Heuristiques dans la Supply Chain - Ep 172

00:00:00 Introduction aux heuristiques dans la supply chain
00:01:14 Exemples d’heuristiques : inventaire min-max, FIFO, analyse ABC
00:03:15 Origines et utilisation informelle des heuristiques dans les entreprises
00:06:28 Approches humaines vs algorithmiques de la résolution de problèmes
00:09:58 Heuristiques d’un point de vue informatique
00:13:27 Le problème avec les perspectives profanes sur les heuristiques
00:17:22 Heuristiques de la supply chain et l’illusion de la causalité
00:22:00 Besoin de mesures pour évaluer l’efficacité des heuristiques
00:26:35 Différence entre algorithmes et heuristiques en pratique
00:30:26 Validation expérimentale et optimisation empirique
00:36:33 Intuition trompeuse dans les décisions de la supply chain
00:41:27 Exemple des stratégies d’embarquement des compagnies aériennes et intuition
00:46:47 Absence de mesures financières dans les décisions de la supply chain
00:53:05 Limitations humaines dans la planification complexe par rapport aux algorithmes
00:58:47 Réflexions finales et points à retenir

Résumé

Dans un récent épisode de LokadTV, Conor Doherty, directeur de la communication chez Lokad, a interviewé Joannes Vermorel, PDG de Lokad, sur les heuristiques dans la gestion de la supply chain. Ils ont discuté de l’utilisation d’outils simples de résolution de problèmes comme FIFO et l’analyse ABC, mettant en évidence leurs limites et la nécessité d’approches mathématiques plus robustes. Joannes a expliqué que si les heuristiques offrent des solutions simples, elles manquent souvent de cohérence et de validation empirique. Il a souligné l’importance de distinguer les vraies heuristiques des recettes numériques arbitraires, préconisant des évaluations et des expériences réelles pour valider les pratiques de la supply chain. La conversation a souligné la nécessité d’une évaluation critique et de preuves empiriques dans l’optimisation des décisions de la supply chain.

Résumé étendu

Dans un récent épisode de LokadTV, Conor Doherty, directeur de la communication chez Lokad, a engagé une discussion stimulante avec Joannes Vermorel, PDG et fondateur de Lokad, une entreprise française spécialisée dans l’optimisation prédictive de la supply chain. La conversation a exploré l’utilisation des heuristiques dans la gestion de la supply chain, en examinant leurs limites et en 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 comme le FIFO (Premier Entré, Premier Sorti), le LIFO (Dernier Entré, Premier Sorti) et l’analyse ABC, couramment utilisés dans les décisions de la supply chain. Il a souligné que ces heuristiques sont souvent utilisées pour naviguer dans l’incertitude et a demandé à Joannes d’élaborer sur ce que les praticiens de la supply chain entendent par heuristiques.

Joannes a expliqué que dans l’industrie, les heuristiques sont essentiellement des règles de base formalisées utilisées pour guider les décisions. Par exemple, une politique de gestion des stocks min-max, où le stock maximum est fixé 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 en demandant sur les origines de ces heuristiques. Joannes a répondu qu’il s’agit des solutions les plus simples que les gens peuvent imaginer pour résoudre des problèmes spécifiques. Par exemple, le FIFO garantit que tous les articles sont finalement prélevés et traités, empêchant la détérioration. Cependant, il a souligné que ces heuristiques ne sont pas nécessairement des solutions optimales.

Joannes a ensuite introduit une distinction cruciale entre les heuristiques telles que comprises par les économistes et celles de la gestion de la supply chain. Dans les tâches naturelles, comme prendre un verre d’eau, les humains utilisent efficacement des heuristiques car l’évolution nous a dotés des instincts nécessaires. Cependant, les problèmes de la 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 comme le 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 souligné l’importance de faire la distinction entre les heuristiques et les recettes numériques arbitraires, qui peuvent être trompeuses.

Conor a présenté le point de vue d’un détaillant, suggérant que des méthodes simples comme l’analyse ABC fonctionnent car elles sont rentables. Joannes a répliqué que la rentabilité ne valide pas toutes les pratiques au sein d’une entreprise. Il a pris l’exemple d’Apple, notant que certaines pratiques peuvent ne pas contribuer directement à la rentabilité mais sont quand même suivies.

La conversation s’est tournée vers les défis de la validation des heuristiques dans les chaînes d’approvisionnement réelles. Joannes a expliqué que tandis que les algorithmes ont des propriétés prouvables, les heuristiques nécessitent une évaluation empirique à travers des expériences. Il a cité l’exemple de la descente de gradient stochastique, une heuristique qui a gagné en reconnaissance pour ses performances pratiques malgré le manque de preuve formelle.

Conor et Joannes ont discuté de la difficulté d’évaluer la qualité des heuristiques sans métriques claires. Joannes a souligné le besoin pour les entreprises de valider leurs recettes numériques à travers 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 les objectifs d’optimisation et la différence entre la validation empirique et mathématique.

Joannes a également abordé le biais psychologique de 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 Joannes conseillant que le terme “heuristique” devrait être réservé aux recettes numériques simples et efficaces avec des preuves empiriques de leur succès. Il a souligné l’importance des évaluations du monde réel en termes financiers et le besoin pour les entreprises d’évaluer de manière critique leurs méthodes.

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

Transcription complète

Conor Doherty: Bienvenue sur LokadTV. Les heuristiques sont au cœur de la plupart des décisions que les gens prennent en termes 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 à une perspective mathématique plus robuste.

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

Comme je l’ai mentionné dans mon introduction, nous sommes ici pour parler des heuristiques, en particulier dans la supply chain. Donc, pour mettre les choses au clair, lorsque les praticiens de la supply chain, vous savez, au bureau, parlent d’heuristiques, de quoi parlent-ils ? Que veulent-ils dire ?

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 fantaisiste. Quand je pense à l’industrie en général, quand les gens disent heuristique, cela signifie simplement qu’ils ont une sorte de règle de base formalisée qui est utilisée pour orienter une décision.

Donc un exemple serait que nous avons une politique de stock min-max, et le max est défini comme étant égal à trois mois de demande. C’est tout. C’est ma heuristique.

Et l’aspect intéressant des heuristiques est que, en théorie, vous savez, c’est la perspective du monde des heuristiques, c’est que vous avez un problème complexe, mais votre heuristique fournit une solution simple à ce problème.

Conor Doherty: Eh bien, beaucoup ont littéralement écrit les mots arrivés par comité. Donc ma question suivante est lorsque vous dites dans l’exemple du min-max, il y aura trois mois de demande, c’est juste une décision arbitraire. Est-ce que c’est ce qui en fait alors une règle générale ?

Joannes Vermorel: Oui, c’est à peu près tout ce qu’il y a à dire. Je veux dire, peut-être que les gens ont vaguement essayé quelques alternatives, et leur intuition est que deux mois ne suffisent pas, six mois c’est trop, et donc ils convergent vers quelque chose.

Ou même plus fréquemment, il n’y a aucune cohérence du tout. Chaque planificateur de la demande et de l’approvisionnement a son propre ensemble de règles de base, sa propre collection d’heuristiques qui est utilisée.

Il est rare que les entreprises imposent une quelconque pratique en ce qui concerne les heuristiques. Au moins lorsque les entreprises pensent et disent que nous avons des heuristiques, cela signifie généralement que ce n’est pas imposé et que c’est relativement informel et qu’il y a une grande marge de manœuvre dans la façon dont vous choisissez tous les paramètres de ces heuristiques.

Conor Doherty: Eh bien, je veux dire, vous avez donné l’exemple du min-max. Il y a aussi des choses comme le FIFO, le LIFO, l’analyse ABC. Il y a tout un ensemble d’heuristiques. D’où viennent-elles? De quel éther émergent-elles?

Joannes Vermorel: Je veux dire, ce sont simplement les solutions les plus simples auxquelles vous pouvez penser pour vous donner une solution au problème auquel vous êtes confronté. Prenons par exemple le FIFO.

Un des problèmes les plus basiques si vous devez traiter de manière itérative des choses qui arrivent est comment éviter de laisser quelque chose sur le côté pour toujours. C’est tout.

Si vous ne décidez pas d’un ordre et que vous choisissez simplement des choses au hasard, alors vous pourriez bien vous retrouver avec un article qui n’est jamais choisi. Il est simplement mis de côté et n’est jamais traité.

Et c’est mauvais car cet article finira par se détériorer. Que vous appeliez un produit périssable ou non, tous les produits périssent avec le temps.

Ainsi, vous voulez simplement un processus qui garantit au moins qu’à la fin, tout ce qui est arrivé sera choisi, traité et expédié quelque part.

Ainsi, si vous dites premier entré, premier sorti, par exemple, c’est simplement un moyen basique de garantir que tout sera choisi. Est-ce une bonne politique? Je veux dire, cela dépend, mais cela vous donne certainement cette propriété.

Et donc, vous pouvez dire que c’est certainement 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 ou vous n’avez pas parlé de décision optimale. Bien sûr, dans ces 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 ce que je vais réparer en premier, quel planning vais-je suivre, et vous essayez d’arriver à ce qui ressemble au moins à une bonne ou optimale décision.

Donc ma question est la suivante : quelle est la limite supérieure, à votre avis, de l’optimalité qui peut être obtenue grâce à ce type d’heuristiques? Prenez, par exemple, le FIFO.

Joannes Vermorel: Je ne pense pas que ce soit la bonne façon de poser le problème. Je pense que nous devons prendre du recul et voir que lorsque nous pensons en termes d’heuristiques, il y a en fait deux perspectives radicalement différentes à considérer, et nous devons faire une pause et réfléchir à cela.

La première est les heuristiques comme, disons, les économistes y pensent, ou du moins, ce qui est, disons, par exemple, j’ai besoin de prendre ce verre d’eau. Je peux tendre la main et le prendre.

Un physicien pourrait dire : “Oh, il y a comme un million de calculs impliqués pour calculer 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 fassent un calcul parfait sur la façon de déplacer un bras robotique et prendre le verre.

Mais il s’avère qu’un être humain ne fonctionne pas de cette manière. Au lieu de cela, nous utilisons des tonnes d’heuristiques telles que, vous savez, le relèvement à vue. “Je suis trop à droite, oh, tourner à gauche”, et “La pression semble-t-elle suffisante ? Oh non, le verre glisse, appuyez davantage.”

Donc vous avez plein d’heuristiques qui vous permettront d’accomplir une tâche très complexe mais avec un traitement sous-jacent beaucoup plus basique. Fondamentalement, lorsque vous prenez un verre d’eau, votre cerveau ne résout pas en temps réel des équations différentiables. Ce sont simplement toute une série d’heuristiques qui fonctionnent magnifiquement, et ensuite vous pouvez saisir votre verre d’eau avec succès.

Et il s’avère que pour des tas de choses qui se passent dans le monde réel, la nature, l’univers, quoi que ce soit, nous a donné de belles solutions pour des problèmes apparemment incroyablement compliqués qui fonctionnent simplement.

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

Maintenant, ce n’est pas la situation dans les chaînes d’approvisionnement. Ici, je décris des heuristiques avec des tâches qui ont représenté des défis pour les derniers cinq cents millions d’années pour que toutes les créatures vivantes puissent se déplacer.

Conor Doherty: Ils sont aussi inconscients. 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, vous ne pensez pas en termes de décisions numériques discrètes telles que combien de produits dois-je fournir demain, après-demain, etc. Ce sont des décisions numériques discrètes qui sont complètement différentes de tout ce que vous trouvez dans la nature.

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

Et mon contre-argument est que cela ne fonctionne pas pour les situations créées par l’homme telles que la chaîne d’approvisionnement où nous parlons de résoudre des problèmes numériques discrets. Ces classes de problèmes sont complètement différentes de ce que nous rencontrons dans la nature, et nous ne pouvons pas supposer que nous avons une sorte de sens inné de ce qui fonctionnera là-bas.

L’évolution ne nous a pas dotés de la capacité d’évaluer quel est le calendrier optimal de réapprovisionnement pour un réseau de chaîne d’approvisionnement complexe. C’est une affirmation très fantaisiste de dire que l’évolution nous a donné quelque chose en ce qui concerne un tel problème.

Donc, 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 prouvablement correcte avec de bonnes propriétés pour ce problème, nous l’appelons un algorithme.

C’est ce qu’est un algorithme. Un algorithme en informatique est une recette numérique où nous avons des éléments formels de preuve.

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

Donc voilà un algorithme pour vous. Un algorithme est une solution qui est prouvablement correcte et qui, en plus d’être correcte, présente également des propriétés supplémentaires qui sont bien adaptées au problème en question.

Une heuristique, encore une fois d’un point de vue informatique, est une recette numérique qui fonctionne très bien en pratique même si vous ne savez pas formellement pourquoi cela fonctionne ou pourquoi cela fonctionne si bien.

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

Ainsi, un exemple appliqué à la chaîne d’approvisionnement ? Oui, beaucoup d’entre eux s’appliquent à la chaîne d’approvisionnement. Il y a, par exemple, la descente de gradient stochastique. C’était un processus qui a été découvert. C’est très simple conceptuellement. Vous pouvez l’écrire en environ quatre lignes. Il a probablement été découvert dans les années 50, bien que ce soit un peu flou. L’idée est tellement simple qu’elle a probablement été inventée plusieurs fois.

Et pourtant, en général, la communauté n’a pas vraiment prêté attention à la descente de gradient stochastique avant il y a 15 ans. Pourquoi ? Parce que les gens n’avaient pas vraiment remarqué à quel point elle fonctionnait bien en pratique lorsqu’elle était utilisée.

Conor Doherty : Sur quels problèmes ?

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

C’est même déconcertant, le simple spectre en lui-même de l’applicabilité de la descente de gradient stochastique est déconcertant. Et pourtant, nous n’avons vraiment aucune preuve mathématique pour expliquer pourquoi cela fonctionne si bien. Ça fonctionne juste.

Donc c’est très intéressant. Et ici, vous devez penser que, lorsque les informaticiens parlent d’heuristiques, ils font référence aux heuristiques comme à des joyaux cachés. Et au fait, si nous devons revenir à votre question initiale, les heuristiques, par définition, sont quelque chose, du moins la définition précise donnée par les informaticiens, c’est une solution numérique où vous n’avez pas de preuve.

Donc, une heuristique, par définition, vous ne savez pas à quelle distance vous êtes de l’optimal. C’est à peu près acquis. Si vous le saviez, alors par définition, ce serait un algorithme. Parce qu’un algorithme est littéralement lorsque vous pouvez prouver la correction plus un comportement supplémentaire, votre recette numérique devient ce qu’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, tel que j’ai compris tout cela, le problème avec les heuristiques traditionnelles comme FIFO, par exemple, le problème avec cela est que lorsque les gens essaient de l’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 qui est commise avec les heuristiques est lorsqu’on les aborde avec une perspective profane, donc pas une perspective d’informaticien, c’est d’attribuer un certain degré de qualité à votre recette numérique. C’est pourquoi je préfère utiliser le terme recette numérique qui est complètement neutre. Vous savez, cela peut être complètement nul, cela peut être excellent, c’est juste. C’est juste une série de calculs qui vous donnent un résultat. Nous ne présumons pas que c’est bon pour quoi que ce soit, cela fait juste un calcul.

Le problème lorsque les gens utilisent le terme heuristiques, c’est qu’ils vont inventer quelque chose de très arbitraire et ils appliqueront ce qualificatif comme s’il était acquis que la recette numérique est bonne. Naturellement, encore une fois, si nous allons dans le monde naturel, ces heuristiques, ces façons instinctives de chercher, par exemple, un objet, sont très bonnes. Elles sont très bonnes. Et comment savons-nous qu’elles sont très bonnes ? Eh bien, parce que lorsque nous essayons d’ingénier un robot qui fait la même chose, il échoue lamentablement et cela demande des efforts d’ingénierie immenses pour même, vous savez, s’approcher de ce que nous pouvons faire instinctivement.

Cela crée donc un biais qui fait penser aux gens que, d’accord, je peux, par exemple, dire, “Oh, disons que le maximum dans ma politique d’inventaire min-max est équivalent à trois mois de demande.” Pourquoi appeler cela une heuristique ? Vous savez, est-ce que cette chose est bonne ? Cela peut être complètement absurde. Je ne sais pas. Ce n’est pas parce que j’ai une intuition. D’où vient cette intuition ? Vous voyez ? Et généralement, cela ne vient de rien. Et c’est là que je pense que l’erreur se situe.

En raison du fait que nous avons d’autres communautés, comme les communautés de l’informatique, où l’heuristique est utilisée comme un terme pour désigner quelque chose de surprenamment bon, vous savez, nous avons une attribution positive lâche, vous savez, une sorte d’effet de halo qui accorderait plus de valeur à ces recettes numériques que ce qu’elles méritent vraiment.

Conor Doherty: Mais un détaillant répondrait simplement à cela s’il entendait ce que vous venez de dire et dirait : “Eh bien, je réalise une analyse ABC. Je sais d’où provient la grande majorité de mes ventes. Je garde un certain taux de service élevé pour ces SKUs en stock et je gagne de l’argent. Ça ne doit pas être plus sophistiqué que ça et ça fonctionne car je suis toujours en affaires. Je gagne de l’argent et j’en gagne plus que l’année dernière.”

Joannes Vermorel: Oui, et vous pouvez avoir un magasin qui fuit de l’eau et vous gagnez de l’argent. Ainsi, si vous aviez plus de magasins qui fuient de l’eau, peut-être gagneriez-vous plus d’argent. Vous voyez, encore une fois, c’est le problème. La supply chain n’est qu’un ingrédient dans un grand tableau. Donc, l’erreur est de penser que ce n’est pas parce que vous gagnez de l’argent que chaque chose que vous faites a du sens ou contribue positivement au fait que vous êtes rentable.

Même des entreprises, par exemple, comme Apple, sont connues pour tenir 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. En ce qui concerne les futures sorties de produits, tout le monde est tenu dans l’ignorance et ils iront même jusqu’à divulguer en interne de fausses feuilles de route à diverses équipes afin que si une feuille de route est divulguée, vous saurez qui a reçu la fausse feuille de route. D’accord, est-ce vraiment un aspect qui améliore la rentabilité d’Apple ? Peut-être, peut-être pas. Est-ce quelque chose que vous voulez imiter pour une autre entreprise afin de rendre cette 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 est qu’ABC n’est tout simplement pas si mauvaise qu’elle pourrait conduire votre entreprise à la faillite. Mais c’est la seule chose que vous pouvez savoir. La seule chose que vous pouvez dire sur une analyse ABC.

Conor Doherty: Vous pourriez également dire que, encore une fois, lorsque vous parlez de chercher l’optimum, de chercher le meilleur point possible, que ce n’est nulle part près de cela. Vous pouvez dire que cela laisse de l’argent sur la table. Vous pouvez simplement dire que cela semble être une position binaire, que le faire est à 100% stupide ou à 100% bon.

Joannes Vermorel: Mais ici, vous voyez que c’est là que, encore une fois, la vision d’un informaticien par rapport à un profane diverge vraiment. En informatique, les gens reconnaissent qu’une heuristique, je veux dire une recette numérique, acquiert la capacité d’être appelée une heuristique uniquement si elle présente une sorte de bonté empirique. Vous voyez, cela signifie que ce n’est pas parce que je peux inventer n’importe quelle recette numérique que c’est une heuristique. Pour se qualifier en tant qu’heuristique, elle doit être étonnamment bonne pour faire quelque chose.

Conor Doherty: Ce que certaines personnes pourraient contester.

Joannes Vermorel: Et cette bonté surprenante nécessite une métrique. Elle nécessite une mesure.

Vous voyez, la grande majorité de disons l’analyse ABC, par exemple, il n’y a pas de métrique qui qualifie quoi que ce soit à ce sujet. Il s’agit simplement d’attribuer une lettre à chaque produit : A, B, C. C’est juste une attribution. Ensuite, une extension de cela est d’avoir une politique d’inventaire uniforme pour chaque classe. Mais cette politique d’inventaire uniforme peut être quelque chose de complètement différent du taux de service, par exemple. Votre politique uniforme par classe pourrait être, pour la classe A, je garde trois mois de stock. Pour la classe B, deux mois. Pour la classe C, un mois. Vous savez, ça fonctionne aussi.

Donc les taux de service ne sont pas nécessairement une partie intégrante de l’analyse ABC. La disponibilité de ces biens correspond à leur importance perçue. L’analyse ABC consiste simplement à attribuer une classe à chaque produit important. Il s’agit d’attribuer une classe et ensuite, la façon dont vous le faites est en pondérant les ventes, mais c’est tout. Donc encore une fois, ce que je dis, c’est quel est le problème que vous essayez de résoudre ? Vous voyez, l’analyse ABC est pourquoi je dis que c’est une recette numérique, pas une heuristique, car vous ne savez pas quels problèmes vous résolvez. Vous n’avez aucune référence de ce qui est optimal.

Conor Doherty: Alors, 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 non motivée. Je viens de calculer ça. Pourquoi ? Parce que je peux le calculer. Donc je fais juste le calcul, c’est tout.

Si vous voulez avoir une heuristique, vous devez avoir, disons, un objectif qui l’explique ou une manière d’évaluer sa bonté. Encore un exemple serait si je cherche 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 à considérer comme aléatoire. Beaucoup de métriques pour cela.

Ainsi, si j’utilise une heuristique comme XOR shift, je peux alors évaluer si elle est bonne pour générer ce qui est compris comme des nombres aléatoires selon les métriques qui détectent le caractère aléatoire d’un nouvel ensemble de nombres générés. 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-ce que c’est bon ou pas ? Si c’est le cas, alors vous direz, d’accord, c’est une heuristique. Mais si vous n’avez aucune idée de ce que vous faites, alors je pense que c’est une erreur d’appeler cela une heuristique car vous ne savez pas si c’est bon.

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

Conor Doherty: Donc, lorsque les gens, encore une fois, pour être très concret, lorsqu’ils réalisent une analyse ABC et prennent des décisions sur cette base, par exemple, conserver trois mois de stocks pour votre classe A ou définir des taux de service, quelles que soient les décisions prises par la suite, et s’ils voient des résultats positifs, c’est juste, c’est une erreur logique. Ils attribuent aux actions précédentes une causalité. Oui, car évaluer la qualité, comme vous l’avez dit, comment pouvez-vous le faire si la métrique n’est pas claire ?

Joannes Vermorel: Vous ne le pouvez tout simplement pas. Et encore une fois, je pense que c’est ce qui se passe avec ce que les gens appellent des heuristiques. Je préfère les appeler avec un terme neutre, recette numérique, car en fait, ils n’ont même pas essayé. Vous voyez, le fait est que très fréquemment, il n’y a même pas eu de tentative de qualifier si c’était bon ou non, de quantifier si c’était bon sous quelque forme que ce soit.

Et il y a plein d’exemples comme ça. Vous pouvez avoir, par exemple, des entreprises qui décident que leurs prix seront des chiffres ronds. Certains préféreront que cela se termine en 99, d’autres préféreront que cela se termine en 95. Vous pouvez avoir une politique qui ajuste vos chiffres, les arrondissant juste en dessous du 99 ou du 95 ou du 97 ou simplement les arrondissant au chiffre rond suivant.

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

Conor Doherty: Donc, ils supposent essentiellement une causalité.

Joannes Vermorel: Oui. Et encore une fois, je ne remets pas en cause le fait que parfois, vous savez, adopter une politique de manière complètement arbitraire et s’y tenir pour des raisons de simplicité est acceptable. Mais alors vous ne devriez pas attribuer à ce choix arbitraire votre succès. C’est juste ce que je dis.

Conor Doherty: Eh bien, encore une fois, c’est encore lorsque nous parlons, certainement d’un point de vue économique, lorsque vous parlez d’heuristiques, la plupart des gens, oui, ils essaient de simplifier un problème et d’arriver à une décision. Et ensuite, la façon dont ils voient ce résultat est aussi une version très simplifiée. Par exemple, “J’ai fait une chose, j’ai fixé tous les prix à des chiffres ronds ou à 99, et les ventes ont augmenté ou les ventes ont diminué. Par conséquent, post hoc ergo propter hoc, ce que j’ai fait plus tôt en est la cause.” Et bien sûr, c’est impossible. Le problème est que vous avez fait cela alors qu’il y avait cent autres personnes en même temps essayant de démêler la causalité, et c’est très, très difficile.

Joannes Vermorel: Oui, c’est très difficile. Je veux dire, c’est particulièrement vrai en supply chain où vous avez un système, tout est un peu interconnecté. C’est très difficile. Et mon point est que lorsqu’il s’agit d’heuristiques, correctement comprises, elles peuvent être absolument fantastiques. Et d’ailleurs, elles peuvent littéralement être un moyen de surpasser vos pairs car si vous avez ce que les informaticiens appellent des heuristiques, qui est quelque chose comme un joyau caché, quelque chose que vous voyez 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 la recette numérique et ensuite, en tant que mathématicien, vous pouvez prouver ses propriétés. C’est fantastique. C’est très bon marché. Vous voyez, la chose avec les algorithmes, les algorithmes sont incroyablement bon marché. Vous n’avez pas besoin de faire d’expérience dans le monde réel pour prouver que votre algorithme se comporte bien. C’est fantastique. Cela signifie que vous pouvez avoir un mathématicien travaillant dans son bureau et bam, vous avez votre algorithme bien comporté qui apporte de la valeur à votre entreprise.

Une heuristique, eh bien, la seule façon de découvrir une heuristique est de faire des expériences. C’est quelque chose qui est une évaluation empirique, et c’est très difficile. Et c’est pourquoi, par exemple, la descente de gradient stochastique était, pendant littéralement des décennies, bien qu’elle fût connue de milliers de personnes, complètement ignorée simplement parce que, eh bien, personne n’avait vraiment réalisé que, en pratique, elle fonctionnait magnifiquement. Vous voyez, donc c’est quelque chose qui est une heuristique. Elle pourrait exister, mais tant que les gens n’ont pas réellement testé la recette numérique et vu qu’elle fonctionne magnifiquement sur certaines classes de problèmes, alors ils ne reconnaîtront pas qu’il s’agit d’une heuristique précieuse.

Conor Doherty: Il me semble cependant, avec certaines des déclarations que vous avez faites, par exemple, encore une fois, pour résumer avant d’arriver à la question, que je donne l’exemple de “J’ai fait une chose, donc je présume que ce que j’ai fait a provoqué une augmentation des ventes ou éventuellement une perte de ventes.” Et vous avez dit, “Eh bien, mais cent autres personnes ont fait cent choses ou mille choses, peu importe.” Il me semble presque que vous établissez une norme non falsifiable car même si vous deviez utiliser des heuristiques mathématiques, comment sauriez-vous jamais que ce que vous avez choisi de faire ou les outils que vous avez utilisés ont fait une différence positive une fois que vous l’avez sorti de la théorie et que vous l’avez mis dans le réseau interconnecté réel de la prise de décision en supply chain?

Joannes Vermorel: Non, encore une fois, vous pouvez faire des expériences et valider la qualité de toutes les recettes numériques que vous avez. Je ne dis pas que vous ne pouvez pas. Je dis simplement que la plupart des entreprises n’essaient même pas.

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

Joannes Vermorel: Donc, c’est exactement ce que nous avons dans cette série de conférences sur l’optimisation expérimentale. Il y a tout un, j’ai une conférence d’une heure et demie là-dessus, et elle s’appelle optimisation expérimentale. Donc vous ne savez pas ce que vous optimisez, et la première étape sera de découvrir ce que vous essayez d’optimiser. Et c’est très différent de la perspective classique d’optimisation mathématique où votre cible est déjà donnée.

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 quelque chose pour laquelle vous pouvez avoir une preuve mathématique. Le fait qu’une preuve mathématique existe n’a rien à voir avec le fait que votre recette numérique soit bonne ou mauvaise. Fondamentalement, ce sont deux perspectives complètement différentes. Il se trouve simplement que si vous pouvez avoir une preuve mathématique, au moins vous savez quelque chose de bien. Et dans certaines conditions, vous pouvez en savoir beaucoup et vous pourriez dire : “Oh, c’est très intéressant car je sais tellement de choses qu’au moins par rapport à toutes les autres recettes numériques où je ne sais rien, je préfère utiliser celle pour laquelle j’ai des éléments de preuve. C’est mieux que rien.”

Mais ensuite, si vous essayez et en pratique avec une configuration expérimentale appropriée, comme expliqué dans cette conférence sur l’optimisation expérimentale, si vous avez une démonstration empirique que c’est supérieur, alors un critère mathématique ne peut pas surpasser le retour d’expérience du monde réel. Donc si j’ai deux méthodes, une où j’ai de nombreuses preuves mathématiques, une autre où je n’en ai aucune, mais l’autre me donne de meilleurs résultats en pratique, alors je devrais préférer cette autre même si elle ne présente pas de belles propriétés mathématiques.

Et ce qui rend les heuristiques très intéressantes, souvent du moins du point de vue de l’informatique, c’est que ces choses qui qualifient pour des heuristiques peuvent parfois fonctionner avec une infime fraction des ressources informatiques dont vous auriez besoin pour, je dirais, des solutions plus prouvables. Par exemple, encore une fois, la descente de gradient stochastique. La descente de gradient stochastique est fantastiquement efficace pour optimiser toutes sortes de problèmes. Et pourtant, quand je dis fantastiquement efficace, je veux dire que vous pouvez atteindre un niveau d’optimisation comparable avec d’autres méthodes, vous auriez besoin de milliers, de millions, de milliards de fois plus de ressources informatiques.

Donc c’est très, très efficace, mais vous n’avez pas de preuve formelle pour cela.

Conor Doherty: Compris. Et bien, encore une fois, si vous parlez là de l’allocation des ressources et du retour sur investissement des ressources, FIFO, oh, je viens de l’appliquer mentalement, cela ne coûte rien. Quelle est la différence en termes de coût avec l’arrangement que vous venez de décrire?

Joannes Vermorel: Je dirais qu’il n’y a pas, vous ne pouvez pas contourner une réflexion minutieuse sur la situation en question. Est-ce que FIFO va faire une différence? Cela varie énormément d’une entreprise à l’autre. Pour certaines entreprises, c’est complètement insignifiant. Vous vous en fichez. Cela n’a aucun impact. Pour d’autres entreprises, c’est massivement conséquent.

Si vous êtes effectivement un MRO et que vous voulez réparer des moteurs d’avion, l’ordre dans lequel vous choisissez les moteurs sera extrêmement conséquent pour savoir si vos opérations se déroulent sans accroc ou non. Si nous parlons simplement d’organiser un transit pour une plateforme logistique et que vous voulez le faire en FIFO, c’est insignifiant car à la fin de chaque journée, vous viderez votre plateforme. Vous ne voulez rien laisser sur la plateforme lorsque vous faites vos transferts et autres. Donc l’ordre est pratiquement insignifiant dans cette situation.

Conor Doherty: Eh bien, j’aime vraiment l’exemple que vous avez donné. Encore une fois, si vous êtes un MRO, que vous travaillez sur des moteurs, vous devez choisir sur quels moteurs travailler. Et je veux revenir sur quelque chose que vous avez dit plus tôt, à savoir que généralement, que disiez-vous, les gens n’optimisent pas ce qu’ils pensent optimiser ou 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 sors des moteurs, j’optimise la réparation des moteurs.” Pensez-vous qu’ils abordent au moins le problème correctement, 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 la recette numérique, est un substitut pour le problème et la solution. Vous savez, nous faisons juste ça. La situation n’est pas présentée comme quel est le problème et quelle est la classe de solutions possibles et quelles seraient les différentes qualités de ces solutions variables. Vous choisissez simplement une façon de le faire et c’est tout. Et ensuite, que ce soit bon, peut-être, peut-être pas, c’est juste ça.

Conor Doherty: Non, c’est juste ça. J’aime ce que vous avez dit sur la confusion entre la façon dont ils essaient de résoudre les choses et le problème et la solution. Pouvez-vous à nouveau développer cela?

Joannes Vermorel: C’est des ordres de grandeur plus simples de penser à une solution plutôt que de réfléchir à un problème. C’est ainsi lorsque les gens veulent réfléchir à la qualité de service dans un magasin, il est très difficile de réfléchir à ce que signifie cette qualité de service. La qualité de service signifierait essentiellement entrer dans la tête de vos clients et essayer de voir votre magasin tel qu’ils le voient et d’évaluer s’ils vont être satisfaits ou non, en tenant compte de tous leurs plans et désirs vagues et autres, et tout cela étant en constante évolution. Donc voilà le problème, très difficile.

Il est beaucoup plus facile de se concentrer sur la solution, qui est cinq unités pour ce produit, cinq unités pour ce produit, deux unités pour ce produit. Vous voyez, je vous donne simplement une solution en disant combien d’unités chaque produit a et bam, c’est fait. Donc inventer, concocter une solution est généralement beaucoup plus simple que de réfléchir au problème. Mais ce que vous n’avez pas abordé en faisant cela, c’est que vous ne connaissez pas la qualité de votre solution. Vous avez juste une solution, et si cette solution fonctionne plus ou moins, peut-être direz-vous que c’est une bonne solution, mais vous ne savez pas.

Et peut-être que votre magasin fonctionne très bien non pas parce que vous avez les bons niveaux de stock 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 stock sont un peu médiocres, vos magasins restent assez compétitifs. Vous voyez, ce que je dis, c’est que les entreprises, encore une fois, il n’y a pas de choses qui sont évidentes en supply chain, pas vraiment, pas dans ces jeux où vous essayez de résoudre des problèmes d’optimisation discrète.

Et je pense que la première étape est de reconnaître que ce que vous avez, jusqu’à preuve du contraire, ne sont pas des heuristiques. C’est quelque chose qui a été évalué comme étant bon, étonnamment bon. Ce que vous avez, ce sont des recettes numériques. Sont-elles bonnes ? Sont-elles mauvaises ? Vous ne le savez pas.

Conor Doherty : Parce que j’ai eu une conversation très similaire à ce sujet récemment avec Simon Schott chez Lokad, et nous parlions d’optimisation de la planification. Et encore une fois, il a également utilisé le terme évident. Un des problèmes avec certaines heuristiques ou recettes numériques, peu importe le terme que vous voulez utiliser, comme le FIFO, c’est qu’elles ignorent les externalités immédiates ou parce que c’est juste au-delà de l’esprit humain.

Par exemple, trois moteurs, vous arrivez lundi matin, il y a trois moteurs. Lequel réparer en premier ? Lequel est arrivé en premier ? Je ne peux pas calculer toutes les étapes interdépendantes et les interdépendances comme travailler sur ceci nécessite 100 pièces, cela nécessite 68, cela nécessite 67. J’ai besoin de 20 outils pour cela, dont 10 dont j’ai besoin pour cela aussi. Cela doit aller là-bas quand c’est fait, cela doit aller là-bas quand c’est fait. Joannes est malade, il n’est pas là aujourd’hui, donc il ne peut pas faire l’étape 20 sur 30. Conor est en entretien, il n’est pas disponible pour terminer l’étape 99 sur 100. Il y a toutes ces interdépendances, et elles ne sont pas évidentes pour l’esprit humain. Ainsi, vous vous contentez, au lieu de ne rien faire du tout, vous vous contentez de ce qui est arrivé en premier.

Et ce n’est pas que c’est faux, c’est en l’absence, et ce sont les mots de Simon, en l’absence de quelque chose de supérieur, vous utilisez simplement quelque chose qui fait au moins fonctionner les choses dans une certaine mesure. Et il semble que, en vous écoutant, vous avez utilisé une manière beaucoup plus mathématique de décrire cela. Mais est-ce que cela correspondrait toujours à vos sentiments ?

Joannes Vermorel : Oui, mais encore une fois, le défi est que vous choisissez une solution, vous n’avez aucune idée si elle est bonne ou non. Et très fréquemment, encore une fois, vous ne pouvez pas vous laisser guider par votre intuition. Je pense que c’est la chose, c’est que encore une fois, dans le monde naturel, les heuristiques qui nous sont données, comme comment je peux réellement attraper un objet, elles sont bonnes. Mais quand nous traduisons, il n’y a pas de traduction de ces dons donnés par la nature dans le monde fabriqué par l’homme des décisions en supply chain. Vous savez, ce sont juste des choses complètement différentes.

Il y avait, par exemple, un article très intéressant qui a été publié. Les gens ont fait des comparaisons de stratégies d’embarquement pour les avions. Et, vous savez, il y a une dizaine d’années, les entreprises ont commencé à dire : “Oh, nous voulons accélérer l’embarquement, donc nous appellerons d’abord les passagers des premières rangées, puis les deuxièmes rangées, et ensuite les autres rangées, etc.” Et les gens ont dit : “Oh, c’est logique, cela accélérera le processus d’embarquement.” Il s’est avéré que des chercheurs ont réellement fait des expériences. Ils ont dit : “D’accord, si nous divisons les passagers en trois groupes et les appelons dans l’ordre des rangées 1 à 10, puis 11 à 20, et 21 à 30, par rapport à d’autres politiques, en avons-nous une qui fonctionne mieux ?” Et la chose intéressante qu’ils ont montrée, c’est que ne pas avoir de politique, laisser les gens remplir l’avion de manière aléatoire, était en fait plus rapide. Ce n’est pas intuitif, mais c’était un résultat empirique.

Donc, encore une fois, ce que je dis, c’est que la qualité est, pour ces phénomènes complexes très artificiels, car vous voyez, attraper mon verre est très complexe dans le sens où il y a tellement de variables en mouvement. J’ai cinq doigts, et puis j’ai de nombreuses articulations, donc c’est comme un problème avec probablement 50 degrés de liberté si je fais simplement ce mouvement simple pour attraper mon verre. Donc c’est très complexe, mais notre intuition fonctionne. Mais il y a d’autres classes de problèmes où notre intuition ne fonctionne pas naturellement, et je dirais en supply chain, c’est principalement des jeux de gestion de problèmes discrets, de gestion de l’aléatoire. Notre esprit n’est pas très bon. Notre esprit est généralement très bon pour gérer les modèles, pas très bon pour gérer l’aléatoire. Et donc, je dirais de ne pas trop faire confiance à votre intuition. Cela peut être très trompeur.

Et c’est très intéressant car de nos jours, malgré le fait que nous ayons maintenant des preuves que laisser les gens monter dans un avion de manière aléatoire est plus rapide, de nos jours la plupart des entreprises ont une politique d’appeler les gens dans l’ordre, bien qu’il ait maintenant été prouvé que c’est en fait plus lent.

Conor Doherty : C’est vrai, mais encore une fois, cela ne démontre pas le point que vous avez mentionné plus tôt car cela dépend de ce que vous optimisez. Si vous optimisez l’efficacité de l’embarquement, vous avez raison. Si vous optimisez la rentabilité, vous voulez vendre des sièges ou un accès comme la Zone 1 est les zones 1 à 9, et cela coûte 3 000 $. Les zones 10 à 15 coûtent 1 000 $, et nous remplirons l’avion à ce tarif, et je cherche à optimiser 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 aériennes à bas coût où il n’y a pas de classe affaires, il n’y a pas de première classe, et tout le monde est à peu près facturé au même prix, peu importe le siège qu’ils ont.

Conor Doherty : Alors il n’y a pas besoin d’un embarquement avancé.

Joannes Vermorel : Mais ils le font quand même.

Conor Doherty : Alors ils ne devraient pas ?

Joannes Vermorel : Je dis encore une fois, 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 mettons plus d’ordre, cela fonctionnera plus efficacement.” Et ensuite les gens ont fait les expériences réelles et ont conclu que non, cela dégrade en fait les performances par rapport à ce que vous faisiez précédemment, qui était de ne même pas essayer de résoudre le problème et de simplement laisser les gens se débrouiller lors de l’embarquement dans l’avion.

Vous voyez, c’est ça la chose. Encore une fois, ce que vous pensez être, c’est la différence. Il est très facile de concocter une recette numérique, mais si vous n’avez aucune idée si elle est bonne, vous ne devriez pas supposer juste parce que c’était la première chose qui vous est venue à l’esprit que ce sera bon. Et vous ne devriez pas supposer juste parce que cela semble plausible que ce sera bon.

Conor Doherty : Eh bien, vous pouvez également étendre cette idée en termes de fixer arbitrairement tout KPI et supposer que cela fait une différence.

Joannes Vermorel : Oui, et encore une fois, les gens ont ce biais psychologique à tomber amoureux de leurs propres idées. Comme, “Nous avons besoin d’une meilleure qualité de service, donc nous devons pousser les niveaux de service de 97% à 98%,” et ensuite cela devient une politique d’entreprise. Est-ce que cela a du sens ? Peut-être, peut-être pas. Je vous ai parlé de cette idée de min et max. Nous devons mettre trois mois de stocks, et ensuite cela devient une politique d’entreprise. Il est très facile de concocter une recette numérique car tout ce que vous avez à faire est de prendre les variables qui sont devant vous et d’en faire quelque chose, et vous calculerez quelque chose.

Ici, c’est une erreur commise appelée, je dirais, rationalisme naïf. Ce n’est pas parce que vous calculez quelque chose avec les variables qui se trouvent devant vous que ce calcul est correct. Il peut être correct dans le sens numérique où vous ne faites pas d’erreur dans les additions et les multiplications, mais la formule que vous venez de concocter ne reflète pas vraiment grand-chose.

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 simplement, “J’ai de l’agence, j’ai fait une chose, j’ai fixé une politique, j’ai fixé un KPI, j’ai fixé 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 une fois, vous dites “nous avons gagné de l’argent”, mais la réalité est que la plupart des entreprises, en particulier la plupart des services de la chaîne d’approvisionnement, n’ont aucun KPI financier. Vous voyez, très fréquemment ce qui se passe est que vous vérifiez simplement si vous êtes conforme aux règles que vous avez établies pour vous-même, et c’est tout. Vous voyez ici, vous dites, “Nous sommes rentables”, mais encore une fois, la plupart des divisions de la chaîne d’approvisionnement vérifient simplement si elles sont conformes à leurs propres pourcentages.

Donc, par exemple, ils diraient, “Oh, nous avons besoin de niveaux de service de 97%”, et ensuite ils feront des choses, et à la fin de la journée, ils diraient, “Oh, nous sommes très bons, regardez, nous avons atteint un niveau de 97%. Nous avons perdu beaucoup d’argent, mais nous avons un service de 97%.” Le fait que nous gagnons de l’argent ou en perdons n’a pas d’importance. Vous comptez des pourcentages, pas des dollars. Je veux dire, très peu d’entreprises que je connais au-delà des clients considèrent réellement des métriques financières pour leur chaîne d’approvisionnement. C’est généralement complètement absent. Ils penseront en termes de rotation des stocks, ils penseront en termes de niveaux de service, ils différencieront ces niveaux de service en effet par classes ABC et autres.

Mais vous voyez, ce n’est pas parce que vous vous fixez un objectif arbitraire de niveau de service et que vous déclarez la victoire lorsque vous atteignez ces objectifs arbitraires. Vous pouvez supposer que le respect de votre propre objectif est d’une certaine manière corrélé à la rentabilité de l’entreprise, mais c’est une hypothèse très audacieuse.

Conor Doherty : Eh bien, une fois de plus, cela démontre un point général qui a été maintes fois souligné sous différentes formes, à savoir la tendance compréhensible des gens à prendre au sérieux des problèmes complexes. Par exemple, si vous parlez de planification, vous parlez de combien commander, où envoyer, et essayez de décomposer cela de manière à ce que cela corresponde à l’esprit humain. Ainsi, par exemple, “Eh bien, si je passe de 95 à 97% de taux de service, hop, problème résolu”, et c’est résolu. Une fois que j’ai atteint cet objectif, eh bien, c’est auto-réalisant. Mais bien sûr, cela ignore beaucoup des interrelations et des interdépendances du processus de prise de décision que nous avons décrits précédemment.

Joannes Vermorel : Oui, mais je décrirais aussi, comme je l’ai dit, le fait de chercher une solution est généralement beaucoup plus facile que de chercher le problème. Donc, si nous regardons, par exemple, la maintenance d’un avion, la réalité est que s’il manque une pièce lors d’une opération de maintenance, l’avion sera cloué au sol. C’est relativement évident à moins que vous ne l’obteniez à la dernière minute. Mais maintenant, la solution est : “Je veux juste avoir un niveau de stock non nul de pièces de rechange pour tout”, et c’est votre réponse simple. Vous voyez, donc si j’ai cela, alors je suis plutôt bon tant que je peux maintenir un niveau de stock non nul de pièces de rechange à tout moment, je suis bon.

Ainsi, c’est ma solution. Le problème est qu’elle contourne complètement le fait que la solution que vous proposez est beaucoup trop coûteuse car elle nécessiterait beaucoup trop de stock, et donc ce n’est pas une solution réalisable, pas vraiment. C’est là que vous devez à nouveau revenir à une recette numérique. Je dois caractériser cette recette numérique pour m’assurer qu’elle est formalisée correctement afin que je puisse ensuite évaluer sa qualité et décider s’il s’agit d’un algorithme, d’une heuristique ou autre chose.

Mon point est simplement qu’il est dangereux de supposer qu’une chose qui a été faite, qui était une politique numérique arbitraire, a des propriétés inhérentes simplement parce qu’elle a été faite de cette manière auparavant. La seule chose que vous pouvez dire, c’est qu’elle n’était pas si mauvaise qu’elle ait conduit l’entreprise à la faillite, mais c’est un critère très bas. Vous pouvez avoir des choses qui sont très, très mauvaises et qui ne suffisent toujours pas à tuer l’entreprise, surtout si vos concurrents font également des choses très, très inefficaces.

Conor Doherty : Vous avez mentionné en fait, lors d’une de nos conversations précédentes, à nouveau en parlant des implications de la mise en œuvre de politiques arbitraires ou de KPI arbitraires. Par exemple, le montant d’argent nécessaire pour passer de 95 à 97% de taux de service est approximativement un ordre de grandeur plus élevé que celui nécessaire pour passer de 85 à 87% de taux de service. Donc vous dites, “Oh, je veux juste augmenter de 2%”, mais il y a 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. Et encore une fois, les gens diront, “Je veux juste augmenter de 2%”, et il n’est pas évident de voir comment tout cela se propage.

Joannes Vermorel : L’esprit humain n’est pas un ordinateur, et il y a certaines choses que je vous ai dites que l’esprit humain ne gère pas très bien, comme le hasard, par exemple, mais il ne gère pas très bien non plus la croissance géométrique. Les choses qui se composent de manière exponentielle, l’esprit humain ne comprend tout simplement pas cela. 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 la capacité de ressentir ce genre de choses, tout comme nous n’avons pas la capacité à l’intérieur de notre cerveau de faire la différence entre un bruit gaussien ou tout autre type de bruit non gaussien. Si je vous donne toutes sortes de hasards, du bruit gaussien 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 classe de bruit statistique, mais les mathématiciens ont découvert de nombreux types de bruit, de comportements aléatoires.

Conor Doherty : À ce sujet, vous avez mentionné plus tôt la planification des réparations, par exemple, dans l’aérospatiale. Eh bien, l’idée si quelqu’un disait, “Eh bien, vous savez, nous avons des gens vraiment très intelligents, et chaque fois que nous devons générer une séquence d’actions pour la réparation d’un moteur, nous avons 10 personnes vraiment très intelligentes. Ils s’assoient et ils le figurent eux-mêmes en interne.” Bien sûr, c’est déraisonnable. Pensez à la façon dont Simon l’a précédemment exprimé, il est déraisonnable de s’attendre même à ce que cent personnes super intelligentes avec un stylo et du papier ou avec un tableur Excel surpassent à grande échelle de manière répétée tous les calculs nécessaires pour arriver à la nouvelle planification optimale compte tenu de toutes les interdépendances, de la quantité de pièces, de la quantité de compétences requises, du temps nécessaire.

Et vous devez prendre en compte le fait que, comme vous l’avez dit auparavant, dans le cas de la MRO, vous n’avez pas le luxe du temps. Donc même si c’était possible, et nous allons simplement admettre pour les besoins de la discussion que cela l’est, ce n’est pas le cas, mais disons simplement que cela prendrait un temps infini par rapport à un algorithme qui peut le faire en quelques minutes. Et il y a un coût financier à tout cela. Le point sur lequel je reviens, et encore une fois, c’est ainsi que je le comprends et essaie de l’expliquer, ce n’est pas une question d’intelligence ou de stupidité. Il y a simplement des externalités qui sont invisibles à l’œil humain, par définition invisibles à l’œil humain.

Joannes Vermorel: Malheureusement, nous devons également prendre en compte le fait que la plupart des vendeurs de logiciels sont totalement incompétents. Donc, 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, si cela ne fonctionne pas, alors dans la minute suivante, simplement parce qu’il manque une pièce et ainsi de suite, ils passeront à une alternative. Ils exploreront à nouveau des solutions de basse qualité jusqu’à ce qu’ils en trouvent une qui convienne, un peu comme un rat traversant un labyrinthe. C’est bon, oh, un mur, d’accord, direction, un autre mur, d’accord, une autre direction.”

Le problème avec de nombreuses, je dirais, implémentations de logiciels, c’est que le logiciel n’a même pas de sortie de secours si vous rencontrez un mur. Et donc, si vous êtes bloqué, vous êtes simplement coincé avec quelque chose d’absurde et c’est tout. Donc vous voyez et de nombreuses entreprises ont connu cela. C’était l’une des, je dirais, promesses de la recherche opérationnelle dans les années 50 et ainsi de suite. Beaucoup des espoirs initiaux, je dirais, n’ont pas vraiment abouti à de grandes réalisations précisément parce que les vendeurs de logiciels étaient quelque peu incompétents. Ainsi, les solutions soi-disant optimales ou soi-disant, vous savez, les solutions supérieures pilotées par des logiciels étaient en pratique si mal mises en œuvre que c’était complètement, je dirais, impraticable.

Mais nous devons un peu séparer, vous savez, s’il s’agissait d’un problème que les ordinateurs ne pouvaient pas aborder et que l’esprit humain fait une sorte de vaudou impossible à reproduire avec un ordinateur, par opposition à ce problème qui a simplement été abordé par un vendeur de logiciels complètement incompétent et il s’est avéré que la solution qu’ils ont livrée était terrible.

Conor Doherty: Mais à ce sujet, comment les non-spécialistes—c’est le terme, je suis un non-spécialiste—comment un non-spécialiste peut-il savoir si ce qu’il écoute ou ce que le vendeur lui dit est de l’incompétence ou de la malhonnêteté ? Ou comment pouvez-vous vérifier l’une de ces affirmations ?

Joannes Vermorel: C’est un énorme problème. Donc ici, il y a une autre conférence pour cela. C’est la recherche de marché adversaire, mais c’est une autre heure d’explication sur comment vous pouvez réellement détecter les vendeurs incompétents.

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

Joannes Vermorel: Oui, je veux dire, il y a en fait une heuristique donnée ici, mais c’est une heuristique qui est prouvée. Donc, rappelez-vous, c’est une solution simple qui fonctionne étonnamment et empiriquement bien, mieux que ce à quoi vous vous attendriez. Et donc l’heuristique donnée dans la recherche de marché adversaire est : comment savez-vous ? Vous demandez, lorsque vous avez un vendeur, vous demandez aux concurrents de ce vendeur ce que ces concurrents pensent de ce vendeur. Et c’est adversaire.

Donc, si vous voulez avoir un avis correct sur un vendeur, vous ne demandez pas au vendeur car le vendeur va simplement vous tromper. Vous demandez à ses concurrents ce qu’ils pensent de ce type. Et puis vous faites aussi le symétrique : vous demandez à tous les vendeurs ce qu’ils pensent des autres vendeurs. C’est ce qu’on appelle une évaluation adversaire et cela s’est avéré être très, très robuste. Warren Buffett a fait fortune sur la base de ce principe très simple. Et l’idée était que si tout le monde est d’accord - et Buffett a cette question : “Si vous aviez une balle en argent pour éliminer magiquement l’un de vos concurrents, qui serait la cible de votre balle en argent ?”

Et c’était une question très intéressante car les gens, si tous les concurrents finissent par désigner la même entreprise, alors vous vous retrouvez dans une situation où, d’accord, cette entreprise est évidemment celle qui menace tous les autres. Et ces vendeurs sont les plus compétents dans ce métier, donc l’acteur le plus compétent est celui qui est désigné par tous les concurrents. C’est donc une heuristique, vous savez, jusqu’à ce que vous ayez testé cette recherche de marché adversaire, vous ne réalisez pas à quel point cela fonctionne bien. Et ce n’est même pas évident que cela fonctionne du tout, mais cela a été testé et cela fonctionne magnifiquement, comme le démontre entre autres le succès de Berkshire Hathaway.

Conor Doherty: Eh bien, Joannes, je n’ai pas d’autres questions, mais en termes de réflexions finales, de leçons à retenir pour les gens d’aujourd’hui, car nous avons couvert beaucoup de terrain. Mais en termes d’heuristiques en supply chain, quelle serait votre synthèse pour les gens ?

Joannes Vermorel: Ce que vous faites est très 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 et qui fonctionne magnifiquement, mais vous avez des preuves empiriques que cela fonctionne. Pas juste “je le fais et l’entreprise n’a pas fait faillite, donc ça marche.” C’est trop bas comme barre. Donc réservez ce terme.

Si vous identifiez de telles recettes qui fonctionnent bien au-delà de ce qui serait raisonnablement attendu d’une recette numérique aussi simple, alors chérissez-la. C’est extrêmement précieux. Mais encore une fois, cette valeur doit être ancrée, je dirais, dans une évaluation du monde réel exprimée en dollars ou en euros, pas seulement votre intuition de la valeur de cette recette numérique.

Conor Doherty: Eh bien, Joannes, merci beaucoup. Je pense que nous avons résolu ce problème, un de plus à notre actif. Merci beaucoup pour votre temps et merci beaucoup de nous avoir regardés. À la prochaine fois.