LA SUPPLY CHAIN QUANTITATIVE EN BREF (RÉSUMÉ DE LA CONFÉRENCE 1.2)

Bien que la Supply Chain Quantitative (QSC) et les initiatives traditionnelles cherchent toutes deux à générer les meilleures décisions commerciales (et les meilleurs rendements financiers), la première se distingue de la seconde de plusieurs manières conséquentes. Ces caractéristiques distinctives, telles qu’elles sont exposées dans le Manifeste de la Supply Chain de Lokad, résument les principes fondamentaux qui guident l’approche de Lokad en matière d’optimisation de la supply chain. Au-delà de l’intervention logicielle, la QSC préconise un recalibrage global de l’état d’esprit - un recalibrage qui recentre l’attention sur les forces les plus importantes, bien que moins immédiatement visibles, qui exercent en réalité la plus grande influence sur la supply chain.

Regarder la Conférence

Tous les futurs possibles

Par définition, une initiative de supply chain est une tentative d’identifier et de servir la demande future. Le problème est que le futur (dans tous les contextes) est intrinsèquement et irréductiblement incertain ; il existe une gamme extraordinairement large de résultats futurs possibles, chacun ayant sa propre probabilité de se produire. L’enjeu est que tous les résultats ne sont pas également probables. Il en va de même pour les supply chains, cependant, les solutions traditionnelles au problème de l’incertitude de la demande, telles que les prévisions des séries temporelles, simplement ignorent l’incertitude. Au lieu de cela, les solutions traditionnelles se concentrent sur la production d’une seule valeur de demande future, renforcée ultérieurement par une formule prédéfinie de stock de sécurité.

Cette approche ignore fondamentalement la multitude de valeurs possibles de la demande future, laissant une entreprise complètement exposée si la demande ne répond pas aux attentes. Cependant, la QSC embrasse l’incertitude et identifie toutes les valeurs possibles de la demande future (avec des probabilités non nulles). Cette vision est le produit des prévisions probabilistes de la demande, qui constituent la base de la QSC, et offre une image beaucoup plus détaillée de la demande future que les séries chronologiques classiques.

Toutes les décisions réalisables

Au cœur de l’activité d’une entreprise se trouvent une série extraordinaire de décisions et de contraintes. En termes de décisions, une entreprise doit faire face à des choix à la fois au niveau macro et micro ; délocaliser une usine est une décision macro importante, tandis que choisir d’augmenter ou de diminuer la quantité d’achat d’une unité représente une décision micro de routine. Chaque décision a son propre coût d’opportunité - on ne peut pas dépenser le même dollar deux fois - et des conséquences - comment cela affecte l’entreprise, directement et indirectement.

En général, un praticien de la supply chain est confronté à un plus grand nombre de décisions de niveau micro que de niveau macro. Ces décisions de niveau micro sont souvent les plus banales, mais elles représentent une couche troublante de complexité, qui s’ajoute encore lorsque l’entreprise prend en compte ses contraintes (sans parler de celles de ses fournisseurs et clients). Il peut s’agir de quantités minimales de commande (MOQ), de quantités économiques de commande (EOQ), de lots, d’espace de stockage disponible, de dates d’expiration, etc. En présence de ces paramètres multiples et du spectre de l’incertitude future, le concept d’une décision parfaite de la supply chain est fantaisiste au mieux.

Au contraire, la QSC cherche à identifier toutes les décisions réalisables. Dans ce contexte, une décision est “réalisable” si elle est immédiatement applicable, ce qui signifie qu’elle est entièrement conforme aux contraintes de l’entreprise. Le classement de ces décisions réalisables (à la recherche de la plus optimale) nécessite non seulement une compréhension sophistiquée des contraintes de l’entreprise, mais aussi une compréhension très granulaire de ses moteurs économiques.

Moteurs économiques

Dans une perspective globale, la QSC donne la priorité à la réduction des dollars d’erreur plutôt qu’à l’augmentation de la précision des prévisions. Bien que cela puisse sembler contre-intuitif, une prévision plus précise ne se traduit pas automatiquement par un plus grand profit ou une meilleure performance commerciale. Par exemple, on pourrait garantir un taux de service de 99,99 % en commandant beaucoup plus de stocks que ce que l’on pourrait raisonnablement vendre. En termes de satisfaction client, l’entreprise serait un succès. Cependant, cette politique entraînerait des pertes colossales, affectant négativement les résultats de l’entreprise.

Ainsi, dans une certaine mesure, il y a un compromis inéluctable entre un niveau de service plus élevé et un retour économique. La QSC ne se concentre pas seulement sur la réduction des dollars d’erreur, elle adopte une vision économique encore plus fine en tenant compte à la fois des moteurs de premier et de deuxième ordre. Les moteurs de premier ordre peuvent être considérés comme les plus évidents et les plus courants que l’on trouve généralement dans les registres comptables et les ERP grand public : coût des matériaux, marges brutes, coût de possession, etc. Les moteurs de deuxième ordre sont plus nuancés, moins immédiats et totalement absents des logiciels d’entreprise traditionnels (/fr/vendeurs/). Ces moteurs représentent les effets de deuxième ordre des décisions prises et constituent une classe de préoccupations plus abstraite.

Prenons en compte les effets en aval d’une rupture de stock. Dans un contexte B2B, une entreprise peut encourir des pénalités contractuelles pour ces situations, ce qui représente un incitatif financier clair pour éviter de manquer les objectifs de taux de service. Dans un contexte B2C, ces incitations sont beaucoup moins claires. Il n’y a pas d’accord explicite sur le taux de service entre une entreprise (par exemple, un supermarché) et ses clients, il n’y a donc pas de mécanisme traditionnel pour mesurer l’impact d’une rupture de stock. Cela peut amener certains praticiens à sous-estimer - voire à ignorer complètement - les conséquences négatives de ne pas avoir suffisamment de lait sur les étagères.

Cependant, la QSC soutient que les ruptures de stock pour certains SKUs ont des impacts financiers inattendus et disproportionnellement élevés par rapport à leurs contributions marginales directes. En d’autres termes, certains articles, tels que les réfrigérateurs, sont généralement achetés isolément. D’autres, comme le lait et le pain, sont généralement achetés en panier, c’est-à-dire en combinaison avec d’autres biens. Ainsi, l’indisponibilité de certains SKUs peut influencer les décisions d’achat globales d’un client.

Par exemple, une personne pourrait être parfaitement disposée à attendre que son modèle de réfrigérateur préféré soit en stock, mais l’absence de lait dans un magasin pourrait amener cette même personne à partir et à faire ses courses ailleurs. Ces derniers SKUs, bien qu’ils ne soient peut-être pas des moteurs de marge importants dans un sens direct, ont une valeur d’inventaire significative compte tenu de leur valeur indirecte : ils facilitent la vente d’autres biens. Par conséquent, dans cet exemple, la pénalité de rupture de stock pour le lait ne se limite pas au lait lui-même ; elle inclut la perte de tous les autres articles du panier.

Dans la Supply Chain Quantitative (QSC), cette valeur moins évidente est exprimée sous forme de couverture de rupture de stock (un moteur de récompense) et est prise en compte dans les politiques d’inventaire priorisées¹.

Le contrôle nécessite l’automatisation

Une fois qu’une entreprise a identifié toutes les valeurs de demande futures possibles, envisagé des décisions réalisables et les a classées par rapport à tous leurs moteurs économiques, la prochaine étape de la QSC consiste à automatiser complètement le processus de prise de décision de la supply chain (ou, au minimum, à générer automatiquement des décisions recommandées). Cette automatisation s’oppose directement à la pratique courante, à savoir les départements de commis avec des feuilles de calcul.

En réalité, une supply chain est un système d’acteurs densément distribué (par exemple, grossistes, fournisseurs, clients), de contraintes (par exemple, délais d’approvisionnement, budget, niveaux de service) et de forces externes (par exemple, saisonnalité, catastrophes naturelles, prix des concurrents). S’attendre à ce qu’un esprit humain (ou même une équipe d’esprits) gère toutes ces variables pour un seul SKU est tout simplement déraisonnable, sans parler d’un catalogue de milliers de SKUs pour plusieurs magasins.

De plus, toute tentative d’innovation au sein d’un tel cadre est vouée à la bureaucratie et à une formation coûteuse, qui entraîneront des retards et des inefficacités. À l’autre extrémité de ce spectre, la QSC cherche à mettre en œuvre une recette numérique de bout en bout qui génère toutes les décisions triviales et banales de la supply chain pour la gestion opérationnelle. Ce sont les types de décisions qui consomment trop de dollars d’attention et détournent la bande passante de préoccupations bien plus pressantes.

La QSC considère donc la supply chain comme un actif plutôt que comme une dépense ; c’est un processus qui doit être optimisé (et automatisé) afin de produire sa plus grande valeur².

Le Supply Chain Scientist

Un logiciel de supply chain, aussi impressionnant soit-il, ne peut pas se gouverner lui-même, encore moins assumer la responsabilité des résultats qu’il génère. L’efficacité d’une recette numérique est en réalité limitée par l’expertise du data scientist qui la met en œuvre et la surveille. Chez Lokad, ce rôle est assuré par le Supply Chain Scientist (SCS).

Un SCS est chargé, entre autres choses, de traiter les données pour l’initiative QSC et de prendre en charge la mise en œuvre réussie de la recette numérique. Établir une sémantique de données valide (ce que les données signifient réellement) nécessite des compétences considérables, car le succès de la QSC repose non seulement sur le traitement des données, mais aussi sur la compréhension de ces données en premier lieu. Malgré tous les progrès de l’IA, il s’agit toujours d’un processus dirigé par l’humain.

Par exemple, l’analyse de simples données de ventes historiques peut sembler relativement simple, mais cet ensemble de données peut être trompeur en raison de nombreux facteurs imbriqués et négligés. Les données peuvent involontairement contenir des promotions, ce qui ne reflète pas la demande réelle pour les produits au prix fort. Alternativement, l’historique peut contenir des retours, donnant ainsi une fausse impression de la demande. Le terme quantité par jour est également sujet à de nombreuses interprétations ; il peut refléter le jour où une vente a été effectuée, ou le moment où une précommande a été acceptée, ou quand le paiement du client a été reçu. Cela ne dit rien sur la complexité supplémentaire qu’un ERP d’une entreprise peut introduire dans le processus.

Tout cela pour dire que comprendre les données est délicat et nécessite un supply chain scientist hautement qualifié pour prendre en charge le processus, ainsi que superviser le fonctionnement quotidien de la recette numérique³.

Notes