Initiative de la Supply Chain Quantitative

Supply Chain Quantitative Optimization, ou SCM Quantitative en abrégé, est une perspective globale sur les chaînes d’approvisionnement qui vise simplement à tirer le meilleur parti de l’intelligence humaine, augmentée des capacités des ressources informatiques modernes. Pourtant, cette perspective n’est pas exhaustive. Elle ne prétend pas être la solution ultime aux défis de la supply chain, mais plutôt une approche complémentaire qui peut presque toujours être utilisée pour améliorer la situation.

L’initiative

La Supply Chain Quantitative aide votre entreprise à améliorer la qualité de service, à réduire les stocks excédentaires et les dépréciations, à augmenter la productivité, à réduire les prix d’achat et les coûts d’exploitation… et la liste est longue. Les défis de la supply chain varient considérablement en fonction des différentes situations. La Supply Chain Quantitative embrasse cette diversité et s’efforce de faire face à la complexité qui en découle. Cependant, pour les praticiens de la supply chain habitués à des approches plus classiques pour optimiser leurs chaînes d’approvisionnement, la Supply Chain Quantitative peut sembler un peu déconcertante.

Dans ce qui suit, nous examinons les éléments nécessaires pour tirer le meilleur parti de la perspective quantitative sur la supply chain. Nous examinons et clarifions les ambitions d’une initiative de Supply Chain Quantitative. Nous passons en revue les rôles et les compétences de l’équipe chargée de l’exécution de l’initiative. Enfin, nous donnons un bref aperçu de la méthodologie associée à la Supply Chain Quantitative.

L’ambition

Sauf pour les très petites entreprises, une supply chain implique des millions de décisions par jour. Pour chaque unité détenue en stock, chaque jour, l’entreprise prend la décision de la conserver là où elle se trouve, plutôt que de la déplacer ailleurs. De plus, la même logique s’applique aux unités de stock inexistantes qui pourraient être produites ou achetées. Ne rien faire est déjà une décision en soi.

La Supply Chain Quantitative consiste à optimiser les millions de décisions que l’entreprise doit prendre chaque jour, et comme nous parlons de millions, voire de milliards de décisions par jour, les ordinateurs jouent un rôle central dans cette entreprise. Ce n’est pas surprenant, car après tout, les chaînes d’approvisionnement ont été historiquement l’une des premières fonctions de l’entreprise, après la comptabilité, à être numérisées à la fin des années 1970. Pourtant, la Supply Chain Quantitative vise à pousser la numérisation un cran plus loin.

Nous devons reconnaître ici que les tentatives malavisées de déployer le “système de la supply chain du futur” ont été fréquentes au cours des deux dernières décennies. Trop souvent, de tels systèmes n’ont fait qu’engendrer des ravages dans les chaînes d’approvisionnement, combinant des effets de boîte noire et une automatisation mal maîtrisée, générant ainsi tant de mauvaises décisions que les problèmes ne pouvaient plus être résolus par une intervention humaine.

Dans une certaine mesure, la Supply Chain Quantitative est née de ces erreurs : au lieu de prétendre que le système connaît mieux l’entreprise que sa propre direction, il faut se concentrer sur l’exécution des idées générées par la direction, mais avec un degré de fiabilité, de clarté et d’agilité plus élevé. La technologie logicielle bien utilisée est un facilitateur compétent, mais compte tenu des capacités actuelles des logiciels, l’élimination complète des personnes de la solution n’est pas une option réaliste.

Cette ambition a une conséquence immédiate : le logiciel que l’entreprise utilise pour suivre ses produits, ses matériaux et ses autres ressources ne sera pas le même que celui dont elle a besoin pour optimiser ses décisions. En effet, qu’il s’agisse d’un ERP, d’un WMS, d’un MRP ou d’un OMS, tous ces logiciels se concentrent principalement sur l’exploitation des processus de l’entreprise et de ses saisies de données. Ne vous méprenez pas, il y a d’énormes avantages à rationaliser les saisies de données et à automatiser toutes les tâches administratives. Pourtant, notre point de vue reste que ces tâches ne répondent en rien au défi qui se pose, à savoir augmenter la capacité de votre entreprise à exécuter les idées humaines, et ce, à l’échelle requise par votre supply chain.

Ensuite, il n’y a pas d’optimisation sans mesure. Par conséquent, la Supply Chain Quantitative est très axée sur les mesures - comme son nom l’indique. Les décisions de la supply chain - achat de stocks, déplacement de stocks - ont des conséquences, et la qualité de ces décisions doit être évaluée financièrement (par exemple en dollars) avec une perspective commerciale solide. Cependant, avoir des métriques solides et fiables demande des efforts, des efforts considérables. L’un des objectifs de la Supply Chain Quantitative est d’aider l’entreprise à établir de telles métriques, ce qui joue également un rôle essentiel lors des dernières étapes d’un projet, pour évaluer le retour sur investissement (ROI) de l’initiative globale de la supply chain.

Enfin, comme mentionné précédemment, la Supply Chain Quantitative n’est pas un paradigme global. Elle n’a pas l’ambition de résoudre ou d’améliorer tout dans la supply chain de l’entreprise. Elle ne prétend pas vous aider à trouver des fournisseurs de confiance ou des partenaires logistiques fiables. Elle ne promet pas de vous aider à recruter de grandes équipes et à maintenir leur moral élevé. Cependant, grâce à son focus très spécifique, la Supply Chain Quantitative est tout à fait capable de fournir des résultats tangibles.

Les rôles du projet

La Supply Chain Quantitative nécessite étonnamment peu de ressources humaines, même lorsqu’il s’agit de chaînes d’approvisionnement de grande envergure. Cependant, une telle initiative nécessite des ressources spécifiques, que nous détaillerons dans cette section. Mais avant de nous plonger dans les différents rôles et leurs spécificités, commençons par mentionner un principe fondamental de la Supply Chain Quantitative : l’entreprise devrait capitaliser sur chaque intervention humaine.

Ce principe va à l’encontre de ce qui se passe dans la pratique avec les solutions traditionnelles de la supply chain : les efforts humains sont consommés par la solution, et non capitalisés. Afin de continuer à prendre des décisions sans fin, la solution nécessite un flux continu de saisies manuelles. Ces saisies peuvent prendre de nombreuses formes : ajustement des profils saisonniers, gestion des exceptions et des alertes, correction de valeurs de prévision étranges, etc.

La Supply Chain Quantitative cherche à inverser cette perspective. Ce n’est pas seulement que le travail humain est coûteux, c’est que l’expertise en supply chain combinée à une vision aiguë des affaires est trop rare et trop précieuse pour être gaspillée dans des tâches répétitives. La cause profonde de l’intervention manuelle doit être corrigée : si les valeurs de prévision sont incorrectes, il est inutile de modifier les valeurs elles-mêmes, ce sont les données d’entrée ou l’algorithme de prévision lui-même qui doivent être corrigés. Corriger les symptômes garantit une lutte sans fin contre les mêmes problèmes.

La taille de l’équipe nécessaire pour exécuter une initiative de supply chain quantitative varie en fonction de l’ampleur de la supply chain elle-même. À l’extrémité inférieure de l’échelle, elle peut être inférieure à un ETP (équivalent temps plein), généralement pour les entreprises réalisant un chiffre d’affaires inférieur à 20 millions de dollars. À l’extrémité supérieure de l’échelle, cela peut impliquer une douzaine de personnes ; mais alors, dans ce cas, plusieurs milliards de dollars de stocks sont généralement en jeu.

Le Leader de la Supply Chain : La Supply Chain Quantitative est un changement de paradigme. Mener le changement nécessite un leadership et un soutien de la direction. Trop souvent, la direction de la supply chain ne pense pas avoir le temps de s’impliquer trop directement dans ce qui est perçu comme les “technicités” d’une solution. Pourtant, la Supply Chain Quantitative consiste à exécuter des idées stratégiques à grande échelle. Ne pas partager les idées stratégiques avec l’équipe en charge de l’initiative est une recette pour l’échec. On n’attend pas de la direction qu’elle propose toutes les mesures et les KPI pertinents - car cela demande beaucoup d’efforts pour les rassembler - mais on attend certainement de la direction qu’elle les remette en question.

Le Coordinateur de la Supply Chain : bien que l’initiative de la Supply Chain Quantitative elle-même soit censée être très légère en personnel, la plupart des chaînes d’approvisionnement ne le sont pas, ou du moins, ne le sont pas autant. Ne pas impliquer tout le monde peut entraîner de la confusion et un ralentissement de l’initiative. Ainsi, la mission du Coordinateur est de recueillir tous les commentaires internes nécessaires à l’initiative et de communiquer avec toutes les parties concernées. Le Coordinateur clarifie les processus et les décisions à prendre, et recueille des commentaires sur les mesures et les KPI qui seront utilisés pour optimiser ces décisions. Il veille également à ce que la solution intègre les flux de travail de l’entreprise tels qu’ils sont, tout en préservant la possibilité de réviser ces flux de travail à une étape ultérieure de l’initiative.

Le Responsable des Données : la Supply Chain Quantitative dépend essentiellement des données, et chaque initiative doit avoir un accès fiable aux données dans une perspective de traitement par lots. En réalité, l’initiative ne consiste pas seulement à lire quelques lignes dans le système de l’entreprise, mais plutôt à lire l’intégralité de l’historique des ventes, de l’historique des achats, du catalogue complet des produits, etc. Le Responsable des Données est généralement délégué par le service informatique pour soutenir l’initiative. Il est chargé d’automatiser toute la logique d’extraction des données et de planifier cette logique pour les extractions quotidiennes. En pratique, les efforts du Responsable des Données sont principalement concentrés au tout début de l’initiative.

Le Scientifique de la Supply Chain : il utilise la technologie - nous en parlerons plus tard - pour combiner les informations recueillies par le Coordinateur avec les données extraites par le Responsable des Données afin d’automatiser la prise de décisions. Le scientifique commence par préparer les données, ce qui est une tâche étonnamment difficile et nécessite beaucoup de soutien de la part du Coordinateur, qui devra interagir avec les nombreuses personnes qui ont produit les données en premier lieu, pour clarifier tout ce qui peut être incertain. Il formalise la stratégie afin qu’elle puisse être utilisée pour générer des décisions - par exemple, les quantités de réapprovisionnement suggérées. Enfin, le Scientifique de la Supply Chain équipe l’ensemble du pipeline de données de tableaux de bord et de KPI pour assurer la clarté, la transparence et le contrôle.

Pour les entreprises de taille moyenne, il peut être extrêmement efficace que la même personne remplisse à la fois le rôle de Coordinateur et de Responsable des Données. Cela nécessite cependant une gamme de compétences qui n’est pas toujours facile à trouver chez un seul employé, cependant, si une telle personne existe dans l’organisation, elle tend à être un atout pour accélérer l’initiative. Ensuite, pour les grandes entreprises, même si le Coordinateur n’est pas très familier avec les bases de données de l’entreprise au début de l’initiative, c’est un gros avantage si le Coordinateur est capable d’acquérir un certain niveau de familiarité avec les bases de données au fur et à mesure de l’avancement de l’initiative. En effet, le paysage informatique ne cesse de changer, et anticiper l’impact du changement sur l’initiative contribue grandement à assurer une exécution fluide et continue.

La technologie

Jusqu’à présent, nous sommes restés plutôt vagues concernant la technologie logicielle requise pour soutenir la Supply Chain Quantitative. Pourtant, la Supply Chain Quantitative dépend de manière critique de la pile technologique utilisée pour la mettre en œuvre. Alors que, conceptuellement, chaque logiciel pourrait être réimplémenté à partir de zéro, le Supply Chain Scientist a besoin d’un soutien incroyable de sa pile technologique pour être même raisonnablement productif. De plus, certaines capacités telles que la prévision et l’optimisation numérique nécessitent des efforts de R&D préalables importants qui vont bien au-delà de ce que le Supply Chain Scientist peut fournir pendant le déroulement de l’initiative.

La première exigence de la Supply Chain Quantitative est une plateforme de données avec des capacités programmatiques, et, naturellement, avoir accès à une plateforme de données spécifiquement conçue pour traiter les données de la supply chain et les problèmes de la supply chain est un avantage certain. Nous parlons d’une plateforme de données, car même si chaque poste de travail de bureau peut stocker plusieurs téraoctets de données de nos jours, cela ne signifie pas que ce poste de travail de bureau offrira d’autres propriétés souhaitables pour mener à bien l’initiative : fiabilité contre les pannes matérielles, auditabilité pour tous les accès, compatibilité avec les exportations de données, etc. De plus, étant donné que les ensembles de données de la supply chain ont tendance à être volumineux, la plateforme de données doit être plus évolutive, ou en d’autres termes, capable de traiter de grandes quantités de données en peu de temps.

La plateforme de données nécessite des capacités programmatiques, ce qui fait référence à la possibilité de mettre en œuvre et d’exécuter pratiquement n’importe quelle logique de traitement de données arbitraire. De telles capacités sont fournies par le biais d’un langage de programmation. La programmation est correctement perçue comme une compétence très technique, et de nombreux fournisseurs profitent de la peur inspirée par l’idée de devoir faire face à une solution qui nécessite de “programmer” pour proposer des interfaces utilisateur simples avec des boutons et des menus aux utilisateurs. Cependant, chaque fois que les équipes de la supply chain se voient refuser des capacités programmatiques, les feuilles de calcul Excel prennent le relais, précisément parce qu’Excel offre des capacités programmatiques avec la possibilité d’écrire des formules pouvant être arbitrairement compliquées. Bien loin d’être un gadget, les capacités programmatiques sont une exigence fondamentale.

Enfin, il y a des avantages significatifs à avoir une plateforme de données adaptée à la supply chain. En fait, le besoin d’une plateforme de données de ce type n’est guère spécifique à la supply chain : le trading quantitatif, tel qu’il est pratiqué par les banques et les fonds, présente des besoins similaires. Cependant, les décisions de la supply chain ne nécessitent pas des latences sub-millisecondes comme le trading à haute fréquence. La conception d’une plateforme de données est une question de compromis d’ingénierie ainsi qu’une question d’écosystème logiciel, qui commence par les formats de données pris en charge. Ces compromis d’ingénierie et cet écosystème logiciel doivent être alignés sur les défis de la supply chain elle-même.

La deuxième exigence de la Supply Chain Quantitative est un moteur de prévision probabiliste. Ce logiciel est responsable d’attribuer une probabilité à chaque futur possible. Bien que ce type de prévision soit un peu déconcertant au début car il va à l’encontre de l’intuition de prévoir l’avenir, le “hic” réside en réalité dans l’incertitude : l’avenir n’est pas certain et une seule prévision est garantie d’être fausse. La perspective classique de la prévision nie l’incertitude et la variabilité, et en conséquence, l’entreprise se retrouve à lutter avec une prévision qui était censée être précise, mais qui ne l’est pas. Un moteur de prévision probabiliste aborde ce problème de front en résolvant le problème avec des probabilités.

La prévision probabiliste dans la supply chain est généralement un processus en deux étapes commençant par une prévision des délais d’approvisionnement, suivie d’une prévision de la demande. La prévision des délais d’approvisionnement est une prévision probabiliste : une probabilité est attribuée à toutes les durées de délai d’approvisionnement possibles, généralement exprimées en jours. Ensuite, la prévision de la demande est également une prévision probabiliste et cette prévision est construite sur la base de la prévision des délais d’approvisionnement fournie en entrée. De cette manière, l’horizon à couvrir par la prévision de la demande doit correspondre aux délais d’approvisionnement, qui sont eux-mêmes incertains.

Comme le moteur de prévision probabiliste fournit des ensembles de distributions de probabilité, ses sorties de prévision impliquent beaucoup plus de données que les sorties d’un moteur de prévision classique. Ce n’est pas un problème bloquant en soi, mais afin d’éviter de rencontrer trop de friction lors du traitement d’un ensemble massif de probabilités, un haut degré de coopération est requis entre la plateforme de données et le moteur de prévision.

Les phases du projet

La Supply Chain Quantitative s’inspire fortement de la R&D en génie logiciel et des meilleures pratiques connues en science des données. La méthodologie est très itérative, avec peu d’importance accordée à la spécification préalable et une grande importance accordée à l’agilité et à la capacité à faire face à des problèmes et/ou des résultats inattendus. En conséquence, cette méthodologie tend à être perçue comme plutôt surprenante par les entreprises qui ne sont pas directement impliquées dans l’industrie du logiciel elles-mêmes.

La première phase est la phase de cadrage, qui définit les décisions de la supply chain qui doivent être couvertes par l’initiative. Cette phase est également utilisée pour diagnostiquer la complexité attendue du processus de prise de décision et les données pertinentes.

La deuxième phase est la phase de préparation des données. Elle consiste à établir une configuration automatisée qui copie toutes les données pertinentes des systèmes de l’entreprise vers une plateforme analytique distincte. Elle consiste également à préparer ces données pour l’analyse quantitative.

La troisième phase est la phase pilote et consiste à mettre en place une logique de prise de décision initiale qui génère des décisions, par exemple les quantités d’achat suggérées, qui surpassent déjà les processus précédents de l’entreprise. Cette logique est censée être entièrement automatisée.

La quatrième phase est la phase de production, qui amène l’initiative à une vitesse de croisière où les performances sont surveillées et maintenues, et où un consensus est atteint sur le degré souhaitable de raffinement des modèles de la supply chain eux-mêmes.

La phase de cadrage est la plus simple et identifie les décisions courantes que l’initiative de la Supply Chain Quantitative vise à couvrir. Ces décisions peuvent impliquer de nombreuses contraintes : MOQ (quantités minimales de commande), conteneurs complets, capacité maximale de l’entrepôt, … et ces contraintes doivent être examinées de près. Ensuite, les décisions sont également associées à des facteurs économiques : coûts de possession, coût des ruptures de stock, marge brute, … et ces facteurs économiques doivent également être étudiés. Enfin, les données historiques pertinentes doivent être identifiées, ainsi que les systèmes à partir desquels les données seront extraites.

La phase de préparation des données est la phase la plus difficile ; la plupart des échecs se produisent à ce stade. Obtenir l’accès aux données et donner un sens aux données est presque toujours un défi sous-estimé. Les systèmes opérationnels (par exemple ERP / MRP / WMS / OMS) ont été conçus pour faire fonctionner l’entreprise, pour la maintenir en marche. Les données historiques sont un sous-produit de ces systèmes, car l’enregistrement des données n’était pas la raison pour laquelle ces systèmes ont été mis en place en premier lieu. Ainsi, de nombreuses difficultés doivent être attendues à cette phase. Lorsqu’ils sont confrontés à des difficultés, la plupart des entreprises ont un réflexe malheureux : revenons en arrière et rédigeons une spécification complète. Malheureusement, une spécification ne peut couvrir que les difficultés connues ou prévues. Pourtant, presque tous les problèmes majeurs rencontrés à cette phase sont des éléments qui ne peuvent pas être planifiés.

En réalité, les problèmes ont tendance à être révélés seulement lorsque quelqu’un commence réellement à mettre les données à l’épreuve pour générer des décisions basées sur les données. Si les décisions sont erronées alors que la logique est considérée comme étant correcte, il y a probablement un problème avec les données. Les décisions basées sur les données ont tendance à être quelque peu sensibles aux problèmes de données, et représentent donc un excellent moyen de remettre en question le contrôle que l’entreprise a sur ses propres données. De plus, ce processus met les données à l’épreuve de manière significative pour l’entreprise. La qualité des données et la compréhension des données ne sont que des moyens pour atteindre un objectif : fournir quelque chose de valeur pour l’entreprise. Il est tout à fait raisonnable de concentrer les efforts sur les problèmes de données qui ont un impact significatif sur les décisions basées sur les données.

La phase pilote est la phase qui met la gestion de la supply chain à l’épreuve. Adopter des prévisions probabilistes face à l’incertitude peut être plutôt contre-intuitif. En même temps, de nombreuses pratiques traditionnelles telles que les prévisions hebdomadaires ou mensuelles, les stocks de sécurité, les couvertures de stock, les alertes de stock ou l’analyse ABC font en réalité plus de mal que de bien. Cela ne signifie pas que l’initiative de la Supply Chain Quantitative doit être laissée libre. En fait, c’est tout le contraire, car la Supply Chain Quantitative concerne avant tout la performance mesurable. Cependant, de nombreuses pratiques traditionnelles de la supply chain ont tendance à formuler les problèmes de manière défavorable à la résolution desdits problèmes. Par conséquent, lors de la phase pilote, un défi clé pour la direction de la supply chain est de rester ouverte d’esprit et de ne pas réintroduire dans l’initiative les ingrédients mêmes qui généreront des inefficacités à un stade ultérieur. On ne peut pas chérir la cause tout en maudissant la conséquence.

Ensuite, le Supply Chain Scientist et la technologie sont tous deux mis à l’épreuve, étant donné que la logique doit être mise en œuvre afin de générer les décisions dans un délai relativement court. L’objectif initial est simplement de générer ce que les praticiens considèrent comme des décisions raisonnables, des décisions qui ne nécessitent pas nécessairement de correction manuelle. Nous suggérons de ne pas sous-estimer le défi que représente la génération de décisions automatisées “saines”. Les systèmes de supply chain traditionnels nécessitent de nombreuses corrections manuelles pour fonctionner : nouveaux produits, promotions, ruptures de stock… La Supply Chain Quantitative établit une nouvelle règle : aucune saisie manuelle n’est autorisée pour les opérations courantes, tous les facteurs doivent être intégrés à la logique.

Le Coordinateur de la Supply Chain est là pour rassembler tous les facteurs, les flux de travail et les spécificités qui doivent être intégrés à la logique de prise de décision. Ensuite, le Supply Chain Scientist met en œuvre le premier lot d’indicateurs de performance clés (KPI) associés aux décisions. Ces KPI sont introduits afin d’éviter les effets de boîte noire qui tendent à se produire lors de l’utilisation de méthodes numériques avancées. Il est important de noter que les KPI sont élaborés en collaboration avec le Responsable de la Supply Chain, qui veille à ce que les mesures soient alignées sur la stratégie de l’entreprise.

La phase de production stabilise l’initiative et la met en vitesse de croisière. Les décisions générées par la logique sont activement utilisées et leurs résultats associés sont étroitement surveillés. Il faut généralement quelques semaines à quelques mois pour évaluer l’impact de toute décision de supply chain donnée en raison des délais de livraison impliqués. Ainsi, le changement de rythme de l’initiative en phase de production est ralenti, afin de pouvoir faire des évaluations fiables sur les performances des décisions automatisées. L’initiative entre dans une phase d’amélioration continue. Bien que d’autres améliorations soient toujours souhaitables, il faut trouver un équilibre entre les avantages des améliorations possibles de la logique et la complexité correspondante de ces améliorations, afin de maintenir l’ensemble de la solution.

Le Coordinateur de la Supply Chain, libéré de ses tâches fastidieuses de saisie de données, peut désormais se concentrer sur les idées stratégiques proposées par la gestion de la supply chain. En général, les changements souhaitables des processus de la supply chain qui ont pu être identifiés pendant la phase pilote ont été mis en attente afin d’éviter de perturber les opérations en changeant tout d’un coup. Cependant, maintenant que le rythme de changement de la logique de prise de décision s’est ralenti, il devient possible de réviser progressivement les processus, afin de débloquer des améliorations de performance qui nécessitent plus que de simples décisions routinières.

Le Supply Chain Scientist continue d’affiner la logique en mettant de plus en plus l’accent sur les KPI et la qualité des données. Il est également responsable de la révision de la logique, car des défauts subtils ou des limitations subtils, généralement liés à des situations peu fréquentes, sont découverts au fil du temps. Ensuite, lorsque les processus changent, la logique de prise de décision est également révisée afin de rester parfaitement alignée sur les flux de travail et la stratégie. Même lorsque les processus internes ne changent pas, le paysage informatique et commercial général continue de changer : le Supply Chain Scientist doit veiller à ce que la logique de prise de décision reste à jour dans cet état de flux constant.

Les livrables

L’objectif de la Supply Chain Quantitative est de fournir des décisions exploitables - les quantités suggérées pour les bons de commande étant un exemple archétypal. Ci-dessous, nous clarifions davantage la forme spécifique et le mécanisme de livraison de ces décisions. Fixer des attentes claires pour les livrables est une étape importante dans le parcours que représente la Supply Chain Quantitative. De plus, les résultats numériques optimisés ne sont pas les seules sorties souhaitables : plusieurs autres sorties, notamment la surveillance de la santé des données et les KPI de gestion, doivent également être incluses dans le livrable. En pratique, les livrables d’une initiative de Supply Chain Quantitative dépendent de la flexibilité de la solution logicielle utilisée pour soutenir l’initiative elle-même. Néanmoins, ils sont principalement définis par leur intention, qui est indépendante de la technologie utilisée.

Scripts en tant que livrables

La Supply Chain Quantitative met l’accent sur les pipelines de données entièrement automatisés. Cela n’implique pas que la configuration logicielle est censée fonctionner de manière autonome. Un degré élevé de supervision étroite est naturellement souhaitable chaque fois qu’une chaîne d’approvisionnement à grande échelle est envisagée. Néanmoins, il est attendu que le pipeline de données soit entièrement automatisé dans le sens où aucune étape du pipeline ne dépend réellement d’une opération manuelle. En effet, comme indiqué dans le manifeste, chaque fois que des opérations manuelles sont impliquées dans le traitement des données de la chaîne d’approvisionnement, la solution ne peut tout simplement pas être mise à l’échelle en pratique.

En conséquence directe de cette constatation, les livrables d’une initiative de Supply Chain Quantitative sont invariablement des ensembles complets de logiciels. Cela n’implique pas que l’équipe en charge est censée tout réimplémenter : une solution logicielle dédiée à la Supply Chain Quantitative offre la possibilité de se concentrer strictement sur les aspects pertinents des défis de la chaîne d’approvisionnement. Toutes les techniques de bas niveau, telles que l’utilisation de ressources informatiques distribuées allouées automatiquement au sein d’une plateforme de cloud computing, sont censées être abstraites. L’équipe n’a pas besoin de se plonger dans de tels détails, car ces aspects sont censés être gérés de manière appropriée par l’outil lui-même.

Les livrables se matérialisent sous la forme de scripts généralement écrits dans un langage de programmation capable de répondre aux exigences de la chaîne d’approvisionnement, tout en offrant un haut niveau de productivité. Le terme “script” est utilisé ici plutôt que “code source”, mais les deux termes sont étroitement liés : un “script” met l’accent sur l’idée d’un haut degré d’abstraction et d’une focalisation sur la tâche elle-même, tandis qu’un “code source” met l’accent sur une perspective de plus bas niveau, destinée à être un reflet précis du matériel informatique lui-même. Pour la Supply Chain Quantitative, c’est évidemment la perspective de la chaîne d’approvisionnement qui importe le plus, et non le matériel informatique, qui est un aspect technique d’importance secondaire.

Au cours de la dernière décennie, le succès des interfaces utilisateur WYSIWYG (what-you-see-is-what-you-get) pour les applications destinées aux clients finaux a incité de nombreux fournisseurs de logiciels de chaîne d’approvisionnement à essayer d’imiter cette approche avec une solution WYSIWYG pour la planification et l’optimisation de la chaîne d’approvisionnement. Cependant, l’enseignement tiré de l’échec quasi systématique de ces types d’interfaces est que les chaînes d’approvisionnement sont complexes et ne peuvent pas se passer d’outils programmatiques. D’après notre expérience, s’attendre à ce qu’un outil de glisser-déposer puisse refléter correctement les non-linéarités complexes impliquées, par exemple, dans les quantités de commande minimales (MOQ), relève de l’illusion. L’expressivité programmatique est nécessaire, car sinon, le défi de la chaîne d’approvisionnement ne peut même pas être exprimé dans l’outil.

Naturellement, du point de vue de l’utilisateur final, les scripts ne sont pas ce à quoi les professionnels de la chaîne d’approvisionnement s’attendent à voir comme un résultat tangible de l’initiative de la Supply Chain Quantitative. Les personnes interagiront avec des tableaux de bord contenant des indicateurs de performance clés consolidés et des tableaux qui rassemblent les décisions suggérées. Cependant, ces tableaux de bord sont transitoires et jetables. Ils sont simplement obtenus en exécutant à nouveau les scripts sur les données pertinentes de la chaîne d’approvisionnement. Bien que la distinction soit un peu subtile, il est important de ne pas confondre le script, qui représente le livrable réel, avec son expression numérique, qui est généralement ce que vous pouvez voir en tant qu’utilisateur final de la solution.

Tableaux de bord de santé des données

Avant de considérer la fourniture de décisions optimisées pour la chaîne d’approvisionnement, nous devons nous assurer que les données traitées par le système qui prend en charge l’initiative de la Supply Chain Quantitative sont à la fois numériquement et sémantiquement correctes. Le but des tableaux de bord de surveillance de la santé des données, ou simplement des tableaux de bord de santé des données, est de garantir un haut degré de confiance dans la correction des données, ce qui est naturellement une exigence essentielle pour la précision de tous les résultats numériques renvoyés par la solution. Ces tableaux de bord aident également l’équipe de la chaîne d’approvisionnement à améliorer la qualité des données existantes.

Les erreurs numériques sont simples : le fichier CSV exporté de l’ERP indique que le produit ABC a 42 unités en stock, tandis que la console web de l’ERP ne signale que 13 unités en stock. Il est évident ici que nous avons des chiffres divergents là où ils devraient être les mêmes. Les tableaux de bord de santé des données abordent ces problèmes relativement évidents en vérifiant simplement que les agrégats de données restent dans les plages numériques attendues.

Les erreurs sémantiques sont plus subtiles et, en pratique, beaucoup plus difficiles à identifier. La plupart du travail effectué lors de la préparation des données consiste en réalité à identifier et à résoudre toutes les erreurs sémantiques. Par exemple : le champ stockinv dans l’ERP peut être documenté comme étant le “stock disponible”. Ainsi, l’équipe de la chaîne d’approvisionnement suppose que cette quantité ne peut jamais être négative, car évidemment, si ces unités sont à portée physique sur l’étagère, il doit s’agir d’une quantité positive. Cependant, la documentation de l’ERP peut aussi être légèrement trompeuse, et cette quantité aurait été plus justement appelée “stock disponible” car chaque fois qu’une rupture de stock se produit et que le client émet une commande en souffrance, la quantité peut devenir négative pour refléter qu’un certain nombre d’unités sont déjà dues à un client. Ce cas illustre une erreur sémantique : le nombre n’est pas incorrect en soi, c’est la compréhension du nombre qui est approximative. En pratique, les approximations sémantiques peuvent générer de nombreux comportements incohérents, qui, à leur tour, génèrent des coûts de friction continus au sein de la chaîne d’approvisionnement.

Les tableaux de bord de santé des données consolident les chiffres qui permettent à l’entreprise de décider sur place si les données peuvent être considérées comme suffisamment fiables ou non. En effet, comme la solution va être utilisée quotidiennement à des fins de production, il est impératif qu’un problème de données significatif soit identifié grâce à une inspection quasi-instantanée. Sinon, il est probable que la chaîne d’approvisionnement continuera à fonctionner pendant des jours, voire des semaines, sur la base de données défectueuses. À cet égard, le tableau de bord de santé des données est semblable à un feu de signalisation : vert vous passez, rouge vous vous arrêtez.

De plus, lorsqu’on considère une chaîne d’approvisionnement de taille importante, il y a généralement une quantité irréductible de données corrompues ou incorrectes. Ces données proviennent de saisies manuelles erronées ou de cas particuliers rares dans les systèmes de l’entreprise eux-mêmes. En pratique, pour toute chaîne d’approvisionnement de taille importante, il est déraisonnable de s’attendre à ce que les données de la chaîne d’approvisionnement soient exactes à 100 %. Au lieu de cela, nous devons nous assurer que les données sont suffisamment précises pour que les coûts de friction générés par ces erreurs soient quasi-négligeables.

Par conséquent, les tableaux de bord de santé des données sont également censés collecter des statistiques sur les erreurs de données identifiées. Ces statistiques sont essentielles pour établir la confiance dans les données. À cette fin, un Supply Chain Scientist est souvent sollicité pour établir des seuils d’alerte bien choisis, généralement associés à un arrêt complet de la solution. Il convient de faire preuve de prudence dans l’établissement des seuils, car s’ils sont trop bas, la solution est inutilisable, car elle est trop fréquemment arrêtée pour “problèmes de données identifiés” ; cependant, s’ils sont trop élevés, les coûts de friction générés par les erreurs de données peuvent devenir importants et compromettre les avantages apportés par l’initiative elle-même.

Au-delà de la signalisation rouge-vert, les tableaux de bord de santé des données sont également destinés à offrir des informations prioritaires sur les efforts d’amélioration des données. En effet, de nombreux points de données peuvent être incorrects mais aussi sans conséquence. Par exemple, il n’a pas d’importance si le prix d’achat d’un produit est incorrect si la demande du marché pour ce produit a disparu il y a des années, car il n’y aura plus de commandes d’achat pour ce produit.

La Supply Chain Quantitative souligne que la résolution fine des erreurs de données, qui peut nécessiter une quantité considérable de travail manuel, doit être priorisée par rapport à l’impact financier estimé de l’erreur de données elle-même par rapport au coût de main-d’œuvre associé à la correction. En effet, selon la situation, le coût associé à la correction d’un seul point de données défectueux varie énormément et doit être pris en compte dans la priorisation suggérée. Enfin, lorsque le coût des corrections est jugé plus élevé que les coûts de la supply chain générés par ces erreurs, le processus d’amélioration des données peut s’arrêter.

Tableaux de bord de décision prioritaires

Comme nous l’avons vu, seules les décisions de la supply chain peuvent vraiment être évaluées d’un point de vue quantitatif. Il n’est donc pas surprenant que l’un des principaux livrables opérationnels d’une initiative de Supply Chain Quantitative soit les tableaux de bord qui consolident les décisions obtenues en tant que résultat numérique final de l’ensemble du pipeline de données. Un tel tableau de bord peut être aussi simple qu’un tableau qui liste pour chaque produit la quantité exacte en unités à commander immédiatement. Si des MOQ (quantités de commande minimales) sont présents - ou toute autre contrainte de commande alternative - les quantités suggérées peuvent être nulles la plupart du temps, jusqu’à ce que les seuils appropriés soient atteints.

Pour simplifier, nous supposons ici que ces résultats numériques sont rassemblés dans un tableau de bord, qui est une forme spécifique d’interface utilisateur. Cependant, le tableau de bord lui-même n’est qu’une option, qui peut être pertinente ou non. En pratique, on s’attend à ce que le logiciel alimentant l’initiative de Supply Chain Quantitative soit très flexible, c’est-à-dire programmable, offrant de nombreuses façons de présenter ces résultats dans différents formats de données. Par exemple, les résultats numériques peuvent être consolidés dans des fichiers texte plats, destinés à être importés automatiquement dans l’ERP principal utilisé pour gérer les actifs de l’entreprise.

Bien que le format des décisions dépende fortement de la tâche de la supply chain en question, la plupart des tâches nécessitent de prioriser ces décisions. Par exemple, le calcul des quantités suggérées pour une commande d’achat peut être décomposé par une liste priorisée des unités à acquérir. L’unité la plus rentable est classée en premier. Comme les stocks entraînent des rendements décroissants, la deuxième unité acquise pour le même produit couvre une fraction décroissante de la demande du marché. Par conséquent, la deuxième unité pour ce même produit peut ne pas être la deuxième entrée dans la liste globale. Au lieu de cela, l’unité la plus rentable peut être associée à un autre produit, etc. La liste priorisée des unités à acquérir est conceptuellement sans fin : il est toujours possible d’acheter une unité de plus. Comme la demande du marché est finie, toutes les unités achetées deviendraient des stocks morts à un moment donné. Transformer cette liste de priorités en quantités finales à acheter ne nécessite que l’introduction d’un “critère d’arrêt” et la somme des quantités par produit. En pratique, les contraintes de commande non linéaires compliquent davantage cette tâche, mais, pour simplifier, nous mettrons ces contraintes de côté à ce stade de la discussion.

La priorisation des décisions est une opération très naturelle du point de vue de la Supply Chain Quantitative. Comme chaque décision est associée à un résultat financier exprimé en dollars, classer les décisions du plus rentable au moins rentable est simple. Ainsi, de nombreux tableaux de bord qui regroupent les décisions de la supply chain suggérées peuvent être, en pratique, des listes de décisions prioritaires. Ces tableaux de bord contiennent des listes de décisions très rentables en haut et des décisions très peu rentables en bas. Alternativement, les praticiens de la supply chain peuvent décider de tronquer les listes lorsque les décisions sont peu rentables. Cependant, il est souvent intéressant de pouvoir examiner les décisions qui se situent juste en dessous du seuil de rentabilité, même si l’entreprise n’est évidemment pas censée agir sur ces entrées non rentables.

Afin de fournir ce type de tableaux de bord basés sur les décisions, la solution logicielle qui soutient la Supply Chain Quantitative doit explorer numériquement de vastes quantités de décisions possibles. Par exemple, la solution doit être capable de prendre en compte l’impact financier de l’achat de chaque unité, unité par unité, pour chaque produit dans chaque emplacement. Sans surprise, cette opération peut nécessiter des ressources informatiques importantes. Heureusement, de nos jours, le matériel informatique est capable de gérer même les plus grandes chaînes d’approvisionnement mondiales. En supposant que la solution logicielle sous-jacente soit correctement architecturée pour la Supply Chain Quantitative, la scalabilité du traitement des données ne devrait pas poser de problème pour les équipes de la supply chain.

Rendre les résultats numériques transparents

Les systèmes désignés de manière dérisoire sous le nom de “boîtes noires” dans la supply chain, et dans d’autres domaines également, sont des systèmes qui génèrent des résultats inexplicables par les praticiens qui interagissent avec ces systèmes. La Supply Chain Quantitative, avec son accent spécifique sur un pipeline de données automatisé, est également confrontée au risque de fournir ce que les équipes de la supply chain classeraient comme des “boîtes noires”. En effet, les implications financières des décisions de la supply chain sont très importantes pour une entreprise, et, bien qu’un système plus récent puisse améliorer la situation, il peut également potentiellement créer des catastrophes. Bien que l’automatisation soit très souhaitable, cela ne signifie pas que l’équipe de la supply chain ne doit pas avoir une compréhension approfondie de ce qui est fourni par le pipeline de données qui soutient l’initiative de la Supply Chain Quantitative.

Le terme rendre transparent fait référence à l’effort nécessaire pour rendre la solution entièrement transparente au bénéfice des équipes de la supply chain. Cette approche souligne que aucune technologie n’est transparente par conception. La transparence est le résultat final d’un effort spécifique, qui fait partie de l’initiative elle-même. Même une simple régression linéaire peut générer des résultats déconcertants en pratique. Mis à part quelques individus exceptionnels, la plupart des gens n’ont pas une compréhension intuitive de ce que devrait être la sortie “attendue” du modèle linéaire lorsque 4 dimensions ou plus sont impliquées. Pourtant, les problèmes de la supply chain impliquent souvent des dizaines de variables, voire des centaines. Ainsi, même les modèles statistiques simplistes sont de facto des boîtes noires pour les praticiens de la supply chain. Naturellement, lorsque des algorithmes d’apprentissage automatique sont utilisés, comme le recommande la Supply Chain Quantitative, ils laissent les praticiens encore plus dans le noir.

Bien que l’effet de boîte noire soit un problème réel, une solution réaliste ne consiste pas à simplifier le traitement des données en calculs immédiatement intuitifs pour l’esprit humain. Cette approche est une recette pour une inefficacité extrême, qui détruit complètement tous les avantages des ressources informatiques modernes, qui peuvent être utilisées pour aborder la complexité brute des chaînes d’approvisionnement modernes. Simplifier le processus n’est pas la réponse. La transparence l’est.

Même les recommandations les plus complexes de la chaîne d’approvisionnement peuvent être rendues largement transparentes aux praticiens de la chaîne d’approvisionnement, simplement en décomposant les calculs internes avec des indicateurs financiers bien choisis, qui représentent les facteurs économiques qui soutiennent la recommandation elle-même. Par exemple, au lieu de simplement afficher un tableau nu avec deux colonnes produit et quantité comme commande d’achat suggérée, le tableau devrait inclure quelques colonnes qui aident à la prise de décision. Ces colonnes supplémentaires peuvent inclure le stock actuel, la demande totale du dernier mois, le délai de livraison prévu, le coût financier prévu de la rupture de stock (si aucune commande n’est passée), le coût financier prévu de la surstock (risque associé à la commande suggérée), etc. Les colonnes sont conçues pour donner à l’équipe de la chaîne d’approvisionnement des vérifications rapides des quantités suggérées. Grâce aux colonnes, l’équipe peut rapidement établir sa confiance dans les résultats numériques et peut également identifier certaines des faiblesses d’une solution qui nécessite des améliorations supplémentaires.

Étendre les tableaux de bord à des fins de transparence est en partie un art. Générer des millions de chiffres est facile, même en n’ayant accès à aucune ressource informatique autre que celle disponible sur un smartphone. Cependant, générer 10 chiffres dignes d’être examinés quotidiennement est très difficile. Ainsi, le défi principal consiste à identifier une douzaine ou moins de KPI (indicateurs clés de performance) qui suffisent à éclairer les décisions d’approvisionnement recommandées. Les bons KPI nécessitent généralement beaucoup de travail ; ils ne doivent pas être des définitions naïves, qui sont généralement trompeuses dans la chaîne d’approvisionnement. Par exemple, même une colonne aussi simple que le “prix unitaire d’achat” peut être très trompeuse si le fournisseur propose des remises sur volume, ce qui rend le prix d’achat dépendant de la quantité achetée.

Tableaux de bord stratégiques

Bien que la focalisation sur les décisions à petite échelle soit nécessaire - car c’est l’une des rares approches qui se prête à des évaluations de performance quantitatives - la chaîne d’approvisionnement peut également avoir besoin d’être ajustée de manière plus importante et perturbatrice pour améliorer ses performances à son niveau suivant. Par exemple, l’achat de plus d’unités de stock bien choisies augmente marginalement le taux de service. Cependant, à un certain moment, l’entrepôt est plein et aucune unité supplémentaire ne peut être achetée. Dans cette situation, il convient de considérer un entrepôt plus grand. Afin d’évaluer l’impact de la levée de cette limitation, nous pouvons supprimer la contrainte de capacité de l’entrepôt des calculs et évaluer l’avantage financier global de fonctionner avec un entrepôt arbitrairement grand. La gestion de la chaîne d’approvisionnement peut ensuite surveiller l’indicateur financier associé au coût de friction imposé par la capacité de l’entrepôt et décider quand il est temps de considérer une augmentation de la capacité de l’entrepôt.

Généralement, les chaînes d’approvisionnement fonctionnent sur la base de nombreuses contraintes qui ne peuvent pas être révisées quotidiennement. Ces contraintes peuvent inclure le fonds de roulement, la capacité de l’entrepôt, les retards de transport, le débit de production, etc. Chaque contrainte est associée à un coût d’opportunité implicite pour la chaîne d’approvisionnement, qui se traduit généralement par plus de stock, plus de retards ou plus de ruptures de stock. Le coût d’opportunité peut être évalué par les gains de performance qui seraient obtenus en supprimant ou en affaiblissant la contrainte elle-même. Bien que certaines de ces simulations puissent s’avérer difficiles à mettre en œuvre, elles sont fréquemment aussi difficiles que l’optimisation des décisions de routine, c’est-à-dire l’établissement des quantités de commande d’achat.

La Supply Chain Quantitative met l’accent sur le fait que les coûts d’opportunité associés à ces contraintes doivent faire partie du pipeline de données de production et, généralement, doivent être matérialisés par des tableaux de bord dédiés, qui sont spécifiquement destinés à aider la gestion de la chaîne d’approvisionnement à décider quand il est temps d’apporter des changements plus importants à leur chaîne d’approvisionnement. Ces types de tableaux de bord sont appelés tableaux de bord stratégiques. Cette approche diffère de la pratique traditionnelle de la chaîne d’approvisionnement qui met l’accent sur des initiatives ad hoc lorsque l’on sent que la chaîne d’approvisionnement est sur le point d’atteindre une limite d’exploitation. En effet, les indicateurs clés de performance fournis par les tableaux de bord stratégiques sont actualisés quotidiennement, ou plus fréquemment si nécessaire, tout comme le reste du pipeline de données. Ils n’ont pas besoin de faire un effort de dernière minute, car ils sont à jour et prêts à tirer parti des informations obtenues grâce à une initiative de longue durée.

Les tableaux de bord stratégiques soutiennent le processus de prise de décision de la gestion de la chaîne d’approvisionnement. Comme ils font partie du pipeline de données, lorsque le marché commence à évoluer plus rapidement que d’habitude, les indicateurs clés de performance restent à jour sur la situation actuelle de l’entreprise. Cette approche évite les écueils traditionnels associés aux enquêtes ad hoc qui ajoutent invariablement des retards supplémentaires à des problèmes déjà en retard. Cette approche atténue également largement le problème alternatif, qui est de prendre des décisions stratégiques hâtives qui se révèlent non rentables - une condition regrettable qui aurait pu être anticipée dès le départ.

Tableaux de bord d’inspection

Les chaînes d’approvisionnement sont à la fois complexes et erratiques. Ces propriétés rendent la débogage du pipeline de données une tâche redoutablement difficile. Pourtant, ce pipeline de données est la moelle épinière de l’initiative de la Supply Chain Quantitative. Les erreurs de traitement des données, ou les bugs, peuvent se produire n’importe où dans le pipeline de données. Pire encore, le type le plus fréquent de problème n’est pas la formule incorrecte, mais la sémantique ambiguë. Par exemple, au début du pipeline, la variable stockinv peut se référer au stock disponible (où des valeurs négatives sont possibles), tandis qu’ensuite, la même variable est utilisée avec une interprétation de stock en main (où des valeurs positives sont attendues). L’interprétation ambiguë de la variable stockinv peut générer une grande variété de comportements incorrects, allant des plantages du système - qui sont évidents, donc seulement modérément nuisibles - à une corruption silencieuse et généralisée des décisions de la chaîne d’approvisionnement.

Comme les chaînes d’approvisionnement sont presque toujours constituées d’un mélange unique de solutions logicielles mises en place au fil des ans, il n’y a aucun espoir d’accéder à une solution logicielle “éprouvée” exempte de bugs. En effet, la plupart des problèmes surviennent aux limites du système, lors de la conciliation des données provenant de différents systèmes, voire simplement de la conciliation des données provenant de différents modules au sein du même système. Ainsi, quelle que soit la fiabilité de la solution logicielle, l’outillage doit être capable de soutenir facilement le processus de débogage, car ce type de problème est inévitable.

Le but des tableaux de bord d’inspection est de fournir des vues détaillées pour une inspection minutieuse des ensembles de données de la chaîne d’approvisionnement. Cependant, ces tableaux de bord ne sont pas de simples forages pour inspecter les tables de données d’entrée. Un tel forage, ou des approches similaires de découpage des données, manqueraient le point. Les chaînes d’approvisionnement sont toutes basées sur des flux : flux de matériaux, flux de paiements, etc. Certains des problèmes de données les plus graves surviennent lorsque la continuité du flux est “logiquement” perdue. Par exemple, lors du déplacement de marchandises de l’entrepôt A à l’entrepôt B, la base de données de l’entrepôt B peut manquer quelques entrées de produits, ce qui génère des corruptions de données subtiles, car les unités provenant de l’entrepôt A sont reçues dans l’entrepôt B sans être correctement rattachées à leur produit. Lorsque les résultats numériques semblent étranges, ces tableaux de bord d’inspection sont l’option privilégiée du Supply Chain Scientist pour effectuer une enquête rapide sur les données d’échantillon.

En pratique, un tableau de bord d’inspection fournit un point d’entrée de bas niveau tel qu’un code de produit ou un SKU, et il consolide toutes les données associées à ce point d’entrée dans une seule vue. Lorsque les marchandises circulent dans de nombreux endroits, comme c’est le cas dans les chaînes d’approvisionnement aérospatiales par exemple, le tableau de bord d’inspection tente généralement de reconstituer les trajectoires des marchandises, qui peuvent avoir transité non seulement par plusieurs emplacements physiques, mais aussi par plusieurs systèmes. En rassemblant toutes ces données en un seul endroit, il devient possible pour le Supply Chain Scientist d’évaluer si les données ont du sens : est-il possible d’identifier d’où proviennent les marchandises qui sont expédiées ? Les mouvements de stock sont-ils alignés sur les politiques officielles de la chaîne d’approvisionnement, etc. ? Le tableau de bord d’inspection est un outil de “débogage” car il est conçu pour rassembler les données qui sont étroitement liées, non pas d’un point de vue informatique, mais d’un point de vue de la chaîne d’approvisionnement.

Les tableaux de bord d’inspection sont l’équivalent de bas niveau du tableau de bord de santé des données. Ils se concentrent sur des données entièrement désagrégées, tandis que les tableaux de bord de santé des données adoptent généralement une approche plus globale des données. De plus, les tableaux de bord d’inspection font généralement partie intégrante de l’effort de transparence. Lorsqu’ils sont confrontés à ce qui semble être une recommandation déconcertante, les praticiens de la supply chain doivent examiner de près un SKU ou un produit afin de déterminer si la décision recommandée est raisonnable ou non. Le tableau de bord d’inspection est généralement ajusté à cette fin précise, en incluant de nombreux résultats intermédiaires qui contribuent au calcul de la recommandation finale.

Évaluation du succès

Cela peut sembler quelque peu paradoxal, mais alors que la Supply Chain Quantitative met l’accent sur les méthodes et les mesures numériques, notre expérience nous dit que les métriques ont tendance à nous en dire trop peu, et souvent trop tard, sur la bonne voie d’une initiative. Presque toutes les métriques peuvent être manipulées et cela se fait généralement au détriment de la durabilité de l’approche choisie. Ainsi, la Supply Chain Quantitative cherche des améliorations évidentes : si les améliorations sont si subtiles qu’il faut des mesures avancées pour les détecter, alors l’initiative n’en valait probablement pas la peine et devrait être considérée comme un échec. Au contraire, si les améliorations sont visibles et cohérentes sur de nombreuses métriques, et que la supply chain dans son ensemble se sent plus agile et plus réactive que jamais, alors l’initiative a probablement réussi.

Les métriques peuvent être manipulées

Il y a une raison pour laquelle les ingénieurs sont rarement évalués sur la base de métriques : ils sont tout simplement trop doués pour manipuler les métriques, c’est-à-dire profiter des métriques dans leur propre intérêt plutôt que de servir les intérêts de l’entreprise. Les supply chains sont complexes et presque toutes les métriques simples peuvent être exploitées de manière à être totalement destructrices pour l’entreprise. On pourrait penser que ce problème se résume à combler les failles qui se cachent dans les métriques. Pourtant, notre expérience indique qu’il y a toujours une autre faille à trouver.

Une histoire d’ingénierie inverse des métriques

Prenons un exemple fictif d’e-commerce. La direction décide d’améliorer les niveaux de service et le niveau de service devient donc la métrique phare. L’équipe de la supply chain commence à travailler en fonction de cette métrique et propose une solution consistant à augmenter considérablement les niveaux de stock, ce qui entraîne des coûts massifs pour l’entreprise.

En conséquence, la direction modifie les règles et définit la quantité maximale de stock, et l’équipe doit opérer dans cette limite. L’équipe révise ses chiffres et réalise que le moyen le plus simple de réduire les niveaux de stock est de considérer de grandes quantités de stocks comme “morts”, ce qui déclenche des promotions agressives. Les niveaux de stock sont effectivement réduits, mais les marges brutes sont également considérablement réduites dans le processus.

Une fois de plus, le problème ne passe pas inaperçu et les règles sont modifiées une fois de plus. Une nouvelle limite est introduite sur la quantité de stock qui peut être marquée comme “morte”. La mise en œuvre de cette nouvelle règle demande beaucoup d’efforts car la supply chain se retrouve soudainement confrontée à des stocks “anciens” qui devront être fortement remisés. Pour faire face à cette nouvelle règle, l’équipe augmente la part du transport aérien par rapport au transport maritime. Les délais sont réduits, les stocks sont abaissés, mais les coûts d’exploitation augmentent rapidement.

Pour faire face aux coûts d’exploitation qui deviennent incontrôlables, la direction modifie une fois de plus les règles et fixe une limite supérieure au pourcentage de marchandises pouvant être transportées par avion. Une fois de plus, la nouvelle règle provoque des ruptures de stock qui auraient pu être évitées en utilisant le transport aérien. En étant contrainte d’opérer dans des contraintes de plus en plus strictes, l’équipe commence à renoncer à tirer parti des baisses de prix proposées par les fournisseurs. Acheter de plus petites quantités est également un moyen de réduire les délais. Pourtant, une fois de plus, les marges brutes sont réduites dans le processus.

Ramener les prix d’achat sur la bonne voie s’avère être un objectif beaucoup plus difficile à atteindre pour la direction. Aucune règle simple ne peut faire face à ce défi, et une multitude d’objectifs de prix pour chaque sous-catégorie de produits sont introduits à la place. De nombreux objectifs se révèlent irréalistes et conduisent à des erreurs. Dans l’ensemble, l’image de la supply chain devient de moins en moins claire. Sous pression de tous les côtés, l’équipe de la supply chain commence à ajuster une fonction obscure du processus de planification de la demande : la liste de substitution des produits.

En effet, la direction a réalisé dès le début du processus que certaines ruptures de stock n’étaient pas aussi impactantes que d’autres, car certains des produits manquants avaient plusieurs substituts quasi-parfaits. Par conséquent, tout le monde s’est mis d’accord pour dire que les ruptures de stock sur ces produits pouvaient être largement négligées lors du calcul du niveau de service global. Cependant, l’équipe de la supply chain, qui opère maintenant sous une pression énorme, commence à étirer l’objectif de cette liste d’un à deux crans au-delà de son objectif initial : des produits qui ne sont pas si similaires sont répertoriés comme des substituts quasi-parfaits. Les métriques de niveau de service s’améliorent, mais l’activité ne progresse pas.

Le piège du succès

Les métriques peuvent être manipulées et si les équipes sont soumises à des incitations toxiques, les métriques seront très probablement utilisées de manière trompeuse. Cependant, la situation n’est pas aussi grave qu’il n’y paraît. En fait, notre expérience indique que, sauf dans les cultures d’entreprise vraiment dysfonctionnelles, les employés n’ont généralement pas tendance à saboter leur travail. Au contraire, nous avons observé que la plupart des employés sont fiers de faire ce qui est juste, même si cela signifie que les politiques de l’entreprise doivent être un peu étirées.

Par conséquent, au lieu de retirer la liberté à l’équipe chargée de mettre en œuvre la stratégie d’optimisation de la supply chain, il est important d’encourager l’équipe à élaborer un ensemble de métriques qui éclairent l’initiative de la supply chain dans son ensemble. Le rôle de la direction n’est pas d’imposer des règles basées sur ces métriques, mais plutôt de remettre en question la réflexion stratégique qui sous-tend ces métriques. Souvent, l’objectif immédiat ne devrait même pas être d’améliorer les valeurs des métriques, mais d’améliorer la définition même des métriques.

En réalité, toutes les métriques ne sont pas également précieuses pour une entreprise. Il faut généralement beaucoup d’efforts pour élaborer des métriques qui donnent une perspective significative sur l’entreprise. Ce travail nécessite non seulement une bonne compréhension de la stratégie de l’entreprise, mais aussi une connaissance approfondie des données sous-jacentes, qui sont accompagnées d’une myriade d’artefacts et d’autres bizarreries numériques. Ainsi, les métriques doivent avant tout être considérées comme un travail en cours.

Nous avons constaté qu’un indicateur fort de succès dans tout projet de supply chain est la qualité des métriques qui sont établies tout au long de l’initiative. Pourtant, c’est un peu paradoxal, mais il n’y a pas de métrique raisonnable pour évaluer réellement la pertinence de ces métriques. Voici quelques éléments qui peuvent aider à évaluer la qualité des métriques :

• Y a-t-il un consensus au sein des différentes équipes de la supply chain selon lequel les métriques capturent l’essence de l’entreprise ? Ou que les perspectives commerciales implicitement promues par les métriques ne sont ni à court terme ni aveuglées ?
• Les métriques ont-elles une réelle profondeur lorsqu’il s’agit de concilier les chiffres avec les facteurs économiques ? La simplicité est souhaitable, mais pas au détriment d’une mauvaise compréhension de l’ensemble.
• Les artefacts des données sont-ils correctement pris en compte ? En général, il y a des dizaines de “pièges” subtils qui doivent être pris en compte lors du traitement des données extraites des systèmes de l’entreprise. Notre expérience nous dit d’être méfiant lorsque les données brutes semblent être suffisamment bonnes, car cela signifie généralement que les problèmes n’ont même pas été identifiés en tant que tels.
• Les décisions générées à partir des métriques choisies ont-elles du sens ? Si une décision, qui est par ailleurs alignée sur les métriques, ne semble pas avoir de sens, alors elle n’en a probablement pas ; et le problème réside fréquemment dans la métrique elle-même.

À bien des égards, élaborer de bonnes métriques revient à orienter la gravité vers le puits du succès : à moins qu’il n’y ait une intervention, le cours naturel de l’action est de descendre la pente vers le bas, qui se trouve être précisément là où se trouve le succès. Connaître la profondeur exacte du fond n’est même pas strictement nécessaire, tant que chaque étape du voyage vers le bas améliore les choses pour l’entreprise.

Des décisions saines conduisent à de meilleures performances

Dans la supply chain, même les meilleures métriques ont un inconvénient majeur : les chiffres sont généralement en retard. Les délais peuvent être longs et les décisions prises aujourd’hui peuvent ne pas avoir d’impact visible pendant des semaines, voire des mois. De plus, la Supply Chain Quantitative, qui met l’accent sur les améliorations itératives et incrémentales, complique encore davantage cette question. Cependant, utiliser des méthodes non incrémentales serait encore pire, bien que pour d’autres raisons. Par conséquent, les métriques ne peuvent pas être les seuls signaux utilisés pour évaluer si l’initiative est sur la bonne voie.

Générer des décisions saines est un signal simple, mais sous-estimé, d’une performance supérieure. En effet, à moins que votre entreprise ne se porte déjà très bien avec sa supply chain, il est fort probable que les systèmes continuent de produire des décisions “insensées” qui sont captées et corrigées manuellement par les équipes de la supply chain. Le but de tous les “alertes” ou mécanismes réactifs similaires est précisément de pallier les problèmes en cours grâce à des efforts correctifs manuels continus.

Amener l’initiative de la Supply Chain Quantitative à un point où toutes les décisions - générées de manière entièrement robotisée - sont considérées comme saines ou sûres est une réalisation beaucoup plus importante que la plupart des praticiens ne le réalisent. L’accent mis sur les décisions “robotisées” est important ici : pour jouer selon les règles, aucune intervention humaine ne devrait être nécessaire. Ensuite, par “sain”, nous entendons des décisions qui semblent toujours bonnes aux praticiens même après avoir passé quelques heures à enquêter sur le cas ; ce qui ne peut naturellement pas être fait régulièrement, en raison du nombre considérable de décisions similaires à prendre chaque jour.

Notre expérience indique que chaque fois que les décisions automatisées sont considérées comme fiables, la performance se concrétise plus tard lorsque ces décisions sont réellement mises à l’épreuve de leur utilisation “en production”. En effet, le test de “santé mentale” est un test très strict pour la logique de prise de décision. À moins que votre entreprise ne tire déjà parti de quelque chose de très similaire à la Supply Chain Quantitative, il est alors très probable que les systèmes existants mis en place par votre entreprise soient loin de passer ce test. En conséquence, des erreurs non détectées sont commises en permanence et l’entreprise finit par payer cher pour ce flux continu de problèmes.

Ensuite, d’un point de vue opérationnel, dès que les décisions de la supply chain sont automatisées, les équipes de la supply chain sont libérées de la servitude de nourrir leur propre système avec un flux interminable de saisies manuelles. Ces gains de productivité peuvent être réinvestis là où cela compte réellement : pour affiner les détails de la stratégie de la supply chain elle-même, ou pour surveiller de plus près les fournisseurs afin de résoudre les problèmes de la supply chain qui proviennent de leur côté. L’augmentation des performances, obtenue grâce à une optimisation purement quantitative de la supply chain, est intensifiée par les gains obtenus par les équipes de la supply chain qui peuvent enfin trouver le temps d’améliorer les processus et les flux de travail.