00:00:00 Introduction et parcours de Sim dans la science des données et l’analyse de la Supply Chain.
00:02:00 Aperçu des prévisions et des séries temporelles en tant qu’approche courante dans la gestion de la Supply Chain.
00:06:26 Introduction aux prévisions probabilistes et leur différence par rapport aux prévisions ponctuelles.
00:08:10 L’expérience de Sim avec les prévisions probabilistes et la résolution de problèmes commerciaux réels.
00:09:15 Discussion des limites des prévisions ponctuelles et des avantages des prévisions probabilistes dans la gestion des risques.
00:11:39 Discussion de la régression quantile et de sa pertinence pour la gestion des stocks.
00:14:20 Passage aux prévisions probabilistes et à leurs avantages.
00:16:37 Comparaison des prévisions probabilistes aux méthodes traditionnelles et de leurs limites.
00:17:37 Le développement des prévisions probabilistes dans différents secteurs industriels.
00:19:00 Comment les prévisions probabilistes simplifient la gestion des stocks par rapport à l’approche classique.
00:23:07 Discussion de l’approche de prévision des quantiles et de ses défis.
00:24:26 Environnement contraint dans les entreprises et les chaînes d’approvisionnement.
00:25:58 Introduction aux prévisions probabilistes pour une meilleure prise de décision.
00:27:56 Réponse aux défis de la Supply Chain avec les prévisions probabilistes.
00:30:41 Mise en œuvre des prévisions probabilistes dans les grandes entreprises établies.
00:34:10 Importance de la réorganisation organisationnelle dans l’adoption d’un nouveau système.
00:36:02 Approche traditionnelle de résolution des conflits entre plusieurs contraintes.
00:38:31 Défis de l’abandon des méthodes de prévision traditionnelles.
00:41:00 Comment reprioriser et restructurer les ressources.
00:42:33 La valeur potentielle de l’adoption des prévisions probabilistes.
00:45:30 Encourager les entreprises à sauter le pas avec les nouvelles technologies.
00:46:55 Passage d’Excel à des outils plus avancés de gestion de la Supply Chain.
00:48:30 Dépendance à l’égard d’ingénieurs qualifiés pour les outils avancés de la Supply Chain.
00:50:06 Faire confiance aux recommandations des nouveaux systèmes.
00:53:00 Importance de la connaissance combinée de la Supply Chain et de la science des données.
00:56:49 Création d’une entité de science des données interdépartementale.
00:59:42 Discussion de la structure future de l’analyse des données et de son incorporation dans les divisions.
01:02:16 Les avantages d’avoir une seule organisation de science des données.
01:04:01 L’importance de comprendre la Supply Chain lors de la mise en œuvre de nouvelles technologies.
01:05:38 Comparaison des prévisions probabilistes avec des technologies plus complexes comme le deep learning.
01:08:16 Importance de la logique de réapprovisionnement et de sa relation avec les prévisions.
01:10:34 Les défis de convaincre les leaders de la Supply Chain d’adopter une nouvelle approche.
01:12:05 L’expérience de Sim avec les prévisions probabilistes et leurs avantages.
01:15:01 Anecdote sur l’application des prévisions quantiles dans une grande enseigne de distribution canadienne.
01:19:35 Discussion sur les décisions sous-optimales dans les entreprises et sur une meilleure prise de décision.
01:21:14 L’importance des décisions basées sur le retour sur investissement pour les cas particuliers.
01:22:18 Appel à l’action : adopter de nouveaux concepts et approches dans la gestion de la Supply Chain.
01:23:25 Espoirs d’un scénario de commande et de réapprovisionnement plus optimal à l’avenir.
Résumé
Dans cette interview, Joannes Vermorel, fondateur de Lokad, et Sim Taylor, Directeur de l’Analytique et de la Science des Données chez Petco, discutent de l’importance des prévisions probabilistes dans l’optimisation de la Supply Chain. Ils expliquent qu’il s’agit d’attribuer des probabilités à plusieurs scénarios, ce qui permet une meilleure gestion des stocks et une meilleure prise de décision. Malgré les défis de la mise en œuvre des prévisions probabilistes dans les grandes organisations, ils encouragent les directeurs de la Supply Chain à adopter de nouveaux concepts et à dépasser les approches traditionnelles. Ils soulignent également l’importance de la confiance envers les scientifiques des données et la nécessité de professionnels qui comprennent à la fois les défis de la Supply Chain et les aspects techniques.
Résumé étendu
Dans cette interview, l’animateur Conor Doherty s’entretient avec Joannes Vermorel, fondateur de Lokad, et Sim Taylor, Directeur de l’Analytique et de la Science des Données chez Petco. Ils discutent de l’importance des prévisions probabilistes dans l’optimisation de la Supply Chain.
Sim Taylor partage son expérience dans le domaine de la science des données et de l’analytique, travaillant principalement dans l’analyse des marchandises et de la Supply Chain. Il explique que son travail vise à utiliser les données et les statistiques pour mieux guider les produits vers leurs emplacements prévus dans la Supply Chain afin de maximiser les résultats financiers.
Lorsqu’on lui demande à propos des prévisions, Taylor les décrit comme une inférence ou une prédiction sur un résultat futur en utilisant des informations historiques et d’autres points de données. Vermorel est d’accord, ajoutant que la prévision des séries temporelles est un pilier de la théorie classique de la Supply Chain, mais souligne que ce n’est qu’une des nombreuses approches pour penser à l’avenir.
La discussion se tourne vers les prévisions probabilistes, qui consistent à attribuer des probabilités ou des chances à plusieurs scénarios possibles. Taylor partage son expérience de l’utilisation de la régression quantile dans les prévisions, qui vise à prédire les événements extrêmes et à aider à prévenir les ruptures de stock. Cette méthode consiste à résoudre directement un taux de service spécifique, permettant aux entreprises de définir les niveaux de stock sans se fier à des calculs de stocks de sécurité potentiellement incorrects.
Taylor explique que l’approche classique de la gestion des stocks consiste à prédire le résultat le plus probable (prévision) et à tenir compte de la variabilité en ajoutant des stocks de sécurité. Les prévisions probabilistes, en revanche, estiment directement le stock total nécessaire pour couvrir le risque de rupture de stock. Taylor parle également des défis liés à la détermination du quantile extrême de la demande et à l’équilibre entre les besoins des clients, les aspects financiers et les coûts des stocks.
Les interviewés discutent des avantages des prévisions probabilistes dans des environnements contraints, tels que des budgets limités ou des quantités de commande minimales. Taylor note que les prévisions probabilistes peuvent aider les entreprises à prendre des décisions claires entre des besoins concurrents en comprenant la probabilité de vendre chaque unité supplémentaire et la valeur financière qu’elle apporterait.
La discussion met en évidence les défis auxquels les organisations sont confrontées lorsqu’elles essaient de mettre en œuvre des prévisions probabilistes, en particulier lorsqu’il s’agit de modifier des processus établis et des divisions du travail. Sim Taylor partage son expérience de la mise en œuvre de l’approche de prévision quantique, qui nécessite une compréhension globale et une appropriation de l’exécution de la Supply Chain. Les prévisions servent de moyen pour atteindre un objectif, en se concentrant sur l’amélioration de la satisfaction client, des ventes et de la minimisation des coûts.
Sim Taylor souligne l’importance d’automatiser les calculs mathématiques dans les prévisions et les quantités de commande, tout en reconnaissant la valeur de l’intuition humaine et de l’expertise des responsables expérimentés de la Supply Chain. Il suggère que les entreprises peuvent réorganiser leurs organisations pour optimiser l’utilisation de leur personnel expérimenté, ce qui peut impliquer de changer leurs rôles et de se fier aux recommandations du système.
Joannes Vermorel souligne le défi de renoncer aux prévisions traditionnelles et à leurs indicateurs de performance associés, car les prévisions probabilistes déplacent l’accent de l’exactitude des prévisions vers les décisions opérationnelles qu’elles permettent. Il demande à Sim Taylor son point de vue sur la façon dont les entreprises peuvent réorganiser et réaffecter leurs ressources pour s’adapter à ce changement.
Sim Taylor reconnaît la difficulté de mettre en œuvre des prévisions probabilistes dans de grandes organisations prudentes face aux risques. Il suggère que le succès peut être atteint étape par étape, en commençant par fournir des outils plus simples et plus rapides, puis en démontrant la valeur de la nouvelle approche. Cela peut impliquer de trouver un cas d’utilisation ou une entreprise prête à prendre le risque et de mesurer les résultats commerciaux. Dans l’ensemble, la conversation met l’accent sur les avantages potentiels de l’adoption des prévisions probabilistes, tout en reconnaissant les défis qu’elle présente pour les organisations établies.
La conversation aborde la nécessité de démontrer le succès pour encourager l’adoption de nouvelles technologies et approches. Vermorel soulève des préoccupations concernant les limites d’Excel et la nécessité d’outils plus avancés pour gérer l’incertitude. Taylor reconnaît l’utilisation d’Excel par les praticiens de la supply chain, mais souligne que de nombreuses décisions sont prises par un système qui est souvent une “boîte noire” pour ceux qui l’utilisent.
Taylor et Vermorel soulignent tous deux l’importance de la confiance envers les data scientists et la nécessité de professionnels qui comprennent les défis de la supply chain et qui peuvent travailler avec du code pour automatiser intelligemment les décisions. Taylor suggère de trouver des personnes ayant à la fois une compréhension de la supply chain et une inclination technique. Vermorel ajoute que dans le futur, il envisage l’intégration de la science des données dans chaque division d’une entreprise, avec des analystes spécialisés dans leurs domaines respectifs.
Sim Taylor souligne l’importance de fournir une valeur tangible dans la gestion de la supply chain, quel que soit le titre ou le rôle de chacun. Il estime que combiner une expertise technique avec une connaissance des affaires est crucial pour obtenir des résultats financiers positifs. La conversation aborde également la valeur de la collaboration entre les experts en analyse de différents domaines et l’importance d’être lié aux affaires pour obtenir des résultats significatifs.
Joannes Vermorel met en évidence les avantages pratiques des prévisions probabilistes dans la gestion de la supply chain, par opposition à des innovations plus techniques comme l’apprentissage profond. Les prévisions probabilistes se concentrent sur la création de valeur en abordant le problème de l’incertitude d’une manière radicalement différente.
Sim Taylor discute également de l’importance de la logique de réapprovisionnement et de son rôle crucial dans la prise de décisions en matière de gestion de la supply chain. Il estime qu’il est essentiel de se concentrer sur la valeur de la supply chain et que la conversation devrait porter sur la manière dont les décisions génèrent les meilleurs résultats.
Taylor et Vermorel conviennent tous deux que le partage de cas d’utilisation et d’histoires à succès est important pour établir la confiance avec les entreprises et démontrer la valeur des prévisions probabilistes. Taylor partage un exemple de travail avec un grand détaillant canadien, où l’application d’une approche de prévision des quantiles a conduit à des améliorations de la disponibilité des stocks et de la gestion des stocks.
Taylor souligne que la supply chain est un monde rempli de contraintes et que les cas particuliers peuvent conduire à des résultats sous-optimaux. L’objectif est d’utiliser des informations supplémentaires pour prendre des décisions plus optimales qui nécessitent moins d’efforts. Un exemple qu’il donne est de décider s’il faut commander un camion complet à un fournisseur alors qu’une partie seulement est nécessaire. La capacité à évaluer la valeur de chaque unité, la probabilité de la vendre et les coûts marginaux et de détention potentiels permet une meilleure prise de décision dans de tels cas.
Vermorel et Taylor encouragent tous deux les directeurs de la supply chain à évaluer et à adopter de nouveaux concepts, tels que les prévisions probabilistes, et à dépasser les approches traditionnelles utilisées depuis des décennies. Ils espèrent qu’en partageant des exemples de réussite, ils pourront accélérer la conversation et aider les entreprises à prendre des décisions de commande et de réapprovisionnement plus optimales.
Transcription complète
Conor Doherty: Bienvenue à nouveau sur Lokad TV. Je suis votre hôte, Conor, et comme toujours, je suis accompagné du fondateur de Lokad, Joannes Vermorel. Aujourd’hui, nous parlons à Sim Taylor. Maintenant, il est le directeur de l’analyse et de la science des données chez Petco, une assez grande entreprise, et il va nous parler des mérites des prévisions probabilistes. Tim, bienvenue sur Lokad.
Sim Taylor: Bonjour, merci beaucoup de m’accueillir, Conor et Joannes. Alors, un peu de contexte sur moi-même : je gère des équipes de science des données et d’analyse, spécialisées dans l’analyse des marchandises et de la supply chain. Une grande partie de ma carrière a été axée sur le conseil. J’ai travaillé avec Deloitte pendant de nombreuses années au sein de leurs équipes de supply chain au Royaume-Uni et au Canada, et vraiment, dans la seconde moitié de ma carrière, je me suis concentré sur la création de modèles pour aider les entreprises à optimiser leurs stocks. Fondamentalement, mon travail consiste à utiliser les données et les statistiques pour guider au mieux les produits vers différents endroits de la supply chain, les centres de traitement des commandes, les magasins, les clients, dans les bonnes quantités et au bon moment, afin de satisfaire les clients et de maximiser les résultats financiers. J’ai travaillé avec diverses entreprises, principalement des grands magasins et des détaillants de produits généraux, généralement avec une grande variété de produits et un portefeuille d’actions important, avec une touche de mode et de vente au détail spécialisée. Il y a quelques années, j’ai quitté le monde du conseil pour l’industrie, et je travaille actuellement chez Petco, un grand détaillant d’animaux de compagnie américain basé en Californie, avec une présence aux États-Unis et au Mexique.
Conor Doherty: Merci. Lorsque vous expliquez aux gens de manière générale ce qu’est la prévision, comment l’expliquez-vous à un public non spécialiste ?
Sim Taylor: Bien sûr, la prévision, en tant que base, est un processus relativement compréhensible. Il s’agit essentiellement de faire une inférence ou une prédiction sur un résultat futur. Dans la supply chain et la vente au détail, nous parlons beaucoup de la prévision de la demande, de la demande des clients. Donc, pour ce produit dans ce magasin, que veulent mes clients dans une semaine, ou deux semaines, ou 52 semaines à partir de maintenant ? Il s’agit vraiment d’utiliser des informations historiques et des éléments que nous connaissons sur l’avenir, comme les prix des produits et d’autres points de données clés, pour comprendre quel est un résultat probable que nous pourrions attendre de voir et comment pouvons-nous planifier notre commande et obtenir le produit au bon endroit autour de cela. C’est vraiment la pierre angulaire de la théorie classique de la supply chain, cette prévision. Joannes, êtes-vous d’accord avec cette définition ?
Joannes Vermorel: Oui, je suis tout à fait d’accord avec l’idée de la prévision des séries temporelles comme étant la pierre angulaire de la théorie classique de la supply chain. Mais je tiens également à souligner que c’est en réalité une approche très spécifique de la façon dont on peut aborder l’avenir. Cette approche est tellement établie et prédominante depuis si longtemps que l’industrie dans son ensemble a, dans une large mesure, oublié qu’il s’agit seulement d’une des nombreuses approches qui existent pour penser à l’avenir. Parce que c’est une chose insaisissable, penser à l’avenir et l’anticiper. Penser à travers le prisme de la prévision des séries temporelles vous donne certaines capacités, comme de nombreux modèles qui s’inscriraient dans ce paradigme, mais cela limite également ce que vous pouvez faire. Et je pense que l’une des choses intéressantes dans cette industrie est que, du fait que les prévisions des séries temporelles existent depuis longtemps,
Conor Doherty: Je pense qu’il pourrait être utile de parler de la façon dont j’ai découvert la prévision probabiliste. Je viens d’un milieu professionnel plutôt que universitaire, donc j’ai découvert la prévision probabiliste en travaillant avec un détaillant pour résoudre certains des défis commerciaux réels liés à la commande et au réapprovisionnement.
Sim Taylor: Pour ce client, nous construisions des outils de réapprovisionnement basés sur la prévision ponctuelle standard, qui reste encore la référence dans la plupart des entreprises. Essentiellement, nous pensons que ce produit va se vendre cinq unités demain, six unités le lendemain, etc. Parce qu’il y a tellement de possibilités pour que ce chiffre ne soit pas correct, nous appliquions ensuite l’approche ou l’équation classique du stock de sécurité, en disant essentiellement que notre prédiction unique du résultat de la demande le plus probable sera souvent erronée.
L’approche standard du stock de sécurité suppose essentiellement que la variabilité de la demande et des délais de livraison des fournisseurs est distribuée de manière symétrique autour de notre prévision la plus probable. Cette hypothèse de normalité d’un point de vue statistique est généralement acceptée comme référence sans être remise en question dans de nombreuses entreprises.
Alors que nous faisions ce travail, mon équipe et moi-même examinions la réalité effective des ventes sur la fenêtre de temps de livraison pertinente. Nous avons découvert que, dans la majorité des cas, l’hypothèse de normalité ne tient pas du tout pour la plupart des détaillants. La demande et les délais de livraison ne sont généralement pas distribués de manière normale. Votre demande a tendance à être fortement concentrée autour d’une valeur faible pour la plupart des produits, puis il y a cette longue traîne de valeurs de demande potentielles vers la droite.
Il est devenu clair pour nous que nous devions utiliser des distributions statistiques plus représentatives pour modéliser cette variabilité de la demande des clients et des délais de livraison. Sinon, nous serions exposés au risque de rupture de stock dans certaines situations parce que nous n’avons pas correctement modélisé les résultats potentiels.
Conor Doherty: Comment avez-vous et votre équipe commencé à envisager des alternatives à la prévision ponctuelle ?
Sim Taylor: Nous avons d’abord utilisé la régression quantile dans nos prévisions, qui repose sur l’idée que, en matière de stocks, nous ne nous soucions pas vraiment du résultat le plus probable, ce que nous obtenons d’une prévision standard. Ce qui nous importe, ce sont ces événements extrêmes et nous assurer d’avoir suffisamment de stocks pour éviter les ruptures de stock lorsque cela se produit. C’est ce que font les niveaux de service dans l’approche standard de stock de sécurité.
Nous avons construit des prévisions en utilisant la régression quantile qui cherchait à résoudre directement un niveau de service spécifique. Par exemple, si nous énumérons toutes les occurrences possibles de la demande sur la durée de livraison, quel est le 95e quantile, la situation très improbable de cette demande dans cette durée de livraison ? C’est à ce niveau que vous fixez votre niveau de stock. Vous n’avez pas à vous soucier de l’appeler un stock de sécurité ou si vos calculs de stock de sécurité sont intrinsèquement erronés en fonction d’hypothèses incorrectes.
C’est ainsi que nous avons commencé à explorer différentes prévisions de la demande autres que la moyenne ou le résultat moyen. Ensuite, la question a évolué vers la détermination des niveaux de service à fixer pour déterminer quel quantile de demande ou de délai de livraison prédire, et comment combiner ces prévisions de quantiles pour la demande et les délais de livraison ? C’est là que j’ai découvert Lokad et leur approche unique et différenciée où ils prévoient tous les résultats possibles pour la demande sur la durée de livraison et attribuent une probabilité à chacun, ce qui capture beaucoup plus d’informations que la simple compréhension des quantiles.
Joannes Vermorel: Votre parcours me rappelle énormément le mien, car c’est chez Lokad que j’ai eu des problèmes personnels avec ces hypothèses. Le terme “stock de sécurité” semble sûr, mais la réalité est que les hypothèses mathématiques qui y sont associées sont assez insensées et certainement très peu sûres. Vous vous retrouvez avec des choses comme des délais de livraison négatifs, ce qui est incroyablement bizarre. C’est ce que vous obtenez avec une distribution normale pour les délais de livraison. Et l’idée
Conor Doherty: J’ai réalisé qu’il y avait un décalage entre ce qui intéressait vraiment les gens et ce qu’ils disaient. Les directeurs de la chaîne d’approvisionnement voulaient une meilleure prévision, mais ce qu’ils voulaient vraiment, c’était une meilleure décision en matière de chaîne d’approvisionnement. Lorsque vous commencez à penser en termes de statistiques, ce n’est pas la moyenne qui compte, mais les extrêmes. Ce sont ces situations extrêmes qui déclenchent les ruptures de stock ou les excès de stock, et ce sont ces situations que vous voulez vraiment analyser d’un point de vue statistique. J’ai constaté que les personnes travaillant dans la finance et la prévision météorologique font des prévisions probabilistes depuis le début des années 90. En 2011-2012, nous avons commencé à le faire pour la chaîne d’approvisionnement avec un certain retard par rapport aux autres pionniers dans d’autres secteurs.
Sim Taylor: L’approche classique essaie toujours de tenir compte du risque, mais nous appelons simplement nos stocks différemment. En réalité, ce qui compte, c’est le résultat pour l’entreprise. Dans notre approche standard, nous essayons d’être très bons pour prédire le résultat le plus probable, mais nous reconnaissons que c’est une façon étrange de voir les choses car nous nous soucions vraiment de couvrir le risque de situations plus extrêmes, et nous avons ce stock de sécurité. La prévision des quantiles fixe directement ces deux aspects, en examinant l’exemple extrême de la demande et en calculant les stocks que nous devrions avoir dans notre emplacement.
Joannes Vermorel: Lorsque vous disposez d’une gamme complète de probabilités potentielles, comment cela se transforme-t-il et est-il utilisé dans la réalité des affaires ? Ce sont ces décisions de commande qui nous intéressent, en veillant à ce qu’elles soient aussi optimales que possible. Nous n’avons peut-être plus besoin du terme “stock de sécurité”, mais je suis curieux de savoir comment vous le traduisez dans l’exécution réelle.
Sim Taylor: La première motivation pour envisager des prévisions alternatives était de constater que les occurrences de la demande ne suivent pas le type de distribution qui est modélisé dans l’approche classique du stock de sécurité. C’était la principale impulsion pour moi de considérer d’autres approches et d’évaluer notre capacité à avoir un modèle alternatif qui correspond mieux aux données.
Conor Doherty: Donc, pour mieux reproduire ou tenir compte de la variabilité, comme cela se fait généralement pour la demande et les délais de livraison, vous avez commencé par une approche de prévision des quantiles. Mais il y avait des défis, comme déterminer le quantile extrême de la demande qui équilibre les besoins des clients et les aspects financiers par rapport au coût de détention des stocks. Et dans les environnements contraints, qui sont courants dans les entreprises et les chaînes d’approvisionnement, vous aviez besoin d’un moyen de décider entre différents produits et unités à acheter. Pouvez-vous nous en dire plus sur la façon dont vous avez découvert la prévision probabiliste comme solution à ces défis ?
Sim Taylor: Oui, ce qui m’intéressait dans la prévision probabiliste, c’était le concept de comprendre tous les scénarios potentiels et leurs probabilités. Si je connais la probabilité de vendre quatre unités, cinq unités, six unités, je peux calculer à quel point il est probable que je vende l’unité suivante que je vais acheter. Si je connais cela et la valeur que j’obtiens en vendant ce produit, la marge brute, ainsi que les coûts de détention de ce produit et de rupture de stock, je peux prendre une décision claire sur l’unité qui apporte le plus de valeur à mon entreprise. En faisant cela, cela résout de nombreux défis auxquels mon équipe et d’autres ont été confrontés pendant longtemps. Nous sommes toujours dans un environnement contraint, et comprendre la probabilité de vente de chaque prochaine unité et sa valeur financière est une façon élégante de relever ces défis.
Joannes Vermorel: C’est très intéressant. Mon plus grand défi lorsque j’essaie de promouvoir la prévision probabiliste auprès de grandes entreprises établies comme Petco est la division historique du travail entre la prévision et la prise de décision. Les grandes organisations ont généralement réparti les tâches entre les personnes responsables de la prévision et celles qui prennent les décisions telles que le réapprovisionnement, les commandes de production et les commandes de mouvement des stocks. Mais la prévision probabiliste est un outil qui permet un processus de prise de décision plus efficace. La prise de décision elle-même n’est pas exactement la prévision, mais fondamentalement, prendre la décision de réapprovisionnement et faire la prévision sont beaucoup plus étroitement liés que dans l’ancien monde où une équipe distincte effectuait l’analyse des stocks de sécurité et prenait les décisions.
Conor Doherty: Le réapprovisionnement est, je dirais, une théorie classique de la chaîne d’approvisionnement qui offre une division du travail très claire entre les personnes chargées de la prévision/planification et les autres personnes chargées de prendre les décisions opérationnelles, comme les commandes de production, les commandes de réapprovisionnement, les commandes de mouvement des stocks, etc. Comment abordez-vous cela ? Vous avez travaillé dans de très grandes entreprises établies qui avaient évidemment une pratique de la chaîne d’approvisionnement qui précède largement ces connaissances probabilistes. Comment avez-vous réellement abordé l’organisation avec cette méthode qui, je crois, ne respecte pas les limites historiques de la division du travail qui existait pour soutenir la pratique de la chaîne d’approvisionnement ?
Sim Taylor: Je pense que dans les situations où nous avons obtenu de la valeur, par exemple, grâce à l’approche de prévision quantique, il est vraiment utile d’avoir la responsabilité de l’exécution de toute la chaîne d’approvisionnement. Si notre objectif ultime, ce qui est toujours le cas, est d’améliorer la satisfaction des clients, les ventes et de minimiser nos coûts tout en le faisant, la prévision elle-même n’est qu’un moyen pour y parvenir. Nous nous soucions des résultats : combien devrais-je commander, à quel endroit et à quelle heure, à la fois dans les centres de distribution et dans les magasins. Là où j’ai réussi par le passé, c’est lorsque nous avons reçu le mandat de construire cette prévision et de la traduire directement en quantités de commande.
Nous prévoyons, générons les quantités de commande, soit des fournisseurs vers les centres de distribution, soit des centres de distribution vers les magasins. Le rôle est principalement un processus d’approbation et d’évaluation. Dans un monde idéal, vous voulez automatiser autant que possible les calculs mathématiques complexes et obtenir des résultats précis dans la plupart des scénarios. Ensuite, en combinant ces informations basées sur les données avec l’expertise des équipes commerciales, on peut comprendre et évaluer les extrêmes ou les différents exemples et y apporter des ajustements.
Lorsqu’une entreprise cherche à remplacer ou à transformer sa façon de faire ses commandes de réapprovisionnement, c’est un projet important qui nécessite beaucoup de travail, plusieurs mois de mise en œuvre et la participation de nombreuses personnes. C’est l’occasion de réinitialiser et de rafraîchir le fonctionnement de votre entreprise. De nombreuses entreprises en profitent pour repenser leur organisation, ce qui implique généralement une gestion du changement et une refonte organisationnelle. Si vous pouvez repenser votre organisation et la structurer autour d’un système bien meilleur, c’est là que réside le véritable succès pour réduire les coûts de commande et améliorer les niveaux de stock pour les clients.
Conor Doherty: J’ai juste une question très précise que je veux vous poser, Joannes. Nous parlons de l’approche traditionnelle pour résoudre les conflits entre plusieurs contraintes lorsque nous parlons des équipes commerciales. Quelle est la manière habituelle dont une équipe commerciale non probabiliste résoudrait cela, ou un processus d’optimisation non probabiliste ? Comment cela se fait-il au quotidien ?
Joannes Vermorel: Si nous prenons un exemple dans le secteur de la vente au détail, vous auriez une équipe chargée de la prévision. Elle établirait la base, gérerait les profils de saisonnalité et établirait peut-être des choses comme les classes ABC avec le niveau de concentration, etc. Il y aurait donc une équipe très liée à l’établissement de projections futures qui sont des séries temporelles. Ensuite, vous vous retrouvez avec une autre équipe ou une série d’autres équipes qui sont responsables des décisions opérationnelles, comme le réapprovisionnement ou la décision de savoir si un produit est éligible ou non dans un magasin. L’organisation principale est tout à fait justifiée, et elle est très établie et raréfiée dans le sens où la plupart des outils logiciels disponibles sur le marché vous offrent des interfaces utilisateur et des processus.
Joannes Vermorel: Lorsque vous disposez de flux de travail adaptés à cette mentalité, même s’ils sont en partie arbitraires, une fois que vous avez des tonnes d’outils qui vérifient les positions, vous avez un écran dédié à l’examen des prévisions de séries temporelles, un autre écran pour l’ajustement des stocks de sécurité et un autre écran pour la gestion des alertes. Ces concepts abstraits deviennent des choses tangibles dans l’organisation car il y a des personnes avec des rôles et des flux de travail construits autour de cela.
Comme notre invité l’a mentionné, une chose intéressante est que la prévision probabiliste remet en question l’organisation à un niveau assez profond. Si nous avons un projet important qui revisite l’une des fonctions principales de l’entreprise, comme le réapprovisionnement dans une entreprise de vente au détail, il y a une opportunité de revoir de nombreuses hypothèses. Cela demande un peu de foi, car il s’agit d’un passage de la manière traditionnelle d’aborder la gestion de la chaîne d’approvisionnement à une organisation alternative qui est une conséquence de ce que les prévisions probabilistes vous permettent de faire dans votre entreprise.
Les prévisions ne sont que des artefacts ; elles sont un instrument pour obtenir autre chose. Et pourtant, dans de nombreuses entreprises, en particulier celles qui ont une grande chaîne d’approvisionnement, les prévisions sont généralement traitées comme un objectif en soi. Il y a une équipe avec des indicateurs de performance clés en termes de précision, et cela fait partie du processus de S&OP. Ils veulent une prévision plus précise comme objectif pour l’année prochaine.
Sim Taylor: Le défi consiste à se détacher de la prévision. Avec la prévision probabiliste, vous proposez de changer le focus de la gestion. Au lieu de suivre les indicateurs de performance clés de précision des prévisions, de fournir des ressources, un budget et des outils pour les améliorer, nous devrions nous concentrer sur les décisions que nous prenons en fonction de ces prévisions. C’est beaucoup à assimiler et cela demande un acte de foi. Comment pouvons-nous fournir une argumentation plus approfondie plutôt que de simplement dire “fais-moi confiance, ça va être tellement mieux” ?
C’est difficile et très stimulant. Je vois ici un énorme potentiel de valeur, mais je ne connais aucune grande entreprise qui ait pleinement adopté la prévision probabiliste. La mise en œuvre étape par étape, en commençant par fournir un outil plus simple et plus rapide, et en montrant des résultats, est la meilleure façon d’impliquer et d’insuffler de l’enthousiasme aux dirigeants de la chaîne d’approvisionnement. Vous avez besoin de cet exemple concret, puis de mesurer la réalité commerciale : la disponibilité des stocks, les rotations des stocks, l’investissement dans les stocks et les semaines de stock avant et après la mise en œuvre de la nouvelle approche.
Montrez les avantages financiers clairs et indéniables générés par la nouvelle approche. Est-ce que nous nous soucions vraiment de la prévision ? Nous pouvons en parler, mais ce qui compte, ce sont les résultats. Commencer par les résultats commerciaux et entamer la conversation avec les résultats historiques et les succès suscitera plus d’intérêt que de commencer par la théorie.
Conor Doherty: J’ai mentionné des experts de la chaîne d’approvisionnement, des leaders avec beaucoup d’expérience, ils ont cette grande intuition, et vous pouvez vous appuyer sur cela. Tout le monde veut améliorer son entreprise, donc presque tout le monde a une impulsion pour vouloir faire un pas en avant, mais ils ont juste besoin d’un ancrage et d’un peu de foi. Ils ont vu une entreprise similaire et les retours financiers qui démontrent vraiment le succès. C’est ainsi que, vous savez, une fois que vous avez eu ce premier cas d’utilisation de faire le grand saut, vous avez vraiment une plateforme et vous pouvez commencer à déployer cela. Je pense que c’est ainsi que les nouvelles technologies et approches commencent toujours. À la fin de la journée, nous sommes là dans une entreprise pour faire de notre mieux pour le client et pour les actionnaires sur le plan financier. Si nous pouvons montrer qu’il y a un bon cas d’utilisation pour prendre ce risque, essayer quelque chose de différent parce que nous avons vu des retours ailleurs, c’est une proposition excitante. Vous êtes beaucoup plus susceptible de commencer une conversation et de faire avancer les choses. Mais je suis d’accord, c’est un grand défi car les processus établis sont bien ancrés dans la façon dont nous structurons nos équipes dans la plupart des grandes entreprises. Par conséquent, il faut les bonnes personnes qui sont prêtes à vraiment comprendre les défis et qui peuvent également influencer pour présenter le cas commercial, pour montrer qu’il y a réellement de la valeur à essayer quelque chose comme cela.
Joannes Vermorel: Une des objections que j’entends fréquemment est que lorsqu’on passe de prévisions ponctuelles, qui peuvent être facilement représentées dans Excel, à des prévisions probabilistes, qui peuvent être représentées dans Excel dans une certaine mesure, cela devient un processus un peu cauchemardesque. Donc, en fin de compte, vous devez mettre à niveau vos outils d’une manière ou d’une autre. Afin de pouvoir avoir des modèles qui intègrent l’incertitude, vous avez besoin d’un outil plus performant qu’Excel. Vous créez une classe de risque, qui dépend soudainement de personnes capables de manier ces outils plus complexes. En tant que responsable de la science des données, je pense que vous êtes à l’avant-garde de l’introduction de choses qui ne sont pas immédiatement accessibles. Dès que nous parlons de 20 lignes de code Python, les compétences nécessaires pour s’en occuper, par opposition à une simple feuille de calcul, sont assez importantes. Cela signifie donc que pour l’entreprise, vous dépendez de personnes qui ont beaucoup plus de compétences en ingénierie que ce qu’elles avaient auparavant dans ces postes de la chaîne d’approvisionnement. Je sais que certaines des personnes à qui je parle sont préoccupées par ce genre de proposition. Elles se demandent comment aborder cela lorsqu’elles veulent rendre une chaîne d’approvisionnement réelle dépendante de quelque chose qui ne passera pas par des feuilles de calcul Excel ou ne sera pas mis en œuvre sous forme de système basé sur des règles dans ERP.
Sim Taylor: Il y a probablement deux choses à démêler. La première est qu’Excel est un outil très familier aux responsables de catégorie, aux acheteurs et aux praticiens de la chaîne d’approvisionnement. Il y a certainement une utilité là-dedans, mais dans la plupart des entreprises, la majorité des décisions sont déterminées et pilotées par un système qui est déjà en quelque sorte une boîte noire pour les personnes qui prennent réellement les décisions d’achat. Donc, le point que vous soulevez concernant la transition depuis Excel n’est pas un énorme saut dans certains cas. C’est une transition d’un système qui fait des recommandations d’une certaine manière à un autre système qui fait des recommandations d’une manière différente. Je pense que tant qu’il y a une confiance dans le fonctionnement du nouveau système, et les bonnes formations et discussions pour comprendre pourquoi le système fait quelque chose de légèrement différent, ce n’est pas tant un saut pour changer le système lui-même.
La deuxième partie concerne la confiance envers les data scientists. Je crois vraiment que la chaîne d’approvisionnement et la planification des marchandises sont l’un de ces domaines auxquels on ne peut pas simplement assigner un data scientist et s’attendre à des avantages financiers tangibles. Il y a peut-être une
Conor Doherty: Joannes et Sim, j’aimerais en savoir plus sur l’importance d’avoir à la fois des compétences techniques et mathématiques ainsi qu’une expérience en chaîne d’approvisionnement lorsqu’il s’agit d’optimiser les chaînes d’approvisionnement. Qu’en pensez-vous ?
Sim Taylor: L’optimisation de la chaîne d’approvisionnement nécessite une combinaison de compétences, comprenant la compréhension des défis et des complexités du monde de la chaîne d’approvisionnement ainsi que des capacités mathématiques et techniques. Le candidat idéal aurait une expérience à la fois en gestion de la chaîne d’approvisionnement et en science des données. Il devrait être capable de comprendre et de travailler avec les systèmes précédents et avoir une connaissance des défis courants, tels que les quantités minimales de commande des fournisseurs et les contraintes de capacité dans les centres de distribution. Un data scientist fraîchement diplômé n’aurait peut-être pas cette connaissance, ce qui peut entraîner une méfiance lorsqu’il s’agit d’associer la technologie à la gestion de la chaîne d’approvisionnement. Ce que nous recherchons, ce sont des individus intelligents ayant à la fois une compréhension des affaires et une inclination technique, capables de travailler avec du code ou d’expliquer du code pour automatiser les décisions de manière intelligente. Cette combinaison est cruciale pour construire des équipes d’analyse réussies.
Conor Doherty: Joannes, diriez-vous que votre approche de sélection des scientifiques de la chaîne d’approvisionnement chez Lokad est conforme aux opinions de Sim sur l’importance d’avoir une combinaison de compétences ?
Joannes Vermorel: Oui, je pense que nos opinions sont alignées. En fait, je vois une évolution possible sur le marché où, dans une décennie, les équipes de data science qui opèrent actuellement de manière indépendante pourraient faire partie des divisions de la chaîne d’approvisionnement. J’envisage un avenir où chaque division dispose d’une équipe d’ingénieurs spécialisés dans l’analyse quantitative, fournissant l’ossature de l’optimisation pour l’entreprise. Ils travailleraient en étroite collaboration avec les opérations et la direction pour établir des stratégies. Je crois que cette évolution naturelle conduirait à la réincorporation des compétences en data science dans chaque département respectif, par exemple les analystes de la chaîne d’approvisionnement faisant partie de la division de la chaîne d’approvisionnement, et les analystes marketing rejoignant la division marketing. La structure organisationnelle actuelle, où les départements de data science sont indépendants des divisions qu’ils servent, pourrait changer à mesure que la data science devient un élément intrinsèque de chaque pratique plutôt qu’une fonction de soutien.
Sim Taylor: Joannes, je trouve intéressante votre perspective sur l’avenir de la data science et de l’analyse au sein des organisations. En tant que responsable de l’analyse chez Petco, je pense que si nous continuons à connaître des succès opérationnels, il pourrait effectivement y avoir un changement vers l’intégration des divisions d’analyse de données dans leurs départements respectifs dans une décennie.
Conor Doherty: Pensez-vous que cela se traduirait par une internalisation des choses dans chaque division où vous obtenez du succès ?
Joannes Vermorel: Quelle question intéressante, qui parle vraiment de la façon dont vous organisez et structurez une entreprise maintenant et des avantages de ces différentes approches. De mon point de vue personnel, je ne suis pas en désaccord avec vous. Je pense que le titre et l’organisation dans laquelle vous vous trouvez sont quelque peu sans importance.
Sim Taylor: Ce qui m’enthousiasme lorsque je vais travailler chaque jour, c’est essayer de trouver des opportunités pour apporter de la valeur, une valeur tangible que nous pouvons mesurer. Je me concentre principalement sur la chaîne d’approvisionnement, comme je l’ai mentionné, par exemple dans la planification des marchandises. Mon responsable dirige l’organisation plus large de l’analyse de données dans de nombreux domaines différents et les rassemble. Mais comme je l’ai mentionné, je pense spécifiquement pour la chaîne d’approvisionnement, j’ai déjà vu cela par le passé : vous avez des personnes très intelligentes qui n’ont pas l’expérience de la chaîne d’approvisionnement mais qui sont très techniques, et cela ne se traduit pas nécessairement par la fourniture de cette valeur significative dans l’entreprise. C’est la combinaison de l’ensemble de compétences commerciales et de la compréhension réelle de ce secteur d’activité avec la capacité d’exécuter techniquement qui, selon moi, génère des résultats financiers positifs et significatifs.
Donc, que vous vous appeliez scientifique des données ou praticien de la chaîne d’approvisionnement, je pense que c’est une question erronée ou sans pertinence. Pour ma part, je trouve de l’excitation à résoudre des problèmes de chaîne d’approvisionnement, et donc que vous appeliez les membres d’une équipe des scientifiques de la chaîne d’approvisionnement ou des planificateurs de la demande, ce qui compte, c’est le travail que vous faites.
Je suis tout à fait d’accord sur le fait que vous devez être très lié à l’entreprise ; sinon, il y a tellement de subtilités dans le monde de la chaîne d’approvisionnement et de la planification des marchandises que si vous n’avez pas une bonne compréhension de cela, vous ne faites que jouer avec des chiffres, et il est difficile d’obtenir des résultats significatifs.
Le revers de la médaille, c’est que je pense qu’il y a beaucoup de valeur à regrouper des experts et des praticiens de l’analyse de données de différents domaines. L’avantage d’avoir une seule organisation de data science est que vous pouvez créer des liens et des relations entre des personnes intelligentes partageant les mêmes idées, et elles peuvent apprendre les unes des autres et tirer parti de leur expertise technique dans différents domaines. Il y a beaucoup d’avantages à cela et à la manière dont les équipes interagissent ensemble, que ce soit dans l’analyse marketing, la chaîne d’approvisionnement, les clients, la tarification, par exemple. Il y a beaucoup de connexions qui peuvent être précieuses et les rassembler.
Je pense que cela dépend vraiment de l’entreprise et de ce qu’elle considère comme la meilleure stratégie globale. Mais simplement d’un point de vue de la chaîne d’approvisionnement, je pense que ce sont les résultats qui importent, et je pense qu’il est très difficile d’obtenir cette confiance dont nous avons parlé, qui est si importante lorsque l’on essaie quelque chose de nouveau et apparemment complexe, si vous ne pouvez pas le simplifier et l’expliquer en termes de la manière dont il va générer de la valeur commerciale en comprenant comment fonctionne la chaîne d’approvisionnement.
Joannes Vermorel: Je pense que vous avez touché un point très intéressant, et je reviens un peu en arrière par rapport à vos commentaires sur la centralisation. Pour revenir à la prévision probabiliste, c’est une innovation assez technique, mais ce qui est surprenant, c’est qu’elle touche tellement le domaine commercial. La raison pour laquelle cela vous intéresse, et vous l’avez mentionné plusieurs fois, ce sont les valeurs que vous pouvez créer.
Ce qui est intéressant de mon point de vue, et c’est aussi quelque chose de très difficile à transmettre, c’est que c’est quelque chose de fondamentalement différent, disons, de l’apprentissage profond ou de l’IA. C’est fondamentalement une innovation qui suscite de l’intérêt en raison de ce que vous pouvez en faire d’un point de vue pratique dans la chaîne d’approvisionnement. Il y a certains ingrédients technologiques pour faire des prévisions probabilistes, mais cela joue un rôle
Conor Doherty: De meilleures prévisions peuvent conduire à une amélioration de la chaîne d’approvisionnement. Les entreprises qui excellent dans l’approche classique peuvent avoir une meilleure optimisation des commandes et des réapprovisionnements. Cependant, il est important de noter que la logique de réapprovisionnement et la manière dont nous extrapolons les prévisions dans les décisions de la chaîne d’approvisionnement sont tout aussi importantes.
Sim Taylor: Les gens sont souvent surpris de savoir que dans certains cas, une simple moyenne mobile pourrait donner des résultats similaires à une mauvaise prévision ponctuelle. J’essaie de centrer la conversation davantage sur la prise de décisions basée sur ce qui va générer le meilleur résultat, et sur la manière dont nous évaluons la variabilité de la demande et la variabilité des délais de livraison. Nous devons démontrer le succès financier de cette approche de manière simple et tangible pour les entreprises.
Conor Doherty: Sim et Joannes, avez-vous des exemples d’entreprises ou de clients où vous pouvez réellement montrer l’amélioration financière après la mise en œuvre de cette approche ?
Sim Taylor: Je n’ai pas d’exemple spécifique en ce qui concerne les prévisions probabilistes, mais en ce qui concerne les quantiles, j’ai constaté des succès. Nous avons déployé cette approche auprès d’entreprises, en nous concentrant sur des indicateurs clés tels que la disponibilité des stocks et les semaines de stock. Nous avons pu obtenir une disponibilité des stocks plus élevée tout en maintenant les niveaux de stock identiques, voire en les réduisant. Cette approche a contribué à établir la confiance et a montré que l’application intelligente de ces concepts peut générer de la valeur commerciale.
Conor Doherty: Avez-vous des anecdotes d’histoires à succès où vous avez appliqué une approche de prévision probabiliste et démontré la valeur dont vous parlez ?
Sim Taylor: Pas spécifiquement en ce qui concerne les prévisions probabilistes, mais en ce qui concerne les quantiles, oui. En travaillant avec un grand détaillant canadien, nous avons mis en place une approche de prévision de stock de sécurité basée sur les prévisions ponctuelles, ce qui a entraîné une amélioration de la disponibilité des stocks sans augmentation des stocks. Lorsque nous sommes passés à la prévision par quantiles, nous avons constaté une croissance significative de la disponibilité des stocks tout en maintenant les niveaux de stock identiques, voire en les réduisant. Cela a montré les tendances claires et les différences dans les facteurs de performance commerciale, renforçant ainsi la confiance dans cette approche. Je suis un enthousiaste qui souhaite franchir le pas suivant et utiliser l’approche de prévision probabiliste pour améliorer encore ces résultats.
Conor Doherty: La prévision par quantiles ne résout pas tout, eh bien, merci, Sim, sur ce point. Je vous passe la parole, Joannes, avez-vous des anecdotes comme celles de Sim ?
Joannes Vermorel: Oui, je veux dire, c’est un détail, mais je pense que si je compare ce que Lokad faisait il y a une décennie et demie quand il a commencé, et maintenant ce qu’il fait avec les approches de prévision probabiliste pour la supply chain, la quantité de cas particuliers est très intéressante. Quand nous avons commencé, il y avait chaque fois que nous essayions de résoudre un problème de supply chain, une multitude de cas particuliers. Par cas particuliers, j’entends quelque chose où la logique habituelle échouait tellement que vous deviez intervenir et corriger manuellement la chose car le résultat était absurde. C’est la raison pour laquelle des fournisseurs comme Lokad ont généralement des alertes et des exceptions pour gérer toutes ces situations qui sont si manifestement absurdes. Vous pouvez même avoir une règle pour le détecter et dire : “D’accord, quelqu’un doit intervenir car le système produit une sortie qui a si peu de sens.”
Et nous sommes passés d’en avoir des tonnes à en avoir très peu. C’est intéressant parce que, pour moi, cela a été l’élimination des cas particuliers, ce genre de choses qui nécessitent une attention spécifique, des règles spécifiques. En fin de compte, je crois que cette élimination prouve que tout cela n’était que la conséquence d’une méthode qui, à sa base, ignorait l’incertitude. Ainsi, chaque fois qu’il y avait de l’incertitude ou un risque, et soit dit en passant, lorsque nous avons des contraintes, par exemple, avec un emoji, et quoi que cela signifie pour prendre une décision consciente des risques, nous avons principalement réussi à les simplifier.
Bien que ce soit un élément très anecdotique, l’élimination des cas particuliers, j’ai constaté que c’était l’indicateur le plus fiable de la maturité et de la qualité de votre technologie. C’est que vous pouvez fonctionner avec un nombre très limité de cas particuliers et de situations marginales qui nécessitent une intervention humaine et une microgestion de la solution logicielle. En revanche, si vous devez microgérer votre solution logicielle qui gère votre supply chain, il est fort probable que cela signifie qu’au niveau fondamental, il y a quelque chose qui ne va pas. Vous avez un déséquilibre d’impédance dans la façon dont vous abordez le problème et la façon dont votre logiciel fonctionne, et donc vous finissez par avoir cette microgestion comme un moyen de colmater votre supply chain.
Pour moi, la question sera de savoir si nous pouvons passer des prévisions ponctuelles aux prévisions quantiles et probabilistes. Donc la question ouverte sera, qu’est-ce qui vient ensuite ? Je suis assez sûr qu’il y aura une prochaine étape technologique dans ce domaine, mais pour l’instant, la bataille reste encore de convaincre la plupart des entreprises d’accepter simplement l’incertitude.
Sim Taylor: Et Joannes, juste pour ajouter, tu sais, tu parles de la réduction du travail comme un avantage majeur que tu as constaté. Je pense que le revers de la médaille, si nous parlons de certains de ces cas particuliers de niche, qui ne sont pas vraiment marginaux, ils se présentent tout le temps dans la supply chain, comme nous l’avons dit, c’est un monde plein de contraintes. Soit cela demande plus de travail, soit ce que je vois dans les entreprises précédentes, beaucoup plus souvent, c’est que la mauvaise décision est prise. Peut-être que ce n’est pas un travail supplémentaire, mais nous prenons simplement une
Conor Doherty: Une prise de décision simplifiée conduit souvent à des résultats sous-optimaux. L’objectif est d’utiliser des informations supplémentaires pour prendre une décision plus optimale qui demande moins d’efforts.
Sim Taylor: Exactement. Par exemple, nous avons seulement besoin d’acheter 50 chargements de camions auprès d’un fournisseur, mais notre contrat stipule que nous devons commander des chargements complets de camions ou atteindre une quantité minimale de commande. Est-il financièrement préférable de commander maintenant et d’acheter des produits supplémentaires dont nous n’avons pas besoin, ce qui entraîne un excès de stocks qui occupe de la capacité, ou ne devrions-nous pas commander du tout et risquer des ruptures de stock sur certains produits ? Idéalement, nous devrions avoir une décision basée sur le retour sur investissement pour savoir si nous devons commander maintenant ou plus tard, ce qui rendrait les décisions de cas particuliers plus efficaces.
Conor Doherty: Messieurs, je n’ai plus d’autres questions. Sim, en tant que client, je vous laisse le dernier mot. Y a-t-il quelque chose que vous aimeriez ajouter ou des questions de suivi que vous aimeriez poser aux directeurs de la supply chain qui n’ont pas encore adopté les prévisions probabilistes ?
Sim Taylor: Mon appel à l’action pour la communauté de la supply chain est d’évaluer ces concepts, de les adopter et de faire le saut pour les tester et les itérer afin de comprendre la valeur que nous pouvons tirer de cette approche au-delà de l’approche classique. Est-ce que nous remplaçons simplement un système par un autre qui fait la même chose ? J’aimerais voir plus de conversations et de cas d’utilisation réels où nous commençons à réfléchir à cette approche et à l’intégrer dans les entreprises pour en tirer des bénéfices. En partageant des exemples de valeur, cela aidera à accélérer la conversation et à nous orienter collectivement vers un scénario de commande et de réapprovisionnement plus optimal.
Conor Doherty: Merci pour cela, Sim. Je ne peux pas prendre tout le crédit. Joannes aide beaucoup.
Joannes Vermorel: Merci, Conor. J’apprécie.
Conor Doherty: Sur cette note, messieurs, nous allons conclure. Joannes, merci beaucoup pour votre temps. Sim, merci beaucoup pour le vôtre. À la prochaine fois.
