Transcription complète
Conor Doherty: Ceci est Supply Chain Breakdown, et aujourd’hui nous allons analyser pourquoi vous devriez prévoir plus que la seule demande. Je m’appelle Conor ; je suis directeur de la communication ici chez Lokad. Et à ma gauche en studio, comme toujours, le fondateur de Lokad, Joannes Vermorel.
Maintenant, avant de commencer, deux questions. Premièrement, d’où regardez-vous ? Nous sommes à Paris. Et deux — question clé qui encadre toute la discussion — êtes-vous d’accord qu’il est important de prévoir régulièrement plus que la seule demande ? Question clé, mais qui va influencer toute la discussion. Sur ce, rejoignez-nous. Je sais que le temps presse aujourd’hui, alors allons droit au but.
Cette conversation a été inspirée par l’une des conférences que j’ai regardées de nouveau — la prévision des délais d’approvisionnement, conférence 5.3. Dans celle-ci, vous avez soutenu, et je cite, “Tout ce qui n’est pas connu avec un degré raisonnable de certitude mérite une prévision.” Maintenant, je vous connais un peu mieux que la plupart; je sais que vous ne croyez à rien de certain, sauf la mort et, en France, les impôts, c’est sûr. Alors, pour lancer la discussion : quels sont les inconnus connus — les choses dont nous savons que nous ignorons — en supply chain ?
Joannes Vermorel: Si l’on regarde la littérature sur la supply chain, il s’agit uniquement de prévoir les ventes. Je veux dire, il y a littéralement mille articles pour un qui concerne la prévision de la demande — ce qui signifie la prévision des séries temporelles pour les ventes en pratique — contre la prévision de quoi que ce soit d’autre.
Au moment où je passais en revue la littérature, le ratio que j’ai obtenu était : pour mille articles traitant de la prévision des ventes, il y avait un article qui abordait la prévision des délais d’approvisionnement. Évidemment, le délai d’approvisionnement est très important. C’est toujours, dirais-je, un inconnu connu parce que si vous voulez offrir une qualité de service, vous devez vous demander : “Pendant combien de temps vais-je servir ce nombre de clients ?” Car, évidemment, en fonction de vos délais d’approvisionnement, si cela prend six mois pour que les marchandises arrivent, vous devez couvrir six mois de demande. Si le fournisseur peut livrer en 48 heures, le délai est bien plus court.
La réalité est que dans quasiment toutes les industries, les fournisseurs ne sont pas parfaitement fiables. Et ce n’est que le premier point — le délai est très évident. Ensuite, il y a les prix. Il y a ceux de vos propres fournisseurs; ils peuvent augmenter ou baisser leurs prix selon les fluctuations du marché. Il y a également les prix de vos concurrents qui peuvent vous contraindre : un concurrent peut baisser son prix, vous obligeant ainsi à baisser le vôtre en retour, ou — inversement, si vous avez de la chance — lorsqu’un concurrent fait faillite et que vous pouvez soudainement augmenter votre prix parce qu’il y a une source de stress en moins sur le marché.
Ce genre de choses se produit constamment, et ce que je dis, c’est que si vous ne prenez pas en compte ces sources d’incertitude tout aussi conséquentes, alors les décisions en supply chain — l’allocation de ressources rares — vont être très détachées de la réalité. C’est comme une mauvaise gestion des risques. Si vous décrétez qu’une catégorie de risque n’existe pas alors qu’en réalité elle existe, alors tout calcul que vous faites sera faussé, ce qui signifie des coûts indirects plus élevés que ce qu’ils devraient être.
Conor Doherty: Merci, et je tiens encore une fois à cadrer très soigneusement la discussion. Vous avez fait remarquer qu’en préparant votre conférence, vous aviez examiné le paysage académique et constaté un écart énorme entre ce qui était écrit sur la demande et ce qui l’est sur des aspects comme les délais d’approvisionnement. D’accord, c’est l’académique; mais en ce qui concerne la planification supply chain sur le terrain, c’est encore pire. Quelle est la fréquence à laquelle on trouve des gens qui prévoient les délais d’approvisionnement, les prix, les retours, les taux de rebut — dans la réalité, pas en classe ?
Joannes Vermorel: En réalité, même en dessous de 0,1 %. Prenez n’importe quel ERP de taille moyenne et vous trouverez un module de prévision de la demande — même s’il est rudimentaire. Autant que je sache, aucun d’entre eux ne dispose d’un quelconque module de prévision des délais d’approvisionnement. L’analyse de la volatilité des prix — encore, autant que je sache — n’en propose aucune.
Si vous regardez le paysage applicatif, le fait que ces capacités soient complètement absentes reflète littéralement le fait qu’elles sont également très, très absentes dans les articles académiques. Dans les logiciels d’entreprise, la plupart des fournisseurs copient littéralement ce que l’on trouve dans les manuels académiques. Ils ne sont pas nécessairement ultra inventifs sur le plan technologique ; ils ont tendance à simplement déployer la recette numérique qui est donnée dans les grands manuels.
Conor Doherty: Nous ne les avons pas sur place — j’ai oublié de les apporter, mea culpa — mais nous avons en effet regardé certains des manuels dans vos bureaux hier, et encore une fois, en jetant simplement un coup d’œil rapide dans l’index pour essayer de trouver où la prévision des délais d’approvisionnement est mentionnée, vous pourriez trouver un paragraphe.
Joannes Vermorel: Ils ne mentionnent même pas la prévision des délais d’approvisionnement. Au mieux, les professionnels de la supply chain reconnaissent qu’il existe des délais d’approvisionnement variables. Le maximum que j’ai trouvé dans la littérature — encore, je parle de manuels pratiques, et non d’un article aléatoire sur arXiv —, c’est l’hypothèse que les délais d’approvisionnement sont distribués de manière normale, ce qui est très étrange et bizarre car cela signifie que vous attribuez une probabilité non nulle à ce qu’une commande passée aujourd’hui arrive hier. Vous avez des probabilités positives de moins l’infini à plus l’infini.
À première vue, c’est une approche très étrange pour les délais d’approvisionnement, mais cela vous donne l’état de l’art de ce que nous pouvons trouver dans la littérature. Encore une fois, dans le paysage applicatif au sein des entreprises, cette question est tout simplement complètement absente. Habituellement, on a simplement une valeur codée en dur pour le délai d’approvisionnement, et si vous avez de la chance, elle est révisée une fois par an; sinon, elle n’a jamais été révisée.
Conor Doherty: Encore une fois, en théorie — disons, pour les besoins de la discussion — que dans la plupart des entreprises la planification repose uniquement sur la prévision de la demande. Quel est le problème avec cela ? Si vous allez vous concentrer sur une seule source d’incertitude, la demande ne serait-elle pas celle sur laquelle vous voudriez concentrer tous, ou du moins la quasi-totalité de vos efforts ?
Joannes Vermorel: Pensez à n’importe quel autre domaine. Les supply chains sont très opaques, ce qui peut compliquer les choses, mais imaginez que vous vendez des assurances. Oui, vous devez prendre en compte, par exemple pour l’assurance incendie habitation, la probabilité que la maison brûle, mais vous devez également considérer la probabilité que le client reste afin de pouvoir réellement réaliser un profit.
Vous devez intégrer ces incertitudes. Si vous ne les prenez pas toutes en compte, vous êtes aveugle. Quelles sont les chances que, lorsque vous ignorez quelque chose de très conséquent, votre calcul économique soit finalement correct ? Je ne parle pas d’un motif subtil et insaisissable ; je parle de quelque chose d’évident, avec un impact massif, comme les délais d’approvisionnement ou le prix auquel vous vendez.
Par exemple, si je vends des produits avec une marge brute de 90 % parce qu’il s’agit d’un accessoire — les clients s’en fichent — je peux être beaucoup plus généreux avec mes surstocks, car la vente d’une unité couvre le coût de dix autres. En revanche, si je suis un grossiste vendant avec une marge brute de 2 %, alors les surstocks sont absolument fatals et je dois faire preuve de grande prudence.
Ici, nous faisons des projections sur la marge brute projetée, mais encore une fois cela dépend du prix. Si vous ne faites pas attention au prix, vous pouvez avoir des fluctuations massives de rentabilité ; par conséquent, cela a des conséquences dramatiques sur le fait que quelque chose soit rentable à produire, à acheter ou à conserver en stock quelque part.
Conor Doherty: Il est important de souligner ici que nous faisons essentiellement un argument de gestion des risques ou d’économie sur l’importance de reconnaître la gamme d’incertitudes.
Joannes Vermorel: Exactement. Ici, nous parlons de regarder vers l’avenir pour dire : que dois-je savoir, que dois-je évaluer quantitativement, afin d’avoir une décision fondée sur des preuves qui soit rationnelle pour l’entreprise ?
La théorie dominante classique suppose simplement des séries temporelles des ventes et le tour est joué, et ils auront des idées incroyablement simplistes, au mieux, pour le délai d’approvisionnement — fixé — et c’est tout. Selon les secteurs, vous avez beaucoup plus d’incertitudes. Pour le le e-commerce, vous pouvez avoir des retours. Si vous êtes dans le textile — fast fashion — vous avez le contrôle qualité, et une partie de votre production provenant, par exemple, du Bangladesh peut ne pas passer le contrôle qualité. Ainsi, vous avez commandé mille unités ; au final, vous n’en avez que six cents parce que quatre cents n’ont pas passé le contrôle qualité.
Ce sont les inconnus connus. Les personnes qui travaillent dans ces industries le savent. Là où cela devient fou, c’est que la manière typique de prendre en compte ces incertitudes qui n’ont rien à voir avec la demande consiste à rétroconcevoir la prévision de la demande afin qu’elle intègre indirectement cette autre incertitude.
Par exemple, si vous pensez que votre délai d’approvisionnement présente une grande variabilité, les gens augmenteront la prévision des ventes de manière à ce que vous commandiez plus plus tôt, couvrant ainsi votre risque de délai d’approvisionnement. Mais c’est une manière très détournée d’aborder la question, et soudainement vous vous retrouvez dans cette situation super étrange dans laquelle rendre votre prévision des ventes moins bonne rend votre entreprise plus profitable. C’est très incohérent. Opérationnellement, je peux comprendre pourquoi les gens finissent par faire cela, mais il serait bien plus judicieux d’aborder ces autres incertitudes et d’essayer de les prédire séparément.
Conor Doherty: Je tiens à apporter une petite réplique ici, car lorsque j’ai commencé à promouvoir cela, certaines personnes l’ont signalé — ce sont des amis de la chaîne ; ce sont des personnes que nous avons interviewées — un clin d’œil à Jonathan Karrel chez Northland et à Meinolf Sellmann chez Inside Opt. Ils ont souligné que ce dont nous discutons aujourd’hui — je paraphrase ici — ce que vous suggérez n’est pas nouveau. L’idée de prévoir, par exemple, le délai d’approvisionnement, les taux de rebut, les retours, etc., fait partie de la littérature depuis des décennies et constitue, en fait, une procédure opérationnelle standard dans certains endroits ou dans certaines industries. Comment répondez-vous à cette réplique ?
Joannes Vermorel: Le fait que cela soit présent dans la littérature — absolument, je suis assez sûr que nous pouvons trouver des articles datant de l’ère de la recherche opérationnelle des années 1950 qui en discutent. Comme je l’ai dit, le ratio d’articles est de mille pour un; c’est extrêmement faible. La plupart du contenu se limite à des références en passant.
Mon observation informelle, après avoir parlé pendant une dizaine et demie d’années à des centaines de directeurs supply chain, est que ces choses sont absentes pour 99 % des entreprises. Si je devais dire qu’en pratique environ 0 % des entreprises font cela, ce ne serait qu’une approximation très modeste. Sur le million d’entreprises dans le monde disposant d’une supply chain, oui, il y en a probablement une dizaine qui le font; mais encore une fois, c’est extrêmement négligeable en termes relatifs.
Conor Doherty: Soulignant la différence entre la conscience académique et la réalité sur le terrain. Mais pour accorder le bénéfice du doute, disons que la grande majorité des entreprises est consciente des sources d’incertitude que vous avez décrites. Alors, pourquoi les entreprises se concentreraient-elles sur la demande et ignoreraient-elles ou sous-évalueraient-elles largement les autres sources ?
Joannes Vermorel: Dans ce paradigme dominant, la prévision de la demande n’est pas vraiment une prévision mais un engagement. L’entreprise s’engage à satisfaire ce volume de demande. En coulisses, entre les divisions de l’entreprise, il y a des territoires — des fiefs — pour savoir qui obtient cette somme d’argent pour soutenir leur propre fief. Ce sont le genre de batailles qui se déroulent dans le S&OP : marketing versus ventes versus opérations, etc. Chacun veut une part plus importante.
Derrière la demande, l’idée est qu’il ne s’agit pas exactement d’une prévision statistique; c’est aussi un engagement et une affirmation prophétique. L’entreprise déclare, “Nous prévoyons cela,” et avec un effet auto-réalisateur, nous allouons la bonne quantité de ressources pour que cela se produise.
Lorsque vous considérez d’autres sources d’incertitude, vous n’avez pas cela. La prévision des délais d’approvisionnement : il n’y a pas de bataille de fiefs concernant la nature de la prévision. Par conséquent, ces éléments sont complètement mis de côté tandis que les gens se ruent vers la grande mêlée de la prévision maîtresse du S&OP qui définit combien d’argent chaque division, chaque gamme de produits, recevra.
Ces autres sources d’incertitude sont extrêmement déterminantes pour la décision, mais elles ne le sont pas de la même manière pour la politique interne de l’entreprise. C’est pourquoi je pense qu’en général, elles sont complètement mises de côté. Il ne s’agit pas que les gens préfèrent des modèles statistiques pour prévoir la demande ; en réalité, la projection de la demande est au cœur des batailles internes qui surviennent lors du S&OP entre les divisions en concurrence pour les ressources internes de l’entreprise.
Conor Doherty: En vous écoutant maintenant, nous parlons de la vaste gamme d’incertitudes. Pourtant, chaque fois que vous évoquez “les autres incertitudes,” votre exemple principal est celui des délais d’approvisionnement. Dans cette conférence que j’ai mentionnée précédemment — conférence 5.3; Alex, merci de le mettre dans le chat en direct — vous avez dit que parmi toutes les sources d’incertitude, les délais d’approvisionnement sont l’une des, sinon la plus importante et sont “infiniment sous-estimés.” Vous avez insisté sur “infiniment.” Qu’est-ce qui, dans les délais d’approvisionnement, les rend si importants, et pourquoi sont-ils si sous-estimés ?
Joannes Vermorel: Pourquoi sous-estimés ? Nous venons de le voir — pas de fiefs à défendre — c’est donc vraiment une question de gestion pure des risques. Le résultat de cette modélisation ne définira pas combien d’argent le marketing, les ventes ou la production recevront réellement, néanmoins, il est extrêmement déterminant pour la profitabilité de l’entreprise.
Pourquoi est-ce très important ? Parce que les délais de livraison ne suivent pas des distributions « sympas ». Ce n’est pas comme si, « j’ai un fournisseur qui livre toujours en 21 jours. » Chez Lokad, nous avons travaillé avec des centaines d’entreprises et des ensembles de données sur les délais de livraison. Les délais de livraison sont très, je dirais, presque toujours bimodaux par nature. Vous avez un pic net qui représente la livraison lorsque les astres sont alignés et que tout se déroule comme prévu. Cela peut être, si vous êtes très chanceux dans certaines industries, disons 95 % du temps ; dans d’autres industries où ce n’est pas si fiable, disons 80 % du temps. C’est lorsque vous avez un alignement parfait et que vous recevez la livraison dans le délai spécifié.
Ensuite, il y a les cas où les planètes ne sont pas alignées. Le cas typique est que votre fournisseur fait face, à l’instant, à une rupture de stock, donc il n’a pas la marchandise sous la main et ne peut pas vous l’expédier. Il arrive que le transporteur rencontre un problème, ou que l’entrepôt d’un intermédiaire soit plein, ou qu’un problème à la douane provoque une inspection retardée. Dans cette situation — le second mode —, qui se produit de 5 % du temps à 20 % voire 30 % du temps selon le secteur, les retards deviennent extrêmement longs. Dans le pire des cas, la marchandise n’arrive littéralement jamais.
Si vous regardez le délai de livraison moyen attendu — en appliquant la définition mathématique —, vous obtiendrez très souvent des valeurs infinies simplement parce que certaines marchandises n’arrivent jamais. La moyenne des délais, quand vous faites la moyenne, intègre l’infini. Évidemment, c’est un peu absurde, mais cela montre que ces situations — le terme technique étant « queues grasses » — signifient que lorsque les choses ne se passent pas comme prévu, elles peuvent mal tourner de façon bien plus longue. C’est quelque chose que, par exemple, les distributions normales ne capturent jamais. Elles ne tiennent pas compte du fait que quelque chose censé arriver en trois jours prenne une année, et pourtant cela arrive fréquemment.
Conor Doherty : Cela se rattache à quelque chose — je vais relire une citation de la même conférence. En parlant des délais de livraison, vous avez dit que les gens les considèrent généralement comme une « variabilité », et la variabilité n’est pas quelque chose qui peut être contrôlé par la conformité. Les gens ne la perçoivent pas typiquement comme une source d’incertitude nécessitant une intervention technologique ; c’est quelque chose à aborder par une intervention en face-à-face ou manuelle — comme, « je décroche le téléphone, j’appelle mon fournisseur. » Pourriez-vous développer ce point ?
Joannes Vermorel : Il s’agit principalement de la vision dominante des supply chains, où la demande future n’est pas exactement une prévision avec incertitude ; c’est un engagement. Une fois cet engagement pris, tout tourne autour de la conformité — vous souhaitez une déviation minimale par rapport au plan. Toute déviation est perçue comme un manque de conformité. Les gens pensent à l’excellence des processus et ce genre de choses ; ainsi, cette incertitude n’est pas vraiment abordée, car il existe un état d’esprit pour lequel cette variabilité n’est qu’un défaut — quelque chose qui disparaîtra l’année prochaine, une fois que nous aurons enfin perfectionné le processus.
Pourquoi prévoir quelque chose qui disparaîtra l’année prochaine parce que nous aurons enfin corrigé le processus ? Malheureusement, ce que je décris — cette incertitude — est irréductible. Pourquoi ? Parce que cela ne dépend pas de vous. Ce sont des décisions prises par d’autres personnes. Votre fournisseur peut avoir les stocks, mais il peut décider de servir un autre client en priorité, pas vous. Tant pis. Ce n’est peut-être pas un très bon fournisseur, mais c’est le fournisseur que vous avez ; c’est une décision prise contre vous.
Il en va de même pour les prix de vos concurrents. Ce serait tellement bien que tous vos concurrents augmentent leurs prix pour que vous puissiez augmenter le vôtre également. Mais devinez quoi ? Quelqu’un va baisser son prix. Encore une fois, ce n’est pas à vous de décider.
Si nous mettons de côté des éléments comme la météo, les tsunamis, les tremblements de terre — tous les événements naturels susceptibles de perturber —, en définitive, ces sources d’incertitude sont irréductibles car elles se résument à des décisions qui n’ont pas encore été prises et le seront à l’avenir par d’autres. Fondamentalement, vous essayez de deviner des décisions qui seront prises à l’avenir par d’autres personnes. C’est exactement ce qui se passe lorsque vous prévoyez la demande : vous prévoyez littéralement la décision que ces personnes achèteront votre produit à l’avenir — elles peuvent changer d’avis. Lorsque vous prévoyez le délai de livraison, vous supposez que votre fournisseur va maintenir le même niveau d’investissement afin de vous servir en temps voulu et qu’il ne cessera pas de commercialiser ses produits. Tout cela relève de la conjecture ; c’est pourquoi vous finissez par avoir besoin de ces prévisions.
Conor Doherty : Pour vous citer à nouveau à partir de plusieurs sources sur la variabilité inhérente à certaines classes d’incertitude — vous avez dit que cela ne dépend pas de vous ; précédemment, vous avez soutenu que la variabilité n’est pas quelque chose qui peut être contrôlé par la conformité. Si vous ne pouvez pas contrôler ces sources de variabilité par la conformité — c’est-à-dire, par l’intervention manuelle des gens —, quelles options les gens ont-ils réellement pour y faire face ? L’une d’elles est de l’ignorer ; nous avons abordé ce point. Quoi d’autre ?
Joannes Vermorel : Très souvent, les gens vont rétroconstruire la prévision principale. Quand je dis prévision principale, je veux dire la prévision de la demande, car, encore une fois, dans les entreprises, quand on parle de « prévisions » — bien que nous ayons vu que la prévision devrait s’appliquer à toutes les sources d’incertitudes : demande, délais de livraison, prix, retours, problèmes de qualité, rendements de production, etc. — en pratique, la « prévision » se résume à la demande.
Ce qu’ils font, c’est rétroconstruire la prévision de la demande, en l’ajustant à la hausse ou à la baisse pour réajuster indirectement l’engagement, parce que derrière la prévision principale se trouvent tous ces engagements pris par l’entreprise — l’allocation des ressources — et ils rétroconstruisent la prévision principale afin que ces engagements aient un sens un peu plus en phase avec ces risques. C’est ce qui se passe en pratique. Parce que c’est une méthode très détournée, c’est très inefficace ; c’est une manière incroyablement indirecte de piloter l’entreprise.
Conor Doherty : Je suis conscient du temps, alors je vais continuer, mais je veux poser une question venue d’un autre ami de la chaîne, Jeff Baker — si vous regardez depuis le MIT, bonjour. Il a souligné que dans de très grandes entreprises, en particulier dans la fabrication, les types d’approches que nous décrivons aujourd’hui sont courants. Les gens sont conscients de cette multitude d’incertitudes ; ils les prévoient activement, mais il a fait remarquer qu’ils manquent souvent des outils de planification pour exploiter le genre d’informations qui est prédit. Qu’en pensez-vous, et pourquoi peut-on avoir de très grandes, très rentables entreprises qui sont conscientes des incertitudes et qui les prévoient activement et régulièrement, sans pour autant les intégrer dans le processus décisionnel ?
Joannes Vermorel : Tout d’abord, je conteste vraiment l’idée qu’« ils les prévoient ». Ils ont quelque part une équipe de data science qui prévoit des centaines de choses et personne ne prête attention à ce qu’ils font. Nous aborderons le data science dans l’épisode suivant. Voilà mon point de vue : quand les gens disent, « Oh, oui, oui », ils évoquent une équipe de data science complètement isolée ; personne ne se soucie de ce que ces gars font. Je dirais : c’est sans importance.
Maintenant, le fait que vous ayez des outils de planification — encore une fois, ces outils reflètent simplement ce que l’on trouve dans la littérature académique, qui est quasiment négligeable. Ces outils reflètent surtout le paradigme dominant, à savoir « la prévision des ventes est primordiale », et c’est tout. Quand les gens disent « nous n’avons pas les outils », encore une fois, lorsqu’on vend un logiciel en tant que fournisseur de logiciels d’entreprise, c’est vraiment orienté client, surtout dans le segment de l’entreprise. Les entreprises énoncent leurs exigences et les fournisseurs se contentent d’y répondre en fournissant ce que les clients demandent. Si ces capacités ne sont pas présentes, c’est avant tout parce que les entreprises clientes elles-mêmes n’y tenaient pas et ne l’ont pas exigé.
Conor Doherty : Je veux insister un peu car il y a quelques questions privées et des commentaires publics. Dernière question, puis nous passerons à l’audience. Nous avons couvert beaucoup de choses aujourd’hui. Quel conseil final donnez-vous aux entreprises qui adhèrent à votre point de vue mais qui pourraient manquer d’outils de planification ou de logiciels pour réellement s’attaquer à cela ? La technologie et l’attitude — quelles sont vos réflexions sur ces deux éléments pour faire la différence ?
Joannes Vermorel : La première étape consiste vraiment à faire un calcul sommaire pour évaluer, en euros et en dollars, combien cela coûte. Ces éléments — parce qu’ils ne sont jamais évalués —, les gens les considèrent comme le coût normal des affaires, et c’est tout. Est-ce un détail pour une entreprise ou quelque chose de vraiment majeur ? Cela varie. Mon point de vue est que, pour la majorité des entreprises à grande échelle, cela représente beaucoup d’argent.
Faites le calcul sommaire, puis je suggérerais de rencontrer les cadres dirigeants — le C-level — et d’essayer d’obtenir un accord sur l’ampleur du problème. Le reste — les aspects techniques —, nous pourrions en discuter précisément quant à la manière de procéder, etc. Je pense que le problème majeur la plupart du temps réside dans le fait que le problème n’est pas reconnu. Personne n’a vraiment tenté de lui attribuer une valeur en termes monétaires. Oui, certaines personnes l’ont fait, mais très peu. Ainsi, il n’y a pas de prise de conscience, et la direction ne peut pas déterminer s’il s’agit de quelque chose de vraiment important ou simplement d’un gadget.
Imaginez que vous êtes un cadre dirigeant dans une très grande entreprise. Tant de personnes frappent à votre porte en disant, « Vous avez cette technologie que vous ne pouvez pas ignorer », et il y a une vingtaine de personnes chaque jour qui viennent à ce sujet. Ma suggestion est : construisez un business case très clair — simple. Je parle de choses qui ne sont pas ultra avancées ou techniques — juste pour avoir une conviction intime de la dimension réelle du problème. Présentez cela à la personne en charge, et le reste suivra. Les gens ne deviennent pas des cadres puissants dans de grandes entreprises parce qu’ils sont idiots — c’est très rare. Les grandes entreprises sont en réalité très efficaces pour filtrer les personnes qui atteignent les plus hauts niveaux de la hiérarchie ; c’est ainsi qu’elles perdurent. Une fois la prise de conscience établie, les choses suivront leur cours selon le modus operandi favorisé dans la grande entreprise.
Conor Doherty : Merci. Je suis conscient du temps, car je sais que vous avez un engagement important, donc je vais privilégier les commentaires publics, et nous répondrons sur LinkedIn demain aux autres questions envoyées en privé.
Ceci est un commentaire et une question de Murthy — j’espère bien prononcer ce nom. « Joannes, l’un des principaux défis auxquels font face les entreprises CPG et les détaillants est la congestion dans leurs centres de distribution et de traitement des commandes due aux variations saisonnières de la demande. Pourrions-nous organiser une session afin d’explorer les meilleures pratiques pour prévoir la congestion et développer des stratégies efficaces de décongestion ? »
Joannes Vermorel : La réponse courte est : absolument oui. Réponse plus longue : c’est typiquement un problème que l’on rencontre par conception avec des prévisions ponctuelles déterministes. Vous projetez la demande moyenne — ou le flux moyen, si nous parlons de FMCG — et le flux moyen se trouve juste au-dessus, ou légèrement en dessous, de la capacité, et alors les gens se disent que c’est acceptable.
Mais la réalité est que — surtout dans le FMCG/CPG — c’est très fluctuant. En théorie, sur une base hebdomadaire, vous êtes juste en dessous de 100 % d’utilisation, mais avec les fluctuations, vous dépassez régulièrement. Oui, il existe de nombreuses techniques pour ce faire. Nous devrions discuter d’une technique appelée « shadow valuations », où l’idée est de lisser les choses dans le temps, et pour cela, vous devez introduire une notion de coût d’opportunité qui reflète le risque de saturation de votre DC, de votre unité de production, de votre transporteur, ou de ce qui constitue réellement le goulot d’étranglement.
Cela est légèrement différent du sujet des différentes sources d’incertitude.
Conor Doherty : Sur ce point, s’il y a certaines sessions que vous souhaitez que nous abordions, n’hésitez pas à commenter ci-dessous ou à nous contacter en privé sur LinkedIn si vous ne voulez pas le faire publiquement.
Nous allons poursuivre. Excusez-moi si la prononciation n’est pas correcte. Kaizen — pardon. « Sur mon marché, qui est celui des produits de luxe, la demande est intermittente et en très faible quantité. Quel est votre meilleur conseil pour améliorer la précision ? Note : nous prévoyons déjà à un niveau agrégé. »
Joannes Vermorel : Nous n’avons que quelques minutes, donc il est absurde de prétendre que les séries temporelles conviendront. L’essentiel, c’est que les séries temporelles sont défaillantes — elles sont tout simplement cassées. Ce que font les gens lorsqu’ils se heurtent à une situation qui ne correspond pas aux séries temporelles, c’est d’essayer de modifier le problème pour qu’il s’adapte aux séries temporelles. Ici, nous parlons de « regrouper tout par trimestre, par région », et ensuite vous retombez sur des séries temporelles bien fournies, avec du contenu, et que vous pouvez prévoir.
Réponse courte : vous devez renoncer aux séries temporelles. Elles ne sont absolument pas appropriées pour le luxe. Nous avons des clients de luxe ; les séries temporelles ne conviennent absolument pas. C’est quelque chose qui fonctionne, par exemple, pour Unilever, mais cela ne marche pas pour une demande sporadique et intermittente. Cela ne fonctionnera pas pour le commerce de détail ; cela ne fonctionnera pas pour l’aviation ; cela ne fonctionnera pas pour le pétrole et le gaz ; cela ne fonctionnera pas pour le luxe et la mode en général.
C’est la réponse courte : renoncez aux séries temporelles. Il existe des approches alternatives, mais—
Conor Doherty : Je n’allais pas faire une promo bon marché de nous-mêmes ; j’allais dire que nous disposons en fait de ressources supplémentaires à ce sujet. Alexey, si tu m’entends, merci de partager dans le chat quelques ressources d’apprentissage sur la prévision pour les marchés de luxe. Très utiles.
Nous avons le temps pour un dernier commentaire, également sur le sujet des produits de luxe : « Nous prévoyons déjà la demande sous forme de distributions. Quelle est la manière la plus rapide et la moins perturbatrice d’intégrer les distributions de délais de livraison dans notre logique d’achat ? » C’est une très grande question, je comprends.
Joannes Vermorel : Cela dépend vraiment de votre configuration — de l’endroit où se trouve actuellement votre recette numérique, votre algorithme/moteur de prise de décision. Vous pouvez y parvenir avec Excel ; nous avons même une feuille de calcul Excel dans laquelle nous montrons qu’on peut, même avec Excel, gérer des environnements probabilistes. C’est un peu moche, mais si vous êtes patient, c’est faisable.
Si vous êtes vraiment pressé, vous devez trouver des heuristiques — des calculs numériques arbitraires — qui font en quelque sorte ce que vous voulez. Je dirais : trouvez simplement une heuristique qui soit meilleure que la rétro-ingénierie de la demande elle-même. Faites un pas — c’est toujours du bricolage — mais c’est un pas de mieux que d’ajuster la demande. Ensuite, vous pourrez jeter un coup d’œil à notre méthode de prévision probabiliste dans Excel si vous n’avez rien d’autre.
Si nous voulons aller plus loin, des spécialistes comme Lokad parviennent à réaliser ces choses en seulement quelques mois. Ce n’est pas un gros projet, mais cela signifie revoir l’ensemble du processus afin d’avoir une véritable recette numérique appropriée. À un moment donné, vous ne pouvez plus esquiver le fait que vous devez adopter une recette numérique programmée pour votre supply chain — mais c’est un sujet différent.
Conor Doherty: On m’a dit de vous faire sortir en moins de quarante minutes, donc nous avons le temps pour une dernière pensée très succincte. En nous basant sur tout ce que nous avons couvert — en seulement trente secondes —, quelle est votre proposition aux gens lorsqu’il s’agit de prévisions au-delà de la demande?
Joannes Vermorel: Considérez cela comme de la gestion des risques. La prise de décision dans la supply chain relève de la gestion des risques. Si vous ne prévoyez que la demande, vous dites que le seul risque que vous encourez est celui des clients qui se présentent ou non, et vous ignorez tous les autres risques. Ce n’est pas bon ; ce n’est pas une gestion des risques adéquate.
Ma dernière réflexion serait la suivante : évaluez combien d’argent reste sur la table en tenant compte de ces autres risques. Observez combien votre entreprise gaspille, et présentez-le à votre supérieur. Je suis convaincu que les gens réagiront et chercheront des solutions une fois qu’ils auront pris conscience de l’ampleur du problème.
Conor Doherty: Merci. Nous n’avons plus de questions et nous sommes également à court de temps. Comme toujours, merci de m’avoir rejoint — et à tous ceux qui étaient présents, merci d’avoir assisté et d’avoir posé vos questions. Comme je l’ai dit précédemment, n’oubliez pas de vous connecter avec Joannes et moi sur LinkedIn si vous souhaitez discuter de ces questions en privé. Nous vous retrouverons la semaine prochaine pour le prochain épisode de Supply Chain Breakdown.
Et sur cette note, à vous tous, je dis, retournez au travail.
