FAQ: Glossaire

L’approche de Lokad pour optimiser les décisions en matière de chaîne d’approvisionnement exploite plusieurs perspectives et outils de différents domaines, pas seulement de la chaîne d’approvisionnement elle-même. Cela inclut, entre autres, l’apprentissage automatique (ML), l’intelligence artificielle (IA), la prévision probabiliste, la philosophie et l’économie. En tant que tel, notre terminologie est influencée par une multitude de disciplines. Cette page vise à expliquer comment (et pourquoi) Lokad utilise ces termes dans le contexte de l’optimisation de la chaîne d’approvisionnement - ainsi que la nuance spécifique que nous cherchons à transmettre lorsque nous les utilisons.

Public cible : Les départements de la chaîne d’approvisionnement et/ou de planification.
Dernière modification : Mai 2024

Que signifie “Chaîne d’approvisionnement” ?

Pour Lokad, la chaîne d’approvisionnement est à la fois une pratique et un domaine d’étude qui peut être défini comme suit :

La chaîne d’approvisionnement est la maîtrise de l’optionnalité en présence de variabilité lors de la gestion du flux de biens physiques.

L’optionnalité fait référence à la capacité de choisir la bonne “option” parmi de nombreuses alternatives concurrentes. Cette “option” sélectionnée devient la “décision”. Toutes les décisions qui façonnent le flux de biens physiques sont prises en compte, telles que les commandes de réapprovisionnement, les commandes de production et les changements de prix. De plus, l’optionnalité fait référence à la mise à disposition des options en premier lieu. Par exemple, investir des ressources pour identifier des fournisseurs alternatifs vise à créer davantage d’options pour l’entreprise.

La variabilité fait référence à l’incertitude irréductible associée à l’état futur du marché, c’est-à-dire que les conditions peuvent changer considérablement d’un moment à l’autre. Cela est dû au fait que les chaînes d’approvisionnement sont, par conception, exposées à des forces qui ne peuvent pas être entièrement contrôlées par l’entreprise. Ces forces incluent la demande des clients, les prix des matières premières, les délais de livraison des fournisseurs, etc. Ainsi, quels que soient les méthodes ou instruments utilisés à des fins de chaîne d’approvisionnement, ils doivent aborder frontalement le problème de la connaissance imparfaite et du risque, inhérents aux chaînes d’approvisionnement.

Enfin, le flux de biens physiques est crucial et différencie la maîtrise de la chaîne d’approvisionnement de, par exemple, le trading financier. Les chaînes d’approvisionnement sont, naturellement, contraintes par leur nature physique - les parties prenantes (par exemple, les clients, les fournisseurs, les grossistes, les transporteurs, les producteurs, etc.) sont géographiquement réparties. Quels que soient les méthodes ou instruments utilisés pour relier ces parties prenantes, ils doivent directement (et adéquatement) aborder les nombreuses contraintes qui se dressent généralement sur leur chemin. Des exemples de ces contraintes sont la Quantité Minimale de Commande (QMC), la Valeur Minimale de Commande (VMC), les chargements complets de camions, l’espace limité de l’entrepôt et la capacité globale de l’entreprise à gérer les commandes entrantes/sortantes, etc.

Quelle est la “perspective dominante de la chaîne d’approvisionnement” ?

La perspective dominante de la chaîne d’approvisionnement (MSCP), ou perspective classique de la chaîne d’approvisionnement, fait référence à plusieurs hypothèses et pratiques erronées que l’on rencontre généralement, notamment :

• La MSCP suppose que l’avenir est parfaitement prévisible. Des méthodes, telles que la prévision classique des séries temporelles, tentent d’exprimer l’avenir sous la forme d’une seule valeur (par exemple, la demande, les retours, les taux de rebut, les délais, etc.). Cela est erroné car l’avenir est, naturellement, imprévisible (c’est-à-dire que l’incertitude future ne peut pas être complètement éliminée avec la prévision). Ainsi, identifier une seule valeur future est suboptimal d’un point de vue de gestion des risques (car les dimensions de probabilité font défaut).

• La MSCP suppose que la chaîne d’approvisionnement elle-même n’est pas sujette à des comportements adverses. À aucun moment la MSCP ne considère même que les parties prenantes (par exemple, les employés, les clients, les fournisseurs, les partenaires, les concurrents, etc.) peuvent avoir leurs propres agendas, et que ces agendas peuvent avoir un impact négatif sur leur chaîne d’approvisionnement.

• La MSCP suppose l’observabilité. La réalité est que chaque grande entreprise opère à travers un paysage applicatif (applications logicielles) exaspérément opaque, rendant ainsi l’observation directe de la chaîne d’approvisionnement extrêmement difficile.

• La MSCP manque de falsifiabilité. Elle est immunisée contre la réalité. Peu importe à quel point les techniques énumérées dans les manuels scolaires classiques ou les présentations des fournisseurs sont mauvaises en pratique, aucune de ces techniques ne peut être invalidée par les retours du monde réel.

En 2024, la plupart des grandes entreprises ont mis en œuvre plusieurs solutions d’optimisation de la chaîne d’approvisionnement depuis les années 1980, pourtant beaucoup (si ce n’est la plupart) de ces entreprises fonctionnent toujours avec des feuilles de calcul. C’est un autre aspect clé de la MSCP : les fournisseurs de logiciels sont devenus des maîtres dans la déviation de responsabilité, et accusent invariablement les praticiens de la chaîne d’approvisionnement de ne pas être capables de “suivre le processus” ou “utiliser des paramètres adéquats”.

Cependant, la réalité est plus simple : la théorie de la MSCP elle-même ne fonctionne pas, et les praticiens de la chaîne d’approvisionnement reviennent à leurs feuilles de calcul car, quelles que soient les heuristiques rudimentaires qu’ils possèdent, ces heuristiques (bien que loin d’être parfaites) surpassent les “méthodes sophistiquées” trouvées dans les manuels de la MSCP.

C’est précisément pourquoi Lokad a entrepris une refondation de la chaîne d’approvisionnement en 2011, à la fois en tant que domaine d’étude et de pratique. Nous appelons cette réforme Supply Chain Quantitative.

La MSCP est parfaitement capturée par une série de manuels classiques :

• Production and Operations Analysis, septième édition, par Steven Nahmias et Tava Lennon Olsen, 2015
• Inventory and Production Management in Supply Chains, quatrième édition, par Edward A. Silver, David F. Pyke et Douglas J. Thomas, 2016
• Fundamentals of Supply Chain Theory, deuxième édition, Lawrence V. Snyder, Zuo-Jun Max Shen, 2019

Qu’est-ce que la “Planification de la demande” ?

De la perspective dominante de la chaîne d’approvisionnement, la planification de la demande est l’ensemble des processus utilisés par une entreprise pour quantifier la demande future. L’insight implicite qui soutient la planification de la demande est que une fois que la demande future a été évaluée avec précision, une gestion adéquate de la chaîne d’approvisionnement est principalement une question d’allocation correcte et opportune des ressources afin que l’entreprise livre “juste assez” pour le marché.

Les processus de planification de la demande incluent des techniques rétrospectives, telles que l’analyse statistique des ventes historiques, et la prévision de leurs séries temporelles associées. Il inclut également des techniques prospectives, telles que la collaboration avec les ventes et le marketing pour affiner les chiffres en fonction des objectifs fixés par l’entreprise elle-même.

Cependant, du point de vue de la Supply Chain Quantitative (QSC) de Lokad, la planification de la demande est un concept désuet qui n’a pas sa place dans la chaîne d’approvisionnement moderne. Au lieu de cela, la QSC affirme que l’exécution de la chaîne d’approvisionnement devrait être robotisée, pilotée par des recettes numériques qui comportent généralement une phase de modélisation prédictive, suivie d’une phase d’optimisation stochastique.

La phase de modélisation prédictive englobe tous les aspects de “prévision”, non seulement pour la demande future, mais aussi pour toutes les autres sources d’incertitude (par exemple, les délais de livraison futurs, les prix des matières premières futurs, les retours clients futurs, etc.). La phase d’optimisation stochastique englobe toutes les parties “de prise de décision” (par exemple, choisir les quantités à réapprovisionner, allouer les stocks disponibles à travers le réseau de vente, revoir les prix) - quelque chose qui est traditionnellement séparé de la planification de la demande.

La planification de la demande est obsolète pour plusieurs raisons.

Premièrement, elle suppose que les personnes devraient être impliquées dans l’exécution de “l’évaluation quantitative du futur”. C’est une perte de temps et d’énergie totale. Les personnes devraient certainement être impliquées dans l’élaboration des recettes numériques qui soutiennent les modèles prédictifs (comme c’est le rôle des Supply Chain Scientists de Lokad). Cependant, les modèles prédictifs devraient fonctionner complètement sans surveillance, car il n’y a tout simplement aucune valeur ajoutée à ce que les personnes interfèrent manuellement avec un processus qui génère généralement des milliers - voire des millions - de chiffres quotidiennement.

Deuxièmement, comme la “planification de la demande manuelle” est déjà lente et coûteuse, les entreprises n’ont généralement plus de ressources pour aborder toutes les autres sources d’incertitude (par exemple, les délais de livraison, les retours, la qualité, etc.). Bien que l’évaluation de la demande future soit critique, ce n’est pas la seule source d’incertitude. Les délais de livraison futurs, les prix des matières premières futurs, les prix des concurrents futurs, les retours clients futurs, etc., sont d’autres sources clés d’incertitude qui doivent également être évaluées quantitativement.

En conclusion, la planification de la demande est une perspective dépassée sur la manière d’orchestrer les chaînes d’approvisionnement. Cette perspective a émergé avant l’avènement des ordinateurs et a survécu quelques décennies de plus qu’elle n’aurait dû. À ce stade, elle devrait être remplacée par des approches plus adaptées, telles que la perspective QSC de Lokad.

Qu’est-ce que la “Qualité de Service”?

Dans le contexte de l’optimisation de la supply chain, la “qualité de service” (QoS) fait référence à la capacité de l’entreprise à servir ses clients tout en répondant à leurs attentes implicites. La QoS n’est pas une mesure ou même quelque chose de tangible : elle reflète l’intention de l’entreprise de servir adéquatement ses clients. La QoS est donc directionnelle mais vague.

Essayer de découvrir les attentes implicites des clients est un problème vaste et multifacette. Interroger les clients est semé d’embûches. Les clients peuvent dire poliment qu’ils sont entièrement satisfaits du service et continuer à visiter votre concurrence. À l’inverse, les clients peuvent se plaindre bruyamment tout en restant fervemment fidèles.

De plus, la QoS n’est jamais un problème unidimensionnel. La cannibalisation et la substitution, ainsi que les différences de prix, obscurcissent généralement ce que “disponibilité” signifie vraiment pour les clients. Fréquemment, des préoccupations spécifiques au domaine doivent également être prises en compte. Par exemple, même s’il reste beaucoup de yaourts sur l’étagère, les clients peuvent les trouver inacceptables s’ils expirent tous dans trois jours.

En pratique, les mesures qui approximent raisonnablement la QoS ne peuvent être découvertes qu’à travers un examen attentif et intelligent de l’entreprise. Cela nécessite une réflexion approfondie et de l’empathie envers les clients. Certaines méthodologies permettent d’identifier des métriques proximales de haute qualité, telles que l’optimisation expérimentale - une approche pionnière de Lokad.

Une des plus grandes erreurs de la perspective dominante de la supply chain est de présenter les niveaux de service - la probabilité de ne pas être en rupture de stock - comme si les niveaux de service étaient un proxy raisonnable de la QoS. C’est presque invariablement incorrect. Les niveaux de service ignorent entièrement toute la cannibalisation et la substitution qui sont omniprésentes dans la plupart des secteurs. Ils ignorent également totalement la demande en grappes, où le client a besoin de nombreux articles disponibles simultanément pour être satisfait (par exemple, un professeur achetant des livres pour toute une classe d’étudiants, plusieurs interrupteurs lumineux identiques nécessaires pour un projet de rénovation de maison). Les niveaux de service ignorent également la volonté du client de payer plus pour être servi plus rapidement, ou inversement de pouvoir payer moins si le service est retardé.

En conclusion, la QoS est une perspective aspirante. Elle reflète ce que l’entreprise veut optimiser, même si les critères d’optimisation restent évasifs alors que l’entreprise est confrontée à un problème méchant. La QoS est le principe directionnel qui guidera la recherche de métriques qui sont des proxies crédibles de cette aspiration. Les niveaux de service, et autres métriques naïves, ne doivent pas être confondus avec un proxy raisonnable de la QoS.

Qu’est-ce qu’un “Pilote IA”?

Il s’agit de l’automatisation générale de l’orchestration d’une supply chain en utilisant l’IA. Le Pilote IA comprend les processus de prise de décision (par exemple, combien devrais-je produire ?) ainsi que les processus de soutien banals (par exemple, obtenir des MOQs à jour pour un fournisseur donné). Lokad a inventé ce terme au début de 2024. Le Pilote IA, en tant que logiciel, est conçu par les Supply Chain Scientists de Lokad. Nous concevons un pilote par entreprise cliente, bien qu’il y ait beaucoup de similitudes entre nos implémentations. Le Pilote IA fonctionne sur la plateforme de Lokad, offrant des capacités de big data et d’apprentissage automatique. Le Pilote IA est un service fourni par Lokad et facturé mensuellement.

Pour en savoir plus sur le fonctionnement des Pilotes IA, consultez notre podcast long format sur le sujet.

Que signifie “Supply Chain Quantitative”?

La “Supply Chain Quantitative” (QSC) est un ensemble de méthodologies et de technologies pionnières développées par Lokad au cours des années 2010. Elle comprend une série de techniques comme prévision probabiliste, optimisation stochastique et programmation différentiable, absentes de la perspective dominante de la supply chain. Elle comprend également une série de méthodologies comme optimisation expérimentale, personae de la supply chain, recherche de marché antagoniste qui sont également absentes de la perspective dominante de la supply chain.

Le terme “Supply Chain Quantitative” a été inventé en 2017 dans le livre du fondateur de Lokad, Joannes Vermorel, The Quantitative Supply Chain. Le manifeste de la QSC peut être résumé comme suit :

1. Tous les futurs possibles doivent être pris en compte ; une probabilité pour chaque possibilité
2. Toutes les décisions réalisables doivent être prises en compte ; possibilités vs probabilités
3. Les moteurs économiques doivent être utilisés pour prioriser les décisions réalisables
4. Être en contrôle nécessite l’automatisation de chaque tâche banale
5. Un scientifique de la supply chain doit prendre en charge les résultats numériques

La Supply Chain Quantitative peut être vue comme le domaine d’étude qui rassemble tous les éléments nécessaires à la mise en œuvre pratique d’un Pilote IA pour une supply chain donnée.

Qu’est-ce que “Supply Chain as a Service”?

De loin, Lokad peut être décrit comme une entreprise de logiciels d’entreprise. Cependant, de près, Lokad est assez différent de ce à quoi les gens pourraient s’attendre d’un fournisseur de logiciels. Lokad ne se contente pas de fournir des décisions automatisées en matière de supply chain, mais prend également en charge les performances de la supply chain résultant de ces décisions. Nos scientifiques de la supply chain sont là pour surveiller et affiner en continu l’automatisation que nous avons mise en place pour chacun de nos clients. Ainsi, un abonnement à Lokad permet à nos clients d’exécuter leur supply chain de manière plus rentable.

Cette approche est très différente, par exemple, d’une offre SaaS (logiciel en tant que service) où l’entreprise cliente reste ultimement responsable de tout ce qui compte. Avec le SaaS, le service informatique est soulagé de la gestion d’une autre application, mais c’est tout. Si quelque chose ne va pas, comme une demande erratique, des approvisionnements chaotiques, des données incomplètes, etc., il revient entièrement aux équipes de la supply chain de résoudre le problème. En revanche, avec le SCaaS, c’est le travail de Lokad de résoudre le problème. Naturellement, en pratique, il s’agit d’un effort collaboratif entre Lokad et son client. Cependant, Lokad s’engage à obtenir des résultats, non seulement à maintenir les serveurs en ligne.

Qu’est-ce qu’une “recette numérique”?

Lokad automatise les processus de prise de décision en matière de supply chain, et nous désignons communément les logiciels qui effectuent efficacement l’automatisation comme nos “recettes numériques”. Ces recettes numériques sont généralement assez complexes, car elles reflètent les complexités intrinsèques des supply chains elles-mêmes. Les recettes sont un mélange d’une myriade d’étapes de préparation de données banales entrelacées avec des étapes analytiques sophistiquées - généralement des algorithmes d’apprentissage automatique ou d’optimisation mathématique.

Nous utilisons le terme “recette” plutôt que “algorithme” car ces recettes ne sont nulle part aussi “pures” que ce que la plupart des ingénieurs logiciels s’attendent à trouver en parlant d’algorithmes. De plus, alors qu’un algorithme est censé résoudre un problème bien défini, ce n’est généralement pas le cas pour nos recettes. En fin de compte, la performance de bout en bout de la supply chain est en jeu, et il s’agit d’un problème ouvert et mal défini. Ainsi, l’évaluation de la recette est aussi complexe, voire plus, que la création de la recette elle-même.

Quels sont les “décisions (banales) de la supply chain”?

Une décision de la supply chain est une décision qui a de réelles conséquences sur le flux de marchandises. Par exemple, les réapprovisionnements de stocks, les ordres de production et les changements de prix sont des décisions qui affectent profondément le flux de marchandises.

Les supply chains modernes impliquent généralement quotidiennement des dizaines de milliers, voire des millions, de décisions. En règle générale, chaque SKU (unité de stockage) englobe une demi-douzaine de décisions, y compris ne rien faire, ce qui est également une décision (bien que triviale).

Ces décisions (quotidiennes) sont souvent qualifiées de “banales” car elles peuvent être entièrement automatisées. En ce sens, “banales” ne signifie pas “sans conséquence”.

Les décisions s’opposent aux “artefacts numériques” (éléments qui semblent importants mais n’ont aucun impact substantiel sur la supply chain en question). En effet, avec davantage d’analytique, il y a généralement une grande confusion entre les deux. Par exemple, une prévision de la demande, une classe ABC, un stock de sécurité, un taux de service peuvent être considérés comme des artefacts numériques. Ces éléments peuvent certainement être essentiels pour calculer les décisions réelles, mais en eux-mêmes, ils sont entièrement insignifiants. Peu importe si la prévision est incorrecte tant que le réapprovisionnement des stocks est adéquat, cependant l’inverse n’est évidemment pas vrai.

Lokad se concentre sur les “décisions” plutôt que sur les “artefacts numériques”, car trop d’entreprises ne voient pas le bois pour les arbres. Au contraire, elles ont tellement d’indicateurs de performance (artefacts) qu’elles ne peuvent même plus voir ce qui se passe réellement avec les décisions qu’elles prennent. Notre focalisation sur les “décisions” garantit que Lokad poursuit ce qui importe réellement pour nos clients (une meilleure performance de la supply chain) plutôt que de poursuivre des indicateurs arbitraires (artefacts numériques).

Qu’est-ce qu’un “artefact numérique”?

Un artefact numérique fait référence à un nombre perçu comme important, même si ce nombre n’a aucune conséquence directe/tangible pour la supply chain de l’entreprise. Par exemple, les taux de service sont des artefacts numériques. Les artefacts numériques ne sont pas réels, ce sont plutôt des abstractions - souvent sélectionnées arbitrairement par un praticien.

Par exemple, un taux de service de 98% peut masquer le fait que de nombreux clients ont déjà cessé de commander en raison de la mauvaise qualité de service passée. De plus, les artefacts numériques ne peuvent pas être contrôlés directement. Une entreprise peut passer plus de commandes de réapprovisionnement, mais elle ne peut pas décider unilatéralement que les taux de service seront de 98%, car ce sont finalement les clients qui décident de la quantité d’un produit donné consommée.

Les artefacts numériques s’opposent par définition aux “décisions”, qui ont de réelles conséquences pour l’entreprise. Les décisions sont également entièrement à la discrétion de l’entreprise. Les décisions typiques de la supply chain incluent les commandes de réapprovisionnement, les ordres de production, les changements de prix, etc. Contrairement aux artefacts numériques, chaque mauvaise décision est une perte irrévocable pour l’entreprise. Par exemple, la classe ABC (artefact numérique) d’un article peut être complètement incorrecte/inexacte, mais tant qu’il n’y a pas de surstock et pas de rupture de stock, cela n’a pas d’importance. En revanche, un seul bon de commande excessivement important (décision) peut transformer un article bien approvisionné en une perte massive.

Au fil des ans, Lokad a appris à ses dépens que les indicateurs numériques sont souvent illusoires et trompeurs. Plus souvent qu’autrement, les précisions de prévision et les taux de service caractérisent entièrement de manière erronée le problème d’intérêt (à savoir, anticiper et satisfaire la demande de manière rentable pour une entreprise). Nous devons nous concentrer sur les “dollars d’erreur” pour une décision donnée, et non sur les “pourcentages d’erreur” pour un artefact numérique.

Que signifie “robotisé” ?

Lokad robotise (“automatise”) les décisions répétitives de la supply chain les rendant banales. Cela signifie que toutes les décisions quotidiennes confiées à Lokad (par exemple, les ordres de production, les changements de prix, les allocations de stocks) sont générées de manière entièrement non assistée. En règle générale, la plupart de nos clients peuvent fonctionner pendant des semaines sans aucune intervention directe de Lokad - en supposant que les conditions du marché ne changent pas trop radicalement. Nos Supply Chain Scientists améliorent continuellement les recettes numériques que nous avons mises en place, mais aucun Supply Chain Scientist n’est nécessaire pour générer les décisions de la supply chain d’un jour donné - nos recettes numériques sont conçues pour fonctionner sans surveillance.

Cette approche est radicalement différente de ce que proposent nos pairs (autres fournisseurs de logiciels d’entreprise). Dans leur cas, les praticiens de la supply chain sont traités comme les “coprocesseurs humains” de leur système. Dès que les praticiens cessent de travailler avec un logiciel, plus rien ne se passe dans l’entreprise car leur temps est consacré à produire des décisions de supply chain.

En revanche, Lokad transforme chaque minute des praticiens de la supply chain en un investissement pour l’amélioration de la recette numérique qui permet la robotisation des décisions. Si les praticiens de la supply chain cessent de travailler, cela n’a aucun impact sur l’exécution robotisée de la recette numérique. La recette numérique cesse simplement de s’améliorer. Si cela devait se poursuivre pendant un certain temps, cela entraînerait inévitablement la dégradation de la qualité des décisions car la recette numérique perdrait sa pertinence (en raison des changements des conditions du marché).

Cependant, Lokad a mis en place une série de mécanismes auto-attentionnés pour la détection précoce de cette dégradation de qualité, et peut ainsi déclencher une inspection humaine de la recette numérique (d’abord, par un Supply Chain Scientist, puis par un praticien de l’entreprise cliente).

Qu’est-ce qu’une “initiative de la supply chain” ?

Il s’agit spécifiquement d’un projet de la supply chain piloté par la perspective de la “Supply Chain Quantitative” (QSC) de Lokad. L’objectif d’une telle initiative est de robotiser une classe donnée de décisions de la supply chain et d’atteindre des performances supérieures à celles humaines dans le processus. Le but d’une telle initiative n’est pas seulement d’améliorer un problème spécifique au sein de la supply chain du client, mais de fournir une amélioration systémique à l’échelle de l’entreprise.

Les initiatives de la supply chain de Lokad s’attaquent généralement aux commandes d’achat, aux ordres de production, aux allocations de stocks, aux changements de prix, aux calendriers de production détaillés, etc. En essence, nous abordons toutes les décisions banales et répétitives nécessaires au bon fonctionnement de la supply chain du client.

L’initiative de la supply chain est censée être dirigée par les Supply Chain Scientists (SCS) de Lokad. Un SCS est là pour concevoir toutes les recettes numériques nécessaires pour automatiser les décisions de la supply chain qui les intéressent. De plus, le SCS est responsable de visualiser (par exemple, à travers des rapports et des tableaux de bord) les recettes numériques afin que les clients (en particulier la haute direction) comprennent à la fois comment et pourquoi l’automatisation offre des performances supérieures à celles humaines.

Le livrable pour une initiative de la supply chain de Lokad est la mise en production de la ou des recettes numériques que le SCS a conçues pour le client. Ce livrable automatise les décisions et convertit efficacement la supply chain en un actif productif pour le client (de la même manière qu’un équipement automatise la production de biens physiques).

Qu’est-ce que “l’optimisation expérimentale” ?

L’optimisation expérimentale est une méthodologie, utilisée par Lokad, pour aborder les problèmes où la notion même d’“amélioration” n’est pas claire au début du processus d’optimisation. Ce manque de clarté est dû au fait que les critères d’optimisation (métriques) et leurs niveaux favorables ne sont pas connus, ou, même s’ils ont été définis à certains niveaux précédemment, ne peuvent pas être immédiatement justifiés en termes financiers (par exemple, rentabilité, ROI, etc.). Le but de l’“optimisation expérimentale” est d’établir une méthode rigoureuse (certains diraient “scientifique”) pour quantifier ce que signifie “amélioration” pour une supply chain d’un point de vue financier.

Par exemple, considérez un magasin de mode qui souhaite améliorer sa qualité de service. Un des principaux problèmes est d’identifier ce que signifie vraiment “qualité de service” pour le client moyen, étant donné la nature différente des habitudes d’achat des hommes par rapport aux femmes, ainsi que l’influence des substitutions. Les substitutions, par nature, rendent difficile d’identifier comment les clients perçoivent votre offre, même s’ils ont effectué un achat - par exemple, acheter un t-shirt noir uni au lieu d’un blanc uni qui est en rupture de stock. Sur le papier, une vente a été réalisée, mais l’absence du t-shirt blanc uni peut signaler la fin de la fidélité du client, en particulier si c’est un événement régulier. De plus, les hommes sont moins susceptibles de passer du temps à parcourir plusieurs articles que les femmes, donc ne pas avoir l’article exact qu’ils veulent (ou une substitution appropriée) peut être décisif lorsqu’il s’agit de faire un achat. Ainsi, ce que la direction pense savoir sur son propre entreprise (et ses clients) peut être extrêmement trompeur, ce qui peut orienter leurs stratégies de stockage dans la mauvaise direction.

Pour ce faire, l’optimisation expérimentale consiste à mener une série d’expériences qui remettent en question les critères d’optimisation eux-mêmes - l’instrument même qui quantifie si la supply chain est meilleure ou pire (par exemple, “qualité de service”). L’essence de la méthode consiste à choisir un critère, à exécuter une optimisation mathématique (ou plus spécifiquement une optimisation stochastique) par rapport à ce critère, et à évaluer les décisions de la supply chain résultantes. Cette évaluation ne se fait pas de manière globale, mais en comparaison avec les décisions les plus insensées qui ne peuvent tout simplement pas être correctes. Le critère doit ensuite être modifié afin d’éliminer progressivement ces décisions insensées, jusqu’à ce qu’il n’en reste plus.

Le critère résultant a donc été obtenu grâce à une série d’expériences. Contrairement à la perspective d’optimisation classique qui suppose que les critères sont connus à l’avance, jamais remis en question par le monde réel ; l’optimisation expérimentale découvre les critères en confrontant à plusieurs reprises les critères aux paramètres du monde réel.

Pour revenir à l’exemple de mode précédent, une optimisation expérimentale peut indiquer que la redistribution des stocks préexistants entre les magasins est la solution optimale, ou peut-être que simplement réorganiser les présentoirs dans chaque magasin est suffisant pour stimuler un plus grand trafic et une meilleure qualité de service perçue. Ces conclusions ne sont découvrables qu’après avoir expérimenté à plusieurs reprises avec (“ajusté”) la recette numérique qui génère la ou les recommandations d’optimisation.

La supply chain, comme tout autre système, est plus que la somme de ses parties. En fait, la malédiction de la supply chain est que la plupart des améliorations supposées ne font que déplacer les problèmes plutôt que de les résoudre, car les problèmes sont traités comme des problèmes locaux plutôt que des expressions de problèmes à l’échelle du système. Par exemple, augmenter les niveaux de service implique généralement d’augmenter les pertes d’inventaire également. Ainsi, il n’y a pas de léger ajustement ou de modification d’un élément isolé au sein d’un système sans impact sur le reste du système également. Par conséquent, il est toujours difficile de quantifier si quelque chose rend le système (la supply chain) meilleur ou pire.

De plus, dans le cas spécifique des supply chains, cette difficulté est exacerbée car il faut généralement beaucoup de temps pour que les événements se déroulent. Dans le cas du magasin de mode mentionné précédemment, les hommes peuvent être incroyablement fidèles à un magasin qui a régulièrement les articles qu’ils veulent, motivés par la simple commodité de ne pas avoir à passer trop de temps à faire des achats. Par conséquent, subir des ruptures de stock peut être dévastateur pour la fidélité des clients et prendre beaucoup de temps à se manifester (car les hommes ne font peut-être que quelques achats par an, mais achètent de nombreux articles à chaque visite pour maximiser la valeur de chaque voyage). Ces considérations et contingences contrecarrent toutes les approches naïves visant à quantifier la performance de la supply chain, d’où la préconisation par Lokad d’une solution basée sur l’optimisation expérimentale.

Pour une perspective plus détaillée, il y a une conférence complète sur l’optimisation expérimentale pour la supply chain.

Qu’est-ce que la “prévision probabiliste”?

La prévision probabiliste est le processus d’identification de toutes les valeurs/résultats/scénarios futurs possibles (par exemple, la demande pour un SKU donné) et d’attribution d’une probabilité à chaque valeur. La probabilité représente la probabilité que cette valeur devienne “réelle” (par exemple, on pourrait avoir une probabilité de 3% de vendre 4 unités ; une probabilité de 4% de vendre 5 unités ; une probabilité de 2% de vendre 6 unités ; etc.). Numériquement, une fois additionnées, cette distribution de probabilité (également appelée “prévision probabiliste”) couvre 100% des valeurs potentielles (par exemple, la demande).

Une prévision est dite “probabiliste” si la valeur prévue est une distribution de probabilité plutôt qu’un seul point. Les prévisions probabilistes sont l’opposé des prévisions ponctuelles traditionnelles qui dominent la théorie classique de la supply chain. Le principal avantage des prévisions probabilistes est qu’elles embrassent l’incertitude irréductible de l’avenir, au lieu de prétendre que la “prévision parfaite” est juste au coin de la rue si seulement un modèle légèrement plus précis pouvait être découvert. Les prévisions probabilistes quantifient l’incertitude, et cette quantification est fondamentale pour produire ultérieurement des décisions de supply chain ajustées au risque. Sans prévisions probabilistes, les décisions sont fragiles car elles ignorent complètement les variations banales (par exemple, la demande, le délai de livraison) qui sont censées se produire même en considérant des conditions de marché régulières.

Il convient de noter que toute prévision ponctuelle de séries temporelles peut être “mathématiquement” transformée en une distribution de probabilité. C’est exactement ce qui est fait avec les stocks de sécurité, car à la fois la demande et le délai de livraison peuvent être associés à des distributions normales (gaussiennes). Cependant, bien que de telles techniques génèrent nominalement des distributions de probabilité, ces techniques manquent également complètement le point. Le problème central à résoudre par une prévision probabiliste est de produire une prévision plus riche - une prévision qui contient plus d’informations qu’une prévision ponctuelle. Cette prévision probabiliste n’est pas nécessairement plus précise, tout comme une photographie en couleur n’a pas nécessairement une meilleure résolution qu’une en noir et blanc. Cependant, par construction, une prévision ponctuelle manque de cette dimension supplémentaire. Même si un tour de passe-passe mathématique peut être utilisé pour ajouter des probabilités, ces probabilités seront presque entièrement inventées, tout comme la colorisation d’une image peut être très plausible tout en étant factuellement incorrecte.

En bref, les prévisions probabilistes représentent l’une des étapes centrales du traitement des données nécessaires à l’optimisation prédictive d’une supply chain.

Qu’est-ce que la “prévision générale”?

Une technique de prévision est dite “générale” si elle prend en charge des données qui ne se présentent pas sous forme de séries temporelles. En effet, bien que les prévisions de séries temporelles soient très utiles à des fins de visualisation, elles sont finalement un modèle simpliste et unidimensionnel qui échoue à refléter les événements tels qu’ils se déroulent dans une supply chain du monde réel.

Considérer plusieurs séries temporelles ne résout pas le problème non plus.

Par exemple :

• les achats répétés des mêmes clients ne peuvent pas être modélisés avec des séries temporelles car une série temporelle de la demande aplatit complètement l’origine de chaque unité achetée.
• la cannibalisation ou la substitution ne peuvent pas être représentées sous forme de séries temporelles car les dépendances entre les articles sont perdues.
• les concurrents qui rivalisent sur les prix, les remises en vrac, les niveaux de service, etc., ne peuvent pas être capturés par une série temporelle car elle ne peut pas refléter ces facteurs causaux.

Dans la théorie classique de la supply chain, les prévisions de séries temporelles sont l’alpha et l’oméga. Pourtant, un examen attentif des situations du monde réel devrait démontrer que les prévisions de séries temporelles sont invariablement une simplification gravement erronée de la situation - voir les exemples énumérés ci-dessus. Dans la Supply Chain Quantitative (QSC) de Lokad, il vaut mieux être approximativement correct que exactement faux. Prétendre qu’un problème du monde réel (par exemple, les substitutions) n’existe pas ne fait pas disparaître le problème.

Pour cette raison, depuis le début des années 2010, Lokad a développé et pionnier une série de technologies de prévision supérieures qui fournissent des formes de prévisions plus générales (au-delà des simples séries temporelles de base). Selon notre QSC, chaque source d’incertitude nécessite une prévision probabiliste propre. Ces “prévisions générales” ne sont pas fournies par des “modèles de prévision”, mais à travers des paradigmes d’apprentissage automatique programmatique, tels que la programmation différentiable.

Qu’est-ce que la “prévision classique” ?

Par “prévision classique”, nous entendons la prévision ponctuelle en séries temporelles. Les prévisions ponctuelles en séries temporelles sont tellement omniprésentes dans la théorie classique de la supply chain que de nombreuses personnes, y compris de nombreux praticiens de la supply chain, ne réalisent pas que les prévisions ponctuelles en séries temporelles ne sont qu’une forme de prévisions statistiques. En réalité, il existe toute une gamme de formes alternatives de prévisions statistiques, les prévisions ponctuelles en séries temporelles étant l’une des plus simplistes.

Remarque : Une prévision simpliste n’est pas nécessairement une mauvaise chose. En fait, Lokad estime que le logiciel de prévision ne devrait pas être plus compliqué que nécessaire pour accomplir sa tâche. Cela dit, les prévisions ponctuelles en séries temporelles sont d’une simplicité insoutenable, comme cela a été démontré dans “Qu’est-ce que la “prévision générale” ?”.

Les prévisions ponctuelles en séries temporelles ont gagné en popularité au tout début du 20e siècle, un demi-siècle avant l’avènement des ordinateurs d’entreprise. Jusqu’à ce que les ordinateurs puissants deviennent largement abordables, les prévisions ponctuelles en séries temporelles étaient le seul type de prévisions statistiques qui pouvait être produit. Malgré leur extrême simplicité, produire des prévisions en séries temporelles était déjà trop de travail pour vraiment valoir l’investissement - étant donné qu’elles étaient réalisées sans la puissance de traitement des ordinateurs d’entreprise. En conséquence, la plupart des entreprises utilisaient toutes sortes de stratagèmes pour éliminer entièrement le besoin de prévoir statistiquement quoi que ce soit en premier lieu.

Il existe deux voies distinctes et complémentaires pour aller au-delà des prévisions classiques. La première voie consiste à remplacer l’angle de la “prévision ponctuelle” par un angle de “prévision probabiliste”.

Les prévisions probabilistes, contrairement à leurs homologues “ponctuelles”, fournissent des densités de probabilité complètes. Les prévisions probabilistes embrassent l’incertitude irréductible du futur, et quantifient frontalement cette incertitude. Du point de vue de la supply chain, les prévisions probabilistes sont largement supérieures aux prévisions ponctuelles car elles se prêtent à la computation ultérieure de décisions de supply chain ajustées au risque. Au contraire, les prévisions ponctuelles ignorent toutes les sources d’incertitude et les décisions dérivées de ces prévisions sont fragiles par conception.

La deuxième voie consiste à remplacer l’angle des “séries temporelles” par une alternative de dimension supérieure. Les séries temporelles sont unidimensionnelles par conception. Cette limitation inhérente signifie que les prévisions en séries temporelles sont tout simplement incapables de capturer même les interdépendances les plus basiques observées dans le flux des biens de la supply chain.

Par exemple, les prévisions en séries temporelles ne peuvent appréhender la cannibalisation et la substitution. Elles ne peuvent appréhender le risque d’avoir un volume de ventes stable entièrement dépendant d’un seul gros client (par exemple, dans des situations B2B). Elles ne peuvent appréhender la perspective du panier d’un client faisant ses courses dans un hypermarché qui a besoin de tous les ingrédients nécessaires pour réaliser une recette (c’est-à-dire que l’absence d’un seul article signifie que rien n’est acheté). Lokad utilise la programmation différentiable pour concevoir des modèles prédictifs qui vont au-delà de la perspective unidimensionnelle des séries temporelles et capturent la véritable information d’intérêt.

En conclusion, les prévisions classiques sont une perspective statistique désuète qui n’a pas sa place dans une supply chain moderne. S’appuyer sur des prévisions classiques - également appelées prévisions ponctuelles en séries temporelles - est une recette pour l’échec car ces prévisions conduisent à des décisions fragiles au mieux, et à des décisions carrément incorrectes au pire. Au lieu de cela, nous recommandons d’utiliser des prévisions probabilistes générales, en exploitant généralement un paradigme d’apprentissage automatique programmatique comme la programmation différentiable.

Qu’est-ce que la “perspective du panier”?

La perspective du panier est une préoccupation d’une importance primordiale pour tous les secteurs où l’on attend des clients qu’ils achètent de nombreux articles en une seule fois (en une seule transaction), plutôt qu’un seul article. Elle fait référence à la valeur perçue d’avoir les achats effectués en combinaison plutôt que isolément. En d’autres termes, la valeur de tous les articles disponibles dans leur ensemble pourrait être supérieure à la somme des valeurs disjointes des articles acquis séparément. Cette perspective est cruciale pour de nombreux secteurs tels que la vente de marchandises générales par exemple. Reconnaître cette interdépendance dans la demande conduit à des décisions de supply chain supérieures par rapport aux méthodologies traditionnelles qui traitent l’achat de chaque SKU comme un événement isolé.

Par exemple, imaginez un client entrant dans un supermarché pour acheter plusieurs articles. Ces articles représentent un mélange de produits de base essentiels (par exemple, du lait, du pain et des œufs) et d’achats discrétionnaires (par exemple, de la glace et du chocolat). Si le supermarché est en rupture de stock pour un article discrétionnaire (par exemple, du chocolat), le client est susceptible d’acheter quand même les autres articles (lait, pain, œufs et glace). Cependant, s’il y a une rupture de stock pour un produit de base essentiel (par exemple, du lait), le client peut partir sans rien acheter et aller chez un concurrent pour terminer ses achats. Ainsi, la pénalité financière de la rupture de stock pour l’article essentiel s’étend au-delà de l’article lui-même, impactant l’ensemble du panier des ventes.

Essentiellement, il existe des relations entre les produits, et l’absence de certains produits affecte la probabilité que les clients achètent d’autres produits. Lokad intègre ce phénomène subtil mais significatif dans ses recommandations de décisions de supply chain pour optimiser les stocks et réduire les ruptures de stock (classées de celles qui causeraient le plus de dommages à celles qui en causeraient le moins), améliorant ainsi les ventes globales, les profits des clients et la satisfaction des clients.

Qu’est-ce qu’un “scientifique de la supply chain”?

Un scientifique de la supply chain (SCS) est la personne qui dirige l’une des initiatives de Supply Chain Quantitative (QSC) de Lokad avec un client, par exemple, la fourniture de commandes d’achat ajustées en fonction du risque, des listes d’allocation de stocks, des prix, etc. Le terme “scientifique de la supply chain” a été inventé par Joannes Vermorel, PDG et fondateur de Lokad, en 2017. L’engagement principal du SCS est la génération, la maintenance et la propriété des recettes numériques responsables de la prise de décision dans une initiative de supply chain donnée.

Contrairement à un data scientist, dont la responsabilité principale consiste à produire des modèles pour soutenir le processus de prise de décision, le SCS assume la responsabilité personnelle de la qualité des recommandations de décision générées par les recettes numériques. De plus, le SCS assume également la responsabilité directe de la création de tous les instruments (par exemple, tableaux de bord, rapports) qui expliquent la logique et la pertinence des décisions générées. Cela peut sembler un peu paradoxal, mais alors que Lokad met l’accent sur la robotisation des processus de prise de décision routiniers, nous mettons également la responsabilité personnelle au premier plan. Un QSC n’est pas un “système” responsable de la performance de la supply chain, mais une personne qui pilote le QSC.

Cependant, bien qu’un SCS ait une responsabilité personnelle, il n’est pas seul dans sa mission. Lokad est entièrement dédié à s’assurer que chaque SCS bénéficie du plus grand soutien possible. Cela implique de fournir au SCS tous les outils logiciels nécessaires, les instruments mathématiques, les méthodologies, la formation et le suivi des SCS seniors.

Une description plus détaillée de ce que fait un SCS peut être trouvée dans notre article dédié Le Scientifique de la Supply Chain.

Qu’est-ce qu’un “praticien de la supply chain”?

Le terme “praticien de la supply chain” fait généralement référence à toutes les personnes qui sont traditionnellement impliquées dans ou responsables de la prise de décisions de supply chain que l’entreprise doit prendre pour fonctionner. Comme il n’existe pas de terminologie unifiée, le titre varie selon les secteurs d’activité et d’une entreprise à l’autre. Les variations courantes de “praticien de la supply chain” incluent le planificateur de l’offre et de la demande, l’analyste de stocks, le prévisionniste de la demande, le gestionnaire de catégorie, le gestionnaire de stocks, le responsable de production, le responsable des achats, le responsable des prix, etc.

La Supply Chain Quantitative (QSC) offre une vision modernisée du rôle du praticien de la supply chain. Alors que le praticien de la supply chain traditionnel est directement responsable de soutenir manuellement le processus de prise de décision, le QSC recommande de mécaniser entièrement toutes les tâches répétitives. Grâce à cette robotisation, les praticiens de la supply chain peuvent se concentrer sur des tâches qui apportent une valeur ajoutée plus importante pour l’entreprise. En particulier, les praticiens de la supply chain sont à l’avant-garde pour remettre en question les recettes numériques (les éléments logiciels qui soutiennent la robotisation de la supply chain) en recueillant des retours d’information et des renseignements de haut niveau auprès des clients et des fournisseurs.

Que signifie “cadre de la supply chain”?

Pour Lokad, ce terme fait spécifiquement référence à une personne qui est en mesure d’arbitrer des propositions conflictuelles au sein de l’entreprise concernant les processus de prise de décision robotisés qui orchestrent la supply chain.

Ce rôle est crucial dans une initiative de Supply Chain Quantitative (QSC), qui unifie les processus de prise de décision de la supply chain à travers des évaluations financières explicites effectuées avec une logique logicielle. Le QSC révèle toutes les contradictions et ambiguïtés qui préexistent généralement dans l’entreprise. Par conséquent, afin de s’assurer qu’une initiative de supply chain ne soit pas bloquée par une simple indécision, un cadre de la supply chain doit être nommé avec le pouvoir d’arbitrer des propositions conflictuelles d’un point de vue stratégique (par exemple, atteindre un niveau de service attendu à tout prix versus trouver un ensemble optimisé de décisions dans le cadre d’un budget contraint).

Remarque: Le QSC ne suppose pas que le cadre de la supply chain ait une capacité innée à être “juste” tout le temps. Distinguer ce qui fonctionne de ce qui ne fonctionne pas est le rôle de la méthodologie d’optimisation expérimentale que Lokad emploie, et non du cadre de la supply chain.

Qu’est-ce qu’une “décision ajustée au risque”?

Dans le contexte de l’optimisation de la supply chain, une décision est dite ajustée au risque si la décision équilibre soigneusement les coûts économiques associés à l’état futur incertain du marché et de la supply chain elle-même. Une décision ajustée au risque est “meilleure” dans le sens où en considérant tous les futurs possibles, et leurs probabilités associées, le résultat financier moyen associé à cette décision s’avérera être supérieur aux alternatives.

De plus, les décisions ajustées au risque ont tendance à être des décisions antifragiles (par opposition aux décisions fragiles). Cela signifie que leurs gains économiques attendus restent assez bons (ou simplement acceptables) pour une large gamme de variations futures. Cette propriété est obtenue grâce à la prise en compte de toutes les contraintes et coûts non linéaires (par exemple, la périssabilité).

L’hypothèse implicite derrière l’idée même des décisions ajustées au risque est que les coûts économiques sérieux se situent aux extrêmes : c’est la demande inattendue élevée qui provoque les ruptures de stock, et c’est la demande inattendue faible qui provoque les surstocks. Entre les deux, tout se passe à peu près comme prévu, et toutes les améliorations apportées au cas “comme prévu” sont principalement négligeables pour l’entreprise.

À l’inverse, la plupart des processus de prise de décision recommandés par la théorie dominante de la supply chain ne génèrent pas de décisions ajustées au risque. En fait, les décisions sont généralement fragiles. Elles sont fragiles (voir explication complète ci-dessous) car elles manquent de l’ingrédient critique pour générer une décision ajustée au risque en premier lieu : une prévision probabiliste. En effet, si la seule prévision disponible est une prévision de séries temporelles ponctuelle, alors le processus de prise de décision va implicitement “tout miser” sur une seule valeur future (par exemple, la demande) qui est supposée être parfaitement connue. Cette approche conduit invariablement à des décisions fragiles car elles sont immédiatement inadéquates dès qu’une exception ou un risque imprévu se présente - quelque chose de trop courant dans la supply chain, et trop facile à anticiper avec une prévision probabiliste.

Une illustration plus granulaire (bien que plus technique) de la manière dont les décisions ajustées au risque sont dérivées en pratique peut être trouvée dans notre tutoriel Reconstitution prioritaire des stocks dans Excel avec des prévisions probabilistes et notre conférence QSC Allocation de stocks au détail avec des prévisions probabilistes.

Qu’est-ce qu’une décision fragile ?

Dans le contexte de l’optimisation de la supply chain, une décision est fragile si de légères variations des conditions du marché ou de l’état de la supply chain elle-même compromettent les gains économiques qui étaient initialement attendus de cette décision. Les processus de prise de décision promus par la théorie dominante de la supply chain produisent invariablement des décisions fragiles - même en considérant des conditions de marché douces où rien de notable ne se produit.

À notre avis, les décisions doivent être ajustées au risque. C’est l’approche que recommande la philosophie de la Supply Chain Quantitative (QSC) de Lokad. En pratique, produire une décision ajustée au risque nécessite deux ingrédients notables : d’abord la prévision probabiliste, et ensuite l’optimisation stochastique.

La prévision probabiliste quantifie l’incertitude future sous forme de distribution de probabilité. L’optimisation stochastique calcule la décision qui se révélera être “la meilleure” en moyenne en considérant tous les futurs possibles et leurs probabilités respectives. Cela se fait en combinant les moteurs économiques, les contraintes et les prévisions probabilistes.

Qu’est-ce que la corruption épistémique ?

La corruption épistémique se produit lorsqu’un corpus de connaissances perd son intégrité et cesse d’être utile pour les personnes ou l’organisation qui se fient à ces connaissances pour améliorer leur activité.

La supply chain, en tant que domaine d’étude, a malheureusement subi un grave cas de corruption épistémique depuis la fin de la Seconde Guerre mondiale. Il existe deux causes principales à cet état actuel des choses :

Premièrement, l’université, principalement de manière involontaire, a abandonné le sujet il y a des décennies. Alors que des dizaines de milliers d’articles sont publiés chaque année, pratiquement aucun de ces articles ne peut être reproduit ou falsifié (au sens poppérien de la falsification*). Contrairement à d’autres domaines qui ne souffrent pas de corruption épistémique généralisée (par exemple, l’étude des algorithmes), les articles sur la supply chain ne sont presque jamais utilisés dans des contextes réels, et certainement pas pendant longtemps lorsqu’ils le sont.

Deuxièmement, les analystes du marché, les éditeurs de logiciels et les consultants agissent en tant qu’adversaires depuis des décennies. En effet, il y a des profits à réaliser en prolongeant plutôt qu’en résolvant les problèmes. Des méthodes obsolètes qui auraient dû disparaître depuis longtemps ont été maintenues en vie par des acteurs trop désireux de maintenir le statu quo. Étrangement, le statu quo existe depuis si longtemps que la plupart de ces personnes peuvent honnêtement affirmer que, de leur point de vue, les méthodes ont “toujours” existé - car, techniquement, les problèmes les précèdent effectivement.

La solution aux cas généralisés de corruption épistémique est des méthodologies et des méthodes plus efficaces qui permettent aux entreprises de séparer plus rapidement (et mieux) le bon grain de l’ivraie. À cette fin, Lokad mène un effort de refondation de la supply chain depuis 2011. Cette approche novatrice est appelée “Supply Chain Quantitative” (QSC). Elle propose des techniques et des méthodologies alternatives, comme la prévision probabiliste et l’optimisation expérimentale.

*Le “sens poppérien de la falsification” fait référence ici à la philosophie de la science développée par Karl Popper. Selon Popper, pour qu’une théorie soit considérée comme scientifique, elle doit être falsifiable - c’est-à-dire qu’il doit être possible de concevoir une observation ou une expérience qui pourrait prouver que la théorie est fausse. En d’autres termes, les théories scientifiques devraient faire des prédictions qui peuvent être testées et potentiellement réfutées. Ce concept est essentiel pour distinguer les théories scientifiques des non scientifiques. La recherche en supply chain (typiquement) manque de falsifiabilité car les théories ne peuvent pas être testées et potentiellement réfutées, ce qui nuit à leur valeur scientifique et contribue à la corruption épistémique du domaine.

Qu’est-ce que la “justesse par conception” ?

La justesse par conception est un principe qui met l’accent sur l’importance de s’assurer que la conception d’un système empêche intrinsèquement certains types d’erreurs ou de défaillances. Cette approche s’oppose à la pratique plus courante qui consiste à se fier à des tests approfondis et à un contrôle qualité pour détecter et corriger les problèmes après leur survenue. L’objectif de la justesse par conception est de minimiser le besoin de maintenance continue et de réduire le risque de défaillances catastrophiques pouvant résulter de systèmes complexes. Dans le contexte de l’optimisation de la supply chain, la justesse par conception est particulièrement pertinente car la couche analytique (la couche responsable des processus de prise de décision) ne doit pas aggraver le chaos endémique à la supply chain - un environnement déjà chaotique, il faut l’admettre.

Les recettes numériques - destinées à soutenir les processus de prise de décision de la supply chain - sont souvent mises en œuvre avec des outils génériques qui n’offrent aucune justesse par conception. En conséquence, de telles recettes numériques échouent généralement en raison de mille coupures. La production échoue en raison d’erreurs d’index hors limites, d’erreurs de mémoire insuffisante, de conditions de concurrence, de débordements ou de sous-débordements numériques, etc. “Avancer rapidement et casser des choses” est une philosophie d’ingénierie acceptable pour une application de style de vie, mais pas pour un système d’entreprise critique.

À cette fin, Lokad a conçu Envision, son DSL (langage de programmation spécifique au domaine) dédié à l’optimisation prédictive des supply chains en gardant à l’esprit la justesse par conception. Lokad n’a pas commencé avec Envision lors de sa fondation en 2008. Pendant des années, nous nous sommes appuyés sur des langages à usage général comme Python. Il nous a fallu des années pour réaliser que nos tentatives échouaient plus souvent qu’autrement à cause de Python.

Plus étonnant encore, la situation était exactement la même pour les équipes de data science de nos propres clients. L’histoire se déroulait presque toujours de la même manière : en trois semaines, l’équipe de data science avait conçu ce qui semblait être un prototype très prometteur. Pourtant, après un an d’efforts intenses pour s’assurer qu’il fonctionnerait dans des environnements de production réels, le projet était abandonné car il n’avait jamais atteint le niveau de “productionnalité” nécessaire.

Ainsi, après des années de douleur et de misère, nous avons conclu en 2012 que le langage de programmation lui-même était le problème central à résoudre. En d’autres termes, Python n’était pas la solution, mais le problème. Ainsi, ne disposant d’aucune meilleure alternative, l’équipe d’ingénierie de Lokad a lancé un effort d’ingénierie décennal pour créer un DSL dédié aux supply chains qui aborderait “par conception” tous ces problèmes au maximum. C’est ainsi qu’Envision est né.

Plus d’une décennie plus tard, nous avons maintenant plusieurs milliards de dollars (USD et EUR) de stocks sous le contrôle direct des recettes numériques étendues écrites en Envision. Envision a considérablement amélioré non seulement la productivité des Supply Chain Scientists de Lokad, mais a également énormément réduit la fréquence des erreurs “bêtes” et très coûteuses.

En conclusion, la justesse par conception est une exigence fondamentale pour tout langage de programmation destiné à piloter des supply chains réelles. De nombreux éditeurs de logiciels, par négligence ou incompétence, n’abordent pas frontalement ce problème, causant invariablement d’immenses dommages à leurs clients.

Qu’est-ce que la “maintenabilité” ?

La maintenabilité, dans le contexte des logiciels de supply chain, fait référence à la capacité de l’entreprise et de ses fournisseurs de logiciels de maintenir son paysage applicatif en état de fonctionnement.

En ce qui concerne la “gestion” de la supply chain, la “maintenabilité” est une affaire relativement simple. Il y a un enchaînement de correctifs de sécurité et de compatibilité pour maintenir le logiciel en état de fonctionner dans des conditions changeantes (par exemple, des changements de systèmes d’exploitation, de navigateurs, de versions de bases de données, etc.). À moins que l’entreprise ne souhaite apporter des modifications fonctionnelles à ses applications de “gestion”, la maintenabilité est largement assurée si le fournisseur est même modestement compétent.

Cependant, l’optimisation de la supply chain est un problème très différent. Les recettes numériques qui automatisent les processus de prise de décision perdent invariablement leur pertinence avec le temps. La cause de la dégradation n’est pas tant la croissance et la contraction du marché, car il est assez simple de s’adapter numériquement à ce type de variation en tant que partie des recettes numériques statiques (par exemple, une moyenne mobile le fait, bien que de manière rudimentaire).

En fait, la cause de la dégradation est l’évolution des problèmes à résoudre. Les conditions de marché en évolution ne nécessitent pas simplement des réponses qui se révèlent quantitativement différentes, mais des types de réponses totalement différents. Par exemple, les entreprises de vente par correspondance n’ont jamais eu à faire face au problème de diriger leurs investissements en SEM (search engine marketing) pour soutenir la liquidation des stocks excédentaires - une situation à laquelle les entreprises de e-commerce sont régulièrement confrontées.

Le logiciel d’optimisation de la supply chain est beaucoup plus susceptible d’évoluer avec les conditions du marché que le logiciel de gestion de la supply chain. En 2024, il n’est pas rare de rencontrer des entreprises qui exploitent toujours un système de gestion des stocks déployé dans les années 1990 (qui semble toujours fonctionner parfaitement), étant donné que les tâches de gestion des stocks de bureau sont restées pratiquement inchangées au cours des 30 dernières années. Cependant, une logique d’optimisation de la supply chain qui peut rester pertinente même pendant 3 ans est extrêmement rare.

La plupart des fournisseurs d’optimisation de la supply chain échouent à reconnaître ce problème fondamental. En conséquence, les investissements ont tendance à être fortement concentrés au tout début, lorsque l’entreprise cliente est intégrée par les fournisseurs. Au cours des premiers mois, alors que le fournisseur est encore fortement impliqué dans une configuration en évolution, la solution donne l’illusion d’être satisfaisante. Cependant, avance rapide de 18 mois après la fin de la phase d’intégration par le fournisseur de logiciels, et les recettes numériques se sont dégradées au point de devenir irrélevantes. Invariablement, les praticiens de la supply chain reviennent à leurs feuilles de calcul qui, bien que rudimentaires, peuvent être maintenues pour rester quelque peu pertinentes.

Le problème de maintenabilité est l’une des principales raisons qui ont poussé Lokad en 2012 à créer Envision - un DSL (langage de programmation spécifique au domaine) dédié à l’optimisation prédictive des chaînes d’approvisionnement. En effet, au cours des premières années de Lokad (fondée en 2008), nous avons réalisé que quelles que soient les recettes numériques que nous pouvions élaborer, le plus souvent, et peu importe la qualité de notre implémentation initiale, ces recettes devraient être largement réécrites tous les 18 mois environ. C’était le prix à payer pour maintenir l’automatisation strictement alignée sur la stratégie et les priorités en constante évolution de nos clients. Ainsi, Envision a été spécifiquement conçu pour répondre au besoin de réécriture constante afin d’éviter l’irrévérence.

En conclusion, la maintenabilité, en ce qui concerne l’optimisation de la supply chain, est largement définie par la capacité de l’entreprise à réécrire régulièrement les recettes numériques qui régissent l’exécution de sa propre supply chain. Alors que cette capacité dépend de la taille de l’équipe de Supply Chain Scientist pouvant être allouée à la tâche, elle dépend également fortement de la qualité du langage de programmation utilisé pour implémenter les recettes numériques en premier lieu.