Facteurs Economiques

Du point de vue de la Supply Chain Quantitative, les facteurs économiques représentent la quantification financière des résultats positifs et négatifs des décisions de la supply chain. Les facteurs économiques transforment les défis de l’optimisation de la supply chain en problèmes d’optimisation gérables ; où la métrique d’optimisation est généralement financière. Grâce à la quantification des facteurs économiques, il devient possible d’évaluer les dollars d’erreur associés à des décisions imparfaites, initialement basées sur des données imparfaites telles que les prévisions de la demande. Ces facteurs économiques sont introduits en opposition aux métriques agnostiques aux entreprises qui restent largement utilisées, telles que le MAPE (erreur de pourcentage absolue moyenne). Ces métriques agnostiques aux entreprises sont souvent nuisibles, car elles “habillent” les problèmes de la supply chain en problèmes d’optimisation numérique, tout en s’appuyant sur un critère d’optimisation largement arbitraire.

Les prévisions statistiques sont unilatérales

Les outils et méthodes de prévision de la demande ont un objectif clair : calculer des prévisions plus précises. Les prévisions sont considérées comme précises, selon diverses métriques connues et sélectionnées pour leurs propriétés mathématiques et statistiques. Bien que ces métriques puissent être excellentes d’un point de vue mathématique, elles sont fondamentalement agnostiques au domaine et ignorent, par conception, les facteurs ou contraintes spécifiques à l’entreprise.

Bien que cela puisse sembler contre-intuitif, les prévisions statistiques sont fondamentalement influencées par la métrique d’erreur choisie. Le choix du MSE (erreur quadratique moyenne) plutôt que du MAE (erreur absolue moyenne) a des conséquences drastiques sur la précision d’un modèle donné. À première vue, il peut sembler que la métrique d’erreur a peu d’impact. Après tout, un modèle de prévision produit la même prévision de la demande, quelle que soit la métrique utilisée par la suite pour évaluer son résultat. Cependant, toute entreprise qui s’appuie sur des prévisions statistiques est amenée à faire des choix - souvent implicites - sur les modèles de prévision utilisés ; et dès que des mesures de précision sont introduites, l’entreprise commence à privilégier les modèles qui se comportent mieux par rapport aux métriques mentionnées ci-dessus.

Les métriques statistiques génériques (ex : MAPE, MAE, MSE, etc.) n’ont aucune affinité avec l’entreprise. En d’autres termes, ces métriques mettent l’accent sur les pourcentages d’erreur plutôt que sur les dollars d’erreur. Minimiser les pourcentages d’erreur peut être une bonne chose, mais il existe malheureusement trop d’exemples contraires à cela. Les métriques statistiques ne garantissent en aucun cas que le résultat financier d’une décision dérivée d’une prévision sera optimal, voire rentable. Parfois, les facteurs économiques sont seulement faiblement corrélés avec les métriques statistiques génériques, mais cela se produit par “chance”, et se fier au hasard n’est pas une méthodologie appropriée pour l’optimisation de la supply chain. En pratique, ce problème est généralement amplifié par la nature contre-intuitive de la plupart des situations où les métriques purement statistiques divergent des métriques de performance commerciale.

Exemple : Prenons en compte un produit vendu dans un magasin avec seulement 1 unité vendue en moyenne par semaine, avec un délai d’approvisionnement d'1 jour (réapprovisionnement quotidien). La meilleure prévision de demande médiane pour ce produit pour n’importe quel jour donné est de zéro unité. Une prévision moyenne aurait pu produire une quantité fractionnaire de 1/7, mais la prévision médiane indique simplement zéro. Alors que la demande à couvrir sur 1 jour est très proche de zéro, le stock réel qui doit être détenu pour servir correctement les clients est probablement beaucoup plus important ; il est probable que 2 ou 3 unités soient nécessaires pour répondre aux attentes des clients en termes de qualité de service. Le problème ici n’est pas que la prévision est inexacte, car si la demande est stationnaire et vraiment aléatoire, alors les prévisions que nous venons de mentionner sont parfaitement exactes, d’un point de vue statistique. Le problème est que les facteurs spécifiques à l’entreprise ont été ignorés.

Découpler la prévision de la gestion de la supply chain

Les facteurs économiques représentent une décomposition spécifique des défis d’optimisation de la supply chain, où les aspects spécifiques à l’entreprise - c’est-à-dire les facteurs économiques - sont découplés des aspects purement statistiques des prévisions. Dans cette section, nous passons brièvement en revue les avantages de cette décomposition ainsi que ses limites.

En ce qui concerne l’optimisation numérique, il existe un principe général qui stipule qu’il est toujours préférable d’optimiser le problème dans son ensemble plutôt que d’optimiser des parties du problème de manière isolée. Cependant, ce point reste vrai tant que l’approche monolithique de l’optimisation reste techniquement réalisable. Pourtant, la plupart de la littérature sur la supply chain - y compris ce livre - tend à convenir que la prévision de la demande est une tâche compliquée qui combine statistiques, algorithmes, génie logiciel et éventuellement informatique distribuée lorsqu’une plateforme de cloud computing est impliquée. Ainsi, isoler l’aspect prévision de la demande du défi offre la possibilité de fournir des prévisions de demande avancées, sans alourdir la technologie avec une myriade de considérations propres au domaine.

De même, un avantage similaire est obtenu en isolant la logique d’optimisation de la supply chain de la logique de prévision de la demande, car l’optimisation de la supply chain reste “protégée” des aspects techniques liés à la prévision de la demande. Cela permet d’approfondir beaucoup plus les détails des facteurs économiques : les limites d’espace de stockage, les paliers de prix, les coûts de rupture de stock variables, les coûts d’obsolescence variables, etc. Une meilleure compréhension des facteurs économiques génère de meilleures décisions, qui sont plus étroitement alignées sur les risques et les opportunités d’une entreprise.

Exemple : Prenons une entreprise qui possède deux entrepôts et qui fournit exactement les mêmes pièces à partir des deux entrepôts. Les deux entrepôts sont situés à proximité, mais par habitude, tous les clients ont tendance à toujours commander les pièces dont ils ont besoin auprès du même entrepôt. Lorsqu’une pièce n’est plus disponible dans cet entrepôt spécifique, le personnel de l’entrepôt appelle l’autre entrepôt pour vérifier la disponibilité de la pièce là-bas, et si la pièce est disponible, elle est ensuite expédiée à l’entrepôt qui se retrouve en rupture de stock.

Un argument en faveur de la prévision probabiliste

Comme nous l’avons vu dans la section précédente, séparer la prévision de la demande de l’optimisation commerciale offre la possibilité d’exécuter une stratégie d’optimisation de la supply chain qui exploite à la fois des analyses de prévision avancées et une vue détaillée de l’entreprise elle-même. Cependant, il convient de noter que lors de la production de prévisions de la demande, le moteur de prévision ne sait rien des facteurs spécifiques à l’entreprise qui sont pertinents d’un point de vue d’optimisation de la supply chain. Néanmoins, les scénarios commerciaux qui ont le plus d’impact financier sont généralement les scénarios extrêmes - “extrêmes” d’un point de vue statistique. Par exemple, c’est la demande inattendue élevée qui provoque généralement les ruptures de stock, tandis que c’est la demande inattendue faible qui provoque généralement la dépréciation des stocks.

Les outils de prévision classiques mettent l’accent sur les prévisions moyennes ou médianes ; cela passe complètement à côté de l’objectif d’un point de vue commercial. Peu importe la précision de ce type de prévision, si le scénario commercial d’intérêt se situe à l’extrême statistique, alors l’outil de prévision ne parviendra pas à fournir la projection statistique pertinente pour évaluer quantitativement la production financière probable du scénario commercial. En revanche, les outils de prévision probabilistes évaluent les probabilités respectives pour tous les niveaux de demande possibles, ce qui offre la possibilité d’évaluer tous les scénarios commerciaux possibles.

Sans surprise, les prévisions probabilistes nécessitent beaucoup plus de ressources informatiques que leurs homologues classiques à valeur unique, car, d’une certaine manière, les prévisions probabilistes “brutalisent” le défi de la prévision. Étant donné que le moteur de prévision ne connaît pas les scénarios commerciaux pertinents à prendre en compte, il produit simplement une réponse statistique approfondie qui couvre (approximativement) tous les scénarios possibles. En pratique, grâce à la possibilité d’accéder à de vastes ressources informatiques à des prix très bas via des plateformes de cloud computing, les exigences accrues en matière de calcul nécessaires pour générer des prévisions probabilistes sont principalement sans problème, à condition que la bonne technologie soit disponible.

Un bref aperçu des facteurs économiques courants

Les facteurs économiques définissent les résultats positifs et négatifs d’une décision de la supply chain. Le calcul de ces résultats nécessite l’observation réelle de la demande à venir, mais si une prévision de la demande est disponible, les résultats peuvent être simulés à leur tour. Les facteurs économiques sont destinés à couvrir toutes les conséquences commerciales qui résultent d’une décision, et non pas seulement les résultats financiers à court terme. En pratique, l’établissement des facteurs économiques revient souvent à effectuer des calculs rapides qui tiennent compte de divers scénarios commerciaux.

L’une des décisions de la supply chain les plus courantes consiste à commander une unité supplémentaire pour un article. S’il y a une demande immédiate pour l’unité commandée, l’entreprise fournira l’unité avec un bénéfice. Cela représente le gain associé à la décision de commande. S’il n’y a pas de demande immédiate pour l’article, l’entreprise devra supporter les coûts de stockage de cette unité supplémentaire. Cela représente le coût associé à la décision de commande. L’établissement des facteurs économiques pour une décision de commande consiste à noter à la fois les gains résultants et les coûts résultants de la décision pour un scénario de demande donné.

Outre les gains et les coûts, les contraintes façonnent également la gamme de décisions acceptables de la supply chain :

Capacité de stockage : Les magasins et les entrepôts ont des capacités maximales, empêchant toute commande supplémentaire qui dépasse une certaine quantité de stock.
MOQs : Les fournisseurs n’acceptent que les commandes qui dépassent les quantités minimales de commande - exprimées, par exemple, en nombre d’unités ou en montant commandé. Ces MOQs peuvent également être interprétés et modélisés comme des coûts fixes sur les bons de commande des fournisseurs.
Coûts en capital : L’entreprise a un accès limité à la liquidité et doit donc limiter son allocation de capital pour les stocks. Obtenir plus de capital peut prendre beaucoup de temps pour la direction de l’entreprise et peut ne pas être aligné sur ses orientations stratégiques non plus.
Capacité de transport : Lors de l’importation de marchandises de l’étranger, les commandes doivent être dimensionnées correctement afin de pouvoir s’adapter exactement à un conteneur. Les conteneurs ont à la fois un poids maximum et un volume maximum. Les conteneurs peuvent également être interprétés comme une forme de coût fixe sur les bons de commande.

Les facteurs économiques doivent tenir compte de toutes les contraintes mentionnées ci-dessus, et bien d’autres encore en pratique. Si les contraintes ne sont pas prises en compte, le système qui combine les prévisions de la demande avec les facteurs économiques suggérerait très probablement des décisions qui ne pourraient pas réellement être exécutées dans la réalité, comme essayer de remplir un entrepôt au-delà de sa capacité de stockage.

La perspective de Lokad sur les facteurs économiques

Lokad fournit un moteur de prévision probabiliste. Bien que les données doivent être correctement qualifiées et nettoyées avant d’être injectées dans le moteur de prévision, notre moteur de prévision permettra ensuite d’automatiser l’opération de prévision statistique dans son intégralité, sans aucune configuration statistique. Le moteur de prévision de Lokad fonctionne immédiatement pour de nombreux secteurs (commerce, fabrication, aérospatiale…).

Les facteurs économiques sont incroyablement divers. Afin de gérer une telle diversité, Lokad a introduit Envision, un langage de programmation spécifique au domaine dédié à l’optimisation de la supply chain. La sortie visible d’Envision consiste à produire des tableaux de bord, cependant, la fonction principale d’Envision est d’intégrer les facteurs économiques dans les prévisions grâce à des scripts afin que les décisions optimisées - par exemple, les quantités à réapprovisionner aujourd’hui - puissent être calculées automatiquement.

La combinaison appropriée des facteurs économiques et des prévisions probabilistes nécessite des politiques qui peuvent tirer parti de ces données. Par exemple, la politique de commande par ordre de priorité est particulièrement adaptée pour fournir des quantités à commander qui équilibrent pleinement les risques d’inventaire de l’entreprise avec les prévisions de la demande.

En pratique, la revue et la formalisation des facteurs économiques, la combinaison de ces facteurs avec les prévisions probabilistes, la qualification et la validation des données historiques, la génération de décisions optimisées qui correspondent à l’ensemble exact de contraintes commerciales applicables ; toutes ces tâches sont effectuées par l’équipe de Lokad grâce à un abonnement mensuel à un service d’optimisation des stocks.