Risques dans la gestion de la Supply Chain

00:00:00 Introduction et définition des termes
00:02:40 Incertitude et coût de la protection dans la supply chain
00:03:54 Gestion des risques et minimisation des déchets
00:05:30 Risque irréductible et opportunités dans la supply chain
00:07:37 Supply chain vs perfection de la fabrication
00:09:35 Risques et opportunités dans la supply chain et les concurrents
00:14:09 Problèmes avec l’approche statique dans la supply chain
00:15:56 Erreurs prévisibles en tant que 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 pour la prévision probabiliste
00:29:53 Risque de perturbation massive et de catastrophes régionales
00:31:59 Intégration des risques dans les décisions quotidiennes de la supply chain
00:34:08 Risque de perdre de gros clients et corrélation des risques
00:37:03 Distorsion dans les projections cartographiques et les modèles mathématiques
00:42:31 Construction de prévisions et risque des séries temporelles
00:45:20 Optimisation stochastique et approche probabiliste
00:48:36 Décomposition des moteurs économiques pour les décisions de la supply chain
00:51:44 Les entreprises sont souvent surprises par les événements passés
00:57:00 Prévisions dommageables et entropie croisée dans la prévision
01:00:00 Importance des évaluations de risque exploitables
01:06:49 Risques financiers de la distribution des stocks
01:13:54 Coût des promotions et dépendances informatiques en tant que risque
01:17:22 Difficulté de modéliser la psychologie du client
01:24:26 Évaluation des prévisions des séries temporelles
01:27:33 Risques dans les logiciels de supply chain grand public
01:29:30 Réflexions finales 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 le risque et la récompense, et que le risque zéro est inatteignable. Vermorel met également en avant les opportunités qui peuvent découler de ces risques, comme la capitalisation sur les ruptures de stock du marché. Il préconise une mentalité agile et opportuniste, et l’utilisation de prévisions probabilistes pour atténuer le risque. Vermorel et Doherty concluent en convenant que même les petites entreprises peuvent bénéficier de la gestion des risques, ce qui conduit à une augmentation des marges et du flux de trésorerie.

Résumé étendu

Dans une conversation entre Conor Doherty, l’animateur, et Joannes Vermorel, le fondateur de Lokad, une entreprise de logiciels spécialisée dans l’optimisation de la supply chain, le sujet de la gestion des risques dans les supply chains 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 des conditions futures qui sont inconnues et irréductibles.

Vermorel souligne que chaque décision dans la gestion de la supply chain implique un compromis entre le risque et la récompense, et l’incertitude sur l’avenir est irréductible. Il note également que le risque zéro 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 pas 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 sont hors de contrôle et ne peuvent être qu’atténués. Il souligne également que si les supply chains comportent des risques, elles offrent aussi des opportunités. Par exemple, avoir beaucoup de stock lorsque le marché fait face à une rupture de stock peut conduire à un joli profit.

Vermorel est d’accord avec l’observation de Doherty selon laquelle les risques dans les supply chains semblent être plus courants et ont des effets financiers prévisibles. Il souligne que la gestion de la supply chain implique de faire face à beaucoup de risques et d’opportunités qui sont pour la plupart hors de contrôle, et la seule chose qui peut être faite est de prendre des décisions qui équilibrent ces risques et opportunités.

Vermorel explique que les risques et les opportunités peuvent survenir dans les supply chains. Par exemple, l’entrée ou la sortie d’un concurrent du marché peut faire baisser ou augmenter les prix, affectant la rentabilité. Il donne également l’exemple d’une entreprise européenne de e-commerce qui a su capitaliser sur un événement surprenant pour réaliser un profit exceptionnel.

Vermorel explique que dans les supply chains, il est important d’avoir un état d’esprit agile et opportuniste. Il note que si il est possible d’établir des pratiques qui tirent parti des erreurs prévisibles, il est également important d’être préparé pour les risques émergents.

Vermorel discute du coût des défauts dans la fabrication de voitures, notant que dans la gestion de la supply chain, il n’y a pas de contraintes strictes et tout est éligible à l’optimisation financière. Il explique que la prévision est utilisée dans la gestion de la supply chain pour atténuer le risque. Cependant, contrairement aux défauts dans la fabrication de voitures, les inexactitudes de prévision ne seront jamais complètement éliminées.

Vermorel introduit le concept de prévision probabiliste, où chaque futur possible a une probabilité. Il explique que des risques comme une chance 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 devrait être jugée par les résultats finaux, et non par la qualité d’une prévision probabiliste. Il souligne que la préoccupation principale devrait être combien d’argent a été gagné ou perdu, et non pas l’exactitude de la prévision.

Vermorel suggère que l’entropie croisée, une mesure de l’exactitude de la prévision probabiliste, est aussi abstraite que les pourcentages, mais a 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 d’argent, sont la mesure la plus importante.

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

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

Vermorel discute de la perspective classique de la gestion de la supply chain, où chaque magasin est traité indépendamment et un stock de sécurité est maintenu pour couvrir les éventuelles ruptures de stock. Cependant, cette approche peut conduire à des problèmes tels que la rupture de stock au niveau de l’entrepôt. Il critique l’approche traditionnelle qui consiste à allouer le stock de sécurité aux magasins de manière séquentielle, ce qui peut entraîner que certains magasins soient entièrement approvisionnés tandis que d’autres ne reçoivent rien. Cela peut conduire à une demande non satisfaite et à un excès de stock dans certains magasins.

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

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

Vermorel explique que les promotions peuvent amener les clients à attendre les futures promotions avant de faire des 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 ces types d’estimations par rapport aux prévisions traditionnelles de séries temporelles.

Vermorel remet en question l’idée que seules les grandes entreprises peuvent se permettre de gérer le risque, arguant que l’ignorance du risque peut être plus coûteuse. 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 bénéficier de la gestion des risques, car elle peut conduire à une augmentation des marges et du flux de trésorerie.

En conclusion, Vermorel est d’accord avec le résumé de Doherty, arguant que de nombreuses entreprises font face à des catastrophes évitables en ignorant le risque. Il suggère qu’une meilleure adéquation entre la réalité et la gestion de la supply chain peut conduire à un degré plus élevé d’automatisation et à moins de personnes nécessaires pour gérer le processus.

Transcription complète

Conor Doherty: Bienvenue à nouveau sur LokadTV! Le risque est systémique dans la supply chain. D’un certain point de vue, chaque décision de supply chain présente des classes potentielles de risques, directement ou indirectement. Pour expliquer pourquoi - et surtout comment les éviter - nous avons Joannes Vermorel, fondateur de Lokad.

Alors Joannes, pour citer le grand penseur américain George Costanza, pour gérer le risque, nous devons d’abord le comprendre. Et pour le comprendre, nous devons d’abord le définir. Alors, dans le contexte de la supply chain, qu’est-ce exactement que la gestion des risques et en quoi diffère-t-elle de la gestion des risques dans d’autres domaines comme la fabrication?

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

Dans la supply chain, c’est littéralement l’avenir que vous ne connaissez pas et vous ne pouvez pas vraiment prévoir toutes les possibilités car cela coûterait trop cher. Il y a toujours une possibilité que la demande pour des produits spécifiques augmente de 20 fois, mais devriez-vous avoir en stock 20 fois plus que ce que vous prévoyez de vendre, compte tenu du délai d’approvisionnement applicable et autres, juste parce qu’il y a cette possibilité éloignée de faire face à cette augmentation super imprévisible de la demande? Non.

Fondamentalement, je dirais que, contrairement à certains autres domaines, dans la supply chain, les sources de risque sont les conditions futures que vous ne connaissez pas et chaque décision que vous prenez est en quelque sorte un compromis entre le type de risque et les récompenses qui l’accompagnent concernant cette incertitude sur l’avenir. Et je dirais que l’incertitude sur l’avenir est irréductible, contrairement à disons l’incertitude telle que les actifs physiques dans votre processus de fabrication dans une usine.

Le risque zéro n’existe jamais. Bien que si vous regardez un processus de fabrication, vous pouvez vous rapprocher très, très près de zéro. Je veux dire, ce n’est pas absolument zéro, mais c’est très, très proche. En termes de supply chain, regardez n’importe quel produit, il y a toujours un pourcentage à deux chiffres de risques que ce produit ne soit plus vendu sur le marché dans cinq ans. Il y a très peu de produits dont vous pouvez dire avec une confiance absolue qu’ils existeront encore dans cinq ans, surtout si nous prenons en compte que le produit peut être remplacé par une variante, qui compte toujours comme un SKU différent.

Conor Doherty: Donc, pour résumer, dites-vous que la gestion des risques dans la supply chain est purement une question de minimisation des ressources gaspillées ou est-ce simplement une préoccupation purement financière?

Joannes Vermorel: La source du risque est littéralement le fait que vous ne connaissez pas l’avenir. Si vous aviez une boule de cristal magique qui vous dirait l’avenir, vous pourriez en théorie avoir une pratique de supply chain presque sans risque, en supposant que l’on ait assez d’argent.

Cette source de risque est irréductible et semble étrange dans de nombreux autres domaines. Par exemple, en comptabilité, vous avez un risque d’avoir des erreurs comptables, mais c’est à cela que servent ces pratiques comptables, pour éliminer essentiellement ce risque. Lorsque vous pensez en termes de risque associé à des pratiques comptables incorrectes, vous voulez vraiment rendre cela super rare.

Dans la supply chain, vous n’avez pas le choix. Peu importe si vous êtes bon, si vous avez les bonnes pratiques, le risque est irréductible. Vous pourriez avoir une guerre, des confinements, des incendies, toutes sortes d’événements qui sont simplement hors de votre contrôle et qui vont massivement orienter la demande dans un sens ou dans l’autre. C’est la principale source de risque, que vous ne connaissez pas et tout ce que vous pouvez faire est de mitiger ces risques. Mais aussi, comme il y a du risque, il y a aussi des opportunités qui n’existent pas dans d’autres domaines comme les pratiques comptables.

Par exemple, si vous avez beaucoup de stocks de quelque chose alors que le marché fait face à une pénurie, vous pouvez potentiellement réaliser un joli profit en vendant ces stocks à un prix premium.

Conor Doherty: Il semble qu’un grand nombre de ces problèmes dans la 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 on suppose que les classes de risques dont vous parlez dans le contexte de la supply chain, comme les délais d’approvisionnement prolongés ou même accélérés de quelques jours, sont probablement assez réguliers et ont des effets financiers prévisibles.

Joannes Vermorel: Oui, et ils ne dépendent pas de vous. C’est aussi une chose qui est très différente. Si vous êtes dans un processus de fabrication dans une usine et que vous avez des défauts, corriger le processus pour ne plus avoir de défauts dépend entièrement de vous. Vous pouvez potentiellement atteindre cet état de zéro défaut qui est la perfection, ou vous pouvez vous en rapprocher beaucoup.

Encore une fois, si nous allons dans le monde de la supply chain, pas vraiment. Je veux dire, ces choses, par définition, si vous avez un délai d’approvisionnement, vous avez un fournisseur et cette entreprise est hors de votre contrôle. Et même si vous internalisez, vous pouvez avoir un transporteur et il est toujours hors de votre contrôle. Et même si vous internalisez le transporteur, la route peut être coupée parce que l’autoroute est inondée ou il y a quelque chose d’autre et encore une fois c’est hors de votre contrôle.

Donc, ce qui rend la pratique de la supply chain si spécifique, c’est que vous avez affaire à beaucoup de risques et inversement à beaucoup d’opportunités et ils sont pour la plupart hors de votre contrôle. Donc 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 manquer des opportunités?

Joannes Vermorel: Oui, un concurrent peut soudainement entrer sur le marché et baisser les prix. C’est un risque. Donc, vous pouvez être forcé de baisser votre prix à votre tour et alors vous êtes moins rentable que vous ne l’auriez prévu ou même peut-être que vous n’êtes même plus rentable. Mais juste le contraire peut arriver. Un concurrent peut quitter votre marché. Dans ce cas, eh bien, vous pouvez augmenter votre prix et vous êtes plus rentable que vous ne l’auriez 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 va être inondé ou peut-être que celui de l’un de vos concurrents le sera. Donc, quand les gens pensent au risque encore une fois dans les contextes de fabrication, vous avez un objectif clair qui est cette perfection. Donc quand vous pensez risque, il n’y a pas vraiment de côté opportuniste aléatoire.

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

Par exemple, une grande entreprise de e-commerce européenne, l’une de leurs techniques était qu’ils commençaient à vendre des produits de mode et ils identifiaient très rapidement dans la saison les best-sellers, littéralement en un jour ou deux. Et ce qu’ils faisaient, c’est qu’ils passaient immédiatement une commande gigantesque à la marque originale et ils accaparaient tout le stock.

C’était étonnamment bien reçu, et donc ils disaient, “D’accord, si ce volume de ventes nous surprend, il est fort probable qu’il surprenne aussi la marque originale. Alors, que se passera-t-il si nous passons une commande massive ? Nous serons assis sur une grande pile de stocks pendant que tout le monde est en rupture de stock. Nous pouvons vendre les mêmes produits à un prix légèrement plus élevé que le prix normal, et nous vendrons tout sans encourir de pénalité liée aux ventes de fin de saison.”

Donc, vous voyez, l’idée est qu’il y a un événement surprenant, un produit se vend plus que les experts ne l’auraient prévu, et alors, si vous êtes intelligent, vous pouvez transformer cela en une opportunité pour accaparer la quantité de stocks qui se trouve encore disponible et alors faire un profit exceptionnel sur ce produit. Donc, vous voyez, le risque est là, mais il y a aussi l’opportunité qui se présente.

Conor Doherty: Je comprends, 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 l’opportunité. Ce vendeur de vêtements de mode a repéré une opportunité et a réagi très agilement à cette opportunité. C’était donc une approche réactive pour gérer l’opportunité et éviter les risques. Est-ce le mieux que l’on puisse faire dans la supply chain, ou existe-t-il un mécanisme proactif pour anticiper ce genre d’événements ?

Joannes Vermorel: J’aurais une réponse en deux parties à cela. D’abord, vous avez tout à fait raison. Cela vient avec un état d’esprit agile, un état d’esprit opportuniste, et cela s’applique également pour les risques et les opportunités. La chose intéressante est que si vous venez d’une perspective comme la fabrication, ce n’est pas la perspective que vous adoptez. Vous voulez juste éliminer le risque. C’est un problème statique. Soit votre processus n’a pas de risque, pas de défaut, pas de danger, et vous êtes bon, soit il en a, et vous devez le réparer.

Ici, dans la supply chain, la chose intéressante est que lorsque vous essayez d’aborder le risque avec ce genre d’état d’esprit stationnaire, vous le considérez comme quelque chose que vous pourriez réparer une fois pour toutes. Mais le problème est que cela ne fonctionne pas parce que si vous avez quelque chose qui est complètement statique, alors vous ne pouvez plus saisir les opportunités. Mais la réalité est que vous ne pouvez pas non plus réagir au risque émergent. C’est complètement symétrique. Donc, vous avez des opportunités qui se présentent, mais il y aura des risques qui surgiront et surprendront tout le monde, et vous devez réagir rapidement aussi. Donc, c’est symétrique.

Alors, qu’est-ce que cela signifie d’être préparé ? Comme je le mentionnais dans cet exemple sur cette grande entreprise de e-commerce européenne qui joue à ce jeu d’accaparement des stocks de marque, c’est une pratique établie. Ils savent qu’en raison du fait qu’une grande marque de mode va avoir une collection de peut-être 20 000 variantes distinctes, des erreurs seront commises. C’est une certitude. Vous ne savez pas laquelle, mais l’idée qu’une marque de taille pourrait tout obtenir correctement dimensionné en termes de stocks est un pari relativement sûr pour dire que des erreurs seront commises. Et donc, vous pouvez établir une pratique où vous transformez ces erreurs prévisibles à votre avantage.

Conor Doherty : Lorsque vous parlez d’ingénierie d’un processus dans une entreprise comme quelqu’un qui traite des biens de consommation à rotation rapide, comment exactement instanciez-vous cela ? Est-ce un processus de haut en bas ou de bas en haut ? Je veux dire, pour profiter de ces opportunités, comment instanciez-vous ce genre de processus ?

Joannes Vermorel : Comme la plupart des choses dans la supply chain, cela doit être de haut en bas dans une certaine mesure. Vous ne pouvez pas attendre des gens tout en bas qu’ils aient une quelconque possibilité de réorganiser l’organisation elle-même. Par exemple, si vous décidez que votre processus est comme le SNOP (Sales and Operations Planning) et que vous avez des sessions trimestrielles pour le SNOP où vous passez deux mois à établir votre nouvelle prévision et à obtenir l’accord de tout le monde, à établir un grand consensus, et que tout le monde est sondé et que vous devez compiler tous les résultats et que vous devez re-traduire les prévisions qui sont par semaine par catégorie en quelque chose qui a du sens en termes de décisions, vous êtes dans une situation où cela n’a pas d’importance si les gens tout en bas sont agiles ou non. Le processus et l’organisation elle-même empêchent toute forme d’agilité de toute façon. Donc, dans une mesure considérable, si vous voulez être agile, cela doit être conçu depuis le haut pour que cette agilité puisse même se produire. Mais ensuite, une fois que vous avez conçu quelque chose où cela devient une possibilité, alors oui, c’est une chose beaucoup plus ascendante parce que c’est alors à savoir si les différentes équipes profitent de cette nouvelle agilité.

Conor Doherty : Il me semble aussi qu’il y a une autre façon 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 l’entreprise qui vendait ces t-shirts qui se vendaient comme des petits pains et qui a décidé de monopoliser le marché à ce sujet, c’est eux qui profitent d’une opportunité. Du point de vue du fournisseur, si vous êtes dans une situation comme celle-là où tout à coup, sans prévenir, le magasin de vêtements de Joannes m’appelle et me dit : “Oh, nous voulons tous les t-shirts que vous avez, tous les t-shirts noirs, nous les achèterons tout de suite”, est-ce quelque chose dont vous devriez vous méfier ? Parce qu’encore une fois, il y a du risque et de l’opportunité là. En tant que fournisseur, dois-je vendre ? C’est une vente garantie dès maintenant, aujourd’hui, je liquide tout. Ou devrais-je enquêter sur pourquoi il essaierait d’acheter ces derniers maintenant ? Y a-t-il autre chose en jeu ici ?

Joannes Vermorel : Cela dépend vraiment de si vous pouvez vous permettre de passer du temps à enquêter. S’il y a une connexion EDI et que les achats sont complètement automatisés et qu’il n’y a même pas quelqu’un dans la boucle, cela dépend vraiment. Mais avoir des comportements adverses partout est juste une autre journée dans la supply chain. Vos fournisseurs sont vos meilleurs partenaires et potentiellement vos concurrents car ils peuvent aussi limiter votre profit. Ils peuvent aussi devenir avec le temps des concurrents, décider d’avoir leurs propres marques, etc. Et l’inverse est vrai. Si vous êtes une marque, vous pouvez décider d’internaliser et soudainement vous concurrencez ce qui était vos anciens fournisseurs. Donc, il n’y a pas de règles générales, cela dépend vraiment. Mais l’aspect intéressant est que dans la supply chain, vous pouvez mettre des dollars ou des euros de récompenses et d’opportunités sur ce genre de choses.

Encore une fois, si vous revenez à la fabrication de voitures, combien coûte un défaut qui tue une personne ? La réponse est beaucoup trop. Donc, vous voyez, ce n’est pas le genre de chose où vous allez faire de l’ingénierie sophistiquée parce que ce n’est généralement pas acceptable. Donc oui, en théorie, les économistes vous diraient que le coût d’une vie humaine aux États-Unis selon diverses choses est disons cinq millions, peu importe, vous pouvez même faire valoir cela. Mais la réalité est que personne ne va vraiment faire de l’ingénierie sérieuse. Ils feront juste tout ce qu’ils peuvent pour que ces problèmes où vous avez quelqu’un qui meurt ne se produisent tout simplement pas. Et donc, il n’y a pas vraiment d’ingénierie financière parce qu’encore une fois, si vous le prenez sous l’angle de la fabrication, vous voulez juste éviter par conception ce genre de problèmes et vous n’essayez pas d’optimiser votre risque dans le sens de l’équilibre entre les avantages et les inconvénients, vous voulez juste éliminer cela. Mais dans la 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 ce ne sont que des nuances de gris. Donc, ce n’est pas si. Vous pouvez toujours avoir un peu plus de stocks, vous pouvez toujours fonctionner avec un peu moins de stocks, et vous pouvez même essayer de fonctionner sans stocks du tout et vous faites juste des commandes en souffrance tout le temps. Donc, c’est, vous avez beaucoup plus de flexibilité et aussi vous avez très peu de contraintes dures dans la supply chain. Tant que vous êtes prêt à payer, il n’y a presque aucune contrainte. Vous voulez plus d’espace de stockage ? Si vous êtes prêt à payer pour cela, vous pouvez effectivement payer pour qu’un deuxième entrepôt soit construit. Donc, en fin de compte, toutes sortes de contraintes, toutes sortes de risques et de récompenses, sont plutôt douces et donc elles sont très éligibles à l’optimisation financière par opposition aux situations de vie ou de mort où les gens diraient : “Non, nous n’allons pas faire une optimisation financière de cela. Il doit y avoir une réponse catégorique. Nous ne voulons tout simplement pas de cela.” Donc, la supply chain a ce luxe que la grande majorité des problèmes sont en fait des problèmes doux où vous pouvez passer d’un service super mauvais à un service super bon et tout le spectre est possible et la structure des coûts évolue à mesure que vous optez pour une meilleure qualité de service ou une qualité de service plus mauvaise.

Conor Doherty: L’exemple que vous avez donné de la fabrication de voitures offre en fait une très belle transition car je sais que dans la fabrication de voitures, par exemple chez Ford, ils gèrent le risque, en particulier avec leurs véhicules autonomes, en utilisant des jumeaux numériques. Ils construisent une version numérique et un environnement numérique 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 un prototype dans le monde réel. C’est une étape pour gérer leur risque. Y a-t-il quelque chose de similaire pour la supply chain ? Car encore une fois, ce n’est pas un produit physique en soi, bien qu’il soit composé de nombreuses pièces mobiles.

Joannes Vermorel: C’est ce qui est intéressant. C’est ce que vous essayez de faire en quelque sorte avec la prévision. Vous essayez d’atténuer ce risque que vous avez sur cet avenir incertain grâce à la prévision. Idéalement, si vos prévisions étaient parfaites, vous élimineriez simplement ce risque. C’est pourquoi de nombreuses pratiques de supply chain traitent la précision des prévisions comme les constructeurs automobiles traitent les défauts de leurs plaquettes de frein, comme quelque chose que vous devriez éliminer.

Mais le problème est que contrairement aux défauts des plaquettes de frein, où vous pouvez potentiellement ramener ce taux de défaut à un par milliard, de sorte qu’il est si faible qu’il est sans conséquence, l’inexactitude des prévisions ne va jamais atteindre 0,01 d’erreur. Elle va généralement rester bloquée, si vous regardez le genre de granularité qui a du sens pour les prévisions, donc essentiellement par SKU par jour, vous allez être bloqué avec des prévisions largement inexactes, comme 50% d’inexactitude en moyenne, par jour par SKU, si vous regardez quelques mois à l’avance.

Ce qui est intéressant, c’est, quels outils, processus et méthodologies avez-vous pour gérer ces classes de risques ? C’est à peu près ce que Lokad fait avec la prévision probabiliste, justement pour cette raison. C’est une façon d’embrasser cette incertitude. Mais c’est très différent du paradigme classique qui suppose simplement que la prévision sera précise et où, s’il y a des imprécisions, cela est traité comme un défaut qui doit être résolu.

L’approche de Lokad, la prévision probabiliste, est que nous ne supposons pas, ni même n’attendons, que ces imprécisions disparaîtront jamais. Ce que nous avons, ce sont des probabilités. Nous pouvons améliorer nos modèles pour avoir des probabilités qui sont un peu plus concentrées, donc nous avons une vision un peu plus nette de l’avenir. Mais la perspective globale est qu’elle va rester extrêmement floue et extrêmement incertaine, quoi qu’il arrive.

Conor Doherty: Je veux marquer un point là parce que je pense qu’il y a un point important et je veux juste l’amplifier. Quand vous parlez de prévoir la demande future, la plupart des gens entendent cela comme regarder simplement les données de ventes précédentes et arriver à un chiffre, comme sur une série temporelle. Est-ce que votre position est que l’approche de prévision probabiliste prendra en compte non seulement les données historiques mais aussi les autres classes de risques dont nous parlons, comme les délais d’approvisionnement prolongés, un bateau qui se coince dans un canal, ou quelque chose comme ça, et les fusionnera ensemble ?

Joannes Vermorel: Oui, absolument. C’est pourquoi nous parlons chez Lokad généralement de modélisation prédictive plutôt que de prévision. En théorie, vous pourriez prévoir n’importe quoi, mais la réalité est que lorsque vous dites prévision, l’attente par défaut est que vous parlez de la demande ou des ventes. C’est 99% de la situation quand les gens disent que nous avons une prévision, ils veulent dire une prévision des ventes ou de la demande. Mais la réalité est que tout ce qui est incertain sur l’avenir peut être anticipé et donc nous avons cette modélisation prédictive.

Ce qui est intéressant, c’est qu’il y a plein de choses où vous pouvez modéliser le risque même si vous n’avez pas vraiment de données. Par exemple, la guerre en Europe. Si vous regardez les 100 dernières années, il y a eu comme une grande guerre tous les demi-siècles. Donc, si vous regardez, cela signifie qu’il y a chaque année comme une chance de deux pour cent qu’il y ait une guerre qui vous affecterait. Vous pouvez remonter cinq siècles dans l’histoire de l’Europe et c’est quelque chose qui s’est produit encore et encore.

J’espère que le risque de guerre réelle pour l’Europe de l’Ouest est assez faible en ce moment, mais encore une fois, si vous prenez une perspective historique, dire qu’il y a deux pour cent de chances d’avoir une perturbation massive n’est pas relativement insensé. Regardez ce qui se passe en Ukraine. Le risque est définitivement réel et il y a 20 ans, c’était en ex-Yougoslavie. Donc, ces sortes de choses arrivent et vous n’avez pas besoin d’avoir des données précises pour dire que nous pouvons mettre un risque de deux pour cent à un événement perturbateur majeur.

Vous pourriez être dépendant de la région, vous pourriez être inondé, vous pourriez avoir des incendies. Il y a plein de risques où vous pouvez faire 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 qui est un peu estimé, pour dire une baisse majeure de la demande, c’est techniquement assez simple.

En revanche, si vous le faites, si vous abordez l’avenir avec une prévision classique déterministe des séries temporelles, c’est presque impossible à faire. Oui, vous pouvez dire que nous avons un scénario où il y a une catastrophe, mais comment réconcilier ce scénario, qui est largement divergent de votre prévision principale, avec ce que vous faites au quotidien ? En pratique, vous ne pouvez pas.

Il y a donc 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 la prévision moyenne, qui ignore complètement tous les risques. Donc, en ce sens, oui, vous avez fait des exercices intellectuels pour penser au risque, mais si toutes les décisions que vous prenez au quotidien n’intègrent pas ce risque d’une manière ou d’une autre, alors c’est juste un exercice intellectuel. Cela n’a aucune conséquence sur ce que vous faites au quotidien.

Conor Doherty: Je veux vous pousser un peu sur ce point parce que je suis aussi curieux. Si vous pensez à d’autres techniques de prévision comme, disons, la valeur ajoutée de la prévision dans laquelle vous avez des gens qui ajoutent de manière collaborative à une prévision et l’idée est que différents départements ont des informations. Prenons un exemple, un nouveau concurrent est sur le point d’émerger et vous prenez cette information, le marketing a cette information et ils la plient d’une certaine manière dans une série temporelle. C’est assez difficile à faire parce que comment traduire ce genre de connaissance en une prévision ? De même, c’est là que je pousse un peu, comment exactement factoriser une chance de deux pour cent de guerre en Europe de l’Ouest dans une prévision probabiliste pour arriver au nombre d’unités que j’ai sur mon étagère ? Parce qu’ils semblent assez similaires d’une certaine manière.

Joannes Vermorel: Commençons par les séries temporelles. Vous voyez, les séries temporelles sont aujourd’hui ce que les gens pensent, il y a cette croyance générale, pas tout le monde, mais la plupart des praticiens de la supply chain mainstream ne pensent à l’avenir qu’à travers les lentilles des séries temporelles. Les séries temporelles sont incroyablement étroites comme moyen d’exprimer tout ce que vous savez sur l’avenir. Par exemple, si vous êtes une entreprise B2B, donc vos clients sont d’autres entreprises, un risque très basique est simplement que l’un de ces gros clients vous quitte pour aller chez un autre de vos concurrents. Et quand cela se produit, tous les produits qu’ils vous achetaient, ils cesseraient d’acheter quoi que ce soit. Et si vous aviez, par exemple, vous gardiez en stock un produit qui était très régulièrement acheté par ce client, mais ce client vous quitte soudainement, alors ce tas de stocks devient du stock mort du jour au lendemain. Juste parce que, bien que le stock tournait bien, 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 super sophistiquée. N’importe quel vendeur dirait : “Eh bien, nous avions ce client, il y a toujours ce risque qu’ils nous quittent.” Maintenant, le problème est que si vous encadrez votre anticipation de l’avenir avec des séries temporelles, vous êtes coincé. Vous ne pouvez pas exprimer cela parce que l’information que vous avez concerne le client, pas les produits. Et si vous disiez qu’il y a ce risque que ce produit tombe à zéro, oui, mais le truc, c’est que ce risque est fortement corrélé. C’est tout ce que ce client achète qui peut tomber à zéro en même temps. Et c’est un risque très, très différent de dire que ce produit isolé peut tomber à zéro.

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

Pour s’assurer que les gens n’ont pas manqué cela, une série temporelle est le reflet de la relation d’un client avec un produit, mais pas des produits eux-mêmes. Une série temporelle est juste une mesure unidimensionnelle. Vous avez une mesure qui tombe tous les jours, toutes les semaines, tous les mois. C’est ce qu’on appelle des séries temporelles basées sur des équis. C’est ce que les gens ont en tête quand ils pensent aux séries temporelles. C’est une mesure unidimensionnelle et c’est littéralement comme les températures. Il y avait des températures dans le passé, il y aura des températures dans le futur, et donc vous pouvez étendre cette série temporelle.

Cependant, cela concerne les relations précédentes que les clients existants avaient avec les produits que vous avez achetés, mais cela ne dit rien sur l’avenir. Le problème est que l’information que vous avez est à la granularité du client, et votre prévision est à la granularité du produit. Il y a un décalage et il n’y a pas de traduction pour passer de cette information à cette autre information. C’est un point clé.

En mathématiques, quand on triche, on finit par avoir des trucs bizarres. Par exemple, quand on triche juste un peu, disons par exemple que la Terre est une sphère, approximativement. Ce n’est pas exactement une sphère, mais c’est assez proche. Donc quand vous voulez avoir une carte, vous projetez une sphère sur une surface plane. Si vous regardez une carte du monde, vous finissez par avoir des distorsions. Par exemple, l’Afrique sur les cartes européennes semble très petite par rapport à l’Europe, bien que l’Afrique soit en réalité plus grande que l’Europe. C’est juste un effet de la distorsion parce que vous utilisez une surface plane pour représenter une sphère.

Mais ici, le problème est beaucoup plus grand. Vous essayez de représenter quelque chose de totalement risqué. C’est un objet multidimensionnel que vous essayez de représenter comme un objet unidimensionnel, vos séries temporelles. Donc le genre de problèmes que vous avez et les distorsions que vous avez sont absolument gigantesques. Si vous pensez que faire paraître l’Afrique plus petite que l’Europe est un problème, ce sont des problèmes très modestes par rapport au genre de problèmes que vous avez en supply chain lorsque vous essayez d’injecter ces informations que vous connaissez sur le risque dans les séries temporelles.

Nous avons un autre problème. Quand vous ne connaissez pas la solution, il est très difficile de penser au problème. Les gens ne sont pas vraiment familiers avec la classe de modèles mathématiques qui pourraient représenter ces risques. Ils sont coincés avec les séries temporelles du fait qu’ils ne peuvent même pas imaginer quelque chose qui serait autre chose qu’une série temporelle. Mais la première étape est de reconnaître que ce n’est pas une représentation correcte. Peu importe si ce n’est pas encore très clair ce qui devrait être utilisé.

Il y a des choses techniques. Par exemple, il n’est pas très clair comment un logarithme est calculé, mais ce n’est pas grave. Vous n’avez pas nécessairement besoin d’avoir une image claire de la chose pour l’utiliser avec succès. Nous pouvons donc passer à la deuxième partie, comment Lokad exploite ce genre d’information.

L’idée est que lorsque vous voulez penser à l’avenir, la version à haute dimension est de penser que chaque futur possible a une probabilité. Vous pourriez donc penser à cette probabilité pour un futur donné où vous connaissez exactement le niveau de ventes de tout, sur la demande, les choses qui seront vendues à nouveau.

Il y a une probabilité que cela se produise. Elle est infiniment petite, mais si vous avez les bons outils mathématiques, vous pouvez travailler avec des probabilités infiniment petites. Et encore, du fait que vous avez un très grand nombre de futurs possibles, cela s’additionne toujours à la probabilité un. Il y a un futur qui se produira, et la somme de toutes ces probabilités égale un.

Vous pouvez prendre en compte un risque comme deux pour cent de chances de perdre ces clients. Ce n’est pas vraiment difficile. Si vous voyez la demande à travers les lentilles des produits, alors il est très difficile d’injecter les clients. Mais si vous voyez la demande comme le résultat du comportement des clients et que vous prévoyez le comportement des clients, alors ajouter ce risque supplémentaire que le client vous quitte devient quelque chose de relativement simple.

Vous pouvez construire votre prévision de différentes manières. En termes d’agilité que l’on a en utilisant ou en exploitant une approche de séries temporelles par rapport à l’agilité que l’on a en exploitant l’approche probabiliste, quelle est la différence et comment cela se traduit-il ensuite en gestion des risques ?

Le principal problème est que le risque des séries temporelles n’existe pas. Ils ne peuvent même pas exister. C’est comme un cube dans un espace bidimensionnel. Il n’y a pas de cube. Vous pouvez dessiner un cube, mais fondamentalement, il ne rentre tout simplement pas. C’est un problème quand vous avez des dimensions supplémentaires qui ne rentrent pas, vous êtes coincé. Si tout ce que vous avez est un plan bidimensionnel, vous ne pouvez pas empiler un cube dedans. Il ne va tout simplement pas rentrer. Et donc avec les séries temporelles, vous êtes un peu coincé.

Vous pourriez bricoler les choses. Vous pourriez dire que nous ne pouvons pas gérer le risque, mais nous pouvons tricher en ayant une prévision incorrecte qui est intentionnellement déformée de sorte que la décision qui va être prise sur la base de cette prévision reflète ce risque. C’est une façon très alambiquée d’arriver à la gestion des risques.

Techniquement, il est possible de le faire, mais ce sera de manière très étrange. Par exemple, vous pouvez gérer le risque en rendant votre prévision intentionnellement moins précise en introduisant une distorsion, une distorsion intentionnelle dans votre prévision. C’est une façon de gérer les risques. Mais c’est une façon très alambiquée d’y arriver.

Si vous adoptez l’approche probabiliste, vous avez une prévision intrinsèquement probabiliste. Alors par conception, vous avez ces probabilités. Il y a une autre partie du défi qui est comment faire une optimisation. C’est ce qu’on appelle le processus d’optimisation stochastique. Comment optimisez-vous une décision lorsque vous avez des conditions incertaines ? Vous devez donc faire une optimisation qui a une affinité naturelle avec ces incertitudes qui existent dans les conditions initiales.

Conor Doherty: Si vous évaluez, et je suis curieux de savoir exactement comment, non, laissez-moi reformuler cette question. Si vous êtes dans une situation où vous avez une entreprise et que vous adoptez l’approche probabiliste, vous avez fait des séries temporelles, vous êtes convaincu par ce que vous venez de dire et on vous présente une recommandation qui est le produit ultime de la méthodologie de prévision probabiliste. Et dans cela, quelle que soit la valeur qui a été présentée, beaucoup de ces facteurs ont été pris en compte, par exemple, la possibilité de perdre un client et vous savez que la direction regarde cela et pense que c’est insensé. Comment sont-ils censés interagir avec cela parce qu’il y a encore tellement de choses qui sont prises en compte. Comment faites-vous le pont ?

Joannes Vermorel: Alors d’abord, quel est le résultat et c’est là qu’il y a une divergence radicale. Le résultat d’un processus de supply chain axé sur le risque qui est alimenté par des prévisions probabilistes, parce que littéralement, c’est à ma connaissance à peu près la seule technique viable que nous avons pour gérer le risque. C’est à cela que servent les probabilités. Le résultat est les décisions, pas le plan. Ce qui est étrange, c’est que lorsque vous pensez que l’avenir peut être connu, vous pouvez donc éliminer tous les risques, les risques de la supply chain sont principalement liés à cet avenir incertain. Si vous pensez que vous pouvez avoir une prévision précise alors le résultat de votre pratique de la supply chain est la prévision et la prévision est votre plan parce qu’une fois que vous avez la prévision, il s’agit simplement d’orchestrer les décisions.

Si vous adoptez 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 parce qu’il peut être mauvais, il conduira à de mauvaises décisions. Et comment identifiez-vous une décision comme étant mauvaise ? Eh bien, cela se passe très différemment. Encore une fois, si nous adoptons la perspective classique, les gens penseraient en termes de précision des prévisions parce que c’est le but ultime. Si vous optez pour une approche axée sur le risque, vous diriez qu’il y a une décision, cette décision a des risques et des opportunités attachés à elle exprimés en dollars ou en euros. Et donc si vous voyez une décision qui est mauvaise, essentiellement vous dites que l’évaluation en dollars ou en euros qui a été faite de cette décision à venir est fausse.

Et donc vous pouvez cibler et si vous regardez, nous décomposons généralement les moteurs économiques pour chaque décision que nous générons afin de pouvoir dire que nous avons une demi-douzaine de moteurs qui reflètent ce qui entre dans cette décision. Et donc si vous voulez contester cela, vous contesterez un composant et direz que, disons, le coût de possession, le risque de coût de possession que vous estimez semble complètement faux. Et donc oui, c’est le rôle du Supply Chain Scientist de rétroconcevoir le processus pour identifier ce qui ne va pas avec cette estimation. Mais c’est très technique.

Mais la réalité est que si vous avez une prévision de séries temporelles classique qui est très fausse, vous dites que cette prévision de séries temporelles est très imprécise. Mais une fois que vous dites cela, enquêter sur la cause profonde de cela va être une entreprise très technique aussi.

Conor Doherty: Si nous revenons à plus tôt, nous parlions d’approches proactives de la gestion des risques qui étaient disons les jumeaux numériques dans l’industrie automobile et puis à une sorte de gestion des risques réactive à partir de l’analogie des vêtements 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: Donc c’est proactif dans le sens où vous dites simplement qu’il y aura des fluctuations, il y aura toujours des fluctuations qui sont bien au-delà de mon contrôle. C’est ce qu’est cette incertitude irréductible sur l’avenir et donc sur cette base, je dois être capable de concevoir un processus qui va réagir rapidement et de manière adéquate à ces conditions changeantes, qu’elles m’affectent positivement ou négativement. Et donc oui, c’est très proactif dans le sens où concevoir un tel processus qui vous permet de profiter des opportunités dès qu’elles se présentent et d’atténuer les problèmes dès qu’ils se présentent, cela demande beaucoup de préparation.

Mais il n’est pas trompé par l’idée que vous pouvez vous préparer tellement que cela vous mène à une élimination de l’incertitude en premier lieu. Vous voyez, ce n’est pas le but ultime. C’est un peu une position dogmatique en quelque sorte, mais c’est l’idée que vous ne pouvez pas aller au bout de ce trou de lapin de la modélisation prédictive. Vous ne pouvez pas arriver à un modèle qui sera précis à 100%, cela n’arrivera jamais. La quantité d’incertitude résiduelle sera très grande et donc ce qu’il vous reste à faire est de concevoir un processus qui est très bon pour suivre le changement au fur et à mesure que vous l’observez.

Parce que vous voyez, très souvent, les entreprises sont surprises par des choses qui se sont passées des mois auparavant. Vous diriez oh nous ne connaissons pas l’avenir mais qu’en est-il du passé, nous connaissons le passé. Mais si votre temps de réponse moyen à quelque chose que vous avez déjà vu est de six mois, alors vous pourriez finir par être surpris par quelque chose qui est déjà vieux de quelques mois et les entreprises sont très régulièrement surprises de cette manière.

Conor Doherty: Encore une fois, je veux insister un peu ici parce que je sais que si nous voulons parler de gestion des risques, nous devrions parler de la façon dont nous évaluons nos pratiques de gestion des risques. Et encore une fois, pour revenir aux séries temporelles par rapport aux approches probabilistes, si vous avez une série temporelle et qu’elle est complètement fausse, je peux pointer du doigt et dire eh bien c’était faux, c’était massivement incorrect. Et c’est, vous savez, c’est binaire, c’était soit précis, soit ce n’était pas le cas. Vous avez dit que nous vendrions 100, nous en avons vendu 10. Vous vous êtes trompé d’un ordre de grandeur. Avec l’approche probabiliste, vous fournissez des probabilités, vous ne dites pas que c’est définitivement ce que vous vendriez. Et cela vous protège-t-il d’une certaine manière d’être dans l’erreur ?

Joannes Vermorel: Non, je veux dire, techniquement il y a des mesures pour la précision des prévisions probabilistes mais encore plus intéressant, vous pouvez évaluer la justesse des décisions elles-mêmes. Et c’est, vous savez, oubliez les probabilités. Ce ne sont que des artefacts de calcul transitoires. Il y a plein d’autres artefacts, des artefacts numériques qui entrent dans le calcul. Ils sont sans conséquence dans le sens où si vous avez les probabilités incorrectes mais que vous prenez toujours la bonne décision, est-ce vraiment important que vos probabilités soient fausses ?

Conor Doherty: Que voulez-vous dire par là ? Vous pourriez avoir la probabilité incorrecte mais vous prenez toujours la bonne décision ?

Joannes Vermorel: Par exemple, il y a des gens qui ne se rendent pas toujours compte que les ordinateurs approximent des choses tout le temps. Chaque fois que vous faites un calcul, vous utilisez simplement un certain nombre de chiffres de précision. La perte de précision est-elle importante ou non ? La réponse est, ça dépend. Et dans la supply chain, ça dépend de quoi. Eh bien, ça dépend de si la décision finale est bonne ou mauvaise.

Donc en fin de compte, ce que je dis simplement, c’est que vous devriez juger la qualité de cette approche axée sur le risque par ce qu’elle fait à la toute fin du processus, les décisions. Traiter avec des probabilités de haute dimension, faire une évaluation numérique des probabilités dans un espace de très haute dimension comporte toutes sortes de bizarreries. La pertinence des techniques doit vraiment être jugée par les résultats finaux, et non par la qualité d’une prévision probabiliste.

Nécessairement, la précision de la prévision n’est pas la préoccupation principale, mais plutôt combien d’argent a été gagné ou perdu.

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

Joannes Vermorel: Alors, d’abord, je dis que lorsque vous dites que vous avez, disons, une prévision inexacte de 20%, ces pourcentages sont une unité complètement 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 inventé et les gens disent : “Oh, mais nous sommes tellement habitués à ce que ces pourcentages de précision soient exprimés en pourcentage que cela doit sûrement être réel.” Je dis pas du tout. Vous pouvez avoir des prévisions extrêmement dommageables qui se trouvent être très précises, où l’inexactitude exprimée en pourcentage est très faible.

Il y a une anecdote qu’on m’a donnée à maintes reprises où 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. Donc, cette mesure exprimant des pourcentages n’est pas très sensée.

Si je vous dis que vous pouvez avoir une mesure de prévision probabiliste exprimée en entropie croisée, c’est très abstrait et pas très éclairant. Mais le cas que je défends, c’est que l’entropie croisée est aussi abstraite et opaque que les pourcentages. C’est très inventé. La seule raison pour laquelle, par exemple, chez Lokad nous choisirions l’entropie croisée, c’est qu’elle a de bonnes propriétés pour arriver aux décisions finales.

Par exemple, l’entropie croisée présente des gradients très raides qui facilitent l’apprentissage de modèles de haute qualité. C’est une chose très technique, mais ça marche. Et ça marche dans quel sens ? Ça marche en jugeant les résultats finaux, qui sont la décision générée à la toute fin du processus et qui se traduit finalement par une réduction des euros ou des dollars d’erreur. C’est la mesure qui est saillante pour les personnes qui opèrent à partir de cette perspective axée sur le risque.

Encore une fois, si vous opérez à partir de la perspective des séries temporelles, vous pensez en termes de juste comme un constructeur automobile avec un défaut qui tuerait des gens. Vous dites : “Vous savez quoi, nous ne comptons pas les dollars, nous voulons juste nous assurer que nous sommes extrêmement sûrs et que nous sommes sûrs presque au-delà des mesures.”

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

Joannes Vermorel: Non, cela signifie simplement que les personnes qui font de la gestion des risques sont juste des bureaucrates. Quoi qu’ils fassent n’a pas de conséquences. Habituellement, ils n’ont tout simplement pas de conséquences. Vous voyez, la chose est, si vous faites une évaluation des risques mais si ces choses ne peuvent pas ajuster marginalement chaque décision prise dans votre supply chain, alors vous avez fait une évaluation et vous avez juste enterré l’évaluation juste après l’avoir faite.

Vous voyez, si vous dites : “Oh, ce fournisseur a 2% de risque 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 avez juste enterré votre évaluation. Vous l’ignorez. Vous mettez simplement la tête dans le sable.

Et c’est très étrange parce que les gens diraient : “Oh, mais nous avons analysé le risque.” Oui, mais vous n’agissez pas sur cette évaluation. Et quand je dis agir, les gens pensent vraiment que c’est une erreur. Quand les gens pensent à la 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 y a aussi des risques beaucoup plus banals.

Alors, que achetez-vous, où le stockez-vous, 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, vos clients, la question est, s’il n’y a pas quelque chose qui relie numériquement les points entre cette évaluation et ces très petites décisions que vous prenez, alors vous ne gérez pas correctement le risque.

Conor Doherty: Donc, corrigez-moi si je me trompe, dites-vous que la conception que la plupart des gens ont de la gestion des risques est à l’échelle macro, comme un événement massif qui perturbe complètement les chaînes, mais votre position est que la gestion des risques la plus importante, la plus pressante, est celle des décisions quotidiennes, plus petites ?

Joannes Vermorel: Les deux sont très importants, mais soyons réalistes sur la mesure dans laquelle vous pouvez être vraiment informé pour prendre la bonne décision. Pour ces décisions macro, dans une large mesure, c’est un pari. C’est un pari total et c’est très bien. 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 chance impliquée. Et je dis, eh bien, vous ne pouvez pas vraiment avoir une pratique qui vous dira si entrer sur un nouveau marché, par exemple, est sûr ou non. Vous pouvez faire des évaluations, vous pouvez 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 ce que je dis, contrairement aux grandes décisions macro où vous pariez et il n’y a pas d’autre alternative que d’aller avec votre évaluation instinctive, dans le cas de ces dizaines de milliers de décisions qui doivent être prises quotidiennement, vous pouvez faire une évaluation quantitative et quelque chose qui a du sens.

Conor Doherty: Eh bien, pour s’éloigner des exemples colossaux comme ceux à l’échelle macro, ramenons-le à quelque chose comme le niveau SKU. Donc, nous avons un certain nombre de magasins, nous avons 10 magasins, et nous avons une quantité finie de stocks, des stocks de t-shirts blancs, et tous les 10 magasins ont besoin de t-shirts blancs. Quelle serait la manière la plus probabiliste, la plus informée sur le risque, de distribuer ce que j’ai parmi tous les magasins qui en ont besoin ?

Joannes Vermorel: Prenons la perspective classique. La perspective classique, axée sur les séries temporelles, vous allez supposer que vous connaissez l’avenir. Donc, vous avez un stock de sécurité. En gros, vous dites que chaque magasin devrait avoir cette quantité en stock et ensuite pour reconnaître la petite incertitude résiduelle au-dessus de cela, vous allez ajouter un petit tampon et c’est votre stock de sécurité. Tous les magasins sont traités indépendamment et l’idée est que vous devriez avoir assez de stocks pour couvrir tous vos magasins.

Maintenant, quel est le risque réel ? Le risque est que vous pouvez manquer de stocks au niveau de l’entrepôt et alors la question devient, j’ai une ressource qui est limitée à l’entrepôt, que devrais-je faire pour mes différents magasins ? Si vous le faites juste de la manière classique, la manière classique dirait que j’ai mon stock de sécurité, je fais juste l’allocation pour le premier magasin, il me reste encore du stock, je répète le processus pour le second magasin, et peut-être qu’au quatrième magasin, je m’arrêterai parce qu’il n’y a plus de stock. Donc, ce que vous avez fait est effectivement de remplir les quatre premiers magasins et de n’envoyer rien aux autres. Ce n’est pas très intelligent. Ce n’est pas gérer correctement cette situation, cette petite mini crise que vous avez en ayant un produit en rupture de stock dans l’entrepôt.

Conor Doherty: Quels sont les risques là-bas cependant du point de vue financier ?

Joannes Vermorel: Non, ce n’est pas le cas. C’est ce que votre stock de sécurité est censé faire. Quand vous mettez un stock de sécurité, vous dites que je mets des unités dans un magasin qui ont une très faible probabilité d’être vendues pendant ma fenêtre de temps pertinente. C’est à cela que sert le stock de sécurité. C’est un tampon dont vous n’aurez probablement pas besoin.

Si vous voulez maximiser votre vente, il vaut beaucoup mieux simplement répartir le stock de sorte que chaque magasin en ait un peu. Le but 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 voulez vous rapprocher.

Considérons la situation alternative où vous avez concentré le stock sur les quatre premiers magasins. Vous avez tous les autres magasins qui sont en rupture de stock, donc vous ne vendez pas du tout. Et pour ceux-là, vous ne vendrez que quelque chose comme la moitié du stock, donc vous allez avoir beaucoup de restes. Vous vous retrouvez dans une situation où vous avez un magasin qui est en rupture de stock alors qu’un autre a comparativement un excès de stock et la demande dans les magasins qui n’ont pas de stock n’est pas satisfaite.

Conor Doherty: Donc il y a le risque ?

Joannes Vermorel: Oui, et c’est là que nous parlons du risque d’avoir une rupture de stock. Une façon de gérer cela est de préserver le stock dans l’entrepôt lorsque vous voyez qu’un produit dans l’entrepôt risque d’être en rupture de stock. De cette façon, les meilleurs magasins peuvent encore avoir 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 et les contingences ou les interdépendances entre tous ces magasins et la relation avec mon stock disponible.

Conor Doherty: Je suis curieux de savoir comment exactement une entreprise peut gérer tout cela car c’est beaucoup d’informations par rapport à disons l’approche traditionnelle des séries temporelles. La seule façon de gérer tout cela est-elle par l’automatisation ou les gens sont-ils toujours impliqués pour vérifier ces décisions ?

Joannes Vermorel: La façon dont Lokad le fait est en automatisant tout le processus. Les gens sont là pour superviser l’automatisation, mais la réalité est que la plupart des entreprises, bien qu’elles prétendent que tout est validé manuellement, utilisent des processus assez automatisés depuis longtemps. Lorsque vous avez une configuration de stocks min-max avec une moyenne et un max, vous avez un automate de réapprovisionnement qui fonctionne généralement sans surveillance. Cela a déjà été le cas d’avoir des configurations largement automatisées pendant des décennies.

Lokad est juste une étape de plus dans cette direction, mais ce n’est pas nécessairement un changement de jeu par rapport à ce que les gens avaient auparavant. C’est plus automatisé, mais de nombreuses entreprises fonctionnent déjà sur des configurations hautement automatisées.

Conor Doherty: Une entreprise qui n’utilise pas l’automatisation, mais disons, comme je l’ai mentionné plus tôt, a des divisions entières d’experts en gestion des risques, ces entreprises sont assez conscientes, non ?

Il me vient aussi à l’esprit que nous avons centré toute la conversation sur des risques plus tangibles comme les skus, les magasins, les inondations. Ce sont toutes des ressources ou des actifs très tangibles et les risques correspondants. Y a-t-il des risques intangibles, des choses comme le temps, la bande passante, la connaissance, toutes ces choses qui entrent dans le fonctionnement d’une entreprise ? Quels sont les risques là ou comment les gérons-nous ?

Joannes Vermorel: Il y a des risques intangibles. Par exemple, si vous êtes une entreprise de mode et que vous faites des ventes, vous générez une attente chez vos clients que ces réductions se reproduiront à l’avenir, et donc les gens modifient leur comportement. Estimer ce processus en théorie est possible, mais en pratique, c’est très difficile car la construction de l’attente de vos clients est quelque chose qui se fait sur de nombreuses années, donc ce n’est pas quelque chose où l’expérimentation est facile.

Par exemple, si vous êtes une marque de luxe et que vous avez la conviction que vous ne devriez jamais faire de promotions parce que cela dévalue votre marque, vous n’allez pas faire un test de cinq ans pour voir si faire de la promotion dévalue vraiment votre marque. À un moment donné, vous devez opérer sur des convictions et des jugements plutôt que de faire le test.

Le coût qui est généré par une promotion est très réel. Lorsque vous faites une promotion, vous avez une certaine somme d’argent qui est ce que vous abandonnez immédiatement en baissant votre prix, donc vous renoncez à une certaine marge. C’est un coût immédiat, mais il y a aussi ce risque supplémentaire de mauvaises habitudes générées du côté du client et vous devez quantifier ces coûts.

Il existe également d’autres types de risques, tels que les dépendances informatiques. Vous pouvez avoir un logiciel qui tombe en panne, vous pouvez avoir beaucoup d’autres choses qui impactent simplement votre supply chain. Mais ces risques sont plus comme ceux de la fabrication où vous voulez que votre ERP soit opérationnel 100% du temps. Il n’y a aucune raison d’avoir des temps d’arrêt, vous pouvez concevoir quelque chose qui est incroyablement proche d’un temps de fonctionnement de 100%.

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

Joannes Vermorel: Chaque fois que vous faites une promotion, le client voit que vous faites une promotion. Donc la prochaine fois, ils diront, “Je n’achèterai pas au prix fort. J’attendrai simplement que vous fassiez une promotion à nouveau. Je vous ai vu faire des promotions, donc je sais que les promotions se produisent avec votre marque, donc je peux attendre. J’attendrai que vous fassiez une promotion et ensuite j’achèterai.”

Le problème est que rien ne sera vraiment capable de modéliser cela. Modéliser la psychologie de vos clients est principalement hors de 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 prêtent un certain degré d’attention, mais il faut du temps pour que cela s’imprègne. Il y a donc une inertie substantielle. Vous pouvez essayer de faire une modélisation sophistiquée pour estimer exactement quel serait l’impact, mais la réalité est que comme ces sortes de choses prennent 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 de jugement.

Conor Doherty: Donc c’est un élément du protocole de gestion des risques qui restera encore dans le ressort des personnes atteignant un consensus. Voulons-nous liquider ce stock ? Voulons-nous le conserver indéfiniment ? Ou voulons-nous le vendre en promotion ?

Joannes Vermorel: Oui, et lorsque vous avez cette approche basée sur le risque, elle est beaucoup plus compatible avec ce genre d’estimations par rapport à une prévision traditionnelle de planification de séries temporelles où ce genre de choses n’avait pas sa place.

Conor Doherty: Donc le principe directeur pour déterminer quelles sortes de politiques de règles du pouce les entreprises devraient prendre devrait être, est-ce que cela contribue à un meilleur retour sur investissement ?

Joannes Vermorel: Si quelque chose peut être évalué quantitativement, alors allez-y. Mais quand ce n’est pas possible, et pourtant il y a un accord général que c’est important, alors vous devriez faire une estimation.

Je pense que c’est une voie très dangereuse de dire que nous n’avons pas de chiffres raisonnables et donc nous prétendons que cela n’existe pas. Cela existe et donc vous devez faire une estimation. Il vaut mieux avoir un nombre qui est approximativement correct plutôt qu’exactement juste.

Conor Doherty: J’ai l’impression que nous commençons à conclure un peu, mais j’aimerais poser une question un peu difficile. Vous avez parlé de si une analyse quantitative est financièrement prohibitive. Donc 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 ?

Joannes Vermorel: Je remettrais en question, 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 aider à optimiser votre décision est de l’ordre de 2 500 euros par mois. Oui, c’est une somme d’argent substantielle, mais si vous n’êtes pas une toute petite entreprise, si vous êtes une entreprise de plus de 10 millions de dollars ou d’euros, ce n’est pas une énorme somme d’argent. C’est en fait une fraction de ce que vous payez pour une seule personne.

Si vous avez plus de cinq personnes qui remplissent des fonctions de supply chain telles que le réapprovisionnement des stocks, la planification de la production, le contrôle des stocks, la gestion des prix, et qu’elles ont un processus qui ignore totalement le risque, je dirais, pouvez-vous vraiment vous permettre de continuer à faire cela ? Ignorer ces risques peut vous coûter plusieurs millions de dollars simplement parce que vous avez pris une très mauvaise décision en ignorant complètement le risque.

En raison du fait que c’est inhabituel, les gens s’attendraient à ce que ce ne soit que des choses qui sont réservées à des entreprises comme Amazon et autres. Non, ce n’est pas le cas. Dans une large mesure, la prévision classique de séries temporelles est beaucoup plus compliquée et la raison en est qu’elle ne correspond pas au problème. Donc oui, en surface, cela semble plus simple parce que les gens sont habitués aux séries temporelles, mais quand il s’agit de la résolution réelle du problème, cela ne correspond pas du tout au problème réel et cette solution, bien qu’elle semble facile en pratique, est un cauchemar à déployer et à utiliser en comparaison.

Le genre de prévisions probabilistes que Lokad utilise pour les petits clients, les petites entreprises, est inhabituel mais il correspond bien au problème et donc à la fin, vous savez, et c’est encore dans mes cours que je donne des exemples que si vous voulez jeter un coup d’œil aux techniques de probabilité, la plupart de mes exemples de code font moins de 20 lignes. Donc les gens diraient oh c’est incroyablement compliqué et je dirais bien c’est comme 20 lignes de code et vous pouvez aller donner le détail complet de la méthode dans un cours qui dure une heure et demie.

Pouvez-vous vraiment dire que quelque chose est que votre entreprise est si petite que vous ne pouvez pas vous permettre de passer quelque chose comme quelques dizaines d’heures sur le cas ? Est-ce vraiment au-delà de vos moyens ? Je veux dire oui, si vous êtes comme une boutique avec une seule personne, mais si vous êtes une entreprise qui fait plus de 10 millions de dollars de chiffre d’affaires par an, vous n’êtes pas une boutique. Vous avez déjà des enjeux et des erreurs peuvent coûter beaucoup plus cher et inversement, parce que ce ne sont pas seulement les erreurs, ce sont 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 qui entrent dans votre entreprise et cela compense vraiment le coût d’avoir des gens qui passent du temps sur le risque.

Conor Doherty : Donc, si je devais résumer cela, ce serait essentiellement qu’il y a un élément de saut de foi, mais l’eau n’est pas si froide une fois que vous le faites…

Joannes Vermorel : Je dirais que ce n’est pas tant un saut de foi. Je pense qu’il y a cette idée très étrange que, selon la théorie de la supply chain traditionnelle, les risques n’existent pas littéralement. Vous avez ces fluctuations super douces de la demande et des fluctuations super douces des délais de livraison modélisées avec des distributions normales qui est quand les gens disent distribution normale, c’est une façon de dire qu’il n’y a pas de risque.

La réalité est que je n’ai jamais rencontré d’entrepreneur qui n’était pas pleinement conscient que l’entreprise qu’ils ont est pleine de risques partout. Le genre de folie est qu’avec le logiciel de supply chain traditionnel, les gens prétendent que les risques ne sont pas là mais les risques sont toujours là et donc les entreprises font régulièrement face à des catastrophes qui sont très coûteuses en raison de risques qui n’étaient pas comme encore une fois je ne dis pas comme investir en entrant sur le marché russe en 1991 en pensant que ça va marcher que soudainement ça va devenir le nouvel El Dorado.

Je dis que les entreprises font face à des catastrophes pour des choses qui étaient entièrement évitables, des choses qui étaient vraiment dans le vent de ce qui était attendu comme des risques tels que des fournisseurs ayant des problèmes, des prix montant ou descendant, la demande fluctuant mais pas en dehors de ce qui pourrait être attendu de l’évolution générale du marché. Ce genre de choses et donc mon point est qu’il y a cette folie où la plupart des pratiques traditionnelles ignorent complètement le risque.

Quand je parle aux praticiens de la supply chain, ils diraient oui il y a beaucoup de risques mais le point est qu’ils ne peuvent pas combler un écart et je dis que ce n’est pas très difficile, c’est juste très différent de ce que vous faites et ce n’est pas seulement connu, c’est en fait moins cher parce que cela conduit aussi à un degré d’automatisation plus élevé parce que aussi une des raisons pour lesquelles vous avez besoin de tant de gens quand vous faites de la supply chain avec des séries temporelles est que dû au fait que vous avez un décalage massif entre la réalité et ces séries temporelles, vous avez besoin d’avoir beaucoup de gens pour simplement bricoler le processus tout le temps.

Mais si vous avez quelque chose où vous avez une meilleure correspondance, vous n’avez pas besoin de presque autant de gens pour bricoler la chose.

Conor Doherty : Sur cette note, je pense que je vais mettre fin à cette discussion. Joannes, merci beaucoup comme d’habitude, c’était un plaisir. Et merci beaucoup d’avoir regardé, nous vous verrons la prochaine fois.