Les prévisions nues (Antipattern de la Supply Chain)
Personne ne voudrait laisser entendre qu’il ne pouvait rien voir, car cela aurait montré qu’il n’était pas apte à son poste ou qu’il était très stupide. Aucun vêtement de l’Empereur n’avait jamais eu un tel succès que ceux-ci. (Les habits neufs de l’Empereur, par Hans Christian Andersen, 1909)
Alias: Gosplan (planification soviétique)
Catégorie: organisation
Problème: une entreprise est confrontée à des ruptures de stock récurrentes et à des stocks excessifs. Ces problèmes sont très coûteux. Les clients se tournent vers la concurrence en raison des ruptures de stock, mais les stocks excessifs finissent invariablement par coûter cher à liquider. Alors que les macro-prévisions, au niveau du réseau ou par catégories de produits, sont relativement précises et impartiales, de nombreuses erreurs sont commises au niveau des SKU, prévoyant soit trop, soit trop peu. L’entreprise a déjà effectué plusieurs itérations avec des fournisseurs de logiciels, et pourtant, même si chaque fournisseur prétend avoir amélioré la précision des prévisions par rapport au système précédent, les stocks excessifs et les ruptures de stock restent plus fréquents que jamais.
Preuve anecdotique: les prévisions sont toujours fausses, tout le monde le sait, mais les planificateurs semblent avoir une infinité d’excuses pour faire face à la situation.
Contexte: l’entreprise dispose de plusieurs équipes pour orchestrer sa supply chain, notamment : l’équipe de planification, l’équipe d’achat, l’équipe de production, l’équipe de réapprovisionnement et l’équipe de tarification. L’équipe de planification produit la prévision de demande principale pour chaque produit à lancer et à vendre par l’entreprise. Comme la prévision doit couvrir une partie importante du cycle de vie du produit, l’horizon de prévision est long - au moins 3 mois et souvent plus d'1 an. La prévision de demande principale, le “plan”, est d’abord transformée en quantités achetées, puis en quantités produites, puis en allocations de stock, etc. Enfin, en fonction de la fluctuation des niveaux de stock par rapport aux niveaux fixés par le plan, les prix sont ajustés, parfois à la hausse, mais le plus souvent à la baisse.
Solution supposée: le “plan” - c’est-à-dire la prévision produite par l’équipe de planification - présente des problèmes de précision car les produits se vendent soit plus rapidement, soit plus lentement par rapport aux prévisions initiales. Pourtant, les méthodes de prévision utilisées par l’entreprise sont quelque peu rudimentaires, en partie réalisées avec des feuilles de calcul, et il doit sûrement exister des moyens plus précis de produire ces prévisions. La direction décide qu’il faut faire quelque chose à propos de ces prévisions et lance une initiative pour améliorer leur précision. À ce stade, un fournisseur externe est généralement impliqué - car les statistiques avancées ne font pas vraiment partie des compétences de base de l’entreprise - soit pour fournir un logiciel, soit pour dispenser une formation au personnel de planification.
Contexte résultant: de nombreux efforts sont déployés pour améliorer les prévisions. Selon certaines mesures, les prévisions s’améliorent. D’un autre côté, toutes les autres équipes, en dehors de la planification, étaient habituées aux défauts des anciennes méthodes de prévision et avaient déjà développé leurs propres moyens de faire face aux limitations. Lorsque l’équipe de planification change de méthode, toutes les autres équipes doivent apprendre à faire face aux nouveaux défauts de la nouvelle méthode de prévision. Cela crée beaucoup de friction pendant un certain temps. Ensuite, bien que la révision de tous les processus de la supply chain basés sur les prévisions permette de trouver quelques fruits faciles à cueillir - complètement indépendants de la prévision en soi - la direction ne constate aucun résultat mesurable de l’initiative. Les stocks excessifs sont toujours un problème, les ruptures de stock sont aussi fréquentes qu’auparavant. En mettant de côté les indicateurs mathématiques sophistiqués, la perception générale au sein de l’entreprise reste que les prévisions sont toujours aussi mauvaises qu’avant. Certains employés clés impliqués dans l’initiative de prévision ont maintenant trouvé de meilleurs horizons, souvent dans d’autres entreprises. Personne ne s’approprie vraiment les résultats des initiatives de prévision abandonnées, mais des vestiges subsistent à la fois dans les processus et les outils logiciels utilisés par l’entreprise.
Forces séduisantes: une prévision plus précise ressemble à une solution miracle. Tout le monde, de l’équipe d’achat à l’équipe de merchandising en magasin, convient que cela soulagerait presque tous les problèmes de l’entreprise : ne mettre sur le marché que les meilleures ventes, avoir juste assez de capacité pour répondre à la demande mais pas plus, arrêter de faire des remises, … C’est aussi un problème unidimensionnel intéressant : réduire l’erreur de prévision. Il est facile de transmettre l’intention de l’initiative à toutes les parties prenantes, et cela semble être une façon rationnelle - voire scientifique - d’améliorer l’entreprise. De plus, cela ne remet fondamentalement pas en cause le statu quo de manière significative. Personne ne voit sa position menacée par l’avènement potentiel de prévisions plus précises, personne ne remet en question son rôle dans l’entreprise non plus. En ce qui concerne la transformation numérique, on s’attend à ce qu’elle soit aussi simple que de passer d’un écran d’ordinateur à un écran plus grand.
Modèles positifs pour résoudre le problème: la seule façon de résoudre le problème des “prévisions nues” est de les habiller ; plus précisément, les décisions de la supply chain liées aux prévisions doivent être considérées comme intrinsèquement liées à ces prévisions sous-jacentes. La précision de la prévision doit être considérée comme un “outil de débogage” - qui aide à identifier les problèmes de modélisation - mais pas comme un indicateur clé de performance à optimiser. Les seules mesures qui importent sont exprimées en dollars ou en euros et sont associées à des décisions quotidiennes telles que “combien acheter ?”, “combien mettre en magasin ?”, “combien de remises accorder ?”, etc.
Exemple: Contoso, une grande marque de mode exploitant son propre réseau de vente au détail, est confrontée à un excédent de stocks à la fin de chaque saison, ce qui se traduit par des remises importantes offertes aux clients pour liquider l’excédent pendant les soldes. De plus, au fil des ans, le taux moyen de remise a augmenté régulièrement, et une part croissante de la clientèle reporte désormais ses achats jusqu’à la période des soldes. Bien que les prévisions macro soient satisfaisantes, de nombreuses erreurs sont commises chaque saison pour de nombreux produits, avec des prévisions soit trop élevées, soit trop faibles. Contoso a déjà effectué plusieurs itérations en interne pour améliorer les prévisions. Ces initiatives semblaient être la suite logique de l’initiative de personnalisation de l’ERP qui a eu lieu il y a quelques années.
Le lancement d’une nouvelle collection suit un processus bien établi. Tout d’abord, l’équipe de planification définit la gamme et la profondeur de la collection, avec des quantités cibles pour chaque produit. Ensuite, l’équipe d’achat effectue des ajustements supplémentaires : les MOQs (quantités minimales de commande) doivent être respectés, et les quantités doivent être ventilées par taille, car les prévisions initiales sont au niveau du produit. Ensuite, l’équipe de merchandising et les équipes d’allocation des magasins établissent les quantités initiales à mettre en magasin au début de la saison. Au fur et à mesure que la saison avance, l’équipe de réapprovisionnement guide le réapprovisionnement, en essayant de maintenir l’alignement avec les prévisions. Enfin, en fin de saison, et parfois même avant, l’équipe de tarification orchestre les remises, afin de rétablir l’alignement avec le plan là où l’excédent de stocks est complètement désynchronisé par rapport à la prévision initiale.
Les directeurs de Contoso réalisent que l’initiative interne visant à améliorer la précision des prévisions n’a pas donné les avantages escomptés. L’équipe de planification a toujours du mal à maîtriser la saisonnalité. Le PDG de Contoso est approché par le PDG de Genialys, une startup californienne très financée qui a développé la prochaine génération de prévisions. Leur technologie est non seulement capable de traiter en temps réel toutes les données de vente de Contoso, mais elle intègre également des données météorologiques et des données de médias sociaux en temps réel. Quelques appels de référence démontrent qu’ils ont déjà validé la technologie avec de très grandes entreprises. Tout cela est très impressionnant.
Ainsi, avec le soutien direct du PDG, la grande initiative avec Genialys émerge, dans le but d’améliorer considérablement la précision des prévisions. Les premières semaines se passent bien, mais après deux mois, il apparaît que les équipes informatiques de Contoso ont du mal à extraire toutes les données pertinentes. De nombreux problèmes en apparence mineurs se révèlent compliqués. Par exemple, l’équipe de Genialys n’est pas trop sûre de ce qu’il faut faire avec les promotions “achetez-en un, obtenez-en un gratuitement” que Contoso effectue régulièrement. Après 6 mois de lutte relativement intense des deux côtés, Genialys livre maintenant ses prévisions. Cependant, l’équipe de planification ne fait pas vraiment confiance à ces chiffres. Des examens manuels simples des chiffres produits par Genialys montrent que les chiffres sont parfois complètement erronés. Les équipes de Genialys continuent de signaler des problèmes avec les données, qui semblent expliquer ces problèmes de prévisions, mais dans l’ensemble, la situation est floue.
Ne sachant pas à qui faire confiance, la gestion de la supply chain de Contoso décide de mettre en place des indicateurs de performance clés (KPI) pour évaluer quantitativement les précisions respectives de Genialys et du “vieux” système de prévisions. L’idée semble assez simple : faisons un backtesting, cela clarifiera qui est le plus précis. Malheureusement, 3 mois plus tard, des dizaines de réunions et des centaines d’heures d’efforts plus tard, la situation est toujours floue. Il s’avère que le processus de prévision historique utilisé par Contoso est impossible à backtester car l’équipe de planification a ajusté manuellement bon nombre des prévisions. Ainsi, ils ne peuvent pas vraiment “rejouer” leurs prévisions historiques, c’est tout simplement trop d’efforts. D’autre part, Genialys a effectué de nombreux backtests, mais il n’est pas clair combien de ces chiffres sont réels. Bien que les mesures de précision de Genialys semblent être correctes dans l’ensemble, l’équipe de planification continue de découvrir des absurdités dans les chiffres produits régulièrement par Genialys.
18 mois plus tard, Genialys est maintenant utilisé en production pour quelques lignes de produits stables - comme les sous-vêtements pour hommes - qui n’ont jamais vraiment posé de problème de prévision en premier lieu. Les catégories difficiles comme les chaussures pour femmes ou les costumes pour hommes sont toujours gérées manuellement par l’équipe de planification avec l’ancien processus. L’ambition initiale d’exploiter les données météorologiques et sociales appartient désormais à un passé lointain. De toute façon, la solution Genialys peine à faire face aux catégories les plus simples. Le plan reste d’élargir la portée des catégories couvertes par Genialys, mais les équipes sont quelque peu épuisées. Certaines personnes sont déjà parties. Les résultats sur le plan commercial sont mitigés. La disponibilité des sous-vêtements pour hommes a augmenté de 2% et les remises ont été réduites de 1%, cependant, comme le nombre de références a été réduit dans cette catégorie, il n’est pas clair si la précision de prévision supplémentaire (jamais mesurée) a quelque chose à voir avec cette évolution favorable. Officiellement, l’initiative de prévision avance toujours, mais la direction n’attend plus rien de cela.