00:00:00 Introduction aux heuristiques en supply chain
00:01:14 Exemples d’heuristiques : min-max de stocks, FIFO, analyse ABC
00:03:15 Origines et utilisation informelle des heuristiques dans les entreprises
00:06:28 Approches humaines vs. algorithmiques de résolution de problèmes
00:09:58 Les heuristiques du point de vue de l’informatique
00:13:27 Le problème des points de vue profanes sur les heuristiques
00:17:22 Les heuristiques de la supply chain et l’illusion de causalité
00:22:00 La nécessité de métriques pour évaluer l’efficacité des heuristiques
00:26:35 La différence entre les algorithmes et les heuristiques en pratique
00:30:26 Validation expérimentale et optimisation empirique
00:36:33 Une intuition trompeuse dans les décisions supply chain
00:41:27 Exemple de stratégies d’embarquement dans les compagnies aériennes et intuition
00:46:47 L’absence de métriques financières dans les décisions supply chain
00:53:05 Les limites humaines dans la planification complexe vs. les algorithmes
00:58:47 Conclusion et points clés

Résumé

Dans un épisode récent de LokadTV, Conor Doherty, Directeur de la communication chez Lokad, a interviewé Joannes Vermorel, CEO de Lokad, au sujet des heuristiques dans la gestion de la supply chain. Ils ont évoqué l’utilisation d’outils simples de résolution de problèmes tels que FIFO et l’analyse ABC, mettant en lumière leurs limites et la nécessité d’approches mathématiques plus robustes. Joannes a expliqué que, bien que les heuristiques offrent des solutions évidentes, elles manquent souvent de cohérence et de validation empirique. Il a souligné l’importance de distinguer les véritables heuristiques des recettes numériques arbitraires, préconisant des évaluations concrètes et des expériences pour valider les pratiques de supply chain. La conversation a mis en évidence la nécessité d’une évaluation critique et de preuves empiriques pour optimiser les décisions supply chain.

Résumé étendu

Dans un épisode récent de LokadTV, Conor Doherty, Directeur de la communication chez Lokad, a mené une discussion stimulante avec Joannes Vermorel, CEO et fondateur de Lokad, une entreprise française de logiciels spécialisée dans l’optimisation prédictive de la supply chain. La conversation a exploré l’utilisation des heuristiques dans la gestion de la supply chain, examinant leurs limites et les contrastant avec des approches mathématiques plus robustes.

Conor a commencé par introduire le concept d’heuristiques, qui sont des outils simples de résolution de problèmes tels que FIFO (First In, First Out), LIFO (Last In, First Out) et l’analyse ABC, couramment utilisés dans les décisions supply chain. Il a souligné que ces heuristiques sont souvent employés pour naviguer dans l’incertitude et a demandé à Joannes d’élaborer sur ce que signifient les heuristiques pour les praticiens de la supply chain.

Joannes a expliqué que, dans l’industrie, les heuristiques sont essentiellement des règles empiriques formalisées utilisées pour orienter les décisions. Par exemple, une politique min-max de stocks, où le stock maximum est défini comme équivalent à trois mois de demande, est une heuristique. Ces heuristiques offrent des solutions simples à des problèmes complexes, mais elles sont souvent arbitraires et manquent de cohérence entre les différents planificateurs et entreprises.

Conor a approfondi, demandant l’origine de ces heuristiques. Joannes a répondu qu’elles sont les solutions les plus simples auxquelles on peut penser pour résoudre des problèmes spécifiques. Par exemple, FIFO garantit que tous les articles sont finalement sélectionnés et traités, évitant ainsi leur détérioration. Cependant, il a souligné que ces heuristiques ne sont pas nécessairement des solutions optimales.

Joannes a ensuite introduit une distinction essentielle entre les heuristiques telles que les économistes y pensent et celles de la gestion de la supply chain. Dans des tâches naturelles, comme attraper un verre d’eau, les humains utilisent efficacement des heuristiques parce que l’évolution nous a doté des instincts nécessaires. Cependant, les problèmes de supply chain sont des défis numériques discrets qui n’existent pas dans la nature, et nos heuristiques innées ne sont pas adaptées à ces tâches.

Conor et Joannes ont discuté des limites des heuristiques traditionnelles telles que FIFO et l’analyse ABC. Joannes a soutenu que ces méthodes sont souvent des recettes numériques arbitraires plutôt que de véritables heuristiques, car elles manquent de métriques pour mesurer leur efficacité. Il a insisté sur l’importance de distinguer entre les heuristiques et les recettes numériques arbitraires, qui peuvent induire en erreur.

Conor a présenté la perspective d’un détaillant, suggérant que des méthodes simples comme l’analyse ABC fonctionnent parce qu’elles sont rentables. Joannes a rétorqué que la rentabilité ne valide pas toutes les pratiques au sein d’une entreprise. Il a cité Apple comme exemple, notant que certaines pratiques peuvent ne pas contribuer directement à la rentabilité mais sont néanmoins suivies.

La conversation s’est tournée vers les défis de la validation des heuristiques dans les chaînes d’approvisionnement concrètes. Joannes a expliqué que, tandis que les algorithmes possèdent des propriétés démontrables, les heuristiques nécessitent une évaluation empirique à travers des expériences. Il a cité l’exemple du gradient stochastique, une heuristique qui a gagné en reconnaissance pour sa performance pratique malgré l’absence de preuve formelle.

Conor et Joannes ont évoqué la difficulté d’évaluer la pertinence des heuristiques sans métriques claires. Joannes a souligné la nécessité pour les entreprises de valider leurs recettes numériques par des expériences, plutôt que de supposer leur efficacité. Il a fait référence à sa série de conférences sur l’optimisation expérimentale, mettant en avant l’importance de découvrir des cibles d’optimisation et la différence entre validation empirique et mathématique.

Joannes a également abordé le biais psychologique consistant à tomber amoureux de ses propres idées, ce qui peut conduire à l’adoption de politiques arbitraires sans validation appropriée. Il a mis en garde contre l’idée que les méthodes traditionnelles sont intrinsèquement bonnes simplement parce qu’elles n’ont pas conduit à la faillite.

La discussion s’est conclue avec le conseil de Joannes de réserver le terme « heuristic » aux recettes numériques simples et efficaces, ayant fait l’objet de preuves empiriques de leur succès. Il a insisté sur l’importance des évaluations concrètes en termes financiers et sur la nécessité pour les entreprises d’évaluer de manière critique leurs méthodes.

Conor a conclu l’interview en remerciant Joannes et le public, encourageant les spectateurs à s’abonner à la chaîne YouTube de LokadTV et à les suivre sur LinkedIn pour d’autres discussions perspicaces sur l’optimisation de la supply chain.

Transcription complète

Conor Doherty: Bon retour sur LokadTV. Les heuristiques sont au cœur de la plupart des décisions que prennent les gens en matière de supply chain.

Les heuristiques sont des outils simples de résolution de problèmes qui nous guident dans des moments d’incertitude. Pensez à FIFO, LIFO et à l’analyse ABC.

Aujourd’hui, avec Joannes Vermorel, nous discuterons des limites de ces heuristiques et les comparerons avec une perspective mathématique plus robuste.

Comme toujours, si vous appréciez ce que vous entendez, abonnez-vous à la chaîne YouTube et suivez-nous sur LinkedIn. Et sur ce, je vous présente les heuristiques en supply chain.

Comme je l’ai mentionné dans mon introduction, nous sommes ici pour parler des heuristiques, en particulier dans la supply chain. Pour mettre les choses en perspective, quand les praticiens de la supply chain, vous savez, au bureau, parlent d’heuristiques, de quoi s’agit-il exactement ? Que signifient-elles ?

Joannes Vermorel: Je veux dire, la plupart des praticiens de la supply chain n’utiliseraient probablement pas le terme heuristiques. C’est déjà un peu sophistiqué. Quand je pense à l’industrie en général, quand les gens parlent d’heuristique, cela signifie simplement qu’ils disposent d’une sorte de règle empirique formalisée utilisée pour orienter une décision.

Un exemple de cela serait que nous avons une politique min-max de stocks, et le maximum est défini comme équivalent à trois mois de demande. Voilà. C’est mon heuristique.

Et l’aspect intéressant des heuristiques est que, supposément, c’est la vision globale des heuristiques, à savoir que vous avez un problème complexe, mais que votre heuristique fournit une solution simple à ce problème.

Conor Doherty: Eh bien, beaucoup se contentent d’écrire littéralement les mots choisis par un comité. Donc, ma question suivante est la suivante : lorsque vous dites, dans l’exemple du min-max, qu’il y aura trois mois de demande, c’est simplement une décision arbitraire. Est-ce ce qui en fait alors une simple règle empirique ?

Joannes Vermorel: Oui, c’est à peu près tout. Je veux dire, peut-être que les gens ont essayé quelques alternatives de manière approximative, et leur intuition leur dit que deux mois ne suffisent pas, six mois sont trop, et ainsi ils convergent vers quelque chose.

Ou, plus fréquemment encore, il n’y a aucune cohérence. Chaque planificateur de demande et d’approvisionnement a son propre ensemble de règles empiriques, sa propre collection d’heuristiques utilisées.

Il est rare que les entreprises imposent une quelconque pratique en matière d’heuristiques. Du moins, lorsque les entreprises pensent et disent qu’elles ont des heuristiques, cela signifie généralement qu’elles ne sont pas imposées, qu’elles sont relativement informelles et qu’il y a une grande marge de manœuvre dans la sélection des paramètres de ces heuristiques.

Conor Doherty: Eh bien, je veux dire, vous avez donné l’exemple du min-max. Il y a aussi des méthodes comme FIFO, LIFO, et l’analyse ABC. Il existe toute une gamme d’heuristiques. D’où viennent-elles ? Comme sorties de quel éther émergent-elles ?

Joannes Vermorel: Je veux dire, ce sont simplement les solutions les plus simples auxquelles on peut penser pour résoudre le problème rencontré. Prenons, par exemple, FIFO.

L’un des problèmes les plus fondamentaux lorsque vous devez traiter de manière itérative les éléments entrants est de savoir comment éviter de laisser quelque chose de côté pour toujours. Voilà.

Si vous ne décidez pas d’un ordre et que vous sélectionnez les éléments au hasard, il se peut qu’un article ne soit jamais choisi. Il est simplement mis de côté et jamais traité.

Et cela est problématique car cet article finira par se détériorer. Qu’on appelle un produit périssable ou non, tous les produits périssent avec le temps.

Ainsi, vous souhaitez simplement un processus qui garantit qu’en fin de compte tout ce qui a afflué vers vous sera sélectionné, traité et expédié quelque part.

Ainsi, si vous dites « premier entré, premier sorti », par exemple, c’est simplement une méthode basique pour garantir que tout sera sélectionné. Est-ce une bonne politique ? Je veux dire, cela dépend, mais cela vous confère certainement cette propriété.

On peut donc dire qu’il s’agit assurément d’une solution à ce problème. Est-ce une bonne solution ? C’est une question complètement différente.

Conor Doherty: Eh bien, c’est exactement la question suivante car vous n’avez pas utilisé le terme optimalité ni parlé d’une décision optimale. Bien sûr, dans des situations comme celle que vous venez de décrire, vous êtes dans un atelier de réparation, deux moteurs arrivent, ou vous arrivez le matin et il y a de nombreux moteurs, et vous devez décider lequel réparer en premier, quel planning adopter, et vous essayez d’arriver à ce qui ressemble au moins à une bonne ou une décision optimale.

Donc, ma question est la suivante : selon vous, quelle est la limite supérieure de l’optimalité pouvant être obtenue grâce à ce type d’heuristiques ? Prenez, par exemple, FIFO.

Joannes Vermorel: Je ne pense pas que ce soit la bonne manière de formuler le problème. Je pense qu’il faut prendre du recul et réaliser que, lorsqu’on pense en termes d’heuristiques, il existe en fait deux perspectives radicalement différentes à leur sujet, et il faut s’arrêter pour y réfléchir.

La première est celle des heuristiques telles que, disons, les économistes y pensent, ou du moins, par exemple, j’ai besoin de saisir ce verre d’eau. Je peux l’atteindre et le prendre.

Un physicien pourrait dire : « Oh, il y a environ un million de calculs nécessaires pour déterminer la trajectoire exacte de ma main, de chacun de mes doigts, de la masse exacte, de la force exacte », et ce serait tous les calculs dont j’aurais besoin si je voulais que des robots effectuent un calcul parfait sur la manière de déplacer un bras robotique pour saisir le verre.

Mais il s’avère qu’un être humain ne fonctionne pas ainsi. Au lieu de cela, nous utilisons des tas d’heuristiques telles que, vous savez, le « dead reckoning ». « Je suis trop à droite, oh, vire à gauche », et « La pression semble suffisante ? Oh non, le verre glisse, appuie davantage ».

Ainsi, vous disposez de nombreuses heuristiques qui vous permettront d’accomplir une tâche très complexe, mais avec un traitement sous-jacent beaucoup plus basique. Fondamentalement, lorsque vous saisissez un verre d’eau, votre cerveau ne résout pas en temps réel des équations différentiables. Il s’agit simplement d’un ensemble d’heuristiques qui fonctionnent magnifiquement, vous permettant ainsi de saisir votre verre d’eau avec succès.

Et il s’avère que pour une multitude de choses qui se produisent dans le monde réel, la nature, l’univers, peu importe, nous a offert de belles solutions qui fonctionnent pour des problèmes apparemment incroyablement compliqués.

Au fait, tenir debout sur deux jambes nécessite également toutes sortes d’heuristiques. Lorsque les gens essaient de concevoir un robot marchant sur deux jambes, ils se rendent compte que c’est en réalité très, très difficile parce que nous ne connaissons pas ces heuristiques.

Or, ce n’est pas la situation dans les supply chains. Ici, je décris des heuristiques liées à des tâches qui ont représenté des défis pendant les 500 millions d’années pour tout être vivant cherchant à se déplacer.

Conor Doherty: Elles sont également inconscientes. Je parle de décisions.

Joannes Vermorel: Oui, je veux dire, prendre le verre d’eau est une décision. Bouger votre main est une décision. Mais ici, ce dont nous parlons, ce sont des décisions numériques discrètes. C’est quelque chose qui n’existe pas dans la nature.

Dans la nature, on ne pense pas en termes de décisions numériques discrètes, comme par exemple combien de produits dois-je approvisionner demain, après-demain, etc. Ce sont des décisions numériques discrètes qui sont complètement différentes de tout ce que l’on trouve dans la nature.

Donc, le premier point que je fais est que si nous adoptons cette perspective implicite qui émane, disons, du monde naturel à propos des heuristiques, nous pouvons dire que les humains sont simplement dotés de la capacité d’appliquer des solutions très simples à des problèmes complexes qui fonctionnent magnifiquement bien.

Et mon contre-argument est que cela ne fonctionne pas pour des situations créées par l’homme, telles que la supply chain, où il s’agit de résoudre des problèmes numériques discrets. Ces catégories de problèmes sont complètement différentes de ce que nous rencontrons dans la nature, et nous ne pouvons pas supposer que nous possédions un quelconque sens inné de ce qui fonctionnera.

L’évolution ne nous a pas doté de la capacité d’évaluer quel est le calendrier optimal de reapprovisionnement pour un réseau complexe de supply chain. C’est une affirmation tout à fait fantaisiste de dire que l’évolution nous a donné quoi que ce soit à ce propos.

Ce que je dis ici, c’est que nous devons adopter une perspective différente sur les heuristiques, celle adoptée par les informaticiens. En informatique, lorsque nous avons un problème, si nous avons une solution qui est prouvée correcte avec de belles propriétés pour ce problème, nous appelons cela un algorithme.

C’est ce qu’est un algorithme. Un algorithme en informatique est une recette numérique pour laquelle nous disposons d’éléments formels de preuve.

Par exemple, trier une liste. Vous avez une liste non ordonnée d’éléments, vous souhaitez les trier du plus petit au plus grand. Vous avez de nombreuses façons de trier une liste, mais certaines méthodes vous donneront des solutions qui nécessitent un nombre minimum d’étapes et une quantité minimale de mémoire pour pouvoir trier tous ces nombres.

Voilà donc ce qu’est un algorithme. Un algorithme est une solution dont la correction est prouvée et qui, en plus d’être correcte, possède également des propriétés supplémentaires bien adaptées au problème en question.

Une heuristique, toujours d’un point de vue informatique, est une recette numérique qui fonctionne très bien en pratique, même si l’on ne sait pas formellement pourquoi elle fonctionne ou pourquoi elle fonctionne si bien.

Il s’avère qu’il existe des catégories de solutions qui sont comme des joyaux cachés, qui fonctionnent magnifiquement, qui sont extrêmement simples, et pourtant personne ne sait vraiment pourquoi.

Alors, un exemple appliqué à la supply chain ? Oui, beaucoup d’entre eux s’appliquent à la supply chain. Il y a, par exemple, le stochastic gradient descent. C’est un processus qui a été découvert. Il est très simple conceptuellement. Vous pouvez l’écrire en environ quatre lignes. Il a été découvert très probablement dans les années 50, bien que ce soit un peu flou. L’idée est si simple qu’elle a probablement été inventée à plusieurs reprises.

Et pourtant, de manière générale, la communauté ne s’était pas vraiment intéressée au stochastic gradient descent avant il y a 15 ans. Pourquoi ? Parce que les gens n’avaient pas vraiment remarqué à quel point il était performant en pratique lors de son utilisation.

Conor Doherty: Sur quels problèmes ?

Joannes Vermorel: Tous les problèmes d’apprentissage, tous les problèmes d’optimisation, et pleins d’autres situations également. C’est donc une heuristique semi-universelle qui fonctionne sur un éventail extrêmement large de situations.

C’est même stupéfiant, le simple spectre d’applicabilité du stochastic gradient descent est époustouflant. Et pourtant, nous n’avons vraiment aucune preuve mathématique pour expliquer pourquoi il fonctionne si bien. Il fonctionne tout simplement.

C’est donc très intéressant. Et ici, il faut penser que lorsque les informaticiens parlent d’heuristiques, ils font référence à des heuristiques comme des joyaux cachés. Et d’ailleurs, si nous devons revenir à votre question initiale, par définition une heuristique est, du moins selon la définition précise donnée par les informaticiens, une solution numérique pour laquelle vous n’avez aucune preuve.

Ainsi, une heuristique, par définition, on ne sait pas à quelle distance se trouve l’optimal. C’est presque acquis. Si vous le saviez, alors par définition, ce serait un algorithme. Parce qu’un algorithme est littéralement lorsque vous pouvez prouver la correction en plus d’un comportement supplémentaire, votre recette numérique devient ce que l’on appelle un algorithme.

Conor Doherty: Algorithme, d’accord, donc je vais essayer de résumer tout cela et dites-moi où je pourrais me tromper. Mais encore une fois, d’après ce que j’ai compris, le problème avec les heuristiques traditionnelles comme FIFO, par exemple, c’est que lorsqu’on essaie de les appliquer, c’est une solution très hâtive à un problème que l’esprit humain ne peut pas comprendre.

Joannes Vermorel: Non, je dirais que le problème est que les gens, je dirais que l’erreur commise avec les heuristiques, lorsqu’on les aborde avec une perspective profane, c’est-à-dire non celle d’un informaticien, est d’attribuer un certain degré de qualité à leur recette numérique. C’est pourquoi je préfère utiliser le terme recette numérique, qui est complètement neutre. Vous savez, cela peut être de la pure merde, cela peut être excellent, ça l’est tout simplement. Ce n’est qu’une série de calculs qui vous donne un résultat. Nous ne présumons pas qu’elle soit bonne pour quoi que ce soit, elle se contente de faire un calcul.

Le problème avec le fait que les gens utilisent le terme heuristiques, c’est qu’ils se contentent de trouver quelque chose de très arbitraire et appliquent ce qualificatif comme s’il était acquis que la recette numérique était bonne. Naturellement, encore une fois, si l’on se réfère au monde naturel, ces heuristiques, ces manières instinctives de saisir, par exemple, un objet, sont très efficaces. Elles sont vraiment très efficaces. Et comment savons-nous qu’elles le sont ? Eh bien, parce que lorsque nous essayons de concevoir un robot qui fait la même chose, il échoue lamentablement et il faut d’énormes efforts d’ingénierie pour même approcher ce que nous pouvons faire instinctivement.

Il y a bien cela, mais cela crée une sorte de biais qui fait croire aux gens que, d’accord, je peux, par exemple, dire : “Oh, disons que le maximum dans ma politique min-max de stocks est de trois mois de demande.” Pourquoi est-ce que j’appelle cela une heuristique ? Vous savez, est-ce que cette méthode est vraiment bonne ? Cela peut être complètement insensé. Je ne sais pas. Ce n’est pas parce que j’ai une certaine intuition. D’où provient cette intuition ? Vous voyez ça ? Et généralement, elle ne vient de rien. Et c’est là que je pense que se situe l’erreur.

Du fait que nous avons d’autres communautés, comme celle de l’informatique, où le terme heuristique est utilisé pour désigner quelque chose d’excessivement bon, on se retrouve avec, vous savez, une attribution positive un peu lâche, une sorte d’effet de halo qui accorde plus de valeur à ces recettes numériques qu’elles ne le méritent réellement.

Conor Doherty: Mais un détaillant répondrait simplement à cela s’il entendait ce que vous venez de dire et dirait : “Eh bien, j’effectue une analyse ABC. Je sais d’où provient la grande majorité de mes ventes. Je maintiens un certain haut taux de service de ces SKUs en stock et je fais de l’argent. Il n’est pas nécessaire que ce soit plus sophistiqué que cela et ça fonctionne parce que je suis toujours en affaires. Je fais de l’argent et je fais plus d’argent qu’an dernier.”

Joannes Vermorel: Oui, et vous pouvez avoir un magasin qui fuit et vous faites de l’argent. Ainsi, si vous aviez plus de magasins qui fuient, peut-être feriez-vous encore plus d’argent. Vous voyez, encore une fois, c’est là le problème. La supply chain n’est qu’un ingrédient dans un tableau global. Donc, l’erreur est de penser que ce n’est pas parce que vous faites de l’argent que chaque action que vous entreprenez a du sens ou contribue positivement à votre rentabilité.

Même des entreprises, par exemple, comme Apple, sont connues pour garder la plupart de leurs employés dans l’ignorance en ce qui concerne l’avenir de l’entreprise. C’est l’une des caractéristiques bien connues d’Apple. Lorsqu’il s’agit des futurs lancements de produits, tout le monde est tenu dans l’ignorance et ils vont même jusqu’à diffuser en interne de fausses feuilles de route à diverses équipes afin que, si une feuille de route fuit, vous sachiez qui a reçu la fausse feuille de route. Bon, est-ce vraiment un aspect qui améliore la rentabilité d’Apple ? Peut-être, peut-être pas. Est-ce quelque chose que vous voudriez imiter pour rendre une autre entreprise plus rentable ? Peut-être pas.

Donc, vous voyez, je dis que si vous me dites, “J’utilise l’analyse ABC, mon entreprise est rentable”, la seule conclusion possible est que l’ABC n’est tout simplement pas si mauvais qu’il conduirait votre entreprise à la faillite. Mais c’est la seule chose que l’on peut conclure à propos d’une analyse ABC.

Conor Doherty: On pourrait aussi dire que, encore une fois, lorsque vous avez parlé de chercher l’optimum, de rechercher le meilleur point possible, ce n’est pas du tout le cas. On peut dire qu’il laisse de l’argent sur la table. On peut simplement dire qu’il semble que vous adoptez une position binaire, comme si le faire était 100 % stupide ou 100 % bon.

Joannes Vermorel: Mais ici, vous voyez que c’est là que, encore une fois, la vision d’un informaticien diverge réellement de celle d’un profane. En informatique, on admet qu’une heuristique, c’est-à-dire une recette numérique, acquiert la capacité d’être qualifiée d’heuristique uniquement si elle présente une certaine forme de qualité empirique. Vous voyez, cela signifie donc que chaque recette numérique que je peux inventer n’est pas une heuristique. Pour être qualifiée d’heuristique, elle doit être étonnamment efficace dans l’exécution d’une tâche.

Conor Doherty: Ce que certains pourraient soutenir.

Joannes Vermorel: Et cette qualité surprenante nécessite une métrique. Il faut une mesure.

Vous voyez, dans la grande majorité des analyses ABC, par exemple, il n’existe aucune métrique qui qualifie quoi que ce soit à leur sujet. Il s’agit simplement d’attribuer une lettre à chaque produit : A, B, C. C’est juste une attribution. Puis, une extension consiste à avoir une politique uniforme de stocks pour chaque catégorie. Mais cette politique uniforme de stocks pourrait être quelque chose de complètement différent du taux de service, par exemple. Votre politique uniforme par catégorie pourrait être, pour la catégorie A, je garde trois mois de stocks. Pour la catégorie B, deux mois. Pour la catégorie C, un mois. Vous savez, ça fonctionne aussi.

Ainsi, les taux de service ne font pas nécessairement partie intégrante de l’analyse ABC. La disponibilité de ces produits correspond à leur importance perçue. L’analyse ABC consiste simplement à attribuer une catégorie à chaque produit important. Il s’agit d’attribuer une catégorie et puis, oui, la manière de le faire est de pondérer les ventes, mais c’est tout. Encore une fois, ce que je dis, c’est : quel est le problème que vous essayez de résoudre ? Vous voyez, c’est pourquoi je dis que l’analyse ABC est une recette numérique, et non une heuristique, parce que vous ne savez pas quels problèmes vous résolvez. Vous n’avez aucune référence de ce qui est optimal.

Conor Doherty: Donc, oui, continuez.

Joannes Vermorel: Encore une fois, c’est le problème. Nous devons séparer les heuristiques des simples recettes numériques arbitraires. Une recette numérique arbitraire peut être complètement dénuée de motivation. Je fais simplement le calcul. Pourquoi ? Parce que je peux le calculer. Donc je fais le calcul, c’est tout.

Si vous voulez avoir une heuristique, vous devez avoir, disons, un objectif qui explique ou une manière d’évaluer sa qualité. Encore une fois, un autre exemple serait si je recherche une heuristique en informatique. Disons que j’utilise XOR shift pour générer des nombres pseudo-aléatoires. Très bien. Il existe des métriques qui me diront la qualité d’une séquence de nombres pour être considérée comme aléatoire. Il y a de nombreuses métriques à ce sujet.

Ainsi, si j’utilise une heuristique comme XOR shift, je peux alors évaluer si elle est efficace pour générer ce que l’on entend par nombres aléatoires, selon les métriques qui détectent l’aléatoire d’un ensemble de nombres nouvellement généré. Vous voyez, j’ai une métrique, j’ai un objectif, je sais de quoi je parle en termes de savoir si c’est une heuristique ou non. Je dirais : est-elle bonne ou non ? Si elle l’est, alors vous direz, d’accord, c’est une heuristique. Mais si vous n’avez aucune idée de ce que vous faites, alors je pense qu’il est erroné d’appeler cela une heuristique, car vous ne savez pas si c’est efficace.

Vous avez simplement inventé une recette numérique et vous l’appelez une heuristique.

Conor Doherty: Donc, quand les gens, pour être très concrets, réalisent une analyse ABC puis prennent des décisions sur cette base, par exemple, en gardant trois mois de stocks pour votre catégorie A ou en fixant des taux de service, quelles que soient les décisions prises par la suite, et s’ils constatent des résultats positifs, cela relève tout simplement d’une erreur logique. Ils attribuent aux actions précédentes une causalité. Oui, parce qu’évaluer la qualité, comme vous l’avez dit, comment peut-on le faire si la métrique n’est pas claire ?

Joannes Vermorel: Vous ne pouvez tout simplement pas. Et encore une fois, je pense que c’est cela avec ce que l’on appelle des heuristiques. Je préfère les appeler par un terme neutre, recette numérique, car en fait, ils n’ont même pas tenté d’évaluer. Vous voyez, le problème est qu’il y a très fréquemment eu l’absence même d’une tentative pour qualifier si cela était bon ou non, pour quantifier si c’était bon sous quelque forme que ce soit.

Et il existe de nombreux exemples de ce genre. Vous pouvez avoir, par exemple, certaines entreprises qui décident que leurs prix seront des nombres ronds. Certaines préféreront qu’ils se terminent par 99, d’autres par 95. Vous pouvez avoir une politique qui ajuste vos chiffres, en les arrondissant juste en dessous du 99, du 95, du 97 ou tout simplement en les arrondissant au nombre rond suivant.

La grande, grande, grande majorité des entreprises qui font cela n’ont aucune idée de laquelle de ces options est la mieux adaptée pour elles, et elles en choisissent quand même une.

Conor Doherty: Donc, en essence, ils devinent la causalité.

Joannes Vermorel: Oui. Et encore une fois, je ne conteste pas que parfois, adopter une politique de manière complètement arbitraire et s’y tenir pour la simplicité, c’est acceptable. Mais alors, vous ne devriez pas attribuer à ce choix arbitraire votre succès. Voilà ce que je dis.

Conor Doherty: Eh bien, encore une fois, c’est lorsque nous parlons, certes du point de vue économique, quand on évoque les heuristiques, que la plupart des gens, oui, essaient de simplifier un problème pour arriver à une décision. Et de plus, leur façon de percevoir ce résultat est également une version très simplifiée. Par exemple, « J’ai fait une chose, j’ai fixé tous les prix à des nombres ronds ou à 99, et les ventes ont augmenté ou diminué. Donc, post hoc ergo propter hoc, ce que j’ai fait plus tôt en est la cause. » Et bien sûr, c’est impossible. Le problème, c’est que vous avez fait cela pendant que cent autres personnes, en même temps, essayaient de démêler la causalité, et c’est très, très difficile.

Joannes Vermorel: Oui, c’est très difficile. Je veux dire, c’est particulièrement vrai dans la supply chain où vous avez un système, où tout est interconnecté. C’est très difficile. Et mon point est que lorsqu’il s’agit d’heuristiques, si elles sont correctement comprises, elles peuvent être absolument fantastiques. Et d’ailleurs, elles peuvent littéralement être un moyen de surpasser vos pairs parce que si vous possédez ce que les informaticiens appellent des heuristiques, ce qui est comme un trésor caché, quelque chose que vous trouvez dans un algorithme.

La différence entre un algorithme et une heuristique est qu’un algorithme est quelque chose où vous avez une recette numérique. Vous pouvez lire cette recette numérique et, en tant que mathématicien, en démontrer les propriétés. C’est fantastique. C’est très peu coûteux. Vous voyez, avec les algorithmes, ils sont incroyablement économiques. Il n’est pas nécessaire de réaliser une expérience dans le monde réel pour prouver que votre algorithme se comporte bien. C’est fantastique. Cela signifie donc que vous pouvez avoir un mathématicien travaillant dans son bureau et, bam, vous obtenez votre algorithme bien conçu qui apporte de la valeur à votre entreprise.

Une heuristique, eh bien, la seule manière de la découvrir est de faire des expériences. C’est quelque chose qui repose sur une évaluation empirique, et cela est très difficile. C’est pourquoi, par exemple, le stochastic gradient descent a été, pendant littéralement des décennies – bien qu’il fût connu de milliers de personnes – complètement ignoré, simplement parce que, eh bien, personne n’avait vraiment réalisé qu’en pratique, il fonctionnait magnifiquement bien. Vous voyez, c’est donc quelque chose qui relève de l’heuristique. Elle peut exister, mais tant que les gens n’auront pas réellement testé la recette numérique et constaté qu’elle fonctionne merveilleusement bien sur certaines catégories de problèmes, ils ne reconnaîtront pas qu’il s’agit d’une heuristique précieuse.

Conor Doherty: Il me semble cependant, d’après certaines déclarations que vous avez faites – par exemple, pour résumer avant d’aborder la question, je donne l’exemple de « J’ai fait une chose, donc je présume que ce que j’ai fait a causé une hausse des ventes ou peut-être une baisse des ventes. » Et vous avez dit, « Eh bien, mais cent autres personnes ont fait cent choses ou mille choses, peu importe. » Il me semble que cela revient presque à établir une norme infalsifiable, car même si l’on utilisait des heuristiques mathématiques, comment saurait-on jamais que ce que vous avez choisi de faire ou les outils que vous avez utilisés ont fait une différence positive une fois extraits de la théorie pour être intégrés dans le réseau réel interconnecté de la prise de décision en supply chain ?

Joannes Vermorel: Non, encore une fois, vous pouvez réaliser des expériences et valider la qualité de n’importe quelle recette numérique que vous possédez. Je ne dis pas que c’est impossible. Je dis simplement que la plupart des entreprises n’essaient même pas.

Conor Doherty: Eh bien, comment une entreprise tenterait-elle cela ? À quoi cela ressemblerait-il ?

Joannes Vermorel: Eh bien, c’est exactement ce que nous abordons dans cette série de conférences sur l’optimisation expérimentale. J’ai même une conférence d’une heure et demie à ce sujet, intitulée optimisation expérimentale. Vous ne pouvez donc pas, l’essentiel étant que vous ne savez pas ce que vous optimisez, et la première étape consistera à découvrir ce que vous cherchez à optimiser. Et cela est très différent de la perspective classique de optimisation mathématique où votre objectif est déjà donné.

Mais ce que je dis, c’est que si je veux revenir aux heuristiques, fondamentalement, il n’y a aucune raison de penser que la meilleure recette numérique est nécessairement celle pour laquelle vous pouvez disposer d’une preuve mathématique. Le fait qu’une preuve mathématique existe n’a rien à voir avec la qualité de votre recette numérique. Vous voyez, fondamentalement, ce sont deux perspectives complètement différentes. Il se trouve simplement que si vous pouvez obtenir une preuve mathématique, au moins vous avez quelque chose de solide. Et dans certaines conditions, vous pouvez en savoir beaucoup et vous direz : « Oh, c’est très intéressant parce que je sais tellement de choses qu’au moins, comparé à toutes les autres recettes numériques dont je ne sais rien, je préfère en utiliser une qui dispose d’éléments de preuve. C’est mieux que rien. »

Mais alors, si vous essayez en pratique, avec une configuration expérimentale adéquate, comme expliqué dans cette conférence sur l’optimisation expérimentale, si vous disposez d’une démonstration empirique montrant qu’elle est supérieure, alors un critère mathématique ne peut pas primer sur les retours du monde réel. Donc, si j’ai deux méthodes, l’une avec de nombreuses preuves mathématiques, l’autre sans aucune, mais que la seconde me donne de meilleurs résultats en pratique, je devrais la préférer, même si elle ne présente pas de belles propriétés mathématiques.

Et ce qui rend les heuristiques très intéressantes, du moins fréquemment du point de vue de l’informatique, c’est que ces éléments qui relèvent des heuristiques peuvent parfois fonctionner avec une toute petite, toute petite fraction des ressources informatiques nécessaires pour, je dirais, des solutions dont la preuve est plus aisée. Par exemple, encore une fois, le stochastic gradient descent. Le stochastic gradient descent est incroyablement efficace pour optimiser toutes sortes de problèmes. Et pourtant, quand je dis incroyablement efficace, cela signifie qu’avec d’autres méthodes, pour atteindre un niveau d’optimisation comparable, il faudrait des milliers, des millions, voire des milliards de fois plus de ressources informatiques.

Il est donc très, très efficace, mais vous n’en avez pas de preuve formelle.

Conor Doherty: Compris. Et encore une fois, si l’on parle ici de l’allocation des ressources et du retour sur investissement des ressources, FIFO, oh, je viens de le calculer mentalement, ça ne coûte rien. Quel est le différentiel en termes de coût avec l’arrangement que vous venez de décrire ?

Joannes Vermorel: Je dirais qu’il n’y en a pas, vous ne pouvez pas contourner une réflexion attentive sur la situation. Est-ce que FIFO fera une différence ? Cela varie énormément d’une entreprise à l’autre. Pour certaines entreprises, c’est complètement sans conséquence. Vous vous en moquez. Cela n’a aucun impact. Pour d’autres entreprises, c’est d’une importance capitale.

Si vous êtes effectivement un MRO et que vous souhaitez réparer des moteurs d’avion, l’ordre dans lequel vous choisissez les moteurs aura une influence déterminante sur le bon déroulement de vos opérations. Si nous parlons simplement d’organiser un transit pour une plateforme logistique et que vous souhaitez le faire en FIFO, cela est sans importance, car, à la fin de chaque journée, vous viderez votre plateforme. Vous ne voulez rien laisser sur la plateforme lors des transferts et autres opérations. Ainsi, l’ordre est pratiquement anodin dans cette situation.

Conor Doherty: Eh bien, j’aime vraiment l’exemple que vous avez donné. Encore une fois, c’était le cas où, si vous êtes un MRO travaillant sur des moteurs, vous devez choisir lesquels réparer. Et je veux revenir sur quelque chose que vous avez dit plus tôt, qui était, typiquement, que les gens n’optimisent pas ce qu’ils pensent optimiser ou qu’ils n’optimisent pas la bonne chose. Donc, dans le scénario que vous venez de décrire, lorsque les gens appliquent FIFO, ils pensent : « Eh bien, je fais sortir les moteurs, j’optimise la réparation des moteurs. » Réfléchissent-ils correctement au problème, même s’ils n’exécutent pas bien une heuristique ?

Joannes Vermorel: Non, c’est un autre problème. Vous voyez, généralement, la recette numérique – et je n’utilise pas le terme heuristique mais plutôt recette numérique – est une solution de remplacement pour le problème et la solution. Vous savez, on se contente de faire cela. La situation n’est pas définie sous l’angle de « quel est le problème ? » et « quelles sont les différentes classes de solutions possibles et leurs qualités respectives ? » Vous choisissez simplement une manière de procéder, et c’est tout. Et ensuite, que cela soit bon ou non, ça se contente d’être.

Conor Doherty: J’aime ce que vous avez dit sur la confusion entre la manière dont ils essaient de résoudre les choses et la distinction entre le problème et la solution. Pouvez-vous développer cela à nouveau ?

Joannes Vermorel: Il est d’un ordre de grandeur plus simple de penser à une solution plutôt qu’au problème. En effet, lorsque les gens veulent réfléchir à la qualité de service dans un magasin, il est très difficile de définir ce que signifie réellement cette qualité de service. La qualité de service consisterait essentiellement à se mettre dans la tête de vos clients, à essayer de voir votre magasin tel qu’ils le voient, et à évaluer s’ils seront satisfaits ou non, compte tenu de tous leurs projets vagues et désirs, et tout cela étant en constante évolution. Voilà le problème, c’est très difficile.

Il est bien plus facile de se focaliser sur la solution, par exemple : cinq unités pour ce produit, cinq unités pour ce produit, deux unités pour ce produit. Vous voyez, je vous propose simplement une solution en indiquant que chaque produit doit avoir un certain nombre d’unités, et bam, c’est fait. Inventer, imaginer une solution est généralement bien plus simple que de réfléchir au problème. Mais ce que vous n’avez pas pris en compte, c’est que vous ne connaissez pas la qualité de votre solution. Vous avez juste une solution, et si celle-ci fonctionne plus ou moins, vous direz peut-être que c’est une bonne solution, mais vous ne le savez pas vraiment.

Et peut-être que votre magasin fonctionne très bien, non pas parce que vous avez les bons niveaux de stocks, mais parce qu’ailleurs dans votre entreprise, quelqu’un a réussi à négocier des prix fantastiques, qui se trouvent être plus bas. Ainsi, même si vos niveaux de stocks sont plutôt médiocres, vos magasins restent assez compétitifs. Vous voyez, ce que je veux dire, c’est qu’en supply chain, il n’existe rien de véritablement acquis d’avance, pas dans ces jeux où l’on essaie de résoudre des problèmes d’optimisation discrète.

Et je pense que la démarche consiste à reconnaître que, jusqu’à preuve du contraire, ce que vous avez ne sont pas des heuristiques. Ce sont plutôt des recettes numériques dont on n’a pas encore évalué la qualité. Sont-elles bonnes ? Sont-elles mauvaises ? Vous ne le savez pas.

Conor Doherty: Parce que j’ai récemment eu une conversation très similaire à ce sujet avec Simon Schott chez Lokad, et nous parlions d’optimisation de planning. Et, encore une fois, il a utilisé le terme « évident ». L’un des problèmes avec certaines heuristiques ou recettes numériques – quel que soit le terme que vous préférez utiliser, comme FIFO – est qu’elles ignorent les externalités immédiates ou qu’elles dépassent la compréhension humaine.

Par exemple, trois moteurs arrivent lundi matin, il y a trois moteurs. Lequel réparer ? Lequel est arrivé en premier ? Je ne peux pas calculer toutes les étapes interdépendantes et toutes ces interrelations, comme le fait que travailler sur ceci nécessite 100 pièces, cela en nécessite 68, et ceci en nécessite 67. J’ai besoin de 20 outils pour cela, dont 10 également pour ceci. Celui-ci doit être envoyé là-bas une fois terminé, celui-là doit aller là-bas une fois terminé. Joannes est malade, il n’est pas là aujourd’hui, donc il ne peut pas effectuer l’étape 20 sur 30. Conor est en entretien, il n’est pas disponible pour compléter l’étape 99 sur 100. Il y a toutes ces interdépendances, et elles ne sont pas évidentes pour l’esprit humain. Ainsi, par défaut, plutôt que de rester inactif, vous vous fiez à l’ordre d’arrivée.

Et ce n’est pas que ce soit faux, c’est simplement qu’en l’absence de quelque chose de supérieur – pour reprendre les mots de Simon –, vous utilisez quelque chose qui, au moins, fait fonctionner les choses dans une certaine mesure. Et il semble qu’après vous avoir écouté, vous avez décrit cela de manière beaucoup plus mathématique. Cela correspond-il malgré tout à vos sentiments ?

Joannes Vermorel: Oui, mais encore une fois, le défi est le suivant : vous choisissez une solution sans avoir la moindre idée de sa qualité. Et très fréquemment, vous ne pouvez pas vous laisser guider par votre intuition. Je pense que c’est ça : dans le monde naturel, les heuristiques qui nous sont données – comme la manière dont je peux réellement attraper un objet – sont efficaces. Mais quand on transpose cela, il n’existe aucune conversion de ces dons naturels dans le monde artificiel des décisions en supply chain. Vous savez, ce sont des choses complètement différentes.

Il y a eu, par exemple, un article très intéressant qui a été publié. Des chercheurs ont évalué des stratégies d’embarquement pour les avions. Et, vous savez, il y a environ une décennie, des entreprises ont commencé à dire : « Oh, nous voulons accélérer l’embarquement, alors nous appellerons d’abord les passagers des premières rangées, puis ceux des deuxièmes, et ensuite des autres rangées, etc. » Et on disait : « Oh, c’est logique, cela accélérera le processus d’embarquement. » Il s’est avéré que certains chercheurs avaient réalisé de véritables expériences. Ils ont dit : « D’accord, si nous répartissons les passagers en trois groupes et que nous les appelons par ordre, de la rangée 1 à 10, puis de 11 à 20, et de 21 à 30, par rapport à d’autres politiques, laquelle fonctionne le mieux ? » Et l’aspect intéressant qu’ils ont démontré, c’est que ne pas avoir de politique – c’est-à-dire laisser les passagers remplir l’avion de manière aléatoire – était en réalité plus rapide. Ce n’est pas intuitif, mais c’était le résultat empirique.

Donc, encore une fois, ce que je dis, c’est que la qualité est, pour ces phénomènes complexes et très artificiels, parce que, vous voyez, attraper mon verre est extrêmement complexe dans la mesure où il y a tant de variables en mouvement. J’ai cinq doigts, et puis de nombreuses articulations – c’est un problème comportant probablement environ 50 degrés de liberté si je me contente de ce simple mouvement pour attraper mon verre. C’est donc très complexe, mais notre intuition fonctionne. Cependant, il existe d’autres classes de problèmes pour lesquels notre intuition ne fonctionne pas naturellement, et je dirais qu’en supply chain, il s’agit principalement de gérer des problèmes discrets, de traiter l’aléa. Notre esprit n’est pas très performant à ce sujet. En général, notre esprit excelle dans la reconnaissance de motifs, mais il est moins doué pour gérer l’aléatoire. Ainsi, je dirais de ne pas trop faire confiance à votre intuition. Elle peut être très trompeuse.

Et c’est très intéressant parce qu’aujourd’hui, malgré les preuves que le fait de laisser les passagers embarquer aléatoirement est plus rapide, la plupart des entreprises appliquent une politique consistant à appeler les passagers dans l’ordre, bien qu’il ait été prouvé que cela est en réalité plus lent.

Conor Doherty: Vrai, mais encore, cela ne démontre pas le point que vous avez mentionné précédemment car cela dépend de ce pour quoi vous optimisez. Si vous optimisez pour l’efficacité de l’embarquement, vous avez raison. Si vous optimisez pour la rentabilité, vous voulez vendre des sièges ou un accès, comme la Zone 1 qui correspond aux zones 1 à 9, et cela coûte 3 000 $. Les zones 10 à 15 coûtent 1 000 $, nous remplirons l’avion à ce tarif, et j’optimise pour le profit.

Joannes Vermorel: Mais cela s’applique même aux avions où tous les sièges sont au même prix. Vous avez même ces politiques appliquées dans les compagnies low-cost où il n’y a pas de classe affaires, il n’y a pas de première classe, et tout le monde est pratiquement facturé au même prix, quel que soit le siège qu’il occupe.

Conor Doherty: Donc, il n’y a pas besoin de l’embarquement avancé.

Joannes Vermorel: Mais ils le font quand même.

Conor Doherty: Donc, ils ne devraient pas ?

Joannes Vermorel: Je le redis, ce que je dis, c’est qu’ils ont imaginé dans leur esprit une recette numérique qui était : “Nous allons appeler les gens par tranches parce qu’il semble que si nous imposons plus d’ordre, cela fonctionnera plus efficacement.” Puis, les gens ont réalisé les expériences et ont conclu que non, cela dégrade en réalité la performance par rapport à ce que vous faisiez auparavant, qui consistait à ne même pas tenter de résoudre le problème et à laisser les gens se débrouiller seuls lors de l’embarquement de l’avion.

Vous voyez, c’est cela. Encore une fois, ce que vous pensez être la solution, c’est là la différence. Il est très facile d’imaginer une recette numérique, mais si vous n’avez aucune idée de sa qualité, vous ne devriez pas supposer, simplement parce que c’était la première chose qui vous est venue à l’esprit, que ce sera efficace. Et vous ne devriez pas supposer, simplement parce que cela semble plausible, que ce sera bon.

Conor Doherty: Eh bien, vous pouvez également développer cette idée en définissant arbitrairement n’importe quel KPI et en supposant que cela fait une différence.

Joannes Vermorel: Oui, et encore, il y a ce biais psychologique selon lequel les gens ont tendance à tomber amoureux de leurs propres idées. Par exemple, “Nous avons besoin d’une meilleure qualité de service, donc nous devons augmenter les taux de service de 97 % à 98 %,” puis cela devient une politique d’entreprise. Est-ce sensé ? Peut-être, peut-être pas. Je vous ai parlé de cette idée de minimum et maximum. Nous devons prévoir trois mois de stocks, puis cela devient une politique d’entreprise. Il est très facile d’imaginer une recette numérique, car tout ce que vous avez à faire est de prendre les variables qui se présentent et d’en faire quelque chose, et vous obtiendrez un résultat.

Ici, c’est une erreur, je dirais, de rationalisme naïf. Ce n’est pas parce que vous calculez quelque chose avec les variables qui se présentent que ce calcul est correct. Il peut être correct dans le sens numérique, c’est-à-dire qu’il n’y a pas d’erreur dans les additions et multiplications, mais la formule que vous venez d’inventer ne reflète en réalité rien.

Conor Doherty: Mais cela va naturellement à l’encontre, ou entre en conflit avec, la tendance naturelle des gens à l’attribution fondamentale. Ils supposent tout simplement : “J’ai de l’agence, j’ai fait quelque chose, j’ai mis en place une politique, un KPI, une règle, et nous avons gagné de l’argent. Par conséquent, non seulement je suis génial, mais je suis responsable de ce qui s’est passé.”

Joannes Vermorel: Oui, mais encore, vous avancez “nous avons gagné de l’argent”, alors que la réalité est que la plupart des entreprises, et surtout la plupart des départements supply chain, n’ont aucun KPI financier. Vous voyez, très souvent, ce qui se passe, c’est que vous vérifiez simplement si vous êtes en conformité avec les règles que vous vous êtes fixées, et c’est tout. Ici, vous dites : “Nous sommes rentables”, mais la plupart des divisions supply chain se contentent de vérifier si elles respectent leurs propres pourcentages.

Par exemple, ils diraient : “Oh, nous avons besoin de taux de service de 97 %”, puis ils feront des choses, et à la fin de la journée, ils diraient : “Oh, nous sommes très bons, regardez, nous avons atteint un taux de 97 %. Nous avons perdu beaucoup d’argent, mais nous avons un taux de service de 97 %.” Le fait que nous gagnions de l’argent ou en perdions est sans importance. Vous comptez des pourcentages, pas des dollars. Très peu d’entreprises que je connaisse, en dehors des clients, prennent réellement en compte des métriques financières pour leur supply chain. C’est généralement complètement absent. Ils pensent en termes de rotation des stocks, ils pensent en termes de taux de service, et ils différencient ces taux de service notamment par des classes ABC, etc.

Mais vous voyez, ce n’est pas parce que vous vous fixez un objectif arbitraire de taux de service et que vous déclarez victoire lorsque vous atteignez ces objectifs arbitraires. Vous pouvez supposer que le fait d’être en conformité avec votre propre objectif est en quelque sorte corrélé à la rentabilité de l’entreprise, mais c’est une hypothèse très audacieuse.

Conor Doherty: Eh bien, encore une fois, cela démontre un point global qui a été répété maintes fois sous diverses formes, à savoir la tendance, compréhensible, des gens à prendre très au sérieux des problèmes complexes. Par exemple, si vous parlez de planification, vous parlez de combien commander, où envoyer, et d’essayer de décomposer cela dans une forme qui s’intègre dans l’esprit humain. Ainsi, par exemple, “Eh bien, si j’ai juste 90, si je passe de 95 à 97 % de taux de service, bish bash bosh, le problème est résolu,” et c’est résolu. Une fois cet objectif atteint, il se réalise de lui-même. Mais bien sûr, cela ignore bon nombre des interdépendances du processus de prise de décision que nous avons décrit plus tôt.

Joannes Vermorel: Oui, mais je dirais aussi, comme je l’ai dit, qu’opter pour une solution est généralement beaucoup plus facile que de s’attaquer au problème. Ainsi, si nous regardons, par exemple, la maintenance d’un avion, la réalité est que si une pièce manque lors d’une opération de maintenance, l’avion sera immobilisé. C’est relativement évident, à moins que vous ne vous en rendiez compte à la dernière minute. Mais maintenant, la solution est : “Je veux simplement avoir un niveau non nul de stocks de pièces réparables pour tout,” et ce sera votre réponse simple. Vous voyez, tant que je peux maintenir un niveau non nul de stocks de pièces réparables à tout moment, tout va bien.

Ainsi, c’est ma solution. Le problème est que cela contourne complètement le fait que la solution que vous proposez est beaucoup trop coûteuse car elle nécessiterait trop de stocks, et donc ce n’est pas une solution faisable, vraiment. C’est là qu’il faut revenir, une fois de plus, à une recette numérique. Je dois caractériser cette recette numérique pour m’assurer qu’elle est correctement formalisée, afin de pouvoir ensuite en évaluer la qualité et décider s’il s’agit d’un algorithme, d’une heuristique ou de quelque chose d’autre.

Mon propos est simplement qu’il est dangereux de supposer que quelque chose qui a été fait, une politique numérique arbitraire, possède des propriétés inhérentes simplement parce qu’elle a été réalisée de cette manière auparavant. La seule chose que l’on peut dire, c’est que ce n’était pas si mauvais au point de conduire l’entreprise à la faillite, mais c’est un critère très faible. Vous pouvez avoir des choses très, très mauvaises qui ne suffisent pas à faire faillite l’entreprise, surtout si vos concurrents font également des choses très, très inefficaces.

Conor Doherty: Vous avez évoqué, en effet, lors d’une de nos conversations précédentes, le sujet des implications de la mise en place de politiques arbitraires ou de KPI arbitraires. Par exemple, la somme d’argent nécessaire pour passer d’un taux de service de 95 % à 97 % est environ un ordre de grandeur supérieure à celle nécessaire pour passer de 85 % à 87 %. Donc vous dites : “Oh, je veux juste augmenter de 2 %,” mais il existe une loi des rendements décroissants.

Joannes Vermorel: Oui.

Conor Doherty: Et les coûts se propagent de manière exponentielle une fois que vous atteignez un certain niveau. Encore une fois, les gens diront : “Je veux juste augmenter de 2 %,” et il n’est pas évident de voir comment tout cela se répercute.

Joannes Vermorel: L’esprit humain n’est pas un ordinateur, et il y a certaines choses dont je vous ai parlé, par exemple, que l’esprit humain n’est pas très doué pour le hasard, mais il ne comprend pas non plus la croissance géométrique. Les phénomènes qui se cumulent de manière exponentielle, l’esprit humain ne les comprend tout simplement pas. Nous n’avons pas le mécanisme.

Oui, si en tant que mathématicien, je prends le temps, je prends un stylo et du papier, et que je fais mes calculs, oui, je comprendrai cela. Mais je n’ai pas d’instinct ; personne n’a une intuition instinctive de la différence entre mille, un million, un milliard, un billion. Nous n’avons pas les mécanismes pour ressentir ce genre de choses, tout comme nous n’avons pas les mécanismes dans notre cerveau pour faire la différence entre le bruit gaussien ou toute autre forme de bruit non gaussien. Si je vous fournis toutes sortes d’aléas, du bruit gaussien en plus, à moins que vous n’ayez été spécifiquement formé pour l’identifier, la plupart des gens diraient : “Oh, cela semble très aléatoire.” Nous n’avons pas, je dirais, une perception instinctive de la catégorie du bruit statistique, mais les mathématiciens ont découvert de nombreux types de bruit, de comportements aléatoires.

Conor Doherty: Sur ce point, vous avez mentionné précédemment la planification des réparations, par exemple, dans l’aérospatiale. Eh bien, l’idée est que si quelqu’un disait : “Eh bien, vous savez, nous avons des gens vraiment, vraiment intelligents, et chaque fois que nous devons générer une séquence d’actions pour la réparation d’un moteur, nous avons 10 personnes vraiment intelligentes. Ils s’assoient et trouvent la solution en interne par eux-mêmes.” Bien sûr, c’est déraisonnable. Pensez à ce que Simon a dit précédemment : il est déraisonnable d’attendre même d’une centaine de personnes super intelligentes, munies d’un stylo et de papier ou d’un tableau Excel, de surpasser à grande échelle, à maintes reprises, tous les calculs requis pour arriver au nouvel horaire optimal, compte tenu de toutes les interdépendances, de l’ampleur des pièces, de la quantité de compétences requises et du temps que cela prend.

Et il faut prendre en compte que, comme vous l’avez dit précédemment, dans le cas de la MRO, vous n’avez pas le luxe du temps. Donc, même si c’était possible – et nous admettrons, pour les besoins de la discussion, que cela le soit, ce ne l’est pas, mais supposons-le – cela prendrait un temps infini par rapport à un algorithme qui peut le faire en quelques minutes. Et il y a un coût en dollars pour tout cela. Le point sur lequel je reviens, et encore une fois, c’est ainsi que je le comprends et l’explique, c’est qu’il ne s’agit pas d’une question d’intelligence ou de bêtise. Il y a simplement des externalités totalement invisibles à l’œil nu, par définition invisibles.

Joannes Vermorel: Malheureusement, nous devons également prendre en compte le fait que la plupart des vendeurs de logiciels sont totalement incompétents. Vous voyez, c’est aussi un autre facteur. Les gens disent : “Oh, vous voyez, mon argument serait que, eh bien, si 10 personnes s’assoient et trouvent une solution, et que cela ne fonctionne pas, alors, dès la minute suivante, simplement parce qu’une pièce manque, par exemple, ils se tourneront vers une alternative. Ils exploreront donc à nouveau des solutions de faible qualité jusqu’à ce qu’il y en ait une qui convienne, un peu comme un rat traversant un labyrinthe. Ça va, oh, un mur, d’accord, direction, un autre mur, d’accord, une autre direction.”

Le problème avec de nombreuses implémentations logicielles, je dirais, est que le logiciel n’a même pas de dispositif de sortie si vous vous heurtez à un mur. Et donc, si vous êtes bloqué, vous vous retrouvez simplement avec quelque chose d’incohérent, et c’est tout. Vous voyez, de nombreuses entreprises ont connu cela. C’était une partie de ce que j’appellerais la promesse de la recherche opérationnelle dans les années 50, etc. Beaucoup des espoirs initiaux ne se sont pas concrétisés en grandes réussites, précisément parce que les vendeurs de logiciels étaient quelque peu incompétents. Ainsi, les solutions supposément optimales ou, soi-disant, supérieures, basées sur des logiciels, se sont avérées, en pratique, tellement mal implémentées qu’elles étaient complètement, je dirais, impraticables.

Mais nous devons faire une petite distinction, à savoir si le problème ne peut pas être abordé par des ordinateurs et que l’esprit humain utilise une sorte de magie noire qu’il est impossible de reproduire avec un ordinateur, contre le cas où ce problème a simplement été abordé par un vendeur de logiciels complètement incompétent et qu’il s’est avéré que la solution qu’ils ont livrée était terrible.

Conor Doherty: Mais sur ce point, comment les non-spécialistes—c’est le terme, je suis non spécialiste—peuvent-ils savoir si ce qu’ils écoutent ou ce que le vendeur leur dit relève de l’incompétence ou de la malhonnêteté ? Ou comment pouvez-vous vérifier ces affirmations ?

Joannes Vermorel: C’est un énorme problème. Ici, il y a une autre conférence à ce sujet. Il s’agit de recherche de marché adversariale, mais c’est une autre heure d’explications sur comment vous pouvez réellement détecter des vendeurs incompétents.

Conor Doherty: Avez-vous des heuristiques, des règles de base qui vous viennent à l’esprit ?

Joannes Vermorel: Ouais, je veux dire, il y a en réalité une heuristique donnée ici, mais c’est une heuristique qui a fait ses preuves. Donc, rappelez-vous, c’est une solution simple qui fonctionne étonnamment bien et empiriquement, mieux que ce à quoi on pourrait s’attendre. Ainsi, l’heuristique donnée dans la recherche de marché adversariale est : comment savoir ? Vous demandez, lorsque vous avez un vendeur, vous demandez aux concurrents de ce vendeur ce qu’ils pensent de lui. Et c’est adversarial.

Donc, si vous voulez avoir une opinion correcte sur un vendeur, vous ne demandez pas au vendeur lui-même, car il va simplement vous [ __ ] . Vous demandez à ses concurrents ce qu’ils pensent de ce type. Et ensuite, vous faites l’opération symétrique : vous demandez à tous les vendeurs ce qu’ils pensent des autres vendeurs. On appelle cela une évaluation adversariale et cela s’est avéré très, très robuste. Warren Buffett a fait fortune en se basant sur ce principe très simple. Et l’idée était que, si tout le monde était d’accord — et Buffett avait cette question unique qui était : “Si vous aviez une balle d’argent pour éliminer magiquement l’un de vos concurrents, qui serait la cible de votre balle d’argent ?”

Et c’était une question très intéressante car, si tous les concurrents finissent par désigner la même entreprise, vous vous retrouvez avec une situation où, d’accord, cette entreprise est évidemment celle qui menace toutes les autres. Et ces vendeurs sont les plus informés sur ce secteur, donc l’acteur le plus compétent est celui vers lequel tous les concurrents se tournent. Voilà une heuristique, vous savez, jusqu’à ce que vous ayez testé cette recherche de marché adversariale, vous ne réalisez pas à quel point elle fonctionne bien. Et il n’est même pas évident que cela fonctionne, mais cela a été testé et cela fonctionne magnifiquement, comme l’a démontré, entre autres, le succès de Berkshire Hathaway.

Conor Doherty: Eh bien, Joannes, je n’ai plus de questions, mais en termes de réflexions finales, comme des points à retenir pour les gens d’aujourd’hui, car nous avons couvert beaucoup de terrain. Mais en termes d’heuristiques en supply chain, quel serait votre résumé exécutif pour les gens?

Joannes Vermorel: Ce que vous faites sont probablement juste des recettes numériques, des recettes numériques arbitraires. Réservez le terme heuristique pour quelque chose qui est un joyau caché, quelque chose de simple qui fonctionne parfaitement, mais pour lequel vous disposez de preuves empiriques de son efficacité. Et pas simplement “je le fais et l’entreprise n’a pas fait faillite, donc ça marche.” C’est bien trop faible comme critère. Alors, réservez ce terme.

Si vous identifiez de telles recettes qui fonctionnent bien au-delà de ce que l’on pourrait raisonnablement attendre d’une recette numérique simple, alors gardez-la précieusement. Elle est extrêmement précieuse. Mais encore, cette valeur doit être fondée, je dirais, sur une évaluation concrète exprimée en dollars ou en euros, et non pas uniquement sur votre intuition quant à la valeur de cette recette numérique.

Conor Doherty: Eh bien, Joannes, merci beaucoup. Je pense que nous avons résolu ce problème, un de plus en poche. Merci beaucoup pour votre temps et merci beaucoup d’avoir regardé. On se retrouve la prochaine fois.