L'analyse ABC XYZ - Ep 144

00:00:00 Gestion des stocks : discussion sur le taux de service et les stocks de sécurité.
00:00:22 Joannes remet en question les perceptions des niveaux de service et des stocks de sécurité.
00:02:10 Avantages des décisions concrètes de gestion des stocks.
00:03:07 Exploration des complexités des mesures de niveau de service.
00:06:10 Joannes sur les avantages et les inconvénients de l’analyse ABC XYZ.
00:10:31 Approfondissement des subtilités de l’optimisation des stocks.
00:11:22 Complexités de la conception d’un système vérifiable.
00:12:15 Critique de l’ABC XYZ et de ses racines psychologiques.
00:13:33 Analyse ABC XYZ, influence de la cognition humaine.
00:16:12 Plongée approfondie dans l’ABC XYZ, valeur de classement computationnelle.
00:21:04 Discussion des nuances de la catégorisation et de l’étalonnage des stocks.
00:23:53 Introduction de la perspective du panier, défis d’allocation des stocks.
00:24:54 Traçage de l’historique du taux de service dans la gestion des stocks.
00:26:55 Pièges, implications trompeuses des mesures de taux de service.
00:28:51 Démystification du taux de service, mythe de la satisfaction client.
00:32:34 Analogie de l’eau pour comprendre les chaînes d’approvisionnement.
00:34:25 Discussion sur la nature dynamique du volume des ventes de produits.
00:36:00 Qualité de service, attentes des clients, disponibilité des produits.
00:38:20 Démystification du piège mathématique dans l’assortiment de produits.
00:41:16 Mythe des modèles mathématiques dans la gestion des stocks.
00:42:12 Défaut du modèle ABC XYZ : Ignorer le comportement des clients.
00:43:41 Déficiences de l’ABC XYZ en tant que mécanisme de priorisation.
00:44:46 Tentatives infructueuses de corriger l’ABC XYZ.
00:47:35 Assomptions défectueuses de la chaîne d’approvisionnement, passage à l’automatisation.
00:51:01 Fallacie de la discussion sur les ventes quotidiennes moyennes.
00:52:49 Critique de la volatilité de la catégorisation des produits.
00:54:07 Contestation de la valeur de la classification mathématique.
00:56:11 Approches déterministes vs probabilistes de la chaîne d’approvisionnement.
01:03:43 Utilité de l’IA dans le comblement des lacunes débattue.
01:07:56 Remise en question des assomptions traditionnelles de la chaîne d’approvisionnement.
01:10:33 Tolérance à l’ambiguïté, coexistence de contradictions.
01:16:24 Réalité des chaînes d’approvisionnement modernes et complexes.

Résumé

Conor Doherty et Joannes Vermorel enquêtent sur l’outil d’analyse des stocks populaire ABC XYZ Analysis, affirmant que sa simplification excessive entraîne une perte d’informations. Vermorel remet en question les pratiques conventionnelles de gestion des taux de service et des stocks de sécurité séparément. Vermorel préconise une gestion de la supply chain assistée par la technologie, compte tenu de la complexité de la gestion de grandes quantités de produits. Il critique l’analyse ABC XYZ pour son manque de dynamisme et son absence de prise en compte des perspectives des clients. Vermorel préfère une approche probabiliste de la gestion de la chaîne d’approvisionnement, qui peut offrir une compréhension plus nuancée des risques et aider à la prise de décision en matière de stocks.

Résumé étendu

Dans cette interview, Conor Doherty, l’animateur, et Joannes Vermorel, le fondateur de Lokad, analysent l’outil d’analyse des stocks populaire, ABC XYZ Analysis. Cette méthodologie catégorise les produits en sous-groupes simples, en fonction du volume et de la variance. Vermorel suggère que cette méthodologie est défectueuse en raison de sa simplification excessive des caractéristiques des produits, ce qui entraîne une perte d’informations précieuses.

L’interview aborde également la complexité de la définition des objectifs appropriés de taux de service et de stocks de sécurité. Vermorel souligne la complexité inhérente de cette tâche, remettant en question l’idée conventionnelle de diviser le problème en parties apparemment plus simples telles que les taux de service et les stocks de sécurité.

Vermorel remet en question l’hypothèse implicite selon laquelle aborder les taux de service ou les stocks de sécurité séparément simplifie le problème. Il suggère que les défis qui se posent lors de la détermination de la quantité appropriée à réapprovisionner sont les mêmes que ceux rencontrés lors de la détermination du bon taux de service. Les complexités impliquées dans les deux processus sont similaires, ce qui rend l’un pas plus simple que l’autre.

Expliquant son point de vue, Vermorel distingue entre les décisions tangibles et directes concernant les quantités de stocks et le concept abstrait de taux de service. Il souligne que les décisions tangibles concernant les quantités de stocks ont des conséquences claires et mesurables sur la chaîne d’approvisionnement, contrairement aux notions abstraites de taux de service. Par conséquent, il soutient que se concentrer sur des actions tangibles et mesurables plutôt que sur des concepts abstraits pourrait simplifier le problème.

Vermorel passe ensuite en revue des outils tels que l’analyse ABC XYZ, qui sont utilisés pour déterminer les politiques de stocks. Il décrit ces outils comme des “mécanismes de priorisation de l’attention” visant à aider les humains à prendre des décisions en matière de stocks. Bien que ces outils puissent être utiles pour prioriser les produits qui nécessitent une attention en fonction du volume des ventes, Vermorel suggère qu’ils ne simplifient pas fondamentalement le problème initial.

En fait, Vermorel soutient que l’accent mis sur le développement d’outils pour aider les humains à prioriser l’attention dans la prise de décision nous a éloignés du problème initial. Ce changement, qu’il compare au concept logiciel du “Yak shaving”, a conduit à essayer de résoudre un problème beaucoup plus compliqué : comment présenter au mieux les informations aux humains pour la prise de décision.

Il critique cette approche, soulignant que si les ordinateurs sont utilisés pour résoudre le problème en premier lieu, il n’est pas nécessaire de prioriser l’attention des humains. L’ordinateur devrait être autorisé à résoudre le problème dans son intégralité, sans intervention humaine à chaque étape du processus.

Doherty pousse Vermorel sur son rejet de la variance de la demande en tant que “préoccupation secondaire”. Vermorel répond en réitérant son argument principal : le problème initial était de prendre la bonne décision en matière de stocks. Cependant, si les humains font partie du processus, leur capacité limitée à traiter l’information nécessite une priorisation. Des outils tels que l’analyse ABC XYZ ont été créés pour faciliter ce processus de priorisation, mais Vermorel suggère que cela nous a éloignés de la résolution du problème initial.

À la place, Vermorel propose d’attribuer à chaque produit un rang en fonction de son volume de ventes. Le système de classement, suggère-t-il, offre une manière plus informative de classer les produits car il conserve plus de données. Ce système est en accord avec les capacités de calcul des ordinateurs modernes, permettant une analyse plus précise que l’esprit humain.

Vermorel critique également l’idée que l’esprit humain soit le décideur principal dans la gestion de la chaîne d’approvisionnement. Étant donné la grande quantité de produits avec lesquels une entreprise traite quotidiennement, il suggère qu’il y a une limitation significative de la capacité de l’esprit humain à gérer efficacement les stocks. Il sous-entend que s’appuyer sur la technologie pour gérer ces complexités serait plus efficace.

Il discute de la pratique de diviser les produits en catégories en fonction des volumes de ventes, remettant en question cette méthode car elle entraîne une perte d’informations. Il compare cette méthode à une approximation d’un cercle avec un polygone - plus vous ajoutez de côtés, plus il se rapproche d’un cercle, mais il ne sera jamais une représentation parfaite. Pour Vermorel, la classification des produits en quelques catégories est une approximation grossière de la courbe lisse et continue qui représente le rang de chaque produit en fonction du volume des ventes.

Passant au sujet des unités de gestion des stocks (SKU), Vermorel s’oppose au traitement des SKU de manière isolée, suggérant que cela simplifie le problème mais ne le résout pas efficacement. Il critique la méthode du stock de sécurité, qui implique des taux de service, car elle est basée sur des hypothèses concernant la demande future et les délais d’approvisionnement, mais ceux-ci ne sont pas normalement distribués comme le suggère la méthode. Il suggère que cette méthode peut entraîner des situations problématiques, telles que des délais d’approvisionnement et des ventes négatifs.

Vermorel affirme que le concept de taux de service est fondamentalement erroné. Il souligne que bien qu’il puisse sembler intuitif qu’un taux de service plus élevé indique une meilleure satisfaction client, le modèle mathématique sous-jacent aux calculs du stock de sécurité ne fournit aucune indication sur la satisfaction client.

Il souligne l’importance de traiter la gestion de la chaîne d’approvisionnement comme un problème multidimensionnel, compte tenu de la diversité et de la quantité de produits avec lesquels la plupart des entreprises traitent. Vermorel suggère qu’une approche différente devrait être adoptée pour les chaînes d’approvisionnement avec un grand nombre de SKU, car les propriétés complexes et émergentes d’un tel système diffèrent fondamentalement de celles d’un système plus simple à produit unique.

Vermorel aborde ensuite les complexités de l’optimisation de la chaîne d’approvisionnement. Tout comme la compréhension d’une seule molécule ne permet pas de connaître pleinement l’eau sous toutes ses formes, comprendre un seul produit ne signifie pas comprendre l’ensemble de la chaîne d’approvisionnement. Les chaînes d’approvisionnement sont extrêmement diverses et complexes, avec de nombreux éléments inconcevables d’un point de vue de produit unique.

Vermorel critique une approche courante de la gestion de la chaîne d’approvisionnement : l’analyse ABC XYZ. Il observe que les volumes de ventes ne sont pas statiques mais plutôt dynamiques, fluctuant largement dans le temps. Même un seul produit peut tomber dans différentes catégories au cours de son cycle de vie, rendant le modèle ABC XYZ, qui perçoit le volume des ventes comme statique, insuffisant.

Ce manque de dynamisme pose problème, car les attentes des clients évoluent continuellement et les chaînes d’approvisionnement doivent s’adapter en conséquence. Si une boulangerie est censée avoir du pain disponible tous les jours, toute rupture de stock rompt le “contrat social”, endommageant la perception de la qualité de service du client. Cette perception n’est pas déterminée par la chaîne d’approvisionnement mais par les clients eux-mêmes.

Fait intéressant, Vermorel mentionne que le taux de service d’un seul produit ne se traduit pas par une expérience client satisfaisante lorsque plusieurs produits sont impliqués. Par exemple, dans un supermarché avec un taux de service de 95% pour chaque produit, un client qui souhaite acheter 20 produits peut ne pas trouver tout ce dont il a besoin, réduisant le taux de service perçu à moins de 10%. Cette disparité illustre la différence significative entre les modèles mathématiques et les perceptions des clients.

Vermorel souligne que l’analyse ABC XYZ, malgré son nom rassurant (impliquant la sécurité et le contrôle), ne prend pas en compte plusieurs facteurs importants. Elle ne tient pas compte de la variance dans le temps, néglige la perspective du client et ne reconnaît pas l’importance des combinaisons de produits dans le panier d’achat du client.

L’animateur, Conor Doherty, ajoute que si un client entre dans un magasin avec l’intention d’acheter un article spécifique et ne parvient pas à le trouver, il peut partir sans rien acheter, ce qui entraîne une perte de ventes potentielles.

Vermorel critique l’analyse ABC XYZ en tant que mécanisme de priorisation de l’attention, affirmant qu’elle ne met pas en évidence les éléments vraiment pertinents dans la gestion de la supply chain. Il concède que l’approche Demand Driven Material Requirements Planning (DDMRP), qui donne la priorité aux produits en fonction de leur divergence par rapport aux tampons cibles, est plus raisonnable pour la priorisation de l’attention.

Vermorel soutient que l’analyse ABC XYZ n’est pas une approche utile pour concilier les complexités des chaînes d’approvisionnement. Il affirme qu’elle repose sur une série de prémisses erronées et que les tentatives de la corriger ne feraient qu’accumuler du “ruban adhésif” sur une méthode qui va dans la mauvaise direction. À la place, il préconise une approche qui apprécie les complexités et le dynamisme des chaînes d’approvisionnement ainsi que l’importance de la perspective du client.

Vermorel aborde ensuite le rôle de la technologie dans la gestion de la supply chain, soulignant que ce n’est que récemment que les machines sont devenues suffisamment capables pour automatiser les décisions de la supply chain. Cette évolution, remarque-t-il, est relativement lente par rapport aux avancées technologiques de l’ère moderne. Il illustre ce point par une analogie historique : la transition des entreprises qui produisaient leur propre électricité à l’achat d’électricité auprès du réseau a pris environ 40 ans, malgré les avantages apparents de cette dernière.

La conversation se concentre ensuite sur les approches ABC et ABC XYZ des modèles de demande, que Vermorel juge insuffisantes. Il critique leur nature statique et abstraite, affirmant qu’elles ne représentent pas fidèlement les phénomènes du monde réel. Par exemple, il illustre que les catégories de produits peuvent être instables dans le temps et leur classification peut passer d’une catégorie à une autre dans l’analyse ABC, ce qui n’apporte aucune valeur substantielle aux entreprises.

Poursuivant sur ce thème, Vermorel critique la matrice ABC XYZ comme étant une simple illusion de modèle, donnant aux entreprises une fausse impression de précision scientifique lorsque la réalité est beaucoup plus chaotique et nuancée. Il affirme que ces classifications peuvent être arbitraires, ce qui conduit à une simplification excessive d’un spectre complexe et continu de catégories de produits.

La discussion se tourne ensuite vers une approche probabiliste de la gestion de la supply chain. Vermorel souligne la valeur des prévisions probabilistes en tant qu’outil permettant de capturer et de traiter une quantité importante d’informations, ce qui est utile pour évaluer l’incertitude. Cette méthode, suggère-t-il, est particulièrement bénéfique car elle permet une compréhension plus nuancée des risques, ce qui permet aux entreprises de prendre des décisions plus éclairées sur les quantités de stocks.

Vermorel aborde ensuite le rôle de la technologie dans la gestion de la supply chain, soulignant que ce n’est que récemment que les machines sont devenues suffisamment capables pour automatiser les décisions de la supply chain. Cette évolution, remarque-t-il, est relativement lente par rapport aux avancées technologiques de l’ère moderne. Il illustre ce point par une analogie historique : la transition des entreprises qui produisaient leur propre électricité à l’achat d’électricité auprès du réseau a pris environ 40 ans, malgré les avantages apparents de cette dernière.

La conversation se concentre ensuite sur les approches ABC et ABC XYZ des modèles de demande, que Vermorel juge insuffisantes. Il critique leur nature statique et abstraite, arguant qu’elles ne représentent pas de manière précise les phénomènes du monde réel. Par exemple, il illustre que les catégories de produits peuvent être instables dans le temps et leur classification peut passer d’une catégorie à une autre dans l’analyse ABC, ce qui n’apporte aucune valeur substantielle aux entreprises.

Poursuivant sur ce thème, Vermorel critique la matrice ABC XYZ comme étant une simple illusion de modèle, donnant aux entreprises une fausse impression de précision scientifique alors que la réalité est beaucoup plus chaotique et nuancée. Il affirme que ces classifications peuvent être arbitraires, conduisant à une simplification excessive d’un spectre complexe et continu de catégories de produits.

La discussion se tourne ensuite vers une approche probabiliste de la gestion de la supply chain. Vermorel souligne la valeur des prévisions probabilistes en tant qu’outil permettant de capturer et de traiter une quantité importante d’informations, ce qui est utile pour évaluer l’incertitude. Cette méthode, suggère-t-il, est particulièrement bénéfique car elle permet une compréhension plus nuancée des risques, ce qui permet aux entreprises de prendre des décisions plus éclairées sur les quantités de stocks.

Vermorel met en évidence deux avantages des prévisions probabilistes : elles fournissent des informations plus détaillées sur le système et permettent de relier la vision financière à l’anticipation future. Contrairement aux prévisions ponctuelles, les prévisions probabilistes se prêtent à de nombreuses méthodes qui peuvent réexprimer la qualité des décisions en termes d’euros ou de dollars.

Vermorel soutient que l’approche de prévision ABC XYZ représente une impasse en raison de son incapacité à relier les résultats métriques aux résultats financiers de manière sensée. Il critique les tentatives de combler cette lacune à l’aide de l’intelligence artificielle ou de l’apprentissage automatique, qu’il compare à l’ajout d’un moteur d’avion à une voiture lente. De telles solutions, suggère-t-il, sont inutilement compliquées et négligent des problèmes fondamentaux qui pourraient être résolus de manière plus simple et plus efficace.

Le fondateur de Lokad souligne également l’importance de l’ingénierie de la qualité dans la gestion de la supply chain. Il met en garde contre la complexité excessive des systèmes de supply chain et encourage à se concentrer sur la résolution des problèmes fondamentaux. Par exemple, il cite le scénario hypothétique d’un supermarché qui ne propose pas une marque populaire de couches, ce qui fait fuir les clients, comme un problème qui ne sera pas résolu par des méthodes de prévision trop compliquées.

Vermorel conseille à ceux qui doutent des prévisions probabilistes de remettre en question leurs hypothèses et de remettre en question le raisonnement sous-jacent de la méthode ABC XYZ. Il affirme que si la méthode fait ce qu’elle est censée faire (c’est-à-dire créer une matrice de produits regroupés en clusters le long de deux dimensions), la logique et la vision sous-jacentes de la méthode sont erronées et probablement dépassées.

Doherty suggère que deux choses apparemment contradictoires peuvent être vraies simultanément : une méthode dépassée peut fonctionner pendant un certain temps tout en n’étant pas la meilleure solution. Vermorel développe ce point, laissant entendre que les entreprises confondent souvent “fonctionner tout court” avec “fonctionner de manière optimale”. Il donne l’exemple de transporter de l’eau dans des seaux : même si cela fonctionne techniquement, il existe de meilleures alternatives.

Doherty et Vermorel s’accordent sur l’importance de reconnaître l’ambiguïté inhérente à la gestion de la supply chain et la nécessité de flexibilité. L’interview se termine par l’avertissement de Vermorel de réévaluer en permanence et de remettre en question les pratiques établies de la supply chain.

Transcription complète

Conor Doherty: Bienvenue sur LokadTV. Il est difficile de définir des objectifs appropriés en matière de taux de service et de stock de sécurité, avec de nombreuses options sur le marché et des fournisseurs qui essaient de vous vendre des réponses. Un outil tel que l’analyse ABC XYZ est l’un de ces outils, et pour m’aider à l’analyser, je suis accompagné de Joannes Vermorel, fondateur de Lokad. Commençons par le début - le taux de service, le stock de sécurité, toutes ces politiques d’inventaire. Pourquoi sont-elles si difficiles à définir ?

Joannes Vermorel: Il existe une pluralité d’options qui tentent de répondre à ces questions. Ce que nous percevons comme des sous-problèmes ne sont pas vraiment des sous-problèmes. Par exemple, parlons des taux de service. Il y a une hypothèse implicite selon laquelle choisir des taux de service est en quelque sorte plus simple, comme une partie plus petite du problème global. Si vous pouvez gérer cela, alors vous pourriez également gérer d’autres choses. L’hypothèse implicite est que nous avons décomposé le problème. Le défi consiste à choisir la bonne quantité pour la production, le stockage ou l’allocation des stocks. Lorsque vous parlez de “taux de service” ou de “stock de sécurité”, vous décomposez implicitement le problème. Je remets en question l’idée selon laquelle cette décomposition rend le problème plus simple que le problème original. Lorsque vous abordez le problème du taux de service, vous êtes confronté à un défi aussi difficile et variable que votre point de départ. Ainsi, il n’est pas surprenant que définir un taux de service ne soit pas plus facile que de déterminer directement la quantité réelle à réapprovisionner.

Conor Doherty: Donc, si vous pouviez reformuler le problème à votre manière, comment le voyez-vous ?

Joannes Vermorel: Dans un contexte d’optimisation des stocks, nous essayons de prendre une décision. La décision est tangible. Il s’agit de déterminer combien d’unités allouer, produire ou acheter. Cette décision aura des conséquences très tangibles sur votre supply chain. Contrairement, par exemple, à décider d’avoir un taux de service de 97% dans ce magasin. C’est une abstraction. Il n’y a pas de taux de service de 97%. C’est potentiellement un artefact utile, mais ce n’est pas quelque chose qui a un équivalent tangible dans votre supply chain. Lorsque je dis que c’est une abstraction, cela signifie que le taux de service pose de nombreux problèmes ouverts que vous n’avez pas lorsque vous traitez une décision. Si je décide d’allouer 10 unités à un magasin, il n’y a aucune ambiguïté. Je peux mesurer après un certain temps que j’ai décidé d’allouer 10 unités et que 10 unités ont effectivement été déplacées. Cependant, ce n’est pas le cas avec un taux de service. Si plus de clients se présentent que prévu, je n’obtiendrai pas réellement un taux de service de 97%. C’est pourquoi je considère que c’est un artefact plutôt qu’une chose tangible reflétant la réalité de base de votre supply chain.

Conor Doherty: Et dans quelle mesure ce que vous venez de décrire est-il réellement capturé à l’aide d’un outil tel que l’analyse ABC XYZ, ou de son prédécesseur, ABC ?

Joannes Vermorel: Les praticiens de la supply chain veulent aboutir à une décision. Si vous regardez simplement les chiffres et estimez ce dont vous avez besoin, c’est une façon très basique de le faire. Beaucoup de magasins fonctionnent encore de cette manière. C’est une estimation approximative, et ça fonctionne. Cependant, cette méthode semble rudimentaire, donc les gens essaient de l’améliorer. Ensuite, ils se heurtent à un problème - ils ont beaucoup de produits et ils réalisent que la personne qui examine la liste des produits ne réexaminera pas chaque produit tous les jours. Ainsi, nous avons besoin d’un mécanisme de priorisation de l’attention. Une façon de faire est de trier les produits du volume de ventes le plus élevé au plus bas. Vous pouvez commencer par le haut et descendre, en décidant de revoir les 10 premiers quotidiennement, la moitié de la liste chaque semaine et la liste complète seulement une fois par mois. C’est une chose que vous pourriez faire, et c’est à peu près l’essence de ABC. Mais ce qui est intéressant avec ABC XYZ, c’est que c’est essentiellement une variation de cela. C’est un mécanisme de priorisation de l’attention destiné aux humains.

Maintenant, à ce stade, je pense que nous devrions remettre en question le problème que nous essayons de résoudre. Nous avons commencé avec le problème de vouloir choisir la bonne quantité de stock à allouer, produire ou acheter. C’est quelque chose de très tangible et direct. Cependant, il semble que nous soyons passés de ce problème à un autre problème, qui consistait également à choisir le niveau de service, ainsi qu’à choisir les stocks de sécurité.

Ensuite, nous sommes entrés dans un autre problème qui est la priorisation de l’attention. Le schéma qui commence à émerger ressemble à ce qu’on appelle, en informatique, du “Yak shaving”. Vous vouliez faire quelque chose de très simple comme “Je veux passer de Windows 10 à Windows 11”. Mais ensuite, vous vous retrouvez à faire quelque chose qui semble sans rapport, comme ouvrir des ordinateurs, changer des écrous et des boulons dans les ordinateurs. Vous aviez un objectif très simple en tête, mais vous avez été détourné pour faire quelque chose qui n’est que tangentiellement lié à la tâche initiale.

C’est exactement ce que nous faisons ici avec notre problème d’optimisation des stocks. Nous avons commencé avec un problème qui était “Choisissons la bonne quantité à allouer, produire ou acheter”. Et maintenant, nous essayons de résoudre un problème beaucoup plus compliqué : “Comment devrais-je réellement organiser les informations à présenter à cet humain ?”

Cependant, c’est un problème très compliqué. Et il n’est absolument pas clair que résoudre ce problème soit la meilleure façon de répondre à notre question initiale. Par exemple, disons que nous avons deux chiffres et que nous voulons les additionner. Est-ce que je devrais vraiment penser à concevoir un système qui peut présenter les étapes intermédiaires à un humain pour vérifier que l’addition est correcte ? C’est des ordres de grandeur plus compliqué que de simplement concevoir un circuit pour faire l’addition.

Ma critique ici sur cette approche ABC XYZ est que nous sommes partis d’un problème qui semblait très compliqué. Il est en réalité assez compliqué. Nous avons essayé de décomposer ce problème, mais nous avons été détournés. Maintenant, nous essayons de résoudre un autre problème qui ressemble presque à de la psychologie empirique : comment organiser la bonne priorisation de l’attention pour les humains. Mais si vous allez utiliser un ordinateur pour résoudre ce problème en premier lieu, pourquoi avez-vous besoin de prioriser l’attention de l’humain ? Laissez simplement l’ordinateur résoudre le problème pour vous.

Conor Doherty: Si je peux vous pousser un peu plus loin là-dessus, car j’ai suivi, mais en tant que proxy pour le public, je comprends que l’analyse ABC est généralement basée sur le volume de ventes ou le chiffre d’affaires. Nous décomposons nos SKUs en trois catégories : A, B, C. XYZ est une deuxième dimension, généralement la variance de la demande. Et si j’ai bien compris, vous avez essentiellement rejeté la quantification de la variance de la demande comme une préoccupation secondaire. Pourriez-vous expliquer pourquoi ?

Joannes Vermorel: Nous avons commencé avec un problème qui était le suivant : nous voulons prendre la bonne décision en matière de stocks exprimée en quantité. Nous avons réalisé que si nous impliquons un être humain dans le processus, cet être humain a une capacité limitée à traiter l’information. Nous devons donc donner la priorité à cela. Si nous faisons simplement une priorisation de base en fonction du volume de ventes, nous obtenons ABC.

Une fois que nous avons cela, nous devons soutenir davantage cet opérateur humain en l’aidant à avoir une idée de ce qui serait le stock de sécurité et le taux de service appropriés pour chacune de ces lignes. Mais cela ne fait que décomposer le problème d’une manière adaptée à l’esprit humain pour le traiter.

Le XYZ consiste à ajouter une autre dimension qui va concerner le degré de bruit ou de variation parmi cette liste. Nous prenons donc les dix pour cent premiers vendeurs de nos produits, par exemple, et nous voulons diviser cette liste en segments qui représentent le degré de bruit ambiant pour chaque produit. Au lieu d’avoir simplement une liste de segments, vous avez une matrice. C’est ça, ABC XYZ.

Mais cela est fondamentalement quelque chose qui est très bien conçu comme une méthode pour l’esprit humain. La question que vous devriez vous poser est la suivante : si je veux qu’une machine gère le processus de bout en bout, est-ce que cette segmentation présente un avantage ? Est-ce que cela m’aide à résoudre le problème ?

Pas du tout. Les critiques feraient sans doute remarquer que en créant, de manière générale, une matrice de neuf catégories, vous pouvez identifier la variance et les SKUs qui contribuent le plus. Ensuite, vous pouvez définir des niveaux appropriés, comme combien de stock de sécurité je veux pour cela ? Quel est le niveau pour chaque SKU ? Il y a une variation entre AX et CZ, par exemple. Supposons un instant que ces deux dimensions sont informatives. Eh bien, d’un point de vue informatique, pourquoi considérer des segments discrets ? Pourquoi avoir une demi-douzaine de sous-groupes pour le volume et une autre demi-douzaine pour la variance ? Vous pourriez simplement utiliser les rangs pour classer les produits du volume de ventes le plus élevé au moins élevé. Vous pouvez avoir un nombre qui vous donne le rang exact parmi votre portefeuille pour le volume. Vous pouvez ensuite faire de même pour la variance.

Les rangs vous donnent strictement plus d’informations. Si vous regardez vos classes dans le sens ABC ou XYZ, la classe est simplement une approximation du rang. Cette approximation ne sert qu’à être plus digeste pour l’esprit humain. Mais d’un point de vue informatique, vous gardez simplement le rang. Le rang vous donne strictement plus d’informations. La classe est une représentation avec perte ; vous perdez beaucoup d’informations. Rien de bon ne résulte de cette perte d’informations.

Si nous disions que ces deux dimensions sont pertinentes, je ne dis pas qu’elles sont sans intérêt. Je dis simplement que, en ce qui concerne la décomposition dimensionnelle de votre problème, ces dimensions sont arbitraires. Il n’est pas très clair que c’est la meilleure façon de procéder. Si vous regardez simplement ces deux dimensions et que vous conservez les rangs, vous aurez quelque chose qui, en tant qu’indicateurs, créera une paire de rangs pour chaque produit. Cette paire de rangs est strictement plus informative que votre paire de classes.

Ce n’est pas seulement une méthode qui vient avec le volume et la variance qui sont intéressants ; elle est très bien conçue dès le départ pour que l’esprit humain soit le processeur de ces informations. Et c’est là que je remets en question - pourquoi voudriez-vous cela en premier lieu ? Nous avons des ordinateurs extrêmement puissants. Pensez-vous qu’il y a quelque chose qui nécessite que l’âme humaine prenne ces décisions en matière de stocks ?

Si nous regardons un magasin qui a 10 000 produits, toutes ces choses tournent tous les jours. Pensez-vous qu’il y a quelque chose pour la personne qui va passer, en moyenne, environ quatre secondes par produit ? Y aura-t-il quelque chose comme une étincelle de génie injectée là-dedans ?

Je ne remets pas en question le fait que l’esprit humain peut accomplir des choses incroyables lorsqu’il dispose de temps et de ressources. Si vous prenez un Albert Einstein et lui donnez des mois ou des années, il peut faire des choses incroyables, bien au-delà de ce que nous pouvons faire avec des machines. Mais ce n’est pas le contexte dans lequel nous opérons dans la supply chain. Les gens sont sous une pression immense pour simplement faire les choses.

Et donc, si nous regardons combien de secondes de puissance cérébrale vous pourrez allouer par SKU, en général c’est très peu. Pour la plupart des industries, il s’agira d’une question de secondes par SKU par jour. Nous avons discuté des catégories, mais nous n’avons pas discuté de la façon dont les catégories sont calibrées. C’est le résultat de plusieurs esprits humains, autant que je sache.

Mais si vous voyez que vous pouvez avoir les rangs et maintenant vous pouvez décider avec des percentiles que vous allez avoir une division, vous pouvez dire que la catégorie A va jusqu’au percentile 10. C’est le top 10 ou le percentile A est le top deux pour cent parce que lorsque vous tracez tous les produits du plus vendu au moins vendu, ce que vous obtenez est presque invariablement une courbe de Zipf, comme je l’ai mentionné dans l’une de mes conférences. Cette courbe est continue, sans plateaux ni divisions discrètes, elle est complètement lisse.

C’est comme si vous approximiez un cercle dans de vieux jeux vidéo où vous deviez approximer le cercle avec un polygone. Si vous faisiez un octogone, vous obtiendriez un cercle de basse résolution. En ajoutant plus de côtés, vous vous rapprochez visuellement d’un cercle. Si vous avez des milliers de côtés, vous obtenez quelque chose qui ressemble beaucoup à un cercle.

Mais ce que je vois ici, c’est comme si vous essayiez d’approximer un cercle avec un carré. Si vous avez quatre classes, vous approximez votre segment avec un carré. Si vous en avez cinq, vous aurez un pentagone et ainsi de suite. Plus vous ajoutez de classes, meilleure est votre approximation. Mais si vous supprimez complètement l’approximation, il ne vous reste que le rang de chaque produit.

Donc, je dirais, ne pas introduire de groupes, rester avec les rangs. Si vous supposez que le volume et la variance sont des dimensions utiles, ce que je remets en question, alors ces rangs vous donnent une version plus informative de ces deux dimensions. Tout mécanisme de regroupement que vous introduisez dégradera cette information.

Conor Doherty : Cela passe très facilement à la perspective du panier, ce qui m’intéresse beaucoup pour répondre à ce problème. Il traite les SKUs en combinaison plutôt qu’en isolation. Comment cela s’intègre-t-il dans cette conversation ?

Joannes Vermorel : Nous avons commencé par un problème simple, du moins simple dans son expression : choisir la bonne quantité de stock à allouer, produire, acheter ou sauvegarder. Nous avons été détournés par une méthode largement utilisée qui implique le taux de service et les stocks de sécurité, mais je remets vraiment en question la validité de ces méthodes.

La perspective du taux de service provient d’hypothèses historiquement simplistes sur la demande future, où nous prévoyons une erreur distribuée normalement autour de la demande, de même pour le délai de livraison. Cependant, l’incertitude n’est pas distribuée normalement, mais c’est un autre problème.

Une fois que nous avons notre distribution normale, qui est une gaussienne, nous choisissons un paramètre, le quantile qui donne le même effet que le taux de service. Cela me donnera une quantité cible que je devrais maintenir pour mon stock. Ce stock de sécurité est le résultat de la différence entre la moyenne et le quantile lorsque vous regardez une distribution unidimensionnelle.

Mais en raison du fait que c’est une distribution normale, elle va à l’infini dans les deux directions. Le modèle classique de stock de sécurité donne des résultats étranges, tels que des délais de livraison négatifs et des ventes négatives, qui sont très étranges mais font partie du modèle.

Cela signifie que vous pouvez choisir une valeur de taux de service qui peut vous donner n’importe quelle valeur de stock cible entre moins l’infini et plus l’infini, en fonction de la façon dont vous choisissez votre taux de service. Ce n’est pas théorique, c’est littéralement ce que les mathématiques vous disent. Donc, chaque fois que vous avez une gaussienne, vous choisissez votre quantile, et cela peut aller à n’importe quelle valeur finale, entre moins l’infini et plus l’infini.

Conor Doherty : Pouvez-vous expliquer le concept de taux de service dans la gestion de la supply chain ?

Joannes Vermorel : Lorsque l’on considère les taux de service, il est crucial de comprendre que la plage peut s’étendre de moins l’infini à plus l’infini. En effet, votre taux de service est identique à la quantité que vous décidez de réapprovisionner. Pour toute quantité que vous choisissez de réapprovisionner, il existe un taux de service correspondant compris comme une distribution normale. Ce n’est pas seulement une analogie ; c’est une équivalence mathématique. Pour chaque quantité dont vous avez connaissance, si vous avez un modèle de stock de sécurité, il y aura un taux de service correspondant dans ce cadre de distribution normale.

Maintenant, les gens pourraient être sous l’illusion que parce que le taux de service est exprimé en pourcentage, c’est plus simple ou plus facile. C’est une illusion. La seule chose légèrement bonne à ce sujet est qu’elle aide à normaliser l’échelle car tous vos produits ont des volumes et des viabilités variables. Exprimer votre quantité à allouer, à acheter ou à produire en tant que cible de taux de service la rend indépendante du volume et indépendante du biais. Cependant, c’est un argument faible.

Le terme “taux de service” peut être trompeur car les gens peuvent penser qu’un taux de service très élevé est toujours perçu positivement par les clients. C’est une méprise. Les mathématiques du modèle de stock de sécurité ne disent rien sur la satisfaction des clients. Les gens ont tendance à penser que s’ils visent un taux de service élevé, cela doit être bon pour les clients. Mais c’est un non sequitur complet.

Conor Doherty : Pouvez-vous expliquer davantage pourquoi cette perception du taux de service pourrait poser problème ?

Joannes Vermorel : Le problème découle de la notion naïve d’équivalence de la qualité de service avec un problème unidimensionnel. Cela aurait pu être vrai au XVIIIe siècle pour une boulangerie vendant un produit, comme le pain. Cette perspective unidimensionnelle existe toujours dans certains marchés de commodités.

Mais la plupart des chaînes d’approvisionnement modernes traitent de milliers, voire de dizaines de milliers de produits. Lorsque nous multiplions le nombre de références par le nombre de sites, nous pouvons facilement atteindre des dizaines de milliers, voire des centaines de milliers, voire des millions de références pour les grandes entreprises. Ce nombre important de références remet en question l’analyse unidimensionnelle.

Une différence de magnitude peut devenir une différence de nature. Les propriétés émergentes que vous obtenez lorsque vous avez des tonnes de produits sont très différentes de celles que vous aviez lorsque vous n’aviez qu’un seul produit.

Conor Doherty : Lorsque vous parlez de propriétés émergentes, pourriez-vous fournir plus de détails ? Cela semble être un détail important.

Joannes Vermorel : Oui, bien sûr. Un exemple de propriété émergente est la façon dont une molécule d’eau se comporte différemment en fonction de son état - qu’il s’agisse d’un gaz, d’un liquide ou d’un solide. Si vous vouliez expliquer tous les comportements que vous pouvez observer avec l’eau, cela prendrait des semaines ou des mois. Ce n’est pas aussi simple que de choisir une molécule et de l’expliquer en 30 minutes, ce qui pourrait être possible avec des lycéens. Le même principe s’applique lorsque vous traitez avec une multitude de références dans une chaîne d’approvisionnement, plutôt qu’une seule. Cela nécessite une analyse plus complexe.

Il y a un danger à penser que lorsque vous comprenez tout sur une molécule d’eau, vous savez tout sur l’eau elle-même. Ce n’est pas tout à fait exact. De même, lorsque vous dites : “J’ai un modèle qui explique un produit, et maintenant je peux expliquer ma chaîne d’approvisionnement qui est composée de nombreux produits”, je vous conseille la prudence. Il y a beaucoup de choses inconcevables dans votre configuration d’un seul produit. C’est juste un exemple simplifié qui ne reflète pas les véritables complexités de votre chaîne d’approvisionnement.

Même si nous ne considérons qu’un seul produit, il y a des variations dans le temps. Par exemple, si vous ne considérez qu’un seul produit isolément, son classement fluctuerait largement dans le temps. La plupart des produits ont un cycle de vie où ils commencent lentement, augmentent, atteignent un plateau, puis déclinent à un moment donné. Ainsi, ce modèle unidimensionnel, qui considère le volume des ventes comme s’il était statique, est incorrect. C’est dynamique, et c’est une autre dimension souvent négligée.

Une partie de la qualité de service est ce comportement dynamique dépendant du temps. Si nous prenons l’exemple d’une boulangerie, les clients s’attendent à trouver du pain tous les jours. Toute rupture de stock est une violation de ce contrat social.

Au contraire, si vous êtes une boulangerie peu fiable qui n’a du pain qu’un jour sur deux, mais que votre pain est beaucoup moins cher que la concurrence, les clients pourraient quand même être satisfaits de vous. Ils ont une attente intégrée de votre service.

La qualité de service n’est pas quelque chose qui se trouve dans votre chaîne d’approvisionnement - elle se trouve fondamentalement dans l’esprit de vos clients. Tout le monde ne sera pas d’accord là-dessus, donc c’est incohérent. Si nous commençons à agréger ces attentes, cela peut être trompeur.

Lorsque nous ajoutons plusieurs produits à l’équation, une autre dimension entre en jeu. Si les clients veulent plusieurs produits, nous devons vérifier s’ils peuvent trouver une combinaison qui a du sens pour eux. Une erreur courante est de supposer que si tous mes produits ont un taux de service de 100%, alors toutes les combinaisons de produits auront également un taux de service de 100%. Cela est vrai uniquement si vous ne manquez jamais de stock, ce qui est presque impossible.

Lorsque vous commencez à examiner la probabilité de disponibilité ou d’indisponibilité des combinaisons de produits, vous obtenez une perspective très différente de ce qu’un simple modèle de stock de sécurité/taux de service peut vous donner.

Juste pour illustrer cela, prenons l’exemple d’un supermarché qui a un taux de service de 95% pour tous ses produits, ce qui est plutôt bon. En Europe, il y a en moyenne 7% de rupture de stock en rayon, donc un taux de service de 95% est assez bon. Si vous avez un client qui veut 20 produits, ce qui n’est même pas un grand panier en général, la probabilité qu’au moins l’un de ces produits manque est probablement élevée. Je devrais faire les calculs, mais en supposant une disponibilité indépendante, vous avez probablement moins de 10% de chances de tout trouver.

Ainsi, nous partons de ce qui semble être très bon d’un point de vue stock de sécurité et demande, donnant l’impression d’un taux de service de 95% ou plus. Mais du point de vue du client, probablement moins de 10% des clients qui entrent dans le magasin trouveront exactement ce qu’ils cherchaient. Ces deux choses peuvent être vraies en même temps. Vous pouvez avoir un taux de service de 95% ou plus, et pourtant moins de 10% de vos clients repartiront du magasin satisfaits.

Que dire des produits que vos clients attendent mais qui ne font pas partie de votre assortiment ? Le taux de service est aveugle à cet égard. S’il y a un produit très demandé mais que vous ne l’avez tout simplement pas, cela ne sera pas considéré comme une rupture de stock ou un taux de service de zéro pour cent - il ne sera tout simplement pas compté du tout.

Par exemple, si je pousse à l’extrême et imagine un magasin rempli de produits que personne ne veut, ce magasin a, par définition, un taux de service de 100%. Personne ne veut ces produits, mais ils sont exposés, donc vous avez un taux de service parfait. Plus vous avez de produits que personne ne veut, meilleur est votre taux de service. C’est un problème complètement mécanique, un problème avec ces modèles mathématiques.

Nous devons être très prudents, surtout lorsque ces modèles ont des noms qui semblent positifs comme “Stock de sécurité”. Il y a une transition non sequitur où les gens supposent que parce que c’est un modèle mathématique qui a un bon nom, il doit être bon pour les clients, mais c’est un saut injustifié.

Conor Doherty: Pour résumer ce que vous avez dit, il est crucial de comprendre notre critique d’ABC XYZ d’un point de vue panier. Les clients n’ont tendance à ne pas acheter de manière isolée. Ne pas avoir accès à un certain SKU peut les amener à quitter le magasin sans rien acheter, même les autres articles de haute qualité. Cela signifie que le magasin perd toutes les ventes potentielles, pas seulement le SKU individuel.

Joannes Vermorel: Oui, et si nous revenons à l’intention originale, ABC XYZ est censé être un mécanisme de décision de priorité d’attention pour les humains. Mais est-ce un bon mécanisme pour prioriser l’attention ? Je dirais absolument pas. En tant que mécanisme de priorisation, c’est médiocre - cela ne met en évidence rien de vraiment pertinent.

Et bien que je ne sois pas un grand fan de DDMRP, je concède que en tant que mécanisme de priorisation de l’attention, la façon dont DDMRP définit les buffers et priorise les produits par rapport à la divergence des buffers cibles a plus de sens que ABC XYZ. Au moins, c’est à moitié décent à cet égard. ABC XYZ ne l’est pas.

Conor Doherty: Y a-t-il un moyen de concilier ABC XYZ en tant qu’outil de priorisation de l’attention avec ces préoccupations que nous venons de décrire, en particulier le point de vue du panier ?

Joannes Vermorel: Non, il n’y en a pas. Vous commencez avec une série de mauvaises prémisses. Tout d’abord, vous dites que vous voulez avoir un humain dans la boucle, ce que je conteste. Ensuite, vous faites une deuxième erreur avec un modèle mono-produit, mono-SKU avec une distribution normale intégrée. C’est très mauvais. Cela conduit à des résultats catastrophiques. Ensuite, si vous faites une autre hypothèse erronée en ayant une discrétisation de votre espace, cela n’ajoute aucune information, cela perd en réalité de l’information. Nous avons été détournés par des tensions qui ne font que s’aggraver.

Maintenant, nous réalisons que nous avons accumulé de nombreux défauts. Nous essayons de réparer cela avec ce qui pourrait être comparé à du ruban adhésif, en réintroduisant des variables qui nous donnent ABC XYZ. Nous pourrions essayer de trouver d’autres moyens de corriger la méthode, mais en réalité, nous allons dans la mauvaise direction. Chaque étape supplémentaire que vous prenez n’ajoute que plus de ruban adhésif. Ce n’est pas une bonne ingénierie.

Le processus que vous mettez en place n’est tout simplement pas très bon. Ajouter plus de correctifs ne le rendra pas meilleur. La seule solution est de revenir en arrière et de revoir les hypothèses qui ont été faites. Sont-elles vraiment valables ? Si ce n’est pas le cas, vous devriez reconsidérer entièrement l’approche que vous adoptez.

Si nous revenons à notre point de départ, nous avons commencé avec un problème tangible - prendre des décisions pour les stocks. Mais tout au long de notre parcours pour aborder le problème, nous avons fait beaucoup d’hypothèses, et maintenant nous sommes confrontés aux conséquences de ces erreurs. Une fois que vous avez fait beaucoup d’erreurs, vous ne pouvez pas simplement faire une deuxième preuve pour résoudre votre problème.

C’est similaire à lorsque vous demandez à un mathématicien si une deuxième preuve peut corriger une fausse preuve. La réponse est non. Vous ne pouvez pas résoudre votre problème avec une deuxième preuve. La seule façon est de rejeter votre preuve incorrecte, refaire le travail, et alors vous pouvez avoir un chemin correct. C’est la même chose avec les logiciels. Si vous avez des hypothèses incorrectes, vous ne pouvez pas les corriger par la suite. Vous devez revenir au point où vous avez commis une erreur, la corriger, et ensuite continuer sur votre chemin.

De nombreuses entreprises ont construit des pratiques entières sur des hypothèses incorrectes. En raison du fait que les chaînes d’approvisionnement sont très opaques et complexes, les gens peuvent opérer pendant des décennies sans réaliser de meilleures pratiques.

Il n’y a que 20 ans que nous disposons de machines informatiques suffisamment capables pour automatiser à moindre coût les décisions de la chaîne d’approvisionnement. Les ordinateurs modernes, suffisamment puissants pour gérer la complexité d’une chaîne d’approvisionnement moderne, ne sont pas là depuis toujours. Ils existent depuis relativement longtemps, mais pas depuis des siècles. Pour de nombreuses grandes entreprises qui gèrent des chaînes d’approvisionnement, cette automatisation n’est devenue possible que depuis 20 ans.

Pour vous donner un point de comparaison, il a fallu environ 40 ans aux États-Unis et en Europe pour passer des entreprises qui produisaient leur propre électricité à l’achat d’électricité auprès du réseau. L’adoption d’une technologie peut être un processus lent. À la fin du XIXe siècle et au début du XXe siècle, tant en Europe qu’aux États-Unis, il a fallu environ 40 ans pour passer de la production d’électricité en interne à son achat auprès du réseau.

Donc, en termes d’échelle de temps, le développement de machines capables d’effectuer tous ces calculs sans intervention humaine à chaque étape du processus est encore assez récent.

Conor Doherty: Revenons un peu en arrière. Vous avez parlé de l’approche statique d’ABC et, par extension, d’ABC XYZ. Pouvez-vous développer un peu ces deux approches, ou d’autres approches alternatives, pour les modèles de demande ?

Joannes Vermorel: Eh bien, nous classifions nos produits selon deux dimensions - la moyenne, ou le volume des ventes, et la variance. Mais ce sont encore des abstractions. Ce n’est pas réel. Il n’y a pas de volume de ventes instantané. Ça n’existe pas. C’est la différence entre des décisions tangibles, comme déplacer 10 unités, et dire : “Ces produits, en moyenne, se vendent à 0,5 unité par jour”. Ça n’existe pas. La seule chose que vous pouvez dire, c’est qu’au cours des deux dernières semaines, vous avez vendu environ sept unités, ce qui correspond à environ 0,5 unité par jour.

Conor Doherty: Comment évaluez-vous ce volume en termes de gestion de la chaîne d’approvisionnement ?

Joannes Vermorel: Ce volume et cette variance sont des indicateurs statistiques. La question est de savoir dans quelle mesure ils sont stables dans le temps. Nous avons effectué de nombreux tests chez Lokad, et nous avons constaté que pour la plupart des entreprises, même lorsque nous ne regardons que l’analyse ABC, une partie significative des produits changera de catégorie d’un trimestre à l’autre. Si vous allez dans quelque chose de plus précis, comme par mois, le nombre de produits qui changeraient de catégorie augmenterait considérablement.

Conor Doherty: Donc, il y a des problèmes avec cette méthode de classification ?

Joannes Vermorel: Oui, le problème de la classification, en particulier lorsque vous vous plongez dans l’analyse ABC ou XYZ, c’est que vous multipliez le nombre de changements de catégorie de produits. Si vous doublez le nombre de catégories, vous verrez entre 80 et 90 pour cent des produits changer de catégorie d’un trimestre à l’autre. Cela ne fournit pas d’informations précieuses sur votre entreprise ; c’est simplement du bruit.

Ces indicateurs étaient un peu bidons car ils créent une illusion de modèle. Cela peut sembler scientifique, mais c’est essentiellement vendre une illusion. Organiser les produits sur une matrice peut sembler mathématique, mais ce ne sont que des rangs arbitraires déterminés par un comité.

Par exemple, lorsque vous classez les personnes en riches, moyennes, classe moyenne et pauvres, vous traitez avec un spectre continu. Vos seuils sont complètement arbitraires. Ce même problème existe lorsque vous classez vos produits.

Conor Doherty: Alors, quelle est votre perspective sur une approche probabiliste ?

Joannes Vermorel: L’approche probabiliste est difficile à comparer car c’est un changement de paradigme complet. La première différence majeure est de savoir si nous avons besoin d’humains dans la boucle ou non. La Supply Chain Quantitative dit non. Nous voulons avoir le meilleur que le matériel informatique et les logiciels modernes peuvent offrir pour la supply chain. Que cela implique des humains ou non est relativement accidentel.

Donc, que la supply chain implique des humains ou non est quelque peu accidentel. Les prévisions probabilistes sont très intéressantes à cet égard car elles fournissent une énorme quantité d’informations. Nous sommes passés des classes, qui perdent beaucoup d’informations, aux rangs, qui donnent une mesure ponctuelle. Mais les prévisions probabilistes offrent un autre type de précision. Au lieu d’un indicateur ponctuel, nous embrassons l’incertitude, représentant l’incertitude ambiante que nous avons sur le système. Pourquoi cela importe-t-il ? Les ordinateurs n’ont pas les goulots d’étranglement de l’esprit humain et peuvent traiter de grandes quantités d’informations. Cette méthode permet de collecter beaucoup plus d’informations sur votre système, votre supply chain, vos produits, et plus encore, par rapport aux indicateurs ponctuels.

Oui, c’est une façon de le voir d’un point de vue informatif, ce que vous avez collecté en termes d’informations pures sur votre situation. Un autre angle pour envisager les prévisions probabilistes est celui de la gestion des risques. Nous devons finalement relier notre décision à une sorte d’analyse des risques. Nous faisons toute cette optimisation des stocks pour décider des quantités de stocks que nous voulons allouer, produire et acheter. La logique derrière ces décisions devrait être en termes d’erreurs et de récompenses en euros ou en dollars.

N’oubliez pas, la mission d’une entreprise est d’être rentable. Oui, il y a beaucoup d’autres choses pour lesquelles une entreprise devrait s’efforcer, mais sans profit, l’entreprise cessera d’exister. Pour les entreprises qui opèrent des supply chains, les marges sont minces et la survie n’est pas garantie. De nombreuses grandes entreprises font faillite chaque année. Par conséquent, nous devons évaluer les décisions en termes d’euros et de dollars.

Ainsi, les prévisions probabilistes fournissent plus d’informations sur le système, mais elles ouvrent également la voie à des mécanismes qui vous permettent de relier votre vision financière à votre anticipation de l’avenir. Cela permet un ensemble plus riche d’informations et fournit des méthodes adaptées pour exprimer la qualité de vos décisions en euros et en dollars.

D’autre part, des méthodes comme ABC XYZ sont quelque peu une impasse. Elles ne fournissent pas de moyen efficace de combler l’écart entre ces mesures et le résultat financier souhaité. Vous pouvez toujours concevoir des solutions de contournement complexes, mais ces méthodes seraient mieux remplacées par quelque chose qui contourne complètement la matrice ABC XYZ.

Conor Doherty: Certaines personnes soutiennent que vous pourriez exploiter l’IA ou l’apprentissage automatique pour combler l’écart que vous venez de décrire. Elles suggèrent que l’IA pourrait appliquer efficacement un “gros morceau de ruban adhésif” aux mesures ABC XYZ pour accomplir ce que vous dites.

Joannes Vermorel: Vous sous-entendez que nous avons une méthode qui génère une matrice inadaptée à l’objectif, ce qui donne une entrée de mauvaise qualité. Nous essayons ensuite de relier cela à notre véritable objectif. Cependant, le signal d’entrée est tellement défectueux que nous aurions besoin d’une solution de contournement incroyablement sophistiquée pour combler cet écart. Ce n’est ni efficace ni efficace. Souvent, on parle de cette approche comme d’une approche de “ruban adhésif sur stéroïdes” où l’objectif est de connecter quelque chose de suboptimal à une sortie et de combler cet écart à l’aide d’analyses avancées. C’est un peu comme dire : “Ma voiture est trop lente, construisons un moteur d’avion sur le toit de ma voiture parce que ma voiture est trop lente.” Bien que cela puisse rendre votre voiture plus rapide, ce n’est pas la bonne solution. C’est une ingénierie trop compliquée.

Si votre voiture n’est pas assez rapide, peut-être devriez-vous reconsidérer si le moteur qu’elle a est assez puissant ou peut-être y a-t-il simplement trop de poids dans la voiture en raison des choses que vous avez mises dedans. La solution ne devrait pas toujours être additive. Par exemple, fixer un moteur d’avion sur le toit d’une voiture pour la rendre plus rapide n’est pas une ingénierie sensée.

Les humains ont énormément de mal à relier la valeur de ces mesures aux coûts associés. Cela conduit souvent à l’invocation de superpouvoirs analytiques tels que l’IA ou l’apprentissage automatique. Ceux-ci sont souvent considérés comme magiques, comme si on invoquait un demi-dieu de l’analyse des données pour accomplir quelque chose de presque magique pour nous.

Bien qu’il y ait des cas où ces méthodes avancées peuvent fonctionner, je soutiendrais que c’est une complexité inutile. C’est comme créer un dispositif beaucoup trop compliqué pour son propre bien. L’ingénierie de qualité consiste à créer des choses simples et maintenables, pas aussi compliquées que possible.

Si vous introduisez une complexité excessive, vous pourriez passer plus de temps à déboguer un algorithme d’apprentissage automatique super avancé que vous comprenez à peine au lieu de vous concentrer sur des problèmes basiques. Par exemple, votre supermarché pourrait ne pas proposer la marque de couches que les parents veulent. Les nouveaux parents pourraient partir de votre magasin parce qu’ils ne voient pas la marque qu’ils attendent, et votre analyse du taux de service ou votre système d’IA ne vous le dira pas.

Conor Doherty: Pour conclure, que diriez-vous aux personnes qui sont encore partisanes d’ABC XYZ mais qui sont ouvertes à être poussées vers la prochaine étape ?

Joannes Vermorel: Je leur conseillerais de revoir leurs hypothèses et de remettre en question leurs visions qui sous-tendent leurs exigences. Ne vous laissez pas tromper par l’argument de la tradition. Ce n’est pas parce que quelque chose a été fait pendant des décennies que cela reste pertinent. Il y a deux siècles, le travail numéro un à Paris était de transporter de l’eau dans des seaux. Ce n’est évidemment plus le cas aujourd’hui.

Lorsque quelque chose a été fait depuis toujours, cela avait probablement une certaine valeur dans certaines conditions. Il ne devrait pas être rejeté sans une réflexion approfondie. Mais les hypothèses sous-jacentes à la méthode doivent être revues. Lorsque je parle à des personnes qui promeuvent ABC XYZ, je les encourage à remettre en question les hypothèses sous-jacentes à la méthode. Je ne dis pas que la méthode est fausse, mais plutôt que le raisonnement et la vision qui sous-tendent la méthode peuvent être erronés ou obsolètes. C’est sur cela que vous devriez vous concentrer.

Conor Doherty: Eh bien, si je peux ajouter une petite réflexion à cela, je dirais personnellement qu’en termes de tolérance à l’ambiguïté, deux choses apparemment contradictoires peuvent être vraies simultanément. Par exemple, peut-être avez-vous utilisé ABC ou ABC XYZ pendant des décennies et cela a fonctionné pour vous. Cela peut être vrai, mais cela ne dit rien de la déclaration selon laquelle il existe de meilleures méthodes. Cela ne parle pas réellement de la justesse de la méthode. Ainsi, deux choses peuvent être vraies simultanément et pour certaines personnes, cela peut être difficile à comprendre.

Joannes Vermorel: Je comprends cela. C’est une confusion de facteurs et c’est partout. Parce que la réalité est que lorsque vous dites que ABC ou ABC XYZ a fonctionné pour vous, je remets cela en question. ABC XYZ ne vous donne pas les quantités de réapprovisionnement finales. Le problème est qu’il y a d’autres étapes après cela pour y arriver et il peut y avoir des tonnes de jugements humains impliqués. Nous avons commencé avec l’idée d’avoir simplement le responsable du magasin qui regarde une seule feuille de calcul, mon volume de ventes, et que dois-je choisir pour mes produits. Ensuite, nous insérons cela au milieu de cette matrice. Mais si votre processus consiste à créer une matrice sophistiquée, à faire semblant d’être un scientifique, à paraître intelligent devant vos collègues, puis à jeter la matrice et revenir à vos anciennes méthodes, vous pourriez très bien finir par dire que cela a très bien fonctionné pour vous.

Cela pourrait donner à votre collègue une justification, cela pourrait vous donner une sorte d’illusion, une illusion de votre propre travail sur la question de savoir si cette partie de votre travail contribuait réellement à quelque chose. En fin de compte, nous faisions quelque chose de complètement différent pour arriver à la seule décision qui compte, qui est la décision finale en matière de stocks. Étant donné que les chaînes d’approvisionnement sont très complexes et opaques, vous pouvez faire beaucoup de choses entre les deux qui ne servent à rien et qui semblent servir à quelque chose de grand.

Si vous regardez autour du monde, il y a beaucoup de tribus primitives qui ont des rituels pour invoquer la pluie. Je ne pense pas qu’il y aurait beaucoup de gens de nos jours qui diraient que danser pour la pluie aura un impact sur le temps et améliorera le rendement de vos cultures. Mais les gens diraient : “Nous avons dansé pour le temps pendant des milliers d’années, puis il y a eu de la pluie, et puis nous avons eu une bonne récolte.”

Oui, c’est vrai, mais peut-être qu’il y avait des étapes dans ce que vous faisiez qui étaient tout simplement inutiles. En fin de compte, c’est ce que vous devez vraiment évaluer. Cette étape contribue-t-elle vraiment autant que vous le pensez à la qualité de la décision finale, qui est une décision tangible, et non aux sortes d’artefacts que vous créez en cours de route ? Y a-t-il des méthodes alternatives qui seraient meilleures ? Parce qu’en fin de compte, si vous avez quelque chose qui fonctionne pour vous au sens où cela fonctionne du tout, nous en revenons à transporter de l’eau dans des seaux. Cela fonctionne certainement, mais il existe des alternatives qui sont énormément meilleures.

Conor Doherty: Eh bien, c’est exactement ce que je voulais dire. Les deux choses peuvent être vraies simultanément. Vous pouvez transporter de l’eau dans un seau, mais en même temps, vous pouvez aussi la transférer dans un bateau ou tout autre chose de significativement plus grand, c’est ce que je veux dire. Mais encore une fois, deux choses peuvent être vraies simultanément, et reconnaître qu’il y a souvent une ambiguïté entre les concepts ou la confusion dont vous parlez souvent peut être difficile pour les gens.

Joannes Vermorel: Oui, et c’est exactement ce que vous devez changer. Lorsque les gens disent : “Ça a marché pour moi”, concernant ces pratiques que je vois dans la supply chain, vous devez vraiment remettre en question ce qu’ils entendent par “ça a marché pour moi”. Qu’est-ce que cela signifie ? Ce n’est pas une affirmation fausse en soi, mais si tout ce que vous avez à dire, c’est que “c’était un peu juste”, ce n’est pas suffisant.

Dans une supply chain moderne et distribuée où votre perception humaine est très limitée, vous pourriez dire que la validité de cette affirmation “ça a marché pour moi” n’est absolument pas la même si vous traitez d’un petit système d’un côté, ou d’une supply chain super complexe que vous ne pouvez pas observer dans son intégralité. Encore une fois, s’il y a un responsable de magasin qui gère une étagère et qui dit : “Vous savez quoi, ça a l’air bien pour moi. Je regarde cette étagère et je dis que c’est exactement ce que mes clients veulent”, je ferais confiance à votre jugement. Parce que c’est quelque chose qui est devant vous, vous avez une idée du système. Vous pouvez vous mettre à la place de vos clients. Vous utilisez votre empathie, regardez ça. Vous avez toutes les informations pertinentes juste devant vous. Vous pouvez porter un jugement de valeur et ce jugement est très probablement relativement raisonnable, en supposant que cette personne est de bonne foi et tout ça. Maintenant, est-ce le genre de situation auquel vous êtes confronté dans les supply chains ?

Je dirais que généralement pas du tout. La situation typique de la supply chain, c’est que vous êtes un employé de bureau à mille kilomètres de l’endroit où les marchandises vont être expédiées et consommées. Vous ne regardez pas l’étagère, vous regardez un tableau Excel. Vous avez des dizaines de produits dont vous n’avez vu que les codes produits. La plupart du temps, vous n’avez jamais vu les produits en vrai. Et même si vous en avez vu certains, vous n’en avez certainement pas vu tous. Vous servez des clients que vous n’avez jamais vus, et les données sont présentées à partir d’un système super complexe que vous comprenez à peine, comme votre ERP et tout ça. Votre rationalité, c’est que vous essayez d’utiliser votre propre rationalité humaine pour faire face à quelque chose qui n’est qu’une infime partie de l’image.

Je remets vraiment en question le fait de dire que ça a marché. Je pourrais utiliser mon propre jugement pour vous dire que ça a marché. Vous savez, si c’est quelque chose de très localisé, où vous voyez tout, je dirais : “Oui, peut-être que vous ne pouvez pas m’expliquer pourquoi ça marche, mais je fais confiance à votre jugement.” Si vous regardez quelque chose qui ne représente même pas un pour cent du total, et que vous me dites que ça a marché, je dis non. Vous ne le voyez pas, c’est juste que cela fait ce que vous avez l’habitude de voir pour ce pour cent. C’est à ce moment-là que vous dites que ça a marché. Vous dites simplement que ce que vous avez devant les yeux ne dévie pas par rapport à ce à quoi vous avez l’habitude de voir pour ce pour cent du puzzle que vous regardez.

Conor Doherty: Joannes, je pense que nous avons couvert énormément de terrain aujourd’hui et je n’ai pas d’autres questions. Merci beaucoup pour votre temps et merci beaucoup de nous avoir regardés. À la prochaine.