Pas de solution optimale (avec Ian Wright) - Ep 173

00:00:00 Introduction à l’interview
00:01:41 Les débuts de carrière de Ian Wright et la fondation de Logistics Sciences
00:05:33 Le concept d’optimalité dans la supply chain
00:10:06 Optimisation, incertitude et perturbations du monde réel
00:18:18 Limites de l’optimisation traditionnelle et impact de la pandémie
00:25:27 Réponse de Lokad et adaptation des supply chains
00:32:45 Défis des modèles déterministes et compromis
00:41:09 Niveaux de service, modèles financiers et vérifications de bon sens
00:50:48 Expertise humaine, heuristiques et modélisation itérative
00:58:39 Le coût de l’intervention humaine dans les supply chains
01:06:24 Stratégie en tant qu’ingénierie et automatisation des décisions
01:14:06 Modèle décentralisé de Walmart et rupture des silos
01:21:39 Boucles de rétroaction et amélioration continue de la supply chain
01:29:18 Atteindre l’optimalité et naviguer dans le battage médiatique des fournisseurs
01:35:42 Dernières réflexions sur les tendances technologiques en supply chain

Résumé

Lors d’une récente interview de LokadTV, Conor Doherty a accueilli Ian Wright, fondateur de Logistics Sciences, et Joannes Vermorel, PDG de Lokad, pour discuter de la notion qu’il n’y a pas de décisions optimales en gestion de la supply chain. Ils ont remis en question les points de vue traditionnels sur l’efficacité, mettant en lumière les complexités et les incertitudes qui défient les idéaux des manuels. Ian et Joannes ont souligné que les différentes parties prenantes ont des définitions variables de l’optimalité, et que les solutions pratiques doivent être alignées sur les réalités commerciales. Ils ont discuté des limites des méthodes d’optimisation traditionnelles et de l’importance du jugement humain dans la prise de décisions stratégiques. La conversation a souligné la nécessité de modèles qui gèrent l’incertitude et se concentrent sur de véritables résultats économiques.

Résumé étendu

Lors d’un récent épisode de LokadTV, Conor Doherty, directeur de la communication chez Lokad, a animé une discussion enrichissante avec Ian Wright, fondateur de Logistics Sciences, et Joannes Vermorel, PDG et fondateur de Lokad. La conversation a tourné autour de l’idée provocante qu’il n’y a pas de décisions optimales en gestion de la supply chain, un concept qui remet en question les points de vue traditionnels sur l’efficacité et la prise de décision.

Conor Doherty a ouvert la discussion en soulignant la croyance commune en des décisions optimales comme l’apogée de l’efficacité, où les ressources sont parfaitement allouées, les coûts minimisés et les profits maximisés. Cependant, il a noté que de tels idéaux théoriques s’effondrent souvent face aux complexités du monde réel. Ian Wright, avec plus de 40 ans d’expérience en supply chain et logistique, a partagé son parcours de l’université à l’industrie pétrolière, puis à la fondation de Logistics Sciences. Sa carrière a été marquée par un accent sur la résolution de problèmes dans la logistique et la recherche opérationnelle, mettant l’accent sur l’application pratique de la planification et de l’exécution.

Joannes Vermorel a fait écho aux sentiments de Ian, soulignant que bien que les intentions derrière la recherche opérationnelle après la Seconde Guerre mondiale étaient correctes, le domaine a rencontré des défis similaires à ceux rencontrés par l’intelligence artificielle, avec des périodes d’attentes exagérées suivies de déceptions. Il a noté que de nombreuses méthodes de la recherche opérationnelle n’ont pas apporté d’avantages concrets aux entreprises.

La conversation s’est ensuite penchée sur l’article de Ian, “Pourquoi il n’y a pas de solution optimale en planification de la supply chain et en optimisation des réseaux logistiques.” Ian a expliqué que les différentes parties prenantes ont des définitions variables de l’optimalité, menant souvent à des idées conflictuelles. Les praticiens se concentrent sur les aspects mathématiques, tandis que les dirigeants d’entreprise sont plus préoccupés par des solutions pratiques et réalisables. Il a souligné que les modèles et les outils ne sont que des facettes d’une solution plus large qui doit avoir du sens pour l’entreprise.

Joannes a développé ce point en discutant des limites des méthodes d’optimisation traditionnelles, qui manquent souvent de capacité à intégrer la dimension du temps et à gérer l’incertitude. Il a souligné l’importance des améliorations quantitatives dans l’optimisation des entreprises, la contrastant avec la perspective plus statique et mathématique de la recherche opérationnelle traditionnelle.

La discussion a également abordé le rôle de l’incertitude dans la prise de décision en supply chain. Ian a décrit diverses sources d’incertitude, des variations prévisibles aux événements Black Swan et aux inconnus inconnus. Il a souligné la nécessité de modèles capables de gérer ces incertitudes et de fournir des solutions contingentes.

Joannes a partagé l’approche de Lokad pendant les confinements liés au COVID-19, où ils ont géré les décisions de la supply chain pour des clients dont les travailleurs de bureau étaient en congé. En injectant une dose massive d’incertitude dans leurs modèles, Lokad a pu prendre des décisions plus prudentes, démontrant l’efficacité de leurs systèmes d’optimisation.

La conversation s’est ensuite tournée vers le rôle des compromis dans la prise de décision. Ian a souligné que les compromis se résument souvent à des considérations financières, équilibrant les coûts par rapport aux taux de service et à d’autres facteurs. Joannes a soutenu que de nombreuses entreprises se concentrent sur l’optimisation des pourcentages plutôt que sur de véritables résultats économiques, ce qui conduit à des décisions sous-optimales.

Ian et Joannes ont tous deux convenu de l’importance de l’implication humaine dans la prise de décisions stratégiques. Alors que l’automatisation et les outils d’optimisation peuvent gérer de nombreuses tâches, l’intuition humaine et le jugement restent cruciaux, surtout dans les domaines où l’apport mécaniste est insuffisant.

En conclusion, l’interview a mis en lumière les complexités et les défis de l’optimisation de la supply chain, soulignant le besoin de solutions pratiques et réalisables qui tiennent compte de l’incertitude et impliquent le jugement humain. Ian et Joannes ont fourni des perspectives précieuses sur la manière dont les entreprises peuvent naviguer ces défis, en mettant l’accent sur l’alignement des modèles avec les opérations du monde réel et en se concentrant sur de véritables résultats économiques.

Transcription complète

Conor Doherty: Bienvenue sur LokadTV. Une décision optimale est souvent considérée comme le summum de l’efficacité, une situation où les ressources sont parfaitement allouées, les coûts réduits et les profits maximisés. Cela semble idéal dans un manuel ou en classe, mais ces idées rencontrent souvent des obstacles dans le monde réel. Notre invité d’aujourd’hui, Ian Wright, va nous parler de cette quête d’optimalité. Ian est le fondateur de Logistics Sciences et possède plus de 40 ans d’expérience en supply chain.

Comme toujours, si vous aimez ce que vous entendez, veuillez vous abonner à la chaîne YouTube et nous suivre sur LinkedIn. Et maintenant, je vous présente la conversation d’aujourd’hui avec Ian Wright.

Très bien, super. Eh bien, Ian, merci beaucoup de nous rejoindre. Pour les personnes qui pourraient ne pas vous connaître, je vous ai présenté plus tôt, mais pour ceux qui ne sont pas familiers avec votre travail, pourriez-vous donner une brève introduction, s’il vous plaît ?

Ian Wright: Eh bien, je pense que vous avez mentionné que j’ai été présent pendant 40 ans. En réalité, j’ai été présent beaucoup plus longtemps que cela, mais ma carrière s’étend sur 40 ans. Sur le plan académique, mon parcours est essentiellement basé sur un intérêt pour l’économie et la géographie, que j’ai réunis en étudiant ce qui était à l’époque simplement connu sous le nom de transport. Cela regroupait essentiellement l’économie, la géographie, les affaires, et cela a suscité un grand intérêt pour la résolution de problèmes, spécifiquement dans ce qu’on appelle aujourd’hui la logistique et la recherche opérationnelle. J’ai ensuite poursuivi mes études en recherche opérationnelle en me concentrant toujours beaucoup sur les problèmes de transport, de logistique, et maintenant ce que nous connaissons tous sous le nom de supply chain. C’était il y a plus de 40 ans.

Ensuite, pour gagner ma vie, je suis entré dans l’industrie pétrolière en tant que scientifique en gestion travaillant pour Castrol. J’ai été presque jeté dans le grand bain car j’ai immédiatement été impliqué dans des projets de planification stratégique de haut niveau. J’ai rédigé plusieurs systèmes de maintenance préventive pour la distribution de l’entreprise, et j’ai appris à connaître les logiciels de planification d’un point de vue réseau et de planification de flotte. Ensuite, j’ai rejoint la société qui fournissait ces systèmes, cette société étant composée d’une seule personne à l’époque, donc nous étions deux, et je l’ai aidée à se développer. Ensuite, je suis parti aux États-Unis avec un client de la société et j’ai été impliqué dans les SIG et l’utilisation des SIG pour la visualisation de ce que nous faisions du côté de la planification. C’était une introduction précoce à ce qui est aujourd’hui courant en matière de SIG et de visualisation dès le début des années 80.

À partir de là, je me suis lancé dans la logistique tierce initialement à travers un projet de développement logiciel. J’avais connaissance de la logistique tierce au Royaume-Uni tout au long de ma carrière, mais c’est en fait au début des années 90 que c’était assez nouveau aux États-Unis, et ils étaient en train de développer l’idée de mettre en place des solutions pour les vendre aux clients. Ces solutions consistaient à déterminer où placer votre entrepôt, comment exploiter vos actifs de transport. C’était une excellente application de mes antécédents, mais surtout pour moi, c’était une excellente leçon d’apprentissage en termes de planification pour la mise en œuvre et l’exécution, et de ne pas s’en désengager, de faire partie de l’exploitation de la solution que vous avez mise en place, ce qui, je pense, est une bonne leçon pour tous ceux qui sont impliqués dans ce que nous faisons.

Finalement, j’ai quitté la planification à proprement parler. J’ai constitué quelques groupes de solutions et dirigé ces groupes. Ensuite, j’ai progressivement pris de plus en plus de responsabilités dans les organisations pour lesquelles je travaillais. Mais finalement, après avoir travaillé pendant un certain temps dans le conseil, ce que je n’appréciais pas vraiment, j’ai décidé de créer une société de conseil, Logistic Sciences. Et si vous voulez savoir ce qu’est Logistic Sciences, c’est essentiellement moi qui essaie de revenir à ce que j’aime faire, c’est-à-dire résoudre des problèmes, en particulier axés sur les questions de chaîne d’approvisionnement et de logistique, et en utilisant mes connaissances limitées et mes outils limités pour aider réellement les gens à résoudre des problèmes dans ce domaine. Je ne sais pas si cela vous aide à comprendre d’où je viens. Je n’ai aucune idée d’où je vais, mais…

Conor Doherty : Eh bien, merci, Ian. Et en fait, Joannes, je suis sûr que beaucoup de choses résonnent en vous. Je veux dire, l’idée de résoudre des problèmes et de reconsidérer le problème de la prise de décision en matière de chaîne d’approvisionnement, cela résonne fortement en vous, n’est-ce pas ?

Joannes Vermorel : Oui, je veux dire, en termes d’intentions, les intentions posées par la recherche opérationnelle après la Seconde Guerre mondiale étaient très correctes dans le sens où essayons d’ingénierer ces méthodes de gestion en quelque chose de numériquement solide et améliorable. C’était, je pense, l’une des intentions qui était correcte et qui est encore très pertinente aujourd’hui. Le défi est que c’est très intéressant. Les gens parlent très fréquemment des divers hivers qu’a traversés l’IA, l’intelligence artificielle, avec des espoirs exagérés puis une déception face au fait que cela ne fonctionnait pas. Je crois que la recherche opérationnelle a traversé des phases similaires, et certaines séries de vagues de méthodes connues à l’époque n’ont tout simplement pas réussi à se traduire en avantages concrets pour les entreprises.

Conor Doherty : Eh bien, en fait, cela nous amène pratiquement au sujet de la conversation d’aujourd’hui, qui a été inspiré par le travail que vous avez publié sur LinkedIn, Ian. Vous publiez en fait beaucoup d’articles. J’en ai un ici devant moi sur lequel j’ai pris des notes. J’espère que la caméra peut le capturer. Donc je l’ai lu, nous l’avons tous lu. Mais cet article était, et j’ai lu ceci, je suis le gars, je suis le gars. Oui, c’était gratuit, merci. Donc l’article en particulier, celui qui a suscité l’intérêt pour la conversation, “Pourquoi il n’y a pas de solution optimale dans la planification de la chaîne d’approvisionnement et l’optimisation des réseaux logistiques.” Maintenant, c’est environ 13 pages. Pour ceux qui ne l’ont pas lu, un résumé au niveau exécutif, s’il vous plaît.

Ian Wright : Essentiellement, il s’agit de faire comprendre que différentes personnes ont des idées différentes de ce qu’est l’optimalité. Et généralement, ce que je constate, c’est qu’il s’agit d’idées opposées ou non pas tant opposées que simplement conflictuelles dans le sens où l’idée d’optimalité du praticien est souvent beaucoup plus axée sur ce qu’il fait dans l’outil ou avec la technique qui est employée. Et c’est assez souvent, ce qui revient à quelque chose que Joannes disait là, c’est assez souvent axé sur les mathématiques, alors que la personne qui est celle qui subit ou qui reçoit l’optimisation est le gars du business.

Je suppose que nous pouvons nous concentrer sur le secteur privé et les entreprises, bien qu’il y ait évidemment beaucoup plus que nous pouvons faire autour de la chaîne d’approvisionnement. Mais le gars du business ne se soucie pas du tout, ou ne devrait pas se soucier du tout, des mathématiques, de la méthodologie, de l’outil ou du modèle. Et je me concentre, lorsque je travaille avec mes propres clients et dans des projets, sur le fait de m’assurer qu’ils comprennent que les outils que nous utilisons, les modèles que nous construisons, ne sont qu’une petite facette pour les conduire vers une solution qu’ils peuvent utiliser pour prendre une décision et mettre en œuvre quelque chose. Donc, le postulat de base de l’article était de faire comprendre cette idée que le modèle n’est pas l’élément important, c’est la solution. Et il y a tellement plus de composants, tellement plus de facettes à une solution qui a du sens pour l’entreprise.

Conor Doherty : Juste à ce sujet, et Joannes, je reviendrai vers vous dans un instant, mais la façon dont vous avez formulé cela, encore une fois, lorsque vous l’expliquez à vos propres clients, vous essayez, et je l’ai noté, essentiellement de vous assurer que les gens comprennent. Et à ce sujet, je pense qu’un mot clé à clarifier immédiatement est lorsque vous parlez d’optimalité, encore une fois, vous avez fait la distinction entre le praticien et le mathématicien. Souvent, certains termes peuvent signifier légèrement des choses différentes en fonction de l’endroit où ils sont utilisés. Joannes et moi avons récemment discuté des heuristiques, et encore une fois, une heuristique dans un sens mathématique par rapport à un sens économique peut être légèrement différente. Donc, lorsque vous parlez de poursuivre une décision optimale ou de présenter l’optimalité, que voulez-vous dire exactement, s’il vous plaît ?

Ian Wright : Donc, en général, je pense à l’optimalité non pas dans le sens d’un mathématicien, car à mon avis, c’est une notion merveilleuse sur laquelle se concentrer si vous vivez dans le monde des mathématiques. Mais ce sur quoi nous devons nous concentrer, c’est quelle est la meilleure solution dans les circonstances qui prévalent. Alors, qu’est-ce qui se passe vraiment ? Qu’est-ce qui se passe vraiment dans le monde ? Nous devons découvrir ce qui se passe, puis nous devons présenter une solution qui dit que la meilleure chose que nous puissions trouver dans ces circonstances atténuera ou atténuera la plupart des problèmes que nous trouvons dans les circonstances. C’est la solution que nous recherchons, que nous voulons présenter.

Conor Doherty : Joannes ? Oh, oui, merci, Ian. Donc, encore une fois, l’idée d’être le meilleur disponible ne signifie pas parfait en termes absolus. Avez-vous quelque chose à ajouter à cela ou êtes-vous d’accord ?

Joannes Vermorel : Oui, je veux rebondir sur la caractérisation de la perspective d’optimisation en mathématiques comme étant belle, je suis d’accord. C’est quelque chose d’extrêmement simple. Je peux le résumer pour le public. C’est l’idée que vous prenez une fonction qui va évaluer ce que vous voulez, et une partie des entrées de ces fonctions sont vos variables, ce que vous pouvez décider, ce qui peut varier selon votre volonté. Donc, c’est l’entrée, et ensuite la fonction vous donne le score. Et fondamentalement, l’optimisation cherche cette combinaison d’entrées qui est la formalisation de votre décision qui extrémise le résultat. Extrémise comme minimiser si vous essayez de diminuer vos coûts ou maximiser si vous voulez maximiser les retours, quelque chose comme ça.

Et la chose intéressante est que ce problème simple s’accompagne d’une belle caractérisation mathématique claire. Ensuite, vous pouvez dire toutes sortes de choses intéressantes sur vos entrées, vous pouvez dire toutes sortes de choses intéressantes sur votre sortie, comment elle se comporte, et quelles classes d’algorithmes existent pour chercher une solution, et si vous serez capable, en termes mathématiques, de dire que sous ces hypothèses, votre méthode est la meilleure qu’elle puisse être ou non, etc. Et d’ailleurs, ce domaine de recherche est maintenant assez nommé RO. Il avait l’habitude de signifier recherche opérationnelle, mais de nos jours, c’est juste l’optimisation mathématique. Et ils ne se préoccupent même plus de savoir s’ils parlent d’un problème commercial ou non. Leur préoccupation est le développement de solveurs, qui est une classe de logiciels conçus pour effectuer ces optimisations d’un point de vue mathématique.

Quand nous pensons en termes d’optimisation en mathématiques, je pense que c’est le genre de compréhension la plus, je dirais, cristalline de ce qu’est l’optimisation. Cela ne signifie pas que, en étant, vous savez, cristallin, cela ne signifie pas que c’est le plus pertinent. Cela signifie simplement que c’est le plus pur, comme, vous savez, la pureté cristalline. Cela ne signifie pas que c’est l’outil applicable pour toutes les situations. Et quand nous pensons en termes d’optimisation dans un contexte commercial, ce que nous voulons dire, c’est que nous voulons améliorer les choses mais avec un avantage quantitatif. Vous voyez, c’est la différence.

Parce que je peux aussi améliorer une entreprise, par exemple, en ayant une meilleure culture où les gens sont plus dévoués, mais il est presque impossible de quantifier quoi que ce soit à ce sujet. Donc, quand nous disons optimisation, ce que nous voulons dire, c’est que nous voulons améliorer avec des instruments quantitatifs et idéalement des résultats quantitatifs également. Ce serait, vous savez, en quelque sorte, et c’est quand nous, je reviens à votre, je dirais, optimisation telle que vous la comprenez, je la décrirais surtout comme un processus d’améliorations quantitatives. Ce serait, vous savez, et c’est complètement, je dirais, la perspective commerciale de l’optimisation.

Ian Wright : Je pense que, non, je suis entièrement d’accord avec Joannes. Une des choses que nous devons comprendre est également liée à l’optimal, il y a des dimensions impliquées dans les problèmes que nous examinons, et très souvent ces dimensions sont ignorées ou laissées de côté. Et certaines des plus basiques, en fait, peut-être la dimension la plus basique est la dimension du temps.

Cela a une énorme influence sur ce que vous pouvez faire avec le modèle ou la technique et/ou la technologie, et ce que vous devez faire en opération dans le monde réel et ce que vous êtes capable de faire dans ces circonstances. Et cela change, cela change la nature de ce que vous pouvez considérer comme optimal.

Conor Doherty : Eh bien, en fait, et encore une fois, c’est une phrase parfaite, ce que vous êtes capable de faire. Et cela nous amène encore une fois à une discussion sur ce que je pense être, et je sais que pour Joannes c’est certainement un élément clé de toute discussion sur l’optimalité ou essentiellement la prise de décision, c’est la nature de l’incertitude lors de la prise de ces décisions.

Donc, dans votre article, vous parlez de l’incertitude et de la complexité réelle qui existe dans la supply chain. Pourriez-vous commenter un peu plus sur les sources d’incertitude qui influencent réellement la recherche de l’optimalité de quelque manière que ce soit?

Ian Wright : Il existe de nombreuses formes d’incertitude et, euh, même à tel point qu’il y a des saveurs que vous ne pouvez pas goûter car vous ne savez même pas qu’elles existent. Donc, il y a ce sur quoi la plupart des gens se concentrent en tant qu’incertitude, qui à mon avis est simplement le reflet de la nature dynamique du domaine des opérations de la supply chain. Ils sont simplement dynamiques, donc il y a une incertitude liée à ces dynamiques, et cela est ouvert à l’analyse et à l’analyse quantitative et à l’analyse probabiliste, sur laquelle je sais que vous êtes très concentrés.

Mais vous passez ensuite à certaines zones d’incertitude qui se rapprochent davantage du domaine du risque. Il y a de petits risques et des risques extrêmement importants, et cela se reflète également dans le fait que vous dépassez un contexte prévisible ou probabilistiquement prévisible pour arriver au point où vous parlez en fait de, ce dont je pense avoir parlé dans l’article, vous parlez d’événements Black Swan. Et juste, bon, j’ai tout perdu.

Donc, désolé, vous devrez peut-être éditer cela, mais vous passez du modèle du petit monde, qui est prévisible, a des éléments que vous pouvez prédire à partir de données que vous pouvez acquérir assez facilement. Vous passez ensuite aux événements Black Swan, qui essentiellement, vous savez, peuvent se produire, mais la capacité de les prédire est beaucoup plus éloignée et en fait, finalement, certains événements Black Swan vous ne pouvez tout simplement pas les prédire. Et je pense même de manière plus catastrophique, souvent dans de nombreuses circonstances de ce que j’appelle dans l’article en empruntant une phrase, les inconnus inconnus.

Donald Rumsfeld enfin, ce n’était pas vraiment Donald Rumsfeld, c’était un gars avant ça, il a piqué l’idée tout comme je l’ai fait, mais bon. Et ensuite, cela vous amène à vous demander, eh bien, jusqu’où devons-nous vraiment aller pour comprendre non seulement les inconnus inconnus, pour lesquels nous ne pouvons pas, nous ne pouvons pas les prendre en compte, même les événements Black Swan que nous ne pouvons pas nécessairement prendre en compte en termes opérationnels généraux et en planification, mais le prévisible basé sur la probabilité, nous pouvons et devrions le prendre en compte.

Et ce que je dirais aussi, c’est que vous pouvez passer à une dimension différente de l’opération où vous regardez en fait, et je pense en avoir parlé dans la modélisation, vous ne regardez pas seulement une solution, vous regardez une solution qui est composée de nombreux éléments contingents que vous pouvez basculer ou qui peuvent être basculés et exécutés selon les besoins. Mais l’objectif est de rester aussi proche que possible de ce que vous avez défini comme optimal dans votre solution préférée.

Conor Doherty : Eh bien, en fait, pour rebondir sur la citation inspirée par quelqu’un d’autre que Donald Rumsfeld, mais d’autres sources d’incertitude que les gens pensent être des connus connus seraient, comme vous l’avez dit dans l’article, une demande stable et des chaînes d’approvisionnement prévisibles. Joannes, s’agit-il de connus connus, de connus inconnus ou d’inconnus inconnus?

Joannes Vermorel : Oui, je trouve que cette typologie est intéressante, mais encore une fois, si nous revenons à l’instrument de base que nous avons pour réaliser ces analyses quantitatives, si je reviens encore une fois sur les éléments qui ont été développés dans le cadre de la recherche opérationnelle, la dimension temporelle était absente. La première raison pour laquelle elle est absente est assez banale, car cela augmente la dimensionnalité de vos problèmes et ces méthodes se comportent très mal lorsque vous essayez de traiter des méthodes plus complexes. Elles ne sont pas très évolutives, du moins pas de la manière dont nous entendons les solutions évolutives de nos jours, surtout si l’on considère les récents développements qui se sont produits, disons, dans le domaine de l’apprentissage profond.

Donc, le premier problème est que nous avions ce problème très basique de gestion de l’évolutivité, sans dimension temporelle. Et une fois que nous commençons à considérer la dimension temporelle, l’avenir n’est pas parfaitement connu, donc nous devons faire face à une variabilité de quelque sorte. Et ici, ce ne sont que des connus inconnus. Vous savez, c’est un cas très léger d’incertitude. Il est très attendu que les délais d’approvisionnement varient, il est très attendu que la demande varie, etc. Donc ces cas sont relativement faciles.

Et nous entrons alors dans le domaine de ce qu’on appelle l’optimisation stochastique car soudainement votre décision pourrait se révéler bonne ou mauvaise en fonction de circonstances futures que vous ne contrôlez pas. Ainsi, il existe des futurs alternatifs où cette décision semble bonne, mais il existe certainement des futurs possibles où elle se révélera avec le temps être une mauvaise décision. Donc, c’est, je dirais, le genre de problèmes très banals auxquels nous sommes confrontés avant de plonger dans les inconnus inconnus et toutes ces variétés sauvages d’incertitudes, nous avons encore des problèmes plus basiques, et c’est là que je pense que cette idée de facettes est très intéressante.

Nous ne savons vraiment pas comment nous devrions évaluer quoi que ce soit. Ce n’est pas évident. Lorsque nous disons que nous voulons optimiser les profits, il existe un nombre indéfini de façons de compter les profits. Devrions-nous inclure les effets de second ordre, les effets de troisième ordre? Que signifie les effets de second ordre? Vous accordez une remise de 10% maintenant, le client s’attend à ce que la prochaine fois qu’il entre dans le magasin, il obtienne à nouveau une remise similaire. C’est un effet de second ordre. Vous venez de faire une remise, mais cela vous a coûté plus cher car vous avez suscité une attente. Donc, encore une fois, cela devrait être évalué.

Et ensuite, si vous le faites, votre concurrent pourrait décider de manière agressive de concurrencer encore plus sur les prix, ou ils pourraient finalement renoncer complètement à la concurrence, vous laissant seul ou du moins avec moins de concurrents. Donc, vous voyez, tous ces aspects sont des aspects très banals de ce que je quantifie exactement. Ce sont des choses difficiles. Je pense qu’une autre facette qui n’est pas vraiment abordée dans la littérature classique sur l’optimisation est qu’ils pensent comme si les problèmes étaient bien compris dès le départ.

Conor Doherty : Ian, dans votre article, vous avez mentionné de nombreux exemples concrets d’entreprises qui ont réussi ou échoué à aborder les types d’incertitudes dont nous venons de parler, que ce soit les délais d’approvisionnement, les modèles de demande erratiques, etc. Pourriez-vous partager plus de détails sur ces études de cas, s’il vous plaît?

Ian Wright : Oui, donc beaucoup des projets sur lesquels je travaille sont plus stratégiques. Certains sont tactiques. En général, je ne travaille plus vraiment dans le domaine de la planification pour l’exécution. Donc, la plupart des exemples auxquels je penserais à cet égard concernent des entreprises qui échouent à planifier tactiquement ou stratégiquement en ne traitant pas ces problèmes de prévisibilité ou de manque de prévisibilité.

Récemment, au cours des trois dernières années, il y a eu un événement un an auparavant que je pense personne n’aurait dit avoir prédit. Certainement, je crois que aucun système de planification dans une entreprise n’aurait pu concevoir et incorporer des éléments de planification qui tiendraient compte de l’impact de la pandémie et de ce qui est arrivé aux stocks et aux implications de la réduction des stocks, de la baisse soudaine de la demande, et ainsi de suite. Tellement d’implications largement répandues. L’exemple classique concerne les semi-conducteurs.

Mon expérience était double en ce sens que tant d’entreprises sortant de la pandémie dans la fabrication alimentaire et pas seulement dans les produits pharmaceutiques mais dans les appareils médicaux, dans le secteur de la logistique de santé dans son ensemble, ont soudainement réalisé qu’elles devaient planifier quelque chose qu’elles n’avaient pas anticipé. Elles luttaient contre leurs systèmes internes intrinsèques qui géraient l’entreprise, qui géraient leur chaîne d’approvisionnement, car ces systèmes ne leur fournissaient plus de données capables de constituer la base de modèles pour comprendre ce qu’elles devraient faire ensuite.

Ainsi, j’ai travaillé sur de nombreux projets pour des fabricants alimentaires qui essayaient de rattraper l’explosion immense de la demande dans des endroits où ils n’avaient pas la capacité, et ils devaient comprendre très rapidement où cette capacité devait être placée et pourquoi elle devait être placée là. Il y avait tellement de problèmes fondamentaux à essayer de comprendre comment vous allez faire cela car c’était très semblable à dire, comment construisez-vous une chaîne d’approvisionnement pour un produit qui n’existe pas aujourd’hui? Comment planifiez-vous cela? Et ensuite, toute la notion de comment vous passez ensuite à l’exécution est la prochaine étape.

Conor Doherty : Ian, c’est une belle transition vers Joannes. Je veux dire, c’est vraiment votre métier, exécuter des solutions pour des situations pleines d’incertitude. Avez-vous des exemples de succès ou d’échecs avec des entreprises en ce qui concerne les types d’incertitudes dont nous discutons?

Joannes Vermorel : Oui, je pense, vous savez, si nous revenons à l’année des confinements, 2020, 2021, la chose intéressante est que Lokad a eu, je dirais, de très beaux succès opérationnels, mais je pense précisément parce que nous faisions de l’optimisation.

Permettez-moi de décrire ce que font la plupart des entreprises de nos jours à travers essentiellement un océan de feuilles de calcul. Ils n’optimisent rien, ni dans le sens mathématique ni dans le sens que nous venons de décrire. Ce qu’ils font essentiellement, c’est reproduire largement ce qui a été fait auparavant. Ils font essentiellement correspondre les décisions précédentes. Ils ne suivent même pas vraiment la demande ou quoi que ce soit ; ils reproduisent largement ce qu’ils ont fait avant, ce qui signifie que le budget est découpé de la même manière qu’il l’a été l’année dernière, que les stocks de sécurité sont à nouveau ajustés minimalement par rapport à ce qui a été fait l’année dernière, etc. Donc, tout se fait de manière incrémentielle par rapport au statu quo. Il n’y a pas d’optimisation en cours. Nous ne faisons que refléter le statu quo, le diriger un peu mais pas quantitativement, un peu dans la direction qui semble appropriée.

Cela fonctionne plus ou moins, mais voilà : il n’y a pas de processus d’optimisation en cours, ce qui signifie que si vous changez largement vos conditions opérationnelles, vous n’avez aucun mécanisme en place pour refléter ces nouvelles conditions. Permettez-moi de répéter, toutes vos feuilles de calcul, tous vos processus en place sont conçus pour reproduire ce que vous avez fait auparavant. En revanche, chez Lokad, nous avions des systèmes d’optimisation en place. Que s’est-il passé lorsque nous avons eu des situations sans précédent? Nous avons pratiquement injecté manuellement une énorme dose d’incertitude dans nos modèles.

Nous ne savions pas ce qui allait se passer. Nous avons simplement dit : “D’accord, la demande est normalement ce que nous appelons l’effet fusil.” Vous voyez l’avenir de la demande qui va juste comme ça, vous savez, possibilité. Eh bien, si vous avez une situation comme des confinements, vous augmentez simplement l’angle du fusil pour que l’avenir devienne très flou. Même chose pour vos retards, même chose pour vos prix. Vous supposez simplement que vous savez soudainement beaucoup moins sur l’avenir. Mais vous pouvez le faire, et si vous supposez que vous savez soudainement beaucoup moins, vous pouvez relancer votre logique d’optimisation, c’est de l’optimisation stochastique, pour obtenir des décisions qui sont plus prudentes par rapport au risque que vous avez.

Vous prenez en compte légèrement le pire qui puisse arriver en termes de retards, de prix, de demande, etc., et vous prenez vos décisions beaucoup plus conservatrices par rapport à ces risques qui ont explosé quantitativement. Ce que je retiens, c’est que ça fonctionne. Ça fonctionne très bien, mais le problème est d’avoir plus d’optimisation, pas moins. Bien que ce ne soit pas le genre de perspective statique de recherche opérationnelle, rien ne bouge en termes d’optimisation.

La deuxième chose, c’est une facette supplémentaire qui, je pense, n’a presque jamais été discutée à l’époque de la recherche opérationnelle, probablement de 1950 à 1980, ces 30 ans, c’était la qualité de votre instrumentation. À quelle vitesse pouvez-vous passer d’une instance de votre modélisation à la suivante? C’est une chose opérationnelle vraiment pratique.

Ian Wright : Je pense qu’il y avait aussi des problèmes pratiques liés à cela parce que la technologie n’était pas suffisante. Il y avait un manque de données parce que la technologie liée à cela n’était pas suffisante. Mais certainement, la technologie pour permettre une exécution plus rapide de la planification n’était tout simplement pas là. Je peux vous dire qu’en regardant des modèles d’optimisation tourner pendant 24 heures, par opposition à aujourd’hui où quand je travaille avec des gens, je me dis, “Eh bien, ça n’a pas fini, ça fait déjà cinq minutes, que devrais-je faire?” Donc, je ne veux pas vous interrompre, Joannes, mais je pense que c’est parce que nous avons une technologie bien meilleure aujourd’hui.

Joannes Vermorel : Je suis tout à fait d’accord, et c’est une préoccupation distincte, mais ce sont vraiment des préoccupations pratiques. Si vous avez une technologie d’optimisation mais que la rerun prend 24 heures et que vous avez besoin de 20 itérations pour converger vers quelque chose de relativement satisfaisant par rapport au nouvel état de votre supply chain, cela ne se produira jamais. Les gens reviennent simplement aux feuilles de calcul. Il n’y a tout simplement pas le temps de passer par tous ces obstacles. Vous revenez à vos feuilles de calcul qui peuvent ne pas vous offrir ce type d’optimisation, mais elles vous donneront au moins une réponse dans un délai raisonnable.

Je pense que c’était aussi le genre de chose où Lokad s’en est bien sorti à cette époque. Nous avions de l’optimisation, mais nous avions des outils d’optimisation suffisamment agiles pour être testés à plusieurs reprises des dizaines de fois par jour jusqu’à ce que nous ayons quelque chose qui fonctionnait réellement. Sinon, nos clients auraient simplement abandonné les services que Lokad proposait à l’époque.

Ian Wright : Intéressant car j’ai toujours eu du mal avec ce que j’appelle l’optimisation instantanée. En particulier, la planification de la supply chain et les modèles de réseau ont toujours été une programmation entière instantanée. Les solveurs sont tous instantanés, et toute cette question de timing, j’ai toujours eu du mal à comprendre comment nous pourrions tirer parti des approches de type simulation où nous sommes capables d’incorporer un peu mieux la dimension du temps et comment nous pourrions d’une certaine manière fusionner une approche.

Par exemple, il y a une entreprise en Russie, une entreprise de simulation, qui a proposé de combiner l’optimisation. Je trouvais ça génial à l’époque. Malheureusement, je ne suis pas très familier avec leur mise en œuvre de l’optimisation car ils sont une entreprise de simulation. La question du temps est une chose. L’autre problème, je pense, dans la détermination d’une solution avec probabilité implique également un problème technologique auquel nous sommes plus à même de faire face aujourd’hui. Cela implique la quantité de données, la portée des données que vous pouvez incorporer dans la dérivation de la solution.

Beaucoup de choses sont en dehors du domaine de la société ou de la division que vous optimisez et ne sont pas prises en compte lorsque vous avez un nouveau produit ou lorsque vous entrez dans un tout nouveau monde après une pandémie. La seule chose sur laquelle vous pouvez souvent compter est des données qui n’ont rien à voir avec l’histoire de vos opérations antérieures. Vous devez vous tourner vers une portée beaucoup plus large de données afin que lorsque vous élaborez des probabilités, par exemple, vous devez incorporer des variables exogènes en plus de toutes les variables traditionnelles liées à l’activité que vous essayez de poursuivre.

Joannes Vermorel : Conceptuellement, oui, bien que je sois légèrement en désaccord sur ce point. Le fait est que les données au-delà des données transactionnelles sont très coûteuses pour les entreprises. Acquérir des données sur l’intelligence concurrentielle est plutôt correct, ce n’est pas trop coûteux, mais si vous allez au-delà, simplement en grattant les prix de vos concurrents, cela devient très rapidement très compliqué.

Notre approche est qu’en général, d’abord, vous devez avoir des modèles où vous regardez vos données d’une manière plus informative. Un exemple serait le lancement d’un nouveau produit, vous n’avez pas d’historique des ventes, donc la perspective traditionnelle des séries temporelles dit que vous n’avez rien. Mais si vous abandonnez la perspective des séries temporelles et adoptez une vision alternative, vous pourriez voir que vos lancements de produits ont une sorte de schéma aléatoire et que les succès que vous pouvez attendre se comportent selon une certaine distribution, tout comme les échecs. Donc oui, vous pouvez utiliser vos données historiques pour en dire plus sur le produit.

Encore une fois, parce que vos lancements, si un studio inconnu lance un film, les chances que ce studio inconnu produise un film qui fera 1 milliard de dollars au box-office sont très faibles. Mais si c’est Disney ou Warner Brothers, alors les chances sont peut-être d’environ 5 %.

Donc, d’abord, en utilisant les données de transaction dont disposent les entreprises, vous pouvez généralement en dire beaucoup plus que ce que les gens pensent car ils sont ancrés dans la perspective des séries temporelles. Il y a d’autres façons.

La deuxième chose est que si vous admettez que vous ne savez tout simplement pas, admettons que les personnes qui prendront ces décisions en tant qu’êtres humains n’ont pas non plus de source d’information secrète. Il n’y a pas de boule de cristal à l’intérieur du cerveau humain qui vous permette de jeter un coup d’œil dans le futur ou quoi que ce soit, surtout lorsque nous parlons de chaînes d’approvisionnement où nous avons des dizaines de milliers de produits que vous connaissez uniquement par le fait qu’ils existent. Beaucoup de personnes qui seraient planificateurs de l’offre et de la demande ne sauraient même pas exactement ce que leur entreprise vend ou produit.

Donc, pour en revenir à cela, je dirais, d’abord, nous avons nos données de transaction qui peuvent être exploitées de plus de façons qu’il n’y paraît dès que vous abandonnez cette perspective des séries temporelles. Mais vous avez aussi le fait que ces informations supplémentaires sont très difficiles à obtenir. Alors peut-être devrions-nous plutôt accepter d’avoir beaucoup d’incertitude.

Les outils traditionnels n’acceptent même pas de traiter l’incertitude du tout. Quand je dis outils traditionnels, je veux dire tous les solveurs qui fournissent une optimisation mathématique du marché. Tous les solveurs que je connais qui sont établis sont simplement des solveurs déterministes ; ils ne peuvent pas traiter l’incertitude. Nous venons de recevoir sur cette chaîne un pionnier qui essaie d’établir leur prototype d’optimiseur stochastique InsightOpt, Meinolf Sellmann, qui avait ses instruments Seeker. Mais c’est vraiment unique en son genre, et c’est à peu près le seul que je connaisse qui essaie de poursuivre cela d’un point de vue commercial.

Donc, pour en revenir au cas présent, je pense que si vous n’avez aucun instrument pour traiter l’incertitude sous quelque forme que ce soit, l’idée que vous allez simplement gérer cette situation en augmentant l’incertitude et en la laissant être n’est même pas envisageable. Mais si vous avez ces instruments, alors cela devient quelque chose de très naturel. Vous essayez quelque chose d’inédit, l’incertitude est à son comble, et votre optimiseur vous permet simplement d’agir en conséquence.

Ian Wright : Je pense que là où nous commençons à nous désaligner, c’est qu’il y a une différence de focus entre nous lorsque vous planifiez stratégiquement et lorsque vous planifiez particulièrement plus vous vous rapprochez de l’exécution, où les options diminuent de manière drastique. Je viens principalement d’une sphère de planification stratégique. Lorsque vous dites, par exemple, qu’une grande partie de ces données supplémentaires pour un nouveau produit est coûteuse, cela peut être le cas, mais il y a beaucoup et beaucoup de différents types de données que vous pouvez déployer dans la modélisation avant d’arriver à l’optimisation.

Vous pouvez modéliser la corrélation entre de nombreux aspects exogènes différents des données économiques et démographiques liées au type de produit et au marché auquel vous souhaitez servir ce produit. C’est de là que je viens, Joannes, lorsque je parle d’ajouter plus d’éléments de données. Je parle de regarder la corrélation avec ce qui est raisonnablement accessible en termes de données généralement liées aux données démographiques et à la pénétration du marché.

Un autre aspect de cela, que je pense est finalement ce à quoi nous devrions toujours penser en tant que fournisseurs de technologie et praticiens dans ce domaine, c’est que les entreprises sont finalement une question de finances. Un élément majeur de ce que nous devons faire en matière de planification est de le réduire au coût et à la minimisation du coût, en fonction des circonstances. Les données de coût, à mon avis, ont été insuffisamment utilisées, par exemple, dans les modèles de réseau pour l’optimisation de la supply chain. Les gens ont été heureux d’accepter des hypothèses autour du coût lorsqu’ils introduisent des coûts dans les modèles, au lieu d’aller chercher des attentes beaucoup plus concrètes autour du coût, ce qui est tout à fait faisable. Je pense que c’est simplement quelque chose qui, avec la technologie que nous avons maintenant, est tellement plus propice à la focalisation et à une meilleure compréhension de ce que nous pouvons faire pour intégrer des données afin de mieux comprendre l’étendue du contexte dans lequel nous travaillons.

Conor Doherty : C’est un point parfait pour avancer un peu car une fois que vous avez toutes les données, vous devez ensuite arriver à une décision finalement. Quelque chose dont vous parlez également dans l’article est le rôle des compromis dans la prise de ces décisions. Une fois que vous avez votre modèle et toutes les données, vous êtes toujours confronté à un certain nombre de décisions, souvent simplement des options de décision. Comment les compromis s’intègrent-ils dans la recherche de la décision optimale ?

Ian Wright : Je vais faire une remarque rapidement. Vous n’avez jamais toutes les données. Vous avez les données que vous avez, évidemment, mais elles sont toujours imparfaites. Vous devez donc travailler avec ce que vous avez. Au fond, je suis un cynique, vous pouvez le dire, n’est-ce pas ? En ce qui concerne les compromis, il y a les compromis évidents dans la supply chain. Votre compromis est essentiellement financier. Est-ce que je veux dépenser de l’argent pour fournir le service et le produit que mon client souhaite ? Je veux fournir le produit de la manière dont le client souhaite que je le fournisse, et cela signifie que je dois dépenser de l’argent pour le faire. Jusqu’où suis-je prêt à aller dans cette voie ?

Le compromis est entre le stock et le coût de transport, par exemple, comme un exemple de base. Mais il y a des compromis liés à combien de contingences je mets en place pour atténuer les risques ? Combien de voies opérationnelles potentielles je crée pour mon entreprise afin que je puisse exécuter un plan probabiliste qui propose quelque chose qui n’est pas ma voie normale d’exécution ? Un compromis est, est-ce que je regarde les implications à court terme autour des modèles que je poursuis et des plans que je mets en place, ou est-ce que j’inclus le long terme, ce qui peut souvent signifier un compromis financier car j’investis maintenant pour quelque chose qui ne se produira pas avant une période ultérieure ?

Les compromis, pour moi, c’est un peu un euphémisme pour dire que je dois bien gérer l’argent. Comment puis-je équilibrer toutes ces choses ? Je ne suis pas sûr de répondre à votre question, Conor, mais cela revient à ce que je suis prêt à équilibrer dans mon modèle, sachant que je suis limité dans la façon dont je peux définir la portée de mon modèle. Que suis-je prêt à équilibrer pour obtenir ce signe dollar ou ce signe euro au bon endroit ?

Conor Doherty: Merci, Ian. Et Joannes, je vais maintenant m’adresser à vous car je sais que vous aimez parler de ce sujet. J’ai souligné que, fondamentalement, ce que les gens essaient d’optimiser de manière explicite, corrigez-moi si je me trompe, c’est en fait le coût ou les finances. Mais le problème est que, la plupart du temps, lorsque nous parlons de prise de décision en supply chain, les gens ou les entreprises essaient d’optimiser des choses comme les taux de service. Je pense que vous avez déjà souligné que ce que les gens pensent optimiser, c’est le coût, mais en réalité, c’est juste un artefact numérique. Donc la question, si vous pouviez commenter, c’est lorsque les gens se concentrent sur ces objectifs traditionnels en supply chain, optimisent-ils en fait pour le coût ou regardent-ils dans la mauvaise direction ?

Joannes Vermorel: Donc, si nous examinons les pratiques dominantes de la supply chain de nos jours, sur les PowerPoints, ils diraient qu’ils se concentrent sur ce qui est économiquement viable. En pratique, ce n’est pas le cas. C’est comme des pourcentages tout le long en termes de taux de service, de retours de stocks, et autres. Ces choses sont vaguement corrélées à votre résultat net, mais seulement vaguement.

Supposer que votre rentabilité est corrélée de quelque manière que ce soit à vos taux de service est tout simplement insensé. Ça ne fonctionne pas. C’est une vision très simpliste. La première chose serait de dire que les pratiques dominantes sont, en fait, les gens savent intuitivement qu’ils ne peuvent convaincre personne s’ils disent qu’ils veulent optimiser des pourcentages. Donc dans les diapositives, ils diront que nous optimisons ces dollars, mais en pratique, dans leurs systèmes logiciels, ils ont des règles qui ne sont absolument pas alignées de quelque manière que ce soit avec ces modélisations en dollars. Je dirais que seuls ceux que j’ai vus dans la nature, en mettant Lokad de côté, étaient strictement des perspectives non financières, non économiques.

Maintenant, si nous adoptons une perspective économique où nous commençons à parler de ces dollars, je suis tout à fait d’accord sur le fait que c’est très difficile d’y arriver. C’est difficile, et en fait, il y a plein d’histoires d’horreur racontées très fréquemment dans les films hollywoodiens où le financier est le méchant qui fait des choix incroyablement stupides à court terme au détriment de quelque chose qui serait un peu plus loin dans le futur.

La perspective financière a mauvaise réputation, et en effet, la perspective que la recherche opérationnelle mettait en avant il y a 40 ans était une vision très simpliste. Ils allaient vraiment pour un nombre très restreint de variables de base : coûts - coût des stocks, coût de ceci, coût de cela - et voilà, le travail est fait, la magie opère avec la solution optimale qui ressortira du modèle.

Chez Lokad, nous avons remarqué cela et réalisé que nous avions un vrai problème, qui est comment savoir si notre fonction de score économique, celle qui compte les dollars, dit une version approximative de la vérité qui est suffisamment bonne. C’est une question très difficile, et ce que nous avons découvert était une méthodologie documentée dans ma série de conférences sur la supply chain appelée optimisation expérimentale.

La façon de savoir si votre modèle économique est correct est lorsqu’il génère des décisions cohérentes. C’est très étrange. En fin de compte, les gens pensaient qu’il fallait avoir la bonne métrique de score pour qu’elle vous donne les décisions optimales. Ce que nous faisons est à peu près l’inverse. Nous générons les décisions, et ensuite, à partir de ces décisions générées qui ont été extrémisées selon cette métrique, nous regardons si elles sont cohérentes ou non.

Lorsque nous voyons des décisions évidemment dysfonctionnelles qui sont carrément insensées, très fréquemment nous revenons à la modélisation économique et réalisons qu’il y a quelque chose qui ne va pas, quelque chose que nous avons manqué. Nous avons donc ce processus très itératif où nous choisissons nos dollars, nous optimisons, nous obtenons des décisions, certaines d’entre elles sont insensées, nous révisons la façon dont nous comptons les dollars, et nous recommençons.

Avec de nombreuses itérations, nous convergons enfin vers quelque chose où plus personne n’a de doutes. C’est ce que nous appelons le principe de zéro folie. Nous voulons converger vers une configuration où le système ne génère plus de lignes qui sont évidemment complètement insensées dès le départ. C’est en fait le point où nous, chez Lokad, pensons qu’il est nécessaire d’arriver avant de passer à la production.

Mais vous voyez, le point est que nous inversions complètement le genre de perspective qu’avait la recherche opérationnelle. Au lieu de dire que la fonction de score est donnée, c’est quelque chose que nous allons découvrir à travers un processus incrémental. C’est très étrange car cela va à l’encontre, du moins pour les Français, de cette perspective cartésienne de pensée ascendante et d’application de principes et de les dérouler simplement. C’est un processus beaucoup plus empirique.

Ian Wright: Je dois avouer, et je m’excuse pour cela, mais je dois avouer ma relative ignorance de Lokad. Mais je suis très intrigué par votre définition de la santé dans le contexte dont vous parlez. Qu’est-ce qui constitue une décision saine ?

Joannes Vermorel: Ian, pour donner un exemple que j’ai donné dans ma série de conférences, je vais commencer par une analogie et ensuite nous reviendrons à la supply chain. Il y a des classes de problèmes où si vous voulez résoudre le problème général, c’est impossible, mais des cas particuliers sont très faciles.

Un exemple serait, disons que je vous donne un film à regarder et je vous dis que c’est sur un gladiateur romain ou autre, et je vous demande de repérer s’il y a des choses complètement hors contexte par rapport à la période historique, comme un avion en arrière-plan. Il y a un célèbre film où ils se battent dans l’arène et il y a un avion dans le ciel en arrière-plan.

Si je vous demande de trouver un algorithme général pour me dire toutes les choses qui peuvent mal tourner dans un film qui ne reflètent pas l’époque ou la période, c’est une tâche complètement intimidante. Vous auriez besoin d’une encyclopédie de tout ce qui n’a pas été inventé, même les termes, l’ambiance, l’attitude, le genre de pensée. C’est juste un problème incroyablement compliqué. Mais en pratique, si vous mettez un stagiaire à regarder la bande, il vous dira, “Oh, il y a un avion ici, c’est mauvais.” Je ne peux pas vous donner la liste de toutes les choses qui sont mauvaises, mais je peux repérer ce morceau de folie.

Les systèmes de supply chain sont très semblables à cela. Il est très difficile de vous donner une règle générale pour établir exactement ce qui compte comme insensé ou non. C’est un problème d’intelligence générale, pas quelque chose que vous pouvez simplement condenser en un algorithme simple. Mais il s’avère que les gens sont en fait assez doués pour repérer ces problèmes.

Un exemple serait, vous avez une série de ruptures de stock dans vos données historiques, elles ne sont pas correctement prises en compte, et soudain votre estimation de la demande future tombe à zéro parce que vous avez des ruptures de stock, donc vous n’avez pas vendu, et votre modèle prévoit bêtement zéro. Ensuite, vous finissez par suggérer zéro réapprovisionnement comme une bonne politique. Il dit, “Quel est votre niveau de stock cible? Zéro, car nous avons observé très peu de demande, donc gardons-le à zéro.”

Si vous commencez à réfléchir à cela, oui, ma prévision va être à 100% précise car je prévois zéro, je réapprovisionne zéro, et tout va bien. Mais non, tout ne va pas bien. Ce problème s’appelle un gel des stocks. C’est un morceau de folie, et vous avez de nombreuses situations comme celle-ci où lorsque vous examinez les décisions, vous pouvez identifier des choses qui sont dysfonctionnelles, où les chiffres sont de manière improbable élevés ou bas, ou les choses n’ont tout simplement pas de sens.

Un exemple que nous avions historiquement chez Lokad, pour l’un de nos premiers clients aviation, nous avons commencé à examiner le réapprovisionnement des stocks et avons suggéré d’acheter certaines pièces. Le client est revenu vers nous et a dit, “Oh non, nous n’allons pas acheter ces pièces. Ces pièces iront sur un Boeing 747, et dans 10 ans, il n’y aura plus de Boeing 747 volant au-dessus de l’Europe. Ces pièces ont une durée de vie de quatre décennies, donc si nous les achetons maintenant, nous ne les utiliserons que pendant 10 ans, et ensuite ces avions auront disparu.”

C’était quelque chose d’évident où nous avions oublié de prendre en compte le fait que l’utilité d’une pièce ne peut pas dépasser la durée de vie de l’avion qu’elle sert. C’est le genre de chose où, selon les secteurs, la réalité vous donnera un flux incessant de choses qui vous tombent dessus comme des manifestations de ces folies. Bien que je ne puisse pas vous donner une règle générale ou un algorithme pour détecter cela, en pratique cela fonctionne très bien car les gens peuvent repérer ces choses.

Ian Wright: Nous sommes maintenant violemment sur la même longueur d’onde, étrangement, car je sais que nous voulons discuter de certaines choses à venir. Ma principale prémisse dans ma carrière, en termes d’avoir travaillé avec toute cette technologie et d’avoir poussé la technologie dans l’entreprise de la victime, a toujours été que vous ne pouvez pas exclure l’humain. Vous devez tenir compte de l’humain et utiliser l’humain dans le processus de déploiement et d’utilisation de la technologie.

Parce que pour l’instant, et pour mon avenir prévisible, nous n’avons pas de technologie qui peut remplacer de nombreux aspects de l’humain dont vous parlez, en termes de reconnaissance de l’absurde, par exemple, ou de reconnaissance de l’insensé. Cela n’existe tout simplement pas encore. La seule façon pour qu’elle vienne à exister est d’essayer d’une manière ou d’une autre d’incorporer des aspects de l’humain dans le processus. Aujourd’hui, ce n’est tout simplement pas faisable.

Joannes Vermorel: Oui, je suis d’accord avec vous. Il y a deux angles auxquels j’aimerais répondre à vos commentaires. Tout d’abord, parfois, des décisions insensées ne peuvent être connues comme telles qu’après coup. Vous devez commettre l’erreur pour réaliser qu’il s’est passé quelque chose d’inattendu et que c’était mauvais. Mais plus que l’humain, l’information doit revenir du monde. Vous avez besoin d’un retour d’information du monde réel pour obtenir ces informations. C’est donc une question d’intelligence de haut niveau. Même si nous avions une intelligence artificielle aussi intelligente qu’un humain, il y a des limites. Dans une certaine mesure, la seule façon de connaître le monde est de vous donner une marge de manœuvre pour expérimenter. Ce serait le premier angle.

Le deuxième concerne le rôle des personnes. La façon dont mes pairs ont conçu des systèmes est qu’ils utilisent les humains comme co-processeurs. Votre système génère des décisions, des chiffres, des allocations de ressources, et ainsi de suite. Ensuite, vous avez toutes ces lignes qui sont insensées, et vous vous attendez à avoir une armée de commis pour intervenir manuellement et corriger tout cela. Pour le public, tous les systèmes qui ont des alertes et des exceptions font exactement cela. Les alertes et les exceptions sont juste un autre moyen de dire que nous avons des co-processeurs humains qui vont traiter les choses que mon système ne traite pas.

Mon problème avec cela, c’est que les gens sont assez chers. C’est le coût. Donc, de mon point de vue, ce n’est pas une très bonne utilisation de leur temps car vous allez avoir ces co-processeurs humains passer sans cesse par les mêmes absurdités des mêmes alertes et exceptions.

C’est pourquoi chez Lokad, nous regardons les choses d’une manière complètement différente. Nous disons que chaque fois qu’un morceau d’absurdité est détecté, comme une alerte ou une exception, quelqu’un chez Lokad, le Supply Chain Scientist, doit intervenir et ajuster la mise en œuvre de ce qui fait l’optimisation prédictive pour corriger le problème afin que cela ne se reproduise pas. Pas d’exceptions. Chaque morceau d’absurdité qui est traité est évalué. Est-ce un véritable morceau d’absurdité ou une optimisation très astucieuse ? S’il s’agit effectivement d’une absurdité, alors la logique d’optimisation elle-même doit être corrigée. Vous ne voulez pas que le même employé signale le même problème le lendemain.

Ian Wright: Je pense que nous sommes toujours sur la même longueur d’onde, certainement sur le même chapitre. Je viens davantage d’un point de vue stratégique et tactique, où je ne m’inquiète pas d’aller voir une pièce pleine de gens de Big Brother sur des écrans d’ordinateur corriger les choses. Je parle de ce qui est nécessaire dans le déploiement des opérations d’un point de vue stratégique ou tactique. Cela signifie impliquer les parties prenantes expérimentées pour maintenir la santé mentale dans la direction que vous prenez et les solutions que vous mettez en œuvre.

En ce qui concerne l’idée générale de là où je pense que vous encadrez votre argument, Joannes, à mesure que nous avançons avec le type de technologie que vous développez et avez développé, et avec le mouvement général vers plus de capacités en termes d’IA, la capacité pour un système de s’autocorriger dans un contexte de gestion des événements va devenir plus faisable. Nous nous éloignerons de la salle coûteuse des opérateurs informatiques humains. Mais ce n’est pas le cas aujourd’hui, donc vous devez travailler dans les limites des capacités que vous avez à ce moment-là.

Conor Doherty: Si je peux me permettre, Ian, il semble que vous commentiez davantage le rôle de l’humain dans un sens stratégique, et Joannes, vous semblez commenter davantage la prise de décision dans un sens plus quotidien et banal. Ces domaines sont-ils non superposables ?

Joannes Vermorel: C’est parce que, vous voyez, de mon point de vue, et peut-être que c’est un peu étrange, si nous entrons dans le domaine de la considération stratégique, alors votre focalisation sur l’exploitation d’une chaîne d’approvisionnement devrait être très axée sur la manière dont j’ingénie la machinerie qui génère les bonnes décisions. Les gens pensent qu’il y a des décisions stratégiques, des décisions tactiques, et tout le reste. Mon point de vue est que vous avez des décisions qui sont répétables. Certaines sont répétées chaque jour, certaines chaque heure, certaines chaque mois, certaines une fois par an. En ce qui concerne la mécanisation, vous voulez mécaniser tout ce qui est raisonnablement répété assez fréquemment. Vous vous laissez gérer les autres de manière complètement ad hoc.

La stratégie, si vous commencez à penser de cette manière, ne consiste pas tant à décider quelque chose à un certain niveau et à laisser les autres couches de votre organisation faire leur travail à d’autres niveaux. C’est plutôt que la vision stratégique consiste à se demander ce que je dois faire pour que la culture d’ingénierie de mon entreprise, à partir de cette culture d’ingénierie, émerge les processus de prise de décision mécanisés qui améliorent vraiment mon résultat net. C’est une manière complètement différente de penser la stratégie.

Ian Wright: Je suis tout à fait d’accord avec vous. La façon dont je l’ai souvent envisagée est le rôle de l’architecte dans la conception du concept d’un bâtiment, puis il est remis à l’ingénieur qui dit comment il sera assemblé, puis à la construction qui le met réellement en place, puis aux personnes qui travaillent et entretiennent le bâtiment. À tous ces niveaux, l’architecte ne devrait pas mettre en place quelque chose qui ne peut pas être conçu, construit ou entretenu. C’est mon analogie de haut niveau du processus dans lequel nous sommes impliqués.

Dans la chaîne d’approvisionnement, cependant, c’est un peu différent car vous pourriez créer une stratégie aujourd’hui, mais vous devez refaire la même chose l’année prochaine. Le problème avec la chaîne d’approvisionnement est qu’elle est dynamique et adaptable. Nous devons répondre au monde changeant et à ses besoins. Vous répétez votre processus stratégique, mais vous devez le faire de manière faisable, pragmatique et qui vous permettra de mettre en œuvre une solution opérationnelle.

Joannes Vermorel: Juste pour vous donner une perspective, pendant les confinements en 2020 et 2021, nous avons eu toute une série de clients, plus d’une douzaine, où leurs travailleurs de bureau sont partis pendant 14 mois. Lokad était seul à prendre toutes les décisions en matière de chaîne d’approvisionnement pour des entreprises où la main-d’œuvre ouvrière était toujours en activité. La main-d’œuvre de bureau était en vacances gouvernementales, subventionnées. Ils étaient payés, mais les gouvernements européens imposaient également que les gens ne travaillent pas depuis chez eux, sinon ils ne seraient pas payés par les subventions gouvernementales. Ainsi, ils étaient effectivement en congé.

Nous avons réussi pour une douzaine de clients à gérer plus d’un milliard d’euros de stocks opérés entièrement pendant 14 mois. Cela représentait plus d’un millier d’employés au total. Et cela pose vraiment la question de ce que ces processus de chaîne d’approvisionnement soi-disant stratégiques apportent réellement.

Lorsque je regarde la plupart des réunions S&OP, vous aurez de longues discussions pour décider du budget alloué aux achats pour divers départements. Tout cela peut être remplacé par une formule. Si nous sommes en désaccord avec une formule car elle donne des résultats insensés, alors nous corrigeons la formule. Mais nous n’avons pas besoin de rencontrer 12 directeurs et de passer par toutes les dépenses pour arriver à ce calcul de budget. Cela peut être automatisé.

En termes de stratégie, la question serait de savoir comment je peux m’assurer que l’ingénierie qui entre dans cette formule qui alloue mes ressources de haut niveau est faite de manière alignée avec les intérêts de mon entreprise? C’est un problème très intéressant et oui, cela devrait susciter l’intérêt de la direction qui souhaite réfléchir de manière stratégique. L’idée de choisir quelques décisions et de dire, “je vais m’impliquer là-dedans,” n’ajoute pas vraiment beaucoup de valeur.

Dans de nombreuses entreprises, ce qui se passe lors de ces réunions soi-disant stratégiques est une perte de temps considérable. Oui, elles génèrent des décisions, mais avec une productivité absolument abyssale. Je pense qu’un invité précédent discutait de S&OP, et il me disait qu’ils finissaient généralement par prendre environ quatre décisions par heure.

Conor Doherty: C’était Eric Wilson, oui, dans un processus S&OP.

Joannes Vermorel: Oui, et je me disais, bon, nous avons juste des centaines de milliers de décisions à prendre, et maintenant nous avons un rythme de quatre décisions par heure. Il est évident que lorsque vous avez ce genre de situation, les opérations seront toujours bien en avance sur vos plans.

Au moment où vous prenez vos décisions, elles sont complètement obsolètes, et les gens ont fait autre chose car ils ne pouvaient pas attendre si longtemps pour ces décisions. Nous nous retrouvons dans ce genre de situation où c’est plus comme une mascarade. Les gens prennent des décisions stratégiques pour des choses qui se sont déjà produites deux ans auparavant.

Conor Doherty: Eh bien, cela m’intéresse. Juste pour vous préparer au suivi, car je sais que dans l’article vous avez parlé d’une prise de décision plus décentralisée en matière de chaîne d’approvisionnement, et vous avez donné l’exemple de Walmart.

Vous pouvez le décrire mieux que moi.

Ian Wright: Faire cela correctement de manière efficace signifie que vous décentralisez la décision, mais cette décentralisation et la prise de décision se déroulent toujours dans un contexte qui a été conçu de manière efficace et appropriée. Ainsi, vous ne vous éloignez pas beaucoup de la stratégie centrale de l’entreprise. Il y a presque comme un escalier de la stratégie jusqu’aux opérations.

Dans ce cas, nous parlons de la décentralisation de ce que je qualifierais de décisions plus tactiques. Mais tout revient à Joannes. Je ne suis pas en désaccord avec vous du tout. Ce dont nous parlons, c’est que les gens ne travaillent pas seulement en silos au sein des organisations, mais ils planifient et fonctionnent également en silos. Les responsables de la chaîne d’approvisionnement partent faire leur plan stratégique de chaîne d’approvisionnement, puis ils réfléchissent au plan de transport, et ensuite au plan d’entrepôt.

Tous ces plans sont interdépendants et malheureusement assez souvent exécutés de manière indépendante. Nous ne pouvons pas élaborer une solution optimale de chaîne d’approvisionnement stratégique à moins d’incorporer un plan de réseau, un plan de transport et un plan de stocks dans un modèle opérationnel.

La situation entière avec Lokad fonctionnant sans les cols blancs dans le bâtiment est un excellent exemple pour moi d’avoir un modèle opérationnel qui signifie que vous pouvez maintenir les opérations et ne pas vous éloigner trop du plan auquel vous pensiez devoir opérer il y a six mois malgré les perturbations. Vous avez réuni les bonnes personnes, les bons processus, et vous avez la technologie et les programmes en place pour aider à cette exécution.

Je maintiens vraiment beaucoup plus que cette idée d’obtenir l’optimalité correcte. Vous pouvez avoir un plan optimal, mais vous devez être capable de l’exécuter et de le maintenir aussi étroitement que possible. Sans ce modèle opérationnel, et je vais au-delà des personnes, des processus et de la technologie traditionnels, vous avez besoin que cela soit en place. C’est vraiment votre plan stratégique d’entreprise, et ensuite tous ces autres plans stratégiques autour de la chaîne d’approvisionnement doivent fonctionner dans le contexte de cela. Si vous n’associez pas le modèle opérationnel que vous avez avec les plans que vous élaborez, alors cela va être une recette pour le désastre.

Conor Doherty: Ian, si je peux résumer cela par une citation, vous avez dit plus tôt que vous ne pouvez pas exclure les humains. Donc, Joannes, êtes-vous d’accord que vous ne pouvez pas exclure l’humain, en particulier dans la prise de décision stratégique dont parle Ian? Est-ce quelque chose qui pourrait être intégré dans un cadre automatisé que vous avez déjà appliqué à la gestion plus banale du quotidien de l’entreprise?

Joannes Vermorel: Sur la question de savoir si nous avons une intelligence artificielle générale, nous n’en avons pas. Nous nous en approchons, de manière concrète. Les LLM montrent des étincelles d’intelligence générale, mais juste des étincelles. Donc, je dirais que Lokad en ce moment, nous n’avons certainement pas la prétention d’avoir un logiciel si sophistiqué qu’il peut se passer de l’esprit humain. En fait, au cœur de notre pratique, nous avons ce que nous appelons des Supply Chain Scientists qui sont des ingénieurs codant les recettes numériques. C’est une chose très humaine que nous ne déléguons pas encore aux machines.

Bien que les algorithmes puissent aider à coder plus rapidement avec l’autocomplétion et autres, la vraie question est lorsque vous avez des intelligences humaines, sont-elles affectées à une tâche qui ajoute vraiment de la valeur du fait qu’elles sont une intelligence générale plutôt que d’être comme des chercheurs de motifs ou quelque chose qui peut être mécanisé?

Mon argument contraire serait que de nombreuses entreprises, en particulier celles opérant des chaînes d’approvisionnement, n’utilisent pas très bien les cols blancs qu’elles ont. Elles sont encore largement dans l’optique d’avoir des hordes de commis d’entreprise qui suivent un processus, et la conformité au processus est leur objectif.

Je vois beaucoup de ces entreprises opérant des chaînes d’approvisionnement traiter la majorité de leurs cols blancs exactement comme elles traitent leurs cols bleus. Il y a un processus, et l’adhésion au processus est définie comme l’excellence.

Pour les cols bleus, c’est clair, c’est ce que vous voulez. Mais si nous entrons dans le domaine des cols blancs, cela devient très étrange car l’information est des ordres de grandeur plus facile à mécaniser que le monde réel.

Traiter des choses physiques, par exemple, si vous voulez avoir un robot capable de souder dans toutes les situations, c’est extrêmement difficile. Juste bouger une main, tenir un outil, supporter quelque chose de lourd, et être dans un environnement avec de la poussière ou des contaminants, nous parlons d’une robotique extrêmement avancée juste pour pouvoir faire quelque chose qu’une personne pourrait faire en quelques mois de formation.

Maintenant, si nous entrons dans ce monde de l’information, vous savez, sur papier, les contraintes ne sont pas aussi exigeantes. Nous pouvons déplacer des gigaoctets de données sans problème. Les personnes qui exercent ces emplois de cols blancs travaillent déjà avec des systèmes informatiques. Toutes les informations qu’elles reçoivent passent par un ordinateur, et toutes les informations qu’elles produisent sont déjà saisies dans un ordinateur. Nous avons donc un cadre entièrement numérique.

Ce que je dis, c’est que les entreprises utilisent la plupart de leurs cols blancs comme co-processeurs. Ils ont ce que le processeur de l’ordinateur peut faire avec les logiciels que nous avons, et ensuite nous avons simplement quelqu’un au milieu pour combler les lacunes. Mais utilisons-nous vraiment l’intelligence de ces personnes? Mon argument est non. S’il s’agit d’une question d’importance stratégique, c’est de s’assurer que tous les cols blancs contribuent à des choses où seule l’intelligence générale peut apporter quelque chose. Si c’est quelque chose où vous n’avez pas besoin d’intelligence générale, alors cela devrait être mécanisé.

Ian Wright: Je suis d’accord. Votre accent mis sur l’approche mécaniste définit ce qui est l’automatisation et ce dont vous avez besoin de l’humain. Le moment où l’humain apporte vraiment de la valeur, et comme vous le dites, Joannes, cela n’est probablement pas déployé correctement, c’est dans les domaines intuitifs où vous ne pouvez pas fournir de manière mécaniste une entrée. Par exemple, considérer qu’un avion sera obsolète dans 10 ans, alors pourquoi ferions-nous cela? C’est quelque chose que vous ne pouvez pas construire de manière mécaniste.

L’endroit où vous avez besoin de l’humain est là où il doit fournir une sorte d’entrée organique à un problème ou une situation, que ce soit la gestion d’événements ou la gestion opérationnelle de la chaîne d’approvisionnement. Vous pouvez avoir des mécanismes de diagnostic relativement facilement. Un domaine qui est encore propice au travail est l’emploi de boucles de rétroaction qui aident à générer des solutions proactives dans un contexte mécaniste. Cela inclut l’accumulation d’informations provenant d’une plus grande variété d’origines de données dans cette gestion opérationnelle mécaniste proactive. Mais vous ne pouvez pas battre le côté intuitif des choses. Il y a un aspect émergent dans ce qu’un humain apporte à un contexte où il essaie d’examiner un problème ou, plus important encore, d’anticiper un problème.

Joannes Vermorel: Je suis tout à fait d’accord. Ici, je blâmerais la perspective des séries temporelles. La pratique dominante des chaînes d’approvisionnement de nos jours tourne autour des séries temporelles. Mais si vous regardez les entreprises qui excellent dans ce qu’elles font, elles sont très douées pour faire quelque chose d’intelligent avec les retours d’information qu’elles reçoivent, comme Amazon. Amazon utilise très intelligemment les retours de ses clients pour résoudre la plupart de leurs problèmes de chaîne d’approvisionnement et logistique de manière systématique.

Si un livreur est régulièrement signalé pour avoir perdu des colis, Amazon cessera d’utiliser ce fournisseur et passera à un autre. Si un fournisseur pose problème, ils le renverront. Ils font un usage raisonnable des données de retour qu’ils collectent. Ils ont besoin d’humains pour imaginer quel type de retour d’information ils peuvent collecter et d’ingénieurs pour concevoir les recettes numériques qui décident quand renvoyer un fournisseur ou notifier un prestataire logistique.

Ils font probablement une optimisation intelligente, comme remarquer qu’un transporteur est fiable dans certaines conditions mais pas dans d’autres, et n’utiliser ce transporteur que dans ces paramètres. Cela nécessite une vision de ce qui constitue des données pertinentes, pas seulement des séries temporelles sur la demande. Cela nécessite un état d’esprit d’ingénierie pour apporter des solutions profondes aux problèmes, pas seulement éteindre des incendies. La plupart des entreprises passent d’une urgence à une autre, consommant toute leur bande passante et empêchant toute amélioration. Amazon, en revanche, apporte des solutions profondes à toute situation qu’ils rencontrent, éliminant des catégories de problèmes et passant à la suite.

Ian Wright: Malheureusement, cela revient aux finances. Si vous avez les moyens financiers pour avoir le type de réflexion auquel vous faites allusion, c’est une chose. Mais la plupart des responsables de chaîne d’approvisionnement ne travaillent pas dans un environnement où ils ont de l’argent à dépenser pour résoudre les problèmes de cette manière. Ils sont constamment en train de rattraper leur retard, d’éteindre des incendies, et de tourner en rond.

Si vous avez l’opportunité en tant que praticien de travailler sur un projet stratégique, ne mettez pas le modèle en premier. Comprenez le monde du responsable de chaîne d’approvisionnement tel qu’il existe aujourd’hui, puis réfléchissez comme si vous étiez Amazon et imaginez comment ce monde du responsable de chaîne d’approvisionnement pourrait fonctionner pour qu’il ne soit pas constamment en train de rattraper son retard. Malheureusement, la plupart des responsables de chaîne d’approvisionnement abordent les projets stratégiques de la même manière que leur travail quotidien, qui est juste un autre feu à éteindre. Les personnes des deux côtés n’abordent pas la situation correctement, mais elle pourrait être abordée différemment en pensant différemment au rôle.

Conor Doherty: Messieurs, je suis conscient du temps, donc je veux revenir vers vous, Ian, et vous demander à propos de l’optimalité pratique. Pour nous orienter vers une conclusion, quelles sont les étapes pratiques que les gens peuvent prendre dans la poursuite de l’optimalité?

Ian Wright: Encore une fois, je le vois du point de vue stratégique, ne étant pas la personne sur le terrain essayant de mettre le produit entre les mains du client. Ce que vous devez faire en examinant l’optimalité est de réfléchir à la manière dont cette exécution se déroulera réellement. Assurez-vous de vous concentrer sur apporter une solution réalisable et opérationnelle, une solution qui correspond à la manière dont l’entreprise fonctionne aujourd’hui.

Si vous avez la capacité et la liberté, trouvez une solution qui atteint l’optimalité dans un contexte qui peut être exécuté de manière optimale. Comprenez les véritables objectifs des parties prenantes, les véritables objectifs des sponsors et les véritables objectifs de l’entreprise, pas seulement leurs objectifs observés ou déclarés. Dans la mesure où ils sont disposés à écouter, essayez de produire une solution dans cette optique. À tout moment, assurez-vous de travailler avec des humains, pas seulement avec le modèle.

Conor Doherty: Merci. Joannes, avez-vous quelque chose à ajouter à cela?

Joannes Vermorel: Non, je pense que c’est un bon point. Du point de vue d’un fournisseur de logiciels, je dirais en ce qui concerne l’optimalité, ne faites pas trop confiance aux fournisseurs de logiciels . Oui, évidemment, sauf nous. En particulier, prenez en compte qu’il existe des classes de logiciels comme les systèmes d’enregistrement et les systèmes de rapports qui ne traitent pas de décisions et ne peuvent donc pas traiter l’optimisation du tout.

Les systèmes d’enregistrement, tels que les ERP, CRM, WMS, et les systèmes de rapports, comme la business intelligence, sont souvent présentés comme apportant des décisions optimisées. Par conception, ces classes de logiciels ne touchent même pas le problème. Ils n’optimisent pas en premier lieu. Ainsi, mon message serait de ne pas essayer de trouver votre chemin vers l’optimalité dans votre prochaine mise à niveau ERP. Par définition, un ERP est un système d’enregistrement. Il ne traite pas de décisions et se soucie encore moins de savoir si ces décisions peuvent être optimales sous quelque forme que ce soit.

Conor Doherty: Je veillerai à publier cet article très intéressant - enfin, un court article, c’est ce que je voulais dire. Dans celui-ci, vous parlez des systèmes d’enregistrement, des systèmes de rapports et des systèmes d’intelligence. Mais il est de coutume ici de laisser le dernier mot à l’invité. Donc, s’il y a autre chose que vous voulez mentionner ou quelque chose que nous n’avons pas dit, vous pouvez conclure sans interruption.

Ian Wright: Oui, j’aime ça. Du point de vue d’un fournisseur de logiciels, ne faites pas confiance aux fournisseurs de logiciels. J’aime vraiment ça parce que, depuis plus de 40 ans, l’une des choses qui m’a préoccupé est l’ampleur de l’engouement autour de la technologie. L’engouement autour de l’idée même d’une supply chain, pendant longtemps, à mon avis, est une sorte d’engouement. Et j’ai effectivement écrit à ce sujet, Conor, ce qui ne vous surprendra pas. Mais je pense que ce que nous devons faire, c’est simplement apprendre à vivre dans un monde où vous savez comment naviguer à travers l’engouement, à travers les difficultés, et comprendre ce qui fonctionne vraiment. C’est la clé - ce qui est réel.

Conor Doherty: Eh bien, sur cette note, je dirai que je n’ai plus de questions. Joannes, merci pour votre temps. Ian, merci beaucoup de nous avoir rejoints.

Ian Wright: Merci, les gars. C’était un privilège pour vous de m’inviter, et j’ai vraiment hâte d’en apprendre davantage sur Lokad et de savoir si je suis fou ou non. C’est la clé.

Joannes Vermorel: Oui, l’une des clés. Nous vous enverrons un diagnostic.

Conor Doherty: Merci, et merci de nous avoir regardés. À la prochaine fois.