Risques dans la gestion de la supply chain

00:00:00 Introduction et définition des termes
00:02:40 Incertitude et coût de sécurisation dans la supply chain
00:03:54 Gestion des risques et minimisation des gaspillages
00:05:30 Risque irréductible et opportunités dans la supply chain
00:07:37 Supply chain vs perfection de fabrication
00:09:35 Risques et opportunités dans la supply chain et chez les concurrents
00:14:09 Problèmes d’une approche statique dans la supply chain
00:15:56 Erreurs prévisibles comme pratique commerciale
00:18:46 Ingénierie de l’agilité dans la supply chain
00:21:20 Valeur en dollars du risque et des opportunités
00:23:36 Optimisation financière des risques de la supply chain
00:26:37 Approche de Lokad en matière de prévisions probabilistes
00:29:53 Risque de perturbation massive et de catastrophes régionales
00:31:59 Intégrer les risques dans les décisions quotidiennes de la supply chain
00:34:08 Risque de perdre de grands clients et corrélation des risques
00:37:03 Distorsion dans les projections cartographiques et les modèles mathématiques
00:42:31 Établissement des prévisions et risque des séries temporelles
00:45:20 Optimisation stochastique et approche probabiliste
00:48:36 Décomposer les moteurs économiques pour les décisions de la supply chain
00:51:44 Les entreprises sont souvent surprises par des événements passés
00:57:00 Prévisions défaillantes et entropie croisée dans les prévisions
01:00:00 Importance d’évaluations de risques actionnables
01:06:49 Risques financiers de la distribution des stocks
01:13:54 Coût des promotions et dépendances IT en tant que risque
01:17:22 Difficulté de modéliser la psychologie des clients
01:24:26 Évaluer les prévisions des séries temporelles
01:27:33 Risques dans les logiciels de supply chain grand public
01:29:30 Conclusions et appel à l’action

Résumé

Conor Doherty, animateur de LokadTV, et Joannes Vermorel, fondateur de Lokad, discutent des risques inhérents à la gestion de la supply chain. Vermorel souligne que le risque principal est l’incertitude de l’avenir, qui est irréductible et hors de contrôle. Il note que chaque décision implique un compromis entre risque et récompense, et qu’un risque nul est inaccessible. Vermorel met également en avant les opportunités pouvant découler de ces risques, telles que tirer parti de pénuries sur le marché. Il préconise une approche agile et opportuniste, ainsi que l’utilisation de prévisions probabilistes pour atténuer le risque. Vermorel et Doherty concluent en étant d’accord sur le fait que même les petites entreprises peuvent bénéficier de la gestion des risques, menant à une augmentation des marges et du cash flow.

Résumé Étendu

Lors d’une conversation entre Conor Doherty, l’animateur, et Joannes Vermorel, le fondateur de Lokad, une entreprise de logiciels spécialisée dans l’optimization de la supply chain, le sujet de la gestion des risques en supply chain est exploré en profondeur. Vermorel explique que la principale source de risque dans les supply chains est l’incertitude de l’avenir. Contrairement à la fabrication, où les risques peuvent être éliminés en perfectionnant le processus, les risques de la supply chain dépendent de conditions futures inconnues et irréductibles.

Vermorel souligne que chaque décision en gestion de la supply chain implique un compromis entre risque et récompense, et que l’incertitude quant à l’avenir est irréductible. Il note également qu’un risque nul n’existe pas dans les supply chains. Même avec un processus de fabrication parfait, il y a toujours un risque à deux chiffres qu’un produit ne soit plus vendu sur le marché dans cinq ans.

Vermorel réitère que la source de risque dans les supply chains est l’incertitude de l’avenir. Il explique que ce risque est irréductible et, contrairement à d’autres domaines comme la comptabilité où les risques peuvent être éliminés, les risques de la supply chain échappent au contrôle et ne peuvent être que atténués. Il souligne également que, bien qu’il y ait des risques dans les supply chains, il existe également des opportunités. Par exemple, détenir beaucoup de stocks alors que le marché fait face à une pénurie peut engendrer un beau profit.

Vermorel est d’accord avec l’observation de Doherty selon laquelle les risques dans les supply chains semblent plus répandus et ont des effets financiers prévisibles. Il insiste sur le fait que la gestion de la supply chain consiste à faire face à de nombreux risques et opportunités qui sont en grande partie hors de contrôle, et que la seule chose à faire est de prendre des décisions qui équilibrent ces risques et ces opportunités.

Vermorel explique que tant des risques que des opportunités peuvent survenir dans les supply chains. Par exemple, l’arrivée ou le départ d’un concurrent sur le marché peut soit faire baisser soit faire augmenter les prix, affectant ainsi la rentabilité. Il donne également l’exemple d’un le e-commerce européen qui a tiré profit d’un événement surprenant pour réaliser un bénéfice exceptionnel.

Vermorel explique que, dans la supply chain, il est important d’avoir un état d’esprit agile et opportuniste. Il note que, bien qu’il soit possible de mettre en place des pratiques qui tirent parti d’erreurs prévisibles, il est également important d’être préparé aux risques émergents.

Vermorel aborde le coût des défauts dans la fabrication automobile, en notant que dans la gestion de la supply chain, il n’existe pas de contraintes strictes et que tout peut faire l’objet d’une optimisation financière. Il explique que les prévisions sont utilisées dans la gestion de la supply chain pour atténuer le risque. Cependant, contrairement aux défauts dans la fabrication automobile, les inexactitudes des prévisions ne seront jamais complètement éliminées.

Vermorel introduit le concept de prévisions probabilistes, où chaque futur possible a une probabilité. Il explique que des risques tels qu’une probabilité de 2% de perdre des clients peuvent être intégrés dans les prévisions probabilistes en prévoyant le comportement des clients, plutôt que la demande pour les produits.

Vermorel soutient que la qualité d’une approche axée sur le risque doit être jugée par les résultats finaux, et non par la qualité d’une prévision probabiliste. Il insiste sur le fait que la préoccupation principale devrait être de savoir combien d’argent a été gagné ou perdu, et non l’exactitude des prévisions.

Vermorel suggère que l’entropie croisée, une mesure de l’exactitude des prévisions probabilistes, est aussi abstraite que les pourcentages, mais possède de bonnes propriétés pour l’apprentissage de modèles de haute qualité. Il souligne que les résultats finaux, qui se traduisent par une réduction des erreurs en termes financiers, constituent le critère le plus important.

Vermorel suggère que de telles divisions de gestion des risques sont souvent bureaucratiques et que leurs évaluations n’ont aucune conséquence si elles n’influencent pas chaque décision dans la supply chain. Il soutient que si les évaluations de risque n’ont pas d’impact sur les décisions d’achat, elles sont ignorées.

Vermorel est d’accord, arguant que, bien que les deux soient importants, les décisions macro sont souvent un pari, tandis que les décisions quotidiennes peuvent être évaluées quantitativement.

Vermorel aborde la perspective classique de la gestion de la supply chain, où chaque magasin est traité indépendamment et où un stock de sécurité est maintenu pour couvrir d’éventuelles pénuries. Cependant, cette approche peut entraîner des problèmes, tels que l’épuisement des stocks au niveau du warehouse. Il critique l’approche traditionnelle consistant à allouer séquentiellement le stock de sécurité aux magasins, ce qui peut aboutir à ce que certains magasins soient entièrement approvisionnés tandis que d’autres ne reçoivent rien. Cela peut entraîner une demande non satisfaite et un excès de stocks dans certains magasins.

Vermorel suggère qu’une meilleure approche serait de répartir les stocks de manière à ce que tous les magasins soient en rupture de stock simultanément, maximisant ainsi les ventes. Il propose une approche probabiliste qui prend en compte le réseau et les interdépendances entre tous les magasins et les stocks disponibles.

Vermorel aborde les risques intangibles, tels que les attentes des clients et la valeur de la marque. Par exemple, proposer des réductions peut amener les clients à s’attendre à de futures remises, ce qui peut être difficile à quantifier et à gérer. Il mentionne également d’autres catégories de risques, comme les dépendances IT, qui peuvent impacter la supply chain.

Vermorel explique que les promotions peuvent amener les clients à attendre de futures promotions avant d’effectuer leurs achats, ce qui peut être difficile à modéliser et à gérer en raison de la nature à long terme du comportement des clients. Il suggère qu’une approche axée sur le risque est plus compatible avec ce type d’estimations que les prévisions traditionnelles de séries temporelles.

Vermorel remet en question l’idée que seules les grandes entreprises peuvent se permettre de gérer les risques, arguant que les ignorer peut s’avérer plus coûteux. Il suggère que les prévisions probabilistes peuvent être plus efficaces et plus faciles à déployer que les prévisions traditionnelles de séries temporelles. Vermorel soutient que même les petites entreprises peuvent tirer profit de la gestion des risques, car cela peut conduire à une augmentation des marges et du cash flow.

En conclusion, Vermorel est d’accord avec le résumé de Doherty, affirmant que de nombreuses entreprises font face à des catastrophes évitables en raison de l’ignorance des risques. Il suggère qu’une meilleure adéquation entre la réalité et la gestion de la supply chain peut conduire à un degré d’automatisation plus élevé et à un besoin réduit en personnel pour gérer le processus.

Transcription Intégrale

Conor Doherty: Bon retour sur LokadTV ! Le risque est systémique dans la supply chain. D’une certaine manière, chaque décision supply chain présente des catégories potentielles de risque, soit directement, soit indirectement. Pour expliquer pourquoi - et surtout comment les éviter - nous recevons Joannes Vermorel, fondateur de Lokad.

So Joannes, to quote the Great American thinker George Costanza, in order to manage risk, we must first understand it. And to understand it, we must first define it. So in the context of supply chain, what exactly is risk management and how does it differ from risk management in other fields like manufacturing?

Joannes Vermorel: La principale source de risque dans la supply chain est l’avenir que vous ne connaissez pas. Dans la fabrication, il s’agit principalement d’avoir le bon processus. Si vous avez le bon processus, vous pouvez potentiellement produire un milliard de pièces sans jamais rencontrer de défauts. Ainsi, en fabrication, il est possible d’éliminer le risque. Le risque n’est pas tant lié au futur. Par exemple, si vous avez un processus défectueux qui crée un risque d’incendie pour votre usine, il ne s’agit que d’une question de temps avant que l’usine ne prenne feu.

Dans la supply chain, il s’agit littéralement de l’avenir que vous ne connaissez pas et vous ne pouvez pas vraiment couvrir toutes les éventualités, car cela reviendrait trop cher. Il y a toujours la possibilité que la demande pour certains produits explose d’un facteur de 20, mais devriez-vous avoir en stock 20 fois plus que ce que vous vous attendez à vendre, compte tenu du délai d’approvisionnement applicable et autres, simplement parce qu’il existe cette possibilité lointaine de faire face à une augmentation de la demande super imprévisible ? Non.

Fondamentalement, je dirais que, contrairement à certains autres domaines, dans la supply chain, les sources de risque sont liées aux conditions futures que vous ne connaissez pas, et chaque décision que vous prenez implique une sorte de compromis entre les risques et les récompenses, en tenant compte de cette incertitude quant à l’avenir. Et je dirais que l’incertitude quant à l’avenir est irréductible, contrairement, par exemple, à l’incertitude liée aux actifs physiques dans votre processus de fabrication en usine.

Un risque zéro n’existe jamais. Bien que, dans un processus de fabrication, vous puissiez vous rapprocher très, très près de zéro. Je veux dire, ce n’est pas absolument zéro, mais c’est très, très proche. Dans la supply chain, regardez n’importe quel produit, il y a toujours une probabilité à deux chiffres que ce produit ne soit plus vendu sur le marché dans cinq ans. Il y a très peu de produits pour lesquels on peut affirmer avec une certitude absolue qu’ils existeront encore dans cinq ans, surtout si l’on prend en compte que le produit peut être remplacé par une variante, qui est tout de même considérée comme un SKU.

Conor Doherty: Donc, pour résumer, dites-vous que la gestion des risques dans la supply chain consiste uniquement à minimiser les ressources gaspillées, ou est-ce simplement une question purement financière ?

Joannes Vermorel: La source de risque réside littéralement dans le fait que vous ne connaissez pas l’avenir. Si vous aviez une boule de cristal magique qui vous révélerait l’avenir, vous pourriez en théorie avoir une pratique de la supply chain pratiquement sans risque, à condition de disposer de suffisamment d’argent.

Cette source de risque est irréductible et semble étrange dans de nombreux autres domaines. Par exemple, en comptabilité, il existe un risque d’erreurs, mais c’est justement pour cela que les pratiques comptables existent, afin d’éliminer essentiellement ce risque. Quand on pense aux risques associés aux pratiques comptables incorrectes, on veut vraiment que cela reste très rare.

Dans la supply chain, vous n’avez pas le choix. Peu importe si vous êtes performant, même si vous avez les bonnes pratiques, le risque reste irréductible. Vous pouvez être confronté à une guerre, à des confinements, à des incendies, et à toutes sortes d’événements incontrôlables qui influenceront massivement la demande d’une manière ou d’une autre. C’est la principale source de risque, le fait que vous ne connaissez pas l’avenir, et tout ce que vous pouvez faire, c’est atténuer ces risques. Mais, comme il y a des risques, il existe également des opportunités, ce qui n’est pas le cas dans d’autres domaines comme les pratiques comptables.

Par exemple, si vous disposez d’un grand nombre de stocks d’un produit alors que le marché fait face à une pénurie, vous pouvez potentiellement réaliser un beau profit en vendant ces stocks à un prix majoré.

Conor Doherty: Il semble que bon nombre de ces problèmes dans le supply chain seront beaucoup plus courants que l’exemple que vous avez donné d’embaucher une personne incompétente ou moralement répréhensible. Ils sont extrêmement rares, mais vraisemblablement les catégories de risque dont vous parlez dans le contexte du supply chain, comme des délais de livraison prolongés ou même accélérés de quelques jours, sont vraisemblablement assez réguliers et ont des répercussions financières prévisibles.

Joannes Vermorel: Oui, et ils ne dépendent pas de vous. C’est aussi quelque chose de très différent. Si vous êtes dans un processus de fabrication dans une usine et que vous avez des défauts, corriger le processus pour n’en avoir plus relève entièrement de votre responsabilité. Vous pouvez potentiellement atteindre un état de zéro défaut, c’est-à-dire la perfection, ou vous en rapprocher très près.

Encore, si nous parlons du monde du supply chain, ce n’est pas vraiment le cas. Je veux dire, par définition, si vous avez un délai, vous avez un fournisseur et cette entreprise est hors de votre contrôle. Et même si vous internalisez, vous pourriez avoir un transporteur et cela reste hors de votre contrôle. Et même si vous internalisez le transporteur, la route pourrait être coupée parce que l’autoroute est inondée ou qu’il y a autre chose, et encore, cela est hors de votre contrôle.

Ainsi, ce qui rend la pratique du supply chain si spécifique, c’est que vous êtes confronté à beaucoup de risques et, inversement, à beaucoup d’opportunités, et ceux-ci échappent pour la plupart à votre contrôle. La seule chose que vous pouvez faire est de prendre des décisions qui équilibrent correctement ces risques et opportunités.

Conor Doherty: Donc, quand vous parlez d’opportunité dans le contexte du risque, vous voulez dire des occasions manquées ?

Joannes Vermorel: Oui, un concurrent peut soudainement entrer sur le marché et baisser les prix. C’est un risque. Vous pourriez alors être contraint de baisser votre prix et, par conséquent, être moins rentable que prévu, voire ne plus l’être du tout. Mais l’inverse peut aussi se produire. Un concurrent peut quitter votre marché. Dans ce cas, vous pouvez augmenter votre prix et vous serez plus rentable que prévu.

Chaque fois que vous pensez qu’il y a un risque, il y a l’opportunité. S’il y a une inondation, peut-être que votre entrepôt sera inondé ou peut-être celui de l’un de vos concurrents le sera. Ainsi, lorsque les gens envisagent le risque dans des environnements manufacturiers, vous avez un objectif clair qui est la perfection. Donc, quand on pense au risque, il n’y a nécessairement pas d’avantages aléatoires réellement opportunistes.

Mais dans le supply chain, cela peut arriver. Vous pouvez avoir des milliers de produits et, pour des raisons aléatoires, les concurrents font simplement des erreurs. Ils n’ont pas la quantité de stocks appropriée, ils n’ont pas la bonne capacité ou ils ont une mauvaise répartition, et alors il y a des opportunités.

Par exemple, une grande entreprise européenne de le e-commerce, l’une de leurs techniques était de commencer à vendre des produits de mode et d’identifier très rapidement, en cours de saison, les best-sellers, littéralement en un jour ou deux. Et ce qu’ils faisaient, c’était de passer immédiatement une commande gigantesque à la marque d’origine afin de monopoliser tous les stocks.

La démarche a été étonnamment bien accueillie, et ils disaient donc : “D’accord, si ce volume de ventes nous surprend, il surprendra très probablement la marque d’origine. Alors, que se passera-t-il si nous passons une commande massive ? Nous nous retrouverons avec une grande quantité de stocks pendant que tout le monde sera à court de stock. Nous pourrons vendre les mêmes produits à un prix légèrement supérieur au prix normal, et nous vendrons tout sans encourir de pénalité liée aux ventes de fin de saison.”

Vous voyez donc que l’idée est qu’il y a un événement surprenant, un produit se vend plus qu’anticipé par les experts, et ensuite, si vous êtes astucieux, vous pouvez en faire une opportunité pour accaparer la quantité de stocks encore disponibles et réaliser un profit exceptionnel sur ce produit. Vous voyez, le risque est là, mais l’opportunité qui en découle l’est également.

Conor Doherty: Compris, merci. Cet exemple est assez intéressant car il ouvre une bifurcation potentielle dans la conversation. Si j’ai bien compris, l’exemple que vous avez donné était une réponse réactive à une opportunité. Ce vendeur de vêtements de mode a repéré une opportunité et y a répondu de manière très agile. Donc, c’était une approche réactive pour gérer l’opportunité et éviter les risques. Est-ce le mieux que l’on puisse faire dans le supply chain, ou existe-t-il un mécanisme proactif pour anticiper ce genre d’événement ?

Joannes Vermorel: J’aurais une réponse en deux volets. Tout d’abord, vous avez tout à fait raison. Cela s’inscrit dans un état d’esprit agile, opportuniste, et cela vaut autant pour les risques que pour les opportunités. Le point intéressant est que, si vous venez d’une perspective comme la fabrication, ce n’est pas celle que vous adoptez. Vous voulez simplement éliminer le risque. C’est un problème statique. Soit votre processus n’a aucun risque, aucun défaut, aucun danger, et tout va bien, soit il en a, et vous devez le corriger.

Ici, dans le supply chain, l’élément intéressant est que lorsque vous abordez le risque avec cette mentalité statique, vous le considérez comme quelque chose que vous pourriez régler une fois pour toutes. Mais le problème est que cela ne fonctionne pas, car si vous avez quelque chose de complètement statique, alors vous ne pouvez plus saisir les opportunités. Mais la réalité, c’est aussi que vous ne pouvez pas réagir aux risques émergents. C’est complètement symétrique. Ainsi, il y a des opportunités qui se présentent, mais il y aura aussi des risques qui surgiront et surprendront tout le monde, et vous devez réagir rapidement. C’est symétrique.

Maintenant, qu’est-ce que cela signifie d’être préparé ? Comme je le mentionnais, cet exemple d’une grande entreprise européenne de le e-commerce qui joue à accaparer les stocks de marques, c’est une pratique bien établie. Ils savent que, du fait qu’une grande marque de mode va avoir une collection d’environ 20 000 variantes distinctes, des erreurs seront commises. C’est certain. Vous ne savez pas laquelle, mais l’idée qu’une marque de taille considérable puisse tout gérer correctement en termes de stocks est une hypothèse relativement sûre pour dire que des erreurs seront faites. Et ainsi, vous pouvez mettre en place une pratique où vous transformez ces erreurs prévisibles en avantage.

Conor Doherty: Quand vous parlez d’ingénierie d’un processus dans une entreprise, par exemple pour quelqu’un qui traite des biens de consommation à rotation rapide, comment l’instaurez-vous exactement ? S’agit-il d’un processus top-down ou bottom-up ? Je veux dire, pour tirer parti de ces opportunités, comment mettez-vous en place ce type de processus ?

Joannes Vermorel: Comme la plupart des choses dans le supply chain, cela doit être un processus top-down dans une certaine mesure. Vous ne pouvez pas vous attendre à ce que les personnes tout en bas puissent réorganiser elles-mêmes l’organisation. Par exemple, si vous décidez que votre processus ressemble au SNOP (Sales and Operations Planning) et que vous avez des sessions trimestrielles de SNOP où vous passez deux mois à établir votre nouvelle prévision et à obtenir l’accord de tout le monde, à instaurer un grand consensus, puis tout le monde est consulté, ensuite vous devez compiler tous les résultats et retranscrire les prévisions, qui sont exprimées par semaine et par catégorie, en quelque chose qui a du sens en termes de décisions, vous vous retrouvez dans une situation où peu importe que les personnes en bas soient agiles ou non. Le processus et l’organisation eux-mêmes empêchent toute forme d’agilité. Donc, dans une large mesure, si vous voulez être agile, cela doit être conçu dès le haut afin que cette agilité puisse même se produire. Mais ensuite, une fois que vous avez mis en place quelque chose qui permet cette possibilité, alors oui, c’est beaucoup plus un processus bottom-up, car il s’agit alors de savoir si les différentes équipes tirent parti de cette agilité retrouvée.

Conor Doherty: Il me semble aussi qu’il existe une autre manière d’aborder l’idée de risque et d’opportunité. Si vous inversez simplement l’exemple que vous avez donné, au lieu de vous concentrer sur la société qui vendait ces t-shirts qui se vendaient comme des petits pains et qui a décidé d’accaparer le marché, c’est-à-dire qu’elle tirait parti d’une opportunité, du point de vue du fournisseur, si vous vous trouvez dans une situation où, soudainement, la boutique de vêtements de Joannes m’appelle et dit : “Oh, nous voulons tous les t-shirts que vous avez, tous les t-shirts noirs, nous les achèterons immédiatement”, est-ce quelque chose dont vous devriez vous méfier ? Parce qu’encore une fois, il y a à la fois risque et opportunité. En tant que fournisseur, devrais-je vendre ? C’est une vente garantie dès maintenant, aujourd’hui, je vide tout mon stock. Ou devrais-je enquêter pour savoir pourquoi il essaie d’acheter ces produits immédiatement ? Y a-t-il quelque chose d’autre en jeu ?

Joannes Vermorel: Cela dépend vraiment de savoir si vous avez même la possibilité de consacrer du temps à enquêter. S’il existe une connexion EDI et que les achats sont entièrement automatisés sans qu’il y ait personne dans la chaîne, cela dépend véritablement. Mais avoir des comportements antagonistes un peu partout n’est qu’une autre journée dans le supply chain. Vos fournisseurs sont vos meilleurs partenaires et potentiellement vos concurrents, car ils peuvent également limiter votre profit. Ils peuvent aussi, avec le temps, devenir des concurrents, décider de créer leurs propres marques, etc. Et le contraire est également vrai. Si vous êtes une marque, vous pouvez décider d’internaliser et soudainement vous vous retrouvez en concurrence avec ce qui était vos anciens fournisseurs. Il n’y a donc pas de règles générales, cela dépend vraiment. Mais ce qui est intéressant, c’est que dans le supply chain, vous pouvez attribuer des récompenses et des opportunités, en dollars ou en Euros, sur ce type de choses.

Encore une fois, si vous revenez à la fabrication automobile, combien cela coûte-t-il d’avoir un défaut qui tue une personne ? La réponse est bien trop élevée. Vous voyez, ce n’est pas le genre de situation où vous allez recourir à une ingénierie sophistiquée, car c’est en grande partie inacceptable. Ainsi, en théorie, les économistes vous diraient que le coût d’une vie humaine aux États-Unis, selon divers critères, est disons cinq millions, ou autre, vous pourriez même argumenter ainsi. Mais la réalité est que personne ne va pratiquer une ingénierie vraiment sérieuse. Ils feront simplement tout ce qu’ils peuvent pour que ces problèmes, où quelqu’un meurt, ne se produisent pas. Et donc, il n’existe pas de véritable ingénierie financière parce qu’en approche manufacturière, vous voulez simplement éviter par conception ce genre de problèmes et vous n’essayez pas d’optimiser votre risque en équilibrant les avantages et les inconvénients, vous voulez juste l’éliminer. Mais dans le supply chain, vous ne pouvez pas, et ce sera un véritable compromis. Quoi que vous fassiez a un coût, il y a une récompense, et tout n’est qu’un continuum de gris. Ce n’est donc pas comme ça. Vous pouvez toujours avoir un peu plus de stock, vous pouvez toujours fonctionner avec un peu moins de stock, et vous pouvez même essayer de fonctionner avec zéro stock et simplement gérer des back orders de bout en bout. Ainsi, vous avez beaucoup plus de flexibilité et aussi très peu de contraintes strictes dans le supply chain. Tant que vous êtes prêt à payer, il existe presque aucune contrainte. Vous voulez plus d’espace de stockage ? Si vous êtes prêt à payer pour cela, vous pouvez effectivement financer la construction d’un deuxième entrepôt. En fin de compte, toutes sortes de contraintes, tous types de risques et de récompenses, sont plutôt souples et donc très éligibles à l’optimisation financière, contrairement aux situations de vie ou de mort où l’on dirait : “Non, nous n’allons pas procéder à une optimisation financière de cela. Il faut une réponse catégorique. Nous ne voulons tout simplement pas de cela.” Le supply chain a ce luxe que la grande majorité des problèmes sont en réalité des problèmes souples où vous pouvez passer d’un service très médiocre à un service excellent, et l’ensemble du spectre est envisageable, la structure des coûts évoluant selon que vous optiez pour une meilleure qualité de service ou une qualité de service moindre.

Conor Doherty: L’exemple que vous avez donné concernant la fabrication automobile offre en réalité une très belle transition, car je sais que dans la fabrication automobile, par exemple chez Ford, ils gèrent le risque, notamment avec leurs véhicules autonomes, en utilisant des jumeaux numériques. Ils construisent une version numérique et un environnement digital puis, à l’aide d’algorithmes, ils soumettent le véhicule autonome théorique à une série de tests et évaluent leur risque sans jamais avoir à produire de prototype dans le monde réel. C’est une étape dans la gestion de leur risque. Existe-t-il quelque chose de similaire pour le supply chain ? Parce qu’encore une fois, il ne s’agit pas d’un produit physique en soi, bien qu’il soit composé de nombreuses pièces mobiles.

Joannes Vermorel: C’est là tout l’intérêt. C’est ce que l’on tente en quelque sorte de faire avec la prévision. Vous essayez d’atténuer ce risque que vous avez face à cet avenir incertain grâce à la prévision. Idéalement, si vos prévisions étaient parfaites, vous élimineriez simplement ce risque. C’est pourquoi il existe de nombreuses pratiques dans le supply chain qui traitent la précision des prévisions comme les fabricants automobiles traitent les défauts dans leurs plaquettes de frein, comme quelque chose qu’il faut éliminer.

Mais le problème est que, contrairement aux défauts dans les plaquettes de frein, où vous pouvez potentiellement ramener le taux de défaut à un sur un milliard, de sorte qu’il soit tellement faible qu’il devienne négligeable, l’inexactitude des prévisions ne va jamais atteindre 0,01 d’erreur. Habituellement, au vu du niveau de granularité qui a du sens pour les décisions en termes de prévision, c’est-à-dire essentiellement par SKU et par jour, vous serez confronté à des prévisions largement inexactes, en moyenne à 50 % d’erreur, par jour et par SKU, si vous regardez quelques mois en avance.

Le point intéressant est le suivant : quels outils, processus et méthodologies disposez-vous pour traiter ces catégories de risque ? C’est exactement ce que fait Lokad avec la prévision probabiliste, justement pour cette raison. C’est une manière d’embrasser cette incertitude. Mais cela est très différent du paradigme classique qui suppose simplement que la prévision sera exacte et où, s’il y a des inexactitudes, celles-ci sont traitées comme un défaut devant être corrigé.

L’approche de Lokad, la prévision probabiliste, consiste à ne pas supposer ou même s’attendre à ce que ces inexactitudes disparaissent un jour. Ce que nous avons, ce sont des probabilités. Nous pouvons améliorer nos modèles pour obtenir des probabilités un peu plus concentrées, afin d’avoir une vision un peu plus nette de l’avenir. Mais la perspective générale est que cela restera extrêmement flou et incertain, quoi qu’il en soit.

Conor Doherty: Je tiens à marquer le coup ici car je pense qu’il y a un point important et je veux simplement le souligner. Quand on parle de prévision de la demande future, la plupart des gens l’entendent comme simplement examiner les données de ventes antérieures pour en tirer un chiffre, comme sur une série temporelle. Êtes-vous d’avis que l’approche de prévision probabiliste prendra en compte non seulement les données historiques mais aussi d’autres classes de risque dont nous parlons, comme des délais de livraison prolongés, un bateau coincé dans un canal, ou quelque chose de similaire, et qu’elle les combine ?

Joannes Vermorel: Oui, absolument. C’est pourquoi, chez Lokad, nous parlons généralement de modélisation prédictive plutôt que de prévision. En théorie, on pourrait prévoir n’importe quoi, mais la réalité est que lorsque vous dites prévoir, l’attente par défaut est que vous parlez de la demande ou des ventes. Dans 99 % des cas où l’on évoque une prévision, cela signifie une prévision des ventes ou de la demande. Mais la réalité est que tout ce qui est incertain concernant l’avenir peut être anticipé et ainsi nous avons cette modélisation prédictive.

La chose intéressante est qu’il existe plein de cas où vous pouvez modéliser le risque même si vous ne disposez pas vraiment de données. Par exemple, la guerre en Europe. Si vous regardez les 100 dernières années, il y a eu environ une grande guerre tous les cinquante ans. Ainsi, cela signifie qu’il y a chaque année environ deux pour cent de chance qu’une guerre survienne et vous impacte. Vous pouvez remonter cinq siècles dans l’histoire de l’Europe et constater que cela s’est produit maintes fois.

J’espère que le risque d’une guerre réelle pour l’Europe occidentale est assez faible en ce moment, mais encore une fois, si vous adoptez une perspective historique, dire qu’il y a deux pour cent de chance d’une disruption massive n’est pas pour autant insensé. Regardez ce qui se passe en Ukraine. Le risque est définitivement réel et, il y a 20 ans, c’était en ex-Yougoslavie. Ce genre de choses se produit et vous n’avez pas besoin de données précises pour dire que nous pouvons attribuer un risque de deux pour cent à un événement perturbateur majeur. Vous pourriez dépendre de votre région, être inondé ou subir des incendies. Il existe de nombreux risques pour lesquels vous pouvez effectuer une évaluation approximative. Il vaut mieux faire cela plutôt que de prétendre que ces risques n’existent pas du tout. Et avec la prévision probabiliste, ajouter un risque de deux pour cent, même s’il est quelque peu estimé, pour indiquer une chute majeure de la demande, c’est techniquement assez simple. En revanche, si vous abordez l’avenir avec une prévision de séries temporelles déterministe classique, il est presque impossible de procéder ainsi. Certes, vous pouvez dire que nous avons un scénario où survient un désastre, mais comment concilier ce scénario, qui diverge largement de votre prévision principale, avec ce que vous faites au quotidien ? En pratique, vous ne pouvez pas.

Donc, il y a de nombreuses entreprises qui disent « Oh, nous faisons des scénarios, nous modélisons le risque », mais la réalité est : qu’en est-il de vos décisions quotidiennes ? Toutes ces décisions quotidiennes sont à 100 % guidées par la prévision médiane ou moyenne, qui ignore complètement tous les risques. En ce sens, oui, vous avez réalisé quelques exercices intellectuels pour appréhender le risque, mais si toutes les décisions que vous prenez chaque jour n’intègrent pas ce risque d’une manière ou d’une autre, alors cela n’est qu’un exercice intellectuel. Cela n’a aucune conséquence sur votre quotidien.

Conor Doherty: Je tiens à vous pousser un peu sur ce point car je suis également curieux. Si l’on pense à d’autres techniques de prévision, comme par exemple la prévision à valeur ajoutée dans laquelle plusieurs personnes collaborent pour enrichir une prévision, l’idée étant que différents départements possèdent des éclairages différents. Prenons l’exemple d’un nouveau concurrent sur le point d’émerger : vous captez cette information, le service marketing en a connaissance et l’intègre d’une certaine façon dans une série temporelle. C’est assez difficile à réaliser, car comment traduire ce type de connaissance en une prévision ? De même, comment intégrer exactement une chance de deux pour cent de guerre en Europe occidentale dans une prévision probabiliste afin d’arriver au nombre d’unités présentes sur mes étagères ? Parce qu’en un sens, ces situations semblent assez similaires.

Joannes Vermorel: Commençons par les séries temporelles. Vous voyez, de nos jours, il existe cette croyance générale – pas chez tout le monde, mais chez la plupart des praticiens mainstream de la supply chain – qui consiste à ne percevoir l’avenir qu’à travers le prisme des séries temporelles. Les séries temporelles sont une manière incroyablement limitée d’exprimer tout ce que vous savez de l’avenir. Par exemple, si vous êtes une entreprise B2B, c’est-à-dire que vos clients sont d’autres entreprises, un risque très basique est qu’un de ces gros clients vous quitte pour aller chez un de vos concurrents. Et lorsque cela se produit, tous les produits qu’il achetait chez vous cessent d’être commandés. Et si, par exemple, vous aviez conservé en stocks un produit régulièrement acheté par ce client, mais que ce client vous quitte soudainement, alors ce stock se retrouve du jour au lendemain en invendu. Tout cela parce que, bien que le stock se mouvait correctement, il comportait un risque caché que ce client puisse vous quitter.

Donc ici, nous avons – et l’idée que ces gros clients peuvent vous quitter n’est pas une idée particulièrement sophistiquée – tout commercial dirait : « Nous avions ce client, il y a toujours un risque qu’il nous quitte. » Le problème est que si vous structurez votre anticipation de l’avenir à l’aide de séries temporelles, vous êtes coincé. Vous ne pouvez pas exprimer cela, car l’information dont vous disposez concerne le client et non les produits. Et si vous disiez qu’il y a ce risque que ce produit tombe à zéro, oui, mais le fait est que ce risque est fortement corrélé. C’est l’ensemble des achats effectués par ce client qui peut s’effondrer en même temps. Et c’est un risque bien différent de dire que ce produit, pris isolément, peut tomber à zéro.

La première chose est que les séries temporelles ne sont tout simplement pas adaptées pour exprimer le risque.

Pour être précis, une série temporelle reflète la relation d’un client avec un produit, mais non les produits eux-mêmes. C’est une mesure unidimensionnelle. Vous avez une mesure qui fluctue chaque jour, chaque semaine, chaque mois. On parle alors de séries temporelles basées sur une cadence régulière. C’est ce à quoi les gens pensent lorsqu’ils évoquent les séries temporelles. C’est une mesure unidimensionnelle, tout comme les températures : il y avait des températures dans le passé, il y en aura dans le futur, et vous pouvez ainsi prolonger la série.

Cependant, cela concerne les relations antérieures que les clients existants avaient avec les produits que vous achetez, mais cela n’indique rien sur l’avenir. Le problème est que l’information dont vous disposez est au niveau du client, alors que votre prévision est au niveau du produit. Il y a un décalage et il n’existe aucun moyen de traduire cette information en celle dont vous avez besoin.

C’est un point crucial.

En mathématiques, lorsqu’on triche, on obtient des résultats étranges. Par exemple, si vous trichez un peu – disons que la Terre est approximativement une sphère – ce n’est pas une sphère parfaite, mais c’est suffisant. Ainsi, lorsque vous voulez réaliser une carte, vous projetez une sphère sur une surface plane. Or, si vous observez une carte du monde, vous constatez des distorsions. Par exemple, l’Afrique apparaît très petite sur les cartes européennes par rapport à l’Europe, alors qu’en réalité, l’Afrique est plus grande que l’Europe. C’est simplement un effet de distorsion dû à l’utilisation d’une surface plane pour représenter une sphère.

Mais ici, le problème est beaucoup plus important. Vous tentez de représenter quelque chose de totalement risqué. C’est un objet multidimensionnel que vous essayez de réduire à un objet unidimensionnel, votre série temporelle. Ainsi, les problèmes et les distorsions engendrés sont absolument gigantesques. Si vous estimez que faire paraître l’Afrique plus petite que l’Europe est un problème, ce sont des soucis bien modestes comparés à ceux que l’on rencontre dans la supply chain lorsqu’on tente d’injecter dans la série temporelle des informations sur le risque.

Nous avons un autre problème. Lorsqu’on ne connaît pas la solution, il est très difficile de penser au problème. Les gens ne sont pas vraiment familiers avec la catégorie de modèles mathématiques susceptible de représenter ces risques. Ils restent bloqués sur les séries temporelles, parce qu’ils ne peuvent même pas imaginer autre chose. Mais la première étape est de reconnaître que ce n’est pas une représentation correcte. Peu importe s’il n’est pas encore très clair ce qui devrait être utilisé.

Il existe également certains aspects techniques. Par exemple, il n’est pas très clair comment un logarithme est calculé, mais cela n’a pas d’importance. Vous n’avez pas nécessairement besoin d’avoir une vision claire de la chose pour l’utiliser avec succès. Nous pouvons donc passer à la deuxième partie : comment Lokad exploite ce type d’information.

L’idée est que, lorsque vous voulez envisager l’avenir, la version multidimensionnelle consiste à considérer que chaque futur possible possède une probabilité. Vous pouvez ainsi penser à une probabilité associée à n’importe quel futur donné dans lequel vous connaissez exactement le niveau de vente de chaque produit, concernant la demande, c’est-à-dire les articles qui seront à nouveau vendus.

Il existe une probabilité que cela se produise. Bien que cette probabilité soit extrêmement faible, si vous disposez des outils mathématiques appropriés, vous pouvez travailler avec des probabilités presque négligeables. Et encore une fois, compte tenu du très grand nombre de futurs possibles, la somme de toutes ces probabilités reste égale à un. Un futur se réalisera, et la somme totale des probabilités est égale à un.

Vous pouvez intégrer un risque tel qu’une chance de deux pour cent de perdre ces clients. Ce n’est pas si difficile en réalité. Si vous considérez la demande sous l’angle des produits, il est très difficile d’injecter les clients. Mais si vous envisagez la demande comme le résultat du comportement des clients et que vous prévoyez ce comportement, alors ajouter ce risque supplémentaire de voir un client vous quitter devient relativement simple.

Vous pouvez construire votre prévision de différentes manières. En termes d’agilité, quelle est la différence entre celle obtenue en adoptant une approche basée sur les séries temporelles et celle obtenue grâce à l’approche probabiliste, et comment cette différence se traduit-elle ensuite dans la gestion du risque ?

Le principal problème est que le risque dans les séries temporelles n’existe pas. Il ne peut même pas exister. C’est comme tenter d’insérer un cube dans un espace bidimensionnel. Un cube n’existe pas dans un plan. Vous pouvez dessiner un cube, mais fondamentalement, il ne peut pas s’adapter. C’est un problème lorsqu’on a des dimensions supplémentaires qui ne s’intègrent pas, vous êtes bloqué. Si tout ce que vous avez est un plan bidimensionnel, vous ne pouvez pas y empiler un cube. Cela ne fonctionnera tout simplement pas. Et donc, avec les séries temporelles, vous êtes en quelque sorte coincé.

Vous pourriez, en quelque sorte, bricoler la situation. Vous pourriez dire que nous ne pouvons pas gérer le risque, mais que nous pouvons contourner le problème en produisant une prévision incorrecte, intentionnellement déformée, de sorte que la décision qui sera prise sur la base de cette prévision reflète ce risque. C’est une méthode très complexe pour parvenir à une gestion du risque.

Techniquement, il est possible de le faire, mais ce sera de manière très étrange. Par exemple, vous pouvez gérer le risque en rendant délibérément votre prévision moins précise, en introduisant une déformation intentionnelle dans celle-ci. C’est une façon de prendre en compte les risques. Mais c’est une approche très alambiquée.

Si vous optez pour l’approche probabiliste, vous bénéficiez d’une prévision intrinsèquement probabiliste. Par conception, vous disposez déjà de ces probabilités. Un autre défi est de savoir comment réaliser une optimisation. On parle alors d’un processus d’optimisation stochastique. Comment optimiser une décision lorsque les conditions sont incertaines ? Il faut alors mettre en place une optimisation qui soit naturellement adaptée à ces incertitudes présentes dans les conditions initiales.

Conor Doherty: Si j’évalue, et je suis curieux de savoir comment exactement – non, laissez-moi reformuler la question – si vous vous trouvez dans une situation où vous dirigez une entreprise et adoptez l’approche probabiliste, alors que vous utilisiez auparavant des séries temporelles, vous êtes conquis par ce que vous venez d’entendre, et ensuite on vous présente une recommandation qui est le produit final de la méthodologie de prévision probabiliste. Or, dans cette recommandation, la valeur présentée intègre en réalité de nombreux de ces facteurs, par exemple la possibilité de perdre un client, et la direction regarde cela en pensant que c’est insensé. Comment sont-ils censés interagir avec cela, étant donné qu’il y a tant d’éléments intégrés ?

Joannes Vermorel: Alors, premièrement, quel est le résultat ? Et c’est là que se situe une divergence radicale. Le résultat d’un processus supply chain axé sur le risque, alimenté par des prévisions probabilistes – car, à ma connaissance, c’est pratiquement la seule technique viable que nous ayons pour gérer le risque – voilà pourquoi les probabilités existent. Le résultat, ce sont les décisions, et non le plan. C’est étrange, car lorsque l’on pense que l’avenir peut être connu afin d’éliminer tout risque, les risques supply chain concernent justement cet avenir incertain. Si vous pensez pouvoir disposer d’une prévision précise, alors le résultat de votre pratique supply chain sera la prévision, et la prévision sera votre plan, puisque, une fois la prévision établie, il ne reste plus qu’à orchestrer les décisions.

Si vous optez pour une approche axée sur le risque, alors le résultat de votre processus n’est pas le plan, ce n’est pas la prévision, ce sont les décisions. Mais si votre processus axé sur le risque est mauvais – ce qui est possible – il conduira à de mauvaises décisions. Et comment identifier, ou plutôt contester, qu’une décision est mauvaise ? Eh bien, cela se fait de manière tout à fait différente. Encore une fois, dans une perspective classique, on évaluerait en termes de précision de la prévision, car c’est le but ultime. Avec l’approche axée sur le risque, on dirait qu’une décision comporte des risques et des opportunités exprimés en dollars ou en euros. Ainsi, si vous constatez qu’une décision est mauvaise, cela signifie essentiellement que l’évaluation, en dollars ou en euros, faite concernant cette future décision est erronée.

Et donc vous pouvez identifier et, si vous y regardez de plus près, nous décomposons généralement, pour chaque décision que nous générons, les leviers économiques afin de pouvoir dire que nous avons une demi-douzaine de facteurs qui reflètent ce qui entre en ligne de compte dans cette décision. Et donc, si vous souhaitez contester cela, vous contesterez un composant et direz ceci, prenons par exemple le coût de détention, le risque des coûts de détention que vous estimez semble complètement erroné. Et oui, c’est le rôle du Supply Chain Scientist d’ingénierie inverse du processus pour identifier ce qui cloche dans cette estimation. Mais c’est très technique.

Mais la réalité est que si vous avez une prévision des séries temporelles classique qui est très erronée, vous direz que cette prévision des séries temporelles est très inexacte. Mais une fois que vous dites cela, enquêter sur la cause profonde sera également une démarche très technique.

Conor Doherty : Si nous revenons en arrière, nous parlions des approches proactives de gestion des risques, comme les jumeaux numériques dans l’industrie automobile, puis d’une gestion des risques plus réactive à partir de l’analogie vestimentaire que vous avez donnée. La prévision probabiliste semble presque proactive dans le sens où vous simulez des mondes dans lesquels vous prenez cette décision, voici la réponse anticipée, vous prenez cette décision, voici la réponse anticipée.

Joannes Vermorel : Il est donc proactif dans le sens où vous dites simplement qu’il y aura des fluctuations, qu’il y aura toujours des fluctuations bien au-delà de mon contrôle. C’est de cela qu’il s’agit, cette incertitude irréductible concernant l’avenir, et sur cette base, je dois être capable de concevoir un processus qui réagira rapidement et de manière adéquate à ces conditions changeantes, qu’elles m’impactent positivement ou négativement. Et oui, il est très proactif dans la mesure où concevoir un tel processus qui vous permet de tirer parti des opportunités dès qu’elles se présentent et de mitiger les problèmes au fur et à mesure demande beaucoup de préparation.

Mais il ne se laisse pas berner par l’idée que l’on peut se préparer au point d’éliminer l’incertitude dès le départ. Vous voyez, ce n’est pas le but ultime. C’est en quelque sorte une position dogmatique, mais c’est l’idée que vous ne pouvez pas percer le secret de ce terrier de modélisation prédictive. Vous ne pouvez obtenir un modèle qui soit à 100 % précis, cela n’arrivera jamais. La quantité d’incertitude résiduelle sera très grande, et de ce fait, il vous faut concevoir un processus qui soit très performant pour suivre le changement tel que vous l’observez.

Parce que, voyez-vous, le fait est que très souvent, les entreprises sont surprises par des événements survenus il y a des mois. Vous diriez : « Oh, nous ne connaissons pas l’avenir, mais qu’en est-il du passé, nous connaissons le passé. » Mais si votre délai de réaction moyen à quelque chose que vous avez déjà constaté est d’environ six mois, alors vous risquez d’être surpris par quelque chose qui s’est déjà produit il y a quelques mois, et les entreprises se retrouvent très régulièrement dans ce cas.

Conor Doherty : Encore une fois, je tiens à insister ici car je sais que lorsque nous parlons de gestion des risques, nous devons parler de la manière dont nous évaluons nos pratiques de gestion des risques. Et encore, pour revenir aux approches des séries temporelles versus probabilistes, si vous avez une série temporelle et qu’elle est complètement fausse, je peux le signaler et dire, eh bien, c’était faux, c’était massivement incorrect. Et c’est, vous savez, binaire, soit c’était exact, soit ce ne l’était pas. Vous disiez que nous vendrions 100, mais nous avons vendu 10. Vous vous êtes trompés d’un ordre de grandeur. Avec l’approche probabiliste, vous fournissez des probabilités, vous ne dites pas que c’est définitivement ce que vous vendrez. Et cela vous protège-t-il en quelque sorte de l’erreur ?

Joannes Vermorel : Non, je veux dire, techniquement, il existe des métriques pour la précision des prévisions probabilistes, mais ce qui est encore plus intéressant, c’est que vous pouvez évaluer la justesse des décisions elles-mêmes. Et c’est, vous savez, oubliez les probabilités. Elles ne sont qu’un artefact de calcul transitoire. Il existe bien d’autres artefacts, des artefacts numériques qui interviennent dans le calcul. Ils sont sans conséquence dans le sens où, si vous avez des probabilités incorrectes mais que vous arrivez quand même à prendre la bonne décision, est-ce vraiment important que vos probabilités soient erronées ?

Conor Doherty : Que voulez-vous dire par là ? Vous pourriez avoir une probabilité incorrecte mais prendre quand même la bonne décision ?

Joannes Vermorel : Par exemple, il y a des gens qui ne se rendent pas toujours compte que les ordinateurs font constamment des approximations. Chaque fois que vous effectuez un calcul, vous n’utilisez qu’un certain nombre de chiffres significatifs. La perte de précision est-elle importante ou non ? La réponse est : cela dépend. Et dans la supply chain, cela dépend de quoi. Eh bien, cela dépend de si la décision finale est bonne ou mauvaise.

Au final, ce que je dis, c’est que vous devriez juger la qualité de cette approche axée sur le risque en fonction de ce qu’elle produit à la fin du processus, à savoir les décisions. Traiter des probabilités de haute dimension, c’est-à-dire l’évaluation numérique de probabilités dans un espace très à haute dimension, comporte toutes sortes de bizarreries. La pertinence des techniques devrait être jugée par les résultats finaux, et non par la qualité d’une prévision probabiliste.

Inévitablement, l’exactitude de la prévision n’est pas le principal souci, mais plutôt le montant d’argent gagné ou perdu.

Conor Doherty : Oui, exactement. Et bien, c’est très difficile pour certaines personnes. Pardonnez-moi, je ne veux pas paraître condescendant, mais dites-vous que l’idée de vouloir une prévision plus précise est techniquement erronée en termes de gestion des risques ?

Joannes Vermorel : Donc, tout d’abord, je dis que lorsque vous affirmez détenir, disons, une prévision inexacte à 20 %, ces pourcentages sont une unité totalement inventée. Ce ne sont pas des kilogrammes, ce ne sont pas des kilowatts, ce n’est pas quelque chose qui a une réalité tangible. C’est fabriqué, et les gens disent, “Oh, mais nous sommes tellement habitués à ce que ces pourcentages de précision soient exprimés en pourcentage que ça doit forcément être réel.” Je dis que non du tout. Vous pouvez avoir des prévisions extrêmement dommageables qui se révèlent pourtant très précises, avec une inexactitude exprimée en pourcentage très faible.

Il y a une anecdote qu’on m’a racontée maintes fois : vous pouvez simplement prévoir une demande nulle pour un magasin, et cela vous donnera très rapidement une prévision très précise. Vous prévoyez zéro, vous ouvrez avec zéro, et la prévision devient 100 % précise. Ainsi, cette mesure exprimant des pourcentages n’est pas très judicieuse.

Si je vous dis que vous pouvez avoir une mesure de prévision probabiliste exprimée en cross entropy, c’est très abstrait et cela n’apportera pas beaucoup de perspicacité. Mais ce que j’affirme, c’est que la cross entropy est aussi abstraite et opaque que les pourcentages. C’est très inventé. La seule raison pour laquelle, par exemple, chez Lokad, nous choisirions la cross entropy, c’est qu’elle possède de bonnes propriétés pour parvenir aux décisions finales.

Par exemple, la cross entropy présente des gradients très abrupts qui facilitent l’apprentissage de modèles de haute qualité. C’est quelque chose de très technique, mais ça marche. Et ça marche en ce sens que l’on juge les résultats finaux, c’est-à-dire la décision générée à la toute fin du processus et qui, en fin de compte, se traduit par une réduction des erreurs en euros ou en dollars. C’est la métrique qui est déterminante pour les personnes qui opèrent selon cette approche axée sur le risque.

Encore une fois, si vous opérez selon la perspective des séries temporelles, vous pensez en termes comme un constructeur automobile avec un défaut qui tuerait des gens. Vous dites, “Vous savez quoi, nous ne comptons pas les dollars, nous voulons simplement nous assurer d’être extrêmement sûrs et au-delà de toute mesure de sécurité.”

Conor Doherty : Alors, si vous avez une division entière dédiée à la gestion des risques, à l’évaluation des risques, mais que votre supply chain repose sur une approche de prévision des séries temporelles, est-ce votre position que cela est presque paradoxal, comme une contradiction en termes ?

Joannes Vermorel : Non, cela signifie simplement que les personnes chargées de la gestion des risques ne sont que des bureaucrates. Quoi qu’ils fassent n’a aucune conséquence. Habituellement, ils n’ont tout simplement aucune conséquence. Vous voyez, le fait est que si vous évaluez un risque mais que ces évaluations ne peuvent pas légèrement influencer chaque décision prise dans votre supply chain, alors vous avez réalisé une évaluation et vous venez de l’enterrer aussitôt après l’avoir faite.

Voyez-vous, si vous dites : “Oh, ce fournisseur a un risque de 2 % de faire faillite l’année prochaine”, d’accord, est-ce que cela impacte vos décisions d’achat ? Si ce n’est pas le cas, alors vous venez d’enterrer votre évaluation. Vous l’ignorez. Vous vous mettez simplement la tête dans le sable.

Et c’est très étrange parce que les gens diraient : “Oh, mais nous avons analysé les risques.” Oui, mais vous n’agissez pas en fonction de cette évaluation. Et quand je dis agir, les gens le considèrent vraiment comme une erreur. Quand on parle de supply chain, c’est ce que vous entendriez dans les médias. Ils diraient : “Oh, nous ne devrions pas avoir notre usine en Chine.” Oui, c’est un risque très macro, mais il existe également des risques bien plus banals.

Alors, qu’achetez-vous, où stockez-vous cela, augmentez-vous ou diminuez-vous vos points de prix ? Ce sont des décisions qui comportent également des risques et ces décisions sont prises quotidiennement pour chaque SKU que vous achetez, produisez ou vendez. Et quelle que soit l’évaluation que vous avez en termes de risque concernant votre fournisseur, votre concurrent ou vos clients, la question est la suivante : s’il n’existe rien qui relie numériquement cette évaluation à ces décisions très minimes que vous prenez, alors vous ne gérez pas correctement le risque.

Conor Doherty : Corrigez-moi si je me trompe, mais dites-vous que la conception que la plupart des gens ont de la gestion des risques concerne l’échelle macro, comme un événement massif qui perturbe complètement les chaînes, alors que, selon vous, la gestion des risques la plus importante, la plus urgente, concerne les décisions quotidiennes et plus petites ?

Joannes Vermorel : Les deux sont très importants, mais soyons réalistes quant à l’information dont vous pouvez réellement disposer pour prendre la bonne décision. Pour ces décisions macro, dans une large mesure, c’est un pari. C’est un pari complet et cela ne pose pas de problème. C’est le capitalisme. C’est une économie de profits et de pertes. Les gens prennent des risques et il y a une part de hasard. Et je dis, eh bien, vous ne pouvez pas vraiment avoir une pratique qui vous dira si, par exemple, pénétrer un nouveau marché est sûr ou non. Vous pouvez faire des évaluations, essayer de rationaliser un peu le processus, mais fondamentalement, c’est quelque chose qui échappe aux statistiques et à l’analyse quantitative.

Au contraire, si vous regardez une supply chain, une entreprise de taille moyenne va prendre des dizaines de milliers de décisions par jour, chaque jour. Et c’est cela que je dis : contrairement aux grosses décisions macro où l’on parie et où il n’existe aucune alternative à l’instinct, dans le cas de ces dizaines de milliers de décisions quotidiennes, vous pouvez faire une évaluation quantitative et quelque chose qui a véritablement du sens.

Conor Doherty : Bon, pour s’éloigner des exemples colossaux comme ceux à l’échelle macro, ramenons cela à quelque chose au niveau des SKU. Ainsi, nous avons plusieurs magasins, nous en avons 10, et nous disposons d’une quantité finie de stocks, de stocks de t-shirts blancs, et les 10 magasins ont besoin de t-shirts blancs. Quelle serait la méthode probabiliste, la plus informée en termes de risque, pour répartir ce que j’ai entre tous les magasins en fonction des besoins ?

Joannes Vermorel : Prenons la perspective classique. La perspective classique, centrée sur les séries temporelles, consiste à supposer que vous connaissez l’avenir. Ainsi, vous disposez d’un stock de sécurité. Fondamentalement, vous dites que chaque magasin devrait disposer de cette quantité en stock et, pour prendre en compte la petite incertitude résiduelle en sus, vous ajoutez un petit tampon, et c’est votre stock de sécurité. Tous les magasins sont traités indépendamment et l’idée est que vous devriez avoir suffisamment de stocks pour couvrir tous vos magasins.

Maintenant, quel est le véritable risque ? Le risque, c’est que vous pouvez épuiser les stocks au niveau de l’entrepôt, et la question devient alors : j’ai une ressource limitée à l’entrepôt, que dois-je faire pour mes différents magasins ? Si vous procédez de la manière classique, la méthode classique consisterait à dire que j’ai mon stock de sécurité, je procède à l’allocation pour le premier magasin, il me reste encore des stocks, je répète le processus pour le deuxième magasin, puis peut-être qu’au quatrième magasin, je m’arrêterai parce qu’il ne reste plus de stocks. Ainsi, ce que vous avez fait, c’est remplir efficacement les quatre premiers magasins et n’envoyer rien aux autres. Ce n’est pas très intelligent. Cela ne gère pas correctement cette situation, cette petite mini-crise que vous avez en cas de rupture de stock à l’entrepôt.

Conor Doherty : Quels sont alors les risques d’un point de vue financier ?

Joannes Vermorel : Non, ce n’est pas le cas. C’est à cela que sert votre stock de sécurité. Lorsque vous mettez en place un stock de sécurité, vous dites que vous placez des unités dans un magasin qui ont très peu de chances d’être vendues pendant la fenêtre temporelle pertinente. Voilà à quoi sert le stock de sécurité. C’est un tampon dont vous n’aurez probablement pas besoin.

Si vous voulez maximiser vos ventes, il est bien mieux de répartir les stocks de manière à ce que chaque magasin en dispose un peu. L’objectif est que tous les magasins soient en rupture de stock en même temps. Évidemment, vous ne pouvez pas vraiment y parvenir, mais c’est ce à quoi vous souhaitez vous rapprocher.

Considérons la situation alternative où vous avez concentré les stocks dans les quatre premiers magasins. Vous avez tous les autres magasins en rupture de stocks, donc vous ne vendez pas du tout. Et pour ces derniers, vous ne vendrez qu’environ la moitié des stocks, ce qui entraînera beaucoup de surplus. Vous vous retrouvez dans une situation où un magasin est en rupture de stock tandis qu’un autre dispose d’un stock excessif, et la demande des magasins sans stock reste insatisfaite.

Conor Doherty : Donc, c’est là le risque ?

Joannes Vermorel : Oui, et c’est là que nous parlons du risque de rupture de stock. Une manière de gérer cela est de préserver les stocks dans l’entrepôt lorsque vous constatez qu’un produit y est à risque d’être en rupture. De cette manière, les meilleurs magasins peuvent encore disposer d’un peu de marchandise.

Contrairement à l’approche des séries temporelles qui traiterait chacun de nos 10 magasins indépendamment, une approche probabiliste prendra en compte le réseau ainsi que les contingences ou interdépendances entre tous ces magasins et la relation avec mes stocks disponibles.

Conor Doherty: Je suis curieux de savoir comment exactement une entreprise peut gérer tout cela, car c’est beaucoup d’informations comparé, disons, à l’approche traditionnelle des séries temporelles. Est-ce que la seule manière de gérer tout cela est par l’automatisation ou bien des personnes continuent-elles à vérifier ces décisions ?

Joannes Vermorel: La façon dont Lokad procède est d’automatiser l’ensemble du processus. Des personnes sont là pour superviser l’automatisation, mais en réalité, la plupart des entreprises, bien qu’elles prétendent que tout est validé manuellement, utilisent depuis longtemps des processus assez automatisés. Chaque fois que vous avez une configuration min-max de stocks avec une moyenne et un maximum, vous avez un automate de reapprovisionnement qui fonctionne habituellement de manière autonome. Cela a toujours été le cas avec des configurations largement automatisées depuis des décennies.

Lokad n’est qu’une étape supplémentaire dans cette direction, mais cela ne révolutionne pas nécessairement les choses par rapport à ce que les gens avaient auparavant. C’est plus automatisé, mais de nombreuses entreprises fonctionnent déjà avec des configurations hautement automatisées.

Conor Doherty: Une entreprise qui ne mise pas sur l’automatisation, mais qui, disons, comme je l’ai mentionné plus tôt, dispose de divisions entières d’experts en gestion des risques, ces entreprises sont plutôt conscientes, n’est-ce pas ?

Il me semble également que nous avons centré toute la conversation autour de risques plus tangibles comme les skus, les magasins, les inondations. Ce sont tous des ressources ou des actifs très tangibles et les risques correspondants. Existe-t-il des risques intangibles, des choses comme le temps, la bande passante, le savoir, toutes ces choses qui entrent en jeu dans le fonctionnement d’une entreprise ? Quels sont les risques dans ce domaine ou comment les gérons-nous ?

Joannes Vermorel: Il existe des risques intangibles. Par exemple, si vous êtes une entreprise de mode et que vous proposez des soldes, vous créez une attente chez vos clients que ces réductions se reproduiront à l’avenir, et ainsi les gens modifient leur comportement. Estimer ce processus en théorie est possible, mais en pratique, c’est très difficile car instaurer l’attente chez vos clients est un travail qui s’effectue sur de nombreuses années, il n’est donc pas aisé d’expérimenter cela.

Par exemple, si vous êtes une marque de luxe et que vous êtes convaincu que vous ne devez jamais faire de promotions parce que cela dévalorise votre marque, vous n’allez pas réaliser un test sur cinq ans pour vérifier si une promotion dévalue réellement votre marque. À un moment donné, vous devez vous fier à vos convictions et à votre jugement plutôt que de procéder à un test.

Le coût engendré par une promotion est bien réel. Lorsque vous faites une promotion, vous perdez immédiatement une certaine somme d’argent en baissant votre prix, ce qui revient à renoncer à une partie de votre marge. C’est un coût immédiat, mais il y a également ce risque supplémentaire que de mauvaises habitudes se développent du côté des clients, et vous devez quantifier ces coûts.

Il existe également d’autres types de risques, comme les dépendances informatiques. Vous pouvez avoir des logiciels qui tombent en panne, vous pouvez avoir de nombreuses autres choses qui impactent votre supply chain. Mais ces risques sont plus proches de ceux de la fabrication, où vous voulez que votre ERP fonctionne en continu à 100%. Il n’y a aucune raison d’avoir des temps d’arrêt, vous pouvez concevoir une solution qui se rapproche incroyablement des 100% de disponibilité.

Conor Doherty: Vous venez de mentionner que, du point de vue de la stratégie de tarification, les remises pourraient inculquer de mauvaises habitudes aux consommateurs. Que vouliez-vous dire par là ?

Joannes Vermorel: Chaque fois que vous faites une promotion, le client constate que vous la réalisez. Donc, la prochaine fois, il dira : “Je n’achèterai pas au prix fort. J’attendrai simplement que vous fassiez de nouveau une promotion. J’ai vu que vous faites des promotions, je sais donc que des promotions ont lieu avec votre marque, alors je peux attendre. J’attendrai que vous fassiez une promotion et ensuite j’achèterai.”

Le problème, c’est que rien ne pourra véritablement modéliser cela. Modéliser la psychologie de vos clients dépasse en grande partie votre portée car il faut une décennie pour façonner l’état d’esprit de vos clients.

Lorsque vous fixez un prix, vous transmettez un message à vos clients. Les gens y prêtent une certaine attention, mais il faut du temps pour que cela s’imprègne. Il y a donc une inertie substantielle. Vous pouvez essayer de réaliser des modèles sophistiqués pour estimer exactement quel serait l’impact, mais en réalité, puisque ce genre de choses prend des années, vous ne pourrez pas expérimenter beaucoup. Vous ne pourrez pas valider les techniques que vous utilisez. Ainsi, en réalité, vous devez prendre des décisions basées sur votre jugement.

Conor Doherty: Donc, c’est un élément du protocole de gestion des risques qui restera du ressort des personnes qui parviennent à un consensus. Voulons-nous liquider ces stocks ? Voulons-nous les conserver indéfiniment ? Ou bien voulons-nous les vendre lors d’une promotion ?

Joannes Vermorel: Oui, et lorsque vous adoptez cette approche basée sur le risque, elle est bien plus compatible avec ce genre d’estimations approximatives comparé à une prévision réalisée avec l’approche traditionnelle des séries temporelles, où ce genre de choses n’avait pas sa place.

Conor Doherty: Ainsi, le principe directeur pour déterminer quelles sortes de politiques empiriques les entreprises devraient adopter est le suivant : est-ce que cela contribue à un rendement supérieur ?

Joannes Vermorel: Si quelque chose peut être évalué quantitativement, alors foncez. Mais lorsqu’il n’est pas possible, même s’il y a un consensus sur son importance, vous devez faire une estimation approximative.

Je pense qu’il est très dangereux de dire que nous n’avons pas de chiffres raisonnables et de prétendre par conséquent qu’ils n’existent pas. Ils existent bel et bien et vous devez donc faire une estimation. Il vaut mieux avoir un chiffre approximativement correct plutôt qu’exact.

Conor Doherty: J’ai l’impression que nous touchons un peu à la fin, mais j’aimerais poser une question un peu difficile. Vous avez parlé du fait qu’une analyse quantitative soit financièrement prohibitive. Ainsi, pour les grandes entreprises qui peuvent se permettre des politiques de prévision et de gestion des risques plus élaborées, elles peuvent peut-être adopter l’approche probabiliste. Mais pour les entreprises qui n’ont pas ce genre de liquidités disponibles, quel conseil donneriez-vous en termes de gestion des risques qui serait applicable de manière concrète ?

Joannes Vermorel: Je dirais que, pouvez-vous vraiment vous permettre d’ignorer le risque ? Les stocks coûtent de l’argent. Le plan tarifaire pour avoir un Supply Chain Scientist pour vous assister dans l’optimisation de votre décision est d’environ 2 500 euros par mois. Oui, c’est une somme conséquente, mais si vous n’êtes pas une petite entreprise, si vous êtes une entreprise de plus de 10 millions de dollars ou d’euros, ce n’est pas une somme énorme. C’est en réalité une fraction de ce que vous payez pour une seule personne.

Si vous avez, par hasard, plus de cinq personnes qui remplissent des fonctions de supply chain telles que le réapprovisionnement des stocks, la planification de la production, l’allocation des stocks, la gestion de la tarification, et qu’elles ont un processus qui ignore entièrement le risque, je dirais : pouvez-vous vraiment vous permettre de continuer ainsi ? Ignorer ces risques pourrait vous coûter plusieurs millions de dollars simplement parce que vous avez pris une très mauvaise décision en négligeant complètement le risque.

Du fait que cela soit inhabituel, les gens pensent que ce sont uniquement des choses réservées à des entreprises comme Amazon et autres. Non, ce n’est pas le cas. Dans une large mesure, la prévision classique basée sur les séries temporelles est beaucoup plus compliquée et la raison est que le problème est mal adapté. Ainsi, oui, en apparence, cela semble plus simple parce que les gens sont habitués aux séries temporelles, mais lorsqu’il s’agit de résoudre réellement le problème, cela ne correspond absolument pas au problème réel, et cette solution, bien qu’elle paraisse facile en pratique, est cauchemardesque à déployer et à utiliser en comparaison.

Les prévisions probabilistes que Lokad utilise pour de petits clients, de petites entreprises, sont inhabituelles mais correspondent parfaitement au problème, et donc, au final, vous savez, et encore une fois dans mes cours, je donne des exemples où, si vous souhaitez jeter un œil aux techniques de probabilité, la plupart de mes exemples de code comptent moins de 20 lignes. Ainsi, les gens diraient : “Oh, c’est incroyablement compliqué”, et je réponds : “Eh bien, c’est à peu près 20 lignes de code et vous pouvez exposer en détail la méthode lors d’un cours d’une heure et demie.”

Peut-on vraiment dire que votre entreprise est tellement petite que vous ne pouvez pas vous permettre de consacrer une dizaine d’heures, voire quelques dizaines d’heures, à ce cas ? Est-ce vraiment hors de vos moyens ? Je veux dire, oui, si vous êtes une boutique avec une seule personne, mais si vous êtes une entreprise qui réalise un chiffre d’affaires de plus de 10 millions de dollars par an, vous n’êtes pas une boutique. Vous avez déjà beaucoup en jeu et les erreurs peuvent coûter bien plus, et inversement, car il ne s’agit pas seulement d’erreurs, c’est aussi des opportunités.

Si, en augmentant votre prix au bon moment, vous augmentez votre marge de dix pour cent, cela peut se traduire par quelques centaines de milliers de dollars de liquidités pures entrant dans votre entreprise, ce qui compense largement le coût de faire travailler des personnes sur la gestion du risque.

Conor Doherty: Pour résumer, il y a essentiellement un élément de saut de foi, mais l’eau n’est pas si froide une fois que vous vous y mettez…

Joannes Vermorel: Je dirais que ce n’est pas tant un saut de foi. Je pense qu’il existe cette idée très étrange que, selon la théorie mainstream du supply chain, les risques n’existent pas, littéralement. Vous avez ces fluctuations très douces de la demande et ces fluctuations très douces des délais, modélisées avec des distributions normales, ce qui, lorsqu’on parle de distribution normale, est une manière de dire qu’il n’y a pas de risque.

La réalité est que je n’ai jamais rencontré d’entrepreneur qui ne soit pas pleinement conscient que l’entreprise qu’il dirige est pleine de risques partout. L’absurdité, c’est que, avec les logiciels de supply chain, les gens prétendent que les risques n’existent pas, mais en réalité, ils demeurent, et ainsi, les entreprises font régulièrement face à des catastrophes très coûteuses dues à des risques qui, encore une fois, ne sont pas, je ne dis pas, comme investir sur le marché russe en 1991 en pensant que cela fonctionnerait et que soudainement cela deviendrait le nouvel Eldorado.

Je dis que les entreprises font face à des catastrophes pour des choses entièrement évitables, des choses qui étaient vraiment dans le champ du risque attendu, telles que des problèmes chez les fournisseurs, des prix en hausse ou en baisse, une demande qui fluctue mais pas au-delà de ce que l’on pourrait attendre de l’évolution générale du marché. Ce genre de choses, et donc mon propos est qu’il y a cette folie où la plupart des pratiques mainstream ignorent complètement le risque.

Quand je parle aux praticiens de la supply chain, ils diraient oui, il y a beaucoup de risques, mais le problème est qu’ils ne parviennent pas à combler le fossé, et je dis que ce n’est pas très difficile, c’est simplement très différent de ce que vous faites, et non seulement c’est connu, c’est en fait moins cher car cela conduit également à un degré plus élevé d’automatisation. En effet, l’une des raisons pour lesquelles vous avez besoin de tant de personnes lorsque vous gérez la supply chain avec des séries temporelles est qu’en raison du décalage massif entre la réalité et ces séries temporelles, vous devez avoir beaucoup de personnes pour bricoler le processus en permanence.

Mais si vous disposez de quelque chose où il y a une meilleure adéquation, vous n’avez pas besoin d’autant de personnes pour bricoler le processus.

Conor Doherty: Sur ce, je crois que je vais conclure. Joannes, merci beaucoup comme toujours, ce fut un plaisir. Et merci beaucoup de nous avoir regardés, à la prochaine.