00:00:00 Introduction du livre : decider dans l’incertitude
00:05:55 Motivation : echecs des modeles statiques chez Toyota
00:11:50 Utiliser le recit pour enseigner les concepts de decision
00:17:45 Erreur : lisser l’incertitude par la moyenne
00:23:40 Les plans echouent ; il faut des processus decisionnels scalables
00:29:35 Preferer les recettes numeriques aux plans parfaits
00:35:30 Rejoindre les parties prenantes la ou elles sont ; iterer
00:41:25 Utiliser des simulateurs pour tester les politiques sans risque
00:47:20 Cadrer les problemes exige une clarte stoique
00:53:15 La precision des previsions n’est pas l’objectif ultime
00:59:10 Les previsions sont des entrees ; les decisions d’allocation comptent
01:05:05 Prioriser la valeur economique plutot que la precision previsionnelle
01:11:00 Prevoir les risques extremes correles
01:16:55 L’action humaine conduit le risque supply chain
01:22:50 Concevoir des systemes resilients face aux ruptures catastrophiques
01:28:45 Adopter par co-creation ; attribuer la propriete des decisions
Resume
The Decision Factory affirme qu’il n’existe pas de solutions parfaites, seulement des arbitrages, et critique l’idee que de meilleurs plans ou de meilleures previsions remplacent le jugement dans l’incertitude. Au lieu de plans centraux fragiles, les entreprises ont besoin de politiques repetables et testables qui utilisent des entrees probabilistes, du feedback et l’economie pour gerer contraintes et risques extremes. Les simulateurs testent les politiques ; les explorateurs de Pareto rendent visibles les arbitrages. L’adoption exige co-creation avec le terrain, propriete claire des contraintes et metriques en dollars plutot qu’en pourcentages trompeurs.
Resume etendu
Il n’y a pas de solutions, seulement des arbitrages. The Decision Factory est avant tout une critique de l’illusion selon laquelle de meilleurs plans et des previsions plus fines pourraient remplacer le jugement dans un monde incertain. Les auteurs, marques par Toyota et de grandes operations logistiques, rappellent que l’avenir n’est pas un ensemble de faits a decouvrir, mais un flux de decisions humaines hors de votre controle.
Une grande partie de la pratique supply chain moderne reste un reliquat de planification centrale : un plan optimal unique cense gouverner des millions de realites locales. Dans le monde reel, le plan est obsolete avant le petit-dejeuner. L’alternative n’est pas la clairvoyance, mais des politiques, des recettes numeriques, qui prennent de bonnes decisions de facon repetee sous incertitude, avec feedback, contraintes et economie plutot que des previsions oraculaires.
L’obsession de la precision previsionnelle illustre le probleme. Predire parfaitement 1 000 bavettes le mois prochain ne sert a rien si des limites physiques ou reglementaires empechent d’en installer plus de 800. La precision de l’entree n’est pas la sagesse de la decision. Le livre deplace donc l’attention des plans vers les politiques testables, des previsions ponctuelles vers les entrees probabilistes et des modeles statiques vers l’experimentation. Pensez en economie, testez dans la realite, concevez pour les queues de distribution et cessez de venerer des plans incapables de survivre au contact du monde.
Transcription complete
Conor Doherty: Ceci est Supply Chain Breakdown. Aujourd’hui Joannes et moi decomposons The Decision Factory, le nouveau livre d’Adam Chans Jr. et John Elam. Ce sont deux praticiens remarquables de la science de la decision, mais aussi des amis de la chaine et des invites de retour. John, Adam, ravi de vous revoir.
John Elam: Ravi d’etre de retour.
Adam Chans Jr.: Merci de nous recevoir.
Conor Doherty: Grand panel aujourd’hui, avec du remote et du studio. Je surveillerai le chat live, donc envoyez vos questions. Avant de commencer, je dois dire que j’ai vraiment aime le livre. Vous avez pris des sujets complexes et consequents et vous les avez rendus accessibles, pas seulement aux praticiens mais aussi a des gens qui ne le sont pas. Mon parcours est en philosophie, pas en ingenierie, et j’ai pu suivre et apprendre beaucoup. Adam, de quoi parle le livre et pourquoi l’avez-vous ecrit ?
Adam Chans Jr.: Le livre parle simplement de prendre des decisions sous incertitude. Nous l’avons ecrit parce que nous avons souffert des anciens modeles statiques. Chez Toyota, l’incertitude nous a brules a plusieurs reprises. Avec une supply chain gigantesque, incluant les fournisseurs, il n’y a presque jamais de garantie d’une solution optimale. Le livre raconte ce que nous avons appris. John et moi avons eu beaucoup de discussions sur ce sujet, inspirees notamment par Joannes et Warren Powell, et nous avons pense que le dialogue serait une bonne maniere d’apprendre.
John Elam: C’est exact. Mon propre parcours m’a conduit peu a peu vers la science de la decision. Plus on se demande ce que font les donnees, le machine learning et l’IA, plus on voit que l’objectif est de prendre de meilleures decisions. En construisant des optimiseurs et des systemes de recommandation avec Adam, j’ai compris qu’il existait beaucoup de lacunes dans la facon dont les gens abordent ces sujets. Le livre aide a savoir quelles questions poser et ce qui est possible.
La theorie parfaite, comme l’optimisation stochastique multi-etapes, peut etre mathematiquement correcte mais souvent intraitable. La vraie question est : que fait-on en pratique ? Comment construire quelque chose qui aide vraiment a prendre une meilleure decision ?
Conor Doherty: Quel est l’erreur la plus courante autour de l’incertitude ?
John Elam: On la moyenne. On l’efface au lieu de l’embrasser.
Adam Chans Jr.: Et le management demande une meilleure prevision, c’est-a-dire une prevision ponctuelle plus precise. On entend parfois des objectifs absurdes, comme 99 % de precision a deux ans. Meme avec une precision parfaite, il reste a decider quoi faire si la demande depasse la capacite. La prevision n’est pas la decision.
Joannes Vermorel: L’idee du plan a capture les intellectuels pendant un siecle. L’URSS avait son Gosplan, et on aurait pu croire que cette idee mourrait en 1991. Elle a pourtant survecu dans les grandes entreprises. Le probleme est que les entreprises prennent des milliers ou des millions de decisions par jour : quoi acheter, produire, deplacer. On ne peut pas tout faire par intuition humaine. Le plan parfait est un voeu pieux : si nous connaissions le futur, tout serait plus simple. Mais cela n’arrivera jamais.
Conor Doherty: Le livre commence justement par un plan parfait chez Fulcrum Logistics, optimal a 6 h et obsolete a 6 h 47. Pourquoi raconter cela sous forme d’histoire ?
John Elam: Les humains retiennent les histoires, pas les faits isoles. On peut parler de fonctions objectif, de simulateurs, de previsions probabilistes et d’optimiseurs, mais l’important est ce que cela change dans la vie operationnelle : le telephone qui ne sonne pas a 3 h du matin. Nous ne faisons pas des maths pour les maths ; nous essayons d’ameliorer les operations.
Adam Chans Jr.: Le dialogue permet aussi de poser les questions que beaucoup n’osent pas poser. Des personnages de differents horizons peuvent poser des questions simples, et le livre montre aussi que ces personnes creent de la valeur. La connaissance institutionnelle doit entrer dans les modeles. Beaucoup de praticiens utilisent des modeles MIP ; nous voulions les rencontrer la ou ils sont, puis elargir leur facon de penser avec simulation, parametres ajustables, scenarios probabilistes et catastrophes correlees.
Conor Doherty: Evelyn, le personnage central, est-elle un composite de Warren Powell et Joannes ?
John Elam: Oui, en partie. Joannes represente tres bien cette capacite a comprendre la theorie et a savoir quand l’ignorer. C’est une competence dont les gens ont besoin.
Conor Doherty: Parlons plans et policies. Pourquoi poursuivre le plan optimal est-il une erreur ?
Adam Chans Jr.: La solution optimale n’existe pas dans beaucoup de problemes operationnels. Les solveurs MIP sont extraordinaires, et parfois l’output peut etre applique tel quel. Mais il existe beaucoup de cas ou l’optimal du modele n’est pas l’optimal operationnel. Il faut apprendre a utiliser le modele comme un outil face a l’incertitude, pas comme une oracle.
John Elam: On ne peut pas penser son chemin jusqu’a la bonne solution. Il faut experimenter. Parfois en ligne, parfois hors ligne, selon les couts. Les simulateurs sont comme des souffleries : ils ne disent pas exactement ou vous arriverez, mais ils montrent si l’aile casse sous tel vent. Ensuite, la realite valide vraiment. Les praticiens du livre contribuent sans connaitre les maths, parce qu’ils testent, apprennent et apportent des heuristiques utiles.
Joannes Vermorel: Chez Lokad, nous parlons plutot de recette numerique que de policy. Une policy est un instrument mathematique utile pour les decisions sequentielles, mais dans un systeme reel elle n’est qu’une petite fraction du code. Il y a aussi les hypotheses, les extractions ERP, le pre-processing, les choix de donnees. Le terme recette numerique signale qu’il n’y a pas d’optimalite propre et bien elevee. On reconnait le bazar et on cherche a l’ameliorer.
Le mot policy aide toutefois a sortir du faux choix entre plan parfait et rien. Penser au futur ne signifie pas perfectionner un plan. Il faut eviter la rigidification prematuree et iterer vite, car les premieres donnees feront souvent exploser vos attentes.
John Elam: Le premier travail est de cadrer le probleme. Warren Powell insiste beaucoup sur le problem framing. Nous sommes mauvais a cela. Il faut voir les choses telles qu’elles sont, pas comme on voudrait qu’elles soient. C’est presque stoicien.
Joannes Vermorel: C’est tres difficile de penser le probleme au lieu de penser d’abord la solution. On invente souvent une solution, puis on definit le probleme comme ce que cette solution resout. Les LLMs sont d’ailleurs tres mauvais a ce jeu et renforcent souvent les mauvaises habitudes.
Conor Doherty: Le livre retarde volontairement la question de la precision des previsions. Pourquoi est-il dangereux de poursuivre l’accuracy en isolation ?
John Elam: Exemple simple : les bavettes de voiture. Supposons que je prevoie parfaitement une demande de 1 000 le mois prochain. Mais l’EPA ne nous autorise a en installer que 800 pour des raisons d’aerodynamique et de certification. La prevision parfaite me dit seulement que je vais manquer. La vraie decision est comment allouer ces 800 : zones les plus profitables, fair share, premier arrive premier servi, recertification, etc. La precision aide, mais elle n’est pas la decision.
Joannes Vermorel: C’est comme calculer au gramme puis arrondir a la tonne. Il y a ensuite des contraintes massives : camions complets, capacite de stockage, main-d’oeuvre, contrats clients, reglementation. La precision n’est pas mauvaise, mais si 90 % de l’attention analytique va a l’accuracy, c’est une enorme mauvaise allocation.
John Elam: L’economie des decisions compte. Decider ou mettre les ingenieurs, sur la prevision, l’optimisation ou les contrats, est deja une decision economique.
Joannes Vermorel: C’est une croyance encore marginale dans la litterature supply chain dominante, qui traite rarement la supply chain comme un jeu economique. Beaucoup de travaux ont un vernis economique mais pas la substance.
Conor Doherty: Parlons des risques et des queues de distribution. Pourquoi faut-il s’interesser davantage aux tails qu’a la moyenne ?
Adam Chans Jr.: Les entreprises vivent et meurent dans les tails. Les evenements rares semblent peu probables, mais ils sont correles : une greve arrive, les expeditions ne viennent pas, les clients se plaignent, les managers paniquent. Les gens multiplient des probabilites comme si tout etait independant, alors que les choses cassent ensemble. Il y a beaucoup d’opportunites dans des problemes simples que l’on croit deja resolus.
Joannes Vermorel: Le mot risque recouvre deux mondes. En sciences naturelles, le risque est celui d’un frein qui casse sur l’autoroute : on veut l’eliminer presque completement. En supply chain, beaucoup de risques appartiennent au monde de l’action humaine : un fournisseur change de priorite, un client change d’avis. Tant que les gens ont une volonte libre, on ne peut pas supprimer ce risque. On peut le couvrir, comme les traders, mais pas l’ingenier hors du monde.
John Elam: Certains mots sont des mots rouges : techniquement corrects mais mal reconstruits dans la tete du recepteur. Risque, incertitude, operations research, online learning. Pour beaucoup de dirigeants, incertitude veut dire je ne sais pas. Le roman permet de deplier ces mots sans imposer vingt definitions formelles.
Joannes Vermorel: L’informatique aussi a une mauvaise terminologie : dynamic programming, serverless, etc. Les histoires permettent d’expliquer sans noyer le lecteur sous le jargon.
Conor Doherty: Comment convaincre quelqu’un de payer 3 % de plus en moyenne pour reduire fortement un risque de queue ?
Adam Chans Jr.: Il faut montrer des exemples concrets avec un simulateur. Prenez un scenario historique, comme une greve de port : voici ce qui se serait passe, voici ce que nous aurions economise. Les graphiques abstraits et les termes statistiques ne suffisent pas. Il faut chiffrer les consequences economiques.
John Elam: Nous utilisons l’idee de Pareto Explorer : visualiser les frontieres de Pareto sur plusieurs objectifs et KPIs. On ne donne pas une decision magique ; on donne une regle pour mesurer les options. Cela rend l’adoption beaucoup plus facile, car le responsable garde la decision. Notre telephone ne sonne pas quand le camion n’arrive pas ; le leur sonne.
Conor Doherty: Le livre insiste aussi sur les incentives et les metriques.
Joannes Vermorel: Les entreprises proclament le profit comme objectif, puis gouvernent les unites avec des KPIs en pourcentage qui isolent les decisions de leurs consequences economiques. C’est une forme de schizophrenie couteuse. Les dollars, pas les pourcentages, doivent gouverner le comportement.
John Elam: Le langage et les incentives sont lies. Si les gens sont juges sur de mauvais mots et de mauvaises metriques, ils optimisent de mauvais comportements.
Conor Doherty: Avec l’explosion de la variete produit et de la personnalisation, que devient le modele top-down ?
Adam Chans Jr.: Il sature. Plus la variete augmente, plus il faut apprendre du terrain. Les modeles statiques et top-down ne peuvent pas anticiper toutes les combinaisons et tous les scenarios. Il faut des policies, des simulations, des boucles d’apprentissage.
Joannes Vermorel: Il faut penser en economie, tester dans la realite, concevoir pour les queues de distribution, et arreter de venerer des plans qui ne survivent pas au contact du monde.
Conor Doherty: Dernier mot : que doit retenir un praticien ?
John Elam: Commencez par mieux cadrer le probleme. Ne demandez pas seulement une meilleure prevision. Demandez quelle decision vous essayez d’ameliorer, quelles contraintes comptent, quels risques cassent le systeme, et comment tester une policy.
Adam Chans Jr.: Et n’ayez pas peur de poser les questions simples. Ce sont souvent celles qui revelent les mauvaises hypotheses.
Joannes Vermorel: Arretez de penser que le futur deviendra un fait. Le futur contient des decisions humaines qui ne sont pas encore prises. Le bon systeme ne supprime pas cette incertitude ; il la traite economiquement.
Conor Doherty: Merci a tous les trois. Merci a l’audience pour les questions et commentaires. Si vous voulez continuer la conversation, contactez-nous sur LinkedIn. A la prochaine pour Breakdown, et retournez travailler.
