Comprendre la Supply Chain

Cette série de conférences présente les fondements de la gestion de la supply chain : les défis, la méthodologie et les technologies. L’objectif est de permettre aux organisations d’atteindre une performance supérieure de la supply chain dans le monde réel. La vision présentée dans ces conférences diverge de la théorie dominante de la gestion de la supply chain et est appelée la supply chain quantitative. Les conférences sont présentées par Joannes Vermorel, PDG et fondateur de Lokad. Les conférences sont illustrées par des exemples de supply chains réelles sur lesquelles Lokad opère au nom de ses clients.

Public cible : Ces conférences s’adressent à tous ceux qui ont l’ambition d’améliorer les supply chains, des cadres supérieurs aux analystes juniors et aux étudiants. Les conférences comprennent une série de “cours accélérés” pour réduire au minimum les connaissances préalables.

1. Prologue

1.1 Les fondements de la supply chain

La supply chain est la maîtrise quantitative mais pragmatique de l’optionnalité face à la variabilité et aux contraintes liées au flux des biens physiques. Elle englobe l’approvisionnement, l’achat, la production, le transport, la distribution, la promotion, … - mais en mettant l’accent sur le développement et la sélection des options, par opposition à la gestion directe des opérations sous-jacentes. Nous verrons comment la perspective de la supply chain “quantitative”, présentée dans cette série, diverge profondément de ce qui est considéré comme la théorie dominante de la supply chain.

Références (livres) :

• Inventory Management and Production Planning and Scheduling, Edward A. Silver, David F. Pyke, Rein Peterson, 1998
• Fundamentals of supply chain theory, Lawrence V. Snyder, Zuo-Jun Max Shen, 2011

1.2 La Supply Chain Quantitative en bref

Le manifeste de la supply chain quantitative met l’accent sur quelques points saillants pour comprendre comment cette théorie alternative, proposée et pionnière chez Lokad, diverge de la théorie dominante de la supply chain. On pourrait le résumer ainsi : chaque décision est évaluée en fonction de tous les futurs possibles selon les moteurs économiques. Cette perspective a progressivement émergé chez Lokad en tant que théorie dominante de la supply chain, et sa mise en œuvre par (presque ?) tous les éditeurs de logiciels reste un défi.

1.3 Livraison orientée produit

L’objectif d’une initiative de supply chain quantitative est soit de livrer, soit d’améliorer une application logicielle qui robotise un ensemble de décisions routinières (par exemple, les réapprovisionnements, les mises à jour de prix). L’application est considérée comme un produit à concevoir. Alors que la théorie dominante de la supply chain peine à s’imposer dans les entreprises en général, un outil “à savoir Microsoft Excel”, a connu un succès opérationnel considérable. Réimplémenter les recettes numériques de la théorie dominante de la supply chain via des feuilles de calcul est trivial, pourtant, cela ne s’est pas produit en pratique malgré la connaissance de la théorie. Nous démontrons que les feuilles de calcul ont gagné en adoptant des paradigmes de programmation qui se sont révélés supérieurs pour fournir des résultats en supply chain.

Référence (livre) :

• Joel on Software: And on Diverse and Occasionally Related Matters That Will Prove of Interest to Software Developers, Designers, and Managers, and to Those Who, Whether by Good Fortune or Ill Luck, Work with Them in Some Capacity, Joel Spolsky, 2004

1.4 Paradigmes de programmation pour la Supply Chain

L’optimisation prédictive des chaînes d’approvisionnement nécessite des paradigmes de programmation spécifiques. En effet, bien que l’angle “programmatique” ne puisse être évité grâce à un logiciel packagé (cf. conférence précédente), les approches de programmation classiques impliquent des couches de complexités accidentelles qui sont extrêmement préjudiciables aux initiatives de la supply chain. Nous présentons une série de paradigmes de programmation particulièrement adaptés aux chaînes d’approvisionnement réelles. Cette conférence est illustrée avec Envision, le DSL (Domain-Specific programming Language) dédié à l’optimisation des chaînes d’approvisionnement, développé par Lokad sur la base de ces paradigmes de programmation.

Référence (livre, mentionné dans la partie Q&R de la conférence) :

• Dynamic Supply Chains: How to design, build and manage people-centric value networks, John Gattorna, 2015

1.5 Tendances du XXIe siècle dans la supply chain

Quelques tendances majeures ont dominé l’évolution des chaînes d’approvisionnement au cours des dernières décennies, remodelant largement la combinaison de défis auxquels les entreprises sont confrontées. Certains problèmes ont largement disparu, tels que les risques physiques et les problèmes de qualité. D’autres problèmes ont émergé, tels que la complexité globale et l’intensité de la concurrence. Notamment, les logiciels transforment également les chaînes d’approvisionnement de manière profonde. Un bref aperçu de ces tendances nous aide à comprendre sur quoi devrait se concentrer une théorie de la supply chain.

Référence (article, mentionné dans la partie Q&R de la conférence) :

• Tokeda, Viable token-driven metadata within Bitcoin, Joannes Vermorel, 2018, (cas d’utilisation de la blockchain pour lutter contre les contrefaçons à la page 28)

1.6 Principes quantitatifs pour les chaînes d’approvisionnement

Bien que les chaînes d’approvisionnement ne puissent pas être caractérisées par des lois quantitatives définitives - contrairement à l’électromagnétisme - des principes quantitatifs généraux peuvent néanmoins être observés. Par “généraux”, nous entendons applicables à (presque) toutes les chaînes d’approvisionnement. Découvrir de tels principes est d’un intérêt primordial car ils peuvent être utilisés pour faciliter l’ingénierie de recettes numériques destinées à l’optimisation prédictive des chaînes d’approvisionnement, mais ils peuvent également être utilisés pour rendre ces recettes numériques plus puissantes dans l’ensemble. Nous passons en revue deux listes courtes de principes : quelques principes d’observation et quelques principes d’optimisation.

1.7 Sur la connaissance, le temps et le travail pour les chaînes d’approvisionnement

Les chaînes d’approvisionnement respectent les principes économiques généraux. Pourtant, ces principes sont trop peu connus et trop souvent mal représentés. Les pratiques populaires de la chaîne d’approvisionnement et leurs théories contredisent souvent ce qui est généralement admis en économie. Cependant, il est peu probable que ces pratiques parviennent à prouver que l’économie de base est fausse. De plus, les chaînes d’approvisionnement sont complexes. Ce sont des systèmes, un concept relativement moderne qui est également trop peu connu et trop souvent mal représenté. L’objectif de cette conférence est de comprendre ce que l’économie et les systèmes apportent lorsqu’il s’agit de résoudre des problèmes de planification pour une chaîne d’approvisionnement réelle.

2. Méthodologie

L’étude et la pratique de la chaîne d’approvisionnement doivent être ancrées dans la science, c’est-à-dire soutenues par des méthodes scientifiques. En effet, au cours des trois derniers siècles, chaque domaine qui a réussi à s’élever grâce à une pratique expérimentale appropriée a connu les progrès fantastiques que nous reconnaissons comme étant la marque de fabrique de la “science”. Cependant, la chaîne d’approvisionnement n’a pas connu de tels progrès, du moins pas encore, et une grande partie de la faute peut être imputée à des méthodologies expérimentales inappropriées. La nature perverse de la chaîne d’approvisionnement exige des méthodes appropriées, que nous explorons dans ce chapitre.

2.1 Personae de la chaîne d’approvisionnement

Une “personae” de la chaîne d’approvisionnement est une entreprise fictive. Cependant, bien que l’entreprise soit fictive, cette fiction est conçue pour mettre en évidence ce qui mérite l’attention d’un point de vue de la chaîne d’approvisionnement. Cependant, la personae n’est pas idéalisée dans le sens de simplifier les défis de la chaîne d’approvisionnement. Au contraire, l’intention est de magnifier les aspects les plus difficiles de la situation, les aspects qui résisteront le plus obstinément à toute tentative de modélisation quantitative et à toute tentative de pilotage d’une initiative visant à améliorer la chaîne d’approvisionnement. Dans les études de cas de la chaîne d’approvisionnement - lorsque une ou plusieurs parties sont nommées - il existe de graves conflits d’intérêts. Les entreprises, ainsi que leurs fournisseurs de soutien (logiciels, conseils), ont un intérêt financier à présenter les résultats sous un jour positif. De plus, les chaînes d’approvisionnement réelles souffrent généralement ou bénéficient de conditions accidentelles qui n’ont rien à voir avec la qualité de leur exécution. Les personae de la chaîne d’approvisionnement sont la réponse méthodologique à ces problèmes.

Références:

• Introduction à l’étude de la médecine expérimentale (version anglaise), (version originale française), Claude Bernard, 1865
• The Phoenix Project: Un roman sur l’informatique, DevOps et l’aide à votre entreprise à gagner, Gene Kim, Kevin Behr, George Spafford, 2013
• Traduction automatique non supervisée en utilisant uniquement des corpus monolingues, Guillaume Lample, Alexis Conneau, Ludovic Denoyer, Marc’Aurelio Ranzato, 2018

2.1.1 Paris - une marque de mode avec un réseau de vente au détail

Paris est une marque de mode européenne fictive qui exploite un vaste réseau de vente au détail. La marque cible les femmes et se positionne comme étant relativement abordable. Bien que la ligne de design soit relativement classique et sobre, le principal moteur de l’activité a toujours été la nouveauté. Plusieurs collections par an sont utilisées pour pousser des vagues de nouveaux produits. Pousser le bon produit, au bon moment, au bon prix et avec la bonne quantité de stock est l’un des défis principaux.

2.2 Optimisation expérimentale

Loin de la perspective cartésienne naïve où l’optimisation consisterait simplement à déployer un optimiseur pour une fonction de score donnée, la supply chain nécessite un processus itératif. Chaque itération est utilisée pour identifier les décisions “insensées” qui doivent être étudiées et traitées. La cause profonde est souvent des moteurs économiques inappropriés, qui doivent être réévalués en ce qui concerne leurs conséquences involontaires. Les itérations changent de nature lorsque les recettes numériques ne produisent plus de résultats insensés.

Références:

• La logique de la découverte scientifique, Karl Popper, 1934

2.3 Connaissance négative

Les antipatterns sont les stéréotypes de solutions qui semblent bonnes mais qui ne fonctionnent pas en pratique. L’étude systématique des antipatterns a été pionnière à la fin des années 1990 par le domaine du génie logiciel. Lorsqu’ils sont applicables, les antipatterns sont supérieurs aux résultats négatifs bruts, car ils sont plus faciles à mémoriser et à raisonner. La perspective des antipatterns est d’une importance primordiale pour la supply chain et devrait être considérée comme l’un des piliers de sa connaissance négative.

Références:

• AntiPatterns: Refactoring Software, Architectures, and Projects in Crisis. par William J. Brown, Raphael C. Malveau, Hays W. “Skip” McCormick, Thomas J. Mowbray, 1998

2.4 Recherche de marché antagoniste

Les chaînes d’approvisionnement modernes dépendent d’une myriade de produits logiciels. Choisir les bons fournisseurs est une question de survie. Cependant, étant donné le grand nombre de fournisseurs, les entreprises ont besoin d’une approche systématique dans cette entreprise. La pratique traditionnelle de la recherche de marché commence avec de bonnes intentions mais se termine invariablement par de mauvais résultats, car les sociétés de recherche de marché finissent par agir comme des vitrines marketing pour les entreprises qu’elles sont censées analyser. L’espoir qu’une société de recherche impartiale émerge est mal placé. Cependant, l’évaluation fournisseur contre fournisseur est une méthodologie qui permet même à une société de recherche de marché biaisée de produire des résultats impartiaux.

Références:

• Epistemic Corruption, the Pharmaceutical Industry, and the Body of Medical Science. par Sergio Sismondo, 2021 (texte)
• Influence: The Psychology of Persuasion. par Robert B. Cialdini, 1984
• Procurement Guidance, Conflict of Interest, La Banque Mondiale, 2020 (PDF)

2.5 Écriture pour les chaînes d’approvisionnement

Les chaînes d’approvisionnement impliquent la coordination de grandes équipes. Ainsi, les supports écrits sont rois. Les chaînes d’approvisionnement modernes ne sont tout simplement pas compatibles avec la tradition orale. Pourtant, les praticiens de la chaîne d’approvisionnement se débrouillent souvent très mal en ce qui concerne leurs compétences en communication écrite. Examinons ce que les études d’utilisabilité et certains experts notables ont à dire sur ces questions. De plus, les initiatives de la chaîne d’approvisionnement, exécutées grâce à l’approche d’optimisation expérimentale, doivent être soigneusement documentées. Les formules et le code source répondent aux questions du quoi et du comment, mais ils ne répondent pas au pourquoi. La documentation doit permettre aux scientifiques de la chaîne d’approvisionnement de comprendre le problème auquel ils sont confrontés. Au fil du temps, cette documentation devient la clé pour assurer une transition en douceur d’un scientifique de la chaîne d’approvisionnement à l’autre.

Références:

• The Elements of Style (First Edition), par William Strunk Jr, 1918
• F-Shaped Pattern For Reading Web Content, par Jakob Nielsen, 2006 (texte)

3. Personae

Une série de personae de la supply chain suivant la méthodologie définie dans le chapitre précédent.

3.1 Miami - un MRO aéronautique

Miami est une entreprise fictive de maintenance, réparation et révision (MRO) dans le domaine de l’aéronautique aux États-Unis, desservant une grande flotte d’avions commerciaux. Dans l’aéronautique, la sécurité est primordiale. Les pièces et les composants doivent être régulièrement inspectés et éventuellement réparés. Miami a pour mission de maintenir les avions en vol en permanence, en évitant les incidents d’AOG (avion au sol), qui se produisent chaque fois qu’une pièce nécessaire pour effectuer une opération de maintenance est manquante.

3.2 Amsterdam - marques de fromage

Amsterdam est une entreprise fictive de produits de grande consommation (FMCG) spécialisée dans la production de fromages, de crèmes et de beurres. Elle exploite un large portefeuille de marques dans plusieurs pays. De nombreux objectifs commerciaux contradictoires doivent être soigneusement équilibrés : qualité, prix, fraîcheur, gaspillage, diversité, localité, etc. Par conception, la production de lait et les promotions en magasin placent l’entreprise entre le marteau et l’enclume en termes d’offre et de demande.

3.3 San Jose - commerce électronique d’articles ménagers

San Jose est une entreprise fictive de commerce électronique qui distribue une variété de meubles et d’accessoires pour la maison. Elle exploite sa propre place de marché en ligne. Sa marque privée est en concurrence avec des marques externes, à la fois en interne et en externe. Afin de rester compétitive face à des acteurs plus importants et à des prix plus bas, la supply chain de San Jose s’efforce de fournir une qualité de service élevée qui prend de nombreuses formes, bien au-delà de la livraison en temps voulu des marchandises commandées.

3.4 Stuttgart - une entreprise de pièces détachées automobiles

Stuttgart est une entreprise fictive de pièces détachées automobiles. Elle exploite un réseau de succursales qui propose des réparations automobiles, des pièces détachées et des accessoires automobiles. Au début des années 2010, Stuttgart a également lancé deux canaux de commerce électronique, l’un pour acheter et vendre des pièces détachées automobiles, et l’autre pour acheter et vendre des voitures d’occasion. Stuttgart s’efforce de fournir une qualité de service élevée dans le marché automobile européen complexe et compétitif, qui compte des dizaines de milliers de véhicules distincts et des centaines de milliers de pièces détachées distinctes.

3.5 Genève - un fabricant de montres de luxe

TBD

4. Sciences auxiliaires

La maîtrise de la supply chain repose fortement sur plusieurs autres domaines. Présenter la théorie de la supply chain comme une forme de mathématiques appliquées est fréquent mais erroné. Ces cours accélérés visent à fournir les connaissances culturelles nécessaires à une pratique de la supply chain bien réfléchie, qui ne peut pas et ne doit pas être réduite à une série de “modèles”.

4.1 Ordinateurs modernes

Les supply chains modernes nécessitent des ressources informatiques pour fonctionner, tout comme les convoyeurs motorisés nécessitent de l’électricité. Pourtant, les systèmes de supply chain lents restent omniprésents, alors que la puissance de traitement des ordinateurs a été multipliée par plus de 10 000 depuis 1990. Une méconnaissance des caractéristiques fondamentales des ressources informatiques modernes - même parmi les cercles informatiques ou de science des données - explique en grande partie cet état de fait. La conception logicielle sous-jacente des recettes numériques ne devrait pas être antagoniste au substrat informatique sous-jacent.

4.2 Algorithmes modernes

L’optimisation des supply chains repose sur la résolution de nombreux problèmes numériques. Les algorithmes sont des recettes numériques hautement codifiées destinées à résoudre des problèmes de calcul précis. Des algorithmes supérieurs signifient que des résultats supérieurs peuvent être obtenus avec moins de ressources informatiques. En se concentrant sur les spécificités de la supply chain, les performances algorithmiques peuvent être considérablement améliorées, parfois de plusieurs ordres de grandeur. Les algorithmes de “supply chain” doivent également prendre en compte la conception des ordinateurs modernes, qui a considérablement évolué au cours des dernières décennies.

Références (livre) :

• Introduction to Algorithms, Thomas H. Cormen, Charles E. Leiserson, Ronald L. Rivest et Clifford Stein, 2009

4.3 Optimisation mathématique

L’optimisation mathématique est le processus de minimisation d’une fonction mathématique. Presque toutes les techniques modernes d’apprentissage statistique - c’est-à-dire la prévision si l’on adopte une perspective de supply chain - reposent sur l’optimisation mathématique au cœur de leur fonctionnement. De plus, une fois les prévisions établies, l’identification des décisions les plus rentables repose également, au cœur de leur fonctionnement, sur l’optimisation mathématique. Les problèmes de supply chain impliquent souvent de nombreuses variables. Ils sont également généralement de nature stochastique. L’optimisation mathématique est un pilier de la pratique moderne de la supply chain.

Références :

• The Future of Operational Research Is Past, Russell L. Ackoff, février 1979
• LocalSolver 1.x: A black-box local-search solver for 0-1 programming, Thierry Benoist, Bertrand Estellon, Frédéric Gardi, Romain Megel, Karim Nouioua , septembre 2011
• Automatic differentiation in machine learning: a survey, Atilim Gunes Baydin, Barak A. Pearlmutter, Alexey Andreyevich Radul, Jeffrey Mark Siskind, dernière révision en février 2018

4.4 Apprentissage automatique

Les prévisions sont irréductibles dans la supply chain car chaque décision (achat, production, stockage, etc.) reflète une anticipation des événements futurs. L’apprentissage statistique et l’apprentissage automatique ont largement supplanté le domaine classique de la “prévision”, tant d’un point de vue théorique que pratique. Ce domaine d’étude a connu des améliorations spectaculaires, qui restent largement méconnues dans les cercles des “data scientists”. Nous parcourrons ce domaine à travers la résolution de trois paradoxes. Premièrement, nous devons faire des déclarations précises sur des données que nous n’avons pas. Deuxièmement, nous devons aborder des problèmes où le nombre de variables dépasse largement le nombre d’observations. Troisièmement, nous devons travailler avec des modèles où le nombre de paramètres dépasse largement le nombre de variables ou d’observations. Nous tenterons de comprendre ce que signifie une anticipation basée sur les données du futur, même d’un point de vue “apprentissage” moderne.

Références :

• A theory of the learnable, L. G. Valiant, novembre 1984
• Support-vector networks, Corinna Cortes & Vladimir Vapnik, septembre 1995
• Random Forests, Leo Breiman, octobre 2001
• LightGBM: A Highly Efficient Gradient Boosting Decision Tree, Guolin Ke, Qi Meng, Thomas Finley, Taifeng Wang, Wei Chen, Weidong Ma, Qiwei Ye, Tie-Yan Liu, 2017
• Attention Is All You Need, Ashish Vaswani, Noam Shazeer, Niki Parmar, Jakob Uszkoreit, Llion Jones, Aidan N. Gomez, Lukasz Kaiser, Illia Polosukhin, dernière révision en décembre 2017
• Deep Double Descent: Where Bigger Models and More Data Hurt, Preetum Nakkiran, Gal Kaplun, Yamini Bansal, Tristan Yang, Boaz Barak, Ilya Sutskever, décembre 2019
• Generative Adversarial Networks, Ian J. Goodfellow, Jean Pouget-Abadie, Mehdi Mirza, Bing Xu, David Warde-Farley, Sherjil Ozair, Aaron Courville, Yoshua Bengio, juin 2014
• Unsupervised Machine Translation Using Monolingual Corpora Only, Guillaume Lample, Alexis Conneau, Ludovic Denoyer, Marc’Aurelio Ranzato, dernière révision en avril 2018
• BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding, Jacob Devlin, Ming-Wei Chang, Kenton Lee, Kristina Toutanova, dernière révision en mai 2019
• Une Introduction en Douceur aux Réseaux Neuronaux Graphiques, Benjamin Sanchez-Lengeling, Emily Reif, Adam Pearce, Alexander B. Wiltschko, septembre 2021

4.5 Langages et compilateurs

La majorité des supply chains sont encore gérées via des feuilles de calcul (c’est-à-dire Excel), alors que des systèmes d’entreprise sont en place depuis un, deux, voire trois décennies - censés les remplacer. En effet, les feuilles de calcul offrent une expressivité programmatique accessible, tandis que ces systèmes ne le font généralement pas. Plus généralement, depuis les années 1960, il y a eu un développement constant de l’industrie du logiciel dans son ensemble et de ses langages de programmation. Il existe des preuves que la prochaine étape de la performance de la supply chain sera largement influencée par le développement et l’adoption de langages de programmation, ou plutôt d’environnements programmables.

4.6 Ingénierie logicielle

Apprivoiser la complexité et le chaos est la pierre angulaire de l’ingénierie logicielle. Étant donné que les supply chains sont à la fois complexes et chaotiques, il n’est pas surprenant que la plupart des problèmes logiciels auxquels sont confrontées les supply chains d’entreprise se résument à une mauvaise ingénierie logicielle. Les recettes numériques utilisées pour optimiser la supply chain sont des logiciels et, par conséquent, soumises aux mêmes problèmes. Ces problèmes s’intensifient avec la sophistication des recettes numériques elles-mêmes. L’ingénierie logicielle appropriée est pour les supply chains ce que l’asepsie est aux hôpitaux : à elle seule, elle ne fait rien - comme le traitement des patients - mais sans elle, tout s’effondre.

4.7 Cybersécurité

La cybercriminalité est en hausse. Les rançongiciels sont un secteur en plein essor. En raison de leur nature physiquement distribuée, les supply chains sont particulièrement exposées. De plus, la complexité ambiante est un terrain fertile pour les problèmes de sécurité informatique. La sécurité informatique est contre-intuitive par conception, car c’est précisément l’angle adopté par les attaquants pour trouver et exploiter les failles. Selon les types de recettes numériques impliquées dans l’optimisation de la supply chain, le risque peut être augmenté ou diminué.

4.21 Blockchains

Les cryptomonnaies ont attiré beaucoup d’attention. Des fortunes ont été faites. Des fortunes ont été perdues. Les schémas de Ponzi étaient monnaie courante. D’un point de vue corporatif, la “blockchain” est l’euphémisme poli utilisé pour introduire des idées et des technologies similaires tout en établissant une distanciation par rapport à ces cryptomonnaies. Des cas d’utilisation de la supply chain existent pour la blockchain, mais les défis sont nombreux.

Références :

• Bitcoin: A Peer-to-Peer Electronic Cash System, Satoshi Nakamoto, octobre 2008
• Majority is not Enough: Bitcoin Mining is Vulnerable, Ittay Eyal, Emin Gun Sirer, novembre 2013
• Elliptic Curve Multiset Hash, Jeremy Maitin-Shepard, Mehdi Tibouchi, Diego Aranha, janvier 2016
• Graphene: A New Protocol for Block Propagation Using Set Reconciliation, A. Pinar Ozisik, Gavin Andresen, George Bissias, Amir Houmansadr, Brian Levine, septembre 2017
• Snowflake to Avalanche: A Novel Metastable Consensus Protocol Family for Cryptocurrencies, Team Rocket, mai 2018
• Tokeda, Viable token-driven metadata within Bitcoin, Joannes Vermorel, mars 2018
• A taxonomy of the Bitcoin applicative landscape, Joannes Vermorel, mai 2018

5. Modélisation prédictive

L’anticipation quantitative appropriée des événements futurs est au cœur de l’optimisation de toute supply chain. La pratique de la prévision des séries temporelles a émergé au XXe siècle et a eu une énorme influence sur la plupart des grandes supply chains. La modélisation prédictive est à la fois l’héritière de la prévision des séries temporelles, mais aussi un départ massif de cette perspective. Premièrement, elle aborde un ensemble de problèmes beaucoup plus diversifié. Deuxièmement, en raison de la nature des problèmes de supply chain, un paradigme programmatique est nécessaire. Troisièmement, comme l’incertitude est généralement irréductible, des prévisions probabilistes sont également nécessaires.

5.0. No1 au niveau SKU dans la compétition de prévision M5

En 2020, une équipe de Lokad a obtenu la 5e place sur 909 équipes concurrentes lors de la compétition mondiale de prévision. Cependant, au niveau de l’agrégation SKU, ces prévisions ont atteint la 1ère place. La prévision de la demande est d’une importance primordiale pour la supply chain. L’approche adoptée dans cette compétition s’est avérée atypique, et contrairement aux autres méthodes adoptées par les 50 meilleurs concurrents. Il y a plusieurs leçons à tirer de cette réalisation en prélude à l’abordage de nouveaux défis prédictifs pour la supply chain.

Références :

• A white-boxed ISSM approach to estimate uncertainty distributions of Walmart sales, Rafael de Rezende, Katharina Egert, Ignacio Marin, Guilherme Thompson, décembre 2021 (lien)
• The M5 Uncertainty competition: Results, findings and conclusions, Spyros Makridakis, Evangelos Spiliotis, Vassilis Assimakopoulos, Zhi Chen, novembre 2020 (lien)

5.1 Modélisation prédictive structurée

La programmation différentiable (DP) est un paradigme génératif permettant de concevoir une très large classe de modèles statistiques qui s’avèrent particulièrement adaptés pour relever les défis prédictifs de la supply chain. La DP est l’héritière de l’apprentissage profond, mais elle se distingue de l’apprentissage profond par son intense focalisation sur la structure des problèmes d’apprentissage. La DP surpasse presque toute la littérature “classique” de prévision basée sur des modèles paramétriques. La DP est également supérieure aux algorithmes “classiques” d’apprentissage automatique - jusqu’à la fin des années 2010 - dans pratiquement toutes les dimensions qui importent pour une utilisation pratique à des fins de supply chain, y compris la facilité d’adoption par les praticiens.

5.2 Prévision probabiliste

L’optimisation des supply chains repose sur l’anticipation adéquate des événements futurs. Numériquement, ces événements sont anticipés par le biais de prévisions, qui englobent une grande variété de méthodes numériques utilisées pour quantifier ces événements futurs. À partir des années 1970, la forme la plus largement utilisée de prévision a été la prévision ponctuelle des séries temporelles : une quantité mesurée dans le temps - par exemple la demande en unités pour un produit - est projetée dans le futur. Une prévision est dite probabiliste si elle renvoie les probabilités associées à tous les résultats futurs possibles, au lieu de pointer un résultat particulier comme “la” prévision. Les prévisions probabilistes sont importantes chaque fois que l’incertitude est irréductible, ce qui est presque toujours le cas lorsque des systèmes complexes sont concernés. Pour les supply chains, les prévisions probabilistes sont essentielles pour prendre des décisions robustes face à des conditions futures incertaines.

5.3 Prévision du délai de livraison

Les délais de livraison sont un aspect fondamental de la plupart des situations de la supply chain. Les délais de livraison peuvent et doivent être prévus, tout comme la demande. Des modèles de prévision probabilistes, dédiés aux délais de livraison, peuvent être utilisés. Une série de techniques est présentée pour élaborer des prévisions probabilistes des délais de livraison à des fins de supply chain. Combiner ces prévisions, délai de livraison et demande, est un élément clé de la modélisation prédictive en supply chain.

6. Prise de décision

Chaque jour, des milliers de décisions de supply chain (des millions dans les grandes entreprises) doivent être prises dans le cadre de la routine quotidienne des opérations de l’entreprise. Chaque décision s’accompagne d’alternatives. L’objectif de l’optimisation de la supply chain est de choisir les options qui se révèlent les plus rentables tout en faisant face à des conditions futures incertaines. Ce processus présente deux défis clés que nous n’avons pas encore abordés : premièrement, l’évaluation quantitative de la rentabilité de toute décision, deuxièmement, la mise en œuvre des recettes d’optimisation numérique adaptées aux problèmes de supply chain.

6.1 Allocation des stocks de détail avec des prévisions probabilistes

Les décisions de la supply chain nécessitent des évaluations économiques ajustées au risque. La conversion des prévisions probabilistes en évaluations économiques n’est pas trivial et nécessite des outils dédiés. Cependant, la priorisation économique qui en résulte, illustrée par l’allocation des stocks, se révèle plus puissante que les techniques traditionnelles. Nous commençons par le défi de l’allocation des stocks de détail. Dans un réseau à deux échelons comprenant à la fois un centre de distribution (CD) et plusieurs magasins, nous devons décider comment allouer les stocks du CD aux magasins, sachant que tous les magasins se disputent le même stock.

6.2 Optimisation des prix pour l’après-vente automobile

L’équilibre entre l’offre et la demande dépend en grande partie des prix. Ainsi, l’optimisation des prix fait partie du domaine de la supply chain, du moins dans une certaine mesure. Nous présenterons une série de techniques pour optimiser les prix d’une entreprise fictive de l’après-vente automobile. À travers cet exemple, nous verrons le danger associé aux raisonnements abstraits qui ne tiennent pas compte du contexte approprié. Savoir ce qui doit être optimisé est plus important que les détails de l’optimisation elle-même.

7. Exécution tactique et stratégique

La supply chain, à la fois en tant que pratique et en tant que domaine d’étude, vise à être un facilitateur et un avantage concurrentiel pour l’entreprise dans son ensemble. Du point de vue de la direction générale, deux angles dominent : faire de la supply chain un actif accru et débloquer des moyens supérieurs d’exécuter l’activité. En pratique, les résultats se résument principalement au choix des bons acteurs de l’équipe.

Une initiative visant à améliorer les performances de la supply chain grâce à des recettes numériques supérieures peut, si elle réussit, modifier profondément la supply chain elle-même. Cette perspective comporte deux grands inconvénients. Premièrement, les recettes numériques doivent être conçues de manière à faciliter le processus ; il y a plus à cela qu’il n’y paraît. Deuxièmement, le processus même d’introduction de recettes numériques façonne les recettes elles-mêmes ; ce qui, à première vue, est assez contre-intuitif.

7.1 Se lancer dans une initiative quantitative

Réaliser une optimisation prédictive réussie d’une supply chain est un mélange de problèmes techniques et organisationnels. Malheureusement, il n’est pas possible de séparer ces aspects. Les aspects techniques et organisationnels sont étroitement liés. Habituellement, cet enchevêtrement entre en collision frontale avec la division du travail telle que définie par l’organigramme de l’entreprise. Nous constatons que, lorsque les initiatives de supply chain échouent, les causes profondes de l’échec sont généralement des erreurs commises aux premiers stades du projet. De plus, les erreurs précoces ont tendance à façonner l’ensemble de l’initiative, les rendant presque impossibles à corriger a posteriori. Nous présentons nos principales conclusions pour éviter ces erreurs.

7.2 Mettre les décisions en production

Nous recherchons une recette numérique pour piloter une classe entière de décisions banales, telles que les réapprovisionnements de stocks. L’automatisation est essentielle pour faire de la supply chain une entreprise capitaliste. Cependant, elle comporte des risques importants de causer des dommages à grande échelle si la recette numérique est défectueuse. Échouer rapidement et casser des choses n’est pas la bonne mentalité pour valider une recette numérique en production. Cependant, de nombreuses alternatives, telles que le modèle en cascade, sont encore pires car elles donnent généralement une illusion de rationalité et de contrôle. Un processus hautement itératif est la clé pour concevoir une recette numérique qui se révèle être de qualité de production.

7.3 Le Supply Chain Scientist

Au cœur d’une initiative de Supply Chain Quantitative, il y a le Supply Chain Scientist (SCS) qui exécute la préparation des données, la modélisation économique et le reporting des indicateurs de performance (KPI). L’automatisation intelligente des décisions de la supply chain est le produit final du travail réalisé par le SCS. Le SCS prend en charge les décisions générées. Le SCS délivre une intelligence humaine amplifiée par la puissance de traitement des machines.