ? Je veux dire, une fois que le déploiement a lieu, il n’y a pas de pièges en termes d’erreur de prévision.

La perspective classique, qui, selon moi, a échoué à automatiser les décisions de la chaîne d’approvisionnement dans les années 1970, était basée sur l’hypothèse qu’une solution logicielle packagée pouvait résoudre les problèmes des entreprises. Je crois fermement que ce n’est pas le cas. Un logiciel packagé ne peut pas s’adapter à une chaîne d’approvisionnement non triviale. Ce qui se passe, c’est qu’un fournisseur de logiciels d’entreprise avec un module d’optimisation des stocks et de prévision essaie de vendre le produit à une entreprise, et comme il manque des fonctionnalités, il les ajoute. Au bout de 10 ans ou plus, ils se retrouvent avec un produit logiciel monstrueux et gonflé, avec des centaines d’écrans et des milliers de valeurs de paramètres.

Le problème est que plus le produit logiciel est complexe, plus vos attentes sont spécifiques en termes de données et de ce que l’entreprise devrait avoir. Plus le produit logiciel est complexe, plus il devient difficile de l’intégrer à l’entreprise cliente, car vous avez une chaîne d’approvisionnement complexe avec de nombreux systèmes déjà en place et un produit d’optimisation de la chaîne d’approvisionnement super complexe. Il y a des écarts et des incompatibilités partout.

La réalité est que la plupart des grandes entreprises avec lesquelles j’ai parlé exploitent des chaînes d’approvisionnement numériques dans les pays développés depuis deux à trois décennies, et elles ont déjà déployé une demi-douzaine de solutions logicielles de planification de la demande, d’optimisation des stocks et de conception de la chaîne d’approvisionnement au cours des deux à trois dernières décennies. Donc, elles ont déjà été là et ont déjà fait ça, non seulement une fois, mais une demi-douzaine de fois. Habituellement, les gens n’ont pas été dans l’entreprise assez longtemps pour se rendre compte que ces processus se sont répétés au cours des deux à trois dernières décennies. Et pourtant, les processus sont toujours entièrement manuels et reposent souvent sur des outils comme Excel. Le problème n’est pas l’erreur de prévision ; je crois que c’est un mauvais diagnostic du problème, car l’idée que vous pourriez avoir une prévision parfaite avec un système ou un autre est absurde. Il n’est pas possible de générer une prévision parfaite, et les humains qui gèrent manuellement une chaîne d’approvisionnement n’ont pas non plus accès à une information parfaite. Ce n’est pas parce que vous êtes un planificateur de la demande humain que vous pouvez prévoir parfaitement la demande.

Les planificateurs de la demande sont capables de faire leur travail avec des prévisions qui ne sont pas parfaites. Ces personnes ne sont pas des magiciens ou des scientifiques très avancés. Ils ne sont peut-être pas mauvais en matière de prévision, mais il n’y a aucune raison de s’attendre à ce que, en moyenne, les planificateurs de la demande dans cette industrie, qui emploie des centaines de milliers de personnes dans le monde, soient tous des talents exceptionnels capables de prévisions de demande incroyablement précises. Ce qui fait fonctionner le système, c’est que ces personnes ont leurs heuristiques et leurs façons de gérer manuellement la chaîne d’approvisionnement qui survivent malgré les mauvaises prévisions dont elles disposent.

L’objectif de votre configuration automatisée est d’avoir un système qui fonctionne très bien même si les prévisions ne sont pas si bonnes au départ. C’est là l’essence de l’approche de prévision probabiliste ; il ne s’agit pas d’améliorer la précision, mais de reconnaître et d’accepter le fait que la prévision n’est pas si bonne. Si nous revenons à ces fournisseurs, je crois que l’industrie a collectivement échoué à apporter un degré satisfaisant d’automatisation au cours des quatre dernières décennies, et le cœur du problème était la perspective packagée, où l’on s’attendait à ce que les entreprises se contentent de brancher un module et que tout soit réglé. Cela ne fonctionne pas. Les chaînes d’approvisionnement sont bien trop diverses, polyvalentes et en constante évolution pour qu’une approche mécanique de ce type soit couronnée de succès.

Question : Avec la perspective présentée, comment abordez-vous le problème de la conciliation des différentes prévisions de l’entreprise, telles que les ventes, les stocks et autres ?

Ma question est la suivante : pourquoi faites-vous des prévisions en premier lieu ? Les prévisions ne sont que des artefacts numériques ; elles n’ont pas d’importance. Votre entreprise ne sera pas plus rentable parce qu’il y a une meilleure prévision. Les prévisions sont exactement ce que j’ai appelé dans les chapitres précédents de cette série de conférences, un artefact numérique. C’est une abstraction qui peut s’avérer utile ou non pour dériver certaines classes de décisions. Il s’avère que selon la décision que vous considérez, le type de prévision dont vous avez besoin peut être très différent.

Je remets en question l’idée selon laquelle vous pouvez avoir une prévision en haut et ensuite orchestrer toute la chaîne d’approvisionnement en fonction de ces prévisions. Je suis fermement en désaccord avec cette approche, car ce n’est pas mon expérience, et je pense que cela ne fonctionne pas si bien. J’ai vu de nombreuses entreprises où il existe un processus de planification senior qui produit des prévisions du côté des ventes, ce qui est un exercice massif de sous-estimation. Les commerciaux sous-estiment souvent largement leurs projections car de cette façon, s’ils dépassent ces chiffres, ils peuvent plus facilement dépasser les attentes par la suite. Les personnes dans les usines ou les entrepôts voient ces chiffres arriver et peuvent penser qu’ils ne peuvent pas être corrects, alors elles rejettent le chiffre et font quelque chose de complètement différent. À mon avis, les exercices de prévision réalisés par la grande majorité des entreprises sont simplement des efforts bureaucratiques inutiles. Il n’y a aucune valeur ajoutée à cela.

D’un point de vue quantitatif de la chaîne d’approvisionnement, il est essentiel de se concentrer sur les décisions qui comptent, plutôt que sur les prévisions, qui ne sont peut-être que des détails techniques. Certaines classes de décisions peuvent même ne pas nécessiter de prévision pour être prises, ou si elles le font, elles peuvent nécessiter un type de prévision très différent de ce que les entreprises envisagent actuellement. Lorsque nous parlons de prévisions, la plupart des gens pensent aux prévisions de séries temporelles. Cependant, si vous revenez au troisième chapitre de cette série de conférences, qui est consacré aux personas de la chaîne d’approvisionnement et aux situations réelles, vous constaterez que les prévisions de séries temporelles ne sont souvent pas la réponse. La forme même de la prévision est inadaptée pour capturer les schémas que nous voulons identifier dans l’entreprise.

En conclusion, je suggère de ne même pas essayer de concilier ces prévisions. Au lieu de cela, ignorez-les et concentrez-vous sur les décisions elles-mêmes. Voyez ce qu’il faut pour concevoir des recettes qui génèrent de bonnes décisions, et il est fort probable que toutes ces prévisions puissent être complètement ignorées.

En réponse au commentaire sur la comparaison des résultats financiers avec les résultats des KPI en pourcentage, il est vrai que vous pouvez établir des comparaisons en essayant de corréler les niveaux de service ou les taux de couverture avec vos indicateurs financiers. Cependant, cela crée-t-il réellement un retour sur investissement pour l’entreprise ? Prendre de meilleures décisions en matière de stocks peut créer de la valeur pour l’entreprise, mais passer du temps à corréler les KPI ne le peut pas. De nombreuses entreprises sont accros à ces KPI exprimés en pourcentage, mais ils sont souvent des distractions bureaucratiques sans signification.

Les fournisseurs de logiciels d’entreprise adorent ces indicateurs car ils peuvent les vendre aux entreprises clientes, ce qui pousse de nombreux fournisseurs à en demander davantage. En réalité, pour une classe de décisions en matière de supply chain, avoir dix chiffres à examiner chaque jour est déjà beaucoup. Il est souvent difficile d’identifier même dix chiffres qui méritent d’être examinés quotidiennement par un être humain. Souvent, c’est même moins que cela, et c’est bien. Les problèmes de supply chain ont tendance à être très spécifiques à l’entreprise et à la supply chain concernée, mais ils ne sont pas impossiblement compliqués. Je ne dis pas que les situations de supply chain nécessitent des milliers de facteurs économiques. Je dis plutôt que les supply chains varient beaucoup, et vous devez vous assurer de résoudre le bon problème qui correspond aux subtilités de la supply chain concernée. Pour une supply chain donnée, vous pouvez avoir trois ou quatre facteurs de base tels que le coût des stocks, la marge brute et d’autres facteurs que vous trouverez pratiquement partout. Ensuite, vous pouvez avoir quatre ou cinq indicateurs, encore une fois des indicateurs financiers, qui sont très spécifiques à une entreprise donnée. Au total, nous sommes toujours en dessous de dix chiffres.

En réponse à la question sur l’équilibre entre les KPI financiers et les KPI de la supply chain, je dirais oui et non. Si vous pensez que les KPI financiers ne sont pas ceux que vous devriez optimiser, alors il y a un problème dans la définition même de vos KPI financiers. Dans le premier chapitre de cette série de conférences, j’ai mentionné qu’il y a généralement deux cercles de facteurs à prendre en compte lors de l’établissement d’une mesure financière. Le premier cercle concerne les facteurs que les finances peuvent lire directement dans les livres, tels que la marge brute, la valeur des stocks et les coûts d’achat. Le deuxième cercle comprend des facteurs tels que la satisfaction du client et la pénalité implicite en cas de mauvaise qualité de service. Tout cela doit être intégré.

La perspective financière ne consiste pas à avoir des KPI où il y a un compromis. Au contraire, il s’agit de consolider tout en un score en dollars ou en euros pour votre performance et vos prises de décision. Il ne s’agit pas de concilier les KPI de la supply chain avec les KPI financiers. Il s’agit plutôt de mettre en place une gouvernance au sein de l’entreprise afin que les gens puissent s’accorder sur le coût réel des stocks, le coût réel des ruptures de stock, et sur la question de savoir si une décision de réapprovisionnement est la meilleure option ou non.

Dans cette nouvelle perspective de posséder le produit logiciel qui pilote la supply chain, le rôle du responsable de la supply chain est de faciliter le consensus au sein de l’entreprise. Au lieu de diriger un processus S&OP sans réflexion où les gens essaient de revoir les chiffres chaque mois et de s’accorder sur des chiffres de vente sans signification, il s’agit de mettre en place un S&OP 2.0 dirigé par le directeur de la supply chain. Contrairement à ce que disent les fournisseurs de S&OP, le PDG n’a pas besoin de posséder le processus S&OP, car cela pourrait être plus une distraction pour lui. Il n’est pas nécessaire d’impliquer le PDG dans chaque bataille.

La mission du directeur de la supply chain est de travailler avec le responsable des finances, le responsable du marketing et le responsable des ventes pour convenir de la manière de mesurer l’impact financier de facteurs tels que la qualité de service. C’est leur travail. Il n’est pas nécessaire de concilier différentes mesures, car elles sont déjà pré-unifiées grâce au travail réalisé sous la direction du responsable de la supply chain ou du directeur de la supply chain, selon le titre en place au sein de l’entreprise.

Cela conclut la conférence d’aujourd’hui. Nous vous retrouverons la semaine prochaine, lors de la première semaine de novembre.