00:00:00 Achats aérospatiaux : incertitude et priorités économiques
00:05:58 Visibilité sur la flotte, objectifs de taux de service et coûts d’investissement
00:11:47 Rotables, consommables et investissements classés selon leur valeur économique
00:17:23 Priorités sous contraintes budgétaires et opérationnelles
00:23:56 Classer les investissements selon le gain de taux de service par dollar
00:29:43 Valider les données et modéliser une demande incertaine
00:35:48 Combiner l’incertitude de la demande et des délais de réparation
00:41:42 Intégration aux systèmes et possibilités de cession
00:47:15 Échanges, priorités de réparation et intégration des fournisseurs
00:53:29 Préparation des données et conditions de mise en œuvre
00:58:44 Simulations historiques et traçabilité des décisions
01:04:10 Priorités économiques, consommables et retards fournisseurs
01:09:14 Prévision de maintenance et suivi de l’application des recommandations
01:14:05 Automatisation des achats, plateformes d’approvisionnement et priorités de réparation
01:19:52 Principaux enseignements et conclusion
Résumé
Conor Doherty et Fabian Hoehner montrent comment Lokad transforme une demande incertaine, des délais de réparation variables et des budgets limités en décisions d’achat aérospatiales classées par priorité. L’approche évalue chaque unité supplémentaire selon sa contribution attendue au taux de service ou à la prévention des immobilisations d’avions, rapportée à son coût. Le même raisonnement s’applique aux cessions, aux priorités de réparation et aux transferts de stock. Lokad fonctionne aux côtés des systèmes existants ; les Supply Chain Scientists et les experts opérationnels affinent les calculs ensemble. Les simulations historiques aident à expliquer les décisions passées, tandis que l’automatisation dépend de la valeur et de la complexité des achats concernés.
Résumé détaillé
Les achats aérospatiaux consistent à arbitrer entre des usages concurrents de ressources rares. Acheter une pièce de rechange supplémentaire peut réduire le risque d’immobiliser un appareil, mais engage aussi des capitaux qui pourraient protéger une autre opération plus importante. Dans cette démonstration en direct, Conor Doherty et Fabian Hoehner expliquent comment Lokad évalue ces choix. La question centrale est de savoir quel gain de taux de service ou quelle réduction du risque d’AOG chaque dollar peut raisonnablement procurer. Les quantités en stock découlent de cette comparaison et des contraintes opérationnelles de l’entreprise.
La démonstration commence avec une flotte aérienne illustrative et un pool de rotables : des pièces qui peuvent être réparées puis remises en service. Leur disponibilité dépend à la fois de la demande et du temps passé dans les circuits de réparation et de logistique. Posséder cinq unités n’offre pas la même protection que disposer immédiatement de cinq unités en état de service. Lokad extrait les données transactionnelles des systèmes existants pour établir cette situation opérationnelle, puis calcule des recommandations d’investissement. Dans l’exemple, environ 68 millions de dollars de stock procurent un taux de service attendu de 95,7 % ; un investissement supplémentaire d’environ 1,2 million de dollars le rapproche de 98 %. Les gains suivants deviennent de plus en plus coûteux.
Les recommandations sont classées unité par unité. Une unité supplémentaire d’une référence, ou PN, entre en concurrence avec des unités supplémentaires d’autres références, y compris des pièces aux prix et profils de demande très différents. La première unité couvre généralement plus d’incertitude que la deuxième ou la troisième. Ce rendement décroissant compte : acheter plusieurs unités d’une même pièce peut apporter moins de valeur que répartir l’investissement. Le caractère essentiel de la pièce compte aussi. Une pièce no-go relativement peu coûteuse peut justifier une disponibilité plus élevée qu’une pièce chère dont l’absence a des conséquences moins graves. Une liste classée facilite également l’application des limites de budget, de capacité d’achat et de réception.
Ces comparaisons exigent un traitement réaliste de l’incertitude. La demande aérospatiale est souvent sporadique et irrégulière, tandis que les délais de réparation peuvent varier fortement. Les moyennes masquent précisément les situations exceptionnelles contre lesquelles une compagnie aérienne veut se protéger. Lokad modélise donc les distributions de la demande et des délais de réapprovisionnement, puis les combine pour estimer la demande sur différents horizons futurs possibles. Hoehner montre comment les réparations peuvent se concentrer autour d’une durée courte lorsque tout se passe bien, et d’une durée beaucoup plus longue lorsque des complications surviennent. Remplacer ce profil par une moyenne unique peut fausser l’estimation du stock nécessaire. Les opérations de maintenance connues, les nomenclatures probabilistes et l’évolution des délais de réparation peuvent également alimenter les calculs.
Les estimations financières permettent de discuter les arbitrages. Le coût d’un événement AOG peut être difficile à établir, mais une estimation approximative donne aux équipes une base pour comparer les décisions et réviser les hypothèses. La connaissance opérationnelle reste essentielle : une housse de siège ou une machine à café peut avoir des conséquences que les seules classifications techniques de navigabilité ne reflètent pas. Les utilisateurs examinent les recommandations au moyen des outils d’inspection des articles et des tableaux de bord, remettent en question les résultats surprenants et contribuent à affiner le modèle. Les achats coûteux de rotables nécessitent généralement encore une validation experte et des devis fournisseurs ; les consommables et les pièces non réparables de moindre valeur offrent davantage de possibilités d’exécution automatique.
Le même raisonnement s’étend aux cessions, aux réparations et à l’allocation. La cession met en regard la trésorerie libérée et la protection du taux de service à laquelle on renonce. La priorisation des réparations détermine quelles unités hors service justifient le plus urgemment une dépense ou une accélération du traitement. Les transferts comparent les coûts de transport et le risque accru au site d’origine avec les bénéfices ailleurs et l’autre possibilité : acheter davantage de stock. Ces décisions économiques sont liées, même si chacune exige ses propres détails opérationnels. Une possibilité théorique de cession dépend encore, par exemple, de la capacité à trouver un acheteur et à établir une valeur de marché réaliste.
Lokad fonctionne comme un système d’intelligence aux côtés des logiciels transactionnels. Ses Supply Chain Scientists adaptent la solution aux données et aux processus du client ; les fournisseurs n’ont pas besoin d’adopter une nouvelle plateforme. Les décisions utiles révèlent aussi quels défauts des données méritent l’attention, ce qui évite de chercher indéfiniment à tout nettoyer au préalable. Hoehner évoque une mise en œuvre typique d’environ six mois, avec une forte variabilité. Les exécutions historiques restent disponibles pour analyse : les équipes peuvent ainsi distinguer une contrainte budgétaire d’une mauvaise hypothèse ou d’un risque accepté. Le travail se poursuit dans la durée : quantifier l’incertitude, comparer les conséquences et améliorer les décisions à mesure que les éléments s’accumulent.
Transcription complète
Conor Doherty : Bienvenue dans la toute première démonstration en direct de Lokad. Aujourd’hui, nous allons vous montrer comment Lokad génère des décisions d’investissement et de cession dans l’aérospatiale. Nous allons vous montrer quelles références doivent être prioritaires.
Aujourd’hui, nous allons vous montrer comment répartir un budget limité et comment vos contraintes — délais fournisseurs, délais de réparation, coûts ou budget lui-même — influencent les décisions que nous générons pour vous. C’est un événement en direct, donc n’hésitez pas à poser vos questions. Nous y répondrons probablement dans environ 30 minutes. Cela dépendra de la durée de nos apartés.
Mais qui sommes-nous ? Je suis Conor, directeur marketing chez Lokad. Et je suis accompagné en studio par mon très bon ami et directeur des comptes stratégiques, Fabian Hoehner. Guten Tag, Herr Hoehner, wie geht’s ?
Fabian Hoehner : Bonjour, Conor.
Conor Doherty : Das ist wunderbar. Donc, Fabi, comme vous pouvez le voir dans le coin de l’écran, ou devriez déjà pouvoir le voir, nous allons bientôt examiner un compte de démonstration consacré aux achats aérospatiaux. Nous allons nous concentrer sur les achats, mais certaines personnes présentes, et d’autres qui regarderont plus tard, ne connaissent pas forcément très bien Lokad. Certaines oui, mais beaucoup non.
Prenons donc une minute avant d’entrer dans le sujet. Peux-tu répondre à deux questions rapides ? Premièrement, comment Lokad voit-il exactement le problème des achats dans l’aérospatiale ? Deuxièmement, si les gens ne regardent que les premières minutes, quels sont les quelques concepts essentiels qu’ils doivent retenir ?
Fabian Hoehner : Tu ne m’avais pas posé cette question pendant la préparation, donc c’est…
Conor Doherty : Non, je ne l’avais pas fait. Je voulais de l’improvisation.
Fabian Hoehner : Oui. D’accord. Certaines personnes connaissent le sujet, d’autres non. Nous allons donc essayer de donner une vue d’ensemble, tout en approfondissant certains points. Parmi les deux choses que j’aimerais que les gens retiennent, il y a d’abord la façon dont nous traitons l’incertitude.
Par incertitude, dans les sujets dont nous parlons, j’entends principalement celle qui concerne les fournisseurs — délais de réparation et de livraison — et celle qui concerne la demande. Le deuxième aspect est l’optimisation économique, la priorisation économique. Avec une ressource disponible limitée, comment faire au mieux ? Comment acheter efficacement ? Ce sont les deux grands points que j’aimerais que les gens retiennent aujourd’hui.
Conor Doherty : Donc, en une phrase, pour chaque euro, dollar, ou toute autre devise dans laquelle vous travaillez, pour chaque euro investi dans votre stock, quel est essentiellement le gain attendu de taux de service ?
Fabian Hoehner : Oui. Pour être plus précis, ce que vous voulez faire — et nous allons entrer dans les détails —, c’est maximiser le gain de taux de service par dollar, ou réduire les AOG, c’est-à-dire les immobilisations d’avions, par dollar dépensé. C’est le chemin le plus efficace vers votre objectif, et nous espérons que ce sera l’un des messages principaux pour les personnes qui nous écoutent aujourd’hui.
Conor Doherty : Très bien. Maintenant que nous avons posé le décor, ne tardons pas davantage. Passons directement au compte de démonstration.
Max, notre producteur, tu peux basculer quand tu veux, assure-toi juste que tout va bien. Subcto. Très bien. Fabi, je regarde mon propre écran parce que ma vue est terrible, mais qu’est-ce que nous regardons exactement ?
Explique-le aux gens pour qu’ils comprennent : quel est le contexte ici ? Est-ce de l’aviation ? Du MRO ? Est-ce de l’IA ? Est-ce qu’on fait de l’IA ?
Fabian Hoehner : Oui, nous faisons toujours de l’IA, bien sûr. Nous entrerons dans les détails de ce que nous faisons en matière d’IA, mais nous sommes bien sur un compte de démonstration. Lokad en 20 secondes : nous concevons des solutions personnalisées d’optimisation des stocks pour des clients de différents secteurs. Aujourd’hui, nous allons nous concentrer sur l’aéronautique. Cela pourrait être du MRO, c’est-à-dire de la maintenance, de la réparation et de la révision, mais nous allons prendre l’exemple d’une compagnie aérienne.
La grande question que nous allons nous poser est donc la suivante : pour une flotte donnée, quelle est la trajectoire d’investissement, et éventuellement de cession, la plus efficace pour mon stock ? C’est la question générale. Voyons rapidement où nous sommes : vous voyez que nous sommes sur go.lokad.com.
Ceci est un compte de démonstration. Tous nos clients sont sur la même plateforme. C’est donc une application mutualisée, dite multi-tenant, mais nous écrivons une solution propre à chaque client. C’est ce qui rend les démonstrations difficiles d’une certaine façon, parce que chaque client est très différent.
Conor Doherty : Différent. Oui, bien sûr.
Fabian Hoehner : C’est donc, je dirais, ce qui nous distingue : personnaliser ce que nous faisons. L’objectif aujourd’hui est de montrer les deux principes auxquels j’ai fait allusion au début. D’une part, comment nous abordons l’incertitude.
Le mot-clé sera la prévision probabiliste. Les personnes qui nous suivent un peu l’ont déjà entendu de nombreuses fois, mais aujourd’hui nous allons être très concrets. Et ensuite, deuxième point : l’optimisation économique sur un exemple précis. S’il y a des questions, bien sûr, posez-les en cours de route.
Souvent, ma réponse sera : « Oui, si cela relève d’une logique, nous pouvons l’implémenter, ou nous l’avons déjà fait par le passé. » Mais aujourd’hui, nous examinons seulement un exemple précis. Voilà ce que je propose. D’autres questions ? Sinon, on se lance.
Conor Doherty : Je dirais : lançons-nous, parce qu’il y a déjà beaucoup de questions. Comme vous le savez, j’ai échangé avec beaucoup de personnes avant cet événement. Il y a donc des questions très concrètes auxquelles nous reviendrons plus tard. Mais, comme je l’ai dit, si quelque chose vous interpelle, n’hésitez pas à commenter, et nous y reviendrons en temps voulu.
Fabian Hoehner : Oui. Et tu me connais, donc interromps-moi. Sinon, je…
Conor Doherty : Je le ferai, ne t’inquiète pas.
Fabian Hoehner : Je peux me laisser emporter. Très bien. Encore une fois, c’est un compte de démonstration, et ce que nous voyons ici est simplement une vue d’ensemble. Je pourrais cliquer sur ce que je veux, mais aujourd’hui nous allons examiner seulement deux ou trois écrans.
Ici, nous regardons un tableau de bord de synthèse. Nous allons procéder en pyramide inversée : commencer par la vue d’ensemble, puis descendre jusqu’au niveau le plus fin. Cet écran offre à la direction une vue de la performance du pool.
Ici, vous voyez qu’il s’agit d’un pool. Il pourrait couvrir plusieurs compagnies aériennes. L’essentiel est que nous regardons une flotte, en l’occurrence des Triple 7, et les pièces nécessaires pour la maintenir en service. Qu’elle appartienne à une ou plusieurs compagnies aériennes importe peu.
C’est donc le principe général ici. Vous pouvez voir un historique, qui monte bien sûr parce que Lokad optimise : les choses s’améliorent toujours. Il y a aussi quelques vues supplémentaires sur la situation opérationnelle actuelle. Où se trouve mon stock ?
En aéronautique, nous parlons toujours de boucles. C’est un concept très important. Évidemment, la plupart des personnes qui nous regardent aujourd’hui connaissent bien cela. Mais tous les stocks ne se valent pas en aéronautique.
Il faut distinguer le stock en état de service du stock hors service et savoir où il se trouve dans le processus. Posséder cinq unités, avoir cinq unités en état de service, ou quatre en réparation et une seule disponible : ce sont des situations très différentes. Ceci est donc simplement un tableau de bord de synthèse. Comment en sommes-nous arrivés là ? En intégrant…
Conor Doherty : J’allais littéralement te poser exactement cette question ; j’étais en train d’ouvrir la bouche.
Fabian Hoehner : Oui. D’où viennent généralement les données ? De différents ERP et systèmes MRP. Il s’agit au fond de données transactionnelles que nous importons sur la plateforme, Lokad étant une plateforme d’intelligence. Le système transactionnel, ERP ou MRP, indique simplement où se trouvent mes pièces. Nous récupérons ces données chaque jour, puis nous effectuons les traitements sur ces gros volumes de données pour en tirer, par exemple : « J’ai 186 unités actuellement dans un processus de retour. » C’est clair, ou voulais-tu…
Conor Doherty : Non, c’était très clair.
Fabian Hoehner : Parfait. Après cette vue d’ensemble, nous allons directement examiner le résultat. Commençons par ce que peut produire une optimisation. Ici, nous regardons l’optimisation de l’investissement.
Nous regardons l’investissement nécessaire pour atteindre, ici, un taux de service cible de 98 %. Ce petit simulateur comporte un menu déroulant : je peux choisir différents scénarios déjà calculés pour aller vite. Nous pourrions aussi prévoir un champ à remplir pour faire ses propres essais, mais ici nous avons précalculé les résultats pour accélérer la démonstration. Nous voyons notre stock actuel, d’une valeur de 68 millions, et ces 68 millions sont censés procurer un taux de service de 95,7 %.
Conor Doherty : Mhm.
Fabian Hoehner : 95,7 % de disponibilité, compte tenu du délai propre à chaque pièce et avec une pondération par leur consommation.
Conor Doherty : D’accord.
Fabian Hoehner : Ensuite, sélectionnons 98 ici. Nous disons : « Nous voulons une disponibilité moyenne de 98 %, pondérée par la consommation, etc. » Le simulateur me dit alors : « Je dois investir 1,2… 2 millions », et je vais atteindre ma cible, ici 97,99. C’est ce que j’aurais obtenu.
C’est donc la vue la plus générale. Si nous faisons varier les paramètres, nous voyons quelque chose de très typique en aéronautique, que la majorité du public connaît certainement bien : les coûts se concentrent dans la longue traîne. Ici, je suis passé de 98 ou 98,5 à 99,5.
Essayons d’aller à 99. Nous avons donc 1 %. Le premier point de pourcentage que nous voulions gagner, ou les deux premiers points, nous coûte un million de dollars d’investissement ; le suivant va coûter 2,5. Cette augmentation exponentielle du coût des points de taux de service est extrêmement importante pour comprendre la technologie évoquée au début.
Pourquoi est-ce important ? Que faisons-nous différemment ? Lokad est particulièrement adapté à ce secteur parce que nous savons traiter une demande sporadique et irrégulière, qui caractérise la plupart des problèmes aéronautiques. Il faut mieux comprendre la probabilité des situations extrêmes, donc les percentiles au-delà de 90 %, car c’est là que se joue l’aéronautique. Le secteur est extrêmement réticent au risque : une rupture de stock coûte énormément d’argent.
Conor Doherty : Oui. Bien plus que la pièce elle-même dans de nombreux cas.
Fabian Hoehner : Traditionnellement, en aéronautique, tout le monde est surstocké. « En cas de doute, achetez-en une autre. » C’est l’approche habituelle.
Comprendre la probabilité d’un scénario à 99 ou 99,5 est donc extrêmement important pour chaque pièce. Nous y reviendrons plus en détail. Pour l’instant, pourquoi regardons-nous tous ces extrêmes ?
Parce que c’est là que se joue l’aéronautique. Personne ne veut savoir quelle est la moyenne. Cela signifierait que vous avez assez de stock dans 50 % des cas. Cela ne vous intéresse pas.
Vous voulez connaître la probabilité de couvrir les situations extrêmes. Encore une fois, nous allons de la vue d’ensemble vers le détail. Ici, nous avons l’investissement total. Pour le client, la question suivante est : quelles sont les quantités ? Nous avons alors une liste très simple : « Voici mes articles et voici les quantités dans lesquelles nous investissons. »
Conor Doherty : Pour clarifier, à ce stade, nous regardons des rotables ou des consommables ? Ici, ce sont uniquement des rotables.
Fabian Hoehner : Oui, des rotables.
Conor Doherty : Oui, absolument. Mais nous regarderons les consommables plus tard, ou nous aborderons la logique correspondante.
Fabian Hoehner : Oui, nous aborderons la logique, mais…
Conor Doherty : Mais ce sont essentiellement les pièces les plus coûteuses. C’est pour cela que nous les regardons.
Fabian Hoehner : Tu as vu que les montants sont assez importants, car nous regardons bien des rotables. La plupart des concepts sont transposables aux consommables. La principale différence, c’est qu’une pièce rotable suit, par définition, une rotation, donc une boucle, au lieu de plusieurs boucles de réparation.
En théorie, vous pouvez faire cela en interne, ou la pièce finit au rebut. Un consommable, lui, est acheté puis consommé. Il y a donc quelques différences dans les calculs, mais les principes évoqués au début — quantifier l’incertitude et prioriser selon les conséquences économiques — restent les mêmes.
Conor Doherty : D’accord.
Fabian Hoehner : La question est maintenant : pourquoi recommandons-nous quatre, trois, cinq, et ainsi de suite ? Nous allons entrer un peu plus dans le détail, tout en restant d’abord assez généraux. Voici la même liste que précédemment, avec des informations supplémentaires. Il y a une première chose que nous voulons voir intuitivement ; je vais vous montrer plusieurs écrans remplis de chiffres.
Je vais vous indiquer, à toi et au public, les éléments à regarder. Voici ma liste et les pièces que je recommande d’acheter : quatre unités ici, trois là, cinq, etc. L’important est de comprendre intuitivement ce que l’optimisation devrait produire.
Je vais expliquer comment nous y arrivons. Nous irons de plus en plus loin. Mais d’abord : est-ce intuitivement cohérent ? Que devrait produire une optimisation qui recherche l’efficacité ?
Si l’efficacité correspond à la réduction des AOG ou à l’augmentation du taux de service par dollar dépensé, les pièces à la fois relativement bon marché et très importantes devraient bénéficier d’une disponibilité supérieure à celle des pièces chères et peu importantes. Prenons les deux premières pièces de cette liste : leur prix unitaire est assez proche, mais le taux de service de l’une est bien plus élevé. Le taux de service final… Le taux de service actuel correspond à ce que couvre le stock que je possède aujourd’hui.
Le taux de service final est celui que j’atteins après optimisation. Ici, nous amenons cette pièce à 94 % et l’autre à 80 %. Pourquoi ? La première est classée no-go selon son caractère essentiel, et la seconde go-if.
La conséquence d’une rupture de stock est donc beaucoup plus coûteuse pour la première. C’est pourquoi nous la stockons davantage, relativement à l’autre : c’est l’intuition à garder. En descendant dans la liste, nous devrions retrouver la même logique. Ici, nous voyons une pièce à 99. Dis-moi si c’est trop petit, d’accord ?
Conor Doherty : C’est mieux. Merci. Oui, au moins pour moi, parce que je suis presque aveugle.
Fabian Hoehner : Oui. Ici, nous voyons 99,5. La pièce est relativement bon marché, à 8 000 dollars, et elle est no-go. Cette intuition doit rester valable partout : les pièces que nous stockons davantage que les autres devraient être no-go et assez peu coûteuses. À l’inverse, celles que nous stockons moins… Ici, cette pièce n’est pas vraiment chère, mais elle est seulement go.
Voilà la logique de départ à garder en tête. Maintenant, comment arrive-t-on exactement à quatre, trois, cinq, etc. ? Intuitivement, cela paraît cohérent. Très bien.
Deuxième étape : comment obtient-on précisément ce résultat ? Nous voyons déjà, à ce niveau général, qu’il repose sur une priorisation économique. Mais comment la construisons-nous dans le détail ? Nous classons les possibilités par priorité : ici, sous la forme d’une liste d’investissements ordonnée.
Nous examinons chaque achat, ou chaque possibilité d’investissement, et simulons la conséquence économique d’un investissement dans cette pièce. Sur les deux ou trois premières lignes, vous voyez le même PN, mais pas la même unité de stock : nous achetons la première pièce, puis la deuxième, puis la troisième. Nous faisons cela pour toutes les références : nous simulons l’achat de chaque unité que nous pourrions acheter. Cette liste est donc pratiquement infinie. Je pourrais la faire défiler sans fin ; c’est ce que nous faisons.
Conor Doherty : C’est limité par le budget, j’imagine, puisque la liste est classée et que l’investissement total augmente à mesure que tu la fais défiler. On pourrait donc fixer une limite stricte : « Mon budget est X, il n’est pas infini. Optimisez jusqu’à ce point, et pas au-delà. »
Fabian Hoehner : Oui. Ici, ce n’est pas le budget qui limite, mais mon objectif de 98 %. Tu as toutefois raison : les 98 % aboutissent à un budget de 1,2 ou 1,25 million. C’est donc exactement ce que nous allons faire.
Nous allons faire défiler la liste jusqu’à atteindre un investissement total de 1,25. Ici, nous avons procédé dans l’autre sens : nous avons cherché à atteindre 98 %, ce qui a donné 1,2 million. Mais j’aurais pu faire l’inverse. J’aurais pu dire…
Conor Doherty : Oui, bien sûr.
Fabian Hoehner : C’est la même chose, vue sous un autre angle. Passons à quelques exemples pour montrer comment fonctionne cette priorisation économique. Un bon test, y compris pour ceux qui réalisent leur propre optimisation, est le suivant : si je vous dis « Vous avez 100 000 dollars », pouvez-vous identifier l’article le plus important à acheter aujourd’hui ?
C’est un concept très important. Cela ne concernera pas cette première pièce, mais il faut généralement prioriser chaque action. Cette logique permet d’intégrer toutes vos contraintes : « Mon équipe achats ne peut traiter que cinq pièces par jour », « Mon entrepôt ne peut en recevoir que 10 par jour » ou encore « J’ai un million de budget ». Sans classement par priorité, c’est très difficile : vous n’avez qu’un oui ou un non. Par exemple : « Mon objectif est d’avoir les pièces A à 99 %, les B à 95 et les C à 91. »
C’est extrême, mais admettons. Vous n’avez qu’un oui ou un non, sans système de classement. Or ce classement est essentiel : nous pouvons prioriser, et il le faut toujours, que la limite porte sur le temps, le budget ou autre chose. La question pour le public est donc : « Pouvez-vous identifier l’article le plus important dont j’ai besoin aujourd’hui ? » Et au-delà du premier : quels sont les 50 plus importants ?
C’est ce que nous pouvons faire ici. Regardons la première ligne, la référence 1338. Nous allons l’examiner pendant un bon moment, donc soyez patients.
Nous n’en avons actuellement aucune en stock et envisageons d’en acheter une. Nous voyons combien ont été demandées l’an dernier. Nous achetons une unité, qui coûte 1 200 dollars, alors que notre taux de service actuel, ou attendu, est nul.
Pourquoi ? Nous n’avons aucune unité en stock. Sans stock, nous ne couvrons aucune incertitude. C’est essentiellement ce que cela signifie.
Mon taux de service attendu indique la part de l’incertitude future que je couvre. Nous verrons précisément ce que cela signifie à l’étape suivante. Comme je l’ai dit, nous allons de la vue d’ensemble vers le détail. Vous pourriez vous arrêter à « Voici les articles à acheter ». Mais nous voulons aller un peu plus loin et comprendre d’où cela vient.
Conor Doherty : Je me permets d’intervenir, car c’est un bon point. Prends le temps de boire. J’ai reçu plusieurs variantes de la même question : « L’idée est intéressante, cela semble très bien » — certaines personnes connaissent déjà Lokad —, « mais à quoi cela ressemble-t-il pour mon équipe de planification ? » Tu viens de dire : « Regardez ces tableaux de bord, voici les décisions classées. »
Puis tu as annoncé une analyse beaucoup plus approfondie, tout en précisant qu’on pouvait s’arrêter ici. L’équipe de planification pourrait donc s’arrêter à ce stade. Les décisions sont déjà là. Si vous faites confiance au système, vous pouvez les exécuter. Si vous voulez en savoir plus, vous pouvez chercher pourquoi cette unité, ce PN, est classée au-dessus de telle autre, etc.
Fabian Hoehner : Oui.
Conor Doherty : D’accord.
Fabian Hoehner : Effectivement, en supposant que nous ayons mis en place le système. Nous pourrons discuter du temps nécessaire, mais disons qu’après 6 mois, le système fonctionne. Vous pourriez simplement dire : « Je lui fais confiance », et les recommandations seraient exportées puis exécutées par les systèmes opérationnels.
Encore une fois, nous ne sommes pas un système transactionnel, mais un système d’intelligence. Nous exécutons des simulations complexes, puis renvoyons cette intelligence au système opérationnel.
Conor Doherty : Vas-y, continue.
Fabian Hoehner : Je viens de le dire. Cela étant dit…
Conor Doherty : Oui.
Fabian Hoehner : Très peu de personnes lanceraient cela automatiquement pour une pièce à 46 000 dollars, comme celles que nous avons vues tout à l’heure. Et ce n’est pas…
Conor Doherty : Oui.
Fabian Hoehner : Ce n’est pas ainsi que cela fonctionne. Pour ces pièces, il faut demander un devis. En aéronautique, ce n’est pas comme le e-commerce d’Amazon.
Vous demandez le prix de la pièce ; celui que nous utilisons ici reste une hypothèse tant qu’il n’a pas été validé. C’est donc un processus manuel, ou qui peut être automatisé. Mais les achats de rotables que nous regardons ici ne sont probablement pas des opérations que vous automatiseriez entièrement. Vous pourriez le faire, bien sûr, mais…
Conor Doherty : L’exécution de la décision ne l’est pas forcément, mais l’analyse et la génération de la décision sont automatisées.
Fabian Hoehner : Ta question est essentiellement : « Que regardent les utilisateurs ? » Si le temps de vérification ne se justifie pas, par exemple pour des pièces de moins de 2 000 dollars environ, comme les consommables et les pièces non réparables, ou C&E, vous pouvez tout automatiser ; nous le faisons effectivement. Les systèmes opérationnels sont mis à jour chaque jour et la commande est transmise automatiquement. Pour les investissements dans les rotables, des experts vérifient généralement de nombreux éléments.
Dans ce cas, nous procédons à peu près comme ici. La recommandation dit : « Achetez cinq unités. » Un expert du métier remet ce résultat en question. Au début, cela sert à construire, concevoir et améliorer le système avec nous ; cela sert aussi à examiner le résultat. Ce raisonnement, qui explique comment nous arrivons à « Achetez cinq unités », est exactement ce que je vous montre. Comment ai-je obtenu ce résultat ? Revenons-y : si tu ne m’avais pas interrompu, j’aurais déjà terminé, mais bon.
Conor Doherty : Mes excuses.
Fabian Hoehner : Nous regardons donc le 1338 et nous avons dit : « Acheter une unité nous amène à 47 %. » Cela couvre 47 % de l’incertitude. L’écart de 0 à 47 est de 47.
Nous rapportons ensuite ce gain à l’ensemble du catalogue. Quel est l’écart à cette échelle ? Cela dépend de la consommation de la pièce. Une pièce davantage consommée aura évidemment un impact plus important, etc.
Vient ensuite le gain de taux de service global, la réduction des AOG exprimée en dollars. Comment le calculons-nous ? Encore une fois, nous construisons cela sur mesure. Je ne m’attends pas à ce que beaucoup de personnes ici, ni même nos clients au départ, aient un chiffre précis et disent : « Je sais ce que coûte un AOG. » Notre principe est toujours : « Mieux vaut être approximativement juste qu’exactement faux. » Oui, il est très difficile de déterminer précisément ce que nous coûte un AOG.
On peut, par exemple, regarder combien d’AOG ont été causés par un problème de stock et estimer leur coût globalement. On peut aussi constater qu’il a fallu réaliser un achat d’urgence. Combien cela a-t-il coûté ? De cette façon, je peux essayer d’obtenir une valeur approximativement correcte.
L’argument reste le même : mieux vaut un chiffre en dollars que rien du tout. Sans cela, vous pilotez un peu à l’aveugle avec des taux de service. « Devrions-nous être à 99 ou à 99,5 ? » Je ne sais pas. Dès que vous exprimez les conséquences en dollars, vous pouvez en discuter, y compris entre services.
Conor Doherty : Oui.
Fabian Hoehner : Et vous pouvez faire évoluer ce chiffre. Ce n’est pas un problème si, un an plus tard, vous dites : « Nos estimations étaient fausses ici », ou « C’est correct pour ce type de flotte, mais cela devrait coûter davantage pour cet autre type. » Dès que vous quantifiez les choses, vous pouvez vraiment…
Conor Doherty : Vous donnez un langage commun aux gens pour discuter des divergences d’opinion.
Fabian Hoehner : Exactement. Parfait. Nous arrivons donc à la réduction des AOG par dollar dépensé, ou au gain de taux de service par dollar dépensé. Les deux conduisent à un score qui indique la trajectoire d’investissement la plus efficace. Regardons maintenant les deuxième et troisième lignes, puis nous poursuivrons.
La deuxième ligne concerne la même référence, le même identifiant, mais pas la même unité. Cette fois, nous achetons la deuxième. La première est déjà achetée ; l’investissement suivant porte donc sur la deuxième. Elle va nous amener à… Tu peux me demander de zoomer.
Conor Doherty : Non, c’est bon. C’est bon.
Fabian Hoehner : Tu te penches. Cela nous amène ici à 72 %, soit 25 % de taux de service supplémentaire. La première unité couvre évidemment le plus d’incertitude : 50 %, et la deuxième seulement 25.
Quelle est la conséquence logique ? La deuxième pièce apporte moins de valeur à nos opérations. Toutes les valeurs diminuent donc : le gain de taux de service, le montant des coûts d’AOG évités, et par conséquent le score de classement.
Dire que la deuxième pièce a moins de valeur que la première n’a rien de révolutionnaire. Je ne peux évidemment pas acheter la deuxième avant la première. Regardons maintenant la troisième ligne : c’est exactement la même logique.
Je ne gagne que 14 % pour cette pièce, tout en payant toujours 1 200 dollars. Mon score de classement baisse donc. La quatrième ligne devient intéressante : elle concerne une autre référence.
Tout est différent pour cette pièce : la demande pendant le délai, le délai de réparation sous-jacent, ou TAT, et éventuellement le délai de livraison.
Le prix est différent. Tout change pour cette pièce, sauf la logique de classement : quelle réduction des AOG est-ce que j’obtiens, rapportée à mon investissement ?
C’est le principe central que nous appliquons ici. Petite parenthèse : les calculs réels sont bien sûr plus complexes. Nous ajoutons des facteurs liés aux catégories no-go, go-if, etc. Ici, ils sont intégrés au coût de l’AOG.
Pour simplifier, le coût de l’AOG est plus élevé pour une pièce no-go. Cela peut devenir extrêmement complexe. Nous nous appuyons alors sur les retours des clients, pas sur un quelconque génie de notre part. C’est ce que nous appelons l’optimisation expérimentale : on montre une liste en disant « Voilà ce que je ferais à votre place », puis on en discute avec les experts. Ils répondent : « Cinq, cela paraît raisonnable, mais j’en aurais pris 20. »
Dans ce cas, il me manque quelque chose, car les experts opérationnels savent généralement ce qu’ils font. Prenons une housse de siège : on pourrait dire qu’elle n’est pas techniquement no-go, que l’avion peut voler en l’état.
Mais les équipes opérationnelles diront : « Oui, mais c’est affreux. » Imaginez le coût d’un passager entrant dans un bel avion et découvrant un siège sur lequel il faut poser du ruban rouge : « On ne peut pas… » Voilà, c’est no-go. Cela coûte donc extrêmement cher.
Une anecdote : les machines à café sont no-go. Impossible de s’en passer. Techniquement, l’avion vole sans elles, mais… C’est le genre de choses que nous apprenons ensemble avant d’adapter la recette. Cela peut aussi varier d’une compagnie aérienne à l’autre. Quelles sont les priorités ?
Qu’est-ce qui n’est pas prioritaire ? Nous classons toutes les possibilités selon leur score : gain de taux de service ou AOG évités par dollar dépensé. Puis nous descendons dans la liste. Vous voyez que cela diminue, diminue, puis augmente. Une pièce à 46 000 dollars et une pièce à 5 000 dollars deviennent comparables : à quel moment est-il préférable d’acheter le sixième exemplaire d’une pièce bon marché ou le deuxième d’une pièce chère ?
C’est exactement ce que nous faisons ici. Comment obtenons-nous ces valeurs ? Ou, au niveau opérationnel, que regarderaient les équipes, comme tu le demandais tout à l’heure ? Une liste comme celle-ci.
Ce serait tout à fait raisonnable. Mais elles ouvriraient aussi ce que nous appelons un inspecteur d’article. Nous l’utilisons également. Il s’agit d’un tableau de bord d’indicateurs qui explique comment nous avons obtenu les valeurs précédentes.
Les clients peuvent l’utiliser pour leurs propres analyses, tout comme nos Supply Chain Scientists. Ce sont les personnes qui codent et confrontent les idées avec le client. J’imagine que la plupart d’entre vous connaissent ce rôle ; si vous assistez à cette présentation, vous avez probablement déjà vu du contenu de Lokad. En bref, ce sont les personnes qui réalisent l’implémentation et discutent les résultats avec le client.
Nous utilisons donc les mêmes écrans que le client pour évaluer si la décision proposée est raisonnable. Nous partons toujours de la recommandation « Achetez cinq » pour en comprendre les raisons. Nous avons d’abord regardé le classement économique ; maintenant, nous examinons les détails. En cas de désaccord, nous vérifions ici si nous voyons la même réalité. Surtout au début d’un projet, la plupart des désaccords viennent de… As-tu une idée ?
Conor Doherty : La valeur économique des décisions ?
Fabian Hoehner : Non, les données. C’est toujours les données. Vous ne partagez pas la même vision de la réalité. Nos clients, notamment les entreprises aéronautiques, ont souvent une histoire complexe et ont réalisé beaucoup d’acquisitions. Il est assez courant de trouver six ERP différents hérités du passé, plus trois fichiers Excel ici et là.
Il n’est pas facile d’obtenir la bonne interprétation, ou simplement la même interprétation, d’une réalité commune. La première étape consiste donc à vérifier que nous voyons les mêmes unités. Regardons une autre pièce, si nous en trouvons une. Avons-nous le même nombre d’unités actuellement en retour, en réparation ou dans le circuit logistique ?
Oui, non, peut-être ? C’est très important à vérifier. Supposons ensuite que les données soient cohérentes : quelle est notre projection de demande ?
Comment l’obtenons-nous ? Au début, j’ai dit que je voulais vous transmettre deux grands concepts. Nous avons traité une partie de la priorisation économique. J’ai aussi parlé d’incertitude et de prévision probabiliste : c’est ce que nous allons examiner maintenant.
Pour certains, ce sera assez évident, mais je vais avancer lentement pour que tout le monde suive. Voici un historique de consommation très typique. Nous restons avec notre favori, le 1338. Donc nous…
Conor Doherty : La même pièce tout au long du parcours. D’accord.
Fabian Hoehner : Nous suivons effectivement le parcours de cette pièce. Voici un historique de consommation très typique, sporadique et irrégulier : rien, un, un, un, deux, puis deux, un. C’est extrêmement difficile à prévoir.
Si vous regardiez cela sous l’angle d’une consommation moyenne — je sais que très peu de personnes le feraient en aéronautique —, une moyenne glissante donnerait ceci. Est-ce que cela vous aide ? Elle indique 0,17 unité. Très bien.
Qu’est-ce que cela m’apporte ? Presque rien. Ce qu’il vous faut, et ce que nous allons construire, c’est une représentation probabiliste : quelle est la probabilité d’une quantité consommée sur un horizon donné ? Commençons simplement. Pour ceux qui ont fait des statistiques…
Conor Doherty : Suppose que je suis idiot. Tu peux me parler avec condescendance, ce n’est pas grave.
Fabian Hoehner : Ce sera une hypothèse difficile à faire. Commençons simplement : supposons que cet histogramme représente la réalité passée. En pratique, bien sûr, nous regardons vers l’avenir, nous faisons des prévisions et des choses très intelligentes. Mais pour simplifier, disons que nous regardons le passé.
Que fait l’histogramme ici ? Je ne sais pas si vous les voyez… Oui, il y a de petites barres ici. Supposons que la période observée soit comprise entre ces barres, disons 30 jours. Si le passé représente l’avenir, choisissons maintenant un point au hasard sur cet historique.
À quelle fréquence est-ce que j’obtiens une demande d’une unité dans une fenêtre de 30 jours ? À quelle fréquence zéro, deux, trois, etc. ? C’est ce qu’indique cet histogramme.
Cela indique que, sur un tirage aléatoire, nous obtenons zéro dans 25 % des cas. Dans 34 % des cas, nous obtenons 1, 2, 3, 4, 5, etc. C’est le cas théorique. Avec cet intervalle-ci, la demande serait de trois. Si l’intervalle était plus large, il engloberait tous ces événements.
Voilà pour la théorie simplifiée. En pratique, il faut accepter l’incertitude, comme je le disais au début : sur quel horizon prévoir ? Ce n’est pas 30 jours, car ce serait une valeur fixe. Nous insistons sur le fait que l’incertitude existe et qu’aucune planification ne la fait disparaître. Supposer un délai constant de 30 jours donne une valeur déterministe commode pour planifier, mais ne la rend pas plus réelle. En réalité, cela prend parfois 30 jours, parfois 50, 60 ou 180, ou…
Conor Doherty : cela ne revient pas du tout.
Fabian Hoehner : Exactement, la pièce est mise au rebut. Nous regardons ici des rotables, normalement réparées. Nous ne considérons donc pas des délais de livraison, mais des délais de retour en service, ou turnaround times.
Combien de temps faut-il pour que ma pièce redevienne utilisable ? L’avion arrive, on dépose la pièce hors service et on la remplace par une pièce en état de service prise dans le stock. La pièce déposée entame alors une longue boucle qui semble interminable. Idéalement, les données permettent d’identifier chaque étape et de disposer de nombreuses distributions élémentaires. Mais l’essentiel est de comprendre tous les délais auxquels je pourrais être confronté.
C’est l’horizon sur lequel je veux prévoir. Prenons un cas extrême : si une pièce pouvait être réparée en un jour, aucun stock supplémentaire ne serait nécessaire. Une unité suffirait. À chaque arrivée d’avion, la pièce hors service est déposée, une pièce utilisable est installée, puis la pièce déposée est réparée. Un stock d’une unité suffirait. La réalité est évidemment différente, mais cela montre à quel point il est essentiel de déterminer cette période. C’est ce que nous faisons ici.
Ici, cela s’appelle le délai de réapprovisionnement. Il peut s’agir d’un délai de retour en service ; peu importe pour le principe que nous expliquons : sur quel horizon devons-nous prévoir ? La distribution est lissée, et elle est bimodale. Comment l’expliquer ? En aéronautique, le pic autour de 80 correspondrait généralement au cas où tout se passe bien.
Vous envoyez une pièce à l’atelier, elle est réparée, tout va bien. L’autre pic correspond à une défaillance dont la réparation prend du temps. Cela donne une distribution bimodale. L’important est de comprendre qu’il est très différent de dire « Dans 80 % des cas, c’est autour de 80, et dans 20 % des cas, c’est 150 » et de retenir systématiquement la moyenne, soit 110 unités.
Conor Doherty : Ce qui arrive très rarement dans cette distribution.
Fabian Hoehner : Oui. Ici, la courbe est lissée et ce sont des données de démonstration. Mais ce cas pourrait être bien réel ; nous le rencontrons assez souvent. Soit tout se passe bien, et cela prend 80 jours, soit non, et cela prend 120.
Je ne conclus pas qu’il faut choisir l’un de ces scénarios. Il faut reconnaître que l’incertitude existe et prévoir sur tous les futurs possibles. Au début, j’ai proposé de prendre un intervalle de 30 jours.
30 jours : ici, la probabilité est très faible, inférieure à un pour cent. Nous allons en fait construire une distribution de demande pour chaque horizon possible. Pour vous le représenter — que le calcul soit exactement réalisé ainsi importe peu pour l’image —, imaginez une centaine de distributions correspondant aux différents horizons.
Nous les combinons en une seule distribution, celle-ci. Elle représente la demande sur tous les futurs possibles. À quoi ont servi ces 10 dernières minutes ?
À obtenir la représentation la plus précise de la demande face à un futur incertain, ce qui est essentiel. En aéronautique, comme nous l’avons dit au début, seuls les extrêmes m’intéressent : les scénarios au-delà du 90e percentile. Il est donc crucial de savoir où je me situe dans cette distribution. Regardons quelques exemples.
Voilà. Ces distributions avec beaucoup de zéros et une asymétrie à droite sont très typiques. On retrouve une longue traîne, et l’absence de demande sur l’horizon est souvent le scénario le plus probable. Mais l’essentiel est de comprendre précisément la probabilité des valeurs extrêmes. Si cette pièce coûte 20 000 dollars, voulons-nous investir 40 000 dollars supplémentaires pour gagner, disons, 7 % de plus — ce n’est pas exactement le bon calcul —, ou nous contenter des premières unités ? C’est exactement ce que nous avons fait auparavant.
C’est pourquoi il est absolument essentiel de comprendre la forme de la distribution. C’est la première étape. Revenons à notre pièce pour entrer dans le détail : une unité nous donnerait un taux de service attendu de 47 %, la deuxième nous amènerait à 72, puis à 87, et si nous…
Conor Doherty : C’est ce qui était dans la liste.
Fabian Hoehner : Très bien. Tu…
Conor Doherty : J’étais attentif.
Fabian Hoehner : Parfait. En revenant ici, nous voyons que nous étions à 37 pour la première, puis 72, et ainsi de suite. Nous remontons le raisonnement pour comprendre comment nous en sommes arrivés là. Cela explique l’origine exacte du chiffre. Je reprends mon souffle une seconde, donc si tu…
Conor Doherty : J’ai déjà quelques questions, et c’est le bon moment pour y passer. Une question m’a été posée à plusieurs reprises avant cet événement : comment tout ce que nous venons de voir s’intègre-t-il aux processus de travail existants ? Toute entreprise, cliente ou future cliente, possède déjà ses logiciels et ses processus. Faut-il tout remplacer pour installer Lokad ? Fonctionne-t-il à côté ? Comment cela se passe-t-il ?
Fabian Hoehner : Oui, ce serait une très mauvaise question si c’était vrai.
Conor Doherty : Oui, exactement, évidemment.
Fabian Hoehner : Non, nous nous plaçons au-dessus. Je vais vous montrer pendant quelques secondes ce qui se passe en arrière-plan. Ceci est…
Conor Doherty : c’est de l’IA, non ?
Fabian Hoehner : Oui, c’est de la magie, de la magie noire, évidemment. Non, c’est notre langage de programmation, appelé Envision.
Lokad est plusieurs choses à la fois. D’une part, c’est une plateforme big data très puissante conçue pour l’optimisation des stocks, avec de nombreuses fonctionnalités d’IA. Par exemple, nos agents internes peuvent écrire du code dans ce langage. Mais tu as posé la question des données, et c’est ce que je voulais montrer ici.
Nous nous adaptons à chacun. Nous ne demandons pas au client de préparer une structure au préalable, mais simplement de fournir les extractions brutes. Une grande partie de notre travail consiste à traiter correctement ces données pour leur donner du sens : assurer leur cohérence.
Par exemple, déterminer la juste valeur d’une pièce est assez complexe. En aéronautique, beaucoup de pièces sont présentes depuis longtemps. Après huit ans d’amortissement, une pièce peut ne valoir que 1 dollar en comptabilité. Mais il faut toujours pouvoir la remplacer, et en acheter une nouvelle coûte, disons, 50 000 dollars. Quelle valeur retenir ? Quelle est sa juste valeur ?
La réponse n’est pas simple. Vous avez deux systèmes différents : le système comptable indique 1 dollar, la valeur résiduelle conservée dans les comptes ; pour racheter la pièce, il faut 50 000.
Comment obtenir les bonnes données ? Il faut du temps, des échanges et, surtout, de la souplesse. C’est l’une des nombreuses raisons pour lesquelles nous disposons d’un langage de programmation : nous adapter à ces situations. Tous nos clients ont des configurations très différentes ; nous venons nous placer au-dessus.
Qu’ils utilisent AMOS, TRAX, SAP ou, le plus souvent, un mélange de ces systèmes, cette adaptation fait partie du système d’intelligence que nous construisons. Est-ce que cela répond à la question ?
Conor Doherty : Oui, plus ou moins. Je reformulais la question : la préoccupation portait surtout sur le risque de dupliquer les transactions. Avec plusieurs systèmes, faut-il effectuer des rapprochements entre le système A et Lokad, puis dans l’autre sens ? C’était le fond de la question.
Fabian Hoehner : Si tu demandes si certaines fonctions font doublon, reprenons un instant. Les systèmes transactionnels servent à enregistrer les transactions. Donc…
Conor Doherty : ERP.
Fabian Hoehner : Oui, ERP, M… Je prends une unité en stock et je l’installe : vous voulez le voir en une milliseconde. Tout doit être mis à jour partout.
Ce n’est pas le rôle de Lokad. Nous exécutons des simulations complexes qui peuvent prendre 20 minutes, et ce n’est pas un problème. Ici, vous voyez des résultats précalculés.
L’affichage est immédiat parce que le calcul a déjà été fait. Celui-ci prendrait probablement quelques secondes ; les calculs les plus complexes peuvent prendre davantage de temps. Cela ne pose pas de problème, puisque notre rôle n’est pas transactionnel. Nous apportons l’intelligence : les meilleures analyses, la meilleure aide à la décision, les meilleures décisions automatisées, puis nous les renvoyons aux systèmes automatisés. Pour cela, nous disposons aussi de nombreux tableaux de bord d’analyse.
Il y a donc le système d’enregistrement, puis généralement un système de reporting au-dessus : Tableau, ou… Quel est l’autre ? Power BI, ce genre d’outils. Ensuite vient le système d’intelligence, la catégorie à laquelle nous appartenons.
Une fois les données disponibles, nous construisons bien sûr de nombreux tableaux de bord explicatifs. Ceux que nous examinons ici pour comprendre les résultats relèvent aussi du reporting : ce tableau de bord est simplement un rapport.
Le calcul s’effectue ailleurs. Dupliquons-nous certaines choses ? Oui, cela peut arriver, mais notre ambition n’est pas de devenir un système de reporting. Ces écrans servent à nos équipes et aux clients pour valider ce que nous faisons. Nous ne voulons pas seulement regarder du code, mais voir ce qu’il produit.
Conor Doherty : D’accord. À propos de ce que cela produit : au début, j’ai annoncé que nous examinerions les décisions d’investissement et de désinvestissement. Je me rends compte que nous avons surtout parlé d’investissement.
Peux-tu nous montrer le cas inverse : « J’en ai trop » ? Toujours à propos des rotables : « J’ai trop de stock. Comment identifier les unités dont je devrais me séparer pour libérer du capital ? »
Fabian Hoehner : Oui. Comme si tu savais que j’avais cela quelque part. Parfait.
Encore une fois, nous concevons le tableau de bord comme nous le souhaitons. C’est un écran de démonstration ; sa présentation reflète simplement notre choix.
Ici, les possibilités d’investissement et de désinvestissement figurent dans le même tableau de bord général. Nous regardons maintenant le désinvestissement. La logique est presque identique : pour investir, nous partons du stock actuel et demandons ce qui se passerait si nous ajoutions une unité, puis une autre, une troisième, une quatrième, etc., pour chaque référence possible. Nous construisons ensuite le score de classement.
Pour désinvestir, nous examinons tout le stock détenu et posons la question inverse : si je cède une unité, combien de taux de service est-ce que je perds et combien de trésorerie est-ce que je libère ? Je ne vais pas reprendre tout le détail, mais cette liste devrait mettre en avant des articles au prix unitaire élevé dont la cession entraîne une faible perte de taux de service. Ici, nous perdons moins d’un pour cent pour cette pièce.
À l’échelle globale, la perte est si faible qu’elle disparaît avec l’arrondi. Certaines pièces sont manifestement trop nombreuses. Nous voyons ensuite l’augmentation des AOG qui en résulte, puis le classement.
Il faudrait probablement afficher davantage de décimales pour le voir. En descendant dans la liste, cette perte augmente. L’intuition est donc : prix unitaire élevé, faible perte de taux de service. C’est la logique inverse. En théorie, vous pouvez même trouver un équilibre idéal entre les deux : investir dans certaines références et désinvestir dans d’autres jusqu’au point optimal.
Cela reste assez théorique, car la réalité des valeurs de marché est plus complexe. Ce n’est pas Amazon : vous ne dites pas « J’ai 10 exemplaires de trop d’une pièce à 85 000 dollars, c’est vendu ! » Il faut les vendre, trouver un acheteur, déplacer les pièces, etc.
Ces tableaux de bord sont néanmoins très utiles pour céder des actifs. Le client peut constater : « Nous avons ici au moins cinq unités qui ne servent qu’à couvrir un événement situé très loin dans la queue de distribution. » Il faudrait, par exemple, que toute la flotte ait un problème le même jour pour en avoir besoin. Voilà l’idée générale du désinvestissement.
Conor Doherty : Oui. Nous distinguons donc la façon d’allouer le budget — pardon, de générer les décisions — selon qu’il s’agit d’investissement ou de désinvestissement, avec quelques différences entre les deux. Une question reçue avant l’événement prolonge ce sujet. Une personne travaillant aux achats opérationnels demande : « Comment une recommandation d’achat change-t-elle selon que l’unité est acquise dans le cadre d’un échange ou d’un achat ferme ? »
Fabian Hoehner : Ça dépend. La réponse est toujours…
Conor Doherty : Ces questions demandent beaucoup de temps, donc je te demande des réponses concises. Si nous n’entrons pas dans tous les détails, nous pourrons y revenir ensuite, sans problème.
Fabian Hoehner : Oui, bien sûr.
Conor Doherty : Mais donne-nous une réponse générale.
Fabian Hoehner : Ici, nous regardons le pool que vous possédez : quel est le stock total ? Les investissements considérés augmentent la taille globale de ce pool.
Pour un échange, le nombre de pièces dans le pool ne change normalement pas : vous recevez une pièce et en restituez une à un moment donné. Le problème est différent. Vous pouvez avoir assez de pièces en théorie, mais elles sont toutes bloquées dans le circuit de réparation. Vous n’avez pas besoin d’augmenter le stock total ; il faut couvrir la période précédant leur retour. Cela relève donc d’une autre optimisation.
Ici, nous regardons les investissements qui augmentent le pool. La question rejoint aussi celle des priorités de réparation : parmi les pièces en cours de réparation, lesquelles faut-il traiter d’abord ? Il est parfois possible de modifier l’ordre. Dans la vue d’ensemble, nous avons vu 500 unités en réparation. Elles n’ont pas toutes la même importance.
Nous pouvons produire, et produisons effectivement, une liste priorisée des actions d’accélération : quelles réparations sont prioritaires et quels délais faudrait-il raccourcir ? Le fournisseur a 20 de vos pièces en réparation, sans forcément savoir lesquelles vous importent le plus. De notre côté, nous savons par exemple qu’il reste cinq unités en état de service pour une référence : l’avoir envoyée plus tôt ne signifie pas qu’il faut la récupérer plus tôt. C’est un cas typique de priorisation : quelle action a le plus d’impact pour nous ? Au fond, nous produisons des listes d’actions classées selon leur impact.
Conor Doherty : D’accord. Je peux continuer ? Ça te va ? Parfait.
Puisque tu évoques les fournisseurs, voici une autre question concrète. Elle vient d’une personne qui a vu des fournisseurs refuser de rejoindre une nouvelle plateforme à cause des coûts d’intégration ou d’abonnement. Les fournisseurs doivent-ils changer leur façon de travailler avec le client pour que Lokad puisse faire tout cela et créer de la valeur ?
Fabian Hoehner : Les fournisseurs au sens de quoi, les fournisseurs des clients ?
Conor Doherty : Oui. Oui. Donc…
Fabian Hoehner : Avons-nous besoin des données des fournisseurs ? La réponse courte est non. Il nous suffit d’avoir celles du client, qui possède toutes les données.
Pouvons-nous le faire ? Oui, nous intégrons aussi les données de certains fournisseurs, notamment les dates des différentes étapes. Supposons que tu sois le prestataire MRO chargé des réparations et que je sois la compagnie aérienne.
J’envoie mes données à Lokad : je sais quand la pièce part et quand elle revient. Si j’ai aussi tes données — « Elle est en réparation », « Elle est à la frontière », « Elle a été inspectée » —, nous pouvons mieux actualiser ces informations. Certains clients disposent de ces échanges ; cela peut se limiter à un fichier Excel régulièrement transmis à Lokad.
Si les échanges avec mon fournisseur sont déjà intégrés à mon ERP, il suffit donc de récupérer les données dans cet ERP. Mais nous sommes très souples, ce qui nous aide à intégrer directement les données d’un fournisseur tiers. Après tout, nous sommes une entreprise informatique.
Il est probablement beaucoup plus facile pour nous de nous connecter au flux de données d’un tiers que pour une grande organisation d’intégrer ces données dans son ERP. Pour elle, c’est un projet de transformation ; pour nous, quelques jours. C’est probablement la grande différence.
Conor Doherty : D’accord. Il y a donc au moins deux catégories : les données utiles et les données indispensables.
Les données fournisseur que tu viens de décrire sont utiles. Elles aident, mais leur absence n’est pas bloquante.
Fabian Hoehner : Oui, absolument. C’est une bonne précision.
Conor Doherty : Je veux être concret, tu comprends ?
Fabian Hoehner : Oui. La question des données est toujours pertinente : de quelles données avons-nous besoin ?
En aéronautique, il faut tout tracer. Il y a donc assez de données. À la question « En avons-nous assez ? », la réponse est oui.
Sont-elles bien présentées, propres ? Non, jamais. Mais elles sont suffisantes. Il faut ensuite travailler à en partager la même interprétation.
Les données ne sont que des données ; la question est leur interprétation. L’historique de consommation est évidemment important, tout comme les niveaux de stock et le catalogue : les données habituelles.
Il y a ensuite beaucoup de données utiles en complément : les niveaux de stock historiques par site, par exemple. Les dates des étapes chez le fournisseur sont généralement très difficiles à obtenir ; on n’y a pas accès.
On ne voit que deux dates pour le délai de retour en service : la sortie et le retour. Disposer des dates intermédiaires est très utile. Sinon, on modélise simplement une distribution plus étalée de la durée totale, au lieu de plusieurs distributions.
Conor Doherty : À propos des données potentiellement désordonnées, tu as dit : « Ensuite, le travail commence. » Une question porte justement sur leur préparation : qu’attend-on des clients ? Cela rejoint, je suppose, ce que tu disais du Supply Chain Scientist.
Fabian Hoehner : Oui. Notre approche consiste à le faire ensemble. Encore une fois, c’est ce pour quoi nous sommes conçus : nous sommes une plateforme big data.
Nous sommes rapides, généralement bien plus que nos clients, y compris pour préparer les données. Il nous faut simplement des extractions brutes. Cela dit, disposer de personnes qui connaissent les données et savent où les trouver est précieux et accélère le projet.
Je ne vais donc pas nier l’intérêt d’avoir des personnes qui ont déjà étudié les données et en comprennent le sens. Mais notre approche consiste à aller jusqu’à la décision. C’est tout son intérêt : quand je dis « Achetez quatre pièces », les problèmes sous-jacents deviennent assez évidents. À l’inverse, lancer une mission de nettoyage des données…
J’ai vu beaucoup d’entreprises dire : « Nous ne sommes pas prêtes, nous voulons d’abord nettoyer nos données. » Deux ans plus tard, elles répondent encore : « Nous sommes toujours en train de les nettoyer. » Il est extrêmement difficile de savoir par où commencer : il reste toujours des données désordonnées, une mauvaise catégorisation, des hiérarchies de produits à revoir.
Une meilleure catégorisation nous serait utile, bien sûr. La cartographie des interchangeabilités est essentielle en aéronautique, qu’elles soient à sens unique ou réciproques.
Les données ne sont donc pas propres. Serait-il préférable qu’elles le soient ? Absolument. Mais aller jusqu’à la décision permet-il de voir clairement quelles données ont de la valeur ?
Oui. Prenons l’interchangeabilité : puis-je utiliser une nouvelle pièce sur un ancien équipement ? Une mauvaise recommandation fera rapidement apparaître la question. Si une pièce est compatible dans les deux sens, il est intéressant d’en détenir davantage.
Si je recommande cinq unités et que cela paraît complètement faux à l’utilisateur, il dira : « Pourquoi ? Nous n’avons plus besoin de l’ancienne référence. La nouvelle peut remplacer aussi bien l’ancienne que la nouvelle, donc nous en voulons 20. » En examinant l’inspecteur d’article, nous comprenons vite que cette pièce couvre deux scénarios de demande, ce que nous ignorions.
Pourquoi ? Parce que les données étaient incorrectes. Nous savons alors qu’il vaut la peine de les corriger : elles sont réellement utiles à la décision. Nettoyer pour nettoyer ne mène nulle part et ne s’arrête jamais.
Conor Doherty : Bien.
Fabian Hoehner : Pourquoi souris-tu ?
Conor Doherty : Quelqu’un nous félicite… Alex vient de se qualifier lui-même d’intelligent. Il est assez intelligent. C’est un garçon intelligent. Oui.
Donc, l’une des questions, dont j’ai regroupé plusieurs variantes, concerne essentiellement la mise en œuvre. Plus précisément, les efforts d’intégration, les données nécessaires — tu en as déjà parlé —, la sécurité, le support, le passage à l’échelle avec un grand nombre de fournisseurs, l’ingénierie, le calendrier, etc. Je sais bien que la question est très ouverte et que tout dépend du cas. Mais une réponse dans les grandes lignes intéresserait les personnes qui nous regardent.
Fabian Hoehner : Six mois.
Conor Doherty : D’accord. Approximativement : cela peut être plus rapide ou plus long.
Fabian Hoehner : Oui. Et oui. D’accord.
En général, même si tout dépend du contexte, il faut deux mois pour obtenir les données et parvenir à une compréhension commune de ce qu’elles représentent : examiner leur qualité, à la fois globalement et dans le détail, pour en avoir la même interprétation. Puis deux mois pour une première optimisation. Nous sommes assez rapides sur ce point. Enfin, deux mois pour affiner, mais aussi pour fonctionner en parallèle des processus existants, car tout le monde fait déjà ce que nous faisons ici.
Les entreprises avec lesquelles nous travaillons prennent déjà des décisions au quotidien : « Que devrais-je acheter ? Dans quoi devrais-je investir ? » Nous faisons donc fonctionner la solution en parallèle de leurs processus, et c’est là que nous obtenons des améliorations. Cela m’amène à une petite fonctionnalité concernant l’historique : comment comparer avec le passé, ou évaluer les résultats ?
Une fonctionnalité de la plateforme que j’aime souligner, c’est la possibilité d’évaluer ce qui a été fait dans le passé. Qu’est-ce que je veux dire par là ? Dans l’historique, je peux voir toutes les exécutions passées. Par exemple, vous pouvez voir exactement ce que j’ai fait aujourd’hui.
Je peux regarder le tableau de bord que j’ai exécuté il y a quelques heures. Vous voyez ici que j’avais supposé que tu me poserais une question sur le budget. Je l’avais donc fixé à, pardon, 1 million au lieu de 10 millions. Si nous revenons à nos 98 %, quel était l’investissement auparavant, tu te souviens ?
Conor Doherty : 1,2… 2 millions.
Fabian Hoehner : Très bien. Maintenant, nous n’arrivons plus qu’à 900 000, parce que j’ai fixé une limite de 1 million. Nous pouvons interagir avec ce tableau de bord. Je peux l’exécuter.
Je peux faire cela avec n’importe quel tableau de bord du passé. La plupart des gens n’y voient pas une fonctionnalité très importante, mais elle est incroyablement précieuse : vous pouvez revenir à n’importe quel moment et voir ce que nous avons fait. Très souvent, face à une situation AOG, les entreprises vont, je ne veux pas dire paniquer, mais se lancer dans une enquête : « Comment est-ce arrivé ? Qu’avons-nous mal fait ? »
Nous parlons de délais de six mois pour une pièce. Il devient alors extrêmement difficile de remettre en question votre système et vos pratiques si vous ne pouvez pas vous replacer dans la situation de janvier 2026. Ici, je peux simplement ouvrir ma simulation de 2026 et éventuellement constater : « Oui, nous voulions une troisième unité de cette pièce. L’achat était intéressant. Mais nous étions contraints par un budget de, je ne sais pas, 10 millions, et c’est pour cela que nous ne l’avons pas achetée. »
Au moins, nous le savons. Nous pourrions en conclure : « Nous devrions augmenter nos budgets pour disposer de davantage d’argent. » Ou encore : « Nous n’avons pas bien établi les priorités. » Nous aurions dû attribuer une pénalité plus élevée à cette rupture de stock, et nous modifions donc l’algorithme. C’est absolument crucial. Vous passez d’une enquête, je dirais, un peu vaine, à une remise en question du système sous-jacent. Vous pouvez alors conclure : « L’algorithme a fait ce qu’il devait faire, et c’est satisfaisant. »
Oui. Il se produit parfois des événements extrêmes et des ruptures de stock. Ici, nous visons 98 %. Cela signifie que dans 2 % des cas, nous aurons des ruptures.
C’est simplement de la statistique. Mais vous pourriez aussi aller plus loin et dire : « Nous devrions modifier l’algorithme pour qu’il soit meilleur à l’avenir. » C’est un processus continu. L’optimisation est un processus continu.
C’est une démarche continue pour tendre vers la perfection, que, par définition, vous n’atteignez jamais. D’où l’importance de pouvoir examiner l’historique et même traiter de nouvelles données avec un ancien code. Je peux reprendre les calculs, les pondérations, la pénalité associée à une pièce en contact avec le client, etc.
Je peux traiter les données d’aujourd’hui avec un code ou un algorithme vieux de six mois, ou inversement prendre les anciennes données et demander : « Que produirait l’optimiseur d’aujourd’hui avec ces données ? » Très peu de gens posent la question, mais c’est une fonctionnalité extrêmement puissante, créée au départ pour corriger les bugs. Si les données changent d’un jour à l’autre, un bug peut disparaître. C’est pénible, car vous savez qu’il y a un problème, mais vous ne pouvez pas le localiser. Bref, je m’égare.
Conor Doherty : D’accord, ne t’égare pas. C’est bien que ces informations concrètes figurent dans l’enregistrement. Nous avons encore quelques questions.
Tu es prêt ? On continue. Parfait.
Fabian Hoehner : Non, pardon.
Conor Doherty : Très bien. Celle-ci ne porte pas explicitement sur les achats, mais plutôt sur les autres options possibles.
La question est essentiellement : « Lokad peut-il décider s’il faut acheter une unité supplémentaire ou déplacer une unité existante d’un site à un autre ? » Nous nous éloignons un peu du sujet du jour. Nous n’allons pas ouvrir un autre tableau de bord, mais pourrais-tu répondre dans les grandes lignes ?
Fabian Hoehner : Oui. Donc…
Conor Doherty : Oui. Question suivante.
Fabian Hoehner : D’accord. Terminé. Non.
C’est là que la priorisation économique intervient. Ce sera probablement très ennuyeux, mais ma réponse sera toujours : « Si c’est logique, nous pouvons le faire. » Quelle logique faut-il appliquer ici ? D’abord, il faut simuler : quelle est la probabilité d’avoir besoin de la pièce ?
Pour un problème d’allocation, vous devez d’abord simuler la demande par site. Par exemple, si vous avez des MBK dans 100 escales, il faut le faire. C’est évidemment difficile : la prévision l’est encore plus lorsque la demande est encore plus sporadique, mais c’est nécessaire. Nous disons toujours : « Ce n’est pas la facilité du calcul qui détermine la granularité de la simulation, mais la décision que vous voulez prendre. »
Si je veux simuler le besoin d’une pièce par site, je dois produire des prévisions à cette échelle. Pour répondre à la question : faut-il acheter davantage pour le stock central ou réallouer les pièces ? C’est, au fond, une question économique.
Quel est le coût du déplacement de la pièce par rapport à l’autre option ? En déplaçant la pièce, vous exposez davantage au risque l’escale d’origine. Il faut donc comparer le risque accru et les coûts logistiques au coût d’un investissement externe, autrement dit au coût du capital. C’est assez logique et calculable.
Nous pouvons effectuer ce calcul à l’euro, au dollar ou à la livre près. Mais la question reste : quelle est l’ampleur du problème, et à quelle fréquence se pose-t-il ? Une simple règle de trois peut aussi suffire. Si l’enjeu est important et représente une forte valeur, nous pouvons aller jusqu’à ce degré de précision.
Conor Doherty : D’accord. Quelques…
Fabian Hoehner : Dis-moi si ce n’est pas clair.
Conor Doherty : Non, non, non. C’est parfaitement clair. Il reste d’autres questions, et je ne veux pas trop m’attarder. J’ai déjà reçu quelques messages de personnes qui souhaitent approfondir certains points : nous y reviendrons, car tout traiter maintenant prendrait trop longtemps. « Et dans cette situation ? Ou celle-ci ? »
Fabian Hoehner : Je voulais simplement m’assurer que nous retenions ces deux principes : d’une part, l’incertitude, en combinant celle des délais de réparation et celle de la demande ; d’autre part, la priorisation économique. Avec ces principes, nous pouvons répondre à environ 95 % des questions sous-jacentes, y compris sur les consommables et les pièces non réparables dont tu parlais au début. Nous avons parlé de la boucle de réparation.
Cette boucle est plus compliquée, mais le principe est le même pour les C&E. Du stock entre et sort : le taux de mise au rebut est donc de 100 %, si l’on veut le présenter ainsi. Le principe sous-jacent reste similaire. Vous pouvez appliquer exactement la même optimisation économique.
Vous pouvez le faire, mais ce n’est pas obligatoire. Un problème simple peut aussi se résoudre plus simplement, sans ce type d’optimisation, même si c’est généralement ce que nous recommandons fortement. S’il faut commencer par une solution sommaire et rapide, nous pouvons le faire pour obtenir quelque chose de meilleur que l’existant et d’automatisé, car l’automatisation fait presque toujours mieux que l’humain.
Puis nous passons à la deuxième étape. J’ai quantité d’autres tableaux de bord, mais je ne veux pas entrer dans leur détail. Pour l’allocation, vous pouvez bien sûr avoir un tableau de bord qui indique : « Vous devez transférer cette pièce d’un site à un autre. » Là encore, je ne veux pas entrer dans les mathématiques ici.
Conor Doherty : Oui, nous y reviendrons dans une autre émission. Cela risquerait de brouiller les explications.
Fabian Hoehner : Voilà les grands principes que je voulais souligner. Cela dépend toujours de ce que l’on appelle un module. La prise en compte de différents délais de réparation, qui s’allongent, constitue-t-elle un module ? Ou le module désigne-t-il simplement les achats ? Nous pouvons dire que nous avons 20 modules différents ; vous en voyez quelques exemples ici.
Conor Doherty : Justement, quelqu’un a peut-être manqué une partie précédente, mais la question arrive en direct, donc nous allons la poser. Elle vient de Saddaf, j’espère prononcer correctement ce nom. « Pouvez-vous préciser comment Lokad gère les retards fournisseurs dans le calcul de la quantité d’achat optimale ? »
Fabian Hoehner : Oui. Donc, je veux dire…
Conor Doherty : Tu peux revenir au tableau de bord pour ceux qui auraient manqué cette partie.
Fabian Hoehner : Oui, bien sûr. Qu’est-ce qu’un retard, par opposition à un phénomène qu’il faut simplement prendre en compte ? Un retard signifie que vous attendiez une certaine durée et que cela prend plus de temps. Il y a donc deux réponses.
La première concerne les actions pour accélérer la livraison. Vous aviez supposé un délai de 30 jours, et vous en êtes maintenant au jour 40. Nous fournissons généralement une liste classée par priorité : qui appeler en premier ? Si une pièce a 10 jours de retard mais que j’en ai cinq en état de service à disposition, ce retard m’importe peu.
Ce n’est vraiment pas important pour moi. À l’inverse, une pièce peut ne pas être en retard — nous sommes au jour 25 —, mais si je suis en rupture de stock et que le besoin est très urgent, je vais probablement téléphoner : « Pouvez-vous faire tout votre possible pour que nous recevions cette pièce ? » Voilà la moitié de la réponse sur la gestion des retards. La question est : peut-on agir ?
Il faut ensuite donner aux utilisateurs les moyens d’établir les priorités. La question reste : quel est l’impact de ce qui ne va pas ? C’est la première moitié de la réponse. La deuxième correspond à ce que nous avons regardé ici…
Conor Doherty : Quelle est la définition d’un retard ?
Fabian Hoehner : Oui. Nous dirions plutôt qu’il existe différents délais. Un contrat peut très bien indiquer « 60 jours ». Si, en réalité, il faut toujours 120 jours, il faut en tenir compte dans la recommandation d’achat.
C’est exactement ce que nous avons fait ici. Vous ne dites pas : « C’est toujours 80 » ou « C’est toujours 120 », peu importe les chiffres. Vous prenez en compte toutes ces possibilités. La distribution de la demande que nous voyons ici couvre tous les délais possibles. C’est précisément la raison de cette démarche.
Il s’agit de prendre en compte l’incertitude que l’on ne maîtrise pas. Les délais de réparation et les délais fournisseurs en constituent une part importante. Nous n’en avons pas parlé, mais ces délais font eux aussi l’objet de prévisions. Jusqu’ici, j’ai simplifié en disant que nous regardions le passé et que celui-ci représentait l’avenir.
Nous savons évidemment que le passé ne représente pas toujours l’avenir. Nous avons accompagné nos clients pendant et après le COVID : baisse de l’activité, puis reprise, avec des hausses considérables des délais de réparation. Si nous voyions un délai de réparation suivre cette trajectoire, nous ne dirions pas simplement : « Le passé représente l’avenir. » Non.
Nous prévoyons alors les délais de réparation, puis la demande sur les distributions prévisionnelles de ces délais. J’anticipe une autre question : j’ai dit que nous regardions l’année passée, mais nous pouvons évidemment prendre en compte les visites de maintenance à venir. Donc, si j’ai une… N’hésite pas si tu as une question.
Conor Doherty : Non, non, cela fera justement partie d’une question plus tard. Continue, s’il te plaît.
Fabian Hoehner : La question habituelle serait : comment prévoyez-vous la demande future ? Regardez-vous simplement le passé ? Cela dépend. Avec une activité portant sur mille avions, donc un grand prestataire MRO et une masse statistique importante, le passé donne une assez bonne représentation de l’avenir.
Mais si vous avez davantage d’informations, nous les utilisons. La question est toujours de savoir de quelles informations vous disposez. Par exemple, vous savez qu’une série de visites D approche. Nous prenons alors la nomenclature probabiliste, ou BOM, qui comporte elle-même de l’incertitude. Vous savez que certaines pièces seront remplacées : la probabilité de remplacer un consommable peut être de 100 %. Mais pour d’autres, vous savez seulement que vous allez ouvrir…
Conor Doherty : Et découvrir de la corrosion que vous n’attendiez pas.
Fabian Hoehner : Oui. Ou les visites C passées vous apprennent que vous remplacez cette pièce dans 30 % des cas. C’est une nomenclature probabiliste : « Voici les 100 pièces dont je pourrais avoir besoin, avec leurs probabilités respectives. » Si je sais que cet événement aura lieu dans deux mois, je peux le planifier.
C’est exactement ce que nous faisons. La réalité est évidemment plus compliquée : si vous annoncez une visite C dans deux mois, à quelle fréquence a-t-elle vraiment lieu dans deux mois ? Cette date comporte aussi de l’incertitude. J’ai présenté deux incertitudes principales, mais il peut y en avoir davantage. Cela augmente l’incertitude et élargit les distributions. Au fond, la question reste la même : quelle couverture supplémentaire est-ce que j’obtiens en investissant dans une pièce de plus, et cela en vaut-il la peine ? Suis-je prêt à dépenser, je ne sais pas combien celle-ci coûte, 10 000 dollars, pour obtenir encore, combien, 0 virgule… ou 4 % supplémentaires, par exemple ?
Conor Doherty : C’est clair pour moi. Cela montre aussi pourquoi il est si important d’avoir les tableaux de bord sous les yeux. Une question complémentaire vient de Metan, pardon si je prononce mal ce nom. Elle porte sur un point essentiel déjà évoqué : produire les meilleures décisions d’investissement, de cession ou d’allocation est formidable, mais si les recommandations ne sont pas suivies, si les gens ne les exécutent pas, cela pose problème.
Voici donc la question publique : « Comment savez-vous si l’entreprise cliente a effectivement acheté la pièce recommandée ? » Tu parlais de traçabilité tout à l’heure. Peut-on mesurer dans quel pourcentage des cas les décisions ont été suivies, et dire : « Elles ont été suivies dans X % des cas » ?
Fabian Hoehner : Ah, d’accord. Oui. Donc…
Conor Doherty : Une simple question d’audit, d’auditabilité, pardon.
Fabian Hoehner : Comment suivrais-tu cela, Conor ?
Conor Doherty : Avec un ordinateur.
Fabian Hoehner : Oui. D’accord. Très bien. Nous voyons ce qui est exécuté, puisque nous recevons chaque jour l’historique de toutes les transactions.
Cela inclut les achats. Je vois donc si quelqu’un a suivi ma recommandation. Je simplifie beaucoup, mais disons que j’ai recommandé cinq unités pour lundi. Le calcul a eu lieu dimanche soir. Lundi matin, l’opérateur voit : « Cinq unités recommandées. »
Lors de l’exécution du mardi, je vois un achat de cinq unités. Je peux alors dire : « Les recommandations ont été suivies à 100 %. » Je simplifie beaucoup : en réalité, cela peut être plus compliqué, notamment en raison des longs délais avant l’émission d’une proposition. Mais oui, nous suivons cela. Pour un processus automatisé, comme pour les consommables, ce suivi fonctionne très bien.
C’est beaucoup plus simple, car les volumes sont importants. Pour les rotables dont nous avons parlé, les retours des utilisateurs sont probablement ce qui compte le plus. Nous examinons ces listes avec nos clients. Nous sommes très bons en mathématiques et en statistiques, mais quand je dis « nous », je veux dire…
Conor Doherty : Oui, tu es un véritable génie.
Fabian Hoehner : Non, je veux dire que la plateforme est très puissante et que nous avons des ingénieurs brillants : c’est notre expertise. Nous travaillons dans l’aéronautique depuis environ 13 ans. Nous avons acquis une solide expérience, mais nous ne prétendons jamais mieux connaître l’aéronautique que nos clients. Quand une modification d’équipement est-elle prévue ? Nos interlocuteurs sont passionnés. Lorsqu’ils voient un avion, ils savent immédiatement de quel modèle il s’agit, quelles pièces il contient, etc. Notre spécialité, ce sont plutôt les statistiques.
Qu’est-ce que cela signifie ? Nous nous appuyons largement sur l’expertise et les retours des utilisateurs. Nous concevons aussi les tableaux de bord à 100 % pour eux. S’ils disent : « Je voudrais une présentation différente, d’autres couleurs, ceci ou cela… »
Nous les écoutons et adaptons la conception à cet usage. Refaire cette présentation nous prend une demi-journée, même pas. Si tu veux, je peux parler d’IA, mais c’est un autre sujet.
Conor Doherty : Non, je vais continuer. Il s’agit plutôt d’un commentaire. Pardon, un instant. Oui.
Quelle part du travail manuel lié aux achats peut-on supprimer en travaillant avec Lokad ? Je ne voudrais pas donner une fausse impression. Tu en as parlé tout à l’heure pour les rotables. Selon le prix, un expert interviendra évidemment encore pour valider un achat de 90 000 dollars. Mais quelle part du temps consacré à ce processus peut-on libérer ? Et même question pour les C&E.
Fabian Hoehner : Oui, je vais reprendre ma réponse de tout à l’heure.
Conor Doherty : Oui, je lis simplement.
Fabian Hoehner : Oui, bien sûr. Cela dépend de la complexité de ce que vous faites. Pour les C&E, on peut vraiment automatiser dans une très large mesure.
Je parle d’aller au-delà de ce qui est déjà automatisé avec les points de commande et les règles min-max. Nous pouvons automatiser cela avec un système beaucoup plus intelligent. Par exemple, celui-ci peut recalculer les points de commande chaque jour, si nécessaire, afin de déclencher la décision souhaitée.
Nous le faisons pour certains clients, avec d’énormes gains de temps. Mais lorsque vous achetez des pièces pour plusieurs millions de dollars, l’enjeu est moins le temps gagné — bien réel et considérable — que la qualité des décisions. C’est le cœur du sujet. Vous évitez quelques AOG, et les coûts ne comptent plus, dans une certaine mesure.
Conor Doherty : Je pense avoir tout couvert. Il est 17 h 45 et nous sommes en ligne depuis environ 75 minutes. Nous devions impérativement terminer vers 18 h. Ah non, pardon, il reste une dernière question. Les personnes qui ont regardé la démonstration comprendront sans doute déjà la réponse, mais soyons concrets : en quoi Lokad se distingue-t-il des plateformes d’achats du secteur, comme Aeroxchange ? Une personne compare ces deux catégories et souhaite comprendre la différence entre l’optimisation des décisions et le traitement des demandes de devis, ou RFQ, la comparaison des devis, le traitement des bons de commande, ou PO, etc.
Fabian Hoehner : Aeroxchange couvre différents aspects. Mais, dans les grandes lignes, nous ne sommes pas à proprement parler une plateforme d’achats. Nous sommes un système d’intelligence. La différence…
Conor Doherty : La prise de décision.
Fabian Hoehner : Oui. Vous avez vos systèmes transactionnels, et nous nous plaçons au-dessus. Nous sommes le cerveau : nous renvoyons les meilleures décisions que les statistiques et l’intelligence métier permettent de produire, pour qu’elles soient ensuite exécutées. Aeroxchange propose davantage de fonctionnalités pour automatiser la fonction achat elle-même et les communications associées.
Ce n’est pas notre activité. Nous pouvons nous intégrer aux systèmes de différents fournisseurs, rapprocher les informations et assurer des échanges, mais nous ne publions pas de catalogues de prix, par exemple. Ce n’est pas notre modèle économique. Je ne parlerais donc pas de plateforme d’achats, mais d’automatisation des décisions, d’aide à la décision et de système d’intelligence.
Conor Doherty : D’accord. Un dernier commentaire. Les gens semblent plus à l’aise pour envoyer des messages privés que pour commenter publiquement, ce qui se comprend. Je lis mot pour mot : « Intéressant, mais je m’intéresse davantage aux réparations. Cette approche peut-elle servir à établir les priorités de réparation et d’accélération des délais ? »
Fabian Hoehner : Oui. C’était facile, non ? Oui.
Conor Doherty : Fais un peu plaisir au public en développant ta réponse.
Fabian Hoehner : Plus sérieusement, c’est la même logique. Au lieu d’acheter une pièce, je me demande si je dois réparer une pièce hors service. Disons que vous avez 10 pièces hors service et aucune pièce utilisable en stock. Au lieu d’acheter, vous en remettez une en état de service.
Cette remise en état passe par une boucle de réparation, avec un délai et un coût. Que la réparation soit interne ou externe, elle a un coût. Prenons une réparation externe, c’est plus simple : supposons qu’elle coûte 50 000. La première question est de savoir comment établir les priorités.
Mon budget limite les pièces que je peux envoyer en réparation, tout comme ma capacité physique de traitement. Si je peux traiter 50 pièces par jour, lesquelles sont les plus urgentes ? Et lesquelles vaut-il économiquement la peine de réparer ?
Après le COVID, par exemple, c’était un enjeu majeur. Certains de nos clients avaient de graves problèmes de trésorerie : il n’y avait tout simplement plus d’argent disponible. Que faire dans cette situation ?
Vous avez toujours vos contrats de location à payer, mais plus de rentrées d’argent. Vous pouviez commencer par suspendre les réparations, qui représentent d’importantes sorties de trésorerie. Vous puisez dans le stock existant et laissez les pièces défectueuses hors service. C’était raisonnable à ce moment-là : pendant le COVID, avec 20 % de la flotte en vol, la demande de pièces en état de service diminuait fortement. Vous suspendez donc les réparations, mais vous ne pouvez pas simplement dire : « Je ne répare plus rien. » C’est là toute la difficulté.
Il vous faut une liste classée par priorité. Certaines pièces restent indispensables et doivent être réparées : leur absence pourrait être catastrophique. Pour d’autres, vous avez 10 unités en stock et cinq hors service. Vous pouvez accepter un peu plus de risque en laissant quelques pièces supplémentaires hors service ou en n’en réparant qu’une.
La logique reste la même. Les délais de réparation deviennent encore plus importants. Vous pouvez disposer d’horodatages supplémentaires ; la probabilité de mise au rebut compte elle aussi beaucoup. Le raisonnement sous-jacent reste identique. Nous avons aussi des tableaux de bord pour cela, mais ce serait un autre sujet.
Conor Doherty : Très bien. Pour conclure et boucler la boucle, comment résumerais-tu les points essentiels pour les personnes qui viennent de nous rejoindre ou qui passent directement aux questions-réponses ? Comment présenterais-tu notre approche des décisions d’achat, d’investissement et de cession dans l’aéronautique ? Quels sont les éléments à retenir ?
Fabian Hoehner : D’abord, ils devraient avoir honte de ne pas avoir tout écouté. Deuxièmement…
Conor Doherty : Très bien. Et le troisième…
Fabian Hoehner : Je le répète : prenez en compte l’incertitude. Elle se présente sous de nombreuses formes : délais de réparation, demande ou nomenclatures probabilistes. Elle est partout. Ne la faites pas disparaître de vos plans par des simplifications. Prenez-la en compte : la technologie permet de mieux le faire.
Deuxièmement, établissez les priorités selon les conséquences économiques. Dans l’aéronautique, il s’agit généralement du gain de taux de service ou des AOG évités par dollar dépensé. Ce sont les concepts essentiels à retenir. Que faisons-nous chez Lokad ? Nous disposons d’une plateforme puissante pour cela, et de brillants Supply Chain Scientists conçoivent cette solution avec nos clients. Voilà, en quelques mots, ce que fait Lokad pour l’aéronautique.
Conor Doherty : Très bien. Fabi, je n’ai plus de questions. Merci beaucoup d’être venu aujourd’hui. C’est un plaisir de te recevoir en studio, et j’espère que tout le monde a autant aimé écouter ta voix que moi.
Fabian Hoehner : Trop aimable.
Conor Doherty : Vous faites honneur à l’humanité, monsieur.
Fabian Hoehner : Merci.
Conor Doherty : Aucun problème. Merci à tous de nous avoir regardés, et merci pour vos commentaires et vos questions.
Un merci particulier aux personnes avec qui j’ai échangé au cours du dernier mois environ. Nous avons annoncé cet événement pendant à peu près un mois. J’ai parlé à beaucoup de gens en leur demandant ce qu’ils souhaitaient voir. J’ai tenu compte de leurs retours et essayé d’adapter la démonstration d’aujourd’hui aux attentes du public.
Si certains sujets qui vous intéressent n’ont pas été abordés, n’hésitez pas à nous contacter directement, Fab et moi, sur LinkedIn. Vous l’avez vu : nous aimons parler, et nous sommes adorables.
Cliquez sur notre profil et envoyez-nous un message. Si vous êtes déjà convaincu et souhaitez prendre rendez-vous pour en savoir plus, un lien devrait se trouver dans le chat. Sinon, écrivez-nous directement à contact@lokad.com. Comme Fabi l’a montré tout à l’heure, nous avons d’autres modules à présenter dans l’aéronautique.
Nous ne les avons pas abordés aujourd’hui, mais nous reviendrons les présenter. D’ici là, il ne me reste plus qu’à dire : retournez au travail. Ah oui, s’il vous plaît.