FAQ : Optimisation des Stocks
Lokad aborde les défis liés aux stocks en utilisant l’analyse prédictive pour embrasser l’incertitude de la supply chain et optimiser les décisions avec des informations financières. Il prend en compte les contraintes uniques des clients et améliore la transparence de la prise de décision grâce à des rapports détaillés et des tableaux de bord intuitifs.
Public cible : Praticiens, experts et cadres de la supply chain.
Dernière modification : 30 janvier 2024
Les surstocks et les ruptures de stock sont les deux symptômes les plus évidents de décisions inadéquates liées aux stocks, et ces problèmes peuvent être attribués à des politiques qui ignorent l’incertitude. Cette incertitude prend de nombreuses formes, notamment une demande variable, des délais d’approvisionnement fluctuants et des retours sporadiques. Lokad offre des performances de stock supérieures précisément parce que ses capacités prédictives programmatiques embrassent l’incertitude de la supply chain au lieu de l’ignorer. Par exemple, Lokad dispose de capacités de modélisation probabiliste pour refléter tous les moteurs économiques liés aux décisions quotidiennes et répétitives de la supply chain d’un client (par exemple, les commandes d’achat, les ordres de production, l’allocation des stocks, etc.). Cela nous permet de fournir aux clients une perspective financière haute résolution sur la valeur en dollars (ou en euros) de chaque décision. Lokad dispose également de capacités d’optimisation stochastique pour recommander finalement les décisions qui maximisent le retour en dollars (ou en euros) pour chaque décision, tout en tenant compte des contraintes uniques du client. Ces contraintes incluent des préoccupations transversales telles que la cannibalisation et la substitution.
À chaque étape du processus, les capacités de reporting étendues et personnalisées de Lokad offrent au client une transparence complète. Des tableaux de bord intuitifs sont conçus pour exprimer clairement les KPI que les clients veulent et dont ils ont besoin, et pour décomposer les calculs de Lokad de manière pragmatique.
Résumé exécutif
En ce qui concerne l’optimisation des stocks, Lokad s’est écarté de ce qui pourrait être considéré comme l’approche « grand public » il y a plus d’une décennie. Cet écart n’a fait que croître à mesure que notre technologie s’est améliorée. Cette technologie permet à Lokad d’apporter des améliorations significatives aux supply chains des clients, cependant le plus grand défi est souvent d’expliquer les améliorations - une tâche rendue d’autant plus difficile étant donné à quel point l’approche de Lokad diffère de ce à quoi les praticiens de la supply chain s’attendent.
Le conte de fées grand public sur l’optimisation des stocks se déroule ainsi : l’éditeur de logiciels (quadrant magique) fournit des prévisions plus précises de 20 %, et ces prévisions se traduiront par 20 % de ruptures de stock en moins et 20 % de stocks en moins. Ce conte de fées comporte généralement plusieurs mots à la mode : intelligence artificielle, détection de la demande, apprentissage automatique, blockchain, jumeaux numériques, systèmes en mémoire, etc. Cependant, cette vision grand public est une impasse1. Contrairement à la plupart de nos concurrents, Lokad fournit en fait des prévisions de pointe2, et nous savons que cela n’est - en soi - en aucun cas suffisant pour offrir un retour sur investissement satisfaisant.
Lokad est peut-être unique en ce sens qu’il ne fait pas mystère de la manière dont il parvient à des performances de stock supérieures. Nous avons une série de conférences publiques3 (totalisant plus de 50 heures et en augmentation) qui fournissent les détails de nos technologies et méthodologies. Cette série sert à la fois de ressource et d’avertissement pour les clients : une fois que vous comprenez comment fonctionnent les “astuces” d’un fournisseur, vous ne pouvez plus les ignorer.
Prévision probabiliste
Les prévisions probabilistes doivent être utilisées. Ces prévisions fournissent une évaluation quantitative directe de l’incertitude à laquelle on est confronté dans la supply chain - par exemple, l’incertitude entourant la demande des clients et les délais de livraison des fournisseurs. Au lieu de prétendre que les prévisions traditionnelles de séries temporelles (l’approche “classique”) deviendront spontanément précises, les prévisions probabilistes abordent directement ces problèmes. Les prévisions probabilistes ne sont pas nécessairement plus “précises” - du moins pas par conception - mais cela est quelque peu sans importance étant donné qu’elles sont utilisées pour raconter une histoire complètement différente sur l’avenir du client - les détails de laquelle sont couverts dans la Perspective Financière. De plus, chaque source d’incertitude mérite sa propre prévision, pas seulement la demande. Lokad produit des prévisions probabilistes pour les délais de livraison, les retours, les taux de rebut, etc.
En revanche, l’approche traditionnelle des prévisions de séries temporelles ignore l’incertitude décrite ci-dessus. Par conséquent, lorsque des prévisions ponctuelles de séries temporelles sont utilisées, la supply chain est fragile même face à des risques entièrement banals, tels que la nature aléatoire des lancements de produits. Il est inutile de s’attendre à ce que les lancements de produits soient jamais dérisqués, car si une entreprise est capable d’évaluer de manière plus fiable la performance de ses lancements de produits, elle exploiterait sans aucun doute cette nouvelle capacité pour lancer encore plus de produits, réintroduisant ainsi de l’incertitude dans la supply chain en question.
Prise de décision automatisée
La prise de décision automatisée (et supérieure) en supply chain est le seul objectif valable à poursuivre, car ce sont elles qui impactent de manière tangible la supply chain. Si le logiciel d’optimisation des stocks ne renvoie pas autre chose que les décisions finalisées, alors le logiciel ne fait pas son travail (ou vous pourriez simplement avoir le mauvais logiciel).
De plus, ces décisions automatisées doivent prendre en compte toutes les contraintes du client, telles que les MOQs (quantités minimales de commande). Si votre logiciel/système continue de générer des décisions défectueuses qui doivent être annulées manuellement, alors le système est défectueux et doit être remplacé. Les vrais experts en supply chain sont trop rares et trop précieux pour être utilisés à autre chose que l’amélioration continue de la recette numérique unique du client4. Lokad utilise cette recette numérique pour robotiser le processus de prise de décision en supply chain, libérant ainsi les experts internes pour se concentrer sur des problèmes et des stratégies de plus haut niveau.
En revanche, la vision traditionnelle met l’accent sur toutes sortes d’artefacts numériques : les classes ABC (ou son cousin, ABC XYZ), les rotations de stocks, les stocks de sécurité, les quantités économiques de commande, etc. Contrairement aux décisions en supply chain, la relation entre un artefact numérique et la performance de la supply chain est floue au mieux. De plus, la plupart de ces chiffres ne sont introduits que pour soutenir un processus de prise de décision semi-manuel, garantissant ainsi le gaspillage continu des ressources du client (argent, temps et effort).
En conséquence, rien n’est jamais vraiment résolu car les praticiens de la supply chain sont continuellement distraits par le processus de lutte contre les incendies persistant, et en arrière-plan, le système sous-jacent continue de générer des décisions suboptimales.
Perspective financière
Les décisions en supply chain doivent être optimisées financièrement, c’est-à-dire évaluées en termes d’euros (ou de dollars) d’impact. Cette évaluation doit refléter tous les moteurs économiques pertinents. Lokad a accès aux moteurs économiques tangibles pertinents (trouvés directement dans les registres du client) : marge brute, coût de possession, coût de transport, etc. Cependant, Lokad quantifie également les moteurs économiques intangibles - ceux qui doivent être pris en compte pour produire des décisions en supply chain de valeur : la fidélité des clients, la bonne volonté des fournisseurs, la valeur perçue de la marque, etc. Compte tenu de leur nature abstraite, ces moteurs doivent être approximativement corrects, même s’il est bien préférable d’être approximativement correct que exactement faux. Cette valeur monétaire est ultimement utilisée pour unifier toutes les forces différentes qui impactent chaque décision en matière de stocks.5
En revanche, la vision traditionnelle met l’accent sur des pourcentages, tels que les taux de service, tout en ignorant totalement tous les moteurs économiques intangibles. Cela conduit à la myopie des décisions recommandées que le grand public associe désormais à la “finance”. Ces décisions sont optimisées contre des critères numériques inventés qui ne reflètent tout simplement pas les intérêts à long terme de l’entreprise. La solution n’est pas de rejeter l’idée de l’optimisation, mais de revoir ce qui est optimisé en premier lieu.
Foire aux questions (FAQ)
1. Principes
1.1 Aidez-vous à rationaliser la gestion des stocks ? Quelles sont vos capacités en matière de gestion des stocks ?
Lokad optimise (et rationalise) les stocks plutôt que de les gérer. L’optimisation des stocks implique, entre autres choses, de prendre les meilleures décisions possibles, telles que la quantité de stock à acheter, quand l’acheter et où (ré)allouer. La gestion des stocks, en revanche, se concentre sur la gestion des enregistrements électroniques qui reflètent l’état physique des stocks, et sur le maintien de ces enregistrements alignés avec la réalité des stocks. L’optimisation des stocks et la gestion des stocks sont les deux principaux aspects du contrôle global des stocks, et Lokad est entièrement dédié au premier.
En termes de conception logicielle, les exigences d’un système de gestion des stocks sont assez différentes de celles d’un système d’optimisation des stocks. En fait, elles sont souvent en totale opposition. Par exemple, la gestion des stocks nécessite des réponses en temps réel, sinon des opérations banals telles que la préparation des stocks sont retardées jusqu’à ce que le système reconnaisse enfin l’opération.
Cependant, l’optimisation des stocks repose sur la prise de bonnes décisions, pas nécessairement en temps réel. Un retard de 5 minutes pour calculer une commande d’achat optimisée - qui reflète une large gamme de facteurs et de contraintes - est insignifiant si la commande d’achat permet d’économiser des milliers de dollars (ou d’euros) au client. Du point de vue du client, cela est préférable à un scénario dans lequel des commandes d’achat médiocres - peuvent être produites en moins de 10 millisecondes (c’est-à-dire, en temps réel) - une décision qui pourrait entraîner la perte de milliers de dollars (ou d’euros) en stocks morts. Si le client n’a pas de système de gestion des stocks en place, Lokad recommande vivement d’en installer un avant de tenter d’optimiser les stocks.
Remarque : La plupart des logiciels d’entreprise conçus pour la gestion des stocks prétendent également fournir des fonctionnalités d’optimisation des stocks. C’est une affirmation fallacieuse. Ces fonctions distinctes de gestion des stocks nécessitent des interventions logicielles distinctes.
Pour une comparaison directe de l’optimisation des stocks et de la gestion des stocks, ainsi que de leurs logiciels nécessaires, voir Contrôle des stocks.
1.2 Comment prédisez-vous les besoins futurs en stocks ?
Lokad utilise une technologie de modélisation prédictive approfondie pour prévoir tous les facteurs incertains qui impactent les besoins futurs en stocks. Ces facteurs incluent, entre autres, la demande future et les délais de livraison futurs qui impactent directement les besoins en stocks. Cependant, en fonction du secteur spécifique, il existe fréquemment d’autres sources d’incertitudes. Par exemple, il peut y avoir des retours clients (e-commerce), le rendement de la production, les taux de rebut, etc. Pour établir les besoins en stocks, nous combinons généralement une série courte de prévisions qui reflètent plusieurs sources d’incertitude. Cette approche va bien au-delà des capacités des prévisions traditionnelles basées sur des séries temporelles.
De plus, Lokad adopte une perspective de prévision probabiliste. Cela signifie que Lokad considère tous les futurs possibles, et évalue quantitativement leurs probabilités respectives. De plus, notre plateforme inclut l’instrumentation nécessaire pour composer ou combiner ces prévisions probabilistes, telle qu’une algèbre des variables aléatoires (voir ci-dessous). Par exemple, en combinant une prévision probabiliste de la demande et une prévision probabiliste des délais de livraison, nous obtenons une prévision demande délai probabiliste, qui représente la demande intégrée sur le délai de livraison. La demande délai est généralement une ligne de base initiale pour évaluer les besoins futurs en stocks.
Voir Prévisions Probabilistes pour plus d’informations sur cette perspective. Pour en savoir plus sur notre instrumentation d’algèbre des variables aléatoires, consultez Ranvars et Zedfuncs dans notre documentation publique Envision.
1.3 Calculez-vous les niveaux de stocks passés et futurs en fonction des données de ventes historiques et des données de prévisions?
Oui, la plateforme de Lokad est capable de calculer à la fois les niveaux de stocks passés et futurs en exploitant les données transactionnelles historiques du client, comprenant à la fois le flux sortant (par exemple, les ventes) et le flux entrant (par exemple, les achats). Nous disposons de capacités étendues de prévision probabiliste, non seulement pour la demande future, mais aussi pour les délais de livraison futurs, les retours futurs et toutes les autres sources pertinentes d’incertitude.
En ce qui concerne les niveaux de stocks passés, comme la solution de Lokad - fournie via notre plateforme - est à la fois évolutive et rentable, nous recommandons généralement d’enregistrer les données au fil du temps, généralement à travers des instantanés produits au sein de la plateforme Lokad si ces données ne sont pas déjà historisées dans les systèmes de l’entreprise, au lieu de recalculer ces données. En effet, même un modèle de flux soigneusement élaboré peut encore refléter incorrectement les niveaux de stocks passés. Les instantanés historiques des niveaux de stocks ne souffrent pas de ce type de problèmes.
En ce qui concerne les niveaux de stocks futurs, il y a deux éléments importants à considérer. Premièrement, l’incertitude de l’avenir est irréductible. Deuxièmement, les niveaux de stocks futurs dépendent de décisions qui n’ont pas encore été prises. Comme l’incertitude de l’avenir est irréductible, il est imprudent - et assez peu rentable - de supposer qu’une seule projection de l’état futur des stocks peut être considérée comme “suffisamment correcte”. Au lieu de cela, nous devrions envisager tous les futurs possibles, et leurs probabilités respectives. C’est une vision beaucoup plus riche de l’avenir, et nous permet de produire des décisions d’approvisionnement ajustées au risque qui sont résilientes aux écarts par rapport à la prévision (classique). Lokad réalise cela en exploitant la prévision probabiliste.
Comme les stocks futurs dépendent des décisions d’approvisionnement qui n’ont pas été prises (par exemple, les futures commandes d’achat), nous avons besoin d’un système sensé pour mettre en œuvre les décisions afin d’évaluer le(s) état(s) futur(s) possible(s) des stocks. Cela nécessite que les décisions soient automatisées, afin de permettre une simulation efficace. Si le processus de prise de décision est semi-manuel (c’est-à-dire impliquant une intervention humaine subjective), alors il devient impraticable de “simuler”. Ainsi, un système automatisé de prise de décision doit être utilisé à des fins de simulation.
1.4 Calculez-vous le Stock de Sécurité, les niveaux Min/Max, le Point de Commande et le QEO (quantité économique de commande) en tenant compte de la politique d’achat?
Oui, la plateforme de Lokad facilite la mise en œuvre d’une approche d’approvisionnement classique/majoritaire, comprenant les stocks de sécurité, les niveaux min/max, les points de commande et les QEO. De plus, il est également facile d’avoir tous ces éléments actualisés de manière entièrement automatisée. Cependant, cette approche d’approvisionnement est obsolète car elle donne de mauvais résultats en pratique. De plus, elle nécessite des corrections manuelles étendues et continues pour corriger les sorties suboptimales que le “système” continue de générer.
En revanche, Lokad recommande une approche nettement supérieure qui consiste à évaluer les rendements économiques unitaires pour l’achat de chaque unité supplémentaire de stock. Ce calcul repose à la fois sur les prévisions probabilistes générées par la plateforme Lokad et sur une modélisation économique explicite des conséquences des décisions d’achat. Cette approche intègre les moteurs économiques qui sous-tendent les décisions d’achat.
En conséquence, atténuer les frais d’achat est une évidence : les commandes sont économiquement optimisées, éliminant ainsi la nécessité d’introduire des formules obsolètes comme la formule de Wilson (traditionnellement utilisée pour les calculs de QEO). De plus, déclencher la commande d’achat devient une question d’équilibrage entre le coût de la rupture de stock et le coût du surstock, éliminant ainsi le besoin de stocks de sécurité, de niveaux min/max et de points de commande.
De plus, l’approche de Lokad se prête bien aux préoccupations trans-SKU (unité de gestion de stock). Ces préoccupations incluent la cannibalisation, la substitution, les quantités minimales de commande au niveau du fournisseur, les capacités d’entrepôt ou de magasin, et les multiples échelons. L’approche d’approvisionnement classique/majoritaire est rigidement attachée à une perspective stricte mono-SKU. En conséquence, ces préoccupations sont rejetées par conception. Peu importe à quel point un calcul de stock de sécurité peut être sophistiqué (pour prendre un exemple), il ne peut pas aborder ces préoccupations trans-SKU, car la formule (ou plutôt la classe de formules) implique le traitement des SKUs de manière isolée.
1.5 Comment différenciez-vous votre approche pour les articles de grande valeur ?
L’approche quantitative de la supply chain de Lokad recommande fortement d’optimiser chaque décision d’approvisionnement par rapport à ses moteurs économiques (individuels et interdépendants), de sorte que les articles de grande et de faible valeur soient optimisés de la même manière, bien que, naturellement, les détails des calculs varient.
Les moteurs économiques pertinents incluent naturellement - entre autres choses - les coûts et la marge brute des articles de stock optimisés. Les articles de grande valeur sont naturellement associés à des coûts élevés et des marges élevées - du moins en termes absolus. L’optimisation réalisée par Lokad maximise les rendements dollar sur dollar pour les investissements en stock : en termes simples, pour chaque 1 USD qui peut être investi, Lokad choisit l’article qui offre le taux de rendement le plus élevé (pensez ROI).*
Au-delà de l’évaluation économique pure, il existe d’autres contraintes qui impactent la génération de décisions d’approvisionnement, telles que les quantités minimales de commande. Cependant, la plateforme de Lokad inclut toutes les capacités numériques nécessaires pour prendre en compte les deux classes de préoccupations dans son optimisation. Tous les moteurs économiques - et les facteurs financiers qui en découlent - sont proposés par Lokad et finalement validés par le client.
Cette perspective unifiée, axée sur la finance pour l’optimisation signifie que les praticiens n’ont plus à naviguer à travers une grande variété de cas particuliers régis par des politiques et des préoccupations différentes. Chaque article - de grande valeur, de faible valeur, erratique, etc. - est optimisé en termes d’impact financier que chaque unité supplémentaire aura pour le client.
*À grande échelle, Lokad prépare une liste classée de décisions d’achat, pas seulement une recommandation unique. La liste est classée par ordre décroissant, en commençant par l’article qui offre le plus grand retour sur investissement financier. Consultez notre tutoriel de compte démo public pour une explication détaillée de la manière dont cela est fait.
1.6 Tenez-vous compte des coûts de traitement des commandes d’achat (par exemple, commande, facturation) ?
Oui, Lokad recommande une perspective financière où chaque décision de la chaîne d’approvisionnement (y compris les commandes d’achat) est optimisée par rapport à tous ses moteurs économiques pertinents. En particulier, tous les frais généraux associés à la réalisation des décisions, tels que les coûts de traitement, sont intégrés dans cette liste de moteurs économiques. Les Supply Chain Scientists de Lokad sont responsables de s’assurer que le modèle économique, tel qu’implémenté dans la recette numérique, reflète toutes les opportunités et frais généraux du client.
La plateforme de Lokad est remarquablement expressive et programmatique, nous permettant de concevoir un support pour pratiquement tout type de coût et/ou remise qui pourrait survenir dans l’exercice de commande - par exemple, les réductions de prix. De plus, l’optimisation stochastique de Lokad nous permet d’optimiser les décisions malgré les non-linéarités que représentent généralement ces coûts (ou opportunités). Par exemple, les coûts de traitement peuvent varier peu en fonction de la quantité commandée, ce qui, toutes choses égales par ailleurs, devrait pousser le processus de commande optimisé vers des commandes (légèrement) plus importantes et (légèrement) moins fréquentes à mesure que les coûts de traitement augmentent. Les réductions de prix ont également tendance à pousser l’optimisation vers des commandes plus importantes et moins fréquentes.
1.7 L’équipe d’approvisionnement peut-elle simuler l’effet des stratégies de réapprovisionnement sur les besoins en capital ? Peuvent-ils projeter les niveaux de stock ?
Oui, la plateforme de Lokad a été conçue pour prendre en charge la projection, dans un sens très large, des conditions futures de la chaîne d’approvisionnement sous des politiques variables. Les conditions futures incluent les niveaux de stock futurs, mais aussi toutes les autres conditions futures critiques de la chaîne d’approvisionnement telles que la saturation des capacités (comme le transport, la manutention, le stockage, etc.). Les politiques variables incluent des stratégies de réapprovisionnement alternatives, mais aussi tous les autres types de décisions qui régissent l’exécution de la chaîne d’approvisionnement (affectations de stock, ordres de production, retours, changements de prix, etc.).
De plus, Lokad estime qu’il est essentiel d’installer un processus qui penche fortement vers une prise de décision entièrement automatisée (pour les décisions de la chaîne d’approvisionnement répétitives et monotones). Il est déraisonnable de s’attendre à ce qu’une “simulation” puisse produire des chiffres sensés si, en pratique, l’exécution réelle de la chaîne d’approvisionnement dépend de remplacements réguliers subjectifs (et manuels) de la part des praticiens de la chaîne d’approvisionnement. Par conception, la simulation est entièrement ignorante de ces remplacements.
Les prévisions probabilistes générales - pas seulement les prévisions de la demande - sont un autre ingrédient essentiel pour accomplir une telle simulation. Les délais de livraison futurs, les retours futurs et de nombreux autres facteurs contribuant à l’incertitude future doivent être prévus. Sinon, la simulation fonctionnera sur la base de chiffres erronés et peu fiables (c’est-à-dire des données aveugles à d’autres sources cruciales d’incertitude). L’intégration de la prévision probabiliste généralisée nous permet de construire des simulations significatives qui fournissent la granularité et les informations nécessaires sur la chaîne d’approvisionnement du client.
Consultez Prévision Probabiliste pour plus d’informations sur la perspective de prévision de Lokad.
1.8 Pouvez-vous décrire les indicateurs économiques que vous utilisez pour soutenir les recommandations d’achat ?
Résumé exécutif : La plateforme programmatique de Lokad permet l’intégration d’une large gamme de moteurs économiques dans les recommandations d’achat, y compris à la fois des indicateurs directs (premier ordre) tels que la marge brute et les coûts d’expédition, et indirects (deuxième ordre) tels que les pénalités de rupture de stock et la bonne volonté des clients. Cette programmabilité dépasse les logiciels d’entreprise traditionnels, qui limitent souvent les utilisateurs à un ensemble prédéfini d’indicateurs économiques de premier ordre et manquent de flexibilité pour traiter les complexités des chaînes d’approvisionnement du monde réel.
Nous recommandons de prendre en compte tous les moteurs économiques pertinents, qui ont tendance à varier (quelque peu) d’un client à l’autre. En général, les moteurs pertinents se divisent en deux grandes catégories appelées moteurs de premier et deuxième ordre. Les moteurs de premier ordre comprennent tous les avantages et coûts qui peuvent être lus plus ou moins directement à partir des registres du client : marge brute, coût d’expédition, coût de possession, coût de commande, etc. Les moteurs de deuxième ordre sont plus nuancés, moins directs et totalement absents des logiciels d’entreprise traditionnels. Ils incluent le coût de ne pas avoir quelque chose sur les étagères lorsque le client le souhaite (pénalité de rupture de stock), la bonne volonté ou la fidélité de la base de clients, l’importance relative des segments de clients ou des géographies, etc.
La plateforme de Lokad a été conçue pour permettre de prendre en compte virtuellement n’importe quel moteur économique ; si un tel moteur peut être exprimé dans un tableur, alors il peut être exprimé à travers la technologie de Lokad. En pratique, les Supply Chain Scientists de Lokad sont responsables de proposer une liste exhaustive des moteurs économiques pertinents du client. Cette liste est ensuite validée et/ou modifiée par le client.
Cette programmabilité étendue dépasse largement les fonctionnalités que l’on trouve dans les logiciels d’entreprise, où le client se voit présenter une liste prédéfinie et codée en dur d’indicateurs économiques de premier ordre pour soutenir les recommandations d’achat. De tels outils sont, en pratique, incapables de faire face aux nuances et à la variété des situations qui se présentent dans les chaînes d’approvisionnement du monde réel. En conséquence, lorsque le logiciel d’entreprise repose sur de telles méthodes, les praticiens de la chaîne d’approvisionnement reviennent invariablement à des méthodes antérieures (généralement des tableurs) dans une tentative de prendre en compte un moteur qui était absent de la liste restreinte de l’ERP.
En ce qui concerne les indicateurs économiques, il n’y a pas de solution de contournement pour des capacités programmatiques complètes. Bien que les tableurs soient en effet programmatiques, ils manquent de la correction par conception et de la scalabilité de la plateforme de Lokad.
Consultez La Supply Chain Quantitative en bref pour plus d’informations sur la philosophie de la chaîne d’approvisionnement de Lokad, ainsi que ce résumé pour plus d’informations sur les moteurs de premier et deuxième ordre.
1.9 Fournissez-vous des rapports d’inventaire avec les causes profondes ?
Oui, la plateforme de Lokad dispose de capacités étendues pour identifier les causes profondes de l’état actuel de l’inventaire du client.
Il convient de souligner que l’identification des « causes profondes » est une tâche non négligeable. Cela nécessite invariablement un travail approfondi de la part des scientifiques de la chaîne d’approvisionnement de Lokad pour identifier correctement quelque chose qui qualifie véritablement comme une cause profonde. Par exemple, les stocks excessifs peuvent être attribués à des quantités minimales de commande excessives (MOQ). Cela peut, à son tour, s’expliquer par des termes mal négociés de la part de l’équipe d’approvisionnement. Cependant, les termes suboptimaux pourraient être le résultat d’attentes gonflées de la demande basées sur une évolution attendue de l’offre du client, mais l’évolution a été reportée en raison de retards de l’équipe marketing. Il peut donc être très difficile de séparer la corrélation et la causalité, en particulier dans la chaîne d’approvisionnement.
Heureusement, la plateforme de Lokad est programmatique. C’est une exigence critique lorsqu’il s’agit de relever des défis ouverts tels que l’identification des causes profondes. Les bogues dans le système produisant des données erronées, les praticiens ignorant ou ajustant manuellement les recommandations, les produits mal catégorisés se voyant attribuer le mauvais profil saisonnier, et les erreurs humaines de base (pour n’en citer que quelques-uns) peuvent tous être considérés comme des causes profondes. Sans capacités programmatiques, il n’y a aucun espoir de pouvoir poursuivre de telles enquêtes.
De nombreux logiciels d’entreprise vantent des capacités ou des rapports d’analyse des causes profondes (RCA), mais en réalité, ils identifient généralement des symptômes évidents et non les causes profondes réelles. Par exemple, si le logiciel identifie une commande d’achat excessive comme la cause profonde d’un stock excessif, cela n’est pas particulièrement utile si le logiciel a recommandé la commande d’achat en premier lieu. Cela est particulièrement préjudiciable si l’attente implicite est que les praticiens annuleront manuellement les commandes d’achat défectueuses générées par le logiciel.
En revanche, toute cause profonde remontant à la recette numérique générée par Lokad pour son client déclencherait immédiatement une intervention du scientifique de la chaîne d’approvisionnement gérant le compte, généralement une réécriture corrective. Cette fonctionnalité de réécriture n’est possible que parce que la plateforme de Lokad est programmatique.
1.10 Quelles sont vos capacités d’analyse et de reporting pour suivre les performances et les tendances de l’inventaire ?
La plateforme de Lokad dispose de capacités d’analyse et de reporting programmatiques étendues. Cela signifie que toute analyse - et en particulier l’analyse des performances de l’inventaire - qui peut être réalisée dans un tableur ou un outil de business intelligence peut également être réalisée dans la plateforme de Lokad.
De plus, la plateforme de Lokad est à la fois scalable et rentable lors de la mise à l’échelle. Cela signifie qu’il est possible pour nous d’historiser tout, y compris les données qui ne sont pas toujours historisées dans les systèmes d’entreprise (par exemple, les niveaux de stock historiques et les prix historiques). La plateforme adopte également une approche prédictive en ce qui concerne les performances de l’inventaire. En effet, décider s’il y a trop ou trop peu d’inventaire dépend des attentes de la demande future. Ces capacités prédictives sont également programmatiques, ce qui signifie qu’elles peuvent être adaptées selon les besoins.
Au-delà de ces capacités brutes de la plateforme, l’approche recommandée par Lokad en ce qui concerne les performances de l’inventaire est double. Premièrement, les performances doivent être retracées aux décisions initiales de la supply chain qui ont généré le stock (ou le manque de stock). Plutôt qu’une cause première, les niveaux de stock sont un symptôme de l’action prise par le client (et son fournisseur de logiciel de support), que l’action soit bonne ou mauvaise. Deuxièmement, les performances doivent être évaluées en termes d’impact financier (par exemple, en euros ou en dollars), au lieu de pourcentages arbitrairement déterminés liés aux KPIs (par exemple, le taux de service).
Les évaluations basées sur les finances sont essentielles pour équilibrer efficacement les nombreux facteurs qui contribuent à chaque décision de la supply chain. La plateforme de Lokad simplifie ces pratiques, permettant aux analystes du côté client de comprendre plus facilement leurs performances en matière d’inventaire - en tirant parti de tout un ensemble de tableaux de bord personnalisables disponibles via leur compte Lokad.
1.11 Fournissez-vous des listes TOP P/N (numéros de pièces) par catégorie pour mettre en évidence les plus grands potentiels d’amélioration ?
Résumé exécutif : Oui, la plateforme de Lokad peut générer des listes Top P/N par catégorie, région et période de temps, et évaluer le potentiel d’amélioration en termes monétaires, mettant en avant des appels à l’action concrets plutôt qu’une simple priorisation des SKUs. Cependant, Lokad déconseille de se concentrer uniquement sur l’amélioration des performances au niveau des SKUs, préférant l’amélioration systématique des recettes numériques régissant les décisions de la supply chain, avec les rapports au niveau des SKUs comme outil de support.
Avec la plateforme de Lokad, il est très simple de générer des listes Top P/N de numéros de pièces (ou SKUs - unités de gestion de stock) par catégorie, région, période de temps, etc. Comme la solution de Lokad est programmatique, toute liste qui peut être élaborée dans un tableur ou un outil de business intelligence peut également être réalisée dans la plateforme de Lokad. De plus, en combinant nos capacités prédictives avec notre perspective financière, le potentiel d’amélioration peut être évalué en termes monétaires (par exemple, en euros ou en dollars) au lieu de pourcentages arbitrairement déterminés liés aux KPIs (par exemple, le taux de service).
L’approche privilégiée par Lokad consiste à calculer des appels à l’action priorisés, avec des priorités exprimées en dollars ou en euros gagnés si l’action proposée est entreprise. Ces appels à l’action sont divers et peuvent inclure l’accélération ou le report d’une commande, l’identification d’un fournisseur alternatif, l’augmentation de l’assortiment avec plus de variantes, la suppression progressive de produits de l’assortiment, etc. Contrairement à une simple priorisation des P/N, une priorisation des appels à l’action est, par conception, entièrement actionnable. L’appel à l’action n’est pas nécessairement exprimé au niveau du P/N. Lokad est capable d’exprimer des appels à l’action très divers à n’importe quelle granularité, pas seulement au niveau du P/N.
Cependant, sous-jacent à cette question, il y a une perspective que Lokad ne recommande pas pour la supply chain. L’intention derrière la recherche d’une amélioration des performances au niveau du SKU est de prioriser l’attention des praticiens de la supply chain dans un contexte où les SKUs doivent être examinés manuellement. Cette approche est obsolète et ne fait pas un bon usage du temps des praticiens de la supply chain. Les problèmes de stocks rencontrés avec un SKU donné ne sont presque jamais spécifiques à ce SKU. Au lieu de cela, il y a quelque chose qui ne va pas avec la recette numérique en général, et à moins que ce problème plus général ne soit résolu, la prochaine fois, le problème se manifestera à travers un autre SKU.
Ainsi, le temps des experts devrait être investi dans l’amélioration systématique des recettes numériques qui régissent les décisions de la supply chain. Bien que les capacités de reporting au niveau du SKU soient importantes, elles importent surtout en tant qu’instruments de soutien pour l’amélioration continue des recettes numériques, et non en tant qu’outils de priorisation de l’attention.
2. Niveaux de stocks & taux de service
2.1 Fournissez-vous des rapports sur les stocks disponibles?
Oui, la plateforme de Lokad facilite l’obtention d’un rapport couvrant les niveaux de stocks disponibles. Lokad est capable de traiter les données relationnelles du système commercial du client pour générer de tels rapports. De plus, la plateforme de Lokad peut également gérer les subtilités associées aux niveaux de stocks disponibles, telles que les stocks réservés ou en attente. Toutes ces données peuvent être historisées par Lokad, même si ces données ne sont pas historisées dans les systèmes commerciaux d’origine. Enfin, ces informations peuvent être présentées en unités individuelles ou en unités financières conformément aux règles de valorisation préférées par le client. Les rapports sur les stocks disponibles sont basés sur la dernière synchronisation incrémentielle avec les systèmes commerciaux.
Cependant, cette fonctionnalité n’est pas l’application principale de Lokad. Bien que Lokad puisse vérifier les niveaux de stocks disponibles en temps réel pour n’importe quel SKU, notre technologie est destinée à être une couche analytique au-dessus des systèmes commerciaux transactionnels. Ces systèmes restent responsables de la “gestion” des stocks pour toutes les opérations de transaction courantes, tandis que Lokad est conçu pour optimiser l’intelligence de la prise de décision en matière de stocks.
2.2 Comment calculez-vous et optimisez-vous le taux de service des stocks?
Résumé exécutif: Lokad fournit des niveaux de service des stocks optimisés en intégrant des prévisions probabilistes avec une optimisation stochastique. Cette approche permet d’adapter les décisions de la supply chain à des critères quantitatifs spécifiques, tels que l’équilibre entre des niveaux de service élevés avec un stock minimal et un ROI maximisé.
Lokad optimise le taux de service des stocks en combinant des capacités de prévision probabiliste et d’optimisation stochastique. Cela nous permet d’optimiser les décisions de la supply chain pour refléter tout critère quantitatif pouvant être exprimé dans Excel, mais en mieux. En particulier, optimiser les décisions de réapprovisionnement en fonction de certains niveaux de service - tout en minimisant la quantité de stock et en maximisant le ROI - est très simple.
Les prévisions probabilistes sont extrêmement puissantes pour garantir que les décisions de la supply chain reflètent vraiment le niveau de service prévu, même lorsque les niveaux de service sont très élevés (par exemple, 98% et plus). Les prévisions classiques de séries temporelles (c’est-à-dire non probabilistes) et leurs méthodes classiques de gestion des stocks (par exemple, les stocks de sécurité) échouent systématiquement dans ces conditions, car les hypothèses du modèle sous-jacent (c’est-à-dire les distributions normales pour la demande et les délais de livraison) sont systématiquement violées par les conditions réelles de la supply chain. Lokad peut, et le fait parfois, optimiser les niveaux de service. Pour ce faire, nous introduisons les moteurs économiques pertinents : coûts de possession, coûts de capital, pénalités de rupture de stock, marge brute, etc. Ensuite, nous calculons les niveaux de service qui maximisent les dollars de retour par dollar dépensé par le client.
Une fois cela fait, nos clients réalisent généralement que les niveaux de service peuvent, en fait, être complètement contournés. Lokad a la capacité d’utiliser les moteurs économiques susmentionnés pour optimiser directement les décisions de la supply chain elles-mêmes (plutôt que des KPI de la supply chain quelque peu arbitraires). Ainsi, les stocks finissent par avoir des niveaux de service qui reflètent la stratégie la plus rentable pour l’entreprise. Cela est vrai malgré le fait que Lokad optimise directement les dollars de retour par dollar dépensé plutôt que des pourcentages liés à des KPI arbitraires.
“KPI arbitraire” n’est pas de l’exagération. Premièrement, le niveau de service repose généralement sur la satisfaction des demandes des clients de manière isolée, plutôt que sur la satisfaction des demandes des clients de la manière la plus rentable possible. Cette dernière perspective est beaucoup plus nuancée et tient compte des coûts associés à la satisfaction de niveaux de service élevés pour des SKUs qui pourraient ne pas être particulièrement rentables en eux-mêmes. Ignorer cette perspective garantit la poursuite de coûts de stock inutiles (et de dépréciations de stock). Cela est dû au fait que des niveaux de service arbitrairement élevés génèrent, par conception, un flux continu de stocks morts.
Deuxièmement, le niveau de service - un pourcentage arbitraire et bureaucratique - n’équivaut pas à la “qualité de service” pour les clients. Les niveaux de service ignorent, par conception, toutes les cannibalisations et substitutions qui existent dans l’offre. En revanche, les niveaux de service ignorent également, par conception, toutes les dépendances qui existent au sein de l’offre, où l’obtention du produit A n’a de sens que si le produit B est également disponible.
Troisièmement, même d’un point de vue SKU unique, les niveaux de service ne prennent pas en compte les commandes en gros - situations où un client s’attend à ce qu’une certaine quantité soit disponible à l’achat. Dans ce cas, à la fois les étagères vides et celles insuffisamment approvisionnées sont des menaces pour la qualité de service.
En bref, le niveau de service est un instrument obsolète de la supply chain, à ne pas confondre avec la “qualité de service”, qui reste aussi importante que jamais. Lokad reconnaît que la gestion du changement opportune peut nécessiter une période de transition avec de tels KPI, cependant, à long terme, nous recommandons vivement la perspective économique supérieure qui optimise les dollars de retour par dollar dépensé.
Consultez La Supply Chain Quantitative en bref pour en savoir plus sur la perspective financière de Lokad.
2.3 Comment optimisez-vous les niveaux de stock et réduisez-vous les coûts de possession ?
Résumé exécutif : Lokad suit un processus en deux étapes. Premièrement, nous établissons un modèle prédictif probabiliste. Le modèle prédictif est une version généralisée des anciens modèles de prévision des séries temporelles (maintenant obsolètes), car il couvre toutes les sources d’incertitude, pas seulement la demande. Deuxièmement, nous appliquons une optimisation stochastique. L’optimisation stochastique est le processus qui génère les décisions de la supply chain d’intérêt, par exemple, les quantités de réapprovisionnement. L’optimisation est dite “stochastique” car le critère d’optimisation est bruité/aléatoire, ce qui reflète les conditions incertaines futures de la supply chain.
Le critère d’optimisation préféré de Lokad reflète les moteurs économiques du client. Ainsi, lors de l’optimisation des stocks d’un client, Lokad quantifie explicitement les différents coûts (par exemple, les coûts de possession, les coûts en capital de travail, les coûts de dépréciation, etc.) ainsi que le potentiel de gain (par exemple, la marge brute, les pénalités de rupture de stock, etc.) pour maximiser la rentabilité. Ainsi, nous ajustons les niveaux de stock pour minimiser les coûts de possession, mais seulement dans la mesure où ces gains ne sont pas compensés par des pertes découlant d’une qualité de service dégradée.
Bien que le critère d’optimisation préféré de Lokad soit ancré dans la quantification méticuleuse des moteurs économiques du client, nous pouvons ajuster nos critères pour refléter un certain nombre de facteurs alternatifs. La plateforme de Lokad est programmatique, ce qui signifie qu’elle peut être adaptée pour satisfaire tout critère souhaité par le client, y compris ceux qui pourraient être exprimés dans une feuille de calcul Excel traditionnelle.
Consultez Les Moteurs Économiques en Supply Chain et La Supply Chain Quantitative en bref pour en savoir plus sur la perspective financière de Lokad.
2.4 Comment optimisez-vous les stocks de sécurité pour minimiser les ruptures de stock tout en contrôlant les coûts de possession ?
Résumé exécutif : Les décisions ajustées au risque de Lokad minimisent soigneusement le risque financier réel des ruptures de stock en augmentant le(s) niveau(x) de stock jusqu’à ce que les coûts marginaux de possession soient supérieurs au coût d’un événement de rupture de stock. Étant donné que l’optimisation doit faire face à une incertitude ambiante constante - l’avenir est inconnu - une optimisation stochastique est nécessaire. Les méthodes de prévision et d’optimisation traditionnelles (c’est-à-dire les modèles déterministes) ne peuvent pas gérer les variables futures bruitées/aléatoires - les prévisions probabilistes avec une optimisation stochastique le peuvent.
Lokad optimise tous les stocks - y compris les stocks de sécurité - en exploitant des prévisions probabilistes combinées à une optimisation stochastique. Les prévisions probabilistes incluent la demande future et les délais de livraison futurs, ainsi que toute autre source d’incertitude pertinente. L’optimisation stochastique peut être ajustée pour répondre à tout critère numérique, y compris la minimisation des ruptures de stock sous contrainte de coûts de possession maximaux.
Les prévisions probabilistes sont particulièrement aptes à traiter les conditions inhabituelles qui génèrent les ruptures de stock en premier lieu. Si une rupture de stock se produit, c’est généralement parce que la demande ou le délai de livraison a augmenté de manière inattendue - peut-être les deux. Les modèles classiques de prévision de séries temporelles (c’est-à-dire non probabilistes) n’identifient qu’une seule valeur future (par exemple, X), ignorant ainsi complètement ce qu’ils considèrent comme les valeurs alternatives moins probables - bien que loin d’être improbables - (par exemple, X+1, X-1, etc.).
En conséquence, les prévisions classiques de séries temporelles sont largement aveugles lorsqu’il s’agit d’évaluer quantitativement des événements improbables, comme celui qui pourrait causer une rupture de stock. Lorsqu’une entreprise vise à avoir une fréquence de rupture de stock inférieure à 1% du temps (par exemple, par trimestre), les ruptures de stock qui se produisent encore font, par conception, partie des 1% des situations les plus extrêmes.
Le processus d’optimisation stochastique est essentiel pour transformer les prévisions probabilistes initiales en décisions de la chaîne d’approvisionnement, telles que les réapprovisionnements de stocks. La préférence de Lokad est une approche économique pure où le coût des ruptures de stock est exprimé en dollars (ou en euros), aux côtés des autres coûts, tels que les coûts de possession.
Selon Lokad, le modèle de stock de sécurité est un concept obsolète, bien qu’il puisse être inclus dans notre plateforme à la demande du client. Nous recommandons vivement d’adopter pleinement la perspective de la chaîne d’approvisionnement quantitative, plutôt que de s’appuyer sur des méthodes qui ne sont pas adaptées à leur objectif. Par exemple, le plus grand défaut des modèles de stock de sécurité est qu’ils ne peuvent pas prioriser, en cas de deux SKUs sur le point de subir une rupture de stock, lequel est le plus important. Cette perspective traite les SKUs de manière strictement isolée, contrecarrant ainsi la tentative d’optimiser la chaîne d’approvisionnement dans son ensemble.
Voir Pourquoi les stocks de sécurité sont dangereux et Allocation de stocks au détail avec des prévisions probabilistes pour en savoir plus sur ces points.
2.5 Calculez-vous et ajustez dynamiquement les niveaux de stock de sécurité au niveau du magasin/entrepôt?
Résumé exécutif: Oui, la plateforme de Lokad permet de rafraîchir l’ensemble du processus d’optimisation des stocks chaque fois que de nouvelles données d’entrée sont fournies - généralement sur une base quotidienne. En règle générale, nous effectuons tous les calculs en moins de 60 minutes, y compris le rafraîchissement de toutes les prévisions et décisions pour chaque SKU à chaque emplacement - magasins et entrepôts inclus. Cette approche flexible et évolutive n’est possible que grâce aux décisions d’ingénierie spécifiques de Lokad.
La plateforme de Lokad met l’accent sur une conception ‘sans état’ pour l’optimisation de la chaîne d’approvisionnement. Nous ne recyclons pas les calculs précédents, mais nous recalculons tout à chaque fois que nous recevons des données brutes en entrée. Bien que cela puisse augmenter les ressources informatiques, c’est la seule méthode efficace (actuellement disponible) pour garantir l’intégrité du traitement des données - quelque chose qui est compromis sans la conception sans état de Lokad. L’alternative est de permettre à l’environnement de production du client de devenir le terrain de test pour des données semi-vérifiées - quelque chose que Lokad ne recommande pas.
Ces rafraîchissements couvrent tous les paramètres qui régissent l’optimisation de la chaîne d’approvisionnement fournie par Lokad. Si le client le souhaite, les rafraîchissements peuvent inclure des prévisions de séries temporelles, des stocks de sécurité et des niveaux de service optimisés. Cependant, Lokad recommande vivement aux clients de ne pas dépendre de ces méthodes obsolètes, et d’adopter pleinement la puissance d’optimisation supérieure de la prévision probabiliste et de l’optimisation stochastique.
Veuillez consulter Tout rafraîchir chaque jour pour en savoir plus à ce sujet.
Voir également Niveaux de stocks et niveaux de service 2.4 dans cette FAQ.
2.6 Évaluez-vous l’impact des niveaux/formules de stocks de sécurité sur le maintien des niveaux de service souhaités?
Oui, à travers la plateforme de Lokad, un praticien de la chaîne d’approvisionnement peut évaluer l’impact d’un stock de sécurité donné sur le niveau de service. En d’autres termes, on peut choisir un niveau de stock de sécurité et voir le niveau de service correspondant. La plateforme permet également au praticien de la chaîne d’approvisionnement d’évaluer d’autres facteurs, tels que les coûts de possession attendus (ou du moins les durées de détention si les caractéristiques économiques des stocks n’ont pas été fournies), et/ou le risque de stock mort.
Cependant, les stocks de sécurité et les niveaux de service sont largement des concepts obsolètes. Malgré notre capacité à les inclure dans notre plateforme, Lokad ne les recommande pas. La prévision probabiliste et l’optimisation stochastique - le socle de l’optimisation de Lokad - représentent une alternative supérieure dans tous les domaines.
Veuillez consulter Allocation de stocks au détail avec des prévisions probabilistes pour en savoir plus à ce sujet.
Voir également Niveaux de stocks et niveaux de service 2.4 dans cette FAQ.
2.7 Lokad permet-il la mise en œuvre de stratégies d’inventaire variées, chacune avec des niveaux de service spécifiques et des intervalles de confiance, différenciés selon plusieurs dimensions organisationnelles (par exemple, par SKU, catégorie de produit et/ou région)?
Résumé exécutif: Oui, la plateforme de Lokad prend en charge la différenciation des stratégies ou politiques d’inventaire au niveau du SKU. Ces stratégies peuvent refléter des paramètres différenciés - au niveau du SKU - en tenant compte de différents objectifs de niveau de service, de différents intervalles de confiance (pour les stocks de sécurité), etc. Ces stratégies peuvent également être différenciées à n’importe quelle granularité intermédiaire (pas seulement au niveau du SKU). Par exemple, il est possible d’appliquer sélectivement des paramètres par région, par catégories de produits, par attribut d’article (par exemple, seuil sur le poids de l’article), etc.
La plateforme de Lokad est programmatique, donc nous pouvons mettre en œuvre n’importe quelle stratégie d’inventaire qui pourrait être exprimée dans un tableur - quelle que soit la nature arbitraire ou inhabituelle de cette stratégie. Les Supply Chain Scientists de Lokad réalisent ces tâches et veillent à ce que le résultat reflète fidèlement l’intention initiale de l’entreprise cliente.
Bien que la plateforme de Lokad puisse être utilisée pour poursuivre des niveaux de service, nous recommandons fortement de ne pas le faire. La plateforme de Lokad est mieux dédiée à l’optimisation des dollars de retour par dollar dépensé, et non aux pourcentages liés à des KPI arbitraires. En fait, il y a deux objections principales à la notion même de “niveau de service”.
Premièrement, malgré un nom similaire, le lien entre le niveau de service et la qualité de service - telle que perçue par le consommateur - est ténu. De nombreux manuels de supply chain, et par conséquent de nombreux logiciels de supply chain, confondent faussement les deux notions. Les niveaux de service ignorent complètement la gamme de toutes les substitutions possibles, ainsi que toutes les dépendances possibles entre les produits. Les niveaux de service sont, en tant que tels, un mauvais substitut pour une compréhension réelle de la qualité de service.
Deuxièmement, les niveaux de service, par conception, contribuent à la génération continue de dépréciations d’inventaire. Cela est dû à son focus unique sur le côté positif (c’est-à-dire le service de la demande), ce qui signifie finalement qu’il est aveugle au côté négatif (c’est-à-dire se retrouver avec des unités de stock qui ne se vendent jamais/ne sont jamais demandées/ne sont jamais consommées).
2.8 Pouvez-vous imposer un niveau de service et des rotations d’inventaire par SKU ou par P/N (Numéro de pièce)?
Oui, la plateforme de Lokad nous permet d’ajuster le processus d’optimisation des stocks vers un niveau de service/rotation d’inventaire donné, jusqu’au niveau SKU, ou à tout niveau d’intermédiaire (P/N, marque, emplacement, catégorie, point de prix, etc.). À cet égard, la plateforme de Lokad peut orienter les décisions en matière de stocks pour refléter tout(s) objectif(s) quantitatif(s) désiré(s) par le client.
Cependant, aucun fournisseur ne peut promettre que leurs paramètres seront “imposés”, du moins pas sur un SKU donné. Fondamentalement, les niveaux de service et les rotations d’inventaire dépendent du comportement des clients. S’il y a un pic d’intérêt pour un produit donné, la demande résultante peut largement dépasser les niveaux de stock, et l’objectif de niveau de service ne sera pas atteint. De même, s’il y a une baisse d’intérêt, les objectifs de rotation des stocks ne seront pas atteints non plus.
La technologie de prévision probabiliste de Lokad garantit cependant que, en moyenne, sur de nombreux SKUs (c’est-à-dire des milliers) et sur une période de temps considérable (c’est-à-dire des semaines), les niveaux de service observés et les rotations d’inventaire reflètent les paramètres souhaités par le client. C’est, en pratique, le plus proche que l’on puisse raisonnablement venir de “forcer” des paramètres qui sont finalement déterminés par le(s) client(s).
Voir aussi Niveaux de stocks & niveaux de service 2.7 dans cette FAQ.
3. Surstocks
3.1 Comment intégrez-vous le risque de dépréciation d’inventaire?
Les prévisions probabilistes utilisées par Lokad sont un ingrédient critique de l’évaluation de la dépréciation d’inventaire. Grâce aux prévisions probabilistes, Lokad évalue tous les futurs possibles, y compris les moins probables, au lieu de reposer toute l’analyse sur un seul futur considéré comme valeur (c’est-à-dire des prévisions classiques de séries temporelles ponctuelles). En réalité, c’est la chute attendue (improbable mais pas impossible) de la demande qui provoque la dépréciation d’inventaire, quelque chose que les prévisions probabilistes sont conçues pour quantifier explicitement à l’avance.
Une fois les prévisions probabilistes établies, Lokad produit des décisions d’optimisation de la supply chain ajustées au risque. Ces décisions de la supply chain sont optimisées par rapport aux moteurs économiques pertinents, dont la possibilité de dépréciation d’inventaire en est un. La décision (par exemple, un réapprovisionnement d’inventaire) est ajustée au risque car elle équilibre le côté positif d’une meilleure satisfaction des clients avec le côté négatif d’éventuellement se retrouver avec des stocks morts plus tard. De plus, Lokad peut refléter l’option intermédiaire qui peut être disponible pour l’entreprise cliente, tels que des canaux de vente secondaires qui peuvent absorber le stock supplémentaire, bien que à des prix fortement réduits.
Voir aussi Niveaux de stocks & niveaux de service 2.3 dans cette FAQ.
3.2 Comment gérez-vous et optimisez-vous les stocks morts et/ou dormants?
Lokad aborde de manière proactive les stocks morts en éliminant, ou du moins en réduisant considérablement, les décisions de la supply chain qui génèrent ultimement des stocks morts en premier lieu. Ce mécanisme proactif repose largement sur les prévisions probabilistes que Lokad génère.
Contrairement aux prévisions classiques de séries temporelles qui identifient une seule valeur future - ignorant ainsi toutes les valeurs alternatives - Lokad évalue quantitativement tous les futurs possibles via leurs probabilités respectives. À travers cette évaluation, nous quantifions le risque de générer des stocks morts pour chaque décision de la supply chain (par exemple, commander 5 unités au lieu de 4). Si une décision de la supply chain (par exemple, commander 5 unités de plus) est jugée trop risquée en termes de stocks morts, alors cette décision est ajustée pour réduire le risque. Naturellement, le risque de dépréciation d’inventaire ne peut pas être entièrement éliminé, mais une fois correctement évalué, la fréquence des dépréciations d’inventaire peut être considérablement réduite.
En ce qui concerne les stocks dormants, sauf si ces stocks servent un but très spécifique (comme cela pourrait être le cas dans des environnements industriels où les pièces de rechange répondent à des pannes rares mais critiques), Lokad recommanderait généralement de baisser le prix afin de stimuler la demande. Cela permettrait ultimement de liquider ce qui reste du stock. La plateforme de Lokad est capable de produire un processus conjoint d’optimisation des stocks et des prix à cette fin précise.
Voir aussi Surstocks 3.1 dans cette FAQ.
3.3 Identifiez-vous les stocks non performants, par exemple, les E&O (excédents et obsolètes) et les stocks morts?
Résumé exécutif: Oui. En utilisant des prévisions probabilistes, Lokad identifie et quantifie les cycles de vie des unités en stock pour chaque SKU. Pour chaque unité en stock, nous estimons la probabilité que cette unité soit demandée (ou servie ou consommée) dans un horizon temporel donné. Par exemple, en considérant un SKU surstocké, nous pouvons évaluer quelle fraction du stock est susceptible de devenir un stock mort, et quelle fraction est susceptible de devenir un stock obsolète (nécessitant des réductions pour stimuler les ventes). C’est la même approche que nous adoptons concernant les stocks excédentaires et obsolètes, et c’est un ingrédient majeur dans la production de nos décisions d’optimisation de la supply chain recommandées.
La perspective de prévision probabiliste permet à Lokad de considérer toutes les valeurs futures possibles (par exemple, la demande), au lieu de se fier à une seule (comme dans une prévision traditionnelle basée sur des séries temporelles). Cette perspective est cruciale pour aborder toutes les variations nuancées qui existent lors de la tentative d’atténuation des risques liés aux stocks. Considérer les stocks morts est quelque chose qui ne peut être que prévenu (plutôt que géré après coup), le défi étant d’installer un processus qui réduit efficacement la probabilité d’accumuler des stocks morts en premier lieu. Un tel processus nécessite de quantifier précisément la probabilité qu’une décision de la supply chain génère des stocks excédentaires/obsolètes/morts/dépréciés.
Les modèles de prévision des séries temporelles sont, par conception, incapables de réaliser cette classe d’évaluation des risques. Une raison principale à cela est que les prévisions basées sur des séries temporelles ne considèrent qu’une seule valeur future (par exemple, la demande). Ce niveau de simplicité permet de décomposer proprement les SKUs en catégories bien définies (comme les classes A/B/C dans une analyse ABC). Cependant, cette simplicité signifie qu’une évaluation détaillée des risques n’est pas possible, étant donné qu’une liste classée des décisions ajustées en fonction des risques pour un SKU donné nécessite des données pour plusieurs scénarios futurs (c’est-à-dire, vendre 1/2/3/4/5/etc. unités du même SKU).
En bref, adopter une approche probabiliste de la prévision (dans ce cas, de la demande) se prête à une stratégie proactive et efficace qui atténue la génération de stocks non performants, plutôt que d’essayer de les gérer après coup—à ce moment-là, il n’y a guère d’autre choix que de s’en débarrasser.
3.4 Avez-vous des KPI pour suivre les stocks actifs vs dormants vs nouveaux?
Résumé exécutif: Oui. La plateforme de Lokad est programmatique—ce qui signifie que nous pouvons concevoir n’importe quel type de KPI que nous désirons—et nos Supply Chain Scientists réalisent la construction et la mise en œuvre des KPI du client (en collaboration avec les retours du client). Lokad fournit des KPI sur mesure qui reflètent véritablement les nuances des stocks du client. Lokad peut également reproduire les KPI que le client a pu utiliser précédemment et souhaite conserver, bien que ceux-ci soient généralement moins utiles que les KPI sur mesure que Lokad conçoit pour le projet.
Non seulement Lokad peut suivre l’âge exact de chaque unité en stock, mais aussi, grâce à nos prévisions probabilistes, nous évaluons la probabilité que l’unité reste en stock pendant une durée donnée (1 semaine, 1 mois, 1 an, etc.). Qualifier les stocks comme actifs vs dormants n’est pas simplement une question de visualisation des données historiques. Il s’agit plutôt d’une projection de la demande future. Ainsi, les ‘KPI’ sont prédictifs. En conséquence, ils dépendent implicitement de la pertinence du modèle prédictif sous-jacent pour effectuer une telle tâche. Ici, les prévisions de demande probabilistes sont bien adaptées pour évaluer les risques associés à une chute dommageable de la demande.
En revanche, certains éditeurs de logiciels d’entreprise traitent les KPI des stocks comme s’ils étaient un reflet direct de ces données historiques. Cependant, l’aspect ‘prédictif’ ne peut être évité. Bien souvent, ces éditeurs ne réalisent pas qu’ils se reposent implicitement sur une prévision de la demande en moyenne mobile, donnant ainsi l’illusion qu’aucune prévision n’est jamais effectuée. En retour, ces KPI inappropriés se révèlent nuisibles pour l’entreprise, car ils ne font que distraire les praticiens de la supply chain.
Voir aussi Surstocks 3.3 dans cette FAQ.
3.5 Comment intégrez-vous, surveillez-vous et optimisez-vous les dépréciations mensuelles des stocks ? Comment gérez-vous la variabilité du processus de dépréciation lui-même ?
Résumé exécutif : Lokad aborde la dépréciation des stocks à travers une approche globale impliquant le suivi de la composition des stocks, la modélisation des mécanismes de dépréciation et la génération de décisions de supply chain ajustées au risque. En maintenant des enregistrements détaillés des niveaux de stock et de leur âge, en utilisant des modèles prédictifs pour anticiper la composition future des stocks, et en utilisant des capacités programmatiques pour refléter divers mécanismes de dépréciation, Lokad gère efficacement les facteurs de dépréciation internes et externes. La plateforme de Lokad exploite l’optimisation stochastique pour prendre des décisions de supply chain qui tiennent compte de tous les moteurs économiques, y compris les coûts de dépréciation, atténuant ainsi proactivement les risques de dépréciation des stocks et les équilibrant par rapport à d’autres considérations opérationnelles.
Aborder les dépréciations des stocks implique de résoudre une série de sous-problèmes. Le premier problème consiste à suivre la composition exacte des stocks, non seulement des totaux exprimés en unités de stock. Par exemple, l’âge de chaque unité est important. Le deuxième problème consiste à modéliser le mécanisme de dépréciation lui-même. Il peut s’agir d’un phénomène purement endogène, où les biens se dégradent avec le temps, ou d’un phénomène exogène, où les conditions du marché changent et dévalorisent les biens dans le processus. Le troisième problème est de générer des décisions de supply chain ajustées au risque par rapport à la dépréciation potentielle.
Tout d’abord, grâce à la plateforme de Lokad, nous suivons non seulement les niveaux de stock, mais aussi l’âge des stocks de chaque unité en stock (passé et futur). Ce processus est un modèle prédictif en soi. Même en regardant les données historiques (obtenues à partir des systèmes commerciaux), la composition en âge des unités en stock n’est généralement pas enregistrée, elle ne peut être que déduite. Il y a une exception notable pour les stocks sériels, où chaque unité en stock est suivie par son numéro de série ; dans ce cas, il n’y a pas besoin d’un modèle prédictif pour le passé, mais nous en avons toujours besoin pour le futur. Le modèle prédictif pour la composition des stocks peut reposer sur une hypothèse FIFO (premier entré, premier sorti) pour la consommation des stocks, et sur quelques schémas plus nuancés.
Par exemple, dans un magasin de détail, les clients peuvent parfois adopter un comportement adversaire, comme choisir les meilleurs produits (ou choisir en fonction des dates d’expiration, si disponibles), transformant la consommation des stocks en LIFO (dernier entré, premier sorti) dans une certaine mesure. Lokad peut gérer le FIFO et le LIFO, ainsi que tout le spectre entre les deux.
Deuxièmement, grâce aux capacités programmatiques de la plateforme de Lokad, nous pouvons refléter n’importe quel mécanisme de dépréciation. Par exemple, Lokad peut refléter une dépréciation exponentielle où les produits perdent une petite fraction de leur valeur à chaque période ; ou Lokad peut refléter une dépréciation en escalier où les produits perdent une fraction importante de leur valeur à certains seuils d’âge. De plus, le mécanisme de dépréciation peut impliquer des dépendances entre les produits. Par exemple, on peut s’attendre à ce que les produits perdent une partie importante de leur valeur lors de l’introduction de produits rivaux supérieurs - comme cela se produit fréquemment dans certains secteurs (par exemple, l’électronique grand public).
La variabilité du processus de dépréciation, qui tend à être prononcée lorsqu’on considère les dépréciations exogènes, bénéficie de modèles prédictifs (probabilistes) au sein de la plateforme de Lokad. Nous n’avons pas besoin de savoir exactement quand un produit rival sera introduit ; en examinant les données historiques, nous pouvons modéliser le taux de remplacement des produits, et refléter la probabilité pour tout produit donné d’être rendu obsolète dans un horizon temporel donné (par exemple, une semaine, un mois, un an, etc.). Ces modèles probabilistes sont appris en exploitant les données historiques mises à disposition de Lokad.
Troisièmement, les décisions d’approvisionnement ajustées en fonction du risque sont calculées par Lokad, en tenant compte de tous les facteurs économiques pertinents. Le processus est une optimisation stochastique, car la fonction de perte (c’est-à-dire les coûts et les avantages) est bruyante/variable. Les coûts de dépréciation sont inclus aux côtés de tous les autres facteurs pertinents. Comme la plateforme Lokad propose à la fois des paradigmes d’apprentissage et d’optimisation programmatiques, nous pouvons produire des décisions ajustées en fonction du risque tout en considérant (et en mélangeant) des sortes de coûts très diverses.
En conclusion, en produisant des décisions d’approvisionnement ajustées en fonction du risque (par exemple, commande d’achat, commande de production, etc.) qui tiennent compte de la dépréciation des stocks, Lokad atténue de manière proactive la quantité de stocks qui finiront par subir une dépréciation. Chaque décision est doucement éloignée du risque de dépréciation, mais pas au point que l’orientation ne créerait un autre problème pire, comme dégrader la qualité du service au-delà de ce qui est gagné grâce à la réduction de la dépréciation.
3.6 Fournissez-vous un rapport sur les stocks excédentaires/surplus ?
Résumé exécutif : Oui. La plateforme de Lokad dispose d’une technologie de prévision de la demande de pointe. Nous exploitons cette technologie pour évaluer combien de temps il faudra pour écouler tous les stocks engagés, qu’ils soient en main ou en commande. De plus, notre technologie prend en charge des prévisions probabilistes, ce qui permet une évaluation quantitative directe des risques de surstock. En combinant des prévisions probabilistes avec un modèle économique des stocks qui reflète tous les facteurs économiques pertinents, Lokad fournit une évaluation quantitative des risques de stocks exprimés en termes d’impact monétaire (par exemple, en euros ou en dollars).
Les stocks sont toujours considérés comme « excessifs » par rapport à un modèle prédictif de la demande. Il n’y a pas de telle chose que des stocks « excessifs » sans faire une déclaration sur la demande future (bien que cette déclaration puisse être implicite). Toute solution logicielle qui génère un rapport sur les stocks excédentaires basé sur des règles telles que « plus de X mois de stocks » se base implicitement sur une prévision de la demande en moyenne mobile, ce qui s’avère décevant pour la plupart des secteurs verticaux.
De plus, sans un modèle économique robuste pour refléter l’équation coût/récompense des stocks, l’entreprise cliente s’expose à des erreurs majeures en matière de stocks. Une décision financière concernant les stocks peut sembler étrange au premier abord, mais être parfaitement sensée. Par exemple, si un article est très bon marché, très petit, vendu avec une marge brute confortable, absolument nécessaire pour le client (en petites quantités) et ne peut être acquis qu’en atteignant des quantités minimales de commande très élevées, il pourrait être raisonnable de stocker plus d’un an de stock de cet article. Alors que plus d’un an de stock peut sembler être une erreur, le retour sur investissement peut raconter une histoire complètement différente.
Voir No1 au niveau SKU dans la compétition de prévision M5 pour en savoir plus sur l’approche de Lokad en matière de prévision en pratique.
4. Ruptures de stock
4.1 Allouez-vous des stocks pour les SKUs à risque de rupture de stock ?
Oui, en général, l’une des conséquences de l’optimisation des stocks de Lokad est que les stocks finissent par être alloués aux SKUs à mesure que leur risque de rupture de stock augmente. Tout étant égal par ailleurs, les SKUs sur le point de subir une rupture de stock reçoivent une attention prioritaire.
Cela dit, nous recommandons d’adopter une perspective économique et globale pour l’optimisation en ce qui concerne les ruptures de stock. Cela signifie prendre en compte l’impact financier total d’une décision en matière de supply chain (par exemple, allouer des stocks pour éviter une rupture de stock). Occasionnellement, éviter les ruptures de stock ne fait pas toujours sens économiquement.
Par exemple, pour les magasins de mode, il est naturel à la fin de la saison de permettre progressivement aux articles d’une collection datée d’atteindre le statut de rupture de stock. Cela est fait intentionnellement afin de faire de la place pour la prochaine collection plus récente. De même, si un produit est remplacé par une alternative supérieure, il est logique de laisser le produit obsolète atteindre le statut de rupture de stock, puis de retirer progressivement le produit de l’assortiment. Ainsi, en général, une optimisation économique raisonnable tenterait d’éviter les événements de rupture de stock.
Cependant, une telle optimisation fournirait également une réponse beaucoup plus granulaire et sophistiquée en ce qui concerne le dimensionnement adéquat des investissements (par exemple, combien d’unités sont allouées à un SKU donné) en premier lieu afin de réduire les risques financiers.
4.2 Comment priorisez-vous les commandes d’achat (POs) ?
Résumé exécutif : Lokad priorise les commandes d’achat (POs) en évaluant les retours économiques de chaque unité de stock à commander, visant à maximiser le retour par dollar dépensé. Cette évaluation granulaire, intégrée à des contraintes inter-SKU comme les quantités minimales de commande, est guidée par la prévision probabiliste et l’optimisation stochastique. Ces technologies évaluent les risques et les retours pour chaque unité, en tenant compte de facteurs tels que la demande, les délais de livraison et les retours, pour créer des POs financièrement optimisées qui équilibrent les contraintes et la viabilité économique.
L’approche de Lokad en matière d’optimisation consiste à évaluer les retours économiques pour chaque unité de stock à commander. Cela est fait pour atténuer les risques en maximisant les dollars de retour par dollar dépensé. Cette évaluation très granulaire est ensuite exploitée par un processus d’optimisation qui génère les POs qui reflètent correctement toutes les contraintes inter-SKU (par exemple, les quantités minimales de commande au niveau du fournisseur). Ces contraintes sont superposées aux retours économiques par unité qui guident la priorisation globale. En conséquence, les POs de Lokad sont correctement priorisées en interne et chacune est accompagnée de son évaluation économique propre (c’est-à-dire les dollars de retour). Cette évaluation économique est obtenue grâce à l’agrégation des retours économiques pour toutes les unités regroupées dans le PO.
Cette priorisation financière des POs repose sur deux ingrédients technologiques clés : la prévision probabiliste et l’optimisation stochastique. Ces deux ingrédients technologiques font partie de la plateforme Lokad.
La prévision probabiliste, qui inclut la prévision non seulement de la demande future mais aussi de toutes les autres sources d’incertitude telles que les délais de livraison ou les retours, est essentielle pour évaluer les risques associés à une commande d’achat. Ces risques incluent le potentiel de gain (par exemple, réduire le risque de rupture de stock) et le potentiel de perte (par exemple, augmenter le risque de stock mort). Grâce à la prévision probabiliste et à l’exploitation des moteurs économiques pertinents (par exemple, la marge brute, les coûts de possession, etc.), Lokad génère le retour sur investissement attendu ajusté en fonction du risque pour chaque unité de stock sur le point d’être commandée, y compris les rendements décroissants à mesure que plus d’unités sont commandées.
Le processus d’optimisation stochastique permet la composition des POs eux-mêmes. En l’absence de contraintes, il s’agit d’une simple priorisation des unités à acheter, classées par leur taux de retour respectif en dollars. Cependant, lorsque des contraintes inter-SKU sont présentes, un processus d’optimisation stochastique est nécessaire pour composer avec succès et automatiquement des POs qui respectent toutes ces contraintes, tout en préservant l’évaluation financière unitaire sous-jacente.
4.3 Envoyez-vous des commandes aux fournisseurs concernant les SKUs stratégiques/critiques ?
Oui, les commandes d’achat générées par la plateforme de Lokad intègrent toutes les préoccupations pertinentes, y compris l’importance stratégique/critique que certaines SKUs peuvent avoir. Ces préoccupations peuvent inclure des informations explicites de la part du client ainsi que des évaluations quantitatives implicites/déduites découvertes grâce à l’analyse de Lokad.
Par exemple, un SKU peut être “critique” en raison de sa vente principalement à de grands clients importants. Alternativement, un SKU peut être critique car il fait partie d’un kit ou d’un nomenclature (bill of materials), faisant de ce SKU un goulot d’étranglement. Dans ces situations, il est préférable de tirer parti de la plateforme Lokad pour déduire l’importance du SKU grâce à une analyse directe des données.
Plus généralement, la perspective financière recommandée par Lokad est bien conçue pour prendre en compte des préoccupations variées et les intégrer aux décisions recommandées en matière de supply chain. Cette perspective financière met l’accent sur l’intégration de tous les moteurs économiques, y compris des moins évidents comme le coût d’un événement de rupture de stock, dans le processus de prise de décision en matière de supply chain.
4.4 Comment consolidez-vous les commandes d’achat critiques en une liste restreinte critique pour les principaux fournisseurs ?
Résumé exécutif : L’approche de Lokad consiste à quantifier l’impact économique de chaque décision en matière de supply chain. En pratique, cela implique d’évaluer l’impact financier (mesuré par le retour dollar sur dollar) pour chaque unité de stock supplémentaire commandée. En générant une liste qui classe les articles en fonction de leur retour dollar sur dollar, Lokad génère automatiquement des listes qui reflètent le meilleur état financier possible pour le client par rapport à ses moteurs économiques et KPI (y compris le taux de service). Cela élimine la nécessité de méthodes traditionnelles, telles que min/max, stocks de sécurité, etc., qui manquent finalement d’une dimension financière robuste.
L’approche de prévision probabiliste de Lokad nous permet de générer des commandes d’achat ajustées au risque qui consolident toutes les unités qui peuvent être commandées de manière rentable (classées unité par unité). Cela permet de raffiner facilement la commande d’achat en isolant, au sein de la commande, les unités qui dépassent un certain niveau de rendement économique. Ces unités à haut rendement sont l’essence de la liste restreinte à communiquer aux principaux fournisseurs. Le rendement économique reflète la pénalité de rupture de stock (un moteur économique moins courant mais critique qui mesure l’impact financier d’un événement de rupture de stock) d’une manière ou d’une autre. Tout cela est fait pour évaluer correctement l’importance de chaque unité individuelle en ce qui concerne la qualité de service souhaitée.
Certaines anciennes méthodes (maintenant obsolètes) (encore présentes dans certains logiciels d’entreprise) consistent à évaluer les commandes d’achat par rapport aux objectifs de niveau de stock (par exemple, min/max, stocks de sécurité, objectifs de couverture, objectifs de tampon, etc.). Cependant, ces méthodes manquent toutes de mécanismes pour quantifier l’importance de chaque unité en stricte isolation des autres unités.
En réalité, de telles méthodes ne reflètent pas l’influence des rendements décroissants que l’on trouve en supply chain. Typiquement, la première unité commandée vaut plus (à la fois pour l’entreprise cliente et ses clients) que la deuxième unité. Comme les méthodes traditionnelles ne quantifient pas les rendements des stocks unitaires, elles sont incapables d’extraire un sous-ensemble véritablement critique d’unités à transmettre aux principaux fournisseurs.
Composer une liste restreinte vraiment critique nécessite, par conception, une technologie capable de quantifier les rendements économiques unitaires lors de la commande - une technologie que possède Lokad.
4.5 Comment communiquez-vous une liste restreinte critique, parmi les commandes d’achat en attente, aux fournisseurs ?
Lokad préfère communiquer les commandes d’achat, y compris les listes restreintes critiques, via des systèmes commerciaux transactionnels (par exemple, un ERP ou un logiciel commercial similaire). Les commandes d’achat prennent généralement la forme d’exportations de fichiers plats. Lokad pourrait utiliser l’e-mail, mais notre préférence est de maintenir toutes les communications transactionnelles au sein du système commercial du client (par exemple, l’ERP).
Voir aussi Contrôle des stocks pour en savoir plus sur la distinction entre les systèmes analytiques (comme Lokad) et les systèmes transactionnels tels que les ERP.
Voir aussi Ruptures de stock 4.4 dans cette FAQ.
4.6 Fournissez-vous un rapport de rupture de stock ?
Résumé exécutif : Oui, la plateforme de Lokad est capable de présenter un rapport de rupture de stock qui couvre non seulement l’état actuel des stocks, mais aussi une vue historique des ruptures de stock précédentes. Cela nous permet d’identifier les schémas passés et de les intégrer dans la recette numérique qui génère les commandes d’achat financièrement optimisées du client, réduisant ainsi la probabilité d’événements de rupture de stock futurs.
Il est facile de compter le nombre de SKUs (unités de gestion des stocks) qui ont un stock nul, mais cela ne dit pas grand-chose sur l’impact pour l’entreprise cliente - la perte nette de demande doit être quantifiée. Pour cette raison, Lokad recommande d’aborder le problème par une évaluation financière directe du coût de (l’absence de) qualité de service. Parfois, par exemple, il est raisonnable d’accepter une faible qualité de service pour des produits non stratégiques progressivement éliminés de l’offre. Faire le contraire garantirait une génération continue de stocks morts. La plateforme de Lokad permet d’évaluer la perte, exprimée en termes monétaires, au lieu de simplement compter les SKUs avec un stock nul.
La perte quantifiée doit être ’nette’ de cannibalisation, de substitution et de consommation différée de la part des clients. Dans la plupart des secteurs, il existe plusieurs options pour satisfaire ce que le client veut ou a besoin. Ainsi, tant qu’une de ces options est disponible, le client pourrait être très satisfait du service. Ne pas prendre en compte ces facteurs inter-SKU conduit à surstocker des SKUs qui servent fondamentalement la même demande au détriment d’autres SKUs qui servent des segments totalement différents. Inversement, parfois, un SKU en rupture de stock empêche la consommation d’un autre SKU dépendant. Les clients s’attendent à ce que les deux SKUs soient disponibles et n’en consomment aucun si ce n’est pas le cas. La plateforme de Lokad peut être utilisée pour modéliser ces préoccupations inter-SKU et leur impact (financier) sur la qualité de service perçue par les clients.
Selon le secteur, il peut y avoir des subtilités plus importantes à prendre en compte. Par exemple, dans un magasin de bricolage, un client cherchant 4 interrupteurs lumineux identiques est peu susceptible d’en acheter s’il n’y a que 3 unités disponibles sur l’étagère. Ainsi, bien que les interrupteurs lumineux ne soient pas en rupture de stock, du point de vue de certains clients, ils le sont effectivement.
Un autre exemple serait un magasin d’alimentation vendant des fruits. Certains fruits, comme les fraises, sont très périssables, donc le magasin tente généralement délibérément d’atteindre la rupture de stock avant la fermeture. Cependant, si la rupture de stock survient trop tôt dans la journée (par exemple, quelques individus achètent plus que la moyenne), la majorité des clients ne sont pas correctement servis.
Ces exemples mettent en lumière la subtilité derrière la nature et les conséquences des événements de rupture de stock. Les symptômes coûteux des événements de rupture de stock (par exemple, la perte de ventes potentielles) peuvent se manifester même en l’absence de la condition sous-jacente (par exemple, une rupture de stock réelle). La plateforme de Lokad peut être utilisée pour modéliser toutes les subtilités critiques où la qualité de service ne peut pas être déduite par une simple inspection du niveau de stock.
4.7 Identifiez-vous les produits en rupture de stock attendus et alertez-vous les utilisateurs?
Résumé exécutif: Oui, la plateforme de Lokad utilise une prévision de la demande avancée pour identifier les situations potentielles de rupture de stock et suggère des actions correctives au lieu de simplement émettre des alertes. Ces actions comprennent l’accélération des commandes, l’utilisation de fournisseurs alternatifs, l’ajustement des promotions, des points de prix, la promotion de substituts et l’organisation de transferts de stocks (etc.).
La plateforme de Lokad dispose d’une technologie de prévision de la demande de pointe qui peut être utilisée pour identifier les événements imminents de rupture de stock. Il est également facile d’utiliser la plateforme de Lokad pour produire des alertes de stock pour les praticiens de la supply chain. Cependant, nous ne recommandons pas l’utilisation d’alertes, car cette approche ne permet pas de gagner du temps, d’autant plus que des réponses rapides sont souvent cruciales. Nous recommandons plutôt d’utiliser la plateforme de Lokad pour identifier les événements imminents de rupture de stock et proposer des actions correctives proactives.
Selon le secteur, les actions correctives peuvent inclure (a) recontacter les fournisseurs pour accélérer les commandes en attente; (b) passer des commandes d’achat complémentaires auprès de fournisseurs alternatifs (plus proches); (c) annuler les promotions à venir sur les articles sur le point de devenir en rupture de stock; (d) augmenter le point de prix des articles sur le point de devenir en rupture de stock; (e) promouvoir à l’avance des produits alternatifs, considérés comme des substituts pertinents, pour tirer parti d’un effet de cannibalisation; (f) organiser des transferts de stocks pour réaffecter les stocks dormants. Ce ne sont là que quelques-unes des actions correctives que la plateforme de Lokad peut recommander rapidement.
Les logiciels d’entreprise classiques (comme les ERP) comportent toujours des alertes, un schéma de conception qui conduit invariablement à une faible productivité des employés. S’il y a quelque chose à faire concernant la rupture de stock imminente, alors le logiciel devrait recommander directement l’action(s) dans le cadre de ses recommandations normales. S’il n’y a rien à faire concernant la rupture de stock imminente, alors l’alerte est une distraction inutile. Historiquement, les logiciels d’entreprise ont utilisé des alertes comme des mécanismes puissants pour détourner la responsabilité des mauvais résultats des utilisateurs finaux. Cette approche est—effectivement—une tentative d’isoler le fournisseur de logiciels d’entreprise de la critique; si la décision de stock recommandée était bonne, alors le logiciel a bien fonctionné; si la décision de stock recommandée était mauvaise, alors le logiciel est innocent en raison de l’alerte émise. Cela déplace, par définition, la “responsabilité” vers l’utilisateur final. Lokad, au contraire, assume pleinement la responsabilité de la qualité de nos recommandations de stock et des actions correctives suggérées.
Voir No1 au niveau SKU dans la compétition de prévision M5 pour en savoir plus sur l’approche de Lokad en matière de prévision en pratique.
5. Complications
5.1 Proposez-vous des paramètres de stock pour les nouveaux produits?
Résumé exécutif: Oui, la plateforme de Lokad automatise les décisions de stock pour les nouveaux produits en utilisant des prévisions de demande probabilistes basées sur des attributs, en analysant les données des produits déjà lancés. Cette approche se concentre sur des décisions directes telles que les quantités de commande et les allocations, plutôt que sur les paramètres de stock traditionnels. Lokad prend également en compte l’impact des nouveaux produits sur les stocks existants, aidant à éviter les événements de stocks morts potentiels. Lokad prend en charge à la fois la prévision de la demande et l’optimisation stochastique pour les commandes de stock initiales, en tenant compte des contraintes entre les SKU et des capacités logistiques.
La plateforme de Lokad automatise l’ensemble des processus de prise de décision en matière de stock pour les nouveaux produits. Cela englobe les “paramètres de stock”, bien que nous n’abordions généralement pas le défi sous cet angle. Les nouveaux produits bénéficient de prévisions de demande probabilistes basées sur des attributs. C’est là que Lokad analyse tous les produits déjà lancés et comment ils se sont comportés en fonction de leurs paramètres de lancement (par exemple, promotions et assortiments), en plus des qualités intrinsèques du produit lui-même (par exemple, taille, couleur et prix). Ainsi, la prévision pour les nouveaux produits est automatisée, tout comme la prévision des anciens produits.
De plus, lors de la prise en compte des nouveaux produits, nous considérons les stocks disponibles pour commencer à servir les nouveaux produits, et les stocks qui doivent encore arriver. Nous tenons également compte de l’impact sur les stocks existants, et des conséquences négatives potentielles de l’introduction (trop précoce) d’une nouvelle alternative potentiellement plus attrayante—ce qui pourrait entraîner immédiatement une situation de stock mort pour un autre produit.
Au lieu des “paramètres de stock” typiques, Lokad recommande fortement d’aborder le défi à travers des décisions directes et financièrement optimisées. Ces décisions incluent les quantités à commander en premier lieu, puis les quantités à allouer (SKU par SKU) pour tous les emplacements. Les préoccupations trans-SKU ou trans-produit doivent être abordées à ce stade pour tirer le meilleur parti de la capacité logistique finie du client.
Ces capacités sont souvent insuffisantes pour faire face aux effets potentiels—et souvent surprenants—de la nouveauté. Cependant, en répartissant la charge de travail dans le temps, généralement en anticipant efficacement le lancement de nouveaux produits, le problème est résolu sans étirer inutilement la capacité logistique du client.
La plateforme de Lokad fournit tous les instruments numériques nécessaires pour soutenir ce processus, y compris les prévisions de demande probabilistes pour les nouveaux produits et l’optimisation stochastique pour les commandes de stock initiales et les allocations. Ce support couvre toutes les contraintes trans-SKU pertinentes.
5.2 Pouvez-vous gérer l’allocation des stocks pendant les phases promotionnelles (en soutien à l’activité promotionnelle) ?
Résumé exécutif : Oui, la plateforme de Lokad est conçue pour gérer l’allocation des stocks pendant les phases promotionnelles en alignant les stocks sur les pics de demande future attendus. Ce processus implique d’anticiper la demande promotionnelle, d’intégrer des données provenant de différentes sources telles que les systèmes ERP et les feuilles de calcul marketing, et de peaufiner les modèles prédictifs pour prendre en compte les diverses stratégies promotionnelles. Les Supply Chain Scientists de Lokad mettent en œuvre ces modèles, en tenant compte non seulement des effets immédiats de la promotion, mais aussi du risque de surstock et des contraintes logistiques. La plateforme utilise l’optimisation stochastique pour prendre des décisions d’inventaire ajustées en fonction du risque, équilibrant le besoin de stocks promotionnels suffisants avec le risque de surstock post-promotion.
Le principe directeur général de Lokad pour l’allocation des stocks est d’aligner ces allocations sur la demande future attendue. En particulier, une augmentation attendue de la demande future, comme c’est le cas pour une promotion à venir, nécessite généralement une augmentation correspondante de l’allocation des stocks. De plus, l’allocation doit généralement se faire bien avant l’événement promotionnel, car il faut tenir compte des contraintes logistiques. Par exemple, le réseau peut ne pas être en mesure de faire face à l’augmentation des mouvements de stocks si tout le stock est déplacé au dernier moment. La plateforme de Lokad a été conçue pour prendre en charge cette classe entière de problèmes et toutes ses variantes.
Les Supply Chain Scientists (SCS) de Lokad sont responsables de la mise en œuvre des recettes numériques qui garantissent que les allocations de stocks reflètent adéquatement les activités promotionnelles prévues.
Premièrement, cette responsabilité inclut la collecte/l’organisation des données décrivant les plans promotionnels. Ces données sont rarement structurées dans les systèmes d’entreprise (ERP)—elles se trouvent fréquemment uniquement dans des feuilles de calcul maintenues par le service marketing. La plateforme de Lokad est conçue pour intégrer plusieurs sources d’informations, y compris de telles classes de feuilles de calcul ad hoc.
Deuxièmement, la responsabilité d’un SCS couvre la peaufinage du modèle prédictif pour la demande future afin de refléter la diversité des mécanismes promotionnels. Fondamentalement, les promotions ne consistent pas seulement à baisser les prix. Elles mettent généralement en avant les produits à travers des présentoirs promotionnels (par exemple, les gondoles) ou d’autres médias de communication (par exemple, les newsletters). De plus, certains mécanismes reflètent des mécanismes trans-produits (par exemple, acheter un produit, obtenir 50% de réduction sur un autre produit) qui doivent également être pris en compte. Les capacités de modélisation prédictive étendues de la plateforme de Lokad soutiennent tout ce qui précède.
Troisièmement, les SCS sont également chargés de prendre des décisions ajustées au risque qui allouent suffisamment de stocks pour satisfaire la demande promotionnelle tout en réduisant le risque de surstock après la fin de la promotion. Lorsque les contraintes logistiques ne sont pas trop strictes, nous envisageons également la possibilité de tirer parti des réapprovisionnements en cours de promotion pour atténuer l’exposition du client aux risques de surallocation initiale (si la promotion est moins réussie que prévu). Une fois de plus, la plateforme de Lokad dispose de capacités d’optimisation stochastique étendues pour calculer ces décisions complexes ajustées au risque.
5.3 Comment gérez-vous, visualisez-vous et distinguez-vous différents types de promotions/récompenses pour les titulaires de cartes de fidélité, y compris les brochures, les remises en pourcentage, les remises monétaires et les promotions exclusives?
La plateforme de Lokad offre un support de modélisation étendu pour tous les mécanismes de tarification et promotionnels que l’on trouve dans le commerce de détail. Notre plateforme est programmatique, ce qui signifie qu’elle peut être ajustée pour refléter n’importe quel nombre de mécanismes promotionnels - nous avons jusqu’à présent identifié plus de 50 exemples différents. Comme notre plateforme est également capable de traiter des données relationnelles arbitraires, nous pouvons importer ces informations exactement telles qu’elles apparaissent initialement dans les systèmes commerciaux transactionnels sous-jacents.
Cela nous permet de préserver la sémantique des données d’origine, au lieu de reformater de force les données selon un modèle défini par le fournisseur. De plus, notre plateforme dispose de capacités programmatiques pour ses capacités prédictives/d’apprentissage automatique. Grâce à ces capacités, nos Supply Chain Scientists peuvent élaborer des modèles de demande prédictive qui reflètent les mécanismes en jeu dans les offres promotionnelles/récompenses du client.
Remarque: Lokad ne s’occupe que de la partie analytique de ce problème; identifier tous les schémas qui façonnent la demande associée aux mécanismes promotionnels d’un client. Lokad n’est pas destiné à gérer les promotions, par exemple, en collaboration avec le service marketing du client. Bien que théoriquement possible, il est préférable de maintenir une séparation entre les couches logicielles transactionnelles et analytiques. Cela est Voir aussi #promotions
Voir aussi Programmation Différentiable pour plus de détails sur les subtilités mathématiques entourant notre technologie.
Voir aussi Complications 5.2 dans cette FAQ.
5.4 Gérez-vous la conversion des UDM (unités de mesure)?
Oui, la plateforme de Lokad prend en charge pleinement toutes les conversions d’UDM. Nous prenons également en charge le fonctionnement avec des UDM (multiples) incohérentes, comme cela se produit parfois lorsque Lokad traite des données provenant de différents systèmes commerciaux. Nous résolvons généralement toutes les incompatibilités d’UDM lors de la phase de préparation des données. Nous pouvons également optimiser les stocks alors que les contraintes sont exprimées à travers des UDM distinctes. Par exemple, un chargement complet de camion (FTL) est livré avec des capacités de volume et de poids.
Remarque: Pour le cas particulier de la conversion entre les devises, Lokad dispose également de capacités intégrées, telles que la fonction forex qui englobe des dizaines de devises largement utilisées. Cette fonction forex offre la possibilité d’appliquer des conversions de devises passées afin de refléter les moteurs économiques tels qu’ils étaient dans le passé. Cela permet à Lokad d’optimiser davantage la prise de décision en analysant l’impact économique réel des fluctuations monétaires historiques, et ainsi affiner davantage la recette numérique du client.
5.5 Gérez-vous des conversions de kits?
Résumé exécutif: Oui, Lokad prend en charge les conversions de kits et l’optimisation des stocks, y compris l’assemblage proactif de kits et la réservation de stocks. Nos prévisions de demande tiennent compte des éléments de kit vendus séparément ou dans plusieurs kits, en considérant les cycles de vie variables des kits. L’optimisation financière de Lokad reflète le coût réel des ruptures de stock, reconnaissant la valeur et l’impact sur la marge brute des éléments de kit essentiels à plusieurs kits de grande valeur.
La plateforme de Lokad prend en charge les conversions de kits et optimise également les stocks en présence de kits. Les kits sont généralement une version simplifiée de la nomenclature (bills of materials), et ils sont couramment rencontrés dans le commerce de détail (en ligne et hors ligne). L’optimisation des stocks réalisée par Lokad en présence de kits inclut la capacité de décider quand réserver des unités de stock pour les kits, et quand assembler de manière proactive les kits - si le processus de kitting a sa propre limite de capacité.
De plus, les prévisions de demande générées par Lokad prennent correctement en compte le fait que les éléments de kit peuvent également être vendus/fournis séparément, et pas seulement en tant que partie d’un kit. Ces prévisions prennent également en charge le cas où les mêmes éléments de kit sont partagés entre plusieurs kits - naturellement, nous prenons également en charge les scénarios où les kits n’ont pas le même cycle de vie, avec des kits entrant et sortant de l’offre du client à des moments différents. Tous ces facteurs sont correctement reflétés dans notre évaluation quantitative des besoins à venir en éléments de kit.
Enfin, en ce qui concerne l’optimisation des décisions en matière de stocks en présence de kits, la perspective financière recommandée par Lokad reflète correctement les dépendances qui existent entre les éléments de kit et les kits eux-mêmes. Par exemple, un élément peut être bon marché et vendu avec très peu de marge brute, mais si cet élément est nécessaire par plusieurs kits qui ont une valeur et une marge brute beaucoup plus élevées, alors une rupture de stock éventuelle de cet élément de kit serait beaucoup plus coûteuse que sa propre valeur ne le suggérerait. Cela est dû au fait que la valeur indirecte de l’élément pourrait être significativement plus élevée que sa valeur directe immédiatement évidente.
Ainsi, Lokad reflète à travers son optimisation le coût réel (en tenant compte des dépendances des kits) de ne pas pouvoir servir les kits en raison de la rupture de stock de l’un de leurs éléments.
5.6 Tenez-vous compte de la durée de vie d’un article (ou de sa durée de conservation) dans la décision de commande et de la durée de vie restante des produits déjà dans la supply chain?
Résumé exécutif: Oui, la plateforme de Lokad y parvient en suivant le cycle de vie de chaque unité de stock, y compris celles sur le point d’être commandées. Sa conception de base inclut la scalabilité, l’efficacité dans le traitement des données au niveau de l’unité, la gestion des données relationnelles pour tenir compte des subtilités du cycle de vie spécifique du produit, et la prévision probabiliste pour aborder les incertitudes liées aux cycles de vie des produits et aux comportements des clients. Cette approche optimise les commandes d’achat, les allocations de stocks et les stratégies de tarification.
La plateforme de Lokad a été conçue pour être capable de suivre chaque unité de stock individuelle dans le temps, reflétant son propre cycle de vie spécifique. De même, le même schéma est également appliqué aux unités de stock potentielles, telles que celles sur le point d’être commandées. En adoptant cette analyse très granulaire, les commandes d’achat, les allocations de stocks et les remises de prix optimisées par Lokad reflètent le(s) cycle(s) spécifique(s) de chaque unité circulant dans le réseau.
La plateforme de Lokad rend cela possible grâce à plusieurs aspects clés de sa conception de base :
Premièrement, notre plateforme est non seulement hautement scalable, mais aussi très efficace. Modéliser le flux, unité par unité, est plus intensif que de le modéliser au niveau de l’unité de gestion des stocks (SKU) ; cependant, si le défi est abordé en jetant simplement des tonnes de ressources de calcul dessus, la résolution s’avérera très coûteuse pour l’entreprise cliente.
Deuxièmement, la plateforme de Lokad dispose de capacités programmatiques orientées vers le traitement des données relationnelles. Les détails du cycle de vie des produits varient beaucoup d’un produit à l’autre. Les produits et les produits chimiques ont tous deux une durée de conservation, mais leurs détails respectifs sont très différents. Lokad embrasse ces spécificités afin de créer un modèle qui reflète véritablement ce qui se passe au sein de la chaîne d’approvisionnement du client.
Troisièmement, la plateforme de Lokad dispose de capacités générales de prévision probabiliste. Les cycle(s) de vie des produits peuvent comporter leur propre lot d’incertitudes. Par exemple, dans les magasins de détail, les clients peuvent privilégier le choix d’articles ayant la durée de conservation la plus longue. Supposer que le flux se conforme strictement à un comportement FIFO (premier entré, premier sorti) serait gravement erroné. Les capacités prédictives de la plateforme de Lokad sont utilisées pour prévoir correctement ces comportements subtils mais extrêmement conséquents.
5.7 Identifiez-vous les expirations d’inventaire prévues ? Fournissez-vous un rapport d’alerte sur la durée de conservation ?
Résumé exécutif: Oui, la plateforme de Lokad suit l’ensemble du cycle de vie des stocks, même sans suivi des numéros de série, et peut même déployer une modélisation probabiliste pour des situations ambiguës comme le commerce de détail B2C. Elle peut identifier les expirations et les dépréciations potentielles, émettant des alertes si nécessaire. Cependant, Lokad préfère des décisions proactives en matière de chaîne d’approvisionnement pour éviter ces problèmes, recommandant des actions telles que des remises ou la réaffectation des stocks pour gérer les articles à risque d’expiration.
La plateforme de Lokad est capable de suivre le(s) cycle(s) spécifique(s) de chaque unité circulant dans le réseau de chaîne d’approvisionnement du client. Notre plateforme est capable de le faire même si les unités ne sont pas suivies au niveau du numéro de série (S/N). Lorsqu’il y a une ambiguïté concernant le service ou l’ordre de consommation des unités, comme c’est le cas dans les magasins de détail B2C (entreprise à consommateur), Lokad utilise alors la modélisation probabiliste pour refléter les états probables des stocks. Ces informations détaillées sur l’état des stocks peuvent être utilisées pour identifier les expirations et/ou dépréciations probables et réagir en conséquence, éventuellement en émettant des alertes dirigées vers les équipes concernées (si nécessaire).
Cependant, au lieu d’alertes, Lokad recommande de tirer parti des informations détaillées que nous avons sur l’état probable des stocks, jusqu’à la date d’expiration prévue de chaque unité en stock, pour ajuster de manière proactive toute décision recommandée en matière de chaîne d’approvisionnement (calculée par Lokad). Par exemple, nous pouvons recommander de faire une remise ou de promouvoir un produit qui risque d’expirer. Alternativement, nous pouvons recommander de déclencher une liquidation des produits par le biais d’un canal de vente secondaire (également à un prix réduit). Une autre option est d’allouer plus de stock, car nous reconnaissons que le stock actuel sera bientôt épuisé, non pas en raison de la demande des clients, mais en raison de l’expiration.
Fondamentalement, s’il y a quelque chose à faire concernant l’expiration potentielle identifiée, Lokad assume la responsabilité de présenter cet appel à l’action. En revanche, s’il n’y a rien à faire (par exemple, le stock expirera malheureusement et il n’y a plus aucune mesure corrective disponible), alors ces alertes ne seront qu’une distraction pour les équipes qui ne pourront rien y faire.
Rien n’est plus facile pour un fournisseur de logiciels d’entreprise que de produire des dizaines (voire des milliers) d’alertes, et pour de nombreux fournisseurs incompétents, c’est la seule chose qu’ils savent faire. Le véritable défi est de produire des appels à l’action, ce qui nécessite des fournisseurs (comme Lokad, dans ce cas) de trier ce qui est réalisable de ce qui ne l’est pas.
Voir aussi Complications 5.6 dans cette FAQ.
5.8 Pouvez-vous optimiser le QEO (Quantité Économique de Commande) en tenant compte des coûts de commande, des coûts entrants, des coûts de stockage des stocks et des coûts de capital immobilisé?
Résumé exécutif: Oui, la plateforme de Lokad peut optimiser les QEO en tenant compte de divers coûts tels que les coûts de commande, d’expédition, de stockage, de capital de travail et les coûts d’opportunité, ainsi que plusieurs autres moins évidents. Nous utilisons une approche plus avancée que la formule obsolète de Wilson, qui est inefficace en raison de ses hypothèses simplistes et de son incapacité à traiter les risques d’annulation des stocks. Lokad recommande d’intégrer les moteurs économiques dans chaque décision d’achat plutôt que de se concentrer uniquement sur la quantité de commande.
La plateforme de Lokad a été conçue pour l’optimisation économique des décisions en matière de chaîne d’approvisionnement. En particulier, il est facile de refléter tous les frais généraux associés à une commande, y compris les coûts de commande, les coûts d’expédition, les coûts de stockage, le coût de l’argent (capital de travail) et les coûts d’opportunité. De plus, les capacités programmatiques de Lokad permettent également de traiter tous les coûts spécialisés qui peuvent être pertinents pour l’entreprise du client au-delà de la liste restreinte mentionnée ci-dessus. Cependant, nous recommandons d’internaliser les moteurs économiques dans chaque décision d’achat, au lieu de se concentrer sur une quantité à commander, comme c’est le cas dans le QEO.
La théorie classique de la chaîne d’approvisionnement propose d’utiliser la formule de Wilson pour le QEO (quantité économique de commande). Cette approche présente un défaut grave et immédiat : elle impose un arrondi grossier qui s’avère inefficace la plupart du temps. Par conception, le QEO ne peut pas prendre en compte le risque de dépréciation des stocks. Ainsi, bien qu’il puisse être quelque peu inefficace de commander une quantité inférieure au QEO théorique, c’est, en pratique, souvent une bien meilleure option que de commander davantage et de générer instantanément une dépréciation importante.
Voir aussi Coûts des stocks pour en savoir plus sur l’approche de Lokad en matière d’évaluation, de catégorisation et d’optimisation des coûts des stocks.
5.9 Avez-vous des KPI pour les stocks en statut “Non Conformité” ?
Oui, la plateforme de Lokad peut facilement fournir un tableau de bord et/ou des KPI pour les stocks en statut “Non Conformité”. Comme notre plateforme est programmatique, toutes les données pouvant être extraites du système commercial transactionnel peuvent être affichées. Cela signifie également qu’il n’y a aucune limitation quant au calcul/présentation des KPI - ils peuvent être entièrement conçus selon les spécifications/règles du client. Une plateforme programmatique est nécessaire ici car il n’existe pas de définition standard pour le manque de conformité entre les entreprises.
La plateforme de Lokad est également capable de produire un modèle prédictif de ces événements de non-conformité en exploitant les données historiques. Par exemple, certains fournisseurs peuvent avoir des problèmes de qualité, et une fraction de leur livraison ne passe pas toujours l’inspection. En conséquence, les quantités effectivement disponibles pour servir les clients du client sont souvent inférieures à celles initialement commandées. En modélisant ces événements avec un modèle de prévision probabiliste, Lokad peut produire des décisions de commande ajustées au risque qui tiennent également compte de cette incertitude.
5.10 Fournissez-vous un rapport sur les matériaux critiques ?
Oui, la plateforme de Lokad peut facilement générer un rapport sur les matériaux jugés “critiques” par le client.
Pour Lokad, il s’agit d’un concept flou car il n’existe pas de définition fixe de ce qui constitue un “rapport sur les matériaux critiques”. Dans notre expérience, cela varie d’un secteur à l’autre. Pour les produits de grande consommation, les “matériaux critiques” sont généralement ceux qui tournent le plus, avec les volumes les plus élevés à la fois en unités et en termes monétaires. Pour l’aviation, la “criticité” se réfère aux pièces qui pourraient causer un incident AOG (avion au sol) si elles sont en rupture de stock. Pour les magasins de marchandises générales, la “criticité” se réfère fréquemment aux produits que les clients s’attendent typiquement à trouver en magasin.
Les capacités programmatiques de Lokad sont essentielles pour répondre à cette classe d’exigences. Grâce à ces capacités, toute règle qui pourrait être mise en œuvre dans un tableur ou dans un outil de business intelligence peut également être mise en œuvre via notre plateforme. Ne pas disposer de telles capacités programmatiques obligerait les praticiens de la supply chain à revenir aux tableurs car ils ne peuvent se permettre une approximation vague de ce qui est jugé “critique” par leur entreprise. La couche analytique (Lokad dans ce cas) doit être en mesure de respecter pleinement les subtilités de l’entreprise, d’où la nécessité d’une fonctionnalité et d’une liberté programmatiques complètes.
6. Reporting
6.1 Avez-vous des KPI pour le montant total des stocks ? Couvrent-ils spécifiquement les taux de rotation et de couverture ? De plus, ces KPI peuvent-ils être segmentés selon le numéro de pièce (P/N), la plateforme produit et la qualité du produit, et fournir un rapport mensuel sur les progrès réalisés dans différentes activités et secteurs en fonction de la qualité des produits ?
Résumé exécutif : Oui, Lokad propose des capacités de reporting étendues, y compris des KPI personnalisables pour la gestion des stocks, adaptables aux exigences spécifiques du client telles que le numéro de pièce, la plateforme produit et la qualité du produit. Notre langage spécifique au domaine (Envision) simplifie la visualisation des données et la création de tableaux de bord, en abordant les structures de données uniques de chaque entreprise sans avoir besoin de formats de données standard, évitant ainsi les projets d’intégration longs courants avec les logiciels d’entreprise traditionnels. Cette approche garantit une productivité élevée, une fiabilité et une évolutivité dans la génération de rapports sur mesure et la gestion de l’optimisation de la supply chain.
La plateforme de Lokad offre des capacités de reporting intégrées étendues. En règle générale, tout rapport pouvant être produit avec un tableur ou un outil de business intelligence peut également être produit par Lokad. Lokad a conçu un DSL (langage de programmation spécifique au domaine) dédié à l’optimisation prédictive de la supply chain (nommé “Envision”). Comme son nom l’indique, ce DSL met fortement l’accent sur la facilitation de la visualisation des données. Les Supply Chain Scientists de Lokad sont généralement responsables de la configuration de tous les tableaux de bord et KPI pertinents. De plus, la plateforme de Lokad a été conçue pour prendre en charge le rendu en temps constant de tableaux de bord complexes. Cela nous permet de créer des tableaux de bord qui rassemblent tous les éléments pertinents en un seul endroit, évitant ainsi aux praticiens de la supply chain de naviguer dans un dédale d’écrans/displays déconnectés tout en essayant d’obtenir les informations dont ils ont besoin pour leur routine quotidienne.
Tous les rapports produits par Lokad sont “sur mesure” pour l’entreprise cliente - contrairement à ce que l’on trouve généralement dans des logiciels similaires. En réalité, produire de tels rapports n’est possible qu’en utilisant une plateforme flexible et programmatique, étant donné que les rapports - même les “basiques” - dépendent entièrement des détails uniques de l’entreprise en question (y compris leur paysage applicatif). Dans notre expérience, aucune entreprise n’est identique, même si elles utilisent le même logiciel pour organiser leurs données commerciales de la même manière exacte.
Dans un environnement de production, la “plomberie des données” banale représente plus de 90% du travail investi dans la génération de tels rapports. Ainsi, à travers Envision, Lokad aborde frontalement le défi de productivité associé à cette plomberie des données. De plus, cette approche nous donne la possibilité de préserver toutes les codifications, hiérarchies et conventions préexistantes dans les autres systèmes commerciaux du client. Ainsi, Lokad finit par “parler exactement le même langage” que le personnel du client, au lieu d’introduire un autre ensemble de conventions que les employés doivent comprendre.
L’approche dominante dans les logiciels d’entreprise consiste à établir un ensemble d’exigences en matière de données. Une fois que les données d’entrée correspondent à ces exigences, toutes les fonctionnalités de reporting et d’analyse sont débloquées. Malheureusement, cette approche fonctionne mal pour tout sauf les plus petites entreprises. Il n’y a jamais de correspondance un à un entre les systèmes commerciaux d’origine (la source des données) et les systèmes analytiques emballés. En conséquence, la traduction des données est à la fois incroyablement exigeante et frustrante car il n’est tout simplement pas possible de tout faire correspondre. Ce qui semblait être une simple question de “configuration” pour importer les données commerciales dans le système analytique emballé se transforme invariablement en un projet d’intégration d’un an. C’est la conséquence inévitable de la tentative de concilier deux perspectives complexes distinctes sur la supply chain. Les choix de conception de la plateforme de Lokad éliminent entièrement ce problème.
6.2 Avez-vous des rapports sur la santé et la couverture des stocks?
Résumé exécutif: Oui, Lokad fournit des rapports sur la santé et la couverture des stocks grâce à des prévisions probabilistes avancées et des outils sur sa plateforme, permettant une évaluation précise des risques - généralement exprimés en termes monétaires. Ces évaluations des risques financiers sont les “risques de santé” fondamentaux pour les stocks du client. Contrairement aux prévisions de séries temporelles traditionnelles qui ne considèrent qu’un seul futur, l’approche de Lokad tient compte de plusieurs valeurs futures possibles (par exemple, la demande), offrant une vue plus précise et complète des risques de stocks, aidant ainsi à éviter - ou du moins à réduire - les problèmes de santé des stocks.
La pratique par défaut de Lokad est de fournir des instruments de supervision des stocks, tels que des rapports sur la santé et la couverture des stocks. Les Supply Chain Scientists de Lokad sont responsables de la génération de ces rapports. La plateforme de Lokad est dotée de capacités de reporting étendues et programmatiques. Cela inclut tous les outils nécessaires pour convertir les prévisions probabilistes - concernant la demande, le délai de livraison et toutes les sources de l’incertitude pertinente - en projections de haut niveau, reflétant idéalement les coûts des stocks en dollars, plutôt qu’en pourcentages.
La “santé” des stocks est toujours relative aux conditions futures attendues du marché. Le nombre d’unités en stock n’est considéré comme excessif que s’il est bien au-delà de la demande future attendue, pas s’il est bien au-delà de la demande passée observée. Par exemple, la demande passée pourrait être nulle pour un nouveau produit ou pour un produit qui a subi une pénurie durable. Ainsi, l’enjeu crucial est de transformer les projections/prévisions en rapports.
Ici, les prévisions probabilistes (préférées par Lokad), qui considèrent tous les futurs possibles et leur attribuent des probabilités, sont idéales. C’est parce qu’elles nous permettent d’évaluer précisément les risques de stocks en attribuant des probabilités à la probabilité d’un risque, et d’évaluer ensuite l’impact financier potentiel associé à ce risque. Ce sont ces risques, exprimés en termes monétaires (par exemple, en dollars ou en euros), qui sont reflétés dans les rapports fournis par Lokad.
En revanche, les prévisions classiques basées sur les séries temporelles ne considèrent, par conception, qu’une seule valeur future possible (par exemple, la demande). En tant que telles, ces prévisions ne sont pas capables de transmettre de manière adéquate la large gamme de risques financiers auxquels le client peut être confronté en fonction de ses décisions en matière de stocks. La sophistication des prévisions basées sur les séries temporelles est sans importance : la forme/structure de la prévision ne transmet pas les informations requises. Certaines tentatives pour éviter ce problème ont impliqué des heuristiques rudimentaires pour évaluer les risques de stocks en inspectant directement le passé récent. Un exemple incluait le comptage des SKUs qui ont plus de X semaines de stocks en main (par exemple, 2 ou 3). Cependant, ces méthodes produisent invariablement des indicateurs de faible qualité qui induisent en erreur les praticiens de la supply chain plutôt que de les éclairer.
6.3 Pouvez-vous alerter l’équipe des achats lorsqu’une commande d’achat (PO) doit être reportée ou accélérée ?
Résumé exécutif : Oui, Lokad peut émettre ces “alertes”, bien que nous préférions le terme “décisions”. La plateforme de Lokad génère une liste automatisée de recommandations de prise de décision, y compris la révision réactive des commandes d’achat (PO) en fonction des avantages économiques et de la coopération des fournisseurs. Nous préférons “décisions” à “alertes”, car nos recommandations sont des appels à l’action directs (avec des coûts et des avantages modélisés), plutôt que simplement informer le client d’un problème potentiel.
Lokad automatise la génération de décisions avec une perspective qui inclut le report ou l’accélération des PO au besoin. Ces décisions sont priorisées en termes de récompense économique (tout comme les décisions typiques de Lokad), et les moteurs incluent les avantages économiques associés à une commande d’achat révisée. Ces moteurs peuvent inclure une mauvaise volonté négative pour refléter les frais généraux générés pour le fournisseur, et la probabilité d’obtenir l’acceptation et la mise en œuvre de la révision par le fournisseur. De même, Lokad peut suggérer de réviser la quantité de la commande à la hausse ou à la baisse, en supposant que le fournisseur soit disposé à cette option. Les Supply Chain Scientists de Lokad établissent les détails des options disponibles en ce qui concerne les PO, puis automatisent la logique qui génère les “alertes” correspondantes - quelque chose que Lokad préfère appeler “décisions”.
Lokad désigne les “alertes” comme des “décisions” car chacune des recommandations a des coûts et des avantages potentiels, entraînant des conséquences tangibles pour la supply chain. À cet égard, les recommandations ne sont pas fondamentalement différentes de recommander de passer une commande d’achat en premier lieu. La principale différence réside dans la volonté incertaine (ou la capacité) du fournisseur d’accepter la correction demandée pour la commande, mais dans le cas où le fournisseur se conforme à la demande, cette recommandation est autant un “ordre” que la commande initiale.
De nombreux logiciels d’entreprise offrent une perspective ancienne (maintenant obsolète) sur les décisions de la supply chain, limitant ces décisions à des situations étroites tirées des manuels tels que les achats ou le rééquilibrage des stocks. Ce type de logiciel ignore, par conception, toutes les options nuancées qui pourraient être envisagées avec les fournisseurs. Par exemple, le fournisseur peut avoir la possibilité d’accélérer, de reporter, d’augmenter ou de diminuer sa commande, voire éventuellement de substituer certains produits à d’autres. Parfois, le fournisseur a la possibilité d’envoyer une fraction de la commande anticipée, si l’entreprise cliente est prête à supporter les frais supplémentaires pour des expéditions multiples. Parfois, les marchandises non touchées peuvent être retournées au fournisseur pour une période spécifique. Les capacités programmatiques de la plateforme de Lokad sont un ingrédient technologique nécessaire pour aborder ces options nuancées.
6.4 Pouvez-vous alerter l’équipe d’approvisionnement lorsque la date de livraison prévue est atteinte/en retard ?
Oui, la plateforme de Lokad peut facilement générer et émettre des alertes lorsque la date de livraison prévue est dépassée. Notre approche de prévision probabiliste nous permet d’affiner ces alertes en présence de délais de livraison variables.
Une prévision probabiliste du délai de livraison peut être utilisée pour évaluer si un retard donné est réellement anormal ou simplement une variation insignifiante observée au quotidien dans la supply chain. De plus, les alertes peuvent être priorisées pour refléter l’impact économique attendu du retard. Par exemple, si la demande a chuté de manière inattendue, le délai supplémentaire peut s’avérer accidentellement insignifiant et ne nécessite donc pas l’attention immédiate de l’équipe d’approvisionnement. Fondamentalement, chaque élément en mouvement de la supply chain rivalise pour l’attention de l’équipe d’approvisionnement. Cette attention est une ressource rare, et c’est finalement celle que Lokad vise à maximiser avec les alertes qu’elle génère.
Fondamentalement, notre point de vue est que l’émission d’“alertes” (comme communément compris) est une approche obsolète, indicative de logiciels d’entreprise mal conçus. Les “alertes” appellent généralement l’attention du client sur un problème, plutôt que de fournir une recommandation/décision actionnable basée sur une évaluation financière claire de la situation. Lokad estime que c’est essentiellement notre responsabilité de générer des décisions ajustées au risque pour les clients, au lieu de les distraire avec des alertes basiques. Pour cette raison, bien que nous les émettions, notre utilisation des “alertes” doit être comprise comme des “actions correctives rentables en réponse à un problème”.
Voir aussi Reporting 6.3 dans cette FAQ.
7. Productivité
7.1 Les utilisateurs peuvent-ils définir manuellement des seuils de réapprovisionnement et/ou remplacer manuellement les paramètres de stock ?
Résumé exécutif : Oui, la plateforme de Lokad permet aux utilisateurs de définir manuellement des seuils de réapprovisionnement et de remplacer les paramètres de stock, y compris en ajoutant des ajustements temporaires. Cependant, nous déconseillons fortement les remplacements manuels fréquents. Au lieu de cela, s’il y a un problème avec les décisions que Lokad génère, nous préférons mettre à jour/affiner la recette numérique sous-jacente (algorithme) qui les génère. Lokad - philosophiquement, technologiquement et méthodologiquement - vise à surpasser les approches datées et peu fiables qui reposent sur des interventions manuelles, préférant une automatisation fiable et évolutive.
La plateforme de Lokad est hautement configurable, de sorte que le processus de réapprovisionnement des stocks peut facilement inclure des saisies/des remplacements manuels pour les seuils de réapprovisionnement ou d’autres paramètres de stock similaires (par exemple, min/max, stock de sécurité, etc.). De plus, il est également possible de considérer des variantes telles que l’assortiment des saisies manuelles avec des “dates d’expiration” si les praticiens de la supply chain s’attendent à ce que la situation revienne à la normale dans quelques semaines ou mois. Cela permettrait à la recette numérique régulière de reprendre le contrôle du processus de réapprovisionnement. Alors qu’un seuil fixe peut être bénéfique à court terme, il pose presque invariablement un problème à moyen terme, car le seuil perd sa pertinence initiale.
Plus généralement, Lokad recommande vivement de ne pas se fier aux remplacements manuels pour gérer les réapprovisionnements de stocks banals. Si la recette numérique qui régit les réapprovisionnements de stocks pose problème, alors cette recette doit être corrigée de toute urgence. Les Supply Chain Scientists de Lokad sont formés pour apporter les corrections nécessaires en temps voulu. Choisir de se fier aux remplacements manuels revient à demander au personnel du client de bricoler des correctifs à court terme. Cela est clairement inefficace et contraire à l’une des conséquences centrales de la théorie de la Supply Chain Quantitative de Lokad, à savoir rediriger le temps, les ressources et la bande passante vers des tâches à plus forte valeur ajoutée.
L’approche de Lokad s’oppose directement à celle de nombreux fournisseurs de logiciels d’entreprise qui proposent des technologies obsolètes qui enferment le consommateur dans des remplacements réguliers - inefficaces. Cette dynamique repose sur une compréhension tacite selon laquelle le client est responsable de corriger les erreurs que le logiciel produit. La responsabilité est souvent déviée du fournisseur de logiciels en émettant des “alertes” qui attirent l’attention du client sur une situation sous-optimale (sans fournir d’action corrective utile). Par conséquent, chaque fois que le réapprovisionnement est incorrect, la faute est rejetée sur le praticien qui aurait dû remplacer manuellement le système. Lokad considère cela comme une pratique scandaleuse, c’est précisément pourquoi nous ne le faisons pas.
7.2 Pouvez-vous automatiser les paramètres de stock en fonction de variables prédéfinies ou définies par l’utilisateur (par exemple, performance du fournisseur, niveau(s) de service cible, variabilité de la demande, classe SKU, durée de conservation, etc.) ?
Résumé exécutif : Oui, Lokad automatise les décisions en matière de stocks, y compris les paramètres de stock, grâce à un processus quotidien entièrement automatisé avec une intervention manuelle minimale. Cette automatisation s’adapte aux perturbations majeures au besoin. Le processus exploite des prévisions probabilistes pour traiter les incertitudes telles que la demande variable et les délais de livraison, et une approche financière robuste (implémentée à travers une optimisation stochastique) qui prend en compte la totalité des coûts et des contraintes. Cela permet à Lokad de maximiser le service et de minimiser les erreurs financières en présence de conditions incertaines dans la supply chain.
L’approche par défaut de Lokad est d’automatiser l’ensemble du processus qui régit le calcul des décisions en matière de stocks, telles que les quantités de réapprovisionnement. Pour Lokad, la norme est d’avoir un processus quotidien entièrement automatisé ne nécessitant aucune intervention manuelle. La grande majorité de nos clients fonctionnent pendant des semaines sans aucune intervention manuelle. Naturellement, lorsque des perturbations majeures sans précédent se produisent (par exemple, des chocs systémiques comme des confinements), les Supply Chain Scientists de Lokad sont prêts à intervenir et ajuster les recettes numériques pour atténuer la perturbation. Cependant, nous croyons que les décisions banales et routinières doivent être entièrement automatisées, afin de rediriger le temps et l’effort mental vers des tâches de plus haut niveau (comme la stratégie commerciale).
L’automatisation de la mise à jour de tous les paramètres de stock se fait à deux niveaux : le modèle prédictif et l’optimisation stochastique.
Lokad utilise des prévisions probabilistes pour toutes les sources d’incertitude pertinentes, telles que les délais de livraison, les retours, etc. Par exemple, dans le scénario de confinement mentionné ci-dessus, le cas de performance du fournisseur est implicitement un problème de variabilité des délais de livraison qui doit être traité à travers des prévisions probabilistes des délais de livraison. La plateforme de Lokad est non seulement capable de produire toutes ces prévisions probabilistes, mais aussi de combiner les prévisions en une vision probabiliste unifiée de l’avenir de l’entreprise. Au sein de la plateforme de Lokad, nous utiliserions généralement la programmation différentiable et notre algèbre des variables aléatoires à cette fin.
En ce qui concerne l’optimisation proprement dite, nous devons prendre en compte tous les coûts et contraintes pertinents. Par exemple, dans le même scénario de confinement, la durée de conservation ferait implicitement référence à un type spécifique de coût de possession non linéaire. L’une des raisons pour lesquelles Lokad promeut une approche financière à l’optimisation des stocks est qu’elle facilite la fusion de nombreuses préoccupations apparemment disparates en une perspective numérique unifiée. Cette perspective numérique aide Lokad à minimiser les dollars (ou euros) d’erreur de stock, tout en maximisant les dollars de retour obtenus en servant correctement les clients. Avec la plateforme de Lokad, nous utiliserions généralement nos capacités générales d’optimisation stochastique à cette fin. La partie “stochastique” fait référence à la capacité de Lokad à effectuer une optimisation dans des conditions bruyantes/incertaines/aléatoires.
7.3 Automatisez-vous l’émission de commandes d’achat (PO) ?
Résumé exécutif : Oui, Lokad automatise la génération de commandes d’achat (PO), en s’appuyant sur un pipeline de données automatisé pour l’entrée (et la sortie) des systèmes commerciaux, garantissant des commandes à jour et synchronisées. Il fonctionne comme une couche analytique au-dessus des systèmes transactionnels, calculant des quantités optimisées mais n’exécutant pas les étapes transactionnelles comme la création de PDF. Lokad propose également une option semi-automatisée avec des workflows de validation partielle, permettant une supervision manuelle pour les commandes critiques tout en automatisant les commandes routinières.
Lokad automatise la génération de commandes d’achat optimisées. Cette automatisation nécessite un pipeline d’extraction de données automatisé entre le client et la plateforme Lokad. Ce pipeline de données idéalement transporte des mises à jour quotidiennes, garantissant que Lokad fonctionne avec des données fraîches. Cela permet de maintenir les commandes d’achat générées en phase avec l’état de l’entreprise. Cette automatisation nécessite également un pipeline d’exportation de données automatisé de Lokad vers les systèmes commerciaux d’origine, où les étapes purement transactionnelles et routinières du processus de commande peuvent être complétées.
Lokad n’est pas un remplacement pour un système commercial transactionnel, tel qu’un ERP. Lokad est une couche analytique qui opère au-dessus du système commercial transactionnel. Lokad calculera les quantités optimisées (c’est-à-dire, combien devrait être commandé et quand) pour chaque commande d’achat. Cependant, Lokad ne générera pas un fichier de commande PDF à envoyer par e-mail au fournisseur (par exemple). Ces étapes relèvent du domaine des systèmes commerciaux transactionnels. Pour cette raison, Lokad génère des fichiers tabulaires plats contenant toutes les informations nécessaires. Ces données sont ensuite exportées vers le système commercial du client pour exécution.
Il est possible pour nous d’établir un processus semi-automatisé avec un flux de validation partielle au sein de la plateforme de Lokad. Par exemple, l’entreprise cliente pourrait décider que les commandes d’achat “triviales” sont automatiquement validées (typiquement les petites commandes), tout en demandant à un praticien de la supply chain d’intervenir et de valider manuellement les quantités de commande recommandées par Lokad au-dessus d’un certain seuil/paramètre désiré. Ces règles peuvent également être mises à jour au fil du temps. Au fur et à mesure que le projet avance, et que les clients voient la valeur générée, le seuil de validation manuelle a tendance à être augmenté. En fin de compte, cela allège la charge sur les équipes de supply chain du client.
7.4 Avez-vous une fenêtre de planification/achat qui affiche l’ensemble des tâches de la journée, organisées par priorité?
Résumé exécutif: Oui, la plateforme de Lokad fournit un tableau de bord unifié spécial, spécialement conçu chaque jour pour les fonctions corporatives de haut niveau. Cette fenêtre unique organise et affiche les tâches, y compris les appels à l’action comme la gestion des commandes d’achat et les inspections des anomalies de données, et les priorise en termes d’impact monétaire.
Lors de l’utilisation de la plateforme de Lokad, nous recommandons pour chaque fonction corporative, de rassembler dans un tableau de bord web unique (c’est-à-dire, une seule fenêtre) tous les appels à l’action classés par priorité. La priorité devrait être exprimée en termes monétaires (dollars ou euros d’impact) qui reflètent véritablement ce qui est en jeu si l’appel à l’action n’est pas traité. Pour un planificateur de la demande et de l’approvisionnement, ce tableau de bord inclurait généralement les nouvelles commandes d’achat recommandées, ainsi que les anciennes commandes d’achat qui nécessitent une attention supplémentaire (par exemple, accélérer, reporter, augmenter, réduire). Les Supply Chain Scientists de Lokad sont généralement responsables d’organiser les tableaux de bord de manière à aligner avec la structure corporative unique de chaque client. Cela est crucial pour un tel tableau de bord étant donné que les frontières entre les équipes d’approvisionnement/planification/gestion des stocks/achats/finance ont tendance à varier d’une entreprise à une autre.
Ces appels à l’action peuvent également inclure l’inspection des anomalies de données qui s’avèrent conséquentes pour le client, telles que des prix de détail incorrects, des MOQ (quantités de commande minimales) incorrects, des niveaux de stock incorrects, etc. Ces appels à l’action sont également priorisés en fonction de leur impact économique potentiel. Plus généralement, Lokad évite deux écueils qui sont trop courants dans les logiciels d’entreprise. Tout d’abord, nous ne répartissons pas la charge de travail d’un utilisateur donné sur des écrans dispersés (ou fenêtres/pages web).
Au contraire, la plateforme de Lokad a été spécifiquement conçue pour fournir des tableaux de bord complexes en temps constant. Ce détail technique s’avère critique lorsqu’il s’agit de rassembler de nombreux éléments disparates dans un seul tableau de bord au bénéfice de l’utilisateur final. Deuxièmement, la plateforme de Lokad a également été spécifiquement conçue pour prendre en charge l’analyse économique de bout en bout, unifiant ainsi tous les appels à l’action sous une logique de priorisation commune exprimée en termes monétaires.
Notes
-
En termes simples, il s’agit de l’algorithme sophistiqué utilisé pour générer les décisions en matière de supply chain du client. Il est conçu pour refléter les objectifs spécifiques de la supply chain du client, ainsi que pour prendre en compte la totalité de leurs contraintes et moteurs. ↩︎
-
Les décisions recommandées par Lokad sont généralement whiteboxées à travers leurs moteurs économiques. La décomposition des facteurs (exprimés en euros ou dollars d’impact) explique ‘pourquoi’ une certaine décision est recommandée. Ces informations sont transmises à travers plusieurs tableaux de bord personnalisables. Consultez la Technologie de Lokad pour plus d’informations sur la manière dont les clients interagissent avec leurs décisions en matière de supply chain. ↩︎