00:00:00 La précision des prévisions distrait et monopolise la bande passante du management
00:03:30 L’approche des séries temporelles ignore la capacité d’agir, la tarification et les substitutions
00:07:00 Une meilleure précision peut réduire les bénéfices en pratique
00:10:30 La précision est aveugle aux lacunes d’assortiment et aux seuils
00:14:00 La granularité et les habitudes importent au-delà des séries temporelles
00:17:30 Les métriques améliorées échouent souvent lors de leur déploiement réel
00:21:00 Les prévisions créent une corvée manuelle ; l’automatisation reste bloquée
00:24:30 Ignorer la demande censurée ? Vous perdez l’économie du panier
00:28:00 La stabilité l’emporte sur la précision pour des opérations réalisables
00:31:30 Mythes de la planification : demande fixe, délais de livraison normaux
00:35:00 Les KPI corrélés aux profits ne sont pas la « précision des prévisions »
00:38:30 Les KPI économiques priment sur des erreurs statistiques soignées
00:42:00 La précision n’est pas liée de manière directionnelle aux bénéfices
00:45:30 Concentrez-vous sur les décisions ; quantifiez les leviers économiques
00:49:00 Échantillonnez, itérez ; visez zéro folie dans les décisions
00:52:30 Abandonnez le S&OP ; privilégiez les décisions d’allocation de ressources
00:56:00 KPI unifiés avec des paramètres spécifiques à chaque catégorie
00:59:30 Si vous êtes bloqué, changez d’entreprise pour progresser
01:03:00 Présentez le changement avec le P&L ; des propositions concises
Résumé
Les entreprises poursuivent la « précision des prévisions » parce qu’elle est mesurable, et non parce qu’elle génère de l’argent. La métrique — MAPE, MAE — récompense la réactivité et les estimations ponctuelles, en ignorant la capacité d’agir, les prix, la cannibalisation, la variabilité des délais et les effets de panier. Vous pouvez améliorer la précision des prévisions et aggraver les décisions : les zéros « gagnent » avec une demande intermittente ; des prévisions volatiles font osciller les commandes dans des supply chains ratchetées. Le FVA et le S&OP ajoutent des coûts et des retards. Commencez par les décisions et l’économique : les marges, les pénalités de rupture de stock, le risque de surstock, le coût d’opportunité — modélisé de manière probabiliste — puis itérez vers « zéro folie ». Utilisez des KPI unifiés ancrés sur le P&L ; si l’entreprise ne pivote pas, constituez le dossier ou changez d’entreprise.
Résumé Étendu
La fixation sur la « précision des prévisions » est un cas classique de mesurer ce qui est commode plutôt que ce qui importe. Les entreprises consacrent du temps et de l’argent de management à réduire les métriques d’erreur — MAPE, MAE, etc. — en supposant que des erreurs plus faibles signifient des bénéfices plus importants. Les faits sur le terrain prouvent le contraire : la corrélation est souvent faible, parfois négative. Vous pouvez obtenir une précision « meilleure » et des décisions pires.
Pourquoi ? Parce que la précision des séries temporelles traite l’avenir comme une extension inerte du passé. Elle fait abstraction de la capacité d’agir, des évolutions de prix, de la cannibalisation, des substitutions et des frictions opérationnelles telles que la variabilité des délais et les retours. Elle observe au microscope tandis que des éléphants — la conception de l’assortiment, le comportement des clients, les effets de panier inter-articles — déferlent dans la pièce. Dans le secteur du retail, une prévision précise indiquant qu’une collection mal conçue échouera reste un échec de la gestion, et non un triomphe des mathématiques.
Poursuivre la précision récompense souvent l’instabilité. Rendre les modèles hyper-réactifs vous permettra d’obtenir des erreurs plus jolies tout en faisant fluctuer violemment les commandes à travers des supply chains ratchetées. Avec une demande intermittente, prévoir des zéros peut « gagner » la métrique et perdre l’entreprise. Aux extrémités — là où l’économie prend réellement place — une précision centrée sur la moyenne passe à côté de réalités coûteuses : des ruptures de stock qui détournent des paniers entiers vers un concurrent, des surstocks qui entraînent la dépréciation des produits périssables, une vis à 20 $ immobilisant un avion.
Les compléments institutionnels — les programmes FVA, les réunions qui ritualisent « l’alignement » (S&OP) — ajoutent des coûts à la distraction. Les cycles de synchronisation lents et manuels constituent une taxe sur l’agilité. Pendant ce temps, des pelotons de planificateurs doivent « traduire » les prévisions ponctuelles en décisions opérationnelles, car les données d’entrée sont exprimées avec une granularité inadaptée et ignorent les incertitudes pertinentes.
L’alternative n’est pas mystique ; elle est managériale. Commencez par les décisions, et non par les prévisions : quoi acheter, où le placer, à quel prix, dès aujourd’hui. Associez des leviers monétaires à chaque décision — marges, pénalités de rupture de stock, risques de surstock, coûts d’opportunité, contraintes de personnel — et traitez l’incertitude de manière probabiliste. Itérez avec les praticiens via « optimisation expérimentale » jusqu’à atteindre l’objectif : non pas zéro inexactitude, mais zéro folie. Conservez une recette économique unifiée entre les catégories, en ajustant les paramètres au besoin, car toutes les catégories se disputent le même cash et la même capacité.
Quant aux KPI, si un mathématicien reconnaissait votre formule comme étant de la « précision », ce n’est probablement pas de l’économie. Les KPI réels, liés aux bénéfices, sont désordonnés, spécifiques à chaque entreprise et verbeux — parce que la réalité l’est. Et si une entreprise est structurellement attachée au fétichisme de la précision, les choix rationnels se réduisent à deux : constituer un dossier ancré sur le P&L pour justifier le changement, présenté de façon claire aux dirigeants — ou changer d’entreprise. Les incitations, et non les slogans, déterminent les résultats.
Transcription Complète
Conor Doherty: Ceci est Supply Chain Breakdown, et aujourd’hui nous allons décortiquer le coût caché de la précision des prévisions. Vous savez qui je suis.
Je suis Conor, Directeur Marketing ici chez Lokad. Et à ma gauche, l’infatigable Joannes Vermorel, fondateur et CEO de Lokad. Maintenant, aujourd’hui, avant de commencer, laissez un commentaire ci-dessous : pensez-vous qu’une meilleure précision des prévisions soit un KPI digne d’être poursuivi ? Si oui, pourquoi ?
Commentez ci-dessous. Vous vous adressez directement à moi aujourd’hui. Tout ce que vous demandez, tout commentaire, toute question, je la poserai directement à Joannes dans environ 20 minutes. Et avec—excusez-moi—et avec cela, Joannes, commençons. Première question : de quoi sommes-nous en colère aujourd’hui ? Quel est notre problème avec la précision des prévisions, le socle de l’entreprise?
Joannes Vermorel: Je n’irais pas jusqu’à dire que c’est le socle de l’entreprise—peut-être le socle de la gestion de la supply chain. Maintenant, le vrai problème est que pour presque toutes les entreprises, compte tenu de ce qu’elles font actuellement, c’est une distraction totale. C’est une distraction énorme qui perdure depuis des décennies.
Lorsqu’on parle du coût caché, je dirais que le problème—le point de discorde que j’ai avec la précision des prévisions—est que, encore une fois, pour presque toutes les entreprises qui opèrent dans la supply chain, cette chose, cet artefact, consomme plus de la moitié de la capacité de gestion pour très, très peu de bénéfices. Mon point de vue est que c’est une distraction énorme, qui peut même être aggravée lorsque les gens commencent à instrumenter cela de façons qui ne font que compliquer le processus autour de la précision des prévisions pour, encore une fois, très, très peu d’avantages.
Conor Doherty: Si vous dites que le concept de précision des prévisions monopolise la capacité, limitez-vous la critique—ou le coût—à des notions abstraites telles que le temps, la concentration, l’attention ? Parce que beaucoup soutiendraient, j’en suis sûr, qu’il existe également une dimension financière concrète à cela.
Joannes Vermorel: Oui. D’abord, lorsque vous commencez à regarder vers l’avenir—encore une fois, pour presque tous—lorsque vous vous tournez vers l’avenir, il y a tellement d’éléphants qui sont complètement ignorés. Adoptez-vous la perspective du client afin de pouvoir même observer la cannibalisation et la substitution ? Sinon, je ne suis pas vraiment sûr de ce que vous faites exactement avec votre prévision.
Tenez-vous compte de la tarification ? Car dès que vous voulez vous projeter dans l’avenir, vous devez prendre en compte vos propres prix ainsi que ceux de vos concurrents. Vous voyez, le problème particulier que j’ai avec la précision des prévisions est que la mentalité traditionnelle de la supply chain envisage l’avenir exactement comme un astronome observe la position future des planètes. Il existe une symétrie complète entre le passé et le futur—une symétrie temps-inversé—et vous supposez que l’avenir n’est que l’extension du passé.
Ce qui est extrêmement étrange, c’est que, dans la manière classique d’envisager l’avenir—d’où la précision des prévisions—c’est comme si l’entreprise n’avait aucun pouvoir d’action sur l’avenir. C’est simplement la perspective des séries temporelles. Nous avons vu que la cannibalisation et la substitution posent problème. Il y a l’effet de tarification. Il y a aussi le fait que les entreprises vont consacrer presque tous leurs efforts à prévoir la demande, mais qu’en est-il des autres sources d’incertitude—des délais, des retours, etc. ?
Nous pouvons ensuite aller plus loin et demander : qu’en est-il de la granularité avec laquelle vous faites vos prévisions ? Même si nous acceptons l’hypothèse que nous allons réaliser ces prévisions, de quelle granularité parle-t-on ?
La granularité des séries temporelles—qui suppose que vous pouvez regarder l’avenir en intervalles égaux, par jour, par semaine, par mois—n’est pas forcément pertinente. Il existe de nombreuses entreprises pour lesquelles ce n’est pas le cas. Et en plus, vous ignorez l’incertitude. C’est un problème lié aux prévisions ponctuelles.
C’est un éventail énorme. C’est comme une harde d’éléphants—je ne suis pas vraiment sûr du terme approprié en anglais pour parler de nombreux éléphants.
Conor Doherty: Soit une harde, soit une ruée d’éléphants. Je vais deviner quelque chose comme ça. Une ruée d’éléphants.
Joannes Vermorel: Tellement d’éléphants dans cette pièce sont simplement ignorés, et de nombreuses entreprises veulent se concentrer sur la précision. Cela remet vraiment tout en question. Pour moi, on dirait que vous avez toute une pièce dont vous ne savez rien. Vous avez un microscope; vous observez un minuscule carré de millimètre, et vous dites, « D’accord, ce qu’il me faut, c’est un microscope plus grand. » Je conteste vraiment l’idée que ce dont vous avez besoin, c’est d’un microscope plus grand et meilleur.
Conor Doherty: Deux points clés ici : premièrement, c’est une harde d’éléphants; et deux—pour être au moins charitable ici—vous, dans votre tout premier salvo, avez parlé de la quasi-totalité des entreprises dépensant des montants exorbitants de, disons, d’argent, d’attention et de ressources—allouant des ressources—pour très peu de retours sur investissement.
Joannes Vermorel: Un retour sur investissement, voulez-vous dire ? D’accord.
Conor Doherty: Avant de déconstruire cela trop en détail, quelle est la position la plus solide à ce sujet ? Qu’est-ce que les entreprises croient être, au moins, le bénéfice de ce qu’elles font ?
Joannes Vermorel: Elles croient que, lorsqu’elles abordent l’avenir via des prévisions ponctuelles de séries temporelles et adoptent une métrique unidimensionnelle comme l’erreur absolue moyenne en pourcentage (MAPE) ou l’erreur absolue moyenne (MAE), ou l’une des métriques typiques, elles supposent que la minimisation de ce critère est positivement corrélée aux profits d’une manière ou d’une autre. Je conteste vraiment cette position.
Très fréquemment, il y a très peu ou aucune corrélation, et parfois même une corrélation inverse, ce qui signifie qu’une prévision plus inexacte peut en réalité rendre l’entreprise plus profitable. C’était, soit dit en passant, l’une des premières découvertes que j’ai faites chez Lokad il y a 15 ans. Nous fournissions des prévisions d’une précision supérieure, et très souvent cela créait en réalité le chaos et nuisait aux activités de ces pauvres premiers clients. C’est contre-intuitif, mais cela arrive.
Un exemple : l’une des manières les plus simples d’améliorer la précision d’un processus de prévision est de rendre l’algorithme de prévision extrêmement réactif, c’est-à-dire que lorsque vous observez de petites variations dans les données récentes, l’algorithme réagit très fortement. Le problème est que cela signifie que vous obtenez une prévision qui fluctue énormément en permanence. C’est donc une prévision plus précise, mais également très instable.
Dans une supply chain du monde réel, vous avez des effets de cliquet partout. Une fois que vous transmettez une commande à un fournisseur étranger, si le lendemain votre prévision de la demande chute soudainement parce qu’il ne s’agissait que d’une fluctuation à la hausse, vous vous retrouvez bloqué avec la commande. C’est typiquement une situation où une précision accrue ne se traduit pas par une rentabilité supérieure; au contraire, une précision accrue diminue votre rentabilité.
Une autre chose—c’est cette situation qui nous a en fait conduits aux prévisions probabilistes il y a une quinzaine d’années : lorsque vous avez une demande intermittente, si vous prévoyez zéro, c’est généralement une prévision très précise. Très fréquemment, si vous avez une demande intermittente, vous pouvez disposer d’un modèle de prévision qui prédit simplement une demande nulle. D’un point de vue statistique, cela constitue une prévision très précise. Mais d’un point de vue commercial, si vous prévoyez zéro, vous réapprovisionnez zéro, et vous vendez zéro. Vous ne réalisez pas beaucoup de profits sur cette base.
C’est le genre de jongleries que vous obtenez lorsque vous poursuivez la précision. Vous avez des dizaines d’autres problèmes. Encore une fois, la conviction que la précision des prévisions serait positivement corrélée à la rentabilité est mal placée. Elle l’est vraiment.
Conor Doherty: Le terme que vous avez utilisé précédemment était « cela pourrait sembler contre-intuitif », et je pense—ayant eu cette discussion non seulement avec vous mais aussi avec d’autres personnes—que comprendre l’objectif de ce que vous essayez de faire peut contribuer à atténuer le degré de contre-intuitivité que vous ressentez.
Par exemple, si vous croyez que la précision des prévisions plus élevée est la métrique que vous optimisez, dire qu’une prévision moins précise n’est pas nécessairement plus profitable semble contre-intuitif. Si vous parlez de prendre de meilleures décisions et que c’est le but ultime que vous optimisez, nous ne sommes pas les seuls à avoir souligné—Stephan Kolassa a écrit il y a quelques années dans Foresight—l’idée de « l’insensibilité à la décision ». Vous pourriez disposer d’une prévision plus précise et d’une prévision moins précise, mais elles convergent vers exactement la même décision à cause, disons, d’un MOQ. Ainsi, la précision supplémentaire des prévisions ne vous a rien apporté de plus. La prévision moins précise s’est avérée plus profitable en termes de revenu net que celle du marché.
Joannes Vermorel: Vous avez tant de problèmes avec la perspective des séries temporelles. Vous finissez par poursuivre ce que l’on appelle généralement la fallacie de McNamara. Vous avez le mauvais paradigme. Vous choisissez les mauvaises métriques. Le public peut le vérifier ; il existe une page Wikipedia sur ce sujet—des généraux mal orientés qui ont mené les efforts de la guerre du Vietnam du côté des États-Unis.
Prenons un exemple. Vous êtes une entreprise de mode, une marque de mode, et votre problème est que la collection que vous êtes sur le point de lancer sur le marché ne contient absolument pas la pièce qui correspondrait parfaitement à la tendance actuelle. Imaginons que tel soit le problème. Nous avons une collection sur le point d’arriver sur le marché, et elle ignore complètement le textile, le style, le motif—peu importe—qui serait hyper tendance.
Conor Doherty : Les pantalons évasés dans les années 70.
Joannes Vermorel : Et votre prévision est très précise. Elle prédit que votre collection à venir va très mal performer. Merci. D’accord, vous avez une prévision très précise. Merci beaucoup.
Vous voyez, une prévision ne fera que prévoir—encore une fois, nous parlons du paradigme classique, des séries temporelles—elle ne fera que prévoir les séries temporelles dont vous disposez. Qu’en est-il d’un produit que vous n’avez pas mais que vous devriez avoir ? Comment cela sera-t-il pris en compte dans votre métrique de précision ? La réponse est : ça ne l’est pas.
Le principal problème est que, en tant que paradigme, il est très faible et ignore tant de choses que, pour la quasi-totalité des entreprises, il constitue une distraction totale car elles n’ont pas effectué le type de travail préliminaire nécessaire pour en faire une métrique pertinente. Si nous parlions d’une entreprise extrêmement mature, capable d’évaluer la demande en pensant en termes de demande abstraite complètement découplée de l’assortiment réel dont vous disposez ; qui prendrait déjà en compte les nombreuses variétés d’incertitudes—la demande, les délais d’approvisionnement, les prix, les retours, etc. ; qui adopterait déjà une vision probabiliste ; qui adopterait déjà une vision fonctionnelle—fonctionnelle signifiant que l’avenir dépend de décisions qui n’ont pas encore été prises—nous reviendrions aux processus de décision séquentiels, etc.
Si vous prenez une entreprise qui a fait tout cela, alors peut-être est-ce le moment où vous pouvez commencer à vous poser des questions sur les métriques de précision, qui vont, soit dit en passant, être relativement étranges car il s’agit très probablement de prévisions probabilistes. Mais il y a beaucoup de fondations à mettre en place d’abord.
Quand je dis “coût caché de la précision des prévisions”, c’est parce que c’est une distraction totale, car ces fondations font complètement défaut, et ainsi les entreprises poursuivent des métriques extrêmement limitées qui ne reflètent pas les intérêts à long terme de leurs affaires.
Conor Doherty : Pour rebondir sur l’exemple de la distribution que vous avez donné—je me souviens que vous avez mentionné cela il y a quelque temps à propos de l’optimisation de l’assortiment. Vous avez donné l’exemple suivant : si vous êtes un détaillant de mode, combien de t-shirts jaune vif ou de t-shirts rose vif souhaitez-vous dans votre collection ? Vous n’allez pas—eh bien, cela dépend vraiment de la raison pour laquelle vous les avez. Si vous les avez parce que vous pensez que vous allez les vendre, ce n’est peut-être pas le cas, car vous n’en vendrez pas beaucoup. Mais ne pas les avoir rend votre assortiment laid, car alors vous n’aurez que des chemises blanches et des jeans noirs ou bleus et le magasin aura l’air plutôt terne.
Ainsi, essayer de capturer la valeur de ce t-shirt rose ou de ce t-shirt jaune dans une série temporelle est—“lossy” est le terme que vous utilisez. C’est une représentation dégradée de la valeur, ou quelque chose dans ce goût-là. J’en abuserai, j’en suis sûr.
Joannes Vermorel : Oui, c’est en effet une représentation très dégradée de l’information concernant votre magasin. Et c’est là que je dis : quelle est la granularité ? Le problème avec ces prévisions, c’est qu’elles adoptent généralement une perspective qui n’est pas très intelligente.
Si vous voulez penser à un magasin, vous aimeriez vous dire : comment pourrais-je réellement optimiser mes décisions de stocks et d’assortiment—décision d’assortiment, décision de stocks, décision de tarification—pour maximiser la demande servie avec succès par ce magasin ? Ce serait une perspective. Un autre angle serait : comment maximiser la valeur à long terme de chaque client individuel ?
Cela a son importance, par exemple dans la mode : si vous offrez une réduction à un client, cela crée une mauvaise habitude. Le client s’attend soudainement à revenir. Lorsque ce client revient, il ou elle s’attendra à retrouver une réduction. Encore une fois, nous regardons vers l’avenir. Nous faisons implicitement une prévision.
Lorsque les gens commencent à discuter de la précision des prévisions, ils essaient d’exprimer un jugement sur la qualité de leur anticipation de l’avenir. Ce que je dis, c’est que les types de qualités que l’on retrouve dans la quasi-totalité des entreprises—enfermées dans un paradigme extrêmement limité, à savoir des prévisions point des séries temporelles—sont si restrictives et si erronées que quels que soient les chiffres obtenus en termes de métriques de ce paradigme ne sont qu’une perte de temps. C’est une perte de temps, et toute amélioration que vous pensez obtenir n’est qu’une illusion.
J’ai également vu des preuves anecdotiques—des dizaines et des dizaines au fil des années—d’équipes de data science qui ont élaboré une prévision “20% plus précise” selon le MAPE ou le MAE ou autre, qui ne va jamais en production parce qu’elle crée tant de problèmes. Lokad, encore il y a une quinzaine d’années, faisait partie de ces entreprises dirigées par des data scientists confrontées à ce genre de problèmes. Il semble que le problème persiste, et les développements récents comme le FVA—Forecast Value Added—ne font qu’aggraver la situation.
Conor Doherty : Une question privée est parvenue. Vous pouvez les envoyer en privé si vous ne souhaitez pas commenter publiquement ; je les poserai à la fin. Mais je reviendrai sur l’idée du FVA et de la précision—parce que c’est ce dont on vient de me parler. Je vais insister un peu plus, car, encore une fois, le sujet est le coût caché de la précision des prévisions.
Votre livre est sur la table. L’économie est une grande partie de votre manière de voir le monde, et vous insistez à plusieurs reprises sur l’importance des coûts directs et indirects, les coûts d’opportunité étant les indirects. Alors, en termes assez concrets, quels sont les coûts en pratique d’une entreprise qui se concentre sur la quête de la précision ? Comment cela se manifeste-t-il dans les dépenses ou les pertes quotidiennes ?
Joannes Vermorel : Cela se traduit par le fait que vos responsables de stocks ou de production—ou quiconque prend les décisions réelles—passent beaucoup de temps à modifier les chiffres afin de parvenir finalement à une décision semi-sensible. Les entreprises se demandent parfois : c’est très étrange, nous avons la prévision qui est censée être précise, et ensuite nous avons des règles simples pour tirer les décisions—que devons-nous acheter, que devons-nous produire, où allouer le stock, quels sont les prix ? Il s’avère qu’il faut une quantité immense de main-d’œuvre pour convertir ces prévisions en décisions réelles.
Pourquoi cela ? Parce que les prévisions sont tellement absurdes qu’il faut énormément de main-d’œuvre, de matière à réflexion, pour faire tout ce que la prévision ne fait pas correctement. Ces personnes, ces équipes entières, font en fait tout le travail de réflexion sur l’avenir afin que les décisions aient réellement du sens.
C’est l’un des coûts cachés : pourquoi votre supply chain n’est-elle pas entièrement automatisée en termes de processus de prise de décision de bout en bout ? La réponse courte est que vos prévisions sont extrêmement dysfonctionnelles, et c’est un problème bien plus grave que le fait que vos prévisions soient inexactes.
Elles sont dysfonctionnelles dans le sens où elles ne sont même pas exprimées d’une manière qui se prête aux processus de prise de décision. Ce n’est pas la bonne granularité. Elles ne se concentrent pas sur les bons éléments. Elles n’ont pas la nuance nécessaire, etc. Vous avez donc une illusion d’un avenir quantifié, mais ce n’est qu’une illusion. Quand nous parlons de la précision des prévisions—encore une fois, dans la perspective classique—vous ne faites que courir après cette illusion de quantifier l’avenir.
Conor Doherty : Je vais commencer par dire que nous n’entrerons pas dans une diatribe sur le FVA, mais juste à titre d’exemple de coûts concrets : souvent, nous savons que les entreprises dépenseront une somme considérable d’argent, directement et indirectement, sur des produits logiciels pour instaurer le FVA. Encore une fois, nous ne commentons pas si le FVA fonctionne ou non ; c’est sans importance. On le facture comme un coût, une surtaxe supplémentaire dans la quête d’une métrique, comme : nous voulons voir ce qui ajoute, ce qui décrémente ou incrémente la précision.
Ce n’est donc pas seulement l’attention ; il y a les salaires, n’est-ce pas ? Il y a l’attention, le coût d’opportunité, et dans de nombreux cas—nous connaissons des exemples—il y a aussi une intervention des logiciels. Vous êtes les vendeurs, payant pour cela, etc. Il y a donc beaucoup.
Joannes Vermorel : Oui. Et aussi, par exemple, si vous ajoutez des personnes dans le processus, comme cela se fait dans le S&OP—une partie de l’idée du S&OP est d’augmenter d’une manière ou d’une autre la synchronisation, d’accroître la précision. Vous voulez que les gens produisent ce que l’équipe de vente est sur le point de vendre et ce que le marketing s’apprête à promouvoir. Vous voulez une synchronisation à l’échelle de l’entreprise. D’une certaine manière, il s’agit de courir après la précision pour réduire la désynchronisation entre toutes ces parties.
Mais cela engendre un coût énorme : cette synchronisation manuelle est extrêmement lente. Pour la plupart des entreprises, cela n’a lieu qu’une fois par trimestre, et certaines entreprises le font une fois par mois, mais c’est déjà très lent. Même si vous faites partie des meilleures entreprises pratiquant le S&OP, cela demeure un cycle mensuel. À mes yeux, c’est extrêmement, extrêmement lent. C’est un autre coût associé à la quête de cette précision : soudainement, tout ce que vous faites accuse un décalage de 30 jours ou plus. Ce n’est pas bon.
Conor Doherty : Je suis d’accord, et je viens de noter un addendum à ce sujet. Encore une fois, quand nous parlons de l’objectif—des KPI, souvent la précision des prévisions—vous avez mentionné que cela vous rend effectivement aveugle à de nombreuses autres sources d’incertitude car, pour la plupart, il s’agit de la demande. Nous prévoyons la demande, et nous la prévoyons d’une manière très spécifique, à savoir à travers le prisme des éléments pour lesquels vous avez des séries temporelles.
Joannes Vermorel : Exactement. Il ne s’agit pas de toute la demande. C’est l’élément où—effectivement, ce que vous faites presque exclusivement, c’est projeter les ventes en fonction de vos ventes historiques. Nous sommes loin de nous demander, par exemple : comment penser à la précision lorsque, dans le passé, vous avez connu de graves ruptures de stocks, et donc vous n’avez pas observé la demande ? Il y a eu une censure parce que vous n’avez vendu qu’autant que ce que vous aviez, faute de plus.
Un exemple très fréquent : qu’est-ce que la quasi-totalité des vendeurs—et des consultants, et de nombreux manuels—dirait ? Ils diraient, “Oh, ignorez simplement la partie de l’histoire où vous avez rencontré ces problèmes.” Ma réponse est : absolument pas. Si vous êtes confronté à une rupture de stocks—disons que vous faites une promotion dans un hypermarché et que vous faites face à une rupture de stocks après deux heures lundi matin—vous ouvrez, bam, deux heures plus tard, vous êtes en rupture de stock. C’est une information très significative. Si la promotion est supposée durer dix jours, être en rupture de stock à la fin du neuvième jour est une situation complètement différente.
Ainsi, le fait de se retrouver en rupture de stocks n’invalide pas tout. Vous pouvez toujours utiliser ces informations, même si elles comportent des complications. Encore une fois, le problème que j’ai avec la “précision” est qu’elle est pratiquée avec un paradigme défectueux presque partout. Ainsi, lorsque vous poursuivez cette précision telle qu’elle est pratiquée par 99 % des entreprises, cela entraîne des coûts immenses et très peu d’avantages—si tant est qu’il y en ait.
Conor Doherty : Pour reprendre votre propre exemple et aller au fond du sujet en termes de coûts cachés : vous avez donné l’exemple d’un événement de rupture de stocks. La perspective traditionnelle serait, “Vous êtes en magasin ; il n’y a pas d’œufs. Eh bien, j’ai perdu la vente d’œufs.” Qu’en est-il du fait que la plupart des choses seront achetées en combinaison ?
Vous prévoyez un certain niveau de demande pour des œufs ; vous avez eu une rupture de stocks d’œufs. “Eh bien, j’ai perdu la valeur de ces œufs.” Qu’en est-il du pain, du fromage, du lait, du jambon, de l’adoucissant, du liquide vaisselle ? Toutes ces choses auraient probablement été dans le panier. Les œufs étant un produit particulier—pour ma part, je mange beaucoup d’œufs. Regardez-moi. S’il n’y a pas d’œufs dans un magasin, je vais dans un magasin qui en propose, et j’emporte avec moi tout l’argent que j’aurais dépensé pour tous ces autres produits.
Joannes Vermorel : C’est le cas typique de la prévision probabiliste : la majeure partie de la valeur économique dans la supply chain se situe aux extrêmes. C’est une demande étonnamment élevée qui crée une rupture de stocks, ou une demande étonnamment faible qui engendre un surstock et, potentiellement, dans le cas des produits périssables, une dépréciation de stocks.
Pour presque toutes les entreprises qui se concentrent sur la précision classique, cela restera invisible car vous vous concentrez sur la moyenne ou la médiane. Cela est également vrai dans l’aviation : vous avez des AOG—aircraft on ground. Il vous manque une vis d’une valeur de 20 $, et bam, votre A320 est cloué au sol pendant une journée parce qu’il vous manque une petite pièce.
L’idée que la précision de vos prévisions—les prévisions point—reflétera ou sera corrélée à l’économie est tout simplement très incorrecte dans la plupart des situations. Pour ce public, il faut se souvenir qu’elle est très souvent littéralement négativement corrélée. En améliorant votre précision, vous aggravez la situation. Cela arrive très fréquemment.
Sinon, l’argument opposé serait, “Nous améliorons la précision parce que, au moins, cela ne fait pas de mal.” Ma réponse est : oh oui, cela peut faire mal. Cela arrive très fréquemment. C’est l’une des raisons clés pour lesquelles si peu de ces projets de data science aboutissent en production : ces prévisions “plus précises” créent tellement de problèmes qu’elles sont vetoées. Cela engendre une immense frustration au sein des équipes de data science : “Mais regardez, notre prévision était 20 % plus précise !” Les praticiens ne sont pas rétrospectifs ; ils comprennent intuitivement que ces chiffres vont créer d’immenses problèmes pour l’entreprise. Ils n’ont pas nécessairement une analyse quantitative end-to-end pour expliquer pourquoi, si bien que le planificateur de stocks typique regarde ces prévisions—qui sont supposément plus précises mais créent de nombreux problèmes peu visibles—et dit, “Non, cela ne me plaît pas. Je veux juste conserver ma moyenne sur trois ans et m’y tenir.”
Pour l’équipe de data science, cela semble insensé—pourquoi cette moyenne sur trois ans ? Cela paraît stupide. Ce qu’ils ne voient pas, c’est que le modèle sophistiqué avec sa perspective sur les séries temporelles est complètement défaillant et crée de nombreux problèmes. Pour le responsable des stocks, cette moyenne sur trois ans, très naïve, présente des propriétés intéressantes : une grande stabilité, une facilité de compréhension, etc. Parce qu’il y a tant de travail supplémentaire pour capter correctement l’avenir, au moins cet apport n’interfère pas avec tout le reste du travail que les responsables de stocks, les responsables de production, les responsables d’allocation, les responsables de magasin, etc., doivent accomplir pour prendre des décisions concrètes.
Conor Doherty: Vous venez littéralement de dire « capturer le futur », et la substance a principalement été les dépenses directes et indirectes associées à la prévision de la demande, notamment par le biais des séries temporelles. Vous avez mentionné plus tôt l’importance des délais de livraison, des retours, etc. Pourquoi pensez-vous que la quasi-totalité des entreprises est aussi enthousiaste à l’idée de prévoir la demande et d’obtenir des prévisions super, super précises à ce sujet, alors que cette autre source d’incertitude énorme, très courante, très connue — dont on ne parle pas ?
Joannes Vermorel: C’est là que je dois intervenir dans le livre — chapitre 7, “L’avenir”. Ce que pratiquent presque toutes les entreprises est, en termes techniques, une vision téléologique qui suppose que l’on peut, tout comme Gosplan pour l’URSS, projeter la demande un an à l’avance (ou, dans le cas de Gosplan, cinq ans à l’avance), puis la figer. Ensuite, le jeu mondial devient un problème d’allocation de ressources. Il ne s’agit plus que d’orchestrer ces ressources, en supposant que tout sera réalisé de manière fiable. Sinon, c’est un problème qu’il faut résoudre.
Par exemple, le délai de livraison : la théorie classique dirait, “Ne prévoyez pas le délai de livraison. Trouvez simplement des fournisseurs fiables qui livreront à temps.” Cette vision survit-elle dans le monde réel ? Non. Néanmoins, c’est une perspective adoptée dans la quasi-totalité des livres. On trouve même des visions encore plus absurdes : parfois les auteurs admettent que les délais de livraison peuvent varier et disent, “Adoptons une distribution normale”, qui attribue des probabilités positives à des délais négatifs — c’est super étrange quand on y pense. Vous trouverez dans des manuels des auteurs qui affirment, “Adoptons une distribution normale pour le délai de livraison”, ce qui signifie qu’il est acceptable d’avoir un délai de livraison de -1 jour : vous passez commande maintenant et vous recevez le produit hier. Cela n’a aucun sens. Néanmoins, c’est présent dans les logiciels et la littérature.
Conor Doherty: Joannes, merci. Je dois signaler que mon ordinateur a complètement déconné en arrière-plan. Je pensais qu’il n’y avait pas de questions, puis il a redémarré pendant que vous parliez, et il s’avère qu’il y en a beaucoup. Je n’en avais aucune idée, et soudain j’ai vu qu’il y en avait plusieurs. Donnez-moi un instant pour traiter cela — Microsoft a lancé la mise à jour Windows au bon moment, incroyable. Exactement au bon moment. L’ordinateur fonctionne parfaitement, puis nous organisons un événement en direct.
Nous reviendrons à un commentaire de clôture plus tard. Je passe directement à un commentaire. Celui-ci vient de Timur : “Lorsque les indicateurs clés de performance de prévision ne sont pas corrélés aux profits, cela signifie que ces indicateurs de prévision particuliers doivent être modifiés. Nous avons une bonne expérience de la redéfinition des KPI vers ceux où nous voyons une corrélation.” Qu’en pensez-vous, Joannes ?
Joannes Vermorel: Oui. Mais alors, nous devrions vraiment remettre en question : si vous apportez tous les changements nécessaires pour que votre KPI devienne corrélé au profit, pouvez-vous encore l’appeler “précision de prévision” ? Est-ce ce que la littérature désigne par précision de prévision ? Est-ce ce que l’on appelle précision de prévision dans les systèmes de planification avancée ou les solutions de planification d’entreprise ? Ma réponse est : non.
Alors, que se passe-t-il si nous affirmons qu’il est possible d’introduire un KPI réellement corrélé au profit ? Absolument. Mais il ne s’appelle plus précision de prévision. Personne, en regardant ce calcul, ne dirait, “Oh, c’est une variante de la précision.” Oui, il est possible de corréler la qualité de votre anticipation du futur à votre profit. Mais, dans ce cas, vous obtenez quelque chose de si différent qu’aucun statisticien ne l’appellerait précision. Nous sommes partis, nous avons tellement dévié que cela devient quelque chose de très différent.
Conor Doherty: Prochaine question de Vivek : “Devons-nous mesurer la précision ou l’erreur en volume, ou l’erreur en pourcentage — la précision en volume ou l’erreur en volume ?”
Joannes Vermorel: Le problème n’est pas d’avoir une métrique absolue exprimée en unités ou quelque chose exprimé en pourcentage. C’est une subtilité complètement insignifiante. De même, si vous choisissez l’erreur quadratique ou autre, ce sont tous des instruments mathématiques avec une définition précise. Ils n’ont aucune corrélation avec les profits de l’entreprise.
Si vous disposez d’un KPI approprié, ce sera quelque chose qui — un test décisif —, si un statisticien ou un mathématicien reconnaît la formule de votre indicateur de performance comme quelque chose que l’on nomme précision, ce n’est pas un critère économique. Une fois que vous intégrez les aspects économiques, cela devient très complexe et extrêmement spécifique à l’entreprise. Cela devient quelque chose que vous ne pouvez pas transposer à une autre entreprise. Cela s’attache fortement aux ambitions stratégiques de cette entreprise et s’accompagne de nombreux cas particuliers. Il y a beaucoup de complexité propre à chaque entreprise.
Ces indicateurs de performance indicators qui sont économiquement orientés sont très utiles. Pour les reconnaître, ils sont généralement assez verbeux, car ils doivent prendre en compte de nombreux facteurs de l’entreprise. Ils n’ont pas l’élégance mathématique de critères purement mathématiques comme le MAPE ou le MAE. Ce n’est pas quelque chose que l’on peut écrire en une seule ligne de code. Cela prendra typiquement des centaines, voire quelques milliers de lignes de code, parce que vous devez intégrer une multitude de paramètres.
Conor Doherty: Je vais revenir sur une question envoyée plus tôt. C’était en réponse à vos commentaires sur le fait qu’une prévision négative — ou plutôt, moins précise — peut être plus rentable. Je lis cela mot pour mot : “OK, une prévision 10 % plus précise ne génèrera peut-être pas plus d’argent, mais une prévision 20 % moins précise vous fera sûrement perdre de l’argent. Ainsi, la précision est-elle au moins directionnellement corrélée à la rentabilité ?”
Joannes Vermorel: Non, ce n’est pas le cas. C’était l’erreur que j’ai commise durant les premières années de Lokad. Le modèle économique de Lokad était : nous fournissons des prévisions plus précises. Et nous l’avons fait. Nous sommes toujours assez performants en termes de précision de prévision. Il y a quelques années, lors du concours de prévision M5 sur des données de Walmart, Lokad a obtenu la première place mondiale au niveau SKU et la cinquième place au classement général, alors qu’aucun de nos concurrents — qui concentraient leur discours sur “des prévisions AI plus précises” et autres — n’est parvenu à figurer dans le top 100.
Une prévision 20 % moins précise peut-elle rendre votre entreprise plus rentable ? Oui, absolument. Ce fut la leçon difficile et douloureuse des premières années chez Lokad. Comment obtenir une prévision 20 % plus précise ? En rendant la prévision plus instable. Vous disposez d’un algorithme très réactif à la dernière baisse de données. C’est l’une des manières les plus simples d’améliorer la précision de votre prévision. Mais lorsque vous appliquez ce type de prévision instable, bien que plus précise, dans une supply chain réelle, cela dégrade la performance. Revenir à quelque chose de 20 % moins précis améliore en réalité la situation.
L’une des méthodes les plus simples pour rendre une prévision “plus précise” en cas de demande intermittente consiste à prévoir des zéros la majeure partie du temps. Historiquement, nous avons même remporté un important appel d’offres pour un grand distributeur européen en ne renvoyant que des zéros. Nous prévoyions la demande pour des mini-marchés — par produit, par jour, par mini-marché — pour cinq jours à l’avance. Le critère était la valeur absolue de la différence entre la prévision et la réalité. J’ai utilisé mon modèle de prévision à zéro — renvoyer zéro partout — et il a surpassé de 20 % l’entreprise classée numéro deux dans ce concours de prévision pour cet appel d’offres.
Oui, vous pouvez améliorer l’entreprise en rendant la prévision moins précise. Les séries temporelles sont complètement inadéquates et, lorsqu’elles sont utilisées, des phénomènes absurdes se produisent constamment. C’est pourquoi il faut autant de personnes pour ajuster les chiffres, pour intervenir sur des tableurs superposés aux prévisions — car on ne peut pas traduire directement des prévisions basées sur des séries temporelles en décisions. C’est l’une des raisons fondamentales pour lesquelles, depuis la fin des années 70, l’automatisation de la supply chain n’a pas eu lieu : on ne peut pas automatiser des processus décisionnels sur la base d’une analyse des séries temporelles. Voilà le problème.
Conor Doherty: Prochaine question de Dmitri — et merci de m’aider avec l’administration, Dmitri, et de la republier. Commentaire, puis question : la précision de prévision est largement utilisée parce que c’est facile. Comment décrivez-vous, Joannes, vos concepts aux autres parties prenantes de l’entreprise — pas nécessairement aux geeks super cools qui comprennent immédiatement ?
Joannes Vermorel: La manière dont nous abordons la question est la suivante : oubliez la prévision. C’est un artefact numérique, une valeur qui est uniquement transitoire. C’est un moyen pour parvenir à une fin. Quelle est cette fin ? La décision : que devez-vous acheter, que devez-vous produire, où placer les stocks, à quel niveau de prix ?
Examinons les décisions. Pour chaque décision, quantifions — en euros ou en dollars — une demi-douzaine de forces en jeu, et débattons pour savoir si ce que nous observons grâce à ces forces nous semble correct. Par exemple : nous plaçons une unité dans ce magasin — quelle est la marge supplémentaire que nous estimons obtenir en plaçant cette unité supplémentaire dans ce magasin aujourd’hui ? Avons-nous une estimation approximative ? Quelles pénalités de rupture de stock évitons-nous — quelle est l’amélioration du taux de service ? Quel est le risque de surstock que nous créons ? Quel est le coût d’opportunité de l’occupation d’un espace dans le magasin qui pourrait être utilisé pour un meilleur produit ?
Nous devons nous mettre d’accord sur ces facteurs économiques. Selon le secteur, il y en aura beaucoup. La demi-douzaine ou la douzaine de forces économiques en jeu variera considérablement d’une entreprise à l’autre, car le modèle économique et l’intention stratégique diffèrent. Néanmoins, la méthode chez Lokad est la suivante : exprimez cela en economic drivers, qui reflètent le futur — le futur intégré dans ces évaluations économiques en termes monétaires —, puis discutez pour déterminer si nous pensons être sur la bonne voie avec les praticiens.
Très fréquemment, nous obtenons des retours de meilleure qualité lorsque nous abordons la situation sous un angle purement financier. Les gens diront : “Oh, vous avez oublié : vous me parlez de pousser cette unité aujourd’hui, mais aujourd’hui le magasin manque de personnel. Ils n’ont pas les ressources pour mettre les produits en rayon. Si vous poussez quand même quelque chose, quelqu’un au point de vente devra intervenir et les clients seront mal servis. Ainsi, il devrait y avoir une pénalité.” D’accord, nous incluons cela comme un facteur supplémentaire.
Autant de choses entrent dans cette anticipation du futur. Il s’agit de bien préparer l’avenir. C’est pourquoi je parle de “qualité d’anticipation” plutôt que de “précision de prévision”, cette dernière se référant aux prévisions ponctuelles basées sur des séries temporelles.
Conor Doherty: Dmitri écoutait, donc il y a un suivi : pouvez-vous expliquer comment appliquer tous ces facteurs économiques à un portefeuille de 5 000 SKU ? Vous en avez déjà traité de bien plus importants.
Joannes Vermorel: Oui, bien plus importants — nous appliquons cela à plus de 50 millions de SKU. Ce qui est crucial, c’est d’écrire la recette numérique. La manière de procéder avec les praticiens consiste à échantillonner. Laissez-vous guider par des preuves anecdotiques. Oubliez d’avoir une précision moyenne, une performance moyenne, etc. — cela ne doit pas vous gouverner.
La méthode — également présentée dans le livre — s’appelle l’optimisation expérimentale. Vous prenez un exemple, et le planificateur dit “suivant, suivant”, examine le SKU et déclare : “Ah non, celui-ci, je ne suis pas d’accord.” Si vous commencez cette méthode avec de vraies personnes, elles regardent votre recette — non pas le code, ni le résultat, ni les facteurs économiques — et réagissent rapidement : “Je ne suis pas d’accord sur ce point. Par exemple, pour ce produit : vous me dites que la pénalité de rupture de stock est telle, mais il s’agit de couches. Pour de jeunes parents, c’est crucial. S’ils ne trouvent pas les couches de la bonne marque dans l’hypermarché, ils iront immédiatement dans un autre hypermarché.” D’accord, la pénalité ici est largement sous-estimée.
Ils vous donnent des retours. C’est anecdotique. Ensuite, c’est au Supply Chain Scientist de comprendre la règle générale et d’aller au fond des choses. Notre expérience chez Lokad — l’optimisation expérimentale en pratique — est la suivante : vous effectuez un premier passage, et les planificateurs s’opposent à 90 % de vos lignes. Peu importe le SKU ou les décisions que vous choisissez, il y a une multitude d’objections. Puis vous itérez encore et encore. Très fréquemment, cela nous prend quelques centaines d’itérations sur deux mois — parfois cinq itérations par jour — ajuster, répéter, ajuster, répéter. Pensez-y comme à un tableur Excel où vous ajustez des paramètres — un processus agile.
Parfois, des clients ont même des discussions en direct avec le Supply Chain Scientist au téléphone. Le scientifique corrige le code pendant l’appel et l’exécute pour voir ce que vous obtenez. Vous itérez. À un moment donné, le praticien dit, “Je n’ai plus aucune objection.” Il examine les décisions : elles sont bonnes et cohérentes ; il n’y a plus d’absurdité. Notre objectif pour la production est de 0 % d’absurdité. Nous ne visons pas 0 % d’inexactitude ; nous visons 0 % d’absurdité. C’est une perspective complètement différente.
Vous procédez par échantillonnage. Il est inutile de dire que vous souhaitez une performance moyenne, car, en faisant la moyenne sur de nombreux SKU, vous ne voyez pas les problèmes. Vous ne voyez pas les anecdotes, les cas particuliers qui doivent être traités. Même en cherchant la rentabilité, de nombreux SKU sont extrêmement rentables. Si vous faites une moyenne, il se peut qu’un SKU soit très mal géré — absurde — mais il se fasse enterrer parmi beaucoup d’autres SKU rentables et rationnels. C’est pourquoi vous avez besoin de l’optimisation expérimentale et d’une approche anecdotique pour corriger rapidement le code.
Conor Doherty: Deux de plus. Je dois remonter — il y a beaucoup de commentaires. Dmitri, j’espère que cela a aidé. D’accord, de la part de — pardonnez-moi, je suppose que je prononce cela correctement — Alif (ou Leif) : “De votre point de vue, quelles approches peuvent aider les organisations à découvrir et à traiter les coûts cachés au sein des cycles tout en assurant un équilibre entre agilité et efficience des coûts ?” (Parenthèse : cycles signifie S&OP.)
Joannes Vermorel: Abandonnez le S&OP. Ces processus n’ont qu’un seul avantage : ils enrichissent les consultants. Lâchez l’affaire. Concentrez-vous réellement sur la décision. Identifiez quelles décisions sont prises. Dans le livre, je définis une décision de supply chain très simplement : c’est une allocation de ressources qui soutient le flux de biens physiques. C’est tout.
Vous convertissez un dollar en matières premières pour votre supply chain — c’est une allocation de ressources. Vous prenez une unité de matières premières et la transformez en un produit semi-fini — allocation de ressources. Vous déplacez une unité de stocks d’un endroit à un autre — allocation de ressources. Concentrez-vous sur l’allocation de ressources ; ce sont les décisions prises. À partir de là, partez de tout.
Ne laissez pas les artefacts numériques — étapes intermédiaires — définir votre processus. Les prévisions en font partie ; elles sont complètement transitoires. Elles sont jetables. Vous pouvez vous en débarrasser, les remplacer par quelque chose de meilleur. Elles ne sont pas fondamentales, contrairement aux décisions. Les décisions, elles, sont fondamentales. Revoyez votre entreprise dans 50 ans — vous aurez toujours le problème d’un dollar transformé en produits achetés, transformés via un processus de production. Ces décisions sont extrêmement stables, contrairement aux artefacts numériques qui sont complètement transitoires.
Conor Doherty : Ceci est en réalité un long commentaire avec beaucoup de contexte. Je réduis délibérément cela à une simple question — nous enverrons une réponse plus détaillée plus tard. Grosso modo : pensez-vous que les KPI devraient différer selon les différentes catégories de supply chain, reflétant les différences en contraintes d’achat, de production et dans les délais de livraison ?
Joannes Vermorel : Typiquement, non. Vous voulez des KPI qui reflètent l’économie de votre entreprise. Cela peut inclure de nombreux facteurs dépendant de la catégorie. Il existe des entreprises — certaines très grandes — aux activités incroyablement diverses. Si vous avez une entreprise qui fabrique des jouets et des pièces d’aviation, ce sont deux activités distinctes. Probablement que les KPI sont complètement différents.
Mais si nous avons quelque chose de relativement homogène — disons de l’avionique — faut-il définir les KPI différemment selon le type d’avionique ? Probablement pas. Ce que vous avez vraisemblablement, c’est le code — la logique de vos KPI — qui est le même partout, mais avec des paramètres spécifiques à la catégorie. C’est typiquement l’approche Lokad. Parfois, nous avons même des paramètres spécifiques au produit ou au SKU. Cela va. Ma suggestion est : essayez de conserver la recette numérique aussi unifiée que possible.
Pourquoi ? En fin de compte, tout ce que vous faites se dispute les mêmes ressources. Toutes les catégories que vous achetez se disputent finalement les mêmes dollars sur le compte bancaire de l’entreprise. Tout ce que vous conservez en magasin finit par se disputer le même espace de stockage dans le même warehouse. Vous avez des contraintes à l’échelle de l’entreprise. Si les choses ne sont pas homogènes, il est extrêmement difficile de procéder à un arbitrage adéquat entre les allocations. C’est aussi un problème avec la vision classique de l’optimization de la supply chain : ils ont tendance à fonctionner en silos, catégorie par catégorie. Cela passe complètement à côté de l’objectif. Si vous souhaitez optimiser votre supply chain, elle doit être end-to-end, en identifiant où vous pouvez allouer des ressources pour obtenir le taux de rendement économique le plus élevé.
Conor Doherty : Je dois dire qu’il y avait une énorme quantité de contexte dans la question de Timur. S’il écoutait, il pourrait s’arracher les cheveux en se disant : “Conor a dépouillé ma question.” Nous enverrons une réponse plus détaillée plus tard. Joannes n’a pas vu le contexte complet. C’était un commentaire de passage.
Nous avons parlé pendant une heure. Je pense que nous avons répondu à toutes les questions et commentaires, mais il reste une interrogation : beaucoup de gens semblent emballés par ce sujet. Nombreux sont ceux qui évoluent dans des cadres où ils veulent opérer des changements tout en devant respecter leurs contraintes. Nous traitons de recettes numériques ; nous traitons de contraintes. Ils organisent des réunions S&OP. Ils disposent d’un logiciel Forecast Value Added avec lequel ils doivent, du moins pour l’instant, opérer ou contourner ou travailler. Quel est votre conseil pour ceux qui souhaitent commencer à mettre en œuvre les changements dont vous parlez mais qui opèrent dans ce système ?
Joannes Vermorel : Changez d’entreprise — littéralement.
Conor Doherty : Voilà, tout le monde. Merci de nous avoir accueillis.
Joannes Vermorel : Je suis sérieux. Le problème, c’est que lorsque vous dites, “OK, ce cadre, cette organisation est complètement dysfonctionnelle. Il y a quelque chose d’évident qui devrait se produire ; ce n’est pas le cas,” vous devriez changer d’entreprise. Cela va exploser. À un moment donné, un concurrent finira par comprendre, mettra en œuvre le changement, et pour l’entreprise qui ne le fera pas, cela signifiera des ennuis.
Pensez à tous ces détaillants qui ont fait faillite face à Amazon. Ils ne pouvaient littéralement pas comprendre ce qui se passait. Lorsque j’ai fondé Lokad, j’ai eu des discussions en Europe avec de nombreuses entreprises de vente au détail — beaucoup ont fait faillite depuis. Ils me disaient — parce que je présentais Amazon comme une menace — “Oh, M. ML, Amazon n’est qu’une niche, cette petite chose sur internet. Ce n’est pas sérieux. Personne n’achètera jamais” — insérez ici — “une TV, un canapé, une robe, une voiture, bla bla, sur internet. Les gens adorent sortir.” Ils disaient : “Ils n’achèteront jamais ceci ou cela en ligne. Imaginez acheter un appareil photo coûteux en ligne — non, évidemment pas,” etc. Cela a complètement explosé.
Si vous êtes dans une organisation où vous avez beaucoup de travail inutile, imaginez que votre concurrent décide de faire un mouvement audacieux et de robotiser cela. Tout cela disparaît. Combien de temps votre entreprise survivra-t-elle si elle ne le fait pas ? Pensez-vous que votre poste sera toujours là ?
Je vois beaucoup de gens coincés. L’un des privilèges de la modernité est que vous n’êtes pas bloqué à un seul endroit — surtout pour les personnes ayant des compétences quantitatives ou analytiques, qui sont recherchées. Des tonnes d’entreprises recrutent. Lokad a du mal à recruter ; c’est difficile. Pourquoi gaspiller des années de votre vie dans une entreprise qui vous exploite à travers un processus défaillant ? C’est fou.
Ma suggestion : de manière très polie et constructive, essayez de promouvoir des idées pour instaurer le changement. Souvent, les gens sont surpris : la raison pour laquelle le changement ne se produit pas, c’est que personne ne cherche même à le provoquer. Par défaut, on suppose que le changement serait rejeté.
D’après ma modeste expérience, vous disposez de beaucoup de latitude pour vous adresser aux supérieurs hiérarchiques. Si vous présentez un dossier qui a du sens, bien construit et qui propose quelque chose de raisonnable et de faisable, le changement peut s’opérer. Ce serait ma suggestion.
Mais si vous êtes coincé dans un processus obsolète, il est urgent de passer dans une autre entreprise qui saura mieux vous utiliser. Sinon, imaginez dans dix ans : vous êtes toujours dans le même poste obsolète. Sur votre CV, vous avez dix ans de travail inutile dans une fonction dépassée. Vous vendre à votre prochain employeur sera très difficile.
Conor Doherty : Ce n’est même pas théorique. Des amis de la chaîne ont récemment changé d’entreprise pour exactement cette raison, et ils l’ont révélé — et tant mieux pour eux.
Joannes Vermorel : C’est aussi une façon de créer le changement que vous souhaitez voir sur le marché. Vous voyez quelque chose d’obsolète et vous dites : “Je ne vais pas y contribuer.” Vous allez dans une entreprise qui fait quelque chose de plus intelligent — disons Amazon, qui se trouve être très profitable — et les chances d’obtenir un salaire beaucoup plus élevé après un certain temps sont très grandes.
Conor Doherty : En guise de conclusion, Timur est d’accord avec vous : “Je suis d’accord avec le conseil de Joannes de changer d’entreprise. Ne perdez pas votre temps si vous n’êtes pas autorisé à mettre en œuvre ce qui vous paraît pertinent.”
Joannes Vermorel : Oui, et si vous voulez provoquer le changement, faites un effort sérieux pour structurer votre proposition — c’est-à-dire, vraiment de manière pyramidale. Vous avez besoin d’un résumé d’à peine une demi-page pour le supérieur de votre supérieur, quelque chose de très digeste. Ensuite, la version plus longue — peut-être deux pages — puis peut-être dix pages, avec un exemple concret. Si vous pouvez présenter des chiffres exprimés en P&L — profit et perte — cela parlera à la direction.
Ne soyez pas le data scientist qui dit, “Nous devons passer au deep learning, et je pense que nous devrions vraiment adopter la décomposition de rang faible ; je pense que c’est l’avenir.” La direction dira, “De quoi parlez-vous ?” Il faut que ce soit très concret. Je ne pense pas avoir jamais rencontré un cadre qui, en se voyant présenter un business plan exprimé en dollars ou en euros, dise, “Je ne veux même pas écouter cela.” J’ai vu de nombreuses situations où l’on disait, “Votre plan est intéressant mais complètement erroné parce que vous avez fait une mauvaise hypothèse,” ainsi ce que vous calculez est incorrect. Mais j’ai rarement vu la haute direction refuser de s’engager pour quelque chose de financièrement motivé.
Conor Doherty : Joannes, nous avons parlé et sommes restés debout pendant 70 minutes. Nous sommes à court de questions. J’ai fait de l’exercice pour les jambes plus tôt aujourd’hui, donc je suis en fait assez fatigué. Nous sommes à court de questions ; nous n’avons plus de temps. Merci, comme toujours, pour tous vos éclairages. Et merci à tous ceux qui ont participé et posé des questions, tant en privé qu’en public — c’est très apprécié.
Si vous souhaitez poursuivre la conversation, n’hésitez pas à nous contacter en privé, aucun problème. Ou si vous regardez cette vidéo en replay — et elle est disponible en replay — laissez un commentaire ci-dessous et l’un d’entre nous vous répondra. Sur ce, nous nous retrouverons la semaine prochaine. Et oui, retournez travailler.
