Prochaine conférence en DIRECT : https://www.linkedin.com/events/6930896782474285056/6 juillet, 15h00, CET (Paris) - Regarder sur YouTube

Cette série continuelle de conférences présente les fondations de la gestion d'une supply chain : les défis, la méthodologie, et les technologies. Le but est de permettre aux entreprises d'atteindre une performance de la supply chain de niveau supérieur dans le "monde réel". La vision présentée dans ces conférences diverge de la théorie dominante des supply chains, et s'intitule supply chain quantitative. Les conférences sont présentées par Joannes Vermorel, PDG et fondateur de Lokad. Ces conférences sont illustrées avec des exemples tirés de supply chains réelles que Lokad gère pour le compte de ses clients.



Public visé : Ces conférences visent tous ceux qui ont pour ambition d'améliorer les supply chains, qu'ils soient cadres supérieurs, analystes débutants, ou encore étudiants. Les conférences comprennent une série de "cours accélérés" pour réduire au minimum les connaissances pré-requises nécessaire.

1. Prologue    1.1 Les fondations de la supply chain    1.2 La Supply Chain Quantitative en bref    1.3 Livraison axée sur le produit    1.4 Paradigmes de Programmation pour la Supply Chain    1.5 Les tendances du XXI e siècle en supply chain    1.6 Principes quantitatifs pour les supply chains 2. Méthodologie    2.1 Personnages de la Supply Chain       2.1.1 Paris - une marque de mode avec un réseau de détaillants    2.2 Optimisation expérimentale    2.3 Connaissance Négative    2.4 Etude de Marché Antagoniste    2.5 Ecrire pour les supply chains 3. Personnages    3.1 Miami - un MRO d'aviation    3.2 Amsterdam - les marques de fromage    3.3 San Jose - commerce électronique d'articles de maison    3.4 Stuttgart - un distributeur de pièces détachées en service après-vente automobile    3.5 Geneva - un horologer grand luxe 4. Les sciences auxiliaires    4.1 Les ordinateurs modernes    4.2 Les algorithmes modernes    4.3 Optimisation mathématique    4.4 L'apprentissage automatique    4.5 Langues et compilateurs    4.6 La conception logicielle    4.7 La cybersecurité    4.8 L'économie quantitative    4.9 Rationalité et science    4.10 Les logiciels d'entreprise    4.11 Structure de l'entreprise et incitations    4.12 Théorie de l'information    4.13 Psychologie    4.21 Les blockchains 5. Modélisation prédictive    5.0, N°1 au niveau des SKU au concours M5 des prévisions    5.1 Modélisation prédictive structurée    5.2 Les prévisions probabilistes    5.3 Interlude, repenser les prévisions       5.3.1 La pratique des boîtes blanches       5.3.2 Les boucles de rétroaction       5.3.3 Sources de données au-delà des données transactionnelles       5.3.4 Modification manuelles des prévisions (anti-modèle) 6. Prise de décision    6.1 Allocation de stocks de détail avec des prévisions probabilistes    6.2 Décisions discrètes, MOQ, et autres contraintes    6.3 Moteurs économiques    6.4 Programmation Différentiable (2ème partie)       6.4.1 Pilotage de la promotion de fin de collection pour Paris       6.4.2 Tarification compétitive pour Stuttgart    6.5 Interlude, repenser l'optimisation       6.5.1 Exécution robotisée       6.5.2 Cultiver les options       6.5.3 Cultiver la connaissance 7. Exécution tactique et stratégique    7.1 Elaborer une vision, une portée, et une pipeline de données    7.2 Des décisions à la production    7.3 Embaucher et former une équipe    7.4 Au-delà du S&OP et de la BI (informatique décisionnelle), positionner la supply chain dans l'entreprise 8. Infrastructure logicielle    8.1 La propriété des recettes numériques    8.2 Correct par conception    8.3 Mutualisation et miscibilité du matériel    8.4 Une stack intégrée pour fournir des applications de prédiction    8.5 Priorité au relationnel pour préparer, apprendre, et optimiser    8.6 Maintenabilité profonde    8.7 Sécurité profonde 9. Connaissance négative    9.1 Une mauvaise exécution       9.1.1 Classiques toxiques       9.1.2 Le Dark UX et les flux de travail sombres       9.1.3 Logiciels porcelaine    9.2 Une mauvaise gestion       9.2.1 De l'indécision et l'ignorance vers les RFP (demandes de proposition) et les prototypes       9.2.2 Le jugement de Salomon inversé       9.2.3 Offrandes sacrificielles aux dieux des prévisions    9.3 Pseudo-science       9.3.1 Théories simplistes suggérant la complexité       9.3.2 Théories obscures pour se sentir initié

1. Prologue

1.1 Les fondations de la supply chain

La Supply Chain correspond à la maîtrise quantitative, mais aussi intelligente, de l'optionnalité lorsque l'on fait face à la variabilité et aux contraintes liées au flux des marchandises physiques. Cela comprend l'approvisionnement, l'achat, la production, le transport, la distribution, la promotion, etc.; mais en mettant l'accent sur l'entretien et la sélection des options, par opposition à la gestion directe des opérations sous-jacentes. Nous verrons la façon dont la perspective de la supply chain "quantitative", présentée dans cette série de conférences, diverge profondément de ce qui est considéré comme la théorie dominante de la supply chain.

Références bibliographiques:

• Inventory Management and Production Planning and Scheduling, Edward A. Silver, David F. Pyke, Rein Peterson, 1998
• Fundamentals of supply chain theory, Lawrence V. Snyder, Zuo-Jun Max Shen, 2011
  

1.2 La Supply Chain Quantitative en bref

Le manifeste de la supply chain quantitative met l'accent sur une courte suite de points saillants pour comprendre la façon dont cette théorie alternative, proposée par Lokad qui en est le pionnier, diverge de la théorie dominante de la supply chain. Il pourrait être résumé ainsi : chacune des décisions est évaluée par rapport à tous les futurs possibles en fonction des facteurs économiques. Cette perspective a graduellement émergé chez Lokad comme la théorie dominante de la supply chain, et son application par (presque ?) tous les fournisseurs de logiciels reste un défi.

1.3 Livraison axée sur le produit

L'objectif d'une initiative de supply chain quantitative est de livrer ou d'améliorer une application logicielle qui robotise la portée des décisions de routine (comme les réapprovisionnements de stock, l'actualisation des prix). L'application est perçue comme un produit à mettre au point. Tantdis que la théorie dominante de la supply chain éprouve des difficultés à s'imposer dans les entreprises de manière globale, un outil (Microsoft Excel) a joui d'un succès opérationnel considérable. Réimplémenter les recettes numériques de la théorie dominante de la supply chain à l'aide de tableurs est trivial, pourtant, ce n'est pas ce qui se produit en pratique, malgré la connaissance de cette théorie. Nous démontrons que les tableurs ont percé en adoptant des paradigmes de programmation qui se sont avérés supérieurs dans la délivrance de résultats relatifs à la supply chain.

Référence bibliographique :

• Joel on Software: And on Diverse and Occasionally Related Matters That Will Prove of Interest to Software Developers, Designers, and Managers, and to Those Who, Whether by Good Fortune or Ill Luck, Work with Them in Some Capacity, Joel Spolsky, 2004
  

1.4 Paradigmes de Programmation pour la Supply Chain

L'optimisation prédictive des supply chains rend nécessaire les paradigmes de programmation. En effet, alors que l'angle "programmatique" ne peut guère être évité par l'utilisation d'un pack logiciel (cf. la conférence précédente), les approches dominantes de la programmation impliquent diverses couches de difficultés accidentelles qui portent grandement atteinte aux initiatives de la supply chain. Nous présentons une série de paradigmes de programmation qui conviennent particulièrement aux supply chains du monde réel. Cette conférence est illustrée par Envision, le DSL (Langage de programmation spécifique à un domaine) dédié à l'optimisation des supply chains, et mis au point par Lokad à partir de ces paradigmes de programmation.

Réréfence bibliographique (livre mentionné dans la partie Q&A de la conférence) :

• Dynamic Supply Chains: How to design, build and manage people-centric value networks, John Gattorna, 2015
  

1.5 Les tendances du XXI^e siècle en supply chain

Quelques tendances majeures ont dominé l'évolution des supply chains au cours des dernières décennies, ce qui a grandement refaçonné les divers défis auxquels les entreprises sont confrontées. Certains problèmes se sont largement effacés, comme les risques physiques ou les problèmes de qualité. D'autres ont émergé, comme la complexification globale et l'intensification de la concurrence. Plus particulièrement, le logiciel refaçonne également les supply chains de manière profonde. Une enquête rapide sur ses tendances nous aide à comprendre ce sur quoi la théorie de la supply chain devrait se concentrer.

Référence (article mentionné dans la partie Q&A de la conférence) :

• Tokeda, métadonnées viables basées sur des jetons au sein de Bitcoin, Joannes Vermorel, 2018, (cas d'utilisation de blockchain pour lutter contre les contrefaçons page 28)
  

1.6 Principes quantitatifs pour les supply chains

Alors que les supply chains ne peuvent voir leur définition réduite à des lois quantitatives définitives (contrairement à l'électromagnétisme), des principes quantitatifs généraux sont toujours observables. Par "généraux", nous entendons que ces principes sont applicables à (presque) toutes les supply chains. Découvrir de tels principes est donc d'un intérêt majeur, puisque qu'ils peuvent être utilisés pour faciliter la conception de recettes numériques dans le but de réaliser une optimisation prédictive des supply chains; mais ils peuvent également être employés pour rendre ces recettes numériques globalement plus efficaces. Nous passons en revue deux listes brèves de principes : quelques principes d'observation, et quelques principes d'optimisation.

2. Méthodologie

L'étude et la pratique de la supply chain doivent être ancrées dans la science. En d'autres termes, elles doivent être appuyées par des méthodes scientifiques. En effet, au cours des trois derniers siècles, chaque domaine étant parvenu à s'élever via une pratique expérimentale et appropriée, a réalisé des progrès fantastiques qui ont finis par être reconnus comme étant le sceau de la "science". Cependant, la supply chain n'a pas vécu de tels progrès, ou du moins pas encore, et cela est majoritairement dû à l'utilisation de méthodologies expérimentales inappropriées. La nature sournoise de la supply chain requiert des méthodes appropriées, ce que nous explorons dans le présent chapitre.

2.1 Personnages de la Supply Chain

Un "personnage" de supply chain est une entreprise fictive. Pourtant, bien qu'une entreprise soit fictive, cette fiction est mise au point dans le but de mettre en lumière ce qui mérite plus d'attention, du point de vue de la supply chain. Cependant, le personnage n'est pas idéalisé, dans le sens où il ne simplifie pas les défis relatifs à la supply chain. Au contraire, le but est d'exagérer les aspects les plus difficiles de la situation, ceux qui résisteront le plus aux tentatives de modélisation quantitative et de pilotage d'une initiative qui viseraient à améliorer la supply chain. Dans la supply chain, les études de cas (lorsqu'un ou plusieurs partis sont nommés) représentent d'importants conflits d'intérêt. Les entreprises et les fournisseurs qui les soutiennent (logiciel, conseil) ont tout intérêt à présenter le résultat sous un jour favorable. De surcroît, les supply chains réelles souffrent ou tirent généralement avantage des conditions accidentelles qui n'ont aucun rapport avec la qualité de leur exécution. Les personnages de la supply chain sont la réponse méthodologique apportée à ces problèmes.

Références bibliographiques :

• Introduction à l'étude de la médecine expérimentale, https://www.irphe.fr/~clanet/otherpaperfile/articles/Bernard/bernard_introduction_etude_medecine_experimentale.pdf, Claude Bernard, 1865
• The Phoenix Project: A Novel about IT, DevOps, and Helping Your Business Win, Gene Kim, Kevin Behr, George Spafford, 2013
• Unsupervised Machine Translation Using Monolingual Corpora Only, Guillaume Lample, Alexis Conneau, Ludovic Denoyer, Marc'Aurelio Ranzato, 2018
  

2.1.1 Paris - une marque de mode avec un réseau de détaillants

Paris est une marque de mode européenne fictive qui exploite un vaste réseau de distribution. La marque vise le public féminin et se positionne comme étant relativement abordable. Tandis que la ligne de design est relativement classique et sobre, le principal moteur commercial a toujours été la nouveauté. Diverses collections sont introduites chaque année pour lancer des vagues de nouveaux produits. Lancer le bon produit, au bon moment, au bon prix, et avec la bonne quantité de stock est l'un des défis principaux.

2.2 Optimisation expérimentale

Loin de la perspective cartésienne naïve qui voudrait que l'optimisation ne consiste qu'à déployer un optimiseur pour une fonction de score donnée, la supply chain doit avoir recours à un processus itératif. Chaque itération est utilisée dans le but d'identifier les décisions "insensées" qu'il faut examiner et corriger. La cause première vient souvent de facteurs économiques inappropriés qu'il faut réévaluer sous le prisme des conséquences imprévues qu'ils engendrent. Les itérations changent de nature lorsque les recettes numériques ne produisent plus de résultats insensés.

Références bibliographiques:

• La logique de la découverte scientifique, Karl Popper, 1934
  

2.3 Connaissance Négative

Les anti-modèles sont le stéréotype des solutions qui paraissent bonnes mais ne le sont pas en pratique. L'étude systématique des anti-modèles a débuté à la fin des années 1990 dans le domaine du génie logiciel. Lorsqu'ils peuvent être mis en application, les anti-modèles sont supérieurs aux résultats négatifs bruts, puisqu'ils sont plus faciles à mémoriser et à étudier. La perspective anti-modèle est d'une importance capitale pour la supply chain et devrait être considérée comme l'un des piliers de la connaissance négative qui s'y rapporte.

Références bibliographiques:

• AntiPatterns: Refactoring Software, Architectures, and Projects in Crisis. y William J. Brown, Raphael C. Malveau, Hays W. "Skip" McCormick, Thomas J. Mowbray, 1998
• La liste des anti-modèles de supply chain de Lokad
  

2.4 Etude de Marché Antagoniste

Les supply chains modernes dépendent d'une myriade de logiciels. Sélectionner les bons fournisseurs est une question de survie. Cependant, le nombre de fournisseurs étant conséquent, les entreprises ont besoin d'une approche systématique dans la réalisation de cette opération. La pratique de l'étude de marché traditionnelle part de bonnes intentions, mais se conclue immanquablement par de mauvais résultats, puisque les entreprises d'étude de marché finissent par servir de façade marketing aux entreprises qu'elles sont supposées analyser. L'espoir de voir émerger une entreprise d'étude totalement objective est vain. Cependant, l'évaluation fournisseur par fournisseur est une méthodologie qui permet de produire des résultats objectifs, même pour une entreprise d'étude de marché biaisée.

Références bibliographiques:

• Epistemic Corruption, the Pharmaceutical Industry, and the Body of Medical Science. Sergio Sismondo, 2021 (texte)
• Influence: The Psychology of Persuasion. Robert B. Cialdini, 1984
• Procurement Guidance, Conflict of Interest, The World Band, 2020 (PDF)
  

2.5 Ecrire pour les supply chains

Les supply chains impliquent de coordonner des équipes de grande taille. Ainsi, les supports écrits sont rois. Les supply chains modernes ne sont tout simplement pas compatibles avec une tradition orale. Pourtant, les praticiens de la supply chain s'en sortent souvent très mal en ce qui concerne leurs compétences en communication écrite. Examinons ce que les études d'utilisabilité, ainsi que quelques experts notables ont à dire sur la question. Par ailleurs, les initiatives relatives à la supply chain, réalisées à travers une approche d'optimisation expérimentale, doivent faire l'objet d'une documentation approfondie. Les formules et le code source répondent aux questions du quoi et du comment, mais pas à la question du pourquoi. La documentation doit permettre aux scientifiques de la supply chain de comprendre le problème auquel ils font face. Avec le temps, cette documentation devient clé pour garantir une transition sans problèmes d'un scientifique de la supply chain à l'autre.

Références bibliographiques:

• The Elements of Style (First Edition), William Strunk Jr, 1918
• F-Shaped Pattern For Reading Web Content, Jakob Nielsen, 2006 (texte)
  

3. Personnages

Une série de personnages de la supply chain suite à la méthodologie donnée dans le chapitre précédent.

3.1 Miami - un MRO d'aviation

Miami est un MRO (Maintenance, Réparation, Opérations) d'aviation fictif aux Etats-Unis qui dessert une importante flotte d'avions commerciaux. En aviation, la sécurité est capitale. Les pièces et composants doivent être inspectés quotidiennement et potentiellement réparés. Miami a pour mission de maintenir les avions en condition de vol à tout moment, en évitant les incidents AOG (avion au sol), ce qui se produit à chaque fois qu'il manque une pièce nécessaire à une opération de maintenance.

3.2 Amsterdam - les marques de fromage

Amsterdam est une entreprise PCG fictive qui est spécialisée dans la production de fromages, crèmes et beurres. Elle gère un large évantail de marques dans de nombreux pays. De multiples objectifs commerciaux en conflit doivent être équilibrés : la qualité, le prix, la fraîcheur, le gaspillage, la diversité, la région de production, etc. Par essence, la production de lait et les promotions au détail placent l'entreprise entre le marteau et l'enclume en termes d'offre et de demande.

3.3 San Jose - commerce électronique d'articles de maison

San Jose est un commerce électronique fictif qui distribue une variété de meubles et accessoires pour la maison. Elle opère sur sa propre plateforme de marché en ligne. Sa marque privée est en concurrence avec les marques externes, à la fois en interne et en externe. Afin de rester compétitive vis-à-vis des acteurs plus ou moins chers, la supply chain de San Jose essaie de miser sur une grande qualité de service qui prend plusieurs formes et va bien au-delà de la livraison dans les temps des marchandises commandées.

3.4 Stuttgart - un distributeur de pièces détachées en service après-vente automobile

En cours

3.5 Geneva - un horologer grand luxe

En cours

4. Les sciences auxiliaires

La maîtrise de la supply chain repose énormément sur une multiplicité de domaines. Il est fréquent de présenter la théorie de la supply chain comme un type de mathématiques appliquées, ce qui est trompeur. Ces cours accélérés visent à fournir le contexte culturel requis pour une pratique bien pensée de la supply chain qui ne peut et ne devrait pas être réduite à une série de "modèles".

4.1 Les ordinateurs modernes

Les supply chains modernes ont besoin de ressources informatiques pour fonctionner, tout comme les tapis roulants motorisés ont besoin d'électricité. Pourtant, les systèmes de supply chain qui rament sont omniprésents, alors même que le pouvoir de traitement des ordinateurs s'est amélioré d'un facteur de plus de 10 000x depuis 1990. Une longue méconnaissance des caractéristiques fondamentales des ressources informatiques modernes (même dans les cercles informatiques ou de science des données) explique en grande partie cet état de fait. La conception logicielle qui sous-tend les recettes numériques ne doit pas contrarier le substrat informatique sous-jacent.

4.2 Les algorithmes modernes

L'optimisation des supply chains repose sur la résolution de moult problèmes numériques. Les algorithmes sont des recettes numériques hautement codifiées qui visent à résoudre des problèmes informatiques précis. Des algorithmes supérieurs signifient que des résultats supérieurs peuvent être atteints avec des ressources informatiques moindres. En se concentrant sur les questions spécifiques relatives à la supply chain, la performance de l'algorithme peut être largement améliorée, parfois même par des ordres de grandeur. Les algorithmes de "supply chain" doivent également tenir compte de la façon dont sont conçus les ordinateurs modernes, ce qui a évolué de manière significative au cours des dernières décennies.

Références bibliographiques :

• Introduction to Algorithms, Thomas H. Cormen, Charles E. Leiserson, Ronald L. Rivest, and Clifford Stein, 2009
  

4.3 Optimisation mathématique

L'optimisation mathématique correspond au processus de minimisation d'une fonction mathématique. Presque toutes les techniques d'apprentissage statistique modernes (c'est-à-dire la prévision, si nous adoptons un point de vue supply chain) reposent majoritairement sur une optimisation mathématique. En outre, une fois les prévisions réalisées, identifier les décisions les plus rentables repose également, à la base, sur une optimisation mathématique. Les problèmes de supply chain impliquent généralement de nombreuses variables. Ils sont aussi souvent stochastiques par nature. L'optimisation mathématique est la pierre angulaire de la pratique moderne de la supply chain.

Références bibliographiques :

• The Future of Operational Research Is Past, Russell L. Ackoff, February 1979
• LocalSolver 1.x: A black-box local-search solver for 0-1 programming, Thierry Benoist, Bertrand Estellon, Frédéric Gardi, Romain Megel, Karim Nouioua , September 2011
• Automatic differentiation in machine learning: a survey, Atilim Gunes Baydin, Barak A. Pearlmutter, Alexey Andreyevich Radul, Jeffrey Mark Siskind, last revised February 2018
  

4.4 L'apprentissage automatique

Les prévisions sont irréductibles au sein de la supply chain, car chaque décision prise (d'acheter, de produire, de stocker, etc.) est le reflet d'une anticipation des événements à venir. L'apprentissage statistique et l'apprentissage automatique ont largement remplacé le domaine de la "prévision" classique, à la fois d'un point de vue théorique et d'un point de vue pratique. Ce domaine d'étude a expérimenté des améliorations drastiques, qui demeurent considérablement mal comprises dans les cercles de "scientifiques des données". Nous explorerons ce domaine à travers la résolution de trois paradoxes. Tout d'abord, nous devons faire des déclarations précises sur les données dont nous ne disposons pas. Ensuite, nous devons résoudre les problèmes pour lesquels le nombre de variables dépasse largement le nombre d'observations. Enfin, nous devons travailler avec des modèles dont le nombre de paramètres dépasse largement les variables ou les observations. Nous tenterons de comprendre ce qu'une anticipation de l'avenir basée sur des données signifie d'une perspective moderne "d'apprentissage".

Références bibliographiques :

• A theory of the learnable, L. G. Valiant, November 1984
• Support-vector networks, Corinna Cortes & Vladimir Vapnik, September 1995
• Random Forests, Leo Breiman, October 2001
• LightGBM: A Highly Efficient Gradient Boosting Decision Tree, Guolin Ke, Qi Meng, Thomas Finley, Taifeng Wang, Wei Chen, Weidong Ma, Qiwei Ye, Tie-Yan Liu, 2017
• Attention Is All You Need, Ashish Vaswani, Noam Shazeer, Niki Parmar, Jakob Uszkoreit, Llion Jones, Aidan N. Gomez, Lukasz Kaiser, Illia Polosukhin, last revised December 2017
• Deep Double Descent: Where Bigger Models and More Data Hurt, Preetum Nakkiran, Gal Kaplun, Yamini Bansal, Tristan Yang, Boaz Barak, Ilya Sutskever, December 2019
• Generative Adversarial Networks, Ian J. Goodfellow, Jean Pouget-Abadie, Mehdi Mirza, Bing Xu, David Warde-Farley, Sherjil Ozair, Aaron Courville, Yoshua Bengio, June 2014
• Unsupervised Machine Translation Using Monolingual Corpora Only, Guillaume Lample, Alexis Conneau, Ludovic Denoyer, Marc'Aurelio Ranzato, last revised April 2018
• BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding, Jacob Devlin, Ming-Wei Chang, Kenton Lee, Kristina Toutanova, last revised May 2019
• A Gentle Introduction to Graph Neural Networks, Benjamin Sanchez-Lengeling, Emily Reif, Adam Pearce, Alexander B. Wiltschko, September 2021
  

4.5 Langues et compilateurs

La majorité des supply chains sont encore gérées par feuilles de calcul (c'est-à-dire Excel), alors même que les systèmes d'entreprise ont été mis en place une, deux, voire trois décennies auparavant et étaient censés les remplacer. En effet, les feuilles de calcul offrent une expressivité programmatique accessible, ce qui peut rarement être dit de ces systèmes. Plus généralement, depuis les années 1960, l'industrie logicielle de manière générale mais aussi plus précisément ses langues de programmation se sont constamment co-développées. Il a été prouvé que la prochaine étape dans la performance de la supply chain sera majoritairement influencée par le développement et l'adoption des langues de programmation, ou plutôt des environnements programmables.

4.6 La conception logicielle

Dompter la complexité et le chaos est la pierre angulaire du génie logiciel. Etant donné que les supply chains sont à la fois complexes et chaotiques, il ne devrait pas être surprenant d'apprendre que la plupart des problèmes de logiciel d'entreprise auxquels les supply chains sont confrontées se résument à une mauvaise conception logicielle. Les recettes numériques employées pour optimiser la supply chain sont les logiciels, et donc, sont sujets au même type de problème. Ces problèmes s'intensifient à mesure que les recettes numériques elles-mêmes se complexifient. Une conception logicielle digne de ce nom est donc aux supply chains ce que l'aseptisation est à l'hôpital : en soi, elle ne fait rien, elle ne traite pas les patients, mais sans elle, tout s'effondre.

4.7 La cybersecurité

La cybercriminalité est en pleine croissance. Les ransomware sont en plein essor. En raison de leur nature physiquement éparpillée, les supply chains sont particulièrement exposées. En outre, la complexité ambiante est un terrain fertile pour les failles de sécurité informatique. La sécurité informatique est par essence contre-intuitive, puisqu'elle correspond précisément à l'angle adopté par les agresseurs cherchant à trouver et exploiter les brèches. Selon les recettes numériques impliquées dans l'optimisation de la supply chain, les risques peuvent être accrus ou diminués.

4.8 L'économie quantitative

En économie, les lois sont loin d'être aussi solides et unies qu'elles ne le sont en physique. Néanmoins, ces lois charactérisent profondément le paysage au sein duquel les supply chains opèrent. Ces lois transmettent des connaissances préalables qui sont très utiles lorsqu'il s'agit de modéliser quantitativement les supply chains. A l'inverse, elles permettent aussi de comprendre pourquoi certaines méthodes, bien que séduisantes mathématiquement, ne sont pas faites pour la supply chain.

4.9 Rationalité et science

Les problèmes graves méritent de faire l'objet d'une introspection approfondie concernant ce que l'on peut faire en tant que "science". Une méthodologie rationnelle et positive est nécessaire. Le formalisme strict qui sévit dans les milieux universitaires n'est rien d'autre qu'un rationalisme naïf. Une perspective dite "visionnaire", telle qu'elle est présentée par les fournisseurs de "solutions", risque de n'être rien de plus que ded "joyeuses discussions". Ces problèmes sont exacerbés par la nature même des supply chains, au sein desquelles reproduire des résultats peut s'avérer être extêmement ardu. Pourtant, les supply chains ne sont pas la première discipline à faire face à de tels problèmes. Observons la façon dont l'épistémologie peut nous éclairer dans notre connaissance du cas particulier que sont les supply chains.

4.10 Les logiciels d'entreprise

Le paysage d'application des entreprises modernes forme de manière profonde, et souvent contre-intuitive, la façon dont les méthodes quantitatives peuvent être mises en œuvre, gérées, et maintenues. L'idée qu'une théorie de supply chain puisse d'une quelconque façon être isolée des contingences des forces économiques qui régissent les marchés de logiciels d'entreprise est doublement trompeuse. Tout d'abord, d'un point de vue académique, cela mène à un gaspillage des efforts de recherche menées sur les supply chains, puisque les problèmes ne sont pas correctement abordés. Deuxièmement, d'un point de vue entrepreneurial, que ce soit pour l'acheteur ou le vendeur des logiciels, cela mène à des technologies de supply chain défectueuses de par leur conception, qui ne donnent pas les résultats escomptés.

4.11 Structure de l'entreprise et incitations

Pour qu'une supply chain puisse être optimisée de manière significative, les intérêts de l'entreprise doivent prévaloir sur ceux des divers individus et partis impliqués dans l'exécution de la supply chain en elle-même : les employés, les cadres, les consultants, les fournisseurs de logiciel, les fournisseurs de matériel, etc. L'organisation elle-même conditionne dans une large mesure le degré d'optimisation qui peut être atteint. A l'inverse, l'organisation peut être réorganisée pour atteindre une performance supérieure de la supply chain. Une fois de plus, une théorie appropriée de la supply chain ne peut être séparée du substrat (humain) lui-même, où les supply chains opèrent.

4.12 Théorie de l'information

Les prévisions transforment les données historiques, un type d'informations, en des données prévisionnelles, un autre type d'informations. La "quantité d'information" présente dans les prévisions ne peut pas excéder la "quantité d'information" des données originelles : la logique prévisionnelle ne fait que transformer les données. La théorie de l'information fournit des éclairages profonds sur la nature de l'information elle-même. L'entropie informationnelle en particulier s'avère être un outil d'importance capitale pour évaluer la "profondeur" des données, ce qui peut être utilisé dans l'objectif d'optimiser la supply chain.

4.13 Psychologie

En cours

4.21 Les blockchains

Les cryptomonnaies ont beaucoup attiré l'attention. Des fortunes ont été gagnées. Des fortunes ont été perdues. Les schémas pyramidaux étaient omniprésents. D'un point de vue entrepreneurial, le terme de "blockchain" est l'euphémisme poli utilisé pour présenter des idées et technologies similaires tout en établissant une distanciation avec ces cryptomonnaies. Il existe des cas d'utilisation de la supply chain pour la blockchain, mais les défis abondent eux aussi.

Références bibliographiques :

• Bitcoin: A Peer-to-Peer Electronic Cash System, Satoshi Nakamoto, Oct 2008
• Majority is not Enough: Bitcoin Mining is Vulnerable, Ittay Eyal, Emin Gun Sirer, Nov 2013
• Elliptic Curve Multiset Hash, Jeremy Maitin-Shepard, Mehdi Tibouchi, Diego Aranha, Jan 2016
• Graphene: A New Protocol for Block Propagation Using Set Reconciliation, A. Pinar Ozisik, Gavin Andresen, George Bissias, Amir Houmansadr, Brian Levine, Sep 2017
• Snowflake to Avalanche: A Novel Metastable Consensus Protocol Family for Cryptocurrencies, Team Rocket, May 2018
• Tokeda, Viable token-driven metadata within Bitcoin, Joannes Vermorel, March 2018
• A taxonomy of the Bitcoin applicative landscape, Joannes Vermorel, May 2018
  

5. Modélisation prédictive

Une bonne anticipation quantitative des événements à venir est au cœur de l'optimisation de toute supply chain. La pratique des prévisions chronologiques a émergé au XXème siècle, et a eu une grande influence sur la plupart des grosses supply chains. La modélisation prédictive à la fois descend des prédictions par séries chronologiques et s'en éloigne massivement. Tout d'abord, elle prend en compte des exemples de types de problèmes bien plus divers. Deuxièmement, un paradigme programmatique est nécessaire au vu de la nature même des problèmes de la supply chain. Enfin, l'incertitude étant habituellement irréductible, les prévisions probabilistes sont également une nécessité.

5.0, N°1 au niveau des SKU au concours M5 des prévisions

En 2020, une équipe de Lokad est parvenue à finir 5ème sur 909 équipes concurrentes au M5, un concours de prévision international. Cependant, au niveau de la cohésion des SKU, ces prévisions ont atteint la première place. Les prévisions de la demande sont d'une importance capitale pour la supply chain. L'approche adoptée dans ce concours s'est montrée atypique, et bien différente des méthodes adoptées par les 50 meilleurs autres concurrents. Diverses leçons sont à tirer de cette réussite, comme prélude à d'autres défis de prédiction pour la supply chain à relever.

Références bibliographiques :

• A white-boxed ISSM approach to estimate uncertainty distributions of Walmart sales, Rafael de Rezende, Katharina Egert, Ignacio Marin, Guilherme Thompson, December 2021 (lien)
• The M5 Uncertainty competition: Results, findings and conclusions, Spyros Makridakis, Evangelos Spiliotis, Vassilis Assimakopoulos, Zhi Chen, November 2020 (lien)
  

5.1 Modélisation prédictive structurée

La Programmation Différentiable (PD) est un paradigme génératif utilisé pour mettre en oeuvre une classe très variée de modèles statistiques qui se trouvent être extrêmement bien adaptés pour faire face aux défis de la supply chain en termes de prédiction. Le PD nous vient de l'apprentissage profond, mais s'en détache par l'importance qu'elle accorde à la structure des problèmes d'apprentissage. Le PD remplace la quasi-totalité de la littérature prédictive "classique" basée sur les modèles paramétriques. Le PD dépassé aussi les algorithmes d'apprentissage automatique "classiques" (jusqu'à la fin des années 2010) dans pratiquement toutes les dimensions qui importent pour une utilisation pratique pour la supply chain, ce qui inclut la facilité d'adoption par les praticiens.

5.2 Les prévisions probabilistes

L'optimisation des supply chains repose sur une bonne anticipation des événements à venir. Numériquement, ces événements sont anticipés au moyen de prévisions qui englobent une large variété de méthodes numériques utilisées pour quantifier ces événements à venir. Depuis les années 1970, la forme la plus répandue de prévision employée est la prévision ponctuelle par séries chronologiques : une quantité mesurée au cours du temps, telle que la demande en unités pour un produit, est projetée dans le futur. Une prévision est dite probabiliste si elle renvoie les probabilités associées à tous les résultats futurs possibles, plutôt que de pointer du doigt un résultat particulier comme étant "LA" prévision. Les prévisions probabilistes sont importantes dès lors que l'incertitude est irréductible, ce qui est presque toujours le cas lorsqu'il s'agit de systèmes complexes. Pour les supply chains, les prévisions probabilistes sont essentielles pour prendre des décisions solides face à des conditions futures incertaines.

5.3 Interlude, repenser les prévisions

A ce stade, nous avons déjà présenté une brève suite de méthodes prévisionnistes, ou plus exactement, nous avons présenté un paradigme de programmation, la programmation différentiable, pour les créer au besoin en épousant le contexte de manière structurelle. Il est temps de revenir en arrière et d'explorer les angles de prévision relatifs à la supply chain, au-delà des technicalités des recettes numériques en elles-mêmes.

5.3.1 La pratique des boîtes blanches

Toute recette numérique qui ne se veut pas triviale, au-delà des moyennes mobiles, devrait être opaque par défaut pour les praticiens de la supply chain. Pourtant, lorsqu'ils sont confrontés à l'opacité numérique, les praticiens de la supply chain devraient mettre, et en pratique mettront, leur véto contre les résultats qui ne sont pas fiables. La pratique des boîtes blanches, qui est la réponse à ce problème, est fondamentalement un processus qui peut, cependant, être radicalement simplifié si l'infrastructure logicielle est bien conçue.

5.3.2 Les boucles de rétroaction

On ne réalise pas des prédictions dans le vide, elles ont des conséquences sur la supply chain. Ces conséquences finissent fréquemment par impacter le phénomène même de la supply chain que les prévisions avaient pour but initial d'appréhender. En pratique, ces boucles de rétroaction sont omniprésentes, et pourtant elles sont bien trop souvent négligées. Certaines boucles de rétroaction ont cependant des conséquences positives pour l'entreprise (comme les effets d'auto-propagation sur les ventes), tandis que d'autres n'en ont pas (comme le retardement des achats jusqu'aux soldes). Dans tous les cas, la méthode de prévision se doit d'essayer de prendre en compte ces effets.

5.3.3 Sources de données au-delà des données transactionnelles

L'exploitation correcte des données transactionnelles telles qu'on les trouve dans les systèmes de l'entreprise permet d'optimiser la supply chain d'une manière surprenante. Cependant, ces données peuvent parfois être complétées par des sources "externes" de données, les plus notables étant les données de veille concurrentielle. Certaines sources de données sont réputées pour être difficiles à exploiter à des fins de supply chain. Nous passons en revue les avantages et inconvénients associés à ces sources de données

5.3.4 Modification manuelles des prévisions (anti-modèle)

En raison de la conception défectueuse de la stack logicielle, de nombreuses entreprises ont pris l'habitude d'appliquer systématiquement des modifications manuelles à leurs prévisions. Ces modifications manuelles sont nuisibles à la supply chain, car elles ne sont pas rentables : tout le temps qui est dédié à l'identification des corrections nécessaires et à leur application est mieux employé à la réparation des recettes numériques sous-jacentes. Ainsi, afin d'éliminer les modifications manuelles, il faut avant tout éliminer les causes profondes du problème.

6. Prise de décision

Chaque jour, des milliers de décisions relatives à la supply chain (voire des millions dans les grandes entreprises) doivent être prises dans le cadre de la routine quotidienne des opérations de l'entreprise. Chaque décision a son lot d'alternatives. L'objectif de l'optimisation de la supply chain est de sélectionner les options qui se trouvent être les plus rentables, tout en faisant face à des conditions futures incertaines. Ce processus présente deux défis majeurs dont nous n'avons pas encore parlé : tout d'abord, l'évaluation quantitative de la rentabilité de toute décision prise, et deuxièmement, le déploiement des recettes d'optimisation numérique appropriées pour résoudre les problèmes de la supply chain.

6.1 Allocation de stocks de détail avec des prévisions probabilistes

Les décisions de la supply chain requièrent des évaluations économiques adaptées aux risques. Convertir les prévisions probabilistes en évaluations économiques n'est pas banal, et nécessite des outils dédiés. Cependant, la priorisation économique qui en résulte, illustrée par l'allocation des stocks, se trouve être plus puissante que les techniques traditionnelles. Nous commençons par le défi de l'allocation des stocks de détail. Au sein d'un réseau à 2 échelons qui comprend un centre de distribution (CD) et plusieurs magasins, il faut décider de la façon dont le stock du CD sera alloué aux magasins, tout en sachant que tous ces magasins sont en compétition pour le même stock.

6.2 Décisions discrètes, MOQ, et autres contraintes

De nombreuses décisions de la supply chain se présentent comme des problèmes discrets et univariés, par exemple, lorsque quelqu'un doit décider de la quantité à acheter, à déplacer, à transformer, à emballer, à mettre au rebut, etc. pour toute SKU donnée gérée par l'entreprise. La prévalence et la diversité de ces décisions rendent intéressant l'établissement d'outils polyvalents pour gérer non pas un exemple particulier de problème, mais une catégorie entière de problèmes.

Le schéma de priorisation économique, malgré sa simplicité, s'avère capable de traiter de nombreuses contraintes non linéaires qui prévalent au sein des supply chains. Au premier regard, on ne s'attendait pas nécessairement à cela d'un processus algorithmique avide. Nous illustrons la façon dont de nombreuses contraintes communes de MOQ (quantité minimale de commande) peuvent être gérées en impliquant très peu de complications. Cela permet également d'apporter un nouvel éclairage sur la nature même du problème d'optimisation numérique dans la supply chain.

6.3 Moteurs économiques

La performance de la supply chain doit être évaluée financièrement, et non à travers des pourcentages, comme cela est souvent le cas (par exemple MAPE, les niveaux de service). Optimiser les pourcentages est nuisible de deux façons : tout d'abord en donnant l'illusion d'un progrès, mais aussi par les bureaucraties qui émergent inévitablement pour la soutenir. Par contraste, l'évaluation financière est conçue pour être alignée avec les intérêts stratégiques de l'entreprise. L'impact financier d'une décision doit tout particulièrement être décomposé en ses moteurs économiques sous-jacents.

6.4 Programmation Différentiable (2ème partie)

La Programmation Différentiable (PD) incarne la convergence entre les deux larges champs que sont l'apprentissage statistique et l'optimisation numérique. Jusqu'à présent, ce paradigme de programmation a été appliqué aux problèmes d'apprentissage statistique, et nous allons désormais montrer la façon dont il peut être appliqué aux problèmes d'optimisation numérique tels qu'ils peuvent être trouvés au sein des supply chains.

6.4.1 Pilotage de la promotion de fin de collection pour Paris

Construisons un modèle de pilotage de promotion en utilisant le PD pour le personnage de Paris, le réseau de distribution de mode. La conférence est illustrée par code écrit dans Envision. L'objectif est de tirer au maximum parti du stock détenu par l'entreprise, tout en ajustant le niveau de promotion pour garantir une liquidation en temps voulu d'ici la fin de la saison.

6.4.2 Tarification compétitive pour Stuttgart

Construisons une stratégie de tarification compétitive en utilisant le PD pour le personnage de Stuttgart, le distributeur de pièces détachées automobiles. La conférence est illustrée par code écrit dans Envision. L'objectif est de mettre en application une stratégie de tarification bien conduite lors de la confrontation avec des concurrents, qui bénéficient eux aussi de données de veille concurrentielle.

6.5 Interlude, repenser l'optimisation

Nous avons présenté une brève suite de techniques d'optimisation qui ont la capacité d'approcher des situations de supply chain très diverses. De manière très similaire à la façon dont nous avons abordé la modélisation prédictive, l'optimisation est abordée à travers le prisme des paradigmes de programmation, par opposition aux recettes numériques spécifiques. Une fois de plus, il est temps de revenir en arrière, et d'étendre notre horizon en ce qui concerne la perspective de l'optimisation.

6.5.1 Exécution robotisée

Traiter les experts comme les coprocesseurs humains de systèmes d'entreprise dysfonctionnels est un gaspillage. La pratique de la supply chain doit s'assurer que le temps des experts est capitalisé, et non consommé. La robotisation du processus de bout en bout qui génère les décisions est la clé pour mettre en place une pratique rentable de la supply chain. En effet, la robotisation est la clé pour permettre aux experts de se concentrer sur l'amélioration perpétuelle des recettes numériques, plutôt que d'éteindre des incendies.

6.5.2 Cultiver les options

Les options (achat, production, etc.) présentées à la recette d'optimisation numérique ne sont pas tombées du ciel : elles ont été conçues ou négociées. Ainsi, ces options peuvent être améliorées, indépendamment du processus d'optimisation qui a lieu dans un second temps. Alors que l'amélioration des options et celle de l'optimisation numérique sont complémentaires, cette dernière tend à être négligée.

6.5.3 Cultiver la connaissance

Les données historiques obtenues par l'entreprise sont le résultat de décisions passées. Les décisions façonnent ce qui peut ou non être observé. Essayer des options "risquées" est un mécanisme utilisé pour en apprendre plus sur le marché, pourtant, il faut trouver un équilibre dans la quantité de risque à prendre. Ce problème est connu sous le nom de compromis entre exploration et exploitation et se situe au cœur d'une discipline connue sous le nom d'apprentissage par renforcement.

7. Exécution tactique et stratégique

La supply chain, à la fois en tant que pratique et domaine d'études, cherche à être un catalyseur et un avantage compétitif pour l'entreprise dans son ensemble. Du point de vue de la direction générale, deux angles dominent : faire en sorte que la supply chain soit un actif rentable et trouver des moyens supérieurs d'exécuter les activités commerciales. En pratique, la plupart des résultats se résument à la sélection des bons membres de l'équipe.

Une initiative qui veut améliorer la performance de la supply chain à l'aide de recettes numériques supérieures peut, si elle réussit, profondément altérer la supply chain en elle-même. Cette perspective s'accompagne de deux mises en garde majeures. Premièrement, les recettes numériques doivent être conçues de manière à faciliter le processus, ce qui est plus complexe qu'il n'y paraît. Deuxièmement, ce même processus d'introduction des recettes numériques modifie les recettes en elles-mêmes, ce qui, de prime abord, est assez contre intuitif.

7.1 Elaborer une vision, une portée, et une pipeline de données

Réaliser une optimisation prédictive d'une supply chain réussie représente un mélange entre des problèmes faciles et des problèmes épineux. Malheureusement, il n'est pas possible de séparer ces aspects. Les aspects faciles et difficiles sont extrêmement liés. Généralement, ce lien entre en conflit frontal avec la division du travail telle qu'elle est définie par l'organigramme de l'entreprise. Nous observons que, lorsque les initiations de supply chain échouent, les causes profondes de l'échec sont généralement des erreurs commises au cours des toutes premières étapes du projet. De surcroît, des erreurs précoces ont tendance à façonner toute l'initiative, ce qui les rend presque impossible à corriger a posteriori. Nous présentons nos découvertes clés pour éviter ces erreurs.

Prochaine conférence le 6 juillet à 15h00, CET (Paris):

• Inscrivez-vous à l'événement sur LinkedIn
• Regardez le live sur YouTube
  

7.2 Des décisions à la production

Nous recherchons une recette numérique pour piloter toute une catégorie de décisions banales, telles que le réapprovisionnement des stocks. L'automatisation est essentielle pour faire de la supply chain une entreprise capitaliste. Cependant, elle comporte des risques substantiels de dommages à l'échelle si la recette numérique est défectueuse. Echouer rapidement et casser les choses n'est pas l'état d'esprit approprié pour donner le feu vert à une recette numérique pour la production. Cependant, de nombreuses alternatives, telles que le modèle en cascade, sont encore pires car elles donnent généralement une illusion de rationalité et de contrôle. Un processus hautement itératif est la clé pour concevoir la recette numérique qui s'avère être de qualité production.

7.3 Embaucher et former une équipe

Le responsable de la supply chain a une mission : faire en sorte que la supply chain soit aussi rentable que possible pour l'entreprise dans son ensemble. Tout d'abord, cette personne doit mettre fin aux pratiques d'extension d'incendies, s'il y en a, car elles représentent un frein aux améliorations capitalistes, qui ne se produisent pas. Par ailleurs, cette personne doit être capable d'embaucher une bonne équipe, ce qui se résume à la capacité à montrer l'exemple.

Les divisions de la supply chain devraient embaucher des individus intelligents et efficaces. La supply chain est en concurrence avec tout le marché dans la recherche de ces profils. Les sociétés de conseil en gestion et les entreprises logicielles ont fait leurs preuves depuis des décennies en surpassant le reste du marché pour ce qui est de ces profils. Cela devrait vous inciter à vous méfier des individus très "intelligents" (spécialistes des données, docteurs) qui se trouvent être encore disponibles et postulent à vos offres d'emploi.

7.4 Au-delà du S&OP et de la BI (informatique décisionnelle), positionner la supply chain dans l'entreprise

La supply chain doit prendre ses pratiques logicielles entre ses mains. Cette approche (re)définit profondément la relation entre l'informatique et la supply chain. L'informatique reste présente pour soutenir l'infrastructure logicielle de base et pour fournir tout l'encadrement nécessaire lorsqu'une expertise au niveau du système est requise.

Le S&OP (sales and operation planning) a raison de mettre l'accent sur un alignement bout à bout de l'entreprise afin de servir correctement le marché. Cependant, ses pratiques, généralement axées vers les réunions, sont obsolètes. Les capacités des logiciels modernes vous permettent de repenser en profondeur la façon dont la synchronisation peut être réalisée par la conception, de manière plus rentable. Une simple mise à niveau du S&OP à l'aide d'outils logiciels ne fait qu'apporter une fraction des avantages qui peuvent être obtenus par une refonte plus radicale de la pratique.

8. Infrastructure logicielle

Les supply chains modernes vivent et meurent par la qualité de leur infrastructure logicielle. Déléguer la compréhension de ce qui constitue une bonne infrastructure logicielle à l'informatique est la recette pour assurer des problèmes de production sans fin. L'introduction de recettes numériques non triviales, telle que discutée dans les chapitres précédents, accentue le problème à cause de la complexité interne de ces recettes. L'infrastructure logicielle elle-même doit être conçue pour présenter des propriétés qui sont adaptées aux objectifs d'optimisation de la supply chain.

8.1 La propriété des recettes numériques

Des observations occasionnelles des supply chains indiquent que le succès opérationnel des recettes numériques dépend grandement de la présence ou non d'un petit groupe d'individus au sein de l'organisation qui possède ces recettes. En pratique, il se trouve que l'infrastructure logicielle elle-même dicte fortement la possibilité ou non de posséder les recettes numériques. Cette perspective fournit un premier aperçu des propriétés souhaitables de l'infrastructure logicielle en ce qui concerne l'optimisation de la supply chain.

8.2 Correct par conception

Au XXIème siècle, une conception bien pensée est une chose que nous prenons pour acquise pour pratiquement tous les objets que nous possédons chez nous. Pourtant, lorsqu'il s'agit de logiciels, notamment les logiciels "scientifiques" utilisés pour mettre en place les recettes numériques, le manque de conception est stupéfiant. Echouer rapidement et casser des choses peuvent se trouver être le bon état d'esprit pour créer une application de jeu, mais ça ne l'est certainement pas pour des supply chains où un échec tend à être excessivement coûteux.

8.3 Mutualisation et miscibilité du matériel

L'optimisation de la supply chain diffère grandement de son homologue de la gestion de la supply chain de par ses besoins très irréguliers en ressources informatiques. Les paradigmes matériels et logiciels mis en place par les géants de l'informatique du cloud se trouvent être particulièrement pertinents pour la supply chain. La mutualisation du matériel encourage une allocation dynamique des ressources. La miscibilité du matériel met quant à elle l'accent sur une perspective où un type de ressources peut être remplacé par un autre.

8.4 Une stack intégrée pour fournir des applications de prédiction

Une conception faite d'un grand nombre de couches est le tueur caché des logiciels modernes, faisant des dégâts sur presque tous les fronts qui importent : la fiabilité, la performance informatique, la productivité, et la performance commerciale. Le problème est aggravé dans le cas de la supply chain, du fait de la complexité ambiante à la fois au niveau matériel et au niveau logiciel. Pire que cela, plus grande est la complexité des recettes numériques, plus grand sera le nombre de couches qu'elles introduiront. Retirer des couches en intégrant une stack se trouve être la solution dont les supply chains ont besoin.

8.5 Priorité au relationnel pour préparer, apprendre, et optimiser

La quasi totalité des données de la supply chain sont des données relationnelles extrêmement structurées. Ainsi, sans surprise, une "bonne" infrastructure logicielle est une infrastructure qui adopte une perspective donnant la priorité au relationnel en ce qui concerne les données. Le paradigme du cadre de données constitue une étape importante dans cette direction. Cependant, ce paradigme peut et doit être davantage étendu, au-delà d'une seule table, pour supporter la majeure partie des situations de supply chain. En outre, l'approche mettant l'accent sur le relationnel doit aussi imprégner les aspects d'apprentissage statistique et d'optimisation numérique de l'infrastructure logicielle.

8.6 Maintenabilité profonde

La maintenabilité logicielle est une question de survie pour les supply chains. Pourtant, chercheurs comme consultants ont des incitations structurelles qui les poussent à ignorer totalement le problème. Même les fournisseurs de logiciel d'entreprise peuvent avoir des incitations à ignorer majoritairement le problème, en fonction de la façon dont s'organise la structure de leur tarification. Malheureusement, lorsqu'il s'agit de la conception, la maintenabilité ne peut pas faire l'objet d'une réflexion après coup. Une série de principes de conception améliore grandement la maintenabilité de l'infrastructure logicielle.

8.7 Sécurité profonde

Le ransomware d'entreprise est en plein essor, et, après avoir examiné les causes profondes, il y a peu de raisons de croire que ce problème disparaîtra au cours des deux prochaines décennies. L'optimisation de la supply chain présente des défis qui lui sont uniques en ce qui concerne ses exigences en matière d'expressivité programmatique. L'urgence notamment fréquemment associée aux corrections banales des recettes numériques telles qu'elles se trouvent dans la supply chain ne sont pas compatibles avec les pratiques habituellement adoptées par l'industrie logicielle pour garantir la sécurité du logiciel. Une fois de plus, les solutions résident dans une conception sécurisée de l'infrastructure logicielle en elle-même.

9. Connaissance négative

En règle générale, la connaissance négative (c'est-à-dire les choses qui ne fonctionnent pas) est plus stable que la connaissance positive. Si une chose a échoué à de multiples reprises jusqu'à maintenant, il est très probable pour que cela se reproduise à jamais. La connaissance négative est donc d'une grande valeur pour la supply chain, précisément parce qu'elle est très fiables par comparaison avec son homologue positive.

9.1 Une mauvaise exécution

La plupart des initiatives de supply chain échoue pour des raisons relativement banales, liées aux aspects de leur exécution quotidienne. Lors de ces situations de mort par milliers de coups de poignard, le personnel et sa direction passent la majorité de leur temps et dépensent la majorité de leur énergie à l'extinction de feux, tout en restant inconscients de leur origine.

9.1.1 Classiques toxiques

Les niveaux de service, les stocks de sécurité, l'analyse ABC, la formule EOQ (quantité économique de commande) - ainsi que de nombreux classiques - se trouvent être à la fois répandus et largement dysfonctionnels dans un contexte réel. Ces recettes numériques classiques ont toutes en commun l'idée d'être fondées sur des supply chains idéalisées, qui en réalité ne ressemblent guère aux supply chains réelles.

9.1.2 Le Dark UX et les flux de travail sombres

Les alertes et les exceptions sont omniprésentes dans les logiciels de la supply chain, et pourtant, ces modèles d'UX (expérience utilisateur) conduisent systématiquement à une faible productivité et à la quasi-impossibilité d'améliorations continues. Plus généralement, de nombreux flux de travail donnent l'apparence de la "rationalité" parce qu'ils sont entièrement "spécifiés", mais ils ne sont rien d'autre que des bureaucraties réifiées.

9.1.3 Logiciels porcelaine

A chaque fois qu'un logiciel bug quelque part au sein du paysage de la supply chain, les opérations sont perturbées, les équipes arrêtent de travailler sur des améliorations en continue pour éteindre des incendies. Eliminer ces problèmes devrait être une priorité majeure, et pourtant, la plupart des approches sont malavisées et finissent avec le résultat opposé au résultat escompté.

9.2 Une mauvaise gestion

Comme presque tous les problèmes d'entreprise, la cause principale provient enfin d'une mauvaise gestion. Pourtant, la devise "travailler plus intelligemment, travailler plus dur" n'est pas bien utile en pratique. Néanmoins, un certain lot de mauvaises pratiques est devenu très populaire, majoritairement parce qu'elles jouent sur la peur, l'incertitude, et les doutes qui se répandent auprès des membres plus haut placés dans la hiérarchie.

9.2.1 De l'indécision et l'ignorance vers les RFP (demandes de proposition) et les prototypes

Les cadres de la supply chain peuvent manquer de profondeur dans leur vision en ce qui concerne ce que leurs propres supply chains doivent devenir. La profondeur manque généralement sur deux fronts : le front technique et le front commercial. Du point de vue technique, un manque de compréhension mécanique mène à des problèmes logiciels. Du point de vue commercial, un manque de sens des affaires mène, dans le meilleur des cas, à bloquer la supply chain dans un rôle de support. L'indécision et l'ignorance se manifestent via des RFP et des prototypes mal structurés.

9.2.2 Le jugement de Salomon inversé

Le jugement de Salomon porte, entre autres, sur le fait de garder ensemble ce qui n'était a priori pas censé être divisé. Pourtant, l'approche "diviser pour mieux régner" est utilisée de manière extensive par les grandes entreprises pour fragmenter les décisions entre de nombreux silos. Cette fragmentation est nourrie d'une compréhension incorrecte des avantages de la spécialisation, et génère également de mauvaises incitations dans son sillage.

9.2.3 Offrandes sacrificielles aux dieux des prévisions

Durant des centaines d'années, les généraux de la Rome antique sondaient l'avenir à l'aide d'augures et d'haruspices. Plus tard, par des temps plus récents, les hommes politiques se sont tournés vers le tirage des cartes, ce qui se pratique plus facilement en intérieur. Pourtant, le tirage des cartes manque encore en justesse, et donc, certains cadres d'entreprise ont modernisé tout cela, avec ce qui peut désormais être appelé S&OP.

9.3 Pseudo-science

La pseudo-science fait des ravages dans les cercles de la supply chain. En effet, les personnes faisant face à des problèmes épineux font comparativement des proies plus facile pour les charlatans, car il est plus difficile de les exposer. De surcroît, même si la fraude est exposée, un peu de mauvaise foi permet de détourner toute critique.

9.3.1 Théories simplistes suggérant la complexité

Les problèmes de la supply chain sont à la fois incroyablement divers et incroyablement techniques. C'est la raison pour laquelle, tous les dix ans environ, émerge une théorie qui propose une simplification radicale. Ces théories doivent être juste "assez complexes" pour ne pas être manifestement simplistes, mais suffisamment simples pour être facilement adoptées car elles ne demandent que des efforts minimes de la part des praticiens de la supply chain. C'est dans ce contexte que nous aborderons le DDMRP et le flowcasting.

9.3.2 Théories obscures pour se sentir initié

À l'inverse, tous les dix ans environ, une théorie ou une tendance de la supply chain émerge et va dans la direction exactement opposée à celle indiquée dans la conférence précédente. Comme les problèmes de la supply chain semblent opaques, il n'est pas déraisonnable de s'attendre à ce que la solution le soit également. En jouant la fameuse carte de la "peur de manquer quelque chose" (FOMO), les acteurs s'imposent dans les cercles de la supply chain en promettant une initiation. Trois exemples récents notables sont l'IA, la blockchain et la détection de la demande.