00:00:00 Introduction à l’interview
00:01:46 Impact de la précision des prévisions sur les bénéfices
00:03:25 Définition de la précision dans les prévisions
00:07:36 Évaluation 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 Analogie de la prévision des séries temporelles
00:15:17 Limitations des séries temporelles dans le contexte des produits périssables
00:18:51 Les séries temporelles 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 qu’indicateur de performance clé
00:27:55 L’accent de 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 les autres entreprises
00:46:13 L’approche de Lokad pour résoudre les problèmes
00:49:11 Désaccord avec les perspectives courantes de la supply chain
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 traditionnelle de la précision est sans pertinence
01:00:01 Question sur la précision des prévisions et l’exécution
01:03:38 Question sur la communication interdépartementale 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 Mesure de la précision des prévisions
01:15:02 Remise en question du titre de la vidéo
01:17:10 Analogie de l’élimination d’un cancer
01:20:32 Les feuilles de calcul secrètes des managers
01:23:03 Réponse de Joannes à la question
01:25:00 Question sur les prévisions de séries temporelles dans la structure de prévision
01:27:05 Question sur les universités enseignant les méthodes de prévision traditionnelles
01:30:54 Snop pour l’alignement de l’entreprise
01:33:23 Expérience pendant les confinements avec l’absence du département de planification
01:36:12 Discussion sur la transformation de l’entreprise
01:39:10 La grande illusion dans la supply chain
01:42:13 La précision illustre une mentalité totalement erronée
01:42:49 Fin de l’interview
Résumé
Joannes Vermorel, PDG de Lokad, critique la compréhension traditionnelle de la précision des prévisions dans la gestion de la supply chain, arguant qu’elle ne reflète pas l’ADN essentiel d’une entreprise. Il suggère que les prévisions de séries temporelles, qui sont couramment utilisées, sont trop simplistes et ne représentent pas fidèlement l’avenir dans le contexte de la supply chain. Vermorel propose une approche différente, axée sur la fidélité quantitative à l’essence d’une entreprise. Il critique l’accent mis sur les améliorations incrémentielles et suggère que les entreprises devraient rechercher des solutions plus simples et meilleures. Vermorel souligne l’importance de comprendre l’essence du problème et de produire des déclarations quantifiables qui ont du sens pour l’entreprise.
Résumé étendu
Lors d’une conversation entre Joannes Vermorel, PDG 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, un entrepreneur français dans le domaine des logiciels, remet en question la compréhension traditionnelle de la précision des prévisions dans la gestion de la supply chain, un concept profondément enraciné dans l’industrie depuis les années 1920. Il soutient que si la précision des prévisions est directement liée aux bénéfices dans la spéculation boursière, ce modèle ne s’applique pas à la gestion de la supply chain car il n’y a pas de traduction directe entre la précision des prévisions et la rentabilité.
Vermorel propose deux façons de définir la précision : la façon traditionnelle et la façon Lokad. La définition traditionnelle, explique-t-il, est une prévision de séries temporelles, une prévision périodique avec des intervalles égaux. Cependant, Vermorel critique cette approche car elle repose sur des hypothèses importantes, telles que la symétrie entre le passé et le futur, la localité des mesures et l’agnosticisme vis-à-vis de l’environnement informatique ou logiciel. Il soutient que les séries temporelles sont un modèle trop simpliste qui ne représente pas fidèlement l’avenir dans le contexte de la supply chain.
En utilisant l’exemple d’un supermarché, Vermorel illustre que les prévisions de séries temporelles ignorent les relations importantes entre les produits. Il affirme que les prévisions de séries temporelles sont aveugles aux dimensions importantes et ne reflètent pas la structure de l’avenir. Il suggère que les prévisions de séries temporelles peuvent être suffisantes pour les petites entreprises, mais pas pour les grandes entreprises opérant des supply chains complexes.
Vermorel critique également l’accent mis par les manuels de gestion de la supply chain sur les séries temporelles pour la précision, arguant que cela ne reflète pas l’ADN fondamental d’une entreprise. Il souligne que les supermarchés sont structurés pour vendre des paniers d’articles, pas des produits individuels. Il remet en question la logique d’utiliser des outils prédictifs qui examinent les produits de manière isolée alors que les supermarchés sont conçus pour que les clients achètent plusieurs articles à la fois.
Vermorel aborde également la complexité de la demande, en utilisant la périssabilité comme exemple. Il explique que si la moitié du stock d’un magasin expire le lendemain, il n’a pas réellement 50 unités en stock. Il mentionne également que les clients peuvent choisir des produits ayant la durée de conservation la plus longue, ce qui peut affecter l’urgence de vendre certains produits.
Vermorel affirme 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, c’est pourquoi Lokad s’éloigne de cette approche.
Vermorel critique également les solutions mathématiques qui sont techniquement correctes mais impraticables dans le monde réel. Il reconnaît que les critiques pourraient soutenir que les outils basés sur les séries temporelles fonctionnent en pratique, malgré ses critiques. Vermorel note que les fournisseurs affirment depuis 45 ans que leurs outils automatisent tout ce qui concerne la supply chain. Il soutient que malgré ces affirmations, tout est encore fait via des feuilles de calcul.
Vermorel estime que le problème fondamental est que la perspective des séries temporelles est incorrecte et ne correspond pas à la structure du problème. Il critique la vision unidimensionnelle de l’avenir offerte par les séries temporelles. Lorsqu’on lui demande ce qui devrait être recherché à la place de la précision des prévisions en tant qu’indicateur clé de performance, Vermorel suggère que l’objectif devrait être de produire des déclarations quantitatives sur l’avenir qui ont du sens pour l’entreprise.
Vermorel conclut que les séries temporelles sont presque toujours erronées pour la plupart des entreprises. Il compare l’essai d’adapter un modèle mathématique avec une mauvaise structure à l’essai d’adapter une forme ronde dans un trou carré. Il suggère qu’il existe de nombreuses autres façons d’aborder le problème, en fonction de l’entreprise.
Vermorel donne des exemples de différents modèles d’entreprise, tels que les supermarchés et les entreprises de mode, et explique pourquoi les séries temporelles ne conviennent pas à ces modèles. Il soutient que pour réfléchir à l’avenir, il faut tenir compte des “halos de désirs”, qui ne correspondent pas à la vision des séries temporelles.
Vermorel aborde également l’industrie aérospatiale, où la consommation de pièces est influencée par le cycle de vie des avions. Il conclut que l’utilisation des séries temporelles est une approximation grossière pour n’importe quelle verticalité d’entreprise. Il compare l’utilisation des séries temporelles à l’approximation d’une vache par une sphère, arguant que c’est une mauvaise approximation pour les situations réelles.
Vermorel aborde également les problèmes qu’il voit avec l’approche traditionnelle de la gestion de la supply chain, qui suppose que le passé est un reflet exact de l’avenir. Il soutient 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 utilise l’exemple de la vente de sacs à dos pour illustrer son propos. Il explique que le nombre de variantes qu’une entreprise introduit peut avoir un impact significatif sur la demande future. Il soutient que l’approche traditionnelle qui consiste à décider d’abord de l’assortiment puis à prévoir est absurde, car la demande n’est pas figée et est influencée par les décisions de l’entreprise.
Vermorel explique en outre que les entreprises créent leur demande en introduisant des produits sur le marché, ce qui génère ensuite une demande pour ces produits. Doherthy évoque la pratique de la valeur ajoutée de prévision, où les informations provenant de différents services sont utilisées pour réviser les prévisions. Vermorel critique cette pratique, arguant qu’elle est souvent simplement un moyen de soutenir des intuitions avec des chiffres et ne contribue pas réellement au processus de prise de décision.
Vermorel explique que Lokad utilise des recettes numériques qui sont plus polyvalentes et ne se limitent pas aux modèles de séries temporelles. Il souligne l’importance de formuler une déclaration fidèle à l’avenir de l’entreprise et en accord avec ce que l’entreprise cherche à réaliser. Vermorel insiste sur l’importance de comprendre l’essence de l’entreprise et de concevoir un modèle adapté.
Vermorel critique la perspective exprimée dans la plupart des livres sur la supply chain qui néglige les spécificités des différentes verticalités. Doherthy demande à Vermorel comment il réagit aux grandes entreprises prospères qui ne sont pas d’accord avec ses points de vue. Vermorel soutient 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 sont souvent frustrés par l’approche traditionnelle de la planification.
Vermorel soutient que la définition traditionnelle de l’exactitude des prévisions dans les manuels de supply chain est erronée car elle repose sur un paradigme de prévision de séries temporelles, qu’il estime incorrect. Il suggère que l’approche de Lokad, qui se concentre sur la fidélité quantitative à l’essence d’une entreprise, est plus précieuse.
Vermorel est d’accord avec un point de vue d’un spectateur sur l’acceptation de l’incertitude grâce à des prévisions probabilistes, mais il souligne également la nécessité de dépasser une pensée unidimensionnelle et de prendre en compte les décisions futures qui n’ont pas encore été prises.
Vermorel explique 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 met également en garde contre le partage de trop nombreux indicateurs de performance entre les équipes, arguant que cela ne crée pas nécessairement de valeur pour l’entreprise.
Vermorel explique que le partage des données ne devrait pas impliquer un traitement manuel par des humains. Au contraire, tout le monde devrait avoir un accès programmable à toutes les données de l’entreprise pour optimiser ses propres décisions. Il met en garde contre la création de bureaucratie en obligeant les autres services à lire des rapports.
Vermorel soutient que le concept de panier est essentiel pour les entreprises B2B, en utilisant l’exemple d’un distributeur B2B d’équipements électriques. Il explique que la majeure partie de leur activité est générée par les chantiers de construction, qui nécessitent de grandes commandes d’équipements à livrer à des moments précis. Selon lui, il s’agit d’une forme d’analyse de panier.
Vermorel affirme que l’alternative à la prévision des séries temporelles ne doit pas nécessairement être une IA complexe. Il suggère qu’il existe de nombreux autres modèles mathématiques qui ne sont pas plus compliqués que les séries temporelles, ils sont simplement différents.
Vermorel explique que Lokad utilise une perspective financière pour concilier les nombreux objectifs contradictoires de la supply chain d’une grande entreprise. Il suggère que l’expression de tous les objectifs et contraintes en dollars fournit un langage unifié pour gérer ces conflits. Il souligne que cela ne consiste pas à penser en termes de dollars, mais à la praticité et à la scalabilité dans les entreprises complexes.
Vermorel affirme que la précision et les séries temporelles sont la même chose dans le paradigme dominant de la supply chain. Il suggère que Lokad souhaite les séparer, et bien qu’il existe un moyen de rendre la précision importante, il est radicalement différent de ce qui est présenté dans les manuels de supply chain.
Vermorel critique FVA pour avoir sur-ingénieré un processus basé sur un concept erroné de précision des séries temporelles. Il soutient que cela fait avancer l’entreprise dans la mauvaise direction, ajoutant une bureaucratie inutile sans rendre la supply chain plus compétitive.
Vermorel décrit comment les grandes entreprises s’appuient souvent sur des feuilles de calcul non officielles plutôt que sur des prévisions SNOP officielles. Il suggère que ces feuilles de calcul, qui sont plus alignées sur l’essence de l’entreprise, sont ce qui fait réellement avancer l’entreprise.
Vermorel soutient qu’une amélioration par rapport à l’état actuel n’est pas nécessairement une amélioration globale. Il critique l’accent mis sur les améliorations incrémentales et suggère que les entreprises devraient rechercher des solutions plus simples et meilleures.
Vermorel est d’accord que les séries temporelles peuvent être un composant de la structure, mais met en garde contre une dépendance exclusive aux séries temporelles. Il suggère que les entreprises doivent élargir leur vocabulaire et leur horizon.
Vermorel compare les séries temporelles classiques et l’apprentissage automatique à la télévision en noir et blanc et aux écrans LCD respectivement, affirmant que bien que l’apprentissage automatique présente des avantages, ce n’est toujours pas un bond quantique par rapport aux méthodes classiques.
Il critique les universités pour ne pas enseigner la bonne attitude en matière de prévision, en soulignant l’importance de comprendre l’essence du problème et de produire des déclarations quantifiables qui ont du sens pour l’entreprise.
Vermorel partage 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 d’apprentissage automatique, 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, en soulignant l’importance de la bonne mentalité lorsqu’il s’agit de problèmes futurs de la supply chain.
Il explique que l’objectif du processus S&OP est de créer un alignement à l’échelle de l’entreprise, mais qu’en pratique, il se transforme souvent en réunions interminables.
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 les recettes numériques et la clarification de l’intention stratégique de l’entreprise.
Vermorel soutient que de nombreuses grandes entreprises pourraient très bien fonctionner sans leurs prévisions de séries temporelles.
Il partage l’exemple d’entreprises fonctionnant à 80% de leur capacité pendant les confinements de 2020 et 2021, malgré l’inactivité de leurs services de planification.
Vermorel suggère que si une entreprise peut fonctionner sans une division pendant 14 mois, cette division peut ne pas être essentielle à la mission.
Il partage l’exemple d’une entreprise qui a subi une transformation massive pendant les confinements, passant de 5% de commerce électronique à deux tiers de commerce électronique.
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 continuant à fonctionner efficacement.
Il soutient que la précision n’est pas le seul facteur important dans la prévision, citant l’exemple d’entreprises qui ont fonctionné normalement malgré l’inactivité de leurs services de planification pendant plus d’un an.
Vermorel critique le paradigme de précision des séries temporelles couramment utilisé pour ne pas poser de questions importantes sur l’instrumentalité des prévisions.
Il souligne l’importance de relier les décisions au modèle mathématique et d’évaluer les impacts financiers réels de ces décisions dans le monde réel.
Vermorel critique la pratique courante d’évaluer la précision d’une prévision de manière isolée, arguant que cela ne reflète pas les conditions du monde réel.
Il conclut que le problème avec la précision est qu’elle est souvent mal encadrée, et qu’une intuition approximativement correcte vaut mieux qu’un modèle commercial sophistiqué mais inadapté.
L’interview se termine par Conor Doherthy remerciant Vermorel pour son temps et promettant de sauvegarder ses questions restantes pour un autre jour.
Transcription complète
Conor Doherthy: Bienvenue à nouveau sur Lokad TV en direct. Je suis aujourd’hui en studio avec Joannes Vermorel, fondateur de Lokad. Aujourd’hui, nous discutons d’un sujet très intéressant : la précision des prévisions, son rôle dans la planification de la demande et son importance, ou non. N’hésitez pas à poser vos questions à tout moment pendant ce chat, nous y répondrons dans la deuxième moitié de la conversation. Si vous n’êtes pas d’accord avec ce que vous entendez, nous répondrons d’abord à ces questions. Alors commençons. Joannes, nous sommes, je pense qu’il est sûr de le dire, une entreprise quelque peu contraire à la norme. C’est peut-être la prise de position la plus contraire que nous ayons. Avant de parler de notre position et de la raison pour laquelle 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 Graal de la planification de la demande ?
Joannes Vermorel: Le “pourquoi”, je pense, est relativement simple. C’est ce qui est écrit dans les manuels de la chaîne d’approvisionnement. Cela a été écrit peut-être au cours des 50 à 70 dernières années, peut-être même avant que cela ne soit appelé chaîne d’approvisionnement, cela s’appelait recherche opérationnelle. Je soupçonne que nous pourrions remonter encore plus loin, même jusqu’aux années 1920, et nous trouverions cette sorte de prémisse avec l’émergence des prévisionnistes économiques professionnels. Si vous ramenez cette idée de précision des prévisions à ses racines, qui sont les prévisionnistes économiques aux États-Unis au début du XXe siècle, alors la précision a une traduction directe sur votre profit si vous jouez le jeu de la bourse. Donc littéralement, si vous prévoyez le prix des matières premières, si le prix du fer à repasser va augmenter ou non, alors si vous avez une prévision précise, vous pouvez potentiellement battre le marché et réaliser des rendements fantastiques. Maintenant, cela est vrai pour la spéculation. Le problème est de savoir si vous avez un modèle de prévision qui peut battre le marché. La réponse courte est non, du moins pas un modèle facilement accessible. Donc vous ne pouvez pas vraiment battre le marché. Il y a quelques réserves à cela, certaines entreprises d’arbitrage gagnent de l’argent en le faisant, mais ce n’est qu’un point. En ce qui concerne la chaîne d’approvisionnement, mon point de vue 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 seulement d’obtenir un chiffre et si vous avez le chiffre correct, cela se traduira automatiquement par la réalisation de bénéfices, tout comme lorsque vous jouez à la bourse.
Conor Doherthy: Donc, voulez-vous dire qu’il n’y a aucune corrélation entre l’augmentation de la précision des prévisions et la rentabilité nette ?
Joannes Vermorel: Le problème ici est qu’il y a une tromperie avec les termes eux-mêmes. Je vais peut-être commencer par clarifier comment nous définissons la précision. Il y a au moins deux façons de le faire : une façon courante de définir la précision et une façon qui serait la façon Lokad de définir la précision. Permettez-moi de commencer par la façon Lokad, qui n’est pas courante, sur la façon dont nous abordons la précision. L’idée générale de la précision est que je fais une déclaration quantitative sur le futur. La précision est une qualification en termes de qualité, à quel point elle est bonne, à quel point elle est fidèle, à propos de cette déclaration. Donc vous avez une déclaration sur le futur, le futur devrait ressembler à cela, et ce n’est pas une déclaration qualitative mais une déclaration quantitative. Et ensuite, au-dessus de cette déclaration quantitative sur le futur, vous voulez qualifier pour dire à quel point elle est bonne, à quel point elle est fidèle, à quel point elle représente vraiment le futur, et vous voulez que cette évaluation soit quantitative en elle-même. Et c’est ce que devrait être la précision. Si nous définissons la précision de la manière dont je le fais, je dirais très bien, je suis d’accord. C’est très pertinent, cette définition conduit à quelque chose de significatif et potentiellement rentable pour votre entreprise. Maintenant, ce n’est absolument pas la définition que vous trouverez dans les manuels de la chaîne d’approvisionnement, pas même proche. La définition courante de la précision est une prévision de séries temporelles. Donc, lorsque les gens parlent de précision, ils parlent implicitement de prévision de séries temporelles et pas de n’importe quelle sorte de prévision de séries temporelles, il s’agit d’une prévision de séries temporelles équidistantes. Que signifie équidistant ? C’est une prévision périodique par jour, par semaine, par mois, par trimestre, éventuellement par an, éventuellement par heure, des intervalles égaux. Donc c’est une prévision périodique. Ce n’est pas n’importe quelle sorte de prévision, vous pouvez imaginer beaucoup d’autres prévisions alternatives, c’est une série temporelle, unidimensionnelle et périodique, toutes les périodes sont les mêmes. En plus de cela, nous parlons d’une prévision ponctuelle où chaque période obtient une valeur, c’est la prévision de séries temporelles. Ma définition est très différente. Celle que j’ai donnée était beaucoup plus large et non spécifique quant à la sorte de déclaration quantitative que je fais sur le futur. Je dis que ma définition est complètement agnostique, je dis simplement que nous essayons de qualifier une déclaration sur le futur et je dis simplement que cette déclaration devrait être quantitative. Je ne remets pas en question quelque chose comme “Je crois que cette année sera bonne”, non, ce n’est pas une déclaration quantitative sur le futur, juste quelque chose de qualitatif. Je dis simplement que la précision s’applique aux déclarations quantitatives sur le futur et que nous voulons l’évaluer à nouveau avec un instrument quantitatif. L’approche courante est beaucoup plus directe et elle fait des hypothèses très significatives. Les hypothèses sont des séries temporelles, unidimensionnelles, périodiques ou équidistantes, et des prévisions ponctuelles. Ce sont à peu près les hypothèses de base. Il y a d’autres hypothèses plus fondamentales que les gens pourraient ne pas voir, comme la symétrie entre le passé et le futur, la localité des mesures et l’agnosticisme vis-à-vis de l’environnement informatique ou logiciel.
Conor Doherty: Merci. Et encore une fois, pour contester un peu, lorsque vous avez décrit la différence entre Lokad et l’approche courante, pour certaines personnes, cela peut ne pas être clair. Quel est le problème avec la perspective des séries temporelles ? Vous dites qu’elle est unidimensionnelle, d’accord, à quel égard et pourquoi est-ce un problème ?
Joannes Vermorel: Lorsque vous décidez de décrire l’avenir avec des déclarations quantitatives, nous sommes tellement habitués, et dans les manuels, ce sont littéralement des manuels de supply chain mais aussi d’autres manuels d’entreprise, qui ne reconnaissent même pas qu’il pourrait y avoir une autre façon de regarder l’avenir que les séries temporelles. Les gens, je veux dire, et je pense que la plus grande erreur est de donner l’impression que la seule façon de regarder l’avenir de manière quantitative était les séries temporelles. Et je dis, certainement pas. Et plus que cela, les séries temporelles sont un modèle incroyablement simpliste. C’est comme une mesure avec un seul tic au fil du temps à chaque période. C’est le plus simple des modèles mathématiques que nous avons. Est-ce une représentation fidèle de l’avenir ? Est-ce que cela reflète de manière sensée quelque chose que vous connaissez de l’avenir ? Et ma proposition est que, pour les besoins de la supply chain, non, et pas du tout. Et si nous commençons par quelques exemples, regardons, 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 avoir une série temporelle, une par produit vendu par le supermarché. Est-ce la bonne façon 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 du moins la grande majorité, occasionnellement vous pouvez avoir des gens qui entrent dans le supermarché pour acheter un produit, mais la grande majorité des ventes sont générées par des personnes qui vont au supermarché une fois par semaine et qui achètent un panier entier de produits. Donc ce qui compte en termes de demande est exprimé 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 en termes de paniers. Donc, est-ce que j’ai tout ce dont j’avais besoin pour ma liste de courses ? Donc, cette perception qui est au niveau du panier n’a rien à voir avec ces séries temporelles isolées et ces séries temporelles isolées, elles ignorent complètement toutes les relations qui existent entre les produits et toutes les substitutions et cannibalisation qui peuvent se produire. Donc, elles sont parfois aveugles à ces effets. Donc, nous avons un problème de cécité, c’est que 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 qui existent entre les produits et toutes les substitutions et cannibalisation qui peuvent se produire. Donc, elles sont parfois aveugles à ces effets. Donc, nous avons un problème de cécité.
Cette dimension unique, 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 accident. Prenons l’exemple d’un supermarché, ou de toute entreprise, et réfléchissons réellement à ce que signifie l’avenir, à ce à quoi nous regardons réellement. Vous réaliserez qu’au fond, nous ne regardons pas des séries temporelles. Nous regardons des choses qui ont une structure, mais pas nécessairement, et généralement pas, une structure de séries temporelles. Il peut y avoir des entreprises incroyablement simplistes, des boutiques familiales, où la série temporelle est suffisante, mais ces entreprises sont l’exception, elles ne sont pas la norme, surtout dans le monde dans lequel nous vivons aujourd’hui avec de grandes entreprises opérant de grandes chaînes d’approvisionnement avec une grande complexité ambiante. Chaque série temporelle traiterait chaque article donné ou chaque SKU donné indépendamment de chaque autre SKU donné dans un catalogue. Ainsi, s’il y a des interrelations, s’il y a des offres groupées ou des substitutions, il sera agnostique ou aveugle à cela. Et cela rend finalement l’exactitude pour chaque article individuel non fausse, mais trompeuse. Si je veux faire une analogie, imaginez que vous avez une télévision en noir et blanc. Ce serait votre prévision de séries temporelles. Il vous manque quelque chose. Vous pouvez ajouter des pixels, ce qui ajouterait 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 êtes toujours en noir et blanc. Peu importe comment vous pouvez agrandir la télévision, vous pouvez augmenter la fréquence de rafraîchissement, vous n’avez toujours pas de couleurs, vous n’avez que du noir et blanc.
Donc, je prends cela 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. Revisitons cet exemple de supermarché avec des produits périssables. Les produits périssables, disons que vous avez des produits sur les étagères, mais chaque unité que vous avez sur l’étagère a sa propre durée de conservation. Et ce que font de nombreux clients lorsqu’ils visitent le magasin, c’est qu’ils regardent la date d’expiration et leur opinion sur le produit diffère en fonction qu’il ne reste qu’un jour de vie pour ce produit, ou qu’il reste trois semaines. Il est encore très frais. Mais si nous regardons les données d’un point de vue de séries temporelles, cela est absent. Vous ne pouvez pas, à travers une représentation de séries temporelles de vos ventes ou de la demande pour, disons, un pack de yaourts, représenter la fraîcheur. C’est absent. Ce serait, si je reviens à mon équivalent télévisuel, dire : “Eh bien, je n’ai que du noir et blanc, mais savez-vous quoi ? Je peux simplement acheter trois téléviseurs et je dirais que le premier va afficher le bleu, le deuxième va afficher le vert et le troisième va afficher le rouge. Et techniquement, j’ai toutes les couleurs. Je dois juste les recombiner visuellement d’une manière ou d’une autre.” Je dirais : “Oui, mais c’est une solution très, très compliquée au problème. Ce n’est pas une bonne solution.” Du point de vue de l’expérience utilisateur pratique, c’est de la merde complète.
Et ce serait la même chose si nous devions le faire pour le supermarché en disant que nous allons simplement gérer la périssabilité en ajoutant simplement plus de séries temporelles. Oui, d’un point de vue très technique, vous pourriez potentiellement le faire, mais ce ne serait qu’une solution très peu pratique. Ce ne serait pas une bonne solution. Et vous voyez, ici encore, 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 a un impact sur la demande et cela a également un impact sur votre stock. Si vous pensez avoir 50 unités en stock mais que la moitié d’entre elles expire demain, alors vous n’avez pas vraiment 50 unités en stock. Et cela n’est vrai que si le client n’a pas un comportement défavorable en choisissant les unités ayant la durée de conservation la plus longue.
Les clients qui choisissent des produits sur une étagère dans un supermarché pourraient même choisir les produits ayant la durée de conservation la plus longue et ainsi sélectionner de manière défavorable les produits les moins urgents à vendre. Donc, revenons 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 motifs très importants tels que les paniers et les produits périssables. Ils sont très importants, ils sont très fondamentaux, et ils ne correspondent pas au paradigme des séries temporelles. Et puis la précision, la précision du manuel, ne reflète que le paradigme des séries temporelles. Elle correspond implicitement et c’est pourquoi je dis que Lokad diverge. Le manuel de la supply chain, en ce qui concerne la précision, ne concerne que les séries temporelles. Et mon point est que oui, vous avez un instrument qui mesure quelque chose d’insignifiant et qui ne correspond pas à l’ADN fondamental de l’entreprise, ce qui fait avancer l’entreprise, ces paniers, ces produits périssables. On dirait que vous parlez de contraintes. Il y a beaucoup de contraintes, beaucoup d’autres choses, même des structures. La structure de base du problème, c’est-à-dire dans un supermarché, il ne s’agit pas de vendre des unités, des produits un par un. Il s’agit de vendre des paniers. C’est ce qui fait avancer le supermarché. C’est l’essence même du supermarché. Le supermarché a littéralement été conçu du sol au plafond pour vendre des paniers.
C’est pourquoi vous avez ces points de vente où vous pouvez décharger toutes vos affaires et faire avancer les choses. C’est pourquoi vous avez un chariot. Je veux dire, tout a été conçu dans le supermarché pour que les gens puissent acheter beaucoup de choses en une seule fois. Si vous voulez juste acheter une tasse de café supplémentaire, cela n’a aucun sens d’aller dans un supermarché. Donc, mon point est 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 regarde le cas d’un produit à la fois, tout en isolation ? Et ma réponse est non, cela n’a aucun sens. Donc, il n’y a aucun moyen d’adapter la perspective des séries temporelles pour refléter les inconnues ou les intangibles que vous décrivez. Un mathématicien dirait que si vous empilez suffisamment de séries temporelles, vous pouvez le faire. Parce que vous voyez, nous pourrions toujours dire que nous pouvons ajouter plus de séries temporelles. Et c’est exactement comme dire que nous avons une télévision en noir et blanc, vous pouvez avoir plusieurs téléviseurs, et alors vous en aurez un pour chaque couleur, et techniquement vous aurez les couleurs. Donc, vous voyez, nous devons être prudents ici. Si vous dites que pour les séries temporelles, vous êtes autorisé à introduire de plus en plus de séries temporelles, alors oui, techniquement vous pouvez gérer n’importe quel nombre de dimensions car vous augmentez la dimensionnalité de votre instrument en ajoutant simplement des séries temporelles. Mais ce n’est pas une solution pratique. Tout comme si vous voulez avoir des couleurs sur votre télévision, avoir plusieurs téléviseurs n’est pas une bonne solution. En mathématiques, il y a beaucoup de solutions qui sont largement impraticables. Les mathématiciens sont très doués pour inventer des solutions folles qui sont techniquement correctes, mais qui ne sont correctes que mathématiquement.
Dans le monde réel, c’est insensé. Ce n’est pas la façon dont vous aborderiez le problème. Cela ne vous donnera 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 qui reposent sur l’approche des séries temporelles et qui, en pratique, fonctionnent réellement. Prenons par exemple la valeur ajoutée prévisionnelle. Maintenant, ce que vous venez de décrire, je présume, ne correspond pas à cela. Mais les personnes qui préconisent cela diraient que cela fonctionne en contradiction avec tout ce que vous venez de dire. Donc, oui, les gens affirment que leurs outils fonctionnent depuis essentiellement la fin des années 70. Donc, depuis environ 45 ans, les vendeurs affirment que nous avons des logiciels automatisés avancés qui peuvent littéralement automatiser tout ce qui concerne la supply chain. Les vendeurs affirment que nous avons des logiciels automatisés avancés qui peuvent littéralement automatiser tout ce qui concerne la supply chain. Et lorsque les gens disent que nous avons un logiciel d’entreprise pour la gestion, de nos jours, lorsque les gens disent que j’ai un CRM, gestion de la relation client, il s’agit simplement des enregistrements administratifs, des saisies de données. Mais si vous remontez dans les années 70, lorsque l’on parlait de gestion, on pensait aussi aux décisions, à toute l’intelligence. Donc, ma proposition est que, en théorie, nous avons, depuis les quatre dernières décennies, des logiciels censés robotiser entièrement toutes ces décisions : inventaire, réapprovisionnement, production, planification, allocation des stocks, optimisation des prix. Tout cela est, selon les vendeurs, entièrement automatisé, automatisé à 100 %, depuis quatre décennies. Et la plupart des vendeurs, si vous regardez la façon dont ils communiquaient dans les années 80, disaient que cela serait entièrement fait par la machine. C’était autrefois un employé de bureau qui s’en occupait, mais ce n’est plus le cas. Au cours de la dernière décennie, j’ai rencontré plus de 200 directeurs de la supply chain et invariablement, il y a un logiciel en place. Une série de solutions logicielles a été mise en œuvre, mais tout est encore fait via des feuilles de calcul.
Nous avons plusieurs générations de logiciels d’entreprise axés sur la prévision des séries temporelles qui sont censés automatiser tout. Ils font cela depuis des décennies, mais la réalité est que cela se fait toujours dans Excel. Qu’est-ce qui a mal tourné ? Je pense que le problème principal est que la perspective des séries temporelles est incorrecte. Elle ne correspond pas à la structure du problème. Il y a d’autres problèmes, mais le plus grand est qu’elle ne correspond pas. Cette vision unidimensionnelle de l’avenir est trop simpliste et tout s’effondre à partir de là. Si nous ne sommes pas censés poursuivre la précision des prévisions en tant qu’indicateur clé de performance, que devrions-nous poursuivre à la place ? Tout d’abord, nous devons repenser ce que nous essayons de résoudre. Nous essayons de produire des déclarations quantitatives sur l’avenir qui ont du sens pour l’entreprise. Une déclaration sur l’avenir est largement spécifique au domaine, ce qui est le contraire de ce qui est indiqué dans les manuels de la supply chain. Les manuels de la supply chain affirment que les séries temporelles sont tout ce dont vous avez besoin. Ma conclusion, après avoir observé des centaines d’entreprises, est que cela est presque invariablement faux. S’il existe des entreprises qui peuvent être adéquatement modélisées par des séries temporelles, ce sont des exceptions, pas la norme. La structure n’est pas alignée sur une série temporelle. Si vous essayez de projeter un modèle mathématique et qu’il n’a pas la bonne structure, vous ne modéliserez pas correctement les réalités que vous essayez de modéliser. C’est comme essayer de faire rentrer 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 qu’il y a. Mais il y a beaucoup d’autres façons de le faire, et ces autres façons dépendent de l’entreprise. Si vous êtes un supermarché, votre ADN, ce sont les paniers. Si vous êtes dans la mode, ce sera complètement différent. Si vous êtes une entreprise de mode, vous voulez générer des envies, et les séries temporelles n’ont pas vraiment de sens pour cela. Disons que vous avez un nouveau motif qui devient tendance. Vous pouvez générer de nombreux produits qui jouent avec cela, mais vous pouvez en avoir plus ou moins.
La majorité de vos clients se situent au milieu. Si vous optez pour des couleurs très extrêmes, vous risquez de ne pas avoir suffisamment de demande pour justifier autant de variantes. Si vous souhaitez penser à l’avenir, vous devez tenir compte de ces halo de besoins, et cela ne correspond pas à votre vision des séries temporelles. Si vous vendez des produits dérivés de figurines d’action, alors c’est encore plus étrange. L’ensemble de l’activité est structurée autour de ces héros. Batman est beaucoup plus puissant en termes de produits dérivés que Green Lantern, et cela dure depuis quelques décennies. Si nous nous tournons vers l’aérospatiale, ce serait encore autre chose. La consommation de pièces est motivée par le fait que vous avez une flotte d’avions. Chaque avion a une durée de vie d’environ trois à quatre décennies. La consommation de pièces suivra une certaine courbe au cours de cette durée de vie. La structure appropriée si vous souhaitez soutenir un grand MRO qui prend en charge des flottes d’avions est de réfléchir à quelles sont les flottes d’avions que je soutiens et comment elles augmentent et diminuent. La réalité est que lorsque vous choisissez une verticalité, 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 considérons la structure et revenons à un exercice que mon professeur de physique avait l’habitude de faire, nous dirions : “D’accord, c’est une vache et nous allons approximer la vache comme une sphère.” C’est bien pour un exercice de jouet, mais la vache n’est pas une sphère en réalité et pas du tout proche d’une sphère. Donc, c’est une approximation très farfelue. C’est bien pour un exercice, mais ce n’est pas bon pour quelque chose de réel. Si vous devez traiter avec de vraies vaches, je vous déconseille d’approximer vos vaches comme des sphères. Ça ne se terminera pas bien. Ce n’est pas une approximation valide.
Conor Doherty : Encore une fois, lorsque vous dites qu’une série temporelle est une approximation très simpliste du futur, nous, chez Lokad, décrivons régulièrement notre approche, qui est probabiliste, comme étant préférable d’être approximativement juste plutôt qu’exactement faux. Est-ce simplement une différence de termes ?
Joannes Vermorel : Comme je l’ai dit, d’abord nous avons la structure. Et d’ailleurs, c’est aussi une chose où Lokad diverge. Nous utilisons l’approche probabiliste comme un étendard, mais la réalité est que mon problème concerne d’abord probablement la structure. Le deuxième problème que je vois est autre chose. C’est l’approche classique des manuels sur la supply chain qui demande simplement de l’exactitude et suppose que le passé est le symétrique exact du futur. Ce n’est pas le cas. C’est vrai dans un sens si vous regardez, disons, le mouvement des planètes. Donc, des choses où vous êtes simplement un observateur, l’humanité l’observe et ne peut rien changer. Donc, si vous voulez prévoir le mouvement des planètes, disons la planète Mars, alors oui, supposer que le passé est simplement un symétrique du futur est très bien car nous n’avons aucun impact mesurable tangible sur le mouvement de la planète Mars. Mais pour la supply chain, ce n’est pas bon car tout votre futur est conditionné par des décisions qui n’ont pas encore été prises. Votre futur est conditionné par votre décision future et non seulement votre décision future, mais aussi les décisions futures qui seront prises par d’autres personnes comme vos concurrents. Il y a donc cette asymétrie radicale entre le passé et le futur et la perspective classique des séries temporelles, qui est caractérisée par l’exactitude, est tout simplement totalement méprisante à cet égard. Elle n’est même pas mentionnée. Elle n’existe même pas et elle n’est même pas évaluée dans ce genre de mesures d’exactitude. Si vous voulez faire une déclaration fidèle sur le futur, quelle que soit cette déclaration, elle doit intégrer en elle-même le fait que le futur est encore conditionné par des décisions. Vous voulez faire une déclaration qui soit encore utile malgré le fait que les décisions n’ont pas encore été prises.
Conor Doherty : Beaucoup de gens pensent qu’ils se tiennent de chaque côté de la demande et qu’ils l’observent simplement comme vous l’avez dit, comme des observateurs. Mais vous dites que d’accord, nous ne contrôlons pas le futur mais nous pouvons le co-écrire avec les choix qui sont faits. Mais quels sont ces choix pour les personnes qui ne sont pas au courant ?
Joannes Vermorel : Disons que vous vendez 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 qu’un sac à dos noir et que vous le mettez partout sur votre site de commerce électronique et dans tous vos magasins, alors vous allez peut-être en vendre beaucoup. Mais si vous avez plus de variantes, d’autres sacs à dos qui sont un peu similaires, un peu plus grands, et que vous introduisez une demi-douzaine de couleurs, à chaque fois que vous introduisez une variante de plus, allez-vous doubler vos ventes ? Non, évidemment il y aura cannibalisation. La demande que vous aurez pour le futur n’est pas écrite, elle n’est pas gravée dans la pierre. Cela dépend beaucoup du nombre de variantes que vous introduisez. C’est un choix que vous avez à faire. Et si vous divisez le problème, disons que vous voulez d’abord décider de l’assortiment de sacs à dos, puis prévoir ensuite, je dirais que c’est absurde. Parce que évidemment, si vous décidez d’abord de votre assortiment et ensuite vous prévoyez, si vous vous rendez compte que certains produits n’ont pas assez de demande, vous allez les retirer. Littéralement, nous créons la demande et c’est ce que font les entreprises. C’est aussi la loi de Jean-Baptiste Say, l’économiste. L’offre précède la demande. Vous devez pousser les produits sur le marché pour créer la demande. Avant qu’Apple n’introduise l’iPhone, la demande pour l’iPhone sur le marché était exactement zéro. Vous devez d’abord lancer le produit sur le marché, puis vous allez générer de la demande pour le produit.
Conor Doherty : Mais en travaillant dans le paradigme que vous critiquez, il y a des pratiques comme la valeur ajoutée de prévision où vous avez la demande et je vais voir le marketing et je vais voir les ventes et je sollicite leurs idées. Nous allons introduire x quantité de variantes et ensuite, il y a une prise de conscience que nos décisions vont façonner l’avenir et des révisions sont faites à la baisse ou à la hausse.
Joannes Vermorel : Mais je dirais encore une fois, après avoir observé les entreprises pendant plus d’une décennie, presque une décennie et demie, ce ne sont que des bureaucraties. Quand vous regardez comment les choses se passent vraiment, vous avez des gens dans l’entreprise qui disent quelque part : “Oh, nous avons une opportunité, nous allons le faire.” Et ensuite, ils pensent que s’ils le font simplement comme ça, cela semble non scientifique. Donc, ils veulent étayer leur intuition avec des chiffres et certaines personnes vont ajouter des chiffres par-dessus et ensuite ils diront : “D’accord, nous avons des chiffres, c’est maintenant scientifique, nous le faisons.” Mais non, c’était une intuition très valable sur le marché, c’était un raisonnement de haut niveau très valable sur quelque chose et ensuite ils ont fait un calcul rapide pour dimensionner correctement l’initiative. Et ensuite, tout le reste était juste de la bureaucratie pour tamponner l’initiative mais cela n’a pas contribué à la chose. Ce n’était pas l’étincelle initiale, ce n’était pas l’impulsion, ce n’était même pas la véritable maîtrise scientifique de quoi que ce soit qui a rendu cela possible. C’était juste des formalités administratives qui ont eu lieu après la bataille. Vous venez de décrire ce que Lokad fait avec ses propres clients. Nous communiquons, ils nous donnent des informations sur leurs projets futurs et nous intégrons cela dans la recette numérique. La différence fonctionnelle est que fondamentalement, nous avons des recettes numériques beaucoup plus polyvalentes. Nous ne sommes pas bloqués avec des séries temporelles et nous n’utilisons que rarement des modèles de séries temporelles dans la pratique. Si vous voulez afficher une courbe à l’écran, elle doit être une série temporelle. C’est parce que les écrans sont bidimensionnels et nous avons une dimension qui est le temps.
Sous le capot, le modèle n’est pas unidimensionnel. La plupart de nos modèles prédictifs ne fonctionnent pas comme des modèles de prévision des séries temporelles. Nous disposons de métriques de précision qui sont en accord avec la vision qui définit la fidélité d’une déclaration quantitative sur le futur. Mais cela a très peu à voir avec les métriques d’erreur absolue en pourcentage moyen. Nous nous posons une question : est-ce que nous faisons une déclaration qui est réellement significative, qui est fidèle, qui est en accord avec ce que nous essayons vraiment de faire ? Par exemple, dans l’industrie de l’aéronautique, avons-nous quelque chose qui embrasse vraiment cette idée que nous servons une flotte et que la flotte a certains paramètres que nous pouvons contrôler ? Un avion a une durée de vie de peut-être trois à cinq décennies. C’est très bien contraint, donc nous pouvons littéralement intégrer ces choses dans nos modèles. Lorsque nous travaillons avec des clients, nous avons des modèles où nous faisons simplement des choses simples. Nous prenons le temps de comprendre ce qu’ils essaient de résoudre et quelles déclarations auraient du sens pour être fidèles à l’avenir de leur entreprise. C’est très différent. Si nous avons une métrique de précision, nous partons de l’essence même de l’entreprise, essayons de capturer la structure, puis concevons quelque chose par-dessus. Il ne s’agit même pas de capturer les particularités d’une verticalité, mais de son ADN. Par exemple, dans l’aéronautique, vous devez prendre en compte le fait que ce que vous économisez en tant que pièces de rechange sont des avions. Dans l’industrie de la mode, il y a certaines modes et tendances qui vont et viennent. Dans l’aéronautique, il y a des flottes qui vont et viennent. Par exemple, le Boeing 747 est en train d’être progressivement retiré du service, mais l’Airbus 350 est en train d’être progressivement intégré. Si vous voulez faire de la mode et que vous dites que vous allez ignorer la nouveauté, ma réponse à cela est que cela ne se terminera pas bien. Je suis fermement en désaccord avec la perspective qui est exprimée dans la plupart des livres sur la supply chain selon laquelle ces choses sont des détails. Ce n’est pas le cas. Vous ne pouvez pas aborder une verticalité en ignorant complètement ce qui rend cette verticalité spécifique. Vous ne pouvez pas faire du merchandising pour des équipes sportives en ignorant le fait que vous avez des tournois et que chaque année la structure de votre problème est que vous avez une équipe qui gagne. Par exemple, revenons à cette entreprise qui vend des accessoires pour les équipes de baseball. Comment intégrez-vous le fait qu’il y a toujours une seule équipe gagnante dans une série temporelle ? Vous concevez votre précision. Vous concevez quelque chose par-dessus un modèle, ce modèle de séries temporelles, qui n’a pas de sens. Vous obtiendrez des chiffres, mais…
Conor Doherty: Eh bien, je suis conscient que je veux commencer à conclure et examiner quelques questions du public. Nous sommes une entreprise qui est axée sur le résultat financier d’un point de vue purement financier. Il y a une simple critique qui a peut-être déjà été posée, je ne sais pas, mais je vais vous la poser maintenant. Il y a des entreprises multinationales qui sont en désaccord complet avec à peu près tout ce que vous venez de dire. Des entreprises multinationales qui existent depuis un siècle ou plus. Comment répondez-vous à ceux qui disent : “Regardez notre solde bancaire, Joannes, nous sommes en désaccord 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 grandes collections d’êtres humains, elles n’ont pas d’opinion en elles-mêmes. Ce sont seulement les personnes qui travaillent pour ces entreprises qui en ont une. Donc, les entreprises font beaucoup de choses, beaucoup de choses, surtout dans les grandes entreprises, sont accidentelles. Ce n’était pas vraiment prévu de cette façon, cela s’est juste passé comme ça. Ce sont donc des accidents. Lorsque nous disons que je suis en désaccord avec les séries temporelles, mon expérience est que lorsque je discute avec des dirigeants de grandes entreprises, ils sont très souvent d’accord avec ce genre de fondamentaux que je viens de mentionner. Lorsque je discute avec le PDG d’une grande entreprise de mode, il est généralement extrêmement perplexe quant à la raison pour laquelle les équipes de planification veulent absolument tout intégrer dans les séries temporelles, ce qui ne correspond pas du tout à sa propre vision. Donc, suis-je vraiment en désaccord ? Je ne le pense pas. Mon expérience lorsque je traite avec des dirigeants qui ont passé des décennies dans un secteur, c’est qu’ils sont généralement très frustrés par la façon dont la planification est faite car cela ne reflète pas leur perception et leur compréhension fondamentale de leur propre entreprise. En fin de compte, je fais plus confiance à mon instinct qu’aux chiffres provenant de l’équipe de planification. Le fait que ces dirigeants disent cela et que l’entreprise réussisse prouve qu’ils font un peu les choses correctement. Ils ont une équipe de planification parce qu’ils ne peuvent pas se fier uniquement à leur instinct. Donc, vous avez besoin de plus de chiffres, vous avez besoin de cette équipe de planification et vous avez besoin de ces outils, mais ils ne sont pas vraiment super bons. Je m’éloigne considérablement de ce qui est écrit dans les manuels, mais je ne suis pas sûr de m’éloigner autant de l’instinct de la plupart des dirigeants avec lesquels j’ai eu la chance de discuter.
Conor Doherty: Pouvez-vous résumer votre position sur la raison pour laquelle la précision des prévisions n’est pas importante, puis nous passerons à autre chose ?
Joannes Vermorel: C’est sans importance car si je prends la définition du manuel de la supply chain, elle est complètement fausse. Elle repose sur un paradigme défectueux qui est un paradigme de prévision des séries temporelles qui est complètement faux. C’est pourquoi je dis que c’est un désaccord paradigmatique complet. Cela ne correspond pas au problème qu’il tente de résoudre et donc c’est juste une solution mathématique ou statistique fantaisiste au mauvais problème. Donc, cela n’a pas d’importance dans ce sens. Cependant, si nous disons à la manière de Lokad, qui est d’avoir quelque chose qui est quantitativement fidèle à l’essence de l’entreprise, alors cela a une grande importance.
Conor Doherty: Merci à tous pour vos questions. Je ne suis pas sûr que nous ferons de notre mieux pour y répondre dans l’ordre où elles ont été soumises en coulisses. Donc, je lis ce qui m’a été présenté et certaines de ces déclarations auxquelles vous répondrez, je suppose. Donc, d’un certain Dustin, “La précision des prévisions est importante, cependant, la méthode actuelle de quantification 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, Lokad, nous avançons 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, embrasser l’incertitude est certainement nécessaire, Lokad, nous sommes tous pour cela. Mais encore une fois, revenez à, si vous êtes toujours unidimensionnel, ce n’est toujours pas bon. Et si vous traitez toujours le passé comme un symétrique du futur, vous ignorez complètement ce potentiel de décisions qui n’ont pas encore été prises.
Conor Doherty: Suggérez-vous que la précision de la prévision dépend davantage de la précision de l’exécution, qui englobe les informations provenant des changements internes et externes ? Du point de vue de la prévision, l’accent devrait-il être mis sur la quantité et la valeur ? Paulo estime que les indicateurs de performance clés (KPI) revêtent une grande importance lorsqu’ils sont partagés entre différentes fonctions, notamment commerciales, marketing et financières. Selon vous, les scénarios positifs et négatifs sont-ils utiles ? Il y a beaucoup de petites questions là-dedans, 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 sur l’avenir, le logiciel n’est qu’un artefact. Il n’a aucune valeur en soi. Je pense que Paulo a tout à fait raison de dire que votre évaluation ne peut pas être quelque chose d’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 adapté ou non. Vous produisez votre artefact numérique, votre prévision, et vous ne pouvez juger de sa qualité qu’en fonction de ses conséquences, de ses conséquences lointaines. C’est là que vous devez remonter des conséquences lointaines à la recette numérique utilisée pour produire la prévision afin d’évaluer si elle était bonne ou mauvaise. C’est une approche très conséquente que j’ai vis-à-vis de la prévision.
En ce qui concerne les KPI partagés entre les différents services, je dirais qu’il faut faire attention. Les entreprises ne gagnent pas d’argent en faisant lire des chiffres aux gens. Il est bon que les chiffres soient partagés entre les équipes, mais cela crée-t-il de la valeur pour l’entreprise ? Pas vraiment. Et quand les gens parlent de KPI, cela est censé être clé, comme des indicateurs de performance clés, censément quelques-uns. Mais mon observation est que les entreprises ont des dizaines, des centaines, parfois des milliers de KPI. Donc ce ne sont pas des KPI, ce sont des indicateurs de performance, comme une cargaison d’indicateurs de performance. Mon point de vue est que oui, dans une certaine mesure, mais attention. Les entreprises paient déjà beaucoup trop de personnes pour passer du temps à regarder des métriques tout en faisant très peu de choses par la suite.
Conor Doherty: Je pourrais juste rebondir rapidement là-dessus car corrigez-moi si je me trompe, vous dites que partager trop de communication interdépartementale 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 avec ces chiffres ? Selon moi, si vous voulez partager des données, elles ne devraient pas passer par les yeux et les cerveaux des humains. Nous parlons d’un client typique pour nous qui possède plus d’un téraoctet de données de transactions. C’est beaucoup. Donc, réaliste-ment, si nous disons que vous savez, à travers vos yeux, combien de chiffres pouvez-vous lire par seconde ? Quelque chose comme cinq chiffres par seconde. Il faudrait toute une vie pour canaliser ces données à travers les cerveaux humains. Donc évidemment, les données, lorsque nous disons que nous voulons partager des données, nous ne voulons pas dire qu’elles doivent passer par les personnes. Rompre les silos ne consiste pas à s’assurer que Bob du service voisin doit consommer toutes les données que vous produisez, générez et rapportez, et ainsi de suite. Il s’agit simplement de s’assurer que tout le monde a un accès programmable à toutes les données de l’entreprise afin qu’ils puissent optimiser leurs propres décisions. Et s’ils doivent se coordonner, il s’agit d’aligner les recettes numériques elles-mêmes qui prennent les différentes décisions. Cela ne signifie pas que les gens eux-mêmes doivent utiliser leur propre temps et leur propre bande passante, le temps humain et la bande passante humaine, pour traiter manuellement ces données. Rompre les silos ne consiste pas à générer du travail pour l’autre service en créant un rapport que vous attendez des personnes de l’autre service qu’elles lisent. Ici, vous créez simplement de la bureaucratie. Vous créez simplement une tâche bureaucratique que vous imposez à un autre service. Et mon intuition est que la plupart du temps, lorsque vous faites cela, cela ne se traduira pas par quelque chose de rentable pour l’entreprise. Cela pourrait le faire, mais ce n’est pas acquis et la plupart du temps, ce ne sera pas le cas.
Conor Doherty: Merci pour cela. Je suis conscient que nous avons peu de temps, donc cette question vient de Sashin ou Sain. Dans quelle mesure le concept de panier ou la perspective du panier est-il applicable aux entreprises B2B par rapport aux seuls biens de consommation ?
Joannes Vermorel: C’est essentiel. Prenons un exemple. 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 la majeure partie de votre activité est générée par les chantiers de construction. Donc oui, il y a occasionnellement une entreprise qui va commander une ampoule ou un interrupteur juste pour effectuer une petite réparation, mais la majeure partie de l’activité est générée par les chantiers de construction. Il y a une nouvelle tour et dans 6 mois, vous avez besoin de 4 000 interrupteurs de lumière du même modèle en même temps et vous avez besoin de 200 km de câble, littéralement. Et donc nous avons, et ce n’est pas un cas particulier, c’est quelque chose de très classique lorsque vous regardez la construction civile. Il y a un bâtiment qui est construit, il y aura des entreprises qui passent de grosses commandes pour dire tout ce dont elles ont besoin pour équiper le bâtiment en termes d’équipements électriques. Et donc disons que 6 mois à l’avance, elles ne s’attendent pas à ce que ce distributeur d’équipements électriques ait tout en stock. Personne n’a cette quantité de stock disponible immédiatement, donc l’entreprise qui réalise l’installation du bâtiment le sait. Donc plusieurs mois à l’avance, elles passent une grosse commande et elles savent que ce ne sera pas disponible, donc elles la passent plusieurs mois à l’avance. Mais elles disent que 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 chose. Donc nous avons une grosse commande, mille références, pour chaque référence il y a des centaines d’unités et nous avons besoin de chaque chose jusqu’à la dernière unité parfaitement disponible à cette date. Et nous ne vous trompons pas, nous vous donnons beaucoup de mois pour que cela se produise. Et c’est ce qui, donc vous voyez dans ce cas, la chose intéressante est que nous nous éloignons à nouveau de la série temporelle. Nous avons une demande mais si vous pensez à la demande comme une série temporelle, vous manquez le point. Le point est que vous avez deux dates, vous avez la date de commande et vous avez la date de disponibilité prévue pour la marchandise. Donc c’est aussi un panier, 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. Maintenant, est-ce parfaitement connu ? Ce n’est pas le cas car ce qui se passe, c’est qu’il peut y avoir de petites déviations dans les calendriers de construction et ensuite le client peut revenir vers vous en disant que nous avons besoin de ces choses une semaine plus tôt ou une semaine plus tard. Donc vous voyez qu’il y a encore une certaine variabilité et puis à mesure que le chantier de construction avance, ils peuvent apporter des ajustements marginaux à leur panier. Mais vous avez toujours la majeure partie des informations disponibles pendant beaucoup de temps. Donc vous voyez encore une fois, même si nous regardons le B2B, nous avons ce genre de phénomènes. Encore plus, je dirais que le B2B est principalement axé sur les affaires récurrentes avec des partenaires bien identifiés. Donc ce type d’analyse de panier est encore plus courant dans le B2B que dans la vente au détail B2C.
Conor Doherty: De Stefan, ou Stefane, le Français, je crois que Stefan a un commentaire. Il dit : “On peut potentiellement fournir une grande quantité de données, structurées ou non, à une IA avancée pour obtenir une prévision. Cependant, il y a un hic à cela, n’est-ce pas ?” C’est une question. Peut-être que vous le savez ?
Joannes Vermorel: Oui, je veux dire, les gens pensent que l’alternative à une série temporelle est une sorte d’IA Skynet. Ma réponse est, pourquoi pensez-vous cela ? Si tout ce que vous avez jamais vu dans votre vie, ce sont des formes rondes, 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’impossible à comprendre. Ce pourrait être simplement 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 utilisés par Lokad sont très simples, ils ne sont tout simplement pas des séries temporelles. Il y a cette sorte de culte selon lequel cela doit être des séries temporelles. Je dis, pourquoi pas ? Les mathématiques sont vastes, il y a des tonnes de choses alternatives que vous pouvez faire qui ne sont pas plus compliquées que les séries temporelles. Elles sont différentes. Les séries temporelles étant les plus simples des plus simples, oui, elles sont un peu plus compliquées, un peu, car il n’y a presque rien de plus simple que les séries temporelles. Les séries temporelles sont littéralement une quantité avec une dimension temporelle, donc c’est difficile à faire car nous devrons traiter avec la dimension temporelle. Il est difficile d’être plus simple que les séries temporelles car les séries temporelles sont déjà super simplistes. Mais cela ne signifie pas que l’alternative aux séries temporelles est une IA de niveau Skynet. Ces modèles sont toujours paramétriques, très simples, et il s’agit simplement d’embrasser la structure du problème que vous essayez de résoudre. Lorsque je décris la structure des problèmes, comme une série de matchs de baseball avec un gagnant chaque année, les autres équipes perdent, nous ne parlons pas de structures incroyablement compliquées. Ces choses ne sont pas si compliquées, elles peuvent être décrites en quelques minutes, et les modèles que Lokad utilise généralement peuvent également être décrits en quelques minutes. Les séries temporelles peuvent être décrites en quelques secondes, donc nous sommes plus dans le genre de choses qui nécessitent quelques minutes pour être décrites.
Conor Doherty: Eh bien, en ce qui concerne la différence entre les formes, et je vais brièvement rebondir là-dessus, lorsque les gens parlent de mesurer la qualité ou la fidélité d’une prévision, ils regardent l’exactitude. Nous ne regardons pas cela. L’autre forme que nous utilisons est l’impact financier. Est-ce la forme alternative ?
Joannes Vermorel: Cela fait partie de notre boîte à outils. La perspective financière n’est pas quelque chose sur laquelle nous sommes intransigeants. C’est juste que, d’après mon expérience, lorsque nous traitons avec une grande entreprise ayant une vaste supply chain à gérer, nous avons un problème de conciliation de dizaines d’objectifs contradictoires. Vous avez tellement d’objectifs. Vous êtes une grande entreprise, vous ne voulez pas gaspiller, vous voulez une haute qualité de service, vous voulez une utilisation maximale de votre entrepôt et de vos actifs, vous avez des contraintes telles que l’espace de stockage maximum, vous avez une durée de conservation. Donc, vous avez des contraintes et des objectifs partout. Nous avons besoin d’un langage pour unifier tout cela. C’est une chose très pratique. Ces choses se contredisent mutuellement. La qualité de service entre en conflit avec le gaspillage. Si vous dites que vous voulez avoir un taux de service super élevé, alors si nous optons pour des produits périssables, vous avez un taux de service très élevé, ce qui signifie que parfois vous aurez des stocks qui expirent et que vous devez jeter, donc vous créez du gaspillage. Il y a une tension. Vous ne pouvez pas dire que vous n’avez aucun gaspillage et une très haute qualité de service. Si vous avez une haute qualité de service, vous aurez un certain gaspillage, et si vous éliminez complètement le gaspillage, cela signifie que vous vous retrouvez très fréquemment en rupture de stock. C’est inévitable. C’est simplement la conception du problème lui-même. Vous avez ces objectifs contradictoires. Alors maintenant, amplifions cela. Nous avons une grande entreprise, nous devons unifier toutes ces choses, et ma proposition, qui a été la boîte à outils utilisée par Lokad, c’est que si nous exprimons tout cela en dollars, nous avons la lingua franca. Nous avons le moyen de tout unifier. Ce n’est qu’une boîte à outils. Ce n’est pas que je veux penser en termes de dollars, c’est juste mon expérience. C’est la seule chose qui fonctionne à grande échelle lorsqu’on considère des entreprises complexes. C’est juste une question de praticité à grande échelle.
Conor Doherty: Merci. Donc, cette vidéo devrait-elle s’intituler “Est-ce que les séries temporelles comptent ?” Vous pensez que quantifier l’incertitude et l’exactitude des prévisions est essentiel, mais vous n’êtes pas d’accord avec les méthodes actuelles, c’est bien ça ?
Joannes Vermorel: Encore une fois, l’exactitude et les séries temporelles sont la même chose. Si vous regardez les manuels de supply chain, je n’ai jamais vu de manuel de supply chain dans lequel l’exactitude n’est pas immédiatement associée à une série temporelle. La plupart des manuels de supply chain ne se donneraient même pas la peine de donner la définition mathématique d’une série temporelle. Ils passeraient directement à la définition de l’exactitude, qui définit en soi la série temporelle. Ainsi, vous voyez, ces choses sont co-substantielles dans le paradigme dominant de la supply chain. Elles sont une et la même chose. Et Lokad dit que nous voulons les séparer. En effet, il y a un moyen de rendre l’exactitude importante, mais c’est quelque chose de tellement radicalement différent de ce qui est réellement présenté dans ces manuels de supply chain que je suis très hésitant. Je suis sur la défensive quant à l’appeler exactitude. L’exactitude est un bon terme, il est valide, et c’est ce que nous faisons moralement. Mais ce que nous faisons est un départ si radical de ce qui se trouve dans le manuel de supply chain que cela crée simplement de la confusion lorsque nous utilisons le même terme.
Conor Doherty: Merci. Je crois que nous en avons déjà parlé dans les deux dernières questions. C’est de Constantine. Certains préconisent l’AFV, votre favori, comme moyen de déterminer si les efforts visant à améliorer l’exactitude en valent la peine. Vous avez récemment publié une critique de l’AFV. Que proposez-vous comme alternative ?
Joannes Vermorel: Alors, ici 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-il le cancer ? Donc, avec l’AFV, mon point de vue est que l’exactitude réalisée avec le paradigme dominant est une idée fausse. Elle ne résiste pas à l’examen lorsque l’on veut examiner l’essence de l’entreprise. Est-ce que cet instrument mathématique, une ligne, a du sens à un niveau élevé avec mon entreprise ? Et ma proposition est que lorsque l’on regarde avec un minimum d’attention, ce n’est pas le cas. Donc maintenant, l’AFV ne fait que sur-ingénieriser un processus sur un paradigme et un outil faux. Donc, vous ne faites qu’aggraver les choses. L’AFV ne fait que déplacer l’entreprise plus loin dans la mauvaise direction. Donc, vous aviez un concept faux, cette exactitude des séries temporelles, et maintenant vous voulez ingénieriser un processus par-dessus pour créer une sorte de mini bureaucratie dans l’entreprise. Donc, mon point de vue est que ce n’est pas la première, ni la dernière, bureaucratie inutile qui est introduite dans l’entreprise. Les grandes entreprises ont des dizaines de bureaucraties inutiles qui flottent autour. Donc, en fin de compte, ce n’est pas la fin de l’entreprise d’avoir une bureaucratie inutile de plus qui flotte autour. Mais est-ce que cela rendra la supply chain de l’entreprise plus compétitive ? Non, pas du tout. Cela fera exactement le contraire. Bien que cela ne va pas non plus briser l’entreprise. C’est le genre de chose qui ajoute simplement des coûts et l’entreprise continuera d’avancer.
Conor Doherty: D’accord, je vais juste contester un peu cela car nous aimons tous les deux l’analogie de Thomaso. Lorsqu’un chirurgien enlève un cancer, que met-il à la place ? Si vous deviez appliquer cela à ce contexte, c’est presque comme dire, eh bien, nous avons enlevé cela, restez les bras croisés, ne mettez rien à la place. Qu’est-ce qui remplira ce vide ?
Joannes Vermorel: Permettez-moi de décrire la réalité de ce que signifie réellement l’exactitude dans une grande entreprise. Il y a 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. Toutes les grandes entreprises avec lesquelles j’ai été en contact au cours de la dernière décennie, plus de 200 grandes entreprises, lorsque je les inspecte et les audite, je réalise que l’ensemble de l’entreprise fonctionne avec des feuilles de calcul de shadow IT. Tous ces chiffres qui proviennent du processus SNOP, ils ne sont pas utilisés. Les commerciaux, la fabrication, les personnes de la supply chain, les personnes de la logistique, de la capacité de transport, ils n’utilisent pas ces chiffres non plus. C’est comme un village Potemkine. Il y a cette illusion de rationalité où les gens produisent ces grandes choses avec le SNOP et le réexaminent une fois par trimestre. Mais ensuite, chaque responsable a sa propre feuille de calcul secrète à côté qu’il utilise, et c’est cela qui fait fonctionner l’entreprise. La chose intéressante, c’est que chaque responsable pense être le seul à avoir cette feuille de calcul secrète. J’ai eu plusieurs fois où un vice-président de la supply chain m’a dit qu’il avait une feuille de calcul secrète parce que les chiffres qu’il obtenait étaient nuls. Mais pour ses subordonnés, il exige qu’ils respectent le processus SNOP officiel. Dans le cadre de l’audit, j’interviewe les subordonnés et ils me disent qu’ils ont une feuille de calcul secrète. Ils ne font pas confiance aux chiffres, donc ils le font différemment. Et ils pensent tous être les seuls à avoir cette feuille de calcul secrète. J’ai vu cette situation maintes et maintes fois. Vous avez des chiffres faux dans le plan SNOP, pourtant les décisions finales sont bonnes. Comment est-ce possible ? La réponse est invariablement qu’il y a une feuille de calcul quelque part qui est conçue d’une manière beaucoup plus alignée avec l’essence de l’entreprise. Les gens cachent simplement la feuille de calcul parce que ce n’est pas la politique officielle, mais néanmoins, c’est ce qui fait fonctionner l’entreprise, pas le grand village Potemkine de ces grands chiffres.
Conor Doherty: Merci. Nous avons encore quelques questions à aborder, donc je vais devoir vous demander d’être bref à l’avenir. Celle-ci vient de Sean. Il écrit : “La précision des prévisions est un élément de la supply chain. Ce n’est peut-être pas la contrainte clé dans une entreprise particulière. Pour tirer parti d’une prévision améliorée, il est généralement nécessaire d’apporter d’autres changements à la supply chain. Êtes-vous d’accord ?”
Joannes Vermorel: Est-ce que tirer parti d’une meilleure machine à fax est important ? Vous voyez, c’est ce que j’essaie de faire comprendre. Quand les gens me disent que nous avons une meilleure précision dans le sens classique, c’est la même chose que de me dire que vous avez une meilleure machine à fax. Ce n’est pas parce que c’est une amélioration par rapport à l’état actuel que c’est une amélioration globale. C’est le fléau de l’incrémentalisme en supply chain. Les gens ne voient l’amélioration que par le prisme de “Oui, c’est légèrement mieux que ce que nous avons”. Si vous ne pouvez penser qu’à de meilleures machines à fax, vous n’êtes pas dans une bonne position. Quand les gens disent : “Oh, tu parles d’IA, de Skynet”, je dis, par exemple, que l’e-mail est fondamentalement plus simple qu’une machine à fax. Une machine à fax est plus sophistiquée, plus exigeante en termes de technologie, et pourtant c’est une solution de merde par rapport à l’alternative. C’est mon point de vue. Quand les gens disent : “Oh, nous avons cette amélioration”, je dis : “Oui, vous avez juste une meilleure machine à fax. Félicitations. Mais vous passez à côté du sujet. Vous manquez l’opportunité de faire quelque chose de plus simple, de meilleur, plus aligné, plus rapide, plus économe sur tous les fronts.”
Conor Doherty: Merci. Passons à la question de Philippe : “Lorsqu’on parle de structure dans les prévisions, une prévision de séries temporelles peut-elle être en partie une composante de cette structure, le cas échéant ?”
Joannes Vermorel: C’est possible. Les séries temporelles sont une structure fondamentale. Il est très difficile de concevoir quelque chose sans que des séries temporelles n’émergent accidentellement, même en tant que composante de votre ingrédient prédictif. Mon message n’est pas que les séries temporelles ne doivent pas être utilisées. Ce n’est pas l’essence de mon propos. Je dis simplement que si tout ce que vous avez, ce sont des séries temporelles, c’est très simpliste. Vous devez élargir votre vocabulaire, votre horizon. Il y a d’autres choses, et dans ces autres choses, oui, vous pouvez avoir des séries temporelles. Cela arrive parfois.
Conor Doherty: Ensuite, Manuel demande : “Les universités continuent d’enseigner les méthodes de prévision traditionnelles et mettent l’accent sur leur précision. Avec l’introduction récente de modèles d’apprentissage automatique qui prennent en compte de nombreux autres facteurs, cela a-t-il 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 choses, qui serait l’écran plat géant, ce serait les séries temporelles à l’ancienne. L’apprentissage automatique vous donne simplement l’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 ne concerne pas le meilleur modèle numérique. Mon problème n’est pas que les universités 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 ? Est-ce que cela a du sens ? Tenez-vous compte du fait que le futur n’est pas le symétrique du passé ? Encore une fois, l’attitude. Et ensuite, nous avons les aspects techniques. Pour moi, les séries temporelles classiques et l’apprentissage automatique, il y a un spectre mondial. Si nous regardons la compétition Walmart où nous avons obtenu la cinquième place, le truc était que nous avons utilisé un modèle paramétrique super simpliste avec cinq paramètres. Est-ce que cela compte comme classique ? Nous nous sommes classés parmi mille équipes concurrentes, nous avons obtenu la cinquième place et nous nous sommes même classés premiers au niveau SKU, au-dessus de tout le monde, avec un modèle super simpliste. La chose intéressante, c’est que c’est un modèle super simpliste, comme un modèle à cinq paramètres. Donc, dans un sens, c’est un modèle à l’ancienne, mais la façon dont nous avons appris ces paramètres était grâce à une programmation différentiable plus élaborée. Alors, est-ce de l’apprentissage automatique ? Est-ce de l’ancienne école ? Pour moi, il y a un continuum mondial allant des modèles autorégressifs super classiques aux modèles d’apprentissage profond super sophistiqués. Il n’y a pas de saut quantique, tout cela 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, l’état d’esprit que vous devez avoir lorsque vous traitez du futur à des fins de supply chain. C’est le problème. L’objectif du processus S&OP est de créer un alignement à l’échelle de l’entreprise. C’est l’objectif, de sorte que les personnes en production produisent ce qui sera vendu par l’équipe commerciale et que les commerciaux produisent ce que vous pouvez livrer. Il s’agit littéralement d’un alignement d’entreprise. Mais dans la pratique, les pratiques S&OP sont une série interminable de réunions. C’est ce que c’est.
Je pense 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 si il y a coordination, ce ne sera pas à propos de l’information. L’information circule à travers le paysage applicatif. Vous n’avez pas besoin que les gens se parlent si vous devez créer un alignement. Il s’agira des recettes numériques et de clarifier l’intention stratégique de l’entreprise, ce qui n’est absolument pas ce qui se fait lors des réunions S&OP. Beaucoup de grandes entreprises obtiennent des résultats corrects, 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 tout fonctionnerait très bien. Pendant les confinements de 2020 et 2021, certaines entreprises de certains pays ont mis une partie de leurs effectifs de cols blancs en chômage technique pendant 14 mois. L’entreprise fonctionnait toujours à 80% de sa capacité. Elle était réduite mais non nulle. En raison de ces confinements, tous les effectifs de cols blancs, en particulier ceux de la planification, se sont vu dire de rester à la maison et de ne jamais toucher les ordinateurs de l’entreprise. Nous avons eu une grande expérience où tout le département de planification a disparu pendant 14 mois et tout allait bien. Donc, si une entreprise peut fonctionner sans une division pendant 14 mois avec tous les membres de cette division absents, qu’est-ce que cela dit de la division ? Probablement qu’elle n’est pas exactement essentielle à la mission. Nous avons même eu un cas où une grande entreprise, un fabricant, est devenue essentiellement un e-commerce pendant la période de confinement. Le segment e-commerce représentait 5% de leur activité avant les confinements. À la fin de 2021, l’e-commerce représentait les deux tiers de leurs ventes. Donc, l’entreprise a subi une transformation massive en passant de 5% d’e-commerce à devenir de facto une entreprise d’e-commerce. Si votre entreprise peut subir des transformations massives et rapides et les exécuter correctement, qu’est-ce que cela dit de 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 a. Mais si nous regardons comment cela est généralement pratiqué, j’ai observé maintes et maintes fois que nous avons eu des confinements, nous avons même eu la grande expérience de fermer la division chargée de ces mesures de précision pendant plus d’un an, 14 mois pour être précis. Et quel a été l’impact sur l’entreprise ? Rien, tout s’est déroulé normalement. Certaines de ces entreprises ont même prospéré après cela. Cela a été une révélation pour moi. C’est une expérience qui n’aurait pas dû se produire, mais elle s’est produite.
Conor Doherty: Merci. Et la dernière question, également de la part de Nicholas, peut-être une autre, je ne sais pas. Je constate souvent que les départements essaient de passer outre les données statistiques avec des 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: C’est ça, c’est une question qui n’est jamais posée dans le cadre du paradigme de précision des séries temporelles mainstream. Ce n’est pas une question qui est posée dans les manuels de la supply chain. C’est absent. Mais ce n’est pas la seule préoccupation. Il y a tout un domaine que nous n’avons pas abordé, qui est l’instrumentalité de la prévision. Dans quelle mesure sont-elles réellement utilisées dans l’entreprise ? Et ces choses-là sont absentes. Donc oui, c’est très important. Et relier tous les points de la décision au modèle mathématique qui produit ces déclarations est très important. Mais cela signifie que vous avez besoin de recettes numériques qui vont de bout en bout, de la génération prédictive de ces déclarations quantitatives sur l’avenir à la décision que vous prenez, et qui ont des conséquences réelles sur votre entreprise avec des impacts financiers. Et 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 utiliser le terme “précis”. Et une partie de la boîte à outils est cette perspective financière car elle facilite cela. Mais la façon dont cela est généralement pratiqué s’arrête à mi-chemin. Il y a cette grande illusion entretenue par les manuels de la supply chain et la plupart des logiciels de la supply chain également, selon laquelle vous pouvez résoudre le problème à l’étape de la prévision et dire, de manière isolée, à quel point nous sommes bons ou mauvais par rapport au reste. Et c’est complètement absurde. Il n’y a pas de telle chose que d’évaluer de manière isolée l’adéquation ou la précision d’une prévision. Il s’agit simplement de comparer les modèles mathématiques. C’est bien, mais ce n’est pas la vie réelle. C’est un peu comme si vous vouliez avoir le gagnant du stand de tir. Vous pouvez avoir un champion olympique de tir, mais lorsqu’il s’agit d’un exercice militaire réel, les gens ne tirent pas avec de vraies armes dans une véritable guerre de la même manière que les gens tirent dans un environnement contrôlé. C’est complètement différent. Le point final est que le problème de précision est en partie dû au fait que le problème lui-même est mal posé. Ce n’est pas que la précision est fausse au sens mathématique. 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 vraiment une entreprise par rapport à une entreprise super sophistiquée mais complètement inadaptée, approximativement correct l’emporte sur exactement faux chaque jour. C’est ça. Et la précision illustre la façon traditionnelle dont fonctionne cet état d’esprit exactement faux.
Conor Doherty: Joannes, je n’ai pas d’autres questions. Enfin si, mais je les garderai pour une autre fois. Merci beaucoup pour votre temps. Et pour ceux d’entre vous qui sont restés avec nous aussi longtemps, merci beaucoup pour votre temps. Nous vous verrons la prochaine fois.
