00:00:00 Introduction à l’interview
00:01:46 L’impact de la précision des prévisions sur le profit
00:03:25 Définir la précision dans les prévisions
00:07:36 Évaluer avec un instrument quantitatif
00:09:35 Les séries temporelles comme une mesure
00:11:16 La demande exprimée au niveau du panier
00:13:22 L’analogie de la prévision par séries temporelles
00:15:17 Les limites des séries temporelles dans le contexte des aliments périssables
00:18:51 Les séries temporelles qui ne reflètent pas l’essence de l’entreprise
00:21:41 Mention de la valeur ajoutée des prévisions
00:24:47 Discussion sur la précision des prévisions en tant que KPI
00:27:55 L’accent mis par l’industrie de la mode sur la création de désirs
00:30:35 Transition vers la discussion sur l’industrie aérospatiale
00:33:05 L’approche probabiliste de Lokad
00:36:22 Exemple de vente de sacs à dos et de décisions futures
00:39:34 L’offre précède la demande, exemple de l’iPhone
00:42:37 Différence entre Lokad et d’autres entreprises
00:46:13 L’approche de résolution de problèmes de Lokad
00:49:11 Désaccord avec les perspectives supply chain courantes
00:51:49 Transition vers les questions du public
00:54:06 La planification ne reflète pas la compréhension de l’entreprise
00:57:35 La définition académique de la précision est sans pertinence
01:00:01 Question sur la précision des prévisions et son exécution
01:03:38 Question sur la communication inter-départementale et les silos
01:06:15 Exemple d’un distributeur B2B d’équipements électriques
01:09:34 L’analyse des paniers est plus répandue en B2B
01:12:30 Mesurer la précision des prévisions
01:15:02 Remise en question du titre de la vidéo
01:17:10 L’analogie de l’ablation d’un cancer
01:20:32 Les tableurs secrets des managers
01:23:03 La réponse de Joannes à la question
01:25:00 Question sur la prévision par séries temporelles dans la structure des prévisions
01:27:05 Question sur l’enseignement par les universités des méthodes de prévision traditionnelles
01:30:54 SNOP pour l’alignement de l’entreprise
01:33:23 Expérience pendant les confinements sans le département de planification
01:36:12 Discussion sur la transformation de l’entreprise
01:39:10 La Grande Illusion en supply chain
01:42:13 La précision illustrant exactement une mentalité erronée
01:42:49 Fin de l’interview
Résumé
Joannes Vermorel, CEO de Lokad, critique la compréhension traditionnelle de la précision des prévisions dans la gestion de la supply chain, arguant que cela ne reflète pas l’essence même d’une entreprise. Il suggère que les prévisions basées sur les séries temporelles, qui sont couramment utilisées, sont excessivement simplistes et ne représentent pas avec exactitude l’avenir pour les besoins de la supply chain. Vermorel propose une approche différente, axée sur la fidélité quantitative à l’essence d’une entreprise. Il critique la focalisation sur des améliorations incrémentales et suggère que les entreprises devraient chercher des solutions plus simples et meilleures. Vermorel souligne l’importance de comprendre l’essence du problème et de produire des énoncés quantifiables qui ont du sens pour l’entreprise.
Résumé détaillé
Dans une conversation entre Joannes Vermorel, CEO de Lokad, et Conor Doherthy, le sujet de la précision des prévisions et de son rôle dans la planification de la demande a été exploré. Vermorel, entrepreneur en logiciels français, a remis en question la compréhension traditionnelle de la précision des prévisions dans la gestion de la supply chain, un concept profondément ancré dans l’industrie depuis les années 1920. Il a soutenu que, bien que la précision des prévisions soit directement liée au profit dans la spéculation boursière, ce modèle ne s’applique pas à la gestion de la supply chain car il n’existe pas de corrélation directe entre la précision des prévisions et la rentabilité.
Vermorel a proposé deux façons de définir la précision : la méthode conventionnelle et la méthode Lokad. Selon lui, la définition conventionnelle est une prévision basée sur les séries temporelles, une prévision périodique avec des intervalles égaux. Cependant, Vermorel a critiqué cette approche pour avoir fait d’importantes hypothèses, telles que la symétrie entre le passé et le futur, la localité des mesures, et l’agnostisme vis-à-vis de l’environnement informatique ou logiciel. Il a soutenu que les séries temporelles constituent un modèle excessivement simpliste qui ne représente pas fidèlement l’avenir pour les besoins de la supply chain.
En prenant l’exemple d’un supermarché, Vermorel a illustré que les prévisions basées sur les séries temporelles ignorent d’importantes relations entre les produits. Il a argumenté que ces prévisions sont aveugles à des dimensions essentielles et ne reflètent pas la structure du futur. Il a suggéré que ces prévisions peuvent être suffisantes pour les petites entreprises, mais pas pour les grandes sociétés opérant dans des supply chains complexes.
Vermorel a également critiqué la focalisation des manuels de gestion de la supply chain sur les séries temporelles pour mesurer la précision, arguant que cela ne reflète pas l’essence même d’une entreprise. Il a souligné que les supermarchés sont conçus pour vendre des paniers d’articles, et non des produits individuels. Il a remis en question la logique d’utiliser des outils prédictifs qui examinent les produits isolément alors que les supermarchés sont conçus pour que les clients achètent de nombreux articles en une seule fois.
Vermorel a également abordé la complexité de la demande, en utilisant la périssabilité comme exemple. Il a expliqué que si la moitié du stock d’un magasin périt le lendemain, le magasin ne dispose pas réellement de 50 unités en stock. Il a également mentionné que les clients peuvent choisir les produits dotés de la plus longue durée de conservation, ce qui peut influencer l’urgence de vendre certains articles.
Vermorel a soutenu que les séries temporelles ne peuvent pas refléter avec précision des schémas importants tels que les paniers et les articles périssables dans un supermarché. Il estime que la précision des séries temporelles ne reflète que son propre paradigme, raison pour laquelle Lokad s’écarte de cette approche.
Vermorel a également critiqué des solutions mathématiques qui sont techniquement correctes mais impraticables dans le monde réel. Il a reconnu que des critiques pourraient soutenir que les outils basés sur les séries temporelles fonctionnent en pratique, malgré ses critiques. Vermorel a noté que des fournisseurs prétendent depuis 45 ans que leurs outils fonctionnent, en promettant d’automatiser tout ce qui concerne la supply chain. Il a soutenu que, malgré ces affirmations, tout est encore réalisé à l’aide de tableurs.
Vermorel estime que le problème fondamental réside dans le fait que la perspective des séries temporelles est erronée et ne correspond pas à la structure du problème. Il a critiqué la vision unidimensionnelle du futur offerte par les séries temporelles. Lorsqu’on lui a demandé ce qu’il fallait rechercher à la place de la précision des prévisions en tant que KPI, Vermorel a suggéré que l’objectif devrait être de produire des énoncés quantitatifs sur l’avenir qui aient du sens pour l’entreprise.
Vermorel a conclu que les séries temporelles se trompent presque invariablement pour la plupart des entreprises. Il a comparé l’essai d’adapter un modèle mathématique à une structure inappropriée à celui d’essayer d’insérer une forme ronde dans un trou carré. Il a suggéré qu’il existe de nombreuses autres manières d’aborder le problème, en fonction de l’entreprise.
Vermorel a donné des exemples de différents modèles commerciaux, comme les supermarchés et les entreprises de mode, et a montré comment les séries temporelles ne font pas sens pour eux. Il a soutenu que pour penser au futur, il faut prendre en compte les « halos de désirs », qui ne correspondent pas à la vision des séries temporelles.
Vermorel a également abordé l’industrie aérospatiale, où la consommation de pièces est déterminée par le cycle de vie des aéronefs. Il a conclu que l’utilisation des séries temporelles est une approximation grossière pour tout secteur d’activité. Il a comparé l’utilisation des séries temporelles à l’approximation d’une vache par une sphère, affirmant que c’est une mauvaise approximation pour des situations réelles.
Vermorel a également discuté des problèmes qu’il constate avec l’approche traditionnelle de la gestion de la supply chain, qui suppose que le passé est le reflet exact du futur. Il a soutenu que ce n’est pas le cas, en particulier dans la supply chain où les décisions futures n’ont pas encore été prises et sont influencées par divers facteurs, y compris les décisions des concurrents.
Vermorel a utilisé l’exemple de la vente de sacs à dos pour illustrer son propos. Il a expliqué que le nombre de variantes qu’une entreprise introduit peut avoir un impact significatif sur la demande future. Il a soutenu que l’approche traditionnelle, qui consiste à décider d’abord de l’assortiment puis à établir une prévision, est dénuée de sens, car la demande n’est pas figée et est influencée par les décisions de l’entreprise.
Vermorel a en outre expliqué que les entreprises influent sur leur demande en introduisant des produits sur le marché, ce qui génère ensuite une demande pour ces produits. Doherthy a évoqué la pratique de la valeur ajoutée des prévisions, où les informations de différents départements sont utilisées pour réviser la prévision. Vermorel a critiqué cette pratique, arguant qu’elle est souvent une simple manière de justifier des intuitions avec des chiffres et n’apporte pas de contribution réelle au processus de prise de décision.
Vermorel a expliqué que Lokad utilise des recettes numériques plus polyvalentes et non limitées aux modèles de séries temporelles. Il a discuté de l’importance de formuler une affirmation fidèle à l’avenir de l’entreprise et en adéquation avec ce que celle-ci cherche à accomplir. Vermorel a souligné l’importance de comprendre l’essence de l’entreprise et de concevoir un modèle à partir de celle-ci.
Vermorel a critiqué la perspective exprimée dans la plupart des ouvrages sur la supply chain qui négligent les spécificités des différents secteurs. Doherthy a demandé à Vermorel comment il répond aux grandes entreprises prospères qui sont en désaccord avec ses opinions. Vermorel a argumenté que les entreprises n’ont pas d’opinions, seules les personnes qui y travaillent en ont. Il estime que de nombreux dirigeants de grandes entreprises seraient d’accord avec ses points de vue, car ils se sentent souvent frustrés par l’approche traditionnelle de la planification.
Vermorel a soutenu que la définition académique de la précision des prévisions est défectueuse car elle repose sur un paradigme de prévision basé sur les séries temporelles, ce qu’il juge erroné. Il a suggéré que l’approche de Lokad, qui se concentre sur la fidélité quantitative à l’essence d’une entreprise, est plus précieuse.
Vermorel a accepté le point de vue d’un spectateur concernant l’acceptation de l’incertitude par le biais de prévisions probabilistes, mais il a également souligné la nécessité de dépasser une pensée unidimensionnelle et de prendre en compte les décisions futures qui n’ont pas encore été prises.
Vermorel a expliqué qu’une prévision n’est qu’un ingrédient et n’a pas de valeur en soi. Il est d’accord avec l’idée que la valeur d’une prévision ne peut être évaluée que par son exécution dans la supply chain. Il a également mis en garde contre le partage excessif de KPI entre les équipes, arguant que cela ne crée pas nécessairement de valeur pour l’entreprise.
Vermorel a expliqué que le partage des données ne devrait pas impliquer un traitement manuel par les humains. Au contraire, chacun devrait avoir un accès programmatique à toutes les données de l’entreprise pour optimiser ses propres décisions. Il a mis en garde contre la création d’une bureaucratie en obligeant les autres départements à lire des rapports.
Vermorel a soutenu que le concept de panier est essentiel pour les entreprises B2B, en utilisant l’exemple d’un distributeur B2B d’équipements électriques. Il a expliqué que l’essentiel de leur activité est tiré des chantiers de construction, qui nécessitent des commandes importantes d’équipements à livrer à des moments précis. Ceci, dit-il, est une forme d’analyse de paniers.
Vermorel a soutenu que l’alternative à la prévision par séries temporelles n’a pas besoin d’être une IA complexe. Il a suggéré qu’il existe de nombreux autres modèles mathématiques qui ne sont pas plus compliqués que les séries temporelles, ils sont simplement différents.
Vermorel a expliqué que Lokad utilise une perspective financière pour concilier les nombreux objectifs conflictuels de la supply chain d’une grande entreprise. Il a suggéré qu’exprimer tous les objectifs et contraintes en dollars offre un langage unifié pour gérer ces conflits. Il a souligné qu’il ne s’agit pas de penser en termes de dollars, mais d’efficacité et de scalabilité dans des entreprises complexes.
Vermorel affirme que la précision et les séries temporelles sont la même chose dans le paradigme courant de la supply chain. Il suggère que Lokad souhaite les dissocier, et bien qu’il existe une manière de rendre la précision pertinente, celle-ci est radicalement différente de ce qui est présenté dans les manuels de supply chain.
Vermorel critique la FVA pour avoir sur-ingénieré un processus basé sur un concept erroné de la précision des séries temporelles. Il soutient que cela conduit l’entreprise dans la mauvaise direction, en ajoutant une bureaucratie inutile sans rendre la supply chain plus compétitive.
Vermorel décrit comment les grandes entreprises se fient souvent à des tableurs non officiels plutôt qu’aux prévisions SNOP officielles. Il suggère que ces tableurs, qui sont plus en adéquation avec l’essence de l’entreprise, sont ce qui fait réellement avancer l’activité.
Vermorel soutient qu’une amélioration par rapport au statu quo n’est pas nécessairement une amélioration globale. Il critique la focalisation sur des améliorations incrémentales et suggère que les entreprises devraient chercher des solutions plus simples et meilleures.
Vermorel reconnaît que les séries temporelles peuvent constituer une composante de la structure, mais il met en garde contre le fait de s’y fier exclusivement. Il suggère que les entreprises doivent élargir leur vocabulaire et leur horizon.
Vermorel compare les séries temporelles classiques et le machine learning à la télévision en noir et blanc et aux écrans LCD respectivement, affirmant que bien que le machine learning présente des avantages, il ne constitue pas un saut quantique par rapport aux méthodes classiques.
Il critique les universités pour ne pas enseigner la bonne approche en matière de prévisions, en insistant sur l’importance de comprendre l’essence du problème et de produire des énoncés quantifiables qui ont du sens pour l’entreprise.
Vermorel explique que Lokad s’est classé cinquième dans la compétition Walmart en utilisant un modèle paramétrique simpliste, démontrant que des modèles complexes ne sont pas toujours nécessaires pour réussir.
Il soutient qu’il existe un continuum allant des modèles classiques aux modèles avancés de machine learning, et que la distinction entre eux n’est pas aussi nette que certains pourraient le penser.
Vermorel réitère sa critique des universités pour ne pas enseigner la bonne attitude en matière de prévision, soulignant l’importance du bon état d’esprit lorsqu’il s’agit des futurs problèmes de la supply chain.
Il explique que l’objectif du processus S&OP est de créer une harmonisation à l’échelle de l’entreprise, mais qu’en pratique, il se transforme souvent en une succession de réunions sans fin.
Vermorel soutient que l’information circule à travers les systèmes informatiques et que l’alignement ne nécessite pas une communication constante entre les personnes.
Il suggère que les réunions S&OP devraient se concentrer sur des recettes numériques et sur la clarification de l’intention stratégique de l’entreprise.
Vermorel soutient que de grandes entreprises pourraient très bien fonctionner sans leurs prévisions des séries temporelles.
Il donne l’exemple d’entreprises fonctionnant à 80 % de leur capacité pendant les confinements de 2020 et 2021, malgré l’inactivité de leurs départements de planification.
Vermorel suggère que si une entreprise peut fonctionner sans une division pendant 14 mois, cette division n’est peut-être pas essentielle à la mission.
Il donne l’exemple d’une entreprise qui a connu une transformation massive pendant les confinements, passant de 5 % de le e-commerce à deux tiers de le e-commerce.
Vermorel remet en question l’importance de certaines fonctions au sein d’une entreprise, étant donné que certaines entreprises ont pu subir des transformations massives tout en fonctionnant efficacement.
Il soutient que la précision n’est pas le seul facteur important en matière de prévision, citant l’exemple d’entreprises qui ont fonctionné normalement malgré l’inactivité de leurs départements de planification pendant plus d’un an.
Vermorel critique le paradigme dominant de la précision des séries temporelles pour ne pas poser les questions importantes sur l’instrumentalité des prévisions.
Il souligne l’importance de relier la décision au modèle mathématique et d’évaluer les impacts financiers réels de ces décisions.
Vermorel critique la pratique courante d’évaluer la précision d’une prévision de manière isolée, soutenant que cela ne reflète pas les conditions réelles.
Il conclut que le problème avec la précision est qu’elle est souvent mal encadrée, et qu’une intuition approximativement correcte est préférable à un modèle d’affaires sophistiqué mais inadapté.
L’interview se termine avec Conor Doherthy remerciant Vermorel pour son temps et promettant de réserver ses questions restantes pour une autre fois.
Transcription complète
Conor Doherthy: Bon retour à Lokad TV live. Aujourd’hui en studio, se joint à moi le fondateur de Lokad, Joannes Vermorel. Nous abordons aujourd’hui un sujet très intéressant : la précision des prévisions, son rôle dans la planification de la demande, et si cela importe réellement ou non. N’hésitez pas à soumettre vos questions à tout moment pendant cette discussion, et nous y répondrons dans la seconde partie de la conversation. Si vous n’êtes pas d’accord avec quoi que ce soit, nous répondrons d’abord à ces questions. Alors, commençons. Joannes, il est, je pense, prudent de dire que nous sommes une entreprise quelque peu anticonformiste. Il se pourrait que ce soit l’avis le plus anticonformiste que nous ayons. Alors, avant d’exposer notre position et d’expliquer pourquoi nous pensons que la précision des prévisions de demande n’est pas importante, pourquoi la précision des prévisions est-elle considérée par tant d’entreprises comme le Saint Graal de la planification de la demande?
Joannes Vermorel: Le « pourquoi » est, je crois, relativement simple. C’est ce qui est écrit dans les manuels de supply chain. Cela a été écrit depuis peut-être 50-70 ans, et peut-être même avant que l’on n’appelle cela supply chain, on parlait de recherche opérationnelle. Je soupçonne que nous pourrions même aller plus loin, jusqu’aux années 1920, et nous trouverions le type de prémisse qui a émergé avec l’apparition des prévisionnistes économiques professionnels. Si vous ramenez cette idée de la précision des prévisions à sa racine, qui est celle des prévisionnistes économiques aux États-Unis au début du XXe siècle, alors la précision se traduit un pour un en profit lorsque vous jouez à la bourse. Ainsi, littéralement, si vous prévoyez le prix des matières premières – par exemple, si le prix du fer à cheval va augmenter ou non –, alors si vous disposez d’une prévision précise, vous pouvez potentiellement battre le marché et obtenir des rendements fantastiques. Or, cela est vrai pour la spéculation. Le problème est : disposez-vous d’un modèle de prévision capable de battre le marché ? La réponse courte est non, du moins pas un modèle facilement accessible. Vous ne pouvez donc plus vraiment battre le marché. Il y a quelques réserves à ce sujet, certaines entreprises d’arbitrage gagnent de l’argent en le faisant, mais ce n’est qu’un détail. Du point de vue de la supply chain, mon point est qu’il n’y a pas de traduction directe. Mais ma critique n’est pas exactement alignée sur cela. Les problèmes sont plus profonds et plus fondamentaux, car il ne s’agit pas simplement d’obtenir un chiffre et, si vous avez le bon chiffre, cela se traduira automatiquement par des gains, exactement comme lorsque vous jouez à la bourse.
Conor Doherthy: Donc, dites-vous qu’il n’y a aucune corrélation entre une précision accrue des prévisions et la rentabilité nette ?
Joannes Vermorel: Le problème ici est qu’il y a une tromperie inhérente aux termes eux-mêmes. Je vais donc commencer par clarifier notre définition de la précision. Il y a au moins deux façons : une façon dominante de définir la précision et une façon qui serait celle de Lokad. Permettez-moi de commencer par la voie de Lokad, qui n’est pas dominante, sur la manière dont nous abordons la précision. L’idée même de la précision est que je formule une affirmation quantitative sur le futur. La précision est une qualification en termes de qualité, de la justesse, de la fidélité de cette affirmation. Vous avez donc une affirmation sur le futur, le futur devrait ressembler à ceci, et il ne s’agit pas d’une affirmation qualitative mais d’une affirmation quantitative. Et ensuite, par-dessus cette affirmation quantitative sur le futur, vous voulez qualifier pour dire à quel point elle est bonne, fidèle, comment elle représente réellement le futur, et vous souhaitez que cette évaluation soit elle-même quantitative. Et c’est ainsi que la précision devrait être. Si nous définissons la précision comme je le fais, je dirais très bien, je suis d’accord. Ceci est très pertinent, cette définition conduit à quelque chose de significatif et potentiellement rentable pour votre entreprise. Or, ce n’est absolument pas la définition que vous trouverez dans les manuels de supply chain, pas même proche. La définition dominante de la précision est celle d’une prévision des séries temporelles. Ainsi, lorsque les gens parlent de précision, ils font implicitement référence à une prévision des séries temporelles et non à n’importe quelle prévision de séries temporelles, il s’agit d’une prévision ponctuelle, à intervalles égaux. Que signifie « à intervalles égaux » ? C’est une prévision périodique par jour, par semaine, par mois, par trimestre, potentiellement par an, potentiellement par heure, à intervalles égaux. Il s’agit donc d’une prévision périodique. Ce n’est donc pas n’importe quelle prévision, on peut imaginer de nombreuses autres prévisions alternatives, c’est une série temporelle, unidimensionnelle, et périodique, tous les intervalles étant identiques. Ajoutons à cela que nous parlons d’une prévision ponctuelle où chaque période reçoit une seule valeur, voilà la prévision des séries temporelles. Ma définition est très différente. Celle que j’ai donnée était beaucoup plus large et non spécifique quant à la nature de l’affirmation quantitative que je fais à propos du futur. Je dis que ma définition est complètement agnostique, elle consiste simplement à qualifier une affirmation sur le futur et j’affirme que cette affirmation devrait être quantitative. Je ne rejette donc pas quelque chose comme « Je crois que ce sera une bonne année », non, cela n’est pas une affirmation quantitative sur le futur, mais simplement quelque chose de qualitatif. Je dis donc que la précision s’applique aux affirmations quantitatives sur le futur et que nous souhaitons l’évaluer à nouveau à l’aide d’un instrument quantitatif. L’approche dominante est beaucoup plus directe et fait des hypothèses très significatives. Les hypothèses sont des séries temporelles, unidimensionnelles, périodiques ou à intervalles égaux, et des prévisions ponctuelles. Voilà à peu près le cœur des hypothèses. Il existe quelques hypothèses plus fondamentales que les gens pourraient ne pas même percevoir, comme la symétrie entre le passé et le futur, la localité des mesures, et l’agnosticisme envers l’environnement informatique ou logiciel.
Conor Doherty: Merci. Et encore, pour rebondir un peu, quand vous avez décrit la différence entre l’approche Lokad et l’approche dominante, pour certaines personnes, cela pourrait ne pas être clair. Quel est le problème avec la perspective des séries temporelles ? Vous dites qu’elle est unidimensionnelle, d’accord, mais en quoi et pourquoi cela pose-t-il un problème ?
Joannes Vermorel: Lorsque vous décidez de décrire le futur avec des affirmations quantitatives, nous sommes tellement habitués – et dans les manuels, il s’agit littéralement de manuels de supply chain mais aussi d’autres manuels d’affaires – à ne même pas reconnaître qu’il pourrait y avoir une autre manière d’envisager le futur que par des séries temporelles. Les gens, je veux dire, et je pense que c’est la plus grande erreur, c’est de donner l’impression que la seule façon d’appréhender le futur de manière quantitative était via les séries temporelles. Et je dis, certainement pas. De plus, les séries temporelles sont un modèle incroyablement simpliste. C’est comme une seule mesure avec une seule impulsion dans le temps à chaque période. C’est le modèle mathématique le plus simple des plus simples que nous ayons. Est-ce une représentation fidèle du futur ? Reflète-t-elle de façon sensée ce que vous savez du futur ? Et ma proposition est que, pour les besoins de la supply chain, non, et même pas proche. Et si nous commençons par quelques exemples, examinons, par exemple, la demande qu’un supermarché observera. La perspective des séries temporelles dit que vous pouvez prendre n’importe quel produit vendu dans le supermarché et obtenir une série temporelle, une par produit vendu par le supermarché. Est-ce la bonne manière de penser à la demande future ? Non, pourquoi ? Parce que les gens n’entrent pas dans un supermarché pour acheter un produit isolé. Ce qu’ils veulent, c’est un panier, ou pour la grande majorité, il arrive parfois que certaines personnes entrent pour acheter un produit, mais la grande majorité des ventes est effectuée par des personnes qui vont au supermarché environ une fois par semaine et achètent un panier complet de produits. Ainsi, ce qui importe en termes de demande s’exprime au niveau du panier. C’est ce que les gens observeront, ce qu’ils ressentiront, et s’ils pensent qu’il y a – et si nous devons penser en termes de qualité de service, cela sera perçu au niveau des paniers. Autrement dit, ai-je tous les articles dont j’ai besoin pour ma liste de courses ? Et cette perception, qui est au niveau du panier, n’a rien à voir avec ces séries temporelles prises isolément, car ces séries temporelles, prises isolément, ignorent complètement toutes les relations existant entre les produits ainsi que tous les substituts et la cannibalisation qui peuvent survenir. Elles sont donc parfois aveugles à ces effets. Nous avons ainsi un problème d’aveuglement, puisque cette dimension unique qui est au cœur des séries temporelles ignore les dimensions supérieures qui peuvent être extrêmement importantes. Elles ignorent complètement toutes les relations existant entre les produits ainsi que tous les substituts et la cannibalisation qui peuvent survenir. Elles sont donc parfois aveugles à ces effets. Nous avons donc un problème d’aveuglement.
Cette unique dimension, qui est au cœur des séries temporelles, ignore les dimensions supérieures qui peuvent être extrêmement importantes. Et ma proposition est que ce n’est pas un hasard. Prenez l’exemple d’un supermarché, ou de toute entreprise, et réfléchissez à ce que signifie réellement le futur, ce que nous observons réellement. Vous vous rendrez compte qu’au fond, nous ne regardons pas des séries temporelles. Nous observons des choses qui ont une structure, mais pas nécessairement, et généralement pas, une structure de séries temporelles. Il peut exister des entreprises incroyablement simplistes, de petits commerces locaux, où les séries temporelles sont suffisantes, mais ces entreprises sont l’exception, elles ne sont pas la norme, surtout dans le monde actuel où de grandes entreprises gèrent de vastes supply chain avec une complexité ambiante considérable. Chaque série temporelle traiterait un article donné ou n’importe quel SKU indépendamment de tout autre SKU dans un catalogue. Ainsi, s’il existe des interrelations, des bundles ou des substitutions, elles en sont agnostiques ou aveugles. Et cela rend, en fin de compte, la précision pour un article individuel non pas erronée, mais trompeuse. Pour faire une analogie, imaginez que vous avez une télévision en noir et blanc. Ce serait votre prévision des séries temporelles. Il vous manque quelque chose. Vous pouvez ajouter des pixels, ce qui reviendrait à ajouter de la précision. Mais vous n’avez toujours que du noir et blanc. Et si vous pensez, « Oh, mais si j’ajoute beaucoup de pixels… » Oui, mais vous n’avez toujours que du noir et blanc. Peu importe comment vous agrandissez la télévision, ou augmentez la fréquence de rafraîchissement, vous n’obtenez pas de couleurs, vous n’avez que du noir et blanc.
Donc, je prends ceci comme un exemple où, peu importe ce que vous faites, si vous manquez de dimensions, vous ne pouvez pas sauver le cas. Et il y a tellement de dimensions qui manquent. Revenons à cet exemple de supermarché avec des denrées périssables. Prenons l’exemple de produits en rayon, sachant que chaque unité présente sur le rayon possède sa propre durée de vie. Et ce que font de nombreux acheteurs lorsqu’ils visitent le magasin, c’est qu’ils regardent la date d’expiration et leur opinion sur le produit varie selon qu’il ne reste qu’un jour de vie pour ce produit ou qu’il reste trois semaines. C’est encore très frais. Mais si nous regardons les données d’un point de vue des séries temporelles, cela est absent. Vous ne pouvez pas, à travers une représentation en séries temporelles de vos ventes ou de la demande pour, disons, un pack de yaourts, représenter la fraîcheur. Cela est absent. Ce serait, si je revenais à mon équivalent de télévision, de dire : « Eh bien, je n’ai que du noir et blanc, mais vous savez quoi ? Je peux simplement acheter trois télévisions et dire que la première affichera le bleu, la deuxième affichera le vert, et la troisième affichera le rouge. Et techniquement, j’ai toutes les couleurs. Il me suffit de les recombiner visuellement d’une certaine manière. » Je dirais : « Oui, mais c’est une solution très, très compliquée au problème. Ce n’est pas une bonne solution. » D’un point de vue de l’expérience utilisateur pratique, c’est complètement nul.
Et cela serait le même si, pour le supermarché, nous décidions de simplement traiter la périssabilité en ajoutant davantage de séries temporelles. Oui, dans un sens très technique, vous pourriez potentiellement faire cela, mais ce serait une solution très peu pratique. Ce ne sera pas une bonne solution. Et vous voyez, encore une fois, la périssabilité, le problème est que la demande n’est pas une chose unidimensionnelle. Vous avez une autre dimension qui est la fraîcheur, et cela compte. Cela impacte la demande et impacte également vos stocks. Si vous pensez avoir 50 unités en stock mais que la moitié expire demain, alors vous n’avez pas réellement 50 unités en stock. Et cela, bien sûr, si le client n’a pas le comportement défavorable de choisir les unités ayant la plus longue durée de conservation.
Les clients qui choisissent des produits sur une étagère dans un supermarché pourraient même sélectionner ceux ayant la plus longue durée de conservation et, par conséquent, ils pourraient défavorablement sélectionner les produits les moins urgents à vendre. Donc, revenant au cas initial, les séries temporelles ne peuvent pas – et nous venons de mentionner un exemple, le supermarché – et nous avons déjà deux exemples de schémas super importants comme les paniers et les articles périssables. Ils sont très importants, ils sont essentiels, et ils ne s’inscrivent pas dans le paradigme des séries temporelles. Et puis, la précision, la précision des manuels, ne reflète que le paradigme des séries temporelles. Elle ne correspond qu’implicitement, et c’est pourquoi je dis que Lokad diverge. Le manuel de la supply chain, quand il s’agit de précision, ne concerne que les séries temporelles. Et mon point est que oui, vous disposez d’un instrument qui mesure quelque chose d’insignifiant et qui ne correspond pas à l’ADN fondamental de l’entreprise, ce qui fait fonctionner l’entreprise, ces paniers, ces produits périssables. On dirait que vous parlez de contraintes. Il y a beaucoup de contraintes, et bien d’autres éléments, qui ne sont même pas des contraintes, mais qui relèvent de la structure. La structure de base du problème, c’est-à-dire que, dans un supermarché, il ne s’agit pas de vendre des unités, des produits un à la fois. Il s’agit de vendre des paniers. C’est ce qui fait fonctionner le supermarché. C’est l’essence même du supermarché. Le supermarché a littéralement été conçu de fond en comble pour vendre des paniers.
C’est pourquoi vous avez ces points de vente où vous pouvez décharger tout votre stock et faire avancer l’ensemble des choses. C’est pourquoi il y a un chariot. Je veux dire, tout a été conçu dans le supermarché de manière à ce que les gens puissent acheter beaucoup de choses en même temps. Si vous voulez simplement acheter une tasse de café supplémentaire, il n’a aucun sens d’aller dans un supermarché. Mon propos est donc que, parce que tout a été conçu – y compris le parking devant le supermarché – pour acheter un panier entier, est-ce logique que votre outil prédictif examine le cas d’un produit à la fois, chaque chose de façon isolée ? Et ma réponse est non, cela n’a aucun sens. Il n’y a donc aucun moyen d’adapter la perspective des séries temporelles pour refléter les inconnues ou les éléments intangibles que vous décrivez. Un mathématicien dirait que si l’on empile suffisamment de séries temporelles, on peut y parvenir. Parce que, voyez-vous, nous pourrions toujours dire que nous pouvons ajouter davantage de séries temporelles. Et c’est exactement comme dire que nous avons une télévision en noir et blanc : vous pouvez avoir plusieurs télévisions, et ensuite vous en aurez une pour chaque couleur, et techniquement, vous aurez les couleurs. Vous voyez donc, il faut être prudent ici. Si vous dites que pour les séries temporelles, vous êtes autorisé à en introduire toujours plus, alors oui, techniquement, vous pouvez gérer n’importe quel nombre de dimensions en augmentant la dimensionnalité de votre instrument simplement en ajoutant des séries temporelles. Mais ce n’est pas une solution pratique. Tout comme si vous voulez avoir des couleurs sur votre télévision, posséder plusieurs télévisions n’est pas une bonne solution. En mathématiques, il existe de nombreuses solutions qui, bien que techniquement correctes, sont largement impraticables. Les mathématiciens excellent à inventer des solutions farfelues qui sont techniquement correctes, mais elles le sont uniquement d’un point de vue mathématique.
Dans le monde réel, c’est insensé. Ce n’est pas ainsi que vous aborderiez le problème. Cela ne vous fournira pas une bonne solution. Cela vous donnera une solution très théorique. D’accord, mais les critiques pourraient alors dire qu’il existe de nombreux outils fondés sur l’approche des séries temporelles qui, en pratique, fonctionnent réellement. Prenez par exemple le forecast value added. Maintenant, ce que vous venez de décrire, je présume, ne correspond pas à cela. Mais ceux qui défendent cette approche diraient qu’en réalité, cela fonctionne contrairement à tout ce que vous venez de dire. Donc, oui, des gens affirment que leurs outils fonctionnent depuis essentiellement la fin des années 70. Ainsi, depuis environ 45 ans, les fournisseurs disent que nous disposons de logiciels automatisés avancés capables d’automatiser littéralement tout ce qui est lié à la supply chain. Les fournisseurs affirment que nous disposons de logiciels automatisés avancés capables d’automatiser littéralement tout ce qui est lié à la supply chain. Et quand on dit que nous avons des enterprise software pour faire de la gestion, de nos jours, quand on dit « j’ai un CRM, customer relationship management », il s’agit simplement des registres administratifs, des saisies de données. Mais si vous revenez aux années 70, quand on parlait de gestion, on pensait également aux décisions, à toute l’intelligence. Ainsi, ma proposition est la suivante : en théorie, depuis les quatre dernières décennies, nous disposons de logiciels censés robotiser entièrement toutes ces décisions : stocks, replenishment, production, planification, inventory allocation, optimisation des prix. Tout cela est, selon les fournisseurs, entièrement automatisé, 100 % automatisé, et ce, depuis quatre décennies. Et la plupart des fournisseurs, si l’on regarde la manière dont ils communiquaient dans les années 80, disaient que cela serait réalisé entièrement par la machine. Avant, c’était un employé qui le faisait, mais ce n’est plus le cas. Au cours de la dernière décennie, j’ai rencontré plus de 200 directeurs supply chain et, invariablement, il y a des logiciels en place. Une série de solutions logicielles a été mise en œuvre, mais tout est encore réalisé via des tableurs.
Nous avons plusieurs générations de logiciels d’entreprise axés sur la prévision des séries temporelles qui étaient censés automatiser tout. Cela fait des décennies qu’ils le font, mais la réalité est que c’est encore fait dans Excel. Qu’est-ce qui a mal tourné ? Je pense que le problème fondamental est que la perspective des séries temporelles est incorrecte. Elle ne correspond pas à la structure du problème. Il y a d’autres questions, mais la plus grande est qu’elle ne convient pas. Cette vision unidimensionnelle de l’avenir est trop simpliste et tout s’effondre à partir de là. Si nous ne sommes pas censés rechercher la précision des prévisions comme indicateur clé de performance, alors que devrions-nous rechercher à la place ? Tout d’abord, nous devons repenser ce que nous essayons de résoudre. Nous cherchons à produire des affirmations quantitatives sur l’avenir qui aient du sens pour l’entreprise. Une affirmation sur l’avenir est en grande partie spécifique au domaine, ce qui est le contraire de ce que prétendent les manuels de supply chain. Ces manuels affirment que les séries temporelles suffisent. Ma conclusion, après avoir observé des centaines d’entreprises, est que cela est presque invariablement faux. S’il existe des entreprises qui peuvent être correctement modélisées par les séries temporelles, elles sont l’exception et non la norme. La structure n’est pas alignée avec une série temporelle. Si vous tentez de projeter un modèle mathématique et qu’il n’a pas la bonne structure, vous n’arriverez pas à modéliser correctement les réalités que vous cherchez à représenter. C’est comme essayer d’enfoncer une forme ronde dans un trou carré. Si vous n’avez jamais vu qu’une forme ronde, vous pourriez penser que c’est tout ce qui existe. Mais il existe de nombreuses autres manières de procéder, et ces autres manières dépendent de l’entreprise. Si vous êtes supermarché, votre ADN, ce sont les paniers. Si vous êtes dans la mode, cela sera complètement différent. Si vous êtes une entreprise de mode, vous voulez générer des désirs, et les séries temporelles n’ont pas réellement de sens pour cela. Disons que vous avez un nouveau motif qui devient tendance. Vous pouvez générer de nombreux produits qui s’en inspirent, mais vous pouvez avoir plus ou moins de produits.
La majeure partie de vos clients se situe au milieu. Si vous optez pour des couleurs très extrêmes, vous pourriez ne pas avoir suffisamment de demande pour justifier autant de variantes. Si vous voulez penser à l’avenir, vous devez réfléchir à ces halos de désirs, et cela ne correspond pas à votre vision des séries temporelles. Si vous vendez du merchandising pour figurines d’action, alors c’est quelque chose d’encore plus étrange. Toute l’activité est structurée autour de ces héros. Batman a bien plus de poids en terme de merchandising que Green Lantern, et cela fait plusieurs décennies que c’est constant. Si l’on se penche sur l’aérospatiale, ce serait une toute autre affaire. La consommation de pièces est dictée par le fait que vous disposez d’une flotte d’avions. Chaque avion a un cycle de vie d’environ trois à quatre décennies. La consommation de pièces suivra une certaine courbe au cours de cette vie. La structure adéquate, si vous voulez soutenir un grand MRO qui prend en charge des flottes d’avions, est de réfléchir aux flottes que je supporte et à la manière dont elles montent en puissance puis déclinent. La réalité est que, quel que soit le secteur que vous choisissez, si vous appliquez une série temporelle, c’est une approximation très grossière. Ce n’est même pas proche d’une représentation fidèle de la structure du problème. Si nous prenons en compte la structure et revenons à un exercice que mon professeur de physique faisait, nous dirions : “D’accord, voici une vache et nous allons l’approximer par une sphère.” C’est bien pour un exercice ludique, mais la vache n’est pas une sphère en réalité et n’en est même pas proche. C’est donc une approximation très farfelue. C’est bien pour un exercice, mais ce n’est valable pour rien de concret. Si vous devez gérer de vraies vaches, je ne vous conseillerais pas d’approximer vos vaches par des sphères. Cela ne finira pas bien. Ce n’est pas une approximation valide.
Conor Doherty : Encore une fois, quand vous dites qu’une série temporelle est une approximation très simpliste de l’avenir, nous, chez Lokad, décrivons régulièrement notre approche, qui est probabiliste, comme étant « mieux approximativement juste qu’exactement faux ». Est-ce simplement une question de terminologie ?
Joannes Vermorel : Comme je l’ai dit, tout d’abord, nous avons la structure. Et d’ailleurs, c’est également un point sur lequel Lokad diverge. Nous utilisons l’approche probabiliste comme étendard, mais la réalité est que mon problème porte avant tout sur la structure. Le second problème que je constate est un autre. C’est l’approche classique des manuels de supply chain qui ne demande que la précision et suppose que le passé est le symétrique exact de l’avenir. Ce n’est pas le cas. Cela est vrai dans une certaine mesure si vous observez, par exemple, le mouvement des planètes. Des choses où vous n’êtes qu’un observateur, l’humanité l’observe sans pouvoir rien y changer. Ainsi, si vous voulez prévoir le mouvement des planètes, disons la planète Mars, alors oui, supposer que le passé est le symétrique de l’avenir convient, car nous n’avons aucun impact tangible et mesurable sur le mouvement de Mars. Mais pour la supply chain, ce n’est pas acceptable, car tout votre futur est conditionné par des décisions qui n’ont pas encore été prises. Votre futur dépend de votre future décision, mais aussi des décisions futures qui seront prises par d’autres, comme vos concurrents. Il existe donc une asymétrie radicale entre le passé et l’avenir, et la perspective classique des séries temporelles, axée sur la précision, se montre entièrement indifférente à cela. Ce n’est même pas mentionné. Cela n’existe même pas et n’est même pas évalué dans ce type de métriques de précision. Si vous voulez formuler une affirmation fidèle sur l’avenir, quelle qu’elle soit, elle doit intégrer le fait que l’avenir reste soumis à des décisions. Vous voulez formuler une affirmation qui reste utile malgré le fait que les décisions n’ont pas encore été prises.
Conor Doherty : Beaucoup de gens pensent, en quelque sorte, qu’ils se placent de part et d’autre de la demande et qu’ils l’observent, comme vous l’avez dit, en tant qu’observateurs. Mais vous dites que, d’accord, nous ne contrôlons pas l’avenir, mais nous pouvons le co-écrire avec les choix effectués. Quels sont-ils, toutefois, pour ceux qui ne sont pas au courant ?
Joannes Vermorel : Supposons que vous vendiez des sacs à dos. Combien allez-vous en vendre ? Cela dépend d’abord du nombre de variantes que vous allez introduire. Si vous n’avez, par exemple, qu’un seul sac à dos noir et que vous le proposez partout sur le le e-commerce et dans tous vos magasins, alors peut-être en vendrez-vous beaucoup. Mais si vous avez plus de variantes, si vous proposez d’autres sacs à dos qui se ressemblent un peu, un peu plus grands, et que vous introduisez ensuite une demi-douzaine de couleurs, à chaque fois que vous introduisez une variante supplémentaire, allez-vous doubler vos ventes ? Non, évidemment il y aura de la cannibalisation. La demande future n’est pas gravée dans le marbre. Elle dépend fortement du nombre de variantes que vous introduisez. C’est un choix qui vous appartient et qui reste à être fait. Et si vous divisez le problème en disant : « Non, je veux d’abord décider de l’assortiment de sacs à dos puis prévoir ensuite », je dirais que c’est absurde. Car évidemment, si vous décidez d’abord de votre assortiment puis que vous faites une prévision, si vous constatez que certains produits n’ont pas suffisamment de demande, vous les retirerez. Littéralement, nous concevons la demande, et c’est ce que font les entreprises. C’est également la loi de Jean-Baptiste Say, l’économiste : l’offre précède la demande. Il faut mettre le produit sur le marché pour créer la demande. Avant qu’Apple n’introduise l’iPhone, la demande pour l’iPhone sur le marché était exactement nulle. Il faut d’abord pousser le produit sur le marché, puis vous générez la demande pour ce produit.
Conor Doherty : Mais en évoluant dans le paradigme que vous critiquez, il existe des pratiques comme le forecast value added où vous disposez de la demande et où je vais vers le marketing et les ventes pour recueillir leurs avis. Nous allons introduire x variantes, et il y a ainsi une prise de conscience que nos décisions façonneront l’avenir et que des révisions seront effectuées à la baisse ou à la hausse.
Joannes Vermorel: Mais je dirais encore, après avoir observé des entreprises pendant plus d’une décennie, presque une décennie et demie, ce ne sont que des bureaucraties. Lorsqu’on observe comment les choses se passent réellement, vous avez des personnes dans l’entreprise qui, quelque part, disent : “Oh, nous avons une opportunité, nous allons la saisir.” Puis, elles pensent que, si l’on fait cela de manière aussi simple, cela semble non scientifique. Alors, elles veulent étayer leur intuition par des chiffres, et certaines personnes vont y ajouter des chiffres, pour ensuite se dire : “D’accord, nous avons des chiffres, c’est maintenant scientifique, nous le faisons.” Mais non, c’était une intuition tout à fait valable concernant le marché, un raisonnement de haut niveau parfaitement légitime sur quelque chose, auquel s’est ajoutée une estimation rapide pour dimensionner correctement l’initiative. Et ensuite, le reste n’était que de la bureaucratie pour valider l’initiative, sans y contribuer réellement. Ce n’était ni l’étincelle initiale, ni l’impulsion, ni même la véritable maîtrise scientifique de quoi que ce soit qui l’ait rendue possible. Ce n’était que de la paperasserie qui est survenue après la bataille. Vous venez de décrire ce que Lokad fait avec ses propres clients. Nous communiquons, ils nous transmettent des aperçus de leurs plans futurs, et nous intégrons cela dans la recette numérique. La différence fonctionnelle, c’est que, fondamentalement, nous disposons de recettes numériques beaucoup plus polyvalentes. Nous ne sommes pas prisonniers des séries temporelles et nous utilisons rarement des modèles de séries temporelles en pratique. Si vous voulez afficher une courbe à l’écran, cela doit être une série temporelle. C’est parce que les écrans sont bidimensionnels et qu’ils possèdent une dimension qui est le temps.
Under the hood, the model is not one-dimensional. Most of our predictive models do not operate like time series forecasting models. We do have accuracy metrics that align with the vision that outline the faithfulness of a quantity statement about the future. But it has very little to do with mean absolute percentage error metrics. We ask ourselves a question: are we making a statement that is truly significant, that is faithful, that is aligned with what we are truly trying to do? For example, in the aéronautique industry, do we have something that truly embraces this idea that we’re serving a fleet and that the fleet has some parameters that we can control? An aircraft has a lifetime of maybe three to five decades. This is very well constrained, so we can literally bake those things into our models. When we operate with clients, we have models where we just do simple things. We take the time to understand what they’re trying to solve and what statements would make sense to be faithful to the future of their business. It’s very different. If we have an accuracy metric, we start from the essence of the business, try to capture the structure, and then engineer something on top of it. It’s not even about capturing the peculiarities of a vertical, but its DNA. For example, in aviation, you have to take into account that what you’re saving as spare parts are airplanes. In clothing, there are certain fads and trends that come and go. In aviation, you have fleets that come and go. For example, the Boeing 747 is being phased out, but the Airbus 350 is being phased in. If you want to do fashion and you say you’re going to ignore novelty, my answer to that is it’s not going to end well. I strongly disagree with the perspective that is expressed in most supply chain books that these things are details. They are not. You cannot approach a vertical while being entirely dismissive of what makes this vertical specific. You cannot do merchandising for sports teams while ignoring the fact that you have tournaments and that every year the structure of your problem is that you have one team that wins. For example, let’s go back to this company selling accessories for baseball teams. How do you fit the fact that there is always one winning team and one only into a time series? You are engineering your accuracy. You’re engineering something on top of a model, this time service model, that is not making sense. You will get numbers, but…
Conor Doherty: Eh bien, je tiens à souligner que je souhaite commencer à conclure et examiner quelques questions du public. Nous sommes une entreprise qui est guidée par le résultat financier, d’un point de vue purement financier. Il y a une critique simple qui a peut-être déjà été posée, je ne sais pas, mais je vais vous la soumettre maintenant. Il existe des entreprises valant plusieurs milliards de dollars qui sont en complet désaccord avec à peu près tout ce que vous venez de dire. Des entreprises valant plusieurs milliards de dollars qui existent depuis un siècle ou plus. Comment répondez-vous à ceux qui disent : “Regardez notre solde bancaire, Joannes, nous ne sommes pas d’accord avec vous”?
Joannes Vermorel: À plusieurs niveaux, d’abord, les entreprises ne sont ni d’accord ni en désaccord sur quoi que ce soit. Les entreprises ne sont que de vastes assemblages d’humains, elles n’ont pas d’opinion en elles-mêmes. Seules les personnes qui y travaillent en ont. Ainsi, dans les grandes entreprises, beaucoup de choses se font par hasard. Ce n’était pas vraiment programmé de cette manière, cela s’est simplement imposé. Ce sont donc des accidents. Quand nous disons que je suis en désaccord avec les séries temporelles, mon expérience est que, lorsque je discute avec des cadres de grandes entreprises, ils adhèrent très souvent à ce genre de principes fondamentaux que je viens de mentionner. Lorsque je m’entretins avec le PDG d’une grande entreprise de mode, il est généralement extrêmement déconcerté par le fait que les équipes de planification veulent absolument intégrer tout dans des séries temporelles, ce qui est en totale inadéquation avec sa propre vision. Alors, suis-je vraiment en désaccord ? Je ne pense pas. Mon expérience, lorsque je traite avec des cadres qui ont passé des décennies dans un secteur, est qu’ils éprouvent souvent une grande frustration à l’égard de la manière dont la planification est effectuée, car cela ne reflète tout simplement pas leur perception essentielle et leur compréhension de leur propre entreprise. En fin de compte, je fais davantage confiance à mon intuition qu’aux chiffres fournis par l’équipe de planification. Le fait que ces cadres le disent et que l’entreprise connaisse du succès prouve qu’ils font d’une certaine manière les choses correctement. Ils ont une équipe de planification parce qu’ils ne peuvent pas faire évoluer leur intuition. Donc, vous avez besoin de plus de chiffres, de cette équipe de planification et de ces outils, mais ils ne sont pas réellement super performants. Je diverge considérablement de ce qui est écrit dans les manuels, mais je ne pense pas m’écarter autant de l’intuition de la plupart des cadres à qui j’ai eu l’occasion de parler.
Conor Doherty: Pouvez-vous résumer votre position sur pourquoi la précision des prévisions n’est pas importante, puis nous passerons à autre chose ?
Joannes Vermorel: Cela n’a pas d’importance, car si je prends la définition des manuels de supply chain, tout est faux. Elle repose sur un paradigme défectueux, à savoir un paradigme de prévision des séries temporelles qui est complètement erroné. C’est pourquoi je dis qu’il existe un décalage paradigmatique total. Ce paradigme ne correspond pas au problème qu’il cherche à résoudre et, par conséquent, il s’agit simplement d’une solution mathématique ou statistique sophistiquée appliquée au mauvais problème. Dans ce sens, cela n’a pas d’importance. Cependant, selon la méthode Lokad, c’est-à-dire si nous avons quelque chose qui est quantitativement fidèle à l’essence de l’entreprise, alors cela importe énormément. Conor Doherty: Merci à tous pour vos questions. Je ne suis pas certain que nous parviendrons à y répondre dans l’ordre dans lequel elles ont été soumises en coulisses. Je lis donc ce qui m’a été présenté et certaines de ces interventions, j’imagine, feront l’objet de vos réponses. Ainsi, d’un monsieur du nom de Dustin : “La précision des prévisions est importante, cependant, la méthode actuelle de la quantifier en mesurant la précision d’une prévision ponctuelle est limitée. L’objectif ultime devrait être de mesurer la précision d’une distribution de probabilités. Êtes-vous d’accord ?” Joannes Vermorel: Encore une fois, chez Lokad, nous progressons dans la bonne direction avec la prévision probabiliste. La prévision probabiliste vous permet d’embrasser l’incertitude. Mais ce n’est toujours pas suffisant. C’est pourquoi je dis oui, intégrer l’incertitude est certes nécessaire, chez Lokad, nous y sommes entièrement attachés. Mais encore une fois, si vous restez unidimensionnel, ce n’est toujours pas adéquat. Et si vous continuez à traiter le passé comme une réplique du futur, vous négligez complètement le potentiel des décisions qui n’ont pas encore été prises. Conor Doherty: Suggérez-vous alors que la précision des prévisions concerne davantage la précision de l’exécution, laquelle englobe des aperçus à la fois des changements internes et externes ? Du point de vue d’une prévision, faut-il se concentrer sur la quantité et la valeur ? Paulo estime que les KPI ont la plus grande importance lorsqu’ils sont partagés entre différentes fonctions, notamment le commercial, le marketing et la finance. À votre avis, les scénarios optimistes et pessimistes sont-ils utiles ? Il y a beaucoup de petites questions à ce sujet, je vous laisse choisir. Joannes Vermorel: C’est quelque chose de très intéressant. Tout d’abord, une prévision est un ingrédient, un artefact en soi. Elle ne fait rien pour une entreprise. Si vous produisez une déclaration quantitative concernant l’avenir, le logiciel n’est qu’un artefact. Il n’a aucune valeur intrinsèque. Je pense que Paulo a tout à fait raison en affirmant que votre évaluation ne peut pas être intrinsèque à la prévision. Ce n’est qu’à travers l’exécution de la supply chain que vous pouvez évaluer si cet instrument, cet artefact numérique, était approprié ou non. Vous produisez votre artefact numérique, votre prévision, et vous ne pouvez ensuite juger s’il s’agit d’une bonne ou d’une mauvaise prévision que par ses conséquences, ses retombées considérables. C’est à partir de là que vous devez remonter, depuis ces conséquences lointaines, jusqu’à la recette numérique utilisée pour produire la prévision afin d’évaluer si elle était bonne ou mauvaise. C’est l’approche très conséquente que j’apporte à la prévision. Conor Doherty: Et si l’on pense aux KPI partagés entre les différents départements, je dirais qu’il faut être prudent. Les entreprises ne gagnent pas d’argent en se contentant de faire lire des chiffres aux gens. Partager des chiffres entre les équipes, oui, c’est bien, mais est-ce que cela crée de la valeur pour l’entreprise ? Pas vraiment. Et quand on parle de KPI, cela est censé être capital, comme des indicateurs de performance, supposément quelques-uns. Mais d’après mes observations, les entreprises disposent de dizaines, voire de centaines, parfois de milliers de KPI. Ce ne sont donc pas des KPI, mais des indicateurs de performance, un véritable amas d’indicateurs de performance. Mon point de vue est le suivant : oui, dans une certaine mesure, mais attention. Les entreprises paient déjà bien trop de personnes pour passer leur temps à surveiller des métriques tout en faisant très peu par la suite. Conor Doherty: Je pourrais simplement enchaîner rapidement sur ce point, car corrigez-moi si je me trompe, vous dites qu’un partage excessif de communication inter-départementale peut être néfaste. Mais n’est-ce pas le contraire des silos, dont je sais que vous n’êtes pas particulièrement fan ?
Joannes Vermorel: Que vont faire les gens de ces chiffres ? À mon avis, si vous souhaitez partager des données, elles ne doivent pas transiter par les yeux et le cerveau des humains. Nous parlons d’un client type pour nous qui possède plus d’un téraoctet de données de transactions. C’est beaucoup. De manière réaliste, si l’on considère ce que vos yeux peuvent capter, combien de chiffres pouvez-vous lire par seconde ? Environ cinq chiffres par seconde. Il faudrait une vie entière pour canaliser toutes ces données dans le cerveau humain. Il est donc évident que, lorsque nous disons que nous voulons partager des données, nous ne voulons pas dire qu’elles doivent passer par des personnes. Briser les silos ne consiste pas à faire en sorte que Bob de l’autre département doive consommer toutes les données que vous produisez, générez, ainsi que tous les rapports qui s’ensuivent. Il s’agit simplement de s’assurer que chacun ait un accès programmatique à toutes les données disponibles dans l’entreprise, afin de pouvoir optimiser ses propres décisions. Et s’il est nécessaire de se coordonner, il s’agira d’aligner les recettes numériques elles-mêmes qui gouvernent les différentes décisions. Cela ne signifie pas que les personnes doivent utiliser leur propre temps et leur propre capacité – le temps humain et la bande passante humaine – pour traiter ces données manuellement. Briser les silos ne consiste pas à générer du travail pour l’autre département en créant un rapport que vous attendez que les membres de cet autre département lisent. Ici, vous ne faites que créer de la bureaucratie. Vous imposez simplement une tâche bureaucratique à un autre département. Et mon intuition est que, la plupart du temps, lorsqu’on procède ainsi, cela ne débouche pas sur quelque chose de profitable pour l’entreprise. Cela pourrait arriver, mais ce n’est pas garanti, et la plupart du temps, ce ne sera pas le cas.
As for the KPIs in sharing to the different departments, I would say be careful. Companies do not make money by having people reading numbers. Having numbers shared across teams is well and good, but does it create value for the company? Not really. And when people say KPI, it’s supposed to be key, like key performance indicators, supposedly a few. But my observation is that companies have dozens, hundreds, sometimes thousands of KPIs. So it’s not KPIs, it’s performance indicators, like a truckload of performance indicators. My point is, yes, to some extent, but beware. Companies are already paying way too many people to spend time watching metrics while doing very little afterward.
Conor Doherty: Je pourrais simplement enchaîner rapidement sur ce point, car corrigez-moi si je me trompe, vous dites qu’un partage excessif de communication inter-départementale peut être néfaste. Mais n’est-ce pas le contraire des silos, dont je sais que vous n’êtes pas particulièrement fan ?
Joannes Vermorel: Que vont faire les gens de ces chiffres ? À mon avis, si vous souhaitez partager des données, elles ne doivent pas transiter par les yeux et le cerveau des humains. Nous parlons d’un client type pour nous qui possède plus d’un téraoctet de données de transactions. C’est beaucoup. De manière réaliste, si vous vous fiez à ce que vos yeux peuvent absorber, combien de chiffres pouvez-vous lire par seconde ? Environ cinq chiffres par seconde. Il faudrait une vie entière pour canaliser ces données dans le cerveau humain. Il est donc évident que, lorsqu’on dit que l’on veut partager des données, cela ne signifie pas qu’elles doivent passer par des personnes. Briser les silos ne consiste pas à générer du travail pour l’autre département en créant un rapport que vous attendez que les membres de cet autre département lisent. Ici, vous ne faites que créer de la bureaucratie. Vous imposez simplement une tâche bureaucratique à un autre département. Et mon intuition est que, la plupart du temps, quand vous procédez ainsi, cela ne se traduira pas par quelque chose de profitable pour l’entreprise. Cela pourrait l’être, mais ce n’est pas garanti, et la plupart du temps, ce ne sera pas le cas.
Conor Doherty: Merci pour cela. Je suis conscient que nous disposons de peu de temps, alors cette question vient de Sashin ou Sain. Dans quelle mesure le concept de panier ou la perspective de panier est-il applicable aux entreprises B2B par rapport aux biens de consommation ?
Joannes Vermorel: C’est essentiel. Prenons un exemple. L’un de nos clients chez Lokad est un distributeur B2B d’équipements électriques. C’est une très grande entreprise. Lorsque vous vendez des équipements électriques, vos clients sont de grandes entreprises et l’essentiel de votre activité provient des chantiers de construction. Certes, il y a parfois une entreprise qui va commander une ampoule ou un interrupteur juste pour effectuer une petite réparation, mais l’essentiel de l’activité est généré par les chantiers de construction. Il y a une nouvelle tour et dans 6 mois, vous aurez besoin de 4 000 interrupteurs identiques en même temps et vous aurez besoin de 200 km de câble, littéralement. Et ainsi nous avons – et ce n’est pas un cas particulier, c’est quelque chose de très classique lorsqu’on regarde la construction civile. Lorsqu’un bâtiment est construit, il y aura des entreprises qui passeront de grosses commandes pour dire tout ce dont elles ont besoin pour équiper, en termes d’équipements électriques, le bâtiment. Ainsi, disons 6 mois à l’avance, elles ne s’attendront pas à ce que ce distributeur électrique ait tout en stocks. Personne ne possède une telle quantité de stocks immédiatement disponible, donc l’entreprise en charge de l’installation du bâtiment le sait. Plusieurs mois à l’avance, elles passent une grosse commande sachant que ce ne sera pas disponible, alors elles la passent en avance. Mais elles disent : nous vous donnons beaucoup de temps, mais à cette date l’année prochaine, fin mars, nous voulons que tout soit prêt car ensuite nous procéderons au déploiement dans le bâtiment et nous avons besoin de chaque élément. Ainsi, nous avons une grosse commande, un millier de références, pour chaque référence il y a des centaines d’unités et nous avons besoin de chaque élément, jusqu’à la dernière unité, parfaitement disponible à cette date. Et nous ne vous trompons pas, nous vous donnons tous les mois nécessaires pour que cela se réalise. Et voilà, vous voyez, dans ce cas, l’élément intéressant c’est que nous nous écartons à nouveau des séries temporelles. Nous avons une demande, mais si vous considérez la demande comme des séries temporelles, vous passez à côté de l’essentiel. L’essentiel, c’est que vous avez deux dates : la date de commande et la date de disponibilité prévue pour la marchandise. C’est donc un panier également, c’est du B2B et cela vient avec une complexité supplémentaire par rapport au supermarché, où tout ce dont vous avez besoin est annoncé à l’avance.
Conor Doherty: De Stefan, ou Stefane, le Français, je crois que Stefan a un commentaire. Il dit, “On peut potentiellement alimenter une quantité énorme de données, structurées ou non, à une intelligence artificielle avancée pour obtenir une prévision. Cependant, il y a un hic à cela, n’est-ce pas ?” C’est une question. Peut-être le sais-tu ?
Joannes Vermorel: Oui, je veux dire, les gens pensent que l’alternative aux séries temporelles est une sorte d’IA Skynet. Ma réponse est : pourquoi pensez-vous cela ? Si tout ce que vous avez vu de votre vie, ce sont des formes rondes et que vous n’avez jamais vu de forme carrée, vous pourriez penser que l’alternative à une forme ronde est une forme incroyablement compliquée. Ce n’est pas ce que je dis. Je ne dis pas que l’alternative à une forme ronde est quelque chose d’impossiblement compliqué. Cela pourrait tout simplement être une forme carrée. Je ne dis pas que l’alternative aux séries temporelles est une IA de niveau Skynet ou autre. La plupart des modèles que Lokad utilise sont très simples, ils ne sont tout simplement pas des séries temporelles. Il existe un certain culte voulant que cela doive obligatoirement être des séries temporelles. Je dis, pourquoi pas ? Les mathématiques sont vastes, il existe des tas d’alternatives que vous pouvez utiliser qui ne sont pas plus compliquées que les séries temporelles. Elles sont différentes. Les séries temporelles sont la forme la plus simple des plus simples – certes, elles sont un peu plus compliquées, parce qu’il n’y a presque rien de plus simple que les séries temporelles. Une série temporelle consiste littéralement en une quantité avec une dimension temporelle, donc c’est difficile à gérer parce qu’il faut composer avec la dimension du temps. Il est difficile d’être plus simple que les séries temporelles puisque celles-ci sont déjà super simplistes. Mais cela ne signifie pas que l’alternative aux séries temporelles soit une IA de niveau Skynet. Ces modèles sont tout de même paramétriques, très simples, et il s’agit simplement d’embrasser la structure du problème que vous essayez de résoudre. Quand je décris la structure des problèmes, comme une série de matchs de baseball avec un gagnant chaque année et les autres équipes qui perdent, nous ne parlons pas de structures impossiblement compliquées. Ces choses ne sont pas si compliquées, elles peuvent être décrites en quelques minutes, et les modèles que Lokad utilise typiquement peuvent aussi être décrits en quelques minutes. Les séries temporelles peuvent être décrites en quelques secondes, donc nous sommes plutôt du genre à aborder des choses qui nécessitent quelques minutes pour être expliquées.
Conor Doherty: Eh bien, en ce qui concerne la différence entre les formes, et je vais brièvement revenir sur ce point, lorsque les gens parlent de mesurer la qualité ou la fidélité d’une prévision, ils se focalisent sur la précision. Nous ne regardons pas cela. L’autre forme que nous utilisons est l’impact financier. Est-ce l’autre forme alternative ?
Joannes Vermorel: Cela fait partie de notre palette d’astuces. La perspective financière n’est pas quelque chose à laquelle nous sommes obstinés. C’est simplement que, d’après mon expérience, lorsque nous traitons avec une grande entreprise disposant d’une vaste supply chain à gérer, nous avons un problème de conciliation de dizaines d’objectifs conflictuels. Vous avez tellement d’objectifs. Vous êtes une grande entreprise, vous ne voulez pas de gaspillage, vous souhaitez une qualité de service élevée, vous voulez une utilisation maximale de votre warehouse et de vos actifs, vous avez des contraintes telles qu’un espace de stockage maximal, vous avez une durée de vie (périmée pour certains produits). Ainsi, vous êtes entouré de contraintes et d’objectifs. Nous avons besoin d’un langage pour tout unifier. C’est une chose très pratique. Ces éléments entrent en conflit. La qualité de service entre en contradiction avec le gaspillage. Si vous dites que vous voulez un super haut taux de service, alors, en ce qui concerne les produits périssables, un taux de service très élevé signifie que parfois vous aurez des stocks qui expirent et que vous devrez jeter, générant ainsi du gaspillage. Il y a une tension. Vous ne pouvez pas prétendre avoir zéro gaspillage et une qualité de service très élevée. Si vous jouissez d’une haute qualité de service, il y aura inévitablement du gaspillage, et si vous éliminez entièrement le gaspillage, vous vous retrouvez très fréquemment avec des ruptures de stock. C’est inévitable. Cela relève de la conception même du problème. Vous avez ces objectifs conflictuels. Maintenant, amplifions cela. Nous avons une grande entreprise, nous devons unifier tout cela, et ma proposition, qui constitue la palette d’astuces qu’utilise Lokad, est que si nous exprimons tout cela en dollars, nous obtenons la lingua franca. Nous avons la manière d’unifier l’ensemble. Ce n’est qu’une palette d’astuces. Ce n’est pas que je veuille penser en termes de dollars, c’est simplement mon expérience. C’est la seule chose qui s’adapte à l’échelle lorsqu’on considère des entreprises complexes. C’est simplement une question de praticité à grande échelle.
Conor Doherty: Merci. Donc, cette vidéo devrait-elle être intitulée “Les séries temporelles comptent-elles ?” Vous estimez que quantifier l’incertitude et la précision des prévisions est crucial, mais vous n’êtes pas d’accord avec les méthodes actuelles, n’est-ce pas ?
Joannes Vermorel: Encore une fois, la précision et les séries temporelles sont la même chose. Si vous regardez les manuels de supply chain, je n’ai jamais vu de manuel dans lequel la précision ne soit pas immédiatement associée à une série temporelle. La plupart des manuels de supply chain ne prendraient même pas la peine de donner la définition mathématique d’une série temporelle. Ils sauteraient directement à la définition de la précision, qui définit en soi la série temporelle. Vous voyez, ces éléments sont co-substantiels dans le paradigme courant de la supply chain. Ils ne font qu’un. Et Lokad affirme vouloir les dissocier. En effet, il existe une manière de faire en sorte que la précision compte, mais elle est tellement radicale par rapport à ce que l’on présente dans les manuels de supply chain que j’en reste très hésitant. Je suis partagé quant à l’appeler précision. La précision est un bon terme, elle est valide, et c’est ce que nous défendons moralement. Mais ce que nous faisons constitue un départ aussi radical par rapport aux manuels de supply chain que cela crée de la confusion quand nous utilisons le même terme.
Conor Doherty: Merci. Je crois que nous avons déjà abordé ce point dans les deux dernières questions. Ceci vient de Constantine. Certains préconisent le FVA, votre préféré, comme moyen de déterminer si les efforts visant à améliorer la précision en valent la peine. Vous avez récemment publié une critique du FVA. Que proposez-vous comme alternative ?
Joannes Vermorel: Alors, je vais donner une réponse. Ce n’est pas de moi, c’est en fait de TOA. Lorsqu’un chirurgien enlève un cancer de votre corps, par quoi remplace-t-on le cancer ? Ainsi, concernant le FVA, mon point de vue est que la précision obtenue avec le paradigme classique est une idée bidon. Elle ne résiste pas à l’examen quand on cherche à saisir l’essence même de l’entreprise. Cet instrument mathématique, cette ligne, a-t-il du sens à un niveau stratégique pour mon entreprise ? Et ma proposition est que, si l’on y prête un minimum d’attention, ce n’est pas le cas. Ainsi, le FVA n’est qu’une sur-ingénierie d’un processus bâti sur un paradigme bidon, un outil bidon. Vous n’en faites qu’empirer les choses. Le FVA ne fait que détourner l’entreprise dans la mauvaise direction. Vous aviez déjà un concept bidon, cette précision des séries temporelles, et maintenant vous voulez ajouter un processus pour créer une sorte de mini-bureaucratie dans l’entreprise. À mon sens, ce n’est ni la première ni la dernière bureaucratie inutile introduite dans l’entreprise. Les grandes entreprises regorgent de dizaines, voire de nombreuses bureaucraties inutiles. Au final, ajouter une bureaucratie de plus n’est pas fatal pour l’entreprise. Mais est-ce que cela rendra la supply chain de l’entreprise plus compétitive ? Non, pas du tout. Cela fera exactement le contraire. Même si cela ne va pas faire s’effondrer l’entreprise, c’est ce genre de système qui ajoute des coûts supplémentaires et contre lequel l’entreprise finit par opter pour d’autres solutions.
Conor Doherty: D’accord, je vais juste rétorquer un peu sur ce point, car nous aimons tous les deux l’analogie de Thomaso. Lorsqu’un chirurgien enlève un cancer, que met-il à sa place ? Si vous deviez appliquer cela à ce contexte, c’est presque comme si vous disiez : “Eh bien, nous avons enlevé cela, restez les bras croisés, ne mettez rien en place.” Qu’est-ce qui comblera ce vide ?
Joannes Vermorel: Permettez-moi de décrire la réalité de ce que signifie réellement la précision dans une grande entreprise. Il existe ce processus SNOP avec un bureau CES qui produit des prévisions, puis les gens évaluent ces prévisions. Sont-elles utilisées ? Non, elles ne le sont pas. Dans toutes les grandes entreprises avec lesquelles j’ai été en contact durant la dernière décennie – plus de 200 grandes entreprises – lorsque je les inspecte et les audite, je constate que l’ensemble de l’entreprise fonctionne grâce à des tableurs en shadow IT. Tous ces chiffres issus du processus SNOP ne sont pas utilisés. Les commerciaux, la production, les responsables de la supply chain, les personnes en charge de la logistique ou de la capacité de transport, n’utilisent pas non plus ces chiffres. C’est comme un village Potemkine. Il y a cette illusion de rationalité où l’on produit ces grandes données avec le SNOP qu’on revoit une fois par trimestre. Mais ensuite, chaque manager a son propre tableau secret qu’il utilise, et c’est cela qui fait vraiment fonctionner l’entreprise. Ce qui est intéressant, c’est que chaque manager pense être le seul à posséder ce tableau secret. J’ai vu à plusieurs reprises un VP de supply chain me dire qu’il avait un tableau secret parce que les chiffres officiels étaient inadéquats. Mais pour ses subordonnés, il exige qu’ils restent fidèles au processus officiel du SNOP. Dans le cadre de l’audit, j’ai interrogé les subordonnés qui m’ont confirmé posséder leur propre tableau secret. Ils ne font pas confiance aux chiffres officiels, et font donc les choses autrement. Et ils pensent tous être les seuls à avoir ce tableau caché. J’ai vu cette situation maintes fois. Vous avez des chiffres bidons dans le plan SNOP, et pourtant les décisions finales se révèlent correctes. Comment est-ce possible ? La réponse est invariable : il existe quelque part un tableau, conçu de manière beaucoup plus alignée avec l’essence de l’entreprise. Les gens cachent ce tableau parce que ce n’est pas la politique officielle, mais c’est pourtant ce qui fait réellement fonctionner l’entreprise, et non le grand village Potemkine de ces chiffres grandioses.
Conor Doherty: Merci. Il nous reste encore quelques questions, donc je vais vous demander d’être bref dorénavant. Ceci vient de Sean. Il écrit, “La précision des prévisions est un élément de la supply chain. Ce n’est peut-être pas la contrainte principale dans une entreprise particulière. Capitaliser sur une prévision améliorée nécessite généralement d’autres changements dans la supply chain. Êtes-vous d’accord ?”
Joannes Vermorel: Capitaliser sur un télécopieur amélioré, est-ce que cela compte ? Vous voyez, c’est ce que j’essaie de faire comprendre. Quand on me dit que nous avons une meilleure précision dans le sens classique, c’est pareil que de me dire que vous avez un meilleur télécopieur. Ce n’est pas parce que c’est une amélioration par rapport au statu quo que c’est une amélioration globale. C’est le fléau de l’incrémentalisme dans la supply chain. Les gens ne voient l’amélioration que sous l’angle de “oui, c’est un peu mieux que ce que nous avons”. Si vous ne pensez qu’à de meilleurs télécopieurs, vous n’êtes pas dans une bonne posture. Quand on dit “Oh, vous parlez d’IA, de Skynet”, je rétorque, par exemple, que l’email est fondamentalement plus simple qu’un télécopieur. Un télécopieur est plus sophistiqué, plus exigeant en termes de technologie, et pourtant c’est une solution bien moins efficace que l’alternative. Voilà mon point. Quand on dit “Oh, nous avons cette amélioration”, je réponds : “Oui, vous avez simplement un meilleur télécopieur. Félicitations. Mais vous passez à côté de l’essentiel. Vous ratez l’opportunité de mettre en place quelque chose de plus simple, meilleur, plus aligné, plus rapide, et plus léger sur tous les fronts.”
Conor Doherty: Merci. Passons à autre chose, de la part de Philippe, “Lorsqu’on parle de structure dans la prévision, une prévision des séries temporelles peut-elle être, dans une certaine mesure, un composant de cette structure lorsqu’elle est applicable ?”
Joannes Vermorel: Cela peut l’être. Les séries temporelles sont une structure si fondamentale. Il est très difficile, lorsque vous créez quelque chose, de ne pas voir apparaître accidentellement des séries temporelles, même en tant que composant de votre ingrédient prédictif. Mon message n’est pas que les séries temporelles ne devraient pas être utilisées. Ce n’est pas l’essence. Je dis simplement que si tout ce que vous avez, ce sont des séries temporelles, c’est très simpliste. Il faut élargir votre vocabulaire, votre horizon. Il existe d’autres choses et, parmi ces autres choses, oui, vous pouvez avoir des séries temporelles. Cela arrive parfois.
Conor Doherty: Ensuite, de Manuel, “Les universités continuent d’enseigner les méthodes de prévision traditionnelles et mettent l’accent sur leur précision. Avec l’introduction récente de modèles de machine learning qui prennent en compte de nombreux facteurs supplémentaires, est-ce que cela a changé le point de vue présenté aujourd’hui ?”
Joannes Vermorel: La différence entre avoir une télévision en noir et blanc, qui serait un écran classique, et une lumière qui projette des images, qui serait le grand écran plat, c’est l’ancienne école des séries temporelles. Le machine learning vous offre simplement un écran LCD en noir et blanc. C’est toujours en noir et blanc, l’un a de meilleures qualités, il est plus épuré, il a sa place. Mon problème avec les universités n’est pas le meilleur modèle numérique. Mon problème n’est pas qu’elles n’enseignent pas le bon algorithme de prévision, c’est qu’elles n’essaient pas d’enseigner la bonne attitude de prévision. Regardez-vous l’essence du problème ? Essayez-vous de produire une déclaration quantifiée qui a du sens pour l’entreprise ? Est-ce ce que vous faites ? Cela a-t-il du sens ? Tenez-vous compte du fait que l’avenir n’est pas le symétrique du passé ? Encore une fois, il s’agit d’attitude. Puis, il y a les aspects techniques. Pour moi, les séries temporelles classiques et le machine learning forment un spectre mondial. Si nous regardons la compétition Walmart dans laquelle nous avons décroché la cinquième place, le secret était que nous avions utilisé un modèle paramétrique super simpliste avec cinq paramètres. Alors, cela compte-t-il comme classique ? Nous nous sommes classés, parmi un millier d’équipes concurrentes, à la cinquième place et nous avons même été numéro un au niveau des SKU, devant tout le monde, avec un modèle super simpliste. L’aspect intéressant est que c’est un modèle super simpliste, avec environ cinq paramètres. Donc, en un sens, c’est un modèle de l’ancienne école, mais la manière dont nous avons appris ces paramètres s’est faite grâce à une programmation différentiable plus élaborée. Alors, est-ce du machine learning ? Est-ce de l’ancienne école ? Pour moi, il existe un continuum allant des modèles autorégressifs classiques aux modèles super sophistiqués de deep learning . Il n’y a pas de saut quantique, tout est là. Mon problème n’est pas que les universités n’enseignent pas correctement ces algorithmes de prévision, c’est qu’elles n’enseignent pas correctement l’attitude de prévision, la mentalité nécessaire lorsqu’on aborde l’avenir pour des objectifs de supply chain. C’est là le problème. L’objectif du processus S&OP est de créer un alignement à l’échelle de l’entreprise. Ce serait l’objectif, afin que les personnes en production fabriquent ce qui sera vendu par l’équipe commerciale et que les commerciaux vendent ce que vous pouvez réaliser. Il s’agit littéralement d’un alignement corporate. Mais en pratique, les pratiques S&OP ne sont qu’une série interminable de réunions. Voilà ce que c’est.
Mon point de vue est que l’information circule à travers les systèmes informatiques, le paysage applicatif. Nous avons des paradigmes concurrents. Nous ne sommes même pas sur la même longueur d’onde. Je dis que l’information circule et que, s’il y a coordination, ce ne sera pas une question d’information. L’information circule à travers le paysage applicatif. Il n’est pas nécessaire que les personnes se parlent entre elles pour créer l’alignement. Il s’agira des recettes numériques et de la clarification de l’intention stratégique de l’entreprise, ce qui n’est absolument pas le cas lors des réunions S&OP. Beaucoup de grandes entreprises affichent des résultats satisfaisants, mais ces prévisions de séries temporelles ne sont qu’une partie des bureaucraties qui ne contribuent en rien à quoi que ce soit. Vous pourriez les supprimer et cela fonctionnerait parfaitement. Pendant les confinements de 2020 et 2021, certaines entreprises dans certains pays ont vu une partie de leurs effectifs de cols blancs placés en chômage technique pendant 14 mois. L’entreprise fonctionnait encore à 80 % de sa capacité. Elle était réduite, mais non nulle. En raison de ces confinements, tous les effectifs de cols blancs, notamment ceux de la planification, ont littéralement été priés de rester chez eux et de ne jamais toucher aux ordinateurs d’entreprise. Nous avons mené une grande expérience où l’ensemble du département de planification a disparu pendant 14 mois et tout allait bien. Ainsi, si une entreprise peut fonctionner sans une division pendant 14 mois alors que toutes les personnes de cette division sont absentes, que dit cela de la division ? Probablement que celle-ci n’est pas exactement super mission critical. Nous avons même eu un cas où une grande entreprise, un fabricant, est essentiellement devenu le e-commerce pendant la période de confinement. Le segment du e-commerce représentait 5 % de leur activité avant les confinements. À la fin de 2021, le e-commerce représentait les deux tiers de leurs ventes. L’entreprise a donc subi une transformation massive, passant de 5 % de e-commerce à être de facto une entreprise de e-commerce. Si votre entreprise peut subir des transformations massives et rapides et les exécuter avec succès, que cela nous indique-t-il sur ces fonctions ? Je remets en question cette notion. Je ne dis pas que la précision n’a pas d’importance, surtout dans le sens spécifique que Lokad lui donne. Mais si l’on examine la pratique habituelle, j’ai constaté à maintes reprises que nous avons connu des confinements, que nous avons même mené la grande expérience de fermer la division en charge de ces indicateurs de précision pendant plus d’un an, 14 mois pour être exact. Et quel a été l’impact sur l’entreprise ? Rien, affaires comme d’habitude. Certaines de ces entreprises ont même prospéré par la suite. Cela a été pour moi une révélation. C’est une expérience qui n’aurait pas dû se produire, mais qui s’est produite.
Conor Doherty: Merci. Et la dernière question, également de Nicholas, peut-être une autre, je ne sais pas. Je constate souvent que des départements tentent de passer outre les données statistiques au profit d’intuitions. Comment définissez-vous l’impact de la précision des prévisions sur l’amélioration des stocks et de l’expérience client en temps réel ?
Joannes Vermorel: Voilà le point, c’est une question qui n’est jamais posée dans le cadre du paradigme dominant des précisions des séries temporelles. Ce n’est pas une question qui se pose dans les manuels de supply chain. Cela est absent. Mais ce n’est pas la seule préoccupation. Il existe tout un domaine que nous n’avons pas abordé, à savoir l’instrumentalité de la prévision. Dans quelle mesure celles-ci doivent-elles être réellement utilisées dans l’entreprise ? Et ces éléments sont absents. Oui, c’est très important. Relier tous les points, depuis la décision jusqu’au modèle mathématique qui produit ces déclarations, est primordial. Mais cela signifie que vous avez besoin de recettes numériques couvrant l’ensemble du processus, de la génération prédictive de ces déclarations quantitatives sur l’avenir à la décision que vous prenez, et qui ont des répercussions concrètes avec des impacts financiers sur votre entreprise. C’est ainsi que vous évaluerez si votre modèle prédictif est fidèle ou non. J’utilise le terme “fidèle” parce que je ne veux pas employer le mot “précis”. Et une partie de l’arsenal consiste en cette perspective financière, car elle facilite la démarche. Cependant, la manière dont cela est généralement pratiquée s’arrête à mi-parcours. Il y a cette grande illusion entretenue par les manuels de supply chain et la plupart des logiciels de supply chain également, selon laquelle vous pouvez découper le problème au stade de la prévision et dire qu’isolément, nous allons évaluer à quel point nous sommes bons ou mauvais par rapport au reste. Et ceci est un non-sens complet. Il n’existe pas d’évaluation isolée de l’adéquation ou de la précision d’une prévision. Il s’agit simplement d’étalonner des modèles mathématiques. C’est bien, mais ce n’est pas la vie réelle. C’est comme si vous vouliez désigner le champion du tir. Vous pouvez avoir un champion olympique de tir, mais lorsqu’il s’agit d’un véritable exercice militaire, les gens ne tirent pas avec de vraies armes dans une guerre réelle de la même manière qu’ils tirent dans un environnement contrôlé. C’est complètement différent. Le point final est qu’une partie du problème de la précision réside dans le fait que le problème lui-même est mal cadré. Ce n’est pas que la précision soit fausse au sens mathématique. Ce n’est pas ce que je dis. Je ne dis pas que, par exemple, la forecast value added est incorrecte d’un point de vue statistique. Ce n’est pas ce que je dis. Je dis que l’environnement paradigmatique qui entoure ces concepts est inadéquat. Si vous devez choisir entre une intuition qui embrasse véritablement une entreprise et un business super sophistiqué mais complètement décalé, être approximativement correct l’emporte sur être exactement faux, chaque jour. Voilà le point. Et la précision illustre la manière traditionnelle dont fonctionne cette mentalité de “exactement faux”.
Conor Doherty: Joannes, je n’ai pas d’autres questions. Enfin, j’en ai, mais je les garderai pour un autre jour. Merci beaucoup pour votre temps. Et à vous tous qui êtes restés avec nous aussi longtemps, merci beaucoup pour votre temps. On se retrouve la prochaine fois.
