00:00:00 Allocution d’ouverture de Robert Fildes
00:01:08 Conor Doherty présente le panel et le sujet
00:03:11 Perspective de Nicolas Vandeput
00:06:16 Présentation de Sven Crone
00:10:34 Perspective d’Alexey Tikhonov
00:15:01 Besoin d’automatisation dans la prise de décision
00:20:13 Le partage d’informations entre les humains est une perte de temps
00:25:29 Perspective sur l’intervention humaine
00:30:23 Évaluation d’une prévision
00:35:18 Perspective financière et prise de décision
00:40:14 Coût des erreurs de prévision
00:45:43 Automatisation et confiance
00:50:27 IA augmentée et ses applications
00:55:03 Impact de l’IA sur les traducteurs humains
01:00:16 Importance d’une vision claire dans la mise en œuvre de l’IA
01:06:00 Réflexions finales et avenir des planificateurs de la demande
01:11:50 Question du public : prévisions pour les hôpitaux
01:15:38 Question du public : réduction des biais du modèle et humains

Contexte de la table ronde

La table ronde a été proposée pour la première fois par Robert Fildes (professeur émérite à l’université de Lancaster) en réponse à l’article de Conor critiquant la FVA. Cet article a été republié dans l’édition du deuxième trimestre 2024 de Foresight (produit par l’International Institute of Forecasters, la même organisation qui organise le symposium). La table ronde a ensuite été élargie pour inclure Sven Crone, Nicolas Vandeput et Alexey Tikhonov, afin de fournir une gamme plus équilibrée de perspectives provenant à la fois du milieu universitaire et de l’industrie.

Résumé de la table ronde

Filmée en juillet 2024 lors du 44e Symposium international sur les prévisions à Dijon, la table ronde réunissait quatre intervenants qui ont discuté de la « Planification de la demande et du rôle du jugement dans le nouveau monde de l’IA/ML ». Animée par Conor Doherty, responsable de la communication chez Lokad, la table ronde comprenait Alexey Tikhonov (Lokad), Sven Crone (université de Lancaster & iqast) et Nicolas Vandeput (SupChains). La discussion portait sur l’intégration de l’IA dans la planification de la demande, la valeur des prévisions dans la prise de décision et l’avenir des planificateurs de la demande. Les intervenants ont exprimé des points de vue divergents sur le rôle du jugement humain dans la planification de la demande, le potentiel de l’IA pour remplacer les planificateurs de la demande et l’importance de la précision des prévisions.

Résumé détaillé

Le 44e Symposium international sur les prévisions à Dijon, en France, organisé par l’Institut international des prévisionnistes, a accueilli une table ronde sur la « Planification de la demande et le rôle du jugement dans le nouveau monde de l’IA/ML ». La discussion était animée par Conor Doherty de Lokad, et les intervenants étaient Alexey Tikhonov de Lokad, Sven Crone d’iqast et Nicolas Vandeput de SupChains. La session a été introduite par Robert Fildes, professeur émérite à l’université de Lancaster.

La discussion a commencé avec Nicolas Vandeput exposant sa vision de la planification de la demande à l’ère de l’apprentissage automatique. Il a proposé un processus en quatre étapes qui consiste à considérer la prévision de la demande comme un jeu d’information, à créer un moteur de prévision de la demande automatisé basé sur l’apprentissage automatique, à permettre aux planificateurs de la demande humains d’enrichir la prévision avec des informations non incluses dans le modèle, et à suivre la valeur ajoutée de tous les acteurs impliqués dans le processus.

Sven Crone a partagé son expérience en matière d’IA et de prévisions, soulignant l’adoption lente de l’IA dans la planification de la demande. Il a discuté des complexités de l’intégration de l’IA dans les processus de planification de la demande et a suggéré que l’IA pourrait éventuellement remplacer les planificateurs de la demande à l’avenir. Cependant, il a également souligné l’hétérogénéité des prévisions, avec différentes industries nécessitant différentes approches.

Alexey Tikhonov a soutenu que la planification de la demande est une approche obsolète et que les interventions de prévision basées sur le jugement sont inefficaces. Il a plaidé en faveur de la prévision probabiliste, qui capture le schéma structurel du risque, et a critiqué la planification de la demande pour son manque de perspective économique et d’automatisation. Il a également plaidé en faveur de l’automatisation complète du processus de prise de décision dans les chaînes d’approvisionnement, affirmant que la complexité et l’ampleur des décisions requises dans les chaînes d’approvisionnement le nécessitent.

Les intervenants ont également discuté de la valeur des prévisions dans la prise de décision. Nicolas Vandeput a souligné que les prévisions sont faites pour faciliter la prise de décision et a plaidé en faveur de modèles capables de traiter autant d’informations que possible. Il a également suggéré que lors de l’évaluation d’une prévision, il se concentrerait sur la précision des prévisions plutôt que sur les résultats commerciaux, car ces derniers peuvent être influencés par de nombreux autres facteurs échappant au contrôle du prévisionniste.

Sven Crone a abordé la perspective industrielle de la planification de la demande, en soulignant l’importance des décisions stratégiques à long terme et de la planification basée sur des scénarios. Il a également mis en évidence les défis liés à la mesure de la valeur ajoutée et l’importance du jugement dans le processus.

Alexey Tikhonov a remis en question la valeur d’une prévision plus précise si elle ne conduit pas à une décision différente. Il a soutenu que la valeur d’une décision ne dépend pas uniquement de la prévision, mais également d’autres facteurs tels que les moteurs de décision.

Les panélistes ont également discuté de la confiance dans les prévisions, Nicolas Vandeput suggérant que la seule façon de construire la confiance dans une prévision, qu’elle soit générée par un humain ou par une machine, est de suivre l’exactitude de chaque étape du processus. Sven Crone a convenu que la confiance est importante et a suggéré qu’une combinaison d’IA et de méthodes simples et transparentes pourrait être utilisée pour automatiser certaines parties du processus.

Les panélistes ont également discuté de l’avenir des planificateurs de la demande. Sven Crone estime que les planificateurs de la demande auront toujours un rôle à jouer à l’avenir, mais qu’ils seront confrontés à des défis croissants en raison de la fréquence croissante des décisions et de la quantité croissante de données disponibles. Nicolas Vandeput voit le rôle des planificateurs de la demande évoluer pour se concentrer sur la collecte, la structuration et le nettoyage des données et des informations. Alexey Tikhonov estime que les planificateurs de la demande ne pourront pas rivaliser avec les systèmes d’intelligence à long terme.

Le panel s’est conclu par une session de questions-réponses, au cours de laquelle les panélistes ont répondu aux questions de l’auditoire sur des sujets tels que les conditions ou les exigences pour créer des décisions automatiques dans la planification de la demande, le rôle du jugement dans la planification de la demande et comment incorporer le biais du jugement humain dans le biais statistique pour réduire le biais global.

Transcription complète

Robert Fildes: Je suis Robert Fildes et je présente ces deux sessions. Pour des raisons logistiques, elles ont été échangées et nous allons parler pendant environ une heure du rôle changeant des planificateurs de la demande et de la possibilité que leur rôle soit considérablement modifié par les développements de l’IA et de l’apprentissage automatique. Les panélistes vont bientôt prononcer leurs paroles de sagesse. La session de Paul Goodwin et moi-même, où nous parlons de nombreuses preuves empiriques sur le rôle du jugement, est reportée à cet après-midi à 15h10. Elle est de toute façon prévue au programme. Oui, ajustement intuitif, nous en parlerons, mais pas dans cette salle, dans une autre salle. Je suis donc impatient de vous y retrouver et j’espère une discussion stimulante et de préférence controversée. Je passe maintenant la parole au président, Conor.

Conor Doherty: Eh bien, merci beaucoup Robert. Bonjour à tous, je suis Conor, responsable de la communication chez Lokad, et je suis ravi d’être accompagné sur scène par un panel illustre issu du milieu universitaire et de l’industrie. À ma gauche immédiate, Alexey Tikhonov, développeur commercial et de produits chez Lokad. À sa gauche, le Dr Sven Crone de l’Université de Lancaster, PDG et fondateur d’iqast, et enfin, mais non des moindres, Nicolas Vandeput de SubChains. Le sujet de la discussion d’aujourd’hui, comme vous pouvez le voir à l’écran, est la planification de la demande et le rôle du jugement dans le nouveau monde de l’IA et de l’apprentissage automatique.

Je suis assez confiant, compte tenu des personnes présentes sur scène, que cela sera un échange animé d’idées et je pense que toute avancée technologique soulève généralement des questions sur la manière dont ces avancées auront un impact sur l’implication humaine. Je suis donc très impatient d’entendre nos trois panélistes en discuter. Avant de commencer, le temps est un peu limité aujourd’hui, donc un peu d’administration. Chaque panéliste disposera de 5 minutes pour présenter sa perspective par rapport au sujet. Nicolas commencera, puis Sven et enfin Alex.

Après cela, je poserai quelques questions visant à approfondir certains détails et implications de leurs perspectives, et si nous sommes toujours en bons termes, j’espère pouvoir poser quelques questions du public. Ce que je dirai, c’est que si possible, étant donné le peu de temps dont nous disposons, veuillez avoir quelques idées avant de prendre le micro plutôt qu’un monologue suivi d’un point d’interrogation. Mais avec cela, je cède d’abord la parole à Nicolas, s’il vous plaît, votre perspective par rapport au sujet.

Nicolas Vandeput: Merci, Conor. Bonjour à tous. Super, j’ai les diapositives. Permettez-moi de vous présenter la vision que j’ai de l’excellence en matière de planification de la demande à l’ère de l’apprentissage automatique et de vous montrer comment vous pouvez intégrer l’apprentissage automatique à la prévision de la demande de la chaîne d’approvisionnement en associant l’enrichissement humain. Vous avez quatre étapes sur la diapositive. Laissez-moi vous expliquer cela.

La première chose importante pour moi est de considérer la prévision de la demande comme un jeu d’information. Donc, fondamentalement, ce que vous voulez faire, ce que cela signifie, c’est que vous voulez collecter autant de données, d’informations, d’observations, peu importe comment vous les appelez, sur la demande future. Cela peut être votre calendrier promotionnel, combien de publicité vous allez faire, les données de vente, les stocks chez votre client, les commandes que vous avez déjà reçues de vos clients à l’avance, tout cela. Et cela peut être différent pour certaines industries, c’est tout à fait normal, mais fondamentalement, mon point est que la première étape consiste à trouver des informations sur ce qui nous attend. Vous êtes un journaliste, un reporter, un détective, allez chercher ces informations.

Maintenant, une fois que nous avons toutes ces informations, les données qui peuvent être structurées doivent être alimentées à l’apprentissage automatique et vous voulez créer un moteur de prévision de la demande basé sur l’apprentissage automatique qui soit automatisé et infaillible. Par automatisé, je veux dire que c’est un outil, un moteur qui ne nécessite aucune modification manuelle, aucune révision ou aucun ajustement par un être humain. C’est fait par une équipe de data scientists ou c’est fait automatiquement, donc c’est entièrement automatisé. Infaillible signifie que votre moteur d’apprentissage automatique doit réagir à la plupart de vos facteurs commerciaux, notamment les promotions, les prix, les pénuries, peut-être la publicité, peut-être la météo, les vacances, etc. Donc, il est infaillible pour la plupart des facteurs commerciaux et entièrement automatisé, vous n’avez pas besoin d’y toucher ou de le réviser.

Une fois que vous avez cela, les êtres humains, les planificateurs de la demande, peuvent encore enrichir la prévision en fonction des informations qu’ils ont trouvées et qui ne sont pas incluses dans ce modèle. Par exemple, imaginons qu’ils appellent votre client et qu’un client dise : “Eh bien, c’est vraiment une période difficile, je ne vais pas commander ce mois-ci.” Le client ne va pas appeler le modèle d’apprentissage automatique, le modèle d’apprentissage automatique n’en est pas conscient. Le planificateur l’est. Le planificateur devrait revoir la prévision et la modifier car il sait quelque chose que le modèle ne sait pas.

Dernière étape, valeur ajoutée de la prévision. C’est une étape absolument cruciale. Je commencerais même par celle-ci. Cela signifie que nous devons suivre la précision de la prévision avant et après l’enrichissement pour s’assurer qu’avec le temps, l’enrichissement ajoute de la valeur. Bien sûr, tout le monde peut avoir de la chance ou de la malchance parfois, c’est tout à fait normal. Tous les enrichissements ne vont pas forcément ajouter de la valeur, mais ce que nous voulons prouver et montrer avec le temps, c’est que en moyenne, ces enrichissements ajoutent de la valeur. Donc cela vaut notre temps. Eh bien, c’était ma vision en quatre étapes sur la façon d’intégrer l’apprentissage automatique et les planificateurs de la demande.

Conor Doherty: Eh bien, merci beaucoup, Nicolas. Maintenant, je passe la parole à Sven.

Sven Crone: Merci. Oui, merci. Je suis Sven Crone de l’Université de Lancaster, professeur adjoint là-bas avec probablement près de deux décennies de recherche en IA et en prévision. Donc je suis complètement partial envers l’IA, je dois le dire d’emblée. J’ai essayé de faire fonctionner l’IA dans la prévision pendant de nombreuses années. Donc juste pour que vous soyez conscients du biais fondamental. En même temps, nous avons créé une petite entreprise où nous avons essayé d’aider de grandes entreprises multinationales à tirer parti des nouvelles technologies et en regardant en arrière ces décennies, c’est extrêmement difficile. Je pense que nous devons aborder aujourd’hui, espérons-le lors du panel, certains éléphants dans la pièce.

Alors que la vision existe depuis de nombreuses années, nous pouvons remplacer les statistiques par l’IA, nous pouvons remplacer cela par les statistiques. En réalité, nous n’avons pas été très transformateurs en ce qui concerne l’examen des processus de planification de la demande, je pense. Donc c’est mon biais fondamental. Lorsque nous examinons cela, une partie de l’expérience que je peux partager est que nous avons formé de nombreux planificateurs de la demande pour essayer de les amener à apprécier certains des algorithmes de lissage exponentiel et des algorithmes ARIMA disponibles. Je peux vous dire que ce n’est pas un exercice agréable. Ils sont lents à adopter certaines choses. C’est un exercice agréable avec la demande mais il est très difficile de les amener à accepter certaines des technologies plus simples. Donc je pense que nous parlerons un peu plus tard de ce qui se passe si cette technologie devient encore plus avancée et que les gens doivent interagir avec elle.

Mais à l’état actuel, il y a environ 10 ans, l’utilisation de l’IA était très limitée bien que les réseaux neuronaux existent depuis près de 60 ans, remontant certainement à certaines des premières innovations, notamment dans les années 1980. Mais l’adoption a été relativement lente. Au cours des deux ou trois dernières années, nous réalisons régulièrement des enquêtes lors de conférences de praticiens. Nous venons de parler lors d’une conférence de praticiens, l’ASM, à Bruxelles et nous avons réalisé une enquête auprès du public. Nous avons demandé combien de personnes sont réellement en train de réaliser une preuve de concept en IA et en ML et environ 50% du public étaient présents. C’est une augmentation par rapport à 5 à 10% il y a 10 ans. Maintenant, 50% réalisent une preuve de concept. Ils ne sont pas encore en production mais quelques-uns le sont déjà et nous avons déjà vu ici quelques grandes entreprises qui essaient cela. Donc pas de craintes dans le public et quelques autres, donc des études de cas vraiment intéressantes. Mais ce qui est également frappant, c’est que autant de projets réussissent, autant échouent.

Nous avons donc eu une grande partie du public où les projets d’IA n’ont pas réussi et je pense que c’est précisément cette intersection entre l’intégration d’une technologie dans un processus de planification de la demande qui est bien plus que simplement l’étape de la prévision. Si nous regardons l’industrie, nous devons prendre en compte la gestion des données de base, le nettoyage des données, la priorisation, les métriques d’erreur, l’exécution d’un modèle statistique, puis éventuellement l’analyse des erreurs, l’identification des alertes et ensuite les ajustements à apporter. Et d’ailleurs, même si vous avez un processus de prévision de base entièrement développé, que même aujourd’hui la majorité des entreprises n’ont pas, Gartner a un magnifique paysage de maturité des différentes étapes de la maturité de la S&OP.

Très peu d’entreprises se situent au niveau quatre, la plupart d’entre elles se situent entre un, deux et trois. Même si vous avez un processus statistique, la façon de nettoyer l’historique des séries temporelles, de le faire automatiquement ou manuellement, relève d’une décision subjective. Le choix de l’algorithme est une décision. Le choix des méta-paramètres à autoriser dans la recherche est une décision subjective. Il y a donc beaucoup de jugement, mais je pense que traditionnellement, nous pensons au jugement, à l’ajustement final d’une prévision de base statistique qui est ou n’est pas compris. Et peut-être pour regarder vers l’avenir, je n’ai pas vu beaucoup de mouvement ou d’innovation en ce qui concerne l’innovation du processus S&OP tel qu’il a été conçu par O.W. et je vois des dirigeants de plus en plus mécontents du manque de progrès, du manque de progrès perçu, bien qu’il y ait souvent des progrès dans le développement des processus.

Mais je pense, vous savez, qu’il y avait un PDG d’Unilever qui a dit que nous devons nous débarrasser de la planification de la demande, cela ne fonctionne pas pendant la période COVID. Des défis réels attendent les planificateurs de la demande pour conserver leur emploi et à moins qu’ils ne tirent parti de l’IA et je pense qu’il y a un scénario réaliste selon lequel l’IA, comme vous l’avez dit, si vous parvenez à faire tout cela, pourra remplacer les planificateurs de la demande même dans les étapes d’ajustement subjectif. Mais nous n’en sommes pas encore là. J’ai donc hâte de voir ce que vous en pensez.

Conor Doherty: Eh bien, merci, Sven. Alexey, vos réflexions, s’il vous plaît.

Alexey Tikhonov: Merci. Ma proposition sera radicalement différente. Je pense d’abord que nous devons élargir le champ d’application car la planification de la demande existe dans la supply chain et l’objectif de la supply chain est de prendre des décisions dans l’incertitude, de prendre des décisions rentables dans l’incertitude, en présence de contraintes. En ce qui concerne cet objectif, je pense que la planification de la demande est une approche obsolète et que les interventions de prévision subjectives sont inefficaces, même si elles contribuent à améliorer légèrement la précision des prévisions. Pourquoi cela ?

La planification de la demande est une approche obsolète car elle suppose que nous devons séparer la prévision de la prise de décision. Cette séparation conduit inévitablement au choix d’outils simples car nous introduisons une interface humain-humain. Nous devons transmettre des informations de manière très simple et nous choisissons des prévisions ponctuelles car tout le monde peut comprendre les prévisions ponctuelles. Les calculs des métriques de précision sont simples, nous pouvons donc discuter de ces points, les ajuster à la hausse ou à la baisse. Mais malheureusement, ce choix d’outils nous empêche de prendre des décisions rentables.

Pour prendre une décision rentable, nous devons évaluer les risques financiers et les rendements financiers. Nous ne pouvons le faire que si nous capturons le schéma structurel du risque. Il n’y a qu’un seul outil, à ma connaissance, qui le fait. Il s’appelle la prévision probabiliste, où au lieu de prédictions ponctuelles, vous proposez une opinion éclairée sur l’aspect de tous les futurs possibles, quelles sont les probabilités pour les différents futurs.

Je ne parle pas seulement de la demande. Il peut y avoir d’autres incertitudes, par exemple, il peut y avoir des incertitudes sur les délais d’approvisionnement que vous devez prendre en compte. Cela est particulièrement pertinent si vous traitez avec des marchandises expédiées depuis l’étranger. Ensuite, vous pouvez avoir une incertitude sur le rendement si vous traitez avec la production alimentaire. Vous pouvez avoir une incertitude sur les retours si vous traitez avec le commerce électronique. Il existe donc plusieurs sources d’incertitude et vous avez besoin d’outils spécifiques appelés modélisation probabiliste pour combiner toutes ces incertitudes afin de pouvoir prendre des décisions aux étapes ultérieures.

La planification de la demande ne nous offre qu’une seule version de l’avenir, qui est une prévision ponctuelle, qui est le scénario le plus probable. Mais nous nous intéressons aux extrémités de cette distribution car les risques sont concentrés aux deux extrêmes. Ensuite, la perspective de la planification de la demande nous conduit inévitablement à ne considérer qu’une seule option de décision. Vous avez une prévision ponctuelle, vous appliquez soit une formule de stock de sécurité, soit une politique d’inventaire simple, vous dérivez une décision. Mais cette décision est-elle rentable ? Et si je la modifie à la hausse ou à la baisse ? Comment ma rentabilité attendue change-t-elle ? Je ne peux pas le faire car mes prévisions sont des prévisions ponctuelles. Je n’indique aucune probabilité concernant ces scénarios.

Le troisième problème avec la planification de la demande est que la perspective économique est complètement absente. Nous parlons de précision des prévisions en pourcentage ou si nous utilisons diverses mesures qui traitent de la précision en unités, nous négligeons la perspective financière. Donc, ce dont nous avons besoin, c’est d’estimer le coût attendu, les récompenses attendues et nous devons également estimer des facteurs secondaires tels que la comparaison des décisions d’inventaire pour différents produits. Tout détaillant sait, par exemple, qu’avoir des couches en stock est beaucoup plus important que d’avoir du chocolat premium car si vous n’avez pas le premier produit, vos clients seront déçus, vous perdrez la fidélité des clients.

La planification de la demande nous empêche d’automatiser de manière extensive. Que devons-nous automatiser ? Nous allons automatiser la production des décisions finales, pas seulement la prévision. Nous devons automatiser l’ensemble du processus. Nous devons convertir nos données transactionnelles brutes en décisions opérationnelles qui respectent déjà toutes les contraintes de décision telles que les quantités de commande minimales (MOQ) et d’autres facteurs de décision tels que les paliers de prix.

Et enfin, il doit y avoir une responsabilité. Actuellement, il n’y a aucune responsabilité concernant les décisions finales car nous avons ce processus de transition de la prévision à une équipe différente qui dérive ensuite la décision, puis il y a un jeu de reproches. “Oh, nous avons pris cette décision parce que votre prévision était inexacte ou il y a eu une augmentation discrétionnaire de la prévision et cela nous a conduit à une mauvaise décision.”

Pour résumer, la perspective de la planification de la demande est obsolète et nous avons quelque chose de mieux. Merci.

Conor Doherty: Eh bien, nous allons être d’accord aujourd’hui, mais pas sur tout. Puis-je simplement répondre à cela car je suis entièrement d’accord avec vous sur certains aspects. Je pense que vous avez mentionné la prévision par point par rapport à la prévision par intervalle ou distribution de probabilité, d’accord. Mais il existe de nombreux logiciels qui le font depuis de nombreuses années mais les praticiens l’ignorent. Mais je pense que nous comprenons tous la valeur de communiquer non seulement la valeur de la demande mais aussi le risque associé.

SAS le fait depuis longtemps, Forecast Pro le fait et même Forecast X le fait mais c’est largement ignoré. Alors pourquoi est-ce ignoré ? Nous devrions probablement parler de pourquoi les planificateurs de la demande ne comprennent pas les prévisions par intervalle. Je veux dire que cela serait intéressant. L’autre chose que vous avez mentionnée et qui, je pense, est également un bon point, c’est qu’il y a souvent un décalage entre la planification de la demande et la planification des stocks, la planification du réseau d’approvisionnement, la planification de la production, ce qui serait bénéfique pour obtenir une solution globale.

Mais si vous pensez aux grandes entreprises multinationales, je pense que les processus sont établis de manière à ce que vous puissiez réellement prendre des décisions sur des dizaines de milliers d’employés qui interviennent tous et ne partagent pas librement leurs connaissances. Et la troisième chose, je pense que nous devons réfléchir à ce que nous considérons. Je pense que nous avons tous des antécédents différents en matière de planification de la demande. Je viens de l’industrie multinationale, vous savez, peut-être des entreprises de transport multinationales, des biens de consommation courante, de la pharmacie. Vous avez probablement une vision et une expérience plus orientées vers la vente au détail où ces choses peuvent être regroupées.

Mais ce que nous voyons, je veux dire qu’il y a de très bons livres de Charlie Chase de SAS. Je pense qu’il a écrit sur la planification de l’approvisionnement axée sur la demande. Il s’agit de la réconciliation de l’offre et de la demande. C’est autant un processus de partage d’informations et d’attentes que de gestion des risques, exactement la gestion des risques sur un horizon à long terme dans le cadre du S&OP, en regardant approximativement de 6 à 18 mois à l’avance. Le S&OE regarde de un à quatre mois à l’avance et c’est ce partage d’informations qui peut également être inestimable, indépendamment de ce que sera la prévision finale.

Donc je ne suis pas en désaccord sur le fait que certaines choses doivent encore être améliorées en ce qui concerne l’intégration de la prise de décision. Mais je pense que la planification de la demande sert à plus d’un objectif. Mais je pense que pour l’intérêt des choses, nous nous concentrons aujourd’hui sur l’automatisation. Peut-être que l’IA est utilisée dans le contexte de l’automatisation et nous nous concentrons principalement sur l’exactitude. Mais très peu de personnes se penchent réellement sur le partage d’informations. Il y a quelques articles intéressants sur la robustesse des prévisions. Je veux dire, que se passe-t-il si vous changez constamment votre prévision avec un modèle d’apprentissage automatique très réactif et que la planification de la production devient folle car elle la cumule sur la durée de production et vous obtenez un surstock ou un sous-stock et vous introduisez des ordres de production.

Donc je pense que si nous pouvons nous concentrer peut-être sur le processus de planification de la demande et la contribution de la prévision dans la planification de la demande car les autres éléments concernent la planification de l’approvisionnement et la planification du réseau, la planification de la production. Mais cela va rendre notre discussion plus difficile. Mais je suis entièrement d’accord avec vous que cela serait important.

Alexey Tikhonov: Peut-être avec un bref commentaire. Oui, ce que je veux dire, ce n’est pas que nous avons besoin d’un meilleur partage d’informations, d’une meilleure prévision. Ce que je veux dire, c’est que nous devons automatiser complètement le processus de prise de décision. Nous ne devrions pas laisser les praticiens de la supply chain être impliqués dans le processus de prévision car les supply chains sont extrêmement complexes. Nous parlons d’entreprises qui, même si vous prenez des entreprises de taille moyenne avec un chiffre d’affaires de 100 millions, dans le commerce de détail, elles auront des dizaines de milliers de SKUs, des centaines de magasins. Vous multipliez l’un par l’autre et pour chaque SKU, vous devez prendre une décision quotidienne.

Même si vous avez des cycles de décision prédéfinis tels que “Je prends cette décision une fois par semaine”, vous feriez mieux de recalculer ces décisions quotidiennement. Pourquoi ? Parce que la bande passante humaine est limitée. Vous avez besoin d’un ordinateur pour vérifier comme ça, “D’accord, s’il y a une augmentation de la demande, je préfère le savoir avant mon cycle de décision habituel car je m’attends à ce que la demande soit plus régulière.” Donc vous devez reproduire ces décisions quotidiennement même si la grande majorité de ces décisions seront des décisions triviales du type “nous n’effectuons pas d’achat aujourd’hui”.

La bande passante humaine est très limitée et lorsque nous parlons de partage d’informations entre les humains, nous perdons du temps. Nous devons automatiser autant que possible. Nous devons être capitalistes. Nous devons construire des actifs, des robots de prise de décision. Alors seulement nous pourrons tirer profit des supply chains.

Nicolas Vandeput: Pourriez-vous revenir à ma diapositive pendant une minute ? J’aimerais structurer cela. Je vais partir de mon cadre et j’aimerais le rendre encore plus extrême pour poursuivre la discussion à partir de là. Donc je pense que nous sommes tous d’accord que nous ne faisons des prévisions que parce que nous voulons prendre de bonnes décisions. Et nous dirions, eh bien, peut-être que ce type de prévision serait meilleur, ce type de prévision, cette granularité, cet horizon, une prévision ponctuelle, etc. Mais nous sommes tous d’accord pour dire que nous faisons des prévisions parce que nous devons prendre une décision à un moment donné.

Maintenant, pourquoi sommes-nous si enclins à l’automatisation, nous tous ici ? C’est parce que nous devons faire tant de prévisions et tant de décisions à grande échelle et nous ne voulons pas de variabilité. Si vous avez un être humain, vous avez un problème de variabilité. Vous avez un problème qu’il y a tant de prévisions et de décisions à prendre, etc. Maintenant, la façon dont je vois les prévisions, encore une fois, c’est seulement une question de combien d’informations pouvez-vous traiter et à quel point êtes-vous bon pour traiter ces informations. Donc je veux avoir un modèle qui soit aussi bon que possible pour traiter autant d’informations que possible.

La technologie que nous avons pourrait changer dans 10 ans. Nous pourrions avoir un modèle unique qui puisse gérer toutes les informations disponibles dans le monde. Prenons un exemple très simple, la pandémie de COVID-19. Imaginons que nous sommes en mars 2020. Si vous avez un moteur de prévision, même avec la meilleure technologie d’apprentissage que nous avons aujourd’hui, vous savez en tant qu’humain que le COVID va arriver et que l’état du monde et de la ville va changer dans les semaines suivantes. Votre modèle n’en est pas conscient.

Maintenant, vous pourriez avoir une prévision ponctuelle, vous pouvez avoir une prévision probabiliste, mais vous en tant qu’humain, vous devez toujours enrichir et revoir cela car vous avez accès à des informations auxquelles votre modèle n’a pas accès. Donc pour moi, la discussion de savoir s’il devrait s’agir d’une prévision ponctuelle n’a aucun intérêt dans cette discussion car la conclusion est toujours la même. Il s’agit de savoir combien d’informations vous pouvez fournir à votre modèle autant que possible.

Et si vous ne pouvez pas fournir certaines informations à votre modèle, alors il est temps qu’un humain les enrichisse. C’est pourquoi il est toujours judicieux d’avoir un dernier humain capable de revoir une décision ou une prévision basée sur des informations que le modèle ne peut pas traiter.

Sven Crone: Je pense que nous parlons de différentes industries ici. Lorsque nous examinons la planification de la demande, je suis entièrement d’accord avec vous que si vous êtes dans le secteur de la vente au détail et que vous devez prendre des dizaines de milliers de décisions quotidiennes, alors vous avez besoin d’un degré significatif d’automatisation.

Mais nous travaillons avec des détaillants au Royaume-Uni depuis un certain temps et même là-bas, des ajustements sont effectués sur les assortiments pour des choses où l’incertitude règne, comme les effets des conditions météorologiques extrêmes ou l’effet des fermetures liées au COVID sur le gel douche par rapport au papier toilette en Allemagne.

Mais si vous regardez par exemple un fabricant pharmaceutique qui a peut-être deux à 400 produits principaux, ils sont assez gérables par un humain. Je veux dire, pourquoi toutes ces entreprises s’en sortent-elles ? Nous avons réalisé des enquêtes et environ 50% des entreprises utilisent des mesures statistiques très simples. Elles s’en sortent, elles sont rentables, elles se développent, elles sont agiles dans leur chaîne d’approvisionnement, elles ont toutes intégré le S&OP.

Nous avons donc tout un éventail de problèmes et je pense que c’est l’une des choses que j’adore toujours dans cette conférence. Toutes ces saveurs de prévision différentes se réunissent. Nous avons des personnes qui nous montrent la charge électrique pour les compteurs intelligents. Oui, vous avez des centaines de milliers de compteurs intelligents avec une prévision minute par minute, il n’y a pas d’intervention humaine possible.

Mais si vous avez très peu d’articles importants que vous comprenez vraiment bien, disons dans une entreprise pharmaceutique, vous savez, nous avons examiné par exemple les vaccins qui sont bien compris. Je pense donc qu’il existe différentes saveurs de planification de la demande.

Ce que nous faisons en matière de prévision est aussi hétérogène que les produits et les marchés, et c’est là toute sa beauté. C’est pourquoi nous sommes tous assis au bar et nous parlons de prévision, nous parlons de choses complètement différentes. Mais je suis entièrement d’accord avec vous, donc si nous parlions de l’espace de vente au détail, je suis sûr que l’automatisation est réalisable.

Nous sommes convenus de ne pas être d’accord que le monde est assez grand pour toutes les différentes solutions logicielles, ainsi que pour avoir des solutions spécialisées. C’est pourquoi de grandes entreprises comme SAP ont des solutions spécialisées pour la vente au détail et elles fonctionneront différemment pour les biens de consommation et les produits pharmaceutiques dans l’industrie ou pour d’autres domaines. Je pense donc que nous sommes d’accord, simplement en partant de points de vue différents.

Conor Doherty: Alex, souhaitez-vous commenter ?

Alexey Tikhonov: Juste un léger commentaire. Je ne peux pas être d’accord avec la proposition selon laquelle les gens doivent intervenir dans le processus de prévision. Là où les gens peuvent apporter de la valeur, ils peuvent apporter de la valeur aux entrées de ce moteur de décision pour clarifier la sémantique des données, apporter plus de données, expliquer à l’ingénieur qui conçoit tous ces algorithmes ou ce moteur de décision comment les données sont utilisées dans l’entreprise afin qu’il ait une meilleure compréhension de l’ensemble.

Et ensuite, ils peuvent apporter de la valeur à la fin, en vérifiant les décisions que le moteur de décision génère et en découvrant ces décisions insensées ou inexactes à leur avis, puis en revisitant cette recette numérique pour découvrir ce qui ne va pas. Quelles sont les hypothèses qui sont fausses ? Pourquoi prend-il la mauvaise décision ? Parce que s’ils interviennent entre les deux, ils touchent à la prévision ou ils passent outre la décision, cela signifie que des ressources sont consommées au lieu d’être investies. Vous devez d’abord et avant tout examiner les moyens d’améliorer cette robotisation, car si vous le faites manuellement, vous perdez du temps.

Et vous devriez commencer par les décisions, d’ailleurs, pas par la prévision. Parce que si j’avais une quantité minimale de commande de 100 unités et que vous veniez me dire : “Oh, maintenant j’ai une meilleure prévision. Au lieu de 50 unités de demande, il y en a 55.” Eh bien, j’ai toujours une quantité minimale de commande, donc de mon point de vue, les deux prévisions sont un peu sans importance malgré le fait que oui, l’une est plus précise. Je prends toujours la même décision et le fait que vous avez investi plus de ressources dans la production d’une prévision potentiellement plus précise et plus coûteuse en termes de calcul. Vous avez donc obtenu une meilleure précision de prévision, mais dans l’ensemble, nous sommes dans une situation négative car nous produisons toujours la même décision tout en investissant plus de ressources.

C’est pourquoi je suis contre le fait de toucher manuellement les étapes du processus. Revisitez toute la recette afin d’améliorer l’automatisation, de la rendre plus robuste, plus fiable, plus saine.

Sven Crone: C’est juste dommage que nous n’ayons pas eu la discussion de Robert et Paul au préalable, qui ont probablement examiné la valeur ajoutée de la prévision dans l’après-midi, car nous avons beaucoup de preuves que, en plus des méthodes statistiques avancées, le jugement peut apporter une valeur significative en plus.

Et je pense que la question qui a été posée ici aujourd’hui est de savoir si l’apprentissage automatique peut surpasser la valeur ajoutée des statistiques et du jugement, ou si c’est la même chose. Et puis je pense que la question du coût total de possession est une bonne question, n’est-ce pas ? Lequel est le plus efficace ?

Je suis assez sûr que Nicolas a beaucoup d’exemples que vous avez mentionnés auparavant ou dont vous avez rendu compte, où vous automatisez en fait tout le processus et cela ajoute plus de valeur que d’apporter des ajustements basés sur le jugement. Mais passons peut-être à la question suivante.

Conor Doherty: Eh bien, en fait, c’est plus une transition qui est toujours en quelque sorte une transition. C’est pour passer à ce que je pense être la question fondamentale car en vous écoutant, il n’y a pas vraiment de désaccord instrumental ici, mais il y a un accord général.

Et en fait, je vais commencer par toi, Nicolas. Quelque chose que tu as dit plus tôt, tu as dit, et pardonne-moi si je te cite mal, je paraphrase, nous utilisons les prévisions pour prendre de meilleures décisions. Cela signifie que les prévisions sont instrumentales dans un processus plus large, ce qui soulève alors la question, où réside la valeur ?

Parce que si tu utilises les prévisions comme un outil pour accomplir quelque chose de plus grand, où est la valeur ? Est-ce que la valeur réside dans l’outil qui construit la maison ou est-ce que la valeur réside dans la structure de la maison ? La maison serait la décision dans cette analogie.

Nicolas Vandeput: Je pense que tu as deux questions importantes avec les prévisions. Tu as la première question, est-ce que ta prévision est précise ou non ? Et encore une fois, nous pourrions débattre de la manière de mesurer la précision, des débats très intéressants, mais ce n’est pas le sujet aujourd’hui. Imaginons simplement que la première étape consiste à évaluer à quel point elle est précise ou bonne.

La deuxième question est, eh bien, sur la base d’une prévision donnée, à quel point ton entreprise est-elle bonne pour prendre la bonne décision ? Maintenant, malheureusement, l’équipe qui s’occupe de cela est différente de l’équipe qui fournit les prévisions, avec des entrées différentes, des sorties différentes, des indicateurs de performance différents.

Je ne blâmerais pas, du point de vue de la supply chain, les prévisionnistes ou les personnes qui élaborent le moteur de prévision pour les mauvaises décisions ou les indicateurs de performance liés aux décisions, car ils n’ont aucune action là-dessus. En même temps, tu pourrais avoir de très mauvaises prévisions et avoir le décideur qui a soit eu de la chance, soit est extrêmement bon pour prendre de bonnes décisions malgré de mauvaises prévisions.

Tu pourrais donc obtenir de très bons indicateurs de performance, des indicateurs de performance commerciaux. Encore une fois, nous pourrions discuter de la pertinence ou non des indicateurs de performance, mais nous pourrions les avoir dans les deux sens. Donc, pour moi, lorsque je veux évaluer une prévision, je ne regarderais pas le résultat commercial. Je regarderais uniquement la précision de la prévision, car je sais que le résultat commercial peut être influencé par tellement d’autres choses qui échappent totalement à la personne qui fait la prévision, qu’elle soit humaine ou machine.

Maintenant, ce qui est très intéressant, et je l’ai simulé pour quelques clients, c’est que selon la qualité de ta prévision, encore une fois, nous pourrions débattre de la manière de mesurer la précision, mais selon cela et surtout selon le biais, par exemple, es-tu très positivement biaisé, sous-estimes-tu, ou as-tu un outil correctement calibré, je l’espère, le moteur d’optimisation de la supply chain résultant pourrait adopter des politiques très différentes.

Donc, la politique optimale ou la meilleure façon de prendre des décisions pourrait changer en fonction de la qualité de la prévision. Cela signifie également que si aujourd’hui tu passes d’une prévision qui surestime tout parce que ton processus est politiquement biaisé à une prévision faite par apprentissage automatique, tu dois en même temps revoir la manière dont tes décisions de supply chain sont prises.

Les gens se fient à l’outil du processus. Historiquement, la prévision était toujours surestimée de 30 %. Donc, si tu changes cela maintenant, tu dois également changer le processus d’approvisionnement. Les deux doivent être intégrés. Mais du point de vue de la supply chain, j’évaluerais les indicateurs de performance de manière indépendante autant que possible.

Conor Doherty: Merci. Sven, qu’en pensez-vous ? Pour réitérer la question, si la prévision est un outil pour accomplir autre chose, où attribuez-vous de la valeur ? Est-ce dans la qualité de la décision ou dans la qualité de la prévision ? Définissez-les comme bon vous semble.

Sven Crone: Je pense que nous avons déjà abordé cette question. Pour moi, la planification de la demande, ou en utilisant la définition de Gartner de la planification de la demande et du processus Oliver Wight, nous l’envisageons d’un point de vue industriel. Prenons l’exemple de l’industrie pharmaceutique, de l’industrie de la consommation, elles regardent généralement beaucoup plus loin que ce que vous regardez. Elles regardent, disons, de 6 à 18 mois à l’avance. Les décisions coûteuses sont les décisions stratégiques. Vous identifiez des plans à long terme, vous identifiez des prévisions, vous effectuez des activités de comblement des écarts, vous essayez de concilier l’offre et la demande sur un horizon beaucoup plus long. Vous n’avez pas d’informations promotionnelles, vous n’avez pas d’informations météorologiques, vous n’avez pas d’informations sur les perturbations. Cela relève donc beaucoup de la planification basée sur des scénarios et de la planification de bout en bout de scénarios qui doivent se concrétiser en positions d’inventaire.

Mais cela concerne une position à long terme. Si vous regardez cela, je pense que la majorité de l’industrie a encore une période de gel de trois mois. Je veux dire, c’est donc ce que nous regardons en dehors de cette période. S&OE, en revanche, qui a récemment été adopté par Gartner, regarde cela de manière très différente. Donc, là, pour l’horizon à long terme, je pense que la transparence, la communication, ce sont des choses importantes pour se préparer, vous savez, à des budgets changeants, à la réalignement des budgets, à la conciliation du volume et de la valeur. C’est un processus très agrégé. Vous regardez les niveaux hiérarchiques élevés, vous regardez les marchés, vous regardez les canaux, mais vous ne regardez pas les produits individuels.

Ensuite, vous êtes dans le travail quotidien et c’est S&OE. Dans S&OE, je suis d’accord, vous avez des décisions automatisées, des décisions standardisées, la précision est une chose importante, la transparence est toujours importante, ce qui est souvent négligé, ou la robustesse. Mais je pense que 85 % de toutes les présentations lors de cette conférence parlent de précision. Il y a toute une session sur la robustesse, ce qui est bon à voir. Mais je pense que l’innovation la plus importante pour mesurer l’ensemble du processus est la valeur ajoutée de la prévision. Il s’agit vraiment de prendre les éléments constitutifs individuels et de voir comment ils ajoutent de la valeur. C’est une vision très axée sur la gestion car vous voulez investir des ressources là où vous ajoutez de la valeur.

Malheureusement, cela n’inclut pas des choses comme la gestion des données de référence. Il est difficile de mesurer cela. Cela n’inclut pas des choses comme le nettoyage des données, ce qui, selon moi, est essentiel pour réaliser des prévisions statistiques. Et cela se concentre sur l’aspect humain à la toute fin. Mais nous avons du mal à mesurer la valeur ajoutée car, en termes de précision des prévisions, nous utilisons généralement des volumes pondérés par les coûts pour voir globalement si les meilleures décisions sont prises avec des métriques d’erreur que les universitaires n’aborderaient pas. Mais ce à quoi ils s’intéressent vraiment, c’est la valeur ajoutée. Mais nous avons beaucoup de planificateurs de la demande qui choisissent réellement un algorithme statistique dans l’outil. Ils peuvent passer outre ce choix, mais cette valeur est attribuée à l’algorithme statistique. Je pense donc qu’il y a beaucoup de valeur dans le jugement aujourd’hui et cela peut être mesuré. Et je pense que la majorité des entreprises ont adopté cela et la valeur ajoutée est un bon outil pour cela. Et encore une fois, je regarde à long terme et beaucoup moins à court terme où la performance des stocks devrait être liée, et ainsi de suite.

Conor Doherty: D’accord, merci.

Alexey Tikhonov: Je pense que lorsque nous parlons de changements d’exactitude des prévisions, d’améliorations potentielles, et que nous nous référons au processus de valeur ajoutée des prévisions, nous sommes confus dans les termes car le meilleur nom serait valeur ajoutée de l’exactitude des prévisions, et non valeur. Parce que la valeur, lorsque nous parlons de valeur, pour moi, cela déclenche immédiatement une perspective financière. Et la perspective financière est guidée par les décisions. Les résultats de votre entreprise dépendent uniquement des décisions que vous prenez et de la manière dont vous les exécutez. Il n’y a rien d’autre impliqué dans cette perspective, seulement les décisions et la manière dont vous les exécutez.

Lorsque nous considérons les décisions, par exemple, j’ai une prévision numéro un, cela me conduit à prendre la décision A et la prévision numéro deux est plus précise. Je sais à peu près de combien, je connais la différence de précision. Mais la question est, est-ce que cette prévision plus précise me conduit à une décision différente ? Si ce n’est pas le cas, alors c’est inutile, malgré sa plus grande précision. Donc malgré une valeur apparente meilleure, nous avons un impact net négatif d’un point de vue financier. Et si la décision est différente, comment évaluons-nous que cette différence de décision, comme le passage de la décision A à la décision B, nous rapporte plus de profit par rapport à la différence d’investissement en ressources ? Pour moi, c’est une question ouverte. Nous pouvons utiliser les deux modèles de prévision pour évaluer les rendements potentiels des deux décisions, mais c’est encore une question de spéculation car nous n’avons pas deux univers alternatifs pour tester les deux décisions. Nous devons finalement en choisir une seule.

Et en plus, la valeur de la décision ne dépend pas uniquement de la prévision en soi. Il y a d’autres considérations telles que les moteurs de décision. Par exemple, nous travaillons avec Air France, leur division MRO pour les pièces de rechange pour les avions. Et récemment, nous avons mis en place un moteur de décision avec eux et récemment, un achat important a été déclenché par un robot qui a acheté plusieurs dizaines, je crois, d’unités de puissance auxiliaires pour un avion, ce qui représente plusieurs millions d’euros au total. Et les gens disaient : “Oh, c’est sûrement une erreur.” Mais quand ils ont commencé à inspecter, il s’est avéré que quelqu’un de l’autre côté avait commis une erreur et avait fixé le prix beaucoup plus bas que le prix moyen sur le marché. Et le robot a repéré cela et a immédiatement mis en œuvre des ordres d’exécution. Cela n’a rien à voir avec la précision des prévisions, mais cette décision a une valeur énorme.

Donc vous voyez, nous nous concentrons sur la précision des prévisions, mais il y a tellement d’autres choses qui peuvent influencer la valeur de la décision. Donc je pense que lorsque nous parlons de valeur monétaire, nous ne devrions pas nous concentrer uniquement sur les prévisions. Nous devrions examiner l’ensemble du processus de prise de décision, ce qui est pris en compte, quel est notre processus de décision, quelles choses sont importantes, quelles choses sont d’un intérêt secondaire.

Sven Crone: Juste pour ajouter, je suis d’accord, et vous l’avez mentionné précédemment lors du premier tour, qu’il devrait y avoir une décision d’inventaire, puis vous devriez l’évaluer sur les décisions d’inventaire. Et je pense que pour être juste, dans le milieu universitaire, la majorité des personnes ont adopté cela comme une bonne pratique ou comme une pratique minimale. Donc si vous regardez les revues dans les domaines de l’économie de la production et de l’ISER, la société de l’inventaire, c’est une bonne pratique. Vous verrez pas mal de présentations d’universitaires ici qui mesurent réellement le coût de la décision sur les courbes de compromis entre le taux de service et les délais de livraison et qui donnent réellement le coût de l’inventaire associé. C’est quelque chose que je ne vois pas du tout dans la pratique.

C’est très difficile à faire en pratique, c’est difficile à faire, mais c’est possible. Il faut bien sûr faire des hypothèses. La supply chain est complexe, mais je suis tout à fait d’accord avec vous. Le coût de la décision doit être bon. Mais cela remonte à Granger 1969, les fonctions de perte asymétriques. Nous n’avons généralement pas le coût de la décision, nous devons donc faire des hypothèses. Ce que je vois comme un énorme manque, et peut-être une omission, c’est que cette communauté n’a pas été en mesure d’établir le lien entre la précision des prévisions, quelle que soit la manière dont vous voulez la mesurer, et le coût de la décision qui y est associé.

Nous avons donc effectivement mené un projet de recherche. Très peu d’entreprises l’ont fait, Johnson and Johnson l’a fait par le passé. Donc un point de pourcentage de précision des prévisions, généralement pondéré par le coût MAPE pondéré, équivaut à 8 millions de dollars américains en stocks de produits finis et en coûts de production accélérée des centres de distribution, et ainsi de suite. Ils avaient toute une ligne de conduite pour établir cela. Nous avons récemment présenté quelque chose où nous avons fait une simulation ascendante avec TESA. Il existe des calculateurs sur le web auxquels je ne fais pas entièrement confiance, mais je pense que c’est une chose importante, les erreurs de prévision sont coûteuses, uniquement en ce qui concerne la décision sur les stocks de sécurité et l’inventaire à l’étape suivante immédiate, sans même parler de la planification de la production et de l’approvisionnement en matières premières et des décisions à long terme.

Je pense donc que c’est une véritable omission. C’est pourquoi je pense que les équipes de planification de la demande dans les entreprises sont encore trop petites. Si elles savaient à quel point leurs décisions sont coûteuses, à quel point la prévision est précieuse, nous verrions beaucoup plus de ressources allouées à cela. Mais, au fait, TESA, c’était environ, bien sûr, cela dépend de la taille de l’entreprise, c’était, nous n’avons pas le droit de dire le chiffre, c’est une Bugatti Veyron. Les Bugatti Veyron ont un prix assez rigide, donc c’est 1,5 million par point de pourcentage de précision dans l’inventaire, traductions directes. Et nous travaillons maintenant avec quelques autres entreprises pour établir cela, étant donné les modèles d’inventaire inférieurs. Mais c’est une chose vraiment importante. Vous résolvez le problème directement et leur montrez le coût de la décision. Mais lorsque le processus est découplé, vous pouvez toujours le faire. Et je pense que c’est l’épingle manquante. Mais je suis entièrement d’accord. Le coût de l’inventaire ou de la décision serait idéal. L’inventaire est un lien direct qui peut être fait et doit être fait et qui est fait par les universitaires.

Conor Doherty: Je veux avancer et rassembler certains points qui ont été soulevés, notamment en ce qui concerne les hypothèses. Je veux dire, les hypothèses, si c’est une hypothèse d’un planificateur de la demande du genre “Oh, c’est faux, je dois faire une correction manuelle”, c’est une hypothèse. Une hypothèse entre dans la construction d’une prévision ou d’un modèle automatisé. Donc, je veux dire, ce sont des distinctions. Les roses par un autre nom, mais ma question est la suivante : est-il raisonnable de s’attendre, pour la direction, donc pour des personnes sans formation dans les domaines dont nous parlons aujourd’hui, à avoir le même niveau de confiance dans l’automatisation, comme une prévision générée automatiquement, par rapport à une prévision qui est passée par votre bureau, par exemple ? Et je vais, désolé, ou par le bureau de Nicolas, ou d’Alex.

Nicolas Vandeput: Si cela ne vous dérange pas de revenir à ma diapositive, la question la plus courante, si je la résume en quelques mots, est “Comment puis-je faire confiance à l’apprentissage automatique ?” Et vous pourriez remplacer l’apprentissage automatique par des outils statistiques. J’aime changer cette question en “Oui, mais comment pouvez-vous faire confiance aux humains ?” Parce que les gens disent : “D’accord, Nicolas, comment puis-je te faire confiance ? Comment puis-je faire confiance à ton apprentissage automatique ?” Et je leur réponds : “Comment pouvez-vous faire confiance à votre équipe ?” Et c’est, je pense, la vraie question. Et il n’y a qu’une seule façon de suivre cela et d’y répondre. Cela s’appelle la valeur ajoutée de la prévision. Et l’idée est vraiment, je vais essayer de l’expliquer en quelques phrases. Vous voulez suivre la précision de chaque étape de votre processus. Cela peut être un humain, cela peut être une machine, cela peut être des informations de votre client, la prévision provenant de votre client. À chaque étape, vous allez suivre la précision avant l’étape et la précision après l’étape.

Pendant que vous faites cela, je vous conseille également de comparer l’exactitude globale de votre processus par rapport à une référence statistique, qui pourrait être n’importe quel modèle simple que vous pourriez trouver gratuitement. Au fil des semaines, des mois, des jours, en fonction de votre horizon, vous pouvez vraiment prouver que certaines parties de votre processus, qu’il s’agisse d’humains ou de machines, ajoutent de la valeur et sont précises. C’est la seule façon de le faire. Et j’irais même jusqu’à dire que si vous ne le faites pas, c’est comme si vous n’aviez pas allumé la lumière dans la pièce. Vous êtes dans le noir. Vous n’avez aucune idée.

Et lorsque des entreprises me contactent pour des projets d’amélioration de la planification de la demande, la première question est : “Suivez-vous la valeur ajoutée de la prévision ?” Parce que si ce n’est pas le cas, il n’y a aucun moyen de savoir si mon modèle ajoute de la valeur et si nous faisons du bon travail ou non. C’est donc la première étape pour répondre à la question : “Comment savez-vous si je peux faire confiance à l’apprentissage automatique ?” C’est la même question que : “Comment savez-vous si je peux faire confiance aux humains ?” Et la réponse est que vous devez suivre la valeur ajoutée de la prévision.

Alexey Tikhonov : Je pense que passer aux décisions est important. Comment puis-je faire confiance à une prévision ? Je ne sais pas si une prévision est bonne ou mauvaise à moins de voir quelle décision elle recommande, quelles décisions je peux prendre en utilisant cette prévision. Et de ce point de vue, les humains, les praticiens, ont souvent une très bonne intuition. S’ils prennent des décisions insensées, ils le signaleront et vous diront pourquoi. Par exemple, s’ils estiment que votre bon de commande est trop important, ils vous diront quelle devrait être sa valeur approximative et pourquoi ils pensent de cette manière. Donc, suivre l’exactitude de la prévision, oui. Impliquer les humains dans le processus de révision de la prévision basée sur leur jugement, comme je l’ai déjà dit, est assez inefficace, car ces interventions ont une durée de validité très courte.

Vous pouvez les modifier, mais cela ne durera pas encore une année. Cela aura probablement un impact sur votre prochain bon de commande, mais pas sur celui qui suit. Vous impliquez donc une ressource très coûteuse, une ressource très peu fiable, car nous devrions également discuter, nous n’avons pas le temps, mais nous devrions également discuter du processus derrière ces révisions basées sur le jugement. Elles sont semi-quantitatives par nature. Il n’y a pas de processus rigoureux comme pour les prévisions générées automatiquement où nous pouvons inspecter, décomposer et voir ce qui ne va pas si quelque chose ne va pas. Vous devez donc automatiser autant que possible. Et comment gagner la confiance ? Eh bien, de la même manière que vous faites confiance à votre application météo. Si elle produit des prévisions cohérentes, si elle dit qu’il y a une forte probabilité de pluie et que, oui, la plupart du temps il pleut quand elle le dit. Ou une autre technologie comme les filtres anti-spam.

Pensez à quand ils ont été introduits dans les clients de messagerie électronique. Nous vérifiions très fréquemment la boîte de spam car le pourcentage de courriels mal classés était assez élevé. De nos jours, je ne vais dans la boîte de spam que lorsque je sais qu’une personne qui n’est pas encore dans ma liste de contacts m’a envoyé un courriel et que je ne l’ai pas reçu. Et je vais vérifier, oui, il est là, et je clique pour dire que ce n’est pas un spam, et il n’ira plus jamais dans les spams. Vous voyez, la confiance se gagne avec le temps, et vous avez besoin d’un processus. Nous l’appelons l’optimisation expérimentale, lorsque vous peaufinez ce moteur de décision. Une fois qu’il commence à produire des résultats cohérents, tout ce que vous avez à faire est de suivre les métriques. Oui, vous suivez l’exactitude de la prévision. Si cela change radicalement, vous avez besoin d’un ingénieur pour inspecter avec les praticiens ce qui se passe en coulisses. Mais vous ne devez jamais toucher, vous ne devez jamais intervenir manuellement dans ce processus de décision. Vous voulez réparer ce qui est cassé, puis le laisser fonctionner, un peu comme vous le faites avec les machines. Vous faites l’entretien, puis vous conduisez votre voiture.

Sven Crone: Oui, je pense que la confiance est une question importante, n’est-ce pas ? Je veux dire, si l’on regarde les 10, 20 dernières années, de nombreuses entreprises ont essayé de passer en direct, par exemple, dans le contexte de la prévision avec la prévision statistique. Et pourquoi y a-t-il un tel scepticisme ? Pourquoi tant d’entreprises ont-elles commencé et arrêté, commencé et arrêté, commencé et arrêté ? Nous connaissons tous le problème de surajustement. Nous savons tous comment nous menons ces expériences en bac à sable avec toutes les variables futures où il faut être très prudent dans la conception des choses dans une preuve de concept, puis dans une étude pilote, en les exécutant côte à côte plutôt que de les brûler. Et en effet, la majorité, je veux dire avec autant de degrés de liberté et de méta-paramètres et autant d’indicateurs principaux qui peuvent simplement s’infiltrer dans n’importe quelle décomposition, il est très, très facile de promettre un niveau de précision que vous ne voyez pas se matérialiser par la suite. Nous avons promis une certaine précision, puis COVID est arrivé, et la direction ne comprenait pas pourquoi nous n’atteignions pas ce niveau de précision. Pour nous, c’était clair. Pour eux, ce ne l’était pas. Mais je dis, vous savez, la confiance a été perdue.

La confiance, je ne pense pas que l’acceptation de la technologie soit généralement un sujet dans les systèmes d’information, n’est-ce pas ? L’acceptation de la technologie est un gros problème. Il y a des conférences entières qui analysent comment vous pouvez transmettre cela. Et je pense qu’une façon de le faire a quelque chose à voir avec l’acceptation générale de la technologie. Comme, vous savez, la plupart d’entre nous seront sceptiques si vous montez dans une voiture sans conducteur à San Francisco, du moins les premières fois. Peut-être pas, mais peut-être que dans 20 ans, tout le monde sera content. Donc, c’est ce que vous avez dit, vous savez, l’utilisabilité, vous ne voyez rien se passer, etc., et c’est ainsi que vous pouvez construire la confiance. Vous devez également communiquer les choses. Mais je ne pense pas que la réponse soit l’IA explicative. Tout le monde continue d’expliquer que l’algorithme doit s’expliquer lui-même. Je veux dire, j’ai essayé de expliquer ce qu’un facteur gamma de 0,4 fait sur 12 indices saisonniers qui changent avec le temps, n’est-ce pas ? Aucun manager ne comprend ça. Mais le manager en haut doit avoir, vous savez, il doit prendre la décision finale. Est-ce qu’il fait confiance à cet investissement important dans les stocks ? Fait-il confiance à son équipe pour travailler de manière efficace et efficiente ?

Et je pense que pour cela, nous avons perdu beaucoup de confiance avec les statistiques, peut-être avec certaines implémentations de logiciels inférieures qui étaient à la pointe à l’époque, mais qui n’ont pas, certaines d’entre elles ont été surparamétrisées dans un échantillon d’une étape. Beaucoup de preuves ici sur la sélection de modèles. Donc, bon nombre de ces innovations n’ont pas été adoptées, mais plutôt par des entreprises plus jeunes et innovantes. Une étape intermédiaire que nous avons vue fonctionner pour renforcer la confiance en médecine, par exemple, il y a une étude de cas incroyable sur la détection du cancer du sein à partir d’images. Et la machine, l’algorithme, était significativement plus précis et avait un taux de vrais positifs beaucoup plus élevé, un taux de faux positifs beaucoup plus faible, vous savez, avec un coût incroyable pour les vies individuelles qui y sont associées. Et les médecins ne l’ont pas adopté. Juste dans les années 1980, ils n’ont pas adopté certains des processus de décision parce qu’ils ne faisaient pas confiance à cela. Ils se faisaient plus confiance qu’aux autres.

Les solutions que nous construisons maintenant, lorsque l’IA peut corriger les valeurs aberrantes, mais nous mettons en évidence les valeurs aberrantes dans le plan de demande. L’IA peut sélectionner le modèle, mais nous mettons plutôt en évidence le classement de ce que nous pensons être pertinent. Nous essayons d’expliquer ce que nous voyons dans les données, donc nous pensons que cela est fortement saisonnier et qu’il y a une perturbation. Donc, cette chose augmentée aussi pour les médecins, au lieu de vous donner une classification, elle mettait en évidence sur l’image où le cancer était probablement détecté et non seulement elle vous donnait une réponse vrai/faux, cancer ou non, mais elle vous donnait une probabilité que cela soit un cancer, ce qui permettait dans des situations critiques en termes de temps de trier par probabilité et de ne regarder que ceux qui sont clairement un cancer et ceux qui ne sont clairement pas un cancer, mais de regarder ceux qui étaient incertains. Et c’est là que les médecins pouvaient réellement utiliser leur expertise et soudainement ils avaient une acceptation massive.

Je pense donc que cela a beaucoup à voir avec la conception des systèmes, la conception du processus de décision et ce n’est pas tout automatisé car nous avons ABC et XYZ et des nouveaux produits et des produits en fin de vie, vous savez, on ne peut pas tout automatiser, on ne devrait pas tout automatiser, mais automatiser certaines parties avec l’IA, automatiser d’autres parties avec des méthodes très simples et transparentes peut-être, et automatiser d’autres parties avec des algorithmes robustes. Mais je pense que pour l’instant, compte tenu du niveau actuel d’acceptation et de scepticisme à l’égard de la technologie, bien que nous aimions tous GPT pour planifier notre prochaine fête d’anniversaire, je pense que l’IA augmentée est probablement une bonne étape pour obtenir l’acceptation, puis nous pourrons automatiser complètement avec l’IA.

Conor Doherty: Commentez cela. Eh bien, juste pour rebondir là-dessus car vous avez tous les deux soulevé de très bons points. Mais je veux juste dissocier l’une des comparaisons là-bas. Donc, je pense qu’Alexey, vous avez donné l’exemple d’utilisation d’une application de prévisions météorologiques, ce qui est, je veux dire, la météorologie, la base de la météorologie est la prévision probabiliste depuis un certain temps. Et puis vous l’avez comparé à un véhicule autonome, ou du moins vous l’avez indirectement comparé. Et je pense que nous allons prendre cela et essayer de poser une question. Donc, pour utiliser l’exemple d’Alex, si tout le monde dans la salle se voyait dire que vous devez prendre des vacances la semaine prochaine, votre seule destination est les Bermudes. Les prévisions météorologiques indiquent qu’il y aura un tsunami la semaine prochaine. Allez-vous dépenser votre propre argent ? Allez-vous investir financièrement votre temps, vos efforts et votre énergie pour aller aux Bermudes ? La plupart des gens diraient non. Maintenant, prenez exactement le même point de vue, qui est la finance et la prévision probabiliste, mettez toutes ces mêmes personnes dans une entreprise et dites voici une liste priorisée de décisions ajustées en fonction du classement et du risque qui a été générée par un algorithme. Oh non, absolument pas, je ne fais pas confiance à ça. Donc, est-ce un manque de confiance sélectif ? Vos commentaires.

Alexey Tikhonov: Je peux faire un bref commentaire. Je pense que le vrai problème avec la résistance des humains à l’adoption de nouvelles technologies en général, lorsque nous parlons d’automatisation, c’est la peur de devenir obsolète et remplacé. Et en réalité, ce qui se passe habituellement est tout à fait le contraire. Oui, nous automatisons certaines parties où les humains ne sont tout simplement pas financièrement efficaces. Par exemple, nous avions l’habitude d’avoir des traducteurs pour plusieurs langues pour traduire notre propre site web car nous publions beaucoup et cumulativement nous avons probablement dépensé quelque chose comme 400 000 euros au cours des plusieurs années. Et maintenant, chaque fois que nous publions quelque chose, cela est traduit par des LLM.

Nous avons des programmes qui prennent une page en markdown en entrée et produisent une page en markdown avec toute la syntaxe markdown, les shortcodes, tout reste intact et seules les parties pertinentes sont traduites dans d’autres langues. Les coûts ont considérablement diminué, comme de deux ordres de grandeur, c’est maintenant 100 fois moins cher. Donc, devrions-nous payer 100 fois plus à un traducteur humain ? Non. Avons-nous encore besoin de traducteurs humains ? Oui, par exemple si vous voulez rédiger un document juridique, il vaut mieux utiliser un traducteur humain car un seul mot, une seule virgule peut vous coûter une somme considérable d’argent. Donc, avons-nous besoin de traducteurs humains ? Oui, nous en avons encore besoin, mais dans des domaines différents et il y aura probablement plus besoin de traducteurs humains dans ce domaine juridique qu’auparavant.

Et cela s’applique également aux chaînes d’approvisionnement. Par exemple, il y a des domaines entiers qui restent intacts en raison du manque de ressources humaines disponibles. Par exemple, très souvent lorsque vous voulez passer une commande, vous ne savez pas à l’avance s’il y a un MOQ, donc vous devez récupérer cette information. Vous pouvez utiliser des humains, vous pouvez utiliser un copilote en tant qu’IA, mais vous avez toujours besoin d’un humain pour récupérer certaines informations qui sont mal structurées pour les alimenter dans votre moteur de décision afin qu’il produise une décision conforme au MOQ. Donc, je pense que nous avons encore besoin d’humains, mais pour différents types de tâches qui évolueront.

Sven Crone: Je pense que vous avez mentionné un point important en ce qui concerne l’acceptation de certaines de ces techniques de traduction automatique car elles existent depuis longtemps. IBM utilisait déjà des réseaux neuronaux en 1982, n’est-ce pas ? Donc, ils étaient là, mais le taux de traduction ou le taux d’erreur était d’environ 90% d’identification. Donc, un humain devait intervenir et changer pas mal de lettres, pas mal de mots. Chaque dixième mot était faux et cela signifiait que c’était inacceptable car c’était en dessous d’un seuil considéré comme suffisamment bon.

Et maintenant, si vous obtenez cette précision vers un niveau pas nécessairement humain mais que vous la dépassez un certain seuil, alors vous avez soudainement une adoption massive de la technologie. En prévision, nous sommes assez coupables de cela car nous avons vu des mises en œuvre avec une utilisation négligente de modèles multiplicatifs sur des séries temporelles avec des zéros. Et si vous avez 10 exemples sur 100 séries temporelles qui explosent une fois par an, vous n’avez aucune acceptation car la confiance est perdue.

Donc, vous devez réellement arriver à la robustesse pour permettre l’automatisation. Donc, je pense que c’est un bon point. Et nous avons généralement essayé de construire des modèles précis plutôt que des modèles robustes qui ne fonctionnent pas bien. Les réseaux neuronaux ont toujours ce problème. De plus, je pense que nous sommes tous biaisés car nous nous adaptons assez bien à la technologie, pas autant que mon frère cadet par exemple qui adore la technologie. Donc, il y a aussi une considération d’âge. Mais qu’est-ce qui génère la confiance ? Je pense que lors d’une réunion du conseil de direction, je sais qu’une très grande entreprise de logiciels examine activement les modèles LLMs et il y a eu une décision récente. Je pense qu’Eric Wilson de l’IBF, l’Institute of Business Forecasting, a un blog et ils sont assez francs sur le fait que l’IA ne prendra pas le contrôle du processus de planification de la demande et que tout le monde gardera son emploi.

Mais récemment, il y a eu des exemples où en fait, lors d’une réunion du conseil d’administration, un modèle LLM formé sur la majorité des connaissances qui lui ont été fournies, les informations promotionnelles, les perturbations, la chaîne d’approvisionnement, et à la fin, il y avait une prévision et le PDG a demandé au modèle LLM pourquoi c’était le cas. Et les gens avaient des points de vue différents. Le marketing avait un point de vue différent, la finance avait un point de vue différent. Le modèle LLM était le seul capable de donner un argument compréhensible pour expliquer pourquoi ce chiffre était le bon. Et je pense qu’il y a un autre biais qui est là, mais si vous pouvez raconter une histoire pertinente à ce sujet, les gens auront confiance en cela. Donc, cela introduit également la confiance, même si c’est faux.

Donc, je pense qu’être capable d’argumenter pourquoi c’est le cas pour un planificateur de la demande dans le contexte de mille produits, vous êtes là avec le PDG pour argumenter de manière exhaustive pourquoi vous pensez que dans six mois, cela va doubler, vous ne vous en souvenez pas. Vous avez été occupé à travailler tout le mois sur tous ces chiffres, à les découper et à les traduire en valeur, puis à obtenir des ajustements par canal du haut vers le bas, et à la fin, vous avez un chiffre qui en ressort. Mais le modèle LLM était capable de plaider en faveur de cela et c’est, je pense, là où nous verrons probablement qui va dire qu’un modèle LLM ne peut pas lire toutes les réunions de vente et de comptes clés, il ne peut pas obtenir toutes les informations sur l’entonnoir, il peut justifier l’entonnoir, il peut aligner cela avec les valeurs d’approvisionnement et peut en fait proposer un ajustement meilleur qu’un humain car il peut simplement traiter beaucoup plus de données. Je pense que c’est là que nous pourrions passer outre la confiance et passer directement à l’exactitude. Mais il y a des preuves que cela peut générer de la confiance car cela peut enfin expliquer ce qui se passe.

Nicolas Vandeput: Donc, je vois une question intéressante et je pense que nous avons enfin trouvé notre sujet sur lequel je serais en désaccord.

La première chose que j’aimerais aborder est la gestion du changement concernant l’adoption de l’apprentissage automatique pour la prévision. Comme pour toute technologie, il y a des personnes qui s’y opposent totalement et d’autres qui y sont plus favorables. Et je le vois sur LinkedIn à chaque fois que je poste, j’ai toujours quelques personnes du même côté qui disent que cela ne fonctionnera jamais, je ne le ferais jamais. Vous savez quoi, j’ai arrêté d’essayer de les convaincre. C’est bien, restez où vous êtes et je travaillerai avec des personnes qui veulent améliorer les chaînes d’approvisionnement.

Maintenant, j’ai vu plusieurs clients, j’ai vu de grands leaders, j’ai vu des leaders moyens, j’ai vu de mauvais leaders. Pour moi, si vous voulez mettre en place avec succès un processus automatisé, et nous pouvons discuter de la planification de la demande basée sur l’apprentissage automatique, mais nous pourrions discuter de n’importe quel processus, vous avez besoin en tant que leader dans la salle de donner une vision claire à tout le monde dans la salle de ce que sera leur rôle à l’avenir. Je vais revenir à la planification de la demande, mais cela s’appliquerait également à n’importe quel processus. Si vous dites à votre planificateur de la demande, votre travail et je vous paie pour changer la prévision et modifier et ajuster les modèles, c’est ce que les gens vont faire. Et cela doit changer. Il faut que cela change pour que votre travail consiste à vous assurer que les données qui alimentent le moteur de prévision de la demande sont aussi bonnes que possible et que votre travail consiste à trouver des informations au-delà de ce qui est alimenté dans le modèle, puis, le cas échéant, enrichir la prévision. Si vous ne dites pas cela, les gens continueront de modifier la prévision jour après jour parce qu’ils sentiront simplement que s’ils ne le font pas, ils ne peuvent pas justifier leur salaire. Donc, encore une fois, pour l’adoption, il est extrêmement clair que nous donnons une image claire qui, encore une fois, est liée à ma diapositive sur l’examen axé sur les informations et la collecte d’informations, et ainsi de suite, de ce que les gens devraient faire.

Maintenant, quelque chose que j’aimerais ajouter, c’est cette notion d’explicabilité. Je pense que c’est un sujet ouvert et je suis moi-même en train de m’y intéresser, mais je dirais que pour moi, l’explicabilité n’est pas du tout nécessaire. Je ne sais pas comment fonctionne une voiture, je l’utilise quand même et je n’ai jamais essayé d’envoyer un e-mail à Mercedes pour dire que je ne l’utiliserai plus si vous pouvez m’expliquer comment ça marche. Je ne ferais jamais ça. Je ne sais pas comment fonctionne Internet, je ne sais pas comment cette chose fonctionne, je n’en ai aucune idée, mais je l’utilise quand même.

Si une chaîne d’approvisionnement repose sur l’explicabilité ou la narration ou des histoires pour utiliser la prévision et faire confiance à la prévision, vous ne pourrez jamais mettre à l’échelle car cela signifie que votre chaîne d’approvisionnement et votre processus reposent sur le fait qu’un humain a des capacités de persuasion pour influencer d’autres personnes à utiliser votre prévision parce qu’il a une bonne histoire. Pour moi, vous devez faire confiance à la prévision parce que la précision, quelle que soit la manière dont vous mesurez la précision, est fiable et qu’au fil du temps, elle a été précise ou la décision a été pertinente. Vous faites confiance aux choses, vous faites confiance aux processus, aux personnes, aux modèles parce que quantitativement c’est génial, pas parce que l’histoire a du sens. Si vous vous en tenez simplement à l’histoire, cela va être un échec. J’ai moi-même vu tellement de consultants remporter des projets parce que l’histoire avait du sens, puis cela n’a jamais apporté de valeur car une fois que vous faites le modèle, cela ne crée aucune valeur. Mais l’histoire est belle, c’est pourquoi j’essaierais vraiment de rester autant que possible à l’écart de l’histoire.

Conor Doherty: D’autres commentaires ? Il n’y a aucune obligation.

Alexey Tikhonov: Quelques mots sur l’explicabilité et la compréhension de ce qui se passe, comment les décisions sont prises, comment les prévisions sont produites.

Je ne peux parler que de ce que nous faisons chez Lokad. Nous abordons les problèmes avec un principe de correction par conception. Un des problèmes que nous savons que les gens auront est un manque de confiance parce qu’ils ne comprennent pas comment les choses fonctionnent. C’est pourquoi nous utilisons ce que nous appelons un élément de “white boxing”. Chaque fois que possible, nous utilisons des modèles explicites où vous comprenez ce que signifient les paramètres, au lieu d’une certaine ingénierie de fonctionnalités obscurcie. De cette façon, les gens peuvent comprendre ce qui se passe. Ces modèles ne sont pas drastiquement difficiles à comprendre. J’invite le public à regarder notre soumission à la compétition de prévision M5. L’équipe de Lokad a été classée numéro un dans le défi de l’incertitude. Si vous regardez la conférence donnée par notre PDG, Joannes Vermorel, vous verrez que le modèle est assez simple. Vous serez surpris de voir comment ce modèle simple peut atteindre des résultats de pointe.

Il n’est pas nécessaire d’utiliser une IA de pointe pour obtenir un pourcentage supplémentaire de précision de prévision. En supply chain, vous voulez être approximativement correct, pas précisément faux. C’est pourquoi nous choisissons, par exemple, des méthodes probabilistes car elles peuvent vous montrer la structure de l’incertitude, et lorsque vous avez des moteurs économiques, vous pouvez traduire cette structure d’incertitude en structure de risques financiers, et vous pouvez prendre des décisions bien informées qui sont ajustées au risque, par opposition à des décisions qui sont classées par rapport à l’atteinte d’un objectif de taux de service.

Je pense que les gens peuvent comprendre l’histoire de haut niveau, comme ce que vous faites et pourquoi vous le faites. Mais au niveau inférieur, s’ils sont curieux, ils peuvent aussi le faire, mais cela est presque sans conséquence une fois que vous comprenez le niveau supérieur. Une fois que vous voyez que les décisions sont saines, pourquoi voulez-vous descendre ? Par exemple, les gens utilisent généralement des ordinateurs, mais ils ne s’intéressent pas aux allocations de mémoire, comme la façon dont votre mémoire à accès aléatoire exploite les calculs. Personne ne s’y intéresse. Il en va de même pour les puces informatiques de votre voiture. Oui, vous avez un robot qui maintient le changement de vitesse, mais personne ne s’y intéresse généralement. Ce n’est pas important. Cela ne rendra pas votre conduite plus sûre si vous le savez.

Conor Doherty: J’allais en fait demander des réflexions finales. Vous semblez tous être d’accord pour dire que comprendre le “comment” de ces méthodologies sera au-delà de la portée de la plupart des gens s’ils n’ont pas la formation requise. Le “quoi”, comme ce qui se passe, que ce soit une plus grande précision ou une meilleure décision, est compréhensible. Mais avant de partir, peut-être 30 secondes pour conclure. Quelle est, selon vous, l’avenir des planificateurs de la demande ? Parce que, encore une fois, je peux déjà deviner un peu votre réponse, mais en termes de Nicolas et Sven, vous semblez, et je ne veux pas mettre des mots dans votre bouche, mais plus tôt, vous sembliez suggérer : “Eh bien, nous n’en sommes pas encore à l’automatisation complète de l’optimisation de bout en bout.” De votre point de vue, bon, alors, quel est l’avenir des planificateurs de la demande ? Y aura-t-il un poste pour eux dans 5 ans, 10 ans, etc., etc. ?

Sven Crone: Je pense qu’en regardant la disponibilité des données et le taux d’adoption de la technologie, il y aura certainement un emploi pour les planificateurs de la demande pendant beaucoup plus de cinq ans. J’en suis assez sûr. Parce que la pression pour restructurer les entreprises ou innover n’est pas aussi grande. Si vous regardez toutes ces initiatives de numérisation, pour la plupart des entreprises, elles n’ont même pas de stockage en cloud. Je veux dire, c’est surprenant de voir comment certaines des plus grandes multinationales d’Europe ont pu si bien fonctionner.

Donc, c’est probablement grâce aux personnes incroyables qui sont là. Mais je vois aussi que, à long terme, je pense que nous prenons vraiment des risques si nous n’adoptons pas, si les vendeurs de logiciels n’adoptent pas, si vous n’automatisez pas, si vous ne soutenez pas les décisions significatives comme la correction de l’historique, si vous ne le faites pas, vous savez, et vous avez, je pense que l’explicabilité est importante, non pas pour comprendre “Voici comment fonctionne un réseau neuronal”, mais “Voici les variables d’entrée qui ont été alimentées dans celui-ci”, et peut répondre à une question “Avez-vous pris en compte la promotion qui a été déplacée de la semaine 5 à la semaine 12 ?” Je pense que ce sont les questions auxquelles vous devez répondre. Ce sont des questions beaucoup plus simples.

Mais je pense qu’à long terme, avec de plus en plus de données disponibles, il sera très difficile pour les planificateurs de la demande. Parce que la fréquence des décisions augmente, nous passons de la prévision mensuelle à la prévision hebdomadaire, voire intra-hebdomadaire, pour nous aligner également sur les détaillants. Je vois beaucoup plus de promotions, beaucoup plus de perturbations se produisent. Il y a tellement de perturbations qu’il va être pratiquement, cela va devenir incroyablement difficile pour les planificateurs de traiter autant d’informations dans un laps de temps aussi court. Et donc, je ne pense pas vraiment qu’à long terme, ils pourront rivaliser en termes de précision et de fiabilité avec les modèles d’apprentissage automatique si toutes les données sont disponibles.

Conor Doherty: Merci, Sven. Vos réflexions finales, Nicolas.

Nicolas Vandeput: Pour résumer en une minute, quel est le rôle des planificateurs de la demande dans les années à venir, comment cela va évoluer. Pour moi, ce sont des personnes qui vont passer la majeure partie de leur temps à collecter, rassembler, structurer et nettoyer des données, des informations et des idées, en alimentant la plupart d’entre elles dans des modèles d’apprentissage automatique. Cela va être automatisé pour prévoir la demande et les informations, les idées qui ne peuvent pas être alimentées dans des modèles d’apprentissage automatique seront toujours utilisées par ces planificateurs pour enrichir manuellement ces prévisions. Mais ces planificateurs ne passeront pas de temps à signaler les valeurs aberrantes, à corriger manuellement les valeurs aberrantes. Ils ne passeront pas de temps à ajuster les modèles, à revoir, à affiner les paramètres des modèles ou quoi que ce soit de ce genre, ou même à sélectionner les modèles. Pour moi, ces tâches devraient être automatisées à 100 %. Les humains ne devraient pas le faire. Les planificateurs se concentreront sur la recherche, la collecte et le nettoyage d’informations et d’idées.

Conor Doherty: Merci. Et Alexey, vos réflexions finales ?

Alexey Tikhonov: Je pense qu’actuellement, la planification de la demande occupe une niche de produits logiciels appelée systèmes d’intelligence car il existe généralement trois types de logiciels d’entreprise : les systèmes d’enregistrement, ce sont les ERP et différents autres systèmes transactionnels ; les systèmes de rapports, ce sont les applications de business intelligence ; et les systèmes d’intelligence. Il s’agit d’un domaine émergent. Ce sont les systèmes qui peuvent automatiser la prise de décision, comme celui que Lokad propose à ses clients. Et actuellement, les planificateurs de la demande essaient de rivaliser avec ce domaine.

Je comprends que à long terme, ils ne pourront pas rivaliser, ils perdront. Pourquoi ? Parce que les humains sont des créatures formidables, ils sont super intelligents. Ils peuvent, si nous considérons une seule décision, surpasser un robot car ils auront toujours une meilleure compréhension, quelque chose dont un robot n’est pas conscient, comme des informations supplémentaires. Mais cela n’est pas scalable. Les humains sont coûteux. Nous parlons de chaînes d’approvisionnement d’une échelle immense, donc nous ne pouvons pas scaler cela. Et c’est la raison principale pour laquelle, à long terme, ils seront remplacés. Pour les mêmes raisons, comme à Paris, nous n’avons plus de porteurs d’eau, nous avons l’eau courante. Pourquoi ? Parce que c’est moins cher. Oui, il y a encore des pays sous-développés où, dans de petits villages, il y a encore des gens qui transportent de l’eau dans des seaux car, en raison des économies d’échelle, l’eau courante n’est pas encore une option. Mais même dans ces villages, à un moment donné, ils auront l’eau courante. Donc, à long terme, ils n’ont pas leur place. Et pour le moment, certaines entreprises s’en sont déjà débarrassées.

Conor Doherty: Merci beaucoup à tous les intervenants pour vos idées et vos réponses. À ce stade, je vais passer la parole. Est-ce que quelqu’un a des questions ? Et je vais courir et passer le micro. Bien sûr, il sera tout au fond. D’accord, il ne devrait pas y avoir autant de rangées. Robert, donc qui avait levé la main ?

Membre de l’audience (Bahman): Merci à tous. Je m’appelle Bahman. Je viens de l’Université de Cardiff. Je voudrais juste faire un très bref commentaire. Vous avez mentionné les décisions rentables. Je voulais juste souligner, et en fait, c’est un point sur ce que Sven a également mentionné à propos du spectre. Il y a des milliers de chaînes d’approvisionnement qui ne sont pas axées sur la réalisation de bénéfices. Donc, je pense que c’est important à prendre en compte.

Je comprends que le panel était plus axé sur la chaîne d’approvisionnement, mais il y a tout un spectre de planification de la demande. Si vous y réfléchissez, il y a des millions d’hôpitaux dans le monde qui font de la planification de la demande, et ils traitent une ou deux ou trois séries temporelles. Donc, ma question concerne davantage les conditions ou les exigences pour créer des décisions automatiques, étant donné que les décisions reposent sur des prévisions comme l’une des entrées. Il y a beaucoup d’autres entrées, dont certaines peuvent être des prévisions, mais la majorité ne le sont probablement pas.

Sven Crone: Je vais essayer de répondre à cela. Les hôpitaux, par exemple, ont un grand stock de produits importants comme le sang, des produits moins importants, etc., vous savez, des médicaments pour le traitement du cancer, certains sont fabriqués sur commande, d’autres en stock. Je pense que nous nous sommes beaucoup concentrés, donc je ne viens pas du milieu hospitalier ou des systèmes de santé. Nous avons beaucoup regardé l’industrie, le côté industriel, vous savez, je veux dire, quelle industrie, la gestion de la chaîne d’approvisionnement, la logistique, qui est probablement définie par Gartner, nous regardons maintenant de très grandes entreprises multinationales qui introduisent ces processus bien définis qui ont été testés et éprouvés, qui mesurent la valeur ajoutée des prévisions.

Je pense que vous avez raison, cela s’applique probablement à de nombreuses autres industries, comme les pharmacies et les hôpitaux, par exemple. Mais je n’ai que peu de preuves de son adoption dans ces domaines. Cependant, je pense que, vous savez, pour l’industrie de la chaîne d’approvisionnement logistique, qui représente environ un sixième du PIB mondial, n’est-ce pas ? Nous parlons donc d’un sixième du PIB mondial principalement généré par de très grandes entreprises. Nous sommes vraiment préoccupés par le manque d’innovation en ce qui concerne ces aspects. Mais cela ne signifie pas que cela ne devrait pas s’appliquer à d’autres endroits.

Membre de l’audience (Bahman): Je veux dire, peut-être que le terme le plus approprié serait “chaîne d’approvisionnement de services”. Par exemple, dans les hôpitaux, vous planifiez la demande pour les services d’urgence. Il ne s’agit pas nécessairement de produits, mais du service lui-même. Donc ma question concerne davantage la prise de décision automatique, car il existe un spectre, vous savez, des services d’urgence qui traitent en réalité d’une seule série temporelle, et c’est peut-être là où vous ne traitez pas avec des milliers de séries temporelles. Donc la question est, quelles sont les exigences pour créer une prise de décision automatique ?

Sven Crone: Je pense que vous avez raison. C’est très intéressant, il y a de nombreux domaines intéressants auxquels nous, dans la communauté de la prévision, n’avons pas accordé autant d’attention qu’à d’autres, n’est-ce pas ? Si vous regardez les 10 000 articles sur la prévision par réseau de neurones, je pense que la moitié d’entre eux portent sur l’électricité, n’est-ce pas ? Mais très peu portent sur les produits pharmaceutiques. C’est un bon point. Je pense que nous devrions accorder plus d’attention aux choses importantes.

Conor Doherty: Désolé de vous interrompre, Nicolas, vous pouvez répondre à la prochaine question. Je vais passer la parole à la question suivante.

Membre de l’audience: Bonjour, merci pour cette discussion très intéressante. Ma question concerne davantage le rôle du jugement. Donc ma question est, chaque expert a des jugements différents. Il y a donc un biais qui se crée à partir du jugement humain et un biais qui se crée à partir des modèles d’IA ou d’apprentissage automatique, quels que soient les modèles statistiques utilisés. Nous avons donc deux biais, celui du jugement humain et celui des modèles statistiques. Comment pouvons-nous incorporer le biais du jugement humain dans le biais statistique afin de réduire le biais global lors de la planification de la demande ? Merci.

Nicolas Vandeput: Merci pour votre question. C’est un cas courant dans lequel je travaille avec les chaînes d’approvisionnement. L’une des premières choses que nous faisons est d’examiner historiquement la performance de vos prévisions. Si elles présentent un biais très élevé ou très faible, une sous-estimation ou une surestimation, cela se résume toujours à une histoire. Les gens surestiment parce qu’ils veulent être du bon côté, probablement parce que le processus d’approvisionnement n’est pas bon et qu’ils ne savent pas vraiment comment gérer les stocks. Au lieu de changer les politiques ou les objectifs de stock de sécurité, ils s’appuient sur des prévisions très élevées. Peut-être ont-ils également des prévisions très élevées parce qu’ils veulent être optimistes, qu’ils veulent s’adapter au budget, etc.

D’autre part, une sous-estimation peut se produire parce que les gens veulent dépasser les prévisions pour obtenir une prime. Donc, en général, si votre chaîne d’approvisionnement crée un biais très élevé, c’est un problème d’incitation incorrecte ou de processus d’approvisionnement incorrect, et vous devez le corriger, former les personnes, améliorer éventuellement votre processus d’approvisionnement et peut-être rendre impossible pour certaines personnes de modifier les prévisions si elles ont une incitation directe à les rendre élevées ou faibles. C’est pour la partie processus, donc nous devons nous en tenir aux personnes qui n’ont pas d’incitations à faire des prévisions élevées ou faibles.

Pour la partie modèle, si vous avez un modèle qui génère, sur le long terme, des prévisions très élevées ou très faibles, trop élevées ou trop faibles, je ne dis pas qu’un mois est incorrect, bien sûr, je dis que sur plusieurs périodes, vous avez le même problème, il est très probable que cela soit dû à la façon dont vous optimisez votre moteur de modèle, et très probablement dû au fait que l’indicateur clé de performance (KPI) utilisé pour optimiser le modèle n’est pas le bon. Je parierais qu’il repose sur le MAPE, mais c’est un autre sujet.

Conor Doherty: Pouvez-vous donner à Alexey une chance de conclure car nous devons bientôt terminer.

Sven Crone: Je voudrais simplement ajouter quelque chose à ce que Nicolas a dit. Lorsque nous parlons de LLM qui prend en charge les ajustements de jugement, nous n’avons pas vraiment détaillé comment cela fonctionne. Mais il y a beaucoup de preuves de nos jours que vous n’avez pas un seul LLM pour s’entraîner sur toutes les données et obtenir une seule valeur. Vous auriez en réalité des personae sur lesquels vous les entraîneriez. Vous auriez un LLM pour la chaîne d’approvisionnement, un LLM pour les finances, un LLM pour le PDG, un LLM pour le marketing et un LLM pour la gestion des comptes clés, tous formés sur des données différentes. Souvent, ces biais proviennent de coûts différents associés aux décisions pour les comptes clés par rapport à la chaîne d’approvisionnement. Mais souvent, vous avez des informations différentes et ce qu’ils voient réellement peut conduire à une prise de décision améliorée si vous avez réellement des agents qui interagissent entre eux et argumentent pour un processus consolidé.

Il n’est pas rare de voir de bonnes pratiques en S&OP où ils parviennent à un consensus et ce consensus est plus précis que la décision d’un seul LLM. C’est vraiment effrayant car les biais sont là, les prises de décision sont là et à la fin, quelqu’un décide en pondérant les informations. C’est fantomatique.

Conor Doherty: Alex, le dernier mot pour vous, puis nous terminerons.

Alexey Tikhonov: Sur la même question, je pense que le biais est un problème de perspective de prévision ponctuelle. En général, si vous voulez que votre prévision soit intentionnellement biaisée, c’est parce que votre prévision est un peu naïve en termes de capture de la structure du risque. Vous prédisez le scénario futur le plus probable, puis vous supposez que les résidus du modèle sont distribués de manière normale, ce qui n’est jamais le cas. C’est pourquoi vous introduisez le biais qui déplace votre prédiction vers l’endroit où la plupart du risque est concentré. Par exemple, vers la queue de droite, comme si vous vouliez prévoir la probabilité de ne pas atteindre vos objectifs de taux de service, et ainsi, vous déplacez le biais.

Lorsque vous passez à une perspective probabiliste, vous n’avez plus besoin de ce biais car ce que vous obtenez est une opinion sur l’avenir qui ressemble à cet avenir avec cette probabilité, cet avenir avec cette probabilité. Dès que vous entraînez les paramètres qui capturent suffisamment précisément la structure du risque, tout ce dont vous avez besoin en plus de cela est une perspective économique comme les coûts, les profits et certains facteurs de plus haut niveau tels que ceux qui vous permettent de prendre des décisions de compromis. Par exemple, devrais-je acheter une unité supplémentaire de ce bien par rapport à une unité supplémentaire de ce bien car votre budget est toujours limité. Avec une perspective probabiliste, vous n’avez pas ce problème car le biais n’est pas nécessaire.

Conor Doherty: Sur cette note, je suis conscient que nous avons maintenant un peu dépassé le temps imparti. Pour ceux qui souhaitent poser des questions supplémentaires, nous essayerons de nous retrouver au coin de la scène. Mais encore une fois, Sven, Nicolas et Alexey, merci beaucoup de nous avoir rejoints et profitez du reste de la journée. Merci.