L’optimisation logistique quantitative, ou Supply Chain Quantitative, porte sur la supply chain dans son ensemble et vise à exploiter pleinement l’intelligence humaine combinée aux capacités de calcul disponibles aujourd’hui. Cette approche n’est cependant pas exhaustive. Elle ne met pas un point final aux difficultés de l’optimisation logistique, mais elle représente une approche complémentaire qui améliore presque toujours à la situation.
La Supply Chain Quantitative aide votre entreprise à améliorer la qualité de ses services, à réduire ses stocks excédentaires et ses pertes de stock, à accroître sa productivité, à diminuer ses prix d’achat ainsi que ses frais de fonctionnement. Les difficultés logistiques sont très variables selon les entreprises. La Supply Chain Quantitative s’applique à toutes les situations rencontrées et fait face à la complexité qui résulte de cette diversité. Cependant, pour les professionnels habitués à des approches d’optimisation logistique plus classiques, la Supply Chain Quantitative peut sembler déroutante.
Dans la suite, nous passerons en revue les éléments indispensables à la Supply Chain Quantitative. Nous examinerons et clarifierons également les objectifs de cette approche. Nous analyserons les rôles et compétences dont doit disposer l’équipe en charge de l’exécution d’une telle initiative. Enfin, nous décrirons brièvement la méthodologie associée.
Objectif
En matière de gestion logistique, des millions de décisions sont prises chaque jour, sauf dans les très petites entreprises. Chaque entreprise décide chaque jour, pour chaque unité stockée, de laisser cette dernière où elle se trouve ou de la déplacer. La même logique s’applique aux unités qui ne sont pas stock, mais qui peuvent être produites ou achetées. Par ailleurs, ne rien faire est une décision en soi.
La Supply Chain Quantitative consiste à optimiser l’ensemble des décisions qui doivent être prises au quotidien par une entreprise. Celles-ci se comptant en millions voire en milliards, l’informatique joue un rôle capital dans cette démarche. La logistique a d’ailleurs été l’une des premières fonctions, après la comptabilité, à être informatisée au sein des entreprises à la fin des années 70. Aujourd’hui, la Supply Chain Quantitative va plus loin.
Il faut reconnaître que nombreux ont été les déploiements malheureux de « systèmes de gestion logistique du futur » au cours des deux dernières décennies. Combinant un effet boîte noire et une mauvaise automatisation, ces systèmes ont souvent dévasté des chaînes logistiques : de trop nombreuses mauvaises décisions étaient prises et les problèmes créés ne pouvaient plus être résolus grâce à une intervention humaine.
En un sens, la Supply Chain Quantitative est née de ces erreurs : au lieu de prétendre que le système connaît l’entreprise mieux que ses propres responsables, elle se concentre sur la mise en œuvre des connaissances de ces derniers de façon plus fiable, plus claire et plus souple. Bien utilisés les logiciels sont des instruments très utiles, mais leurs capacités actuelles ne permettent pas d’envisager de supprimer entièrement les interventions humaines.
Cet objectif d’informatisation poussée a une conséquence immédiate : le logiciel utilisé pour suivre les produits, articles et autres ressources doit être différent de celui utilisé pour optimiser les décisions. En effet, ERP, WMS, MRP ou OMS ne servent qu’à exécuter les processus d’une entreprise à partir d’un flux de données d’entrée. Attention, la rationalisation des données d’entrée et l’automatisation des tâches administratives sont largement bénéfiques, mais ne relève en aucun cas le défi évoqué ici : augmenter la capacité des entreprises à mettre en œuvre les connaissances humaines dont elles disposent, à l’échelle requise par leur supply chain.
En outre, aucune optimisation ne pouvant être envisagée sans indicateurs, la Supply Chain Quantitative est axée ces derniers. Les décisions logistiques (achat ou déplacement de stock) ont des conséquences et leur bien fondé doit être analysé « financièrement » (en euros par exemple) sous un angle économique avisé. L’obtention d’indicateurs fiables demande des efforts importants. Dès lors, l’un des objectifs de la Supply Chain Quantitative est d’aider les entreprises à établir de tels indicateurs, qui jouent également un rôle essentiel lors de l’évaluation du retour sur investissement de la démarche d’optimisation logistique.
Enfin, comme indiqué précédemment, le cadre théorique de la Supply Chain Quantitative ne se suffit pas à lui-même. Il ne vise pas à résoudre tous les problèmes logistiques d’une entreprise. Il n’aidera pas à trouver des fournisseurs de confiance ou des partenaires fiables par exemple, ni à embaucher les bonnes personnes et à entretenir leur motivation. Pourtant, grâce aux priorités spécifiques qu’elle se fixe, la Supply Chain Quantitative est en mesure de fournir des résultats tangibles.
Rôles au sein du projet
La Supply Chain Quantitative ne nécessite que peu de ressources humaines, même pour des chaînes logistiques de taille importante. Par contre, comme nous allons le voir, les ressources nécessaires sont bien spécifiques. Avant d’approfondir les différents rôles et leurs spécificités, commençons par énoncer un des principes majeurs de la Supply Chain Quantitative : les entreprises devraient mettre à profit chaque intervention humaine.
Ce principe va à l’encontre de ce qui se passe en pratique avec les solutions de gestion logistique traditionnelles : les efforts fournis par les utilisateurs sont « consommés » par la solution et non pas « mis à profit ». De plus, ces solutions exigent autant d’entrées manuelles que décisions fournies. Ces entrées peuvent prendre plusieurs formes : ajustement des profils saisonniers, gestion des exceptions et des alertes, correction de prévisions, etc.
La Supply Chain Quantitative fonctionne à l’inverse, d’une part parce que le travail humain coûte cher et, d’autre part, car la combinaison expertise logistique - connaissance poussée d’une entreprise est trop rare et précieuse pour être gâchée avec des tâches répétitives. Il faut donc supprimer la cause des interventions manuelles : si les valeurs des prévisions ne sont pas bonnes, les modifier ne sert à rien et mieux vaut corriger les données d’entrée ou l’algorithme de prévision. En corrigeant uniquement les symptômes, les mêmes problèmes reviennent en boucle.
La taille de l’équipe nécessaire à une initiative de Supply Chain Quantitative varie en fonction de la taille de la supply chain concernée. Les entreprises dont le chiffre d’affaires est inférieur à 20 millions d’euros peuvent faire aboutir un tel projet avec moins d’un équivalent temps plein. Une équipe d’une douzaine de personnes peut être nécessaire lorsque le stock géré représente plusieurs milliards de dollars.
Le
responsable logistique : la mise en œuvre de la Supply Chain Quantitative représente un changement de paradigme qui ne peut avoir lieu qu’à l’initiative de la direction, qui doit également soutenir le projet. Trop souvent les responsables logistiques estiment ne pas avoir le temps de s’impliquer dans ce qui peut être perçu comme les aspects techniques de la solution. Pourtant, la Supply Chain Quantitative consiste à exécuter leurs connaissances logistiques à grande échelle. Par conséquent, ces connaissances stratégiques doivent être partagées avec l’équipe du projet afin d’éviter l’échec. La direction n’est pas censée fournir tous les KPI et toutes les mesures nécessaires — car leur définition requiert des efforts importants — mais doit au moins les remettre en question.
Le
coordinateur logistique : si les initiatives de Supply Chain Quantitative ne sont pas censées trop peser sur le personnel, ce n’est pas le cas de la plupart des chaînes logistiques. Si les acteurs de la chaîne ne sont pas tous impliqués dans l’initiative, ils peuvent être déconcertés et le projet s’en trouver ralenti. Ainsi, la mission du coordinateur logistique consiste à récolter les informations internes nécessaires à une telle initiative et à communiquer avec toutes les parties prenantes. Le coordinateur clarifie les processus et les décisions à prendre. Il obtient des retours sur les mesures et les KPI qui seront utilisés pour optimiser ces décisions. Il s’assure également que la solution est compatible avec l’organisation des tâches au sein de l’entreprise au moment du projet tout en garantissant que cette organisation pourra évoluer ultérieurement.
Le
spécialiste des données : dans le domaine de la logistique, les données sont cruciales et toute initiative doit être en mesure de traiter les données par lots de façon fiable. En effet, il ne s’agit pas simplement de lire quelques lignes dans le système de l’entreprise, mais bien de consulter entièrement l’historique des ventes, l’historique des achats, le catalogue des produits, etc. Le spécialiste des données est généralement affecté au projet par le service informatique. Il est chargé d’automatiser la logique d’extraction des données et de prévoir des extractions quotidiennes. En pratique, le spécialiste des données intervient principalement au début du projet.
Le Supply Chain Scientist : il utilise la technologie (voir ci-dessous pour plus de détails) pour combiner les informations récoltées par le coordinateur aux données extraites par le spécialiste des données afin d’automatiser les décisions de production. Le Supply Chain Scientist commence par préparer les données, une tâche étonnamment difficile qui nécessite un soutien important de la part du coordinateur. Ce dernier doit effectivement interagir avec les nombreuses personnes qui ont produit les données à l'origine afin de lever les incertitudes. Le Supply Chain Scientist formalise la stratégie de génération des décisions, au sujet des quantités d’approvisionnement par exemple. Enfin, il équipe toutes les sources de données de tableaux de bord et de KPI afin de garantir la clarté et la transparence des données ainsi que leur maîtrise.
Pour les entreprises de taille moyenne, il peut être judicieux de confier les rôles de coordinateur et de spécialiste des données à la même personne. Une seule et même personne dispose rarement de toutes les compétences nécessaires, mais, si l’oiseau rare existe dans l‘entreprise, il est un potentiel point fort pour le déroulement de l’initiative. En ce qui concerne les entreprises de taille plus importante, même si le coordinateur ne connaît pas bien les bases de données de l’entreprise, il dispose d’un avantage certain s’il est capable de se familiariser avec le sujet au cours du projet. En effet, le contexte informatique évoluant constamment, l’anticipation des conséquences de ces changements facilite grandement le projet.
Abonnements proposés par Lokad. certaines entreprises peuvent avoir des difficultés à trouver quelqu’un à qui confier le rôle de
Supply Chain Scientist si elles n’ont pas développé d’expertise dans ce domaine. Lokad apporte son soutien aux initiatives de la Supply Chain Quantitative de ces entreprises en fournissant des « experts en tant que service » à ces clients Premier. En plus d’accompagner le projet, Lokad offre le temps et l’implication nécessaires à la mise en œuvre de la logique de prise de décisions et des tableaux de bord. À travers ces derniers, les clients disposent de la clarté et de la maîtrise dont ils ont besoin pour avoir confiance dans le projet et le comprendre en détail.
La technologie
Nous sommes restés jusqu’à présent relativement vagues sur la technologie logicielle nécessaire à la Supply Chain Quantitative. Pourtant cette dernière dépend fortement de la technologie choisie pour la mettre en œuvre. Même si, théoriquement, chaque élément logiciel peut être mis en œuvre en partant de zéro, pour être raisonnablement productif, le Supply Chain Scientist doit pouvoir s’appuyer fermement sur la technologie utilisée. Par ailleurs, certaines capacités (prévisions et optimisation numérique par exemple) requièrent des efforts de recherche et développement préalables qui vont bien au-delà de ce qu’un Supply Chain Scientist est en mesure de produire au cours d’un projet de ce type.
Tout d’abord, en matière de Supply Chain Quantitative, il est impératif de disposer d’une
plateforme de données dotée de capacités de programmation. Naturellement, si cette dernière est conçue spécifiquement pour gérer des données et problèmes logistiques, c’est encore mieux. Nous parlons bien d’une plateforme, car, même si de nos jours n’importe quel ordinateur de bureau peut stocker plusieurs téraoctets de données, celui-ci ne répond pas aux autres exigences d’une initiative de Supply Chain Quantitative : fiabilité en cas de défaillance matérielle, contrôlabilité de tous les accès, compatibilité avec les exportations de données, etc. De plus, le volume des données logistiques ayant tendance à être important, la plateforme utilisée doit être plus évolutive qu’un simple ordinateur, en d’autres termes elle doit pouvoir traiter de gros volumes de données en un temps relativement court.
La plateforme utilisée doit également être dotée de « capacités de programmation » : n’importe quelle logique de traitement de données doit pouvoir être mise en œuvre et exécutée. Ces capacités passent par un langage de programmation. La programmation est à juste titre perçue comme une activité très technique et de nombreux éditeurs de logiciels se servent de la réticence de leurs clients à l’idée de devoir gérer une solution qui nécessite de la programmation pour imposer des interfaces simples uniquement composées de boutons et de menus. Cependant, si les équipes logistiques n’ont pas accès à des capacités de programmation, elles se tournent vers Excel, car cet outil offre des capacités équivalentes et permet d’écrire des formules qui peuvent être arbitrairement compliquées. Dans ce contexte les capacités de programmation ne sont pas de l’ordre du détail mais constituent une fonction essentielle.
Enfin, une plateforme spécialement conçue pour le domaine de la logistique a de nombreux avantages. En fait, la nécessité d’une plateforme n’est pas spécifique à la logistique : la négociation quantitative d’actions telle que pratiquée par les banques requiert également une plateforme dédiée par exemple. Mais les décisions logistiques n’exigent pas des latences inférieures à la milliseconde comme la négociation haute fréquence d’actions. La conception d’une plateforme de données est une question de compromis techniques et d’écosystème logiciel, à commencer par les formats de données pris en charge. Ces compromis techniques et l’écosystème logiciel doivent être en cohérence avec les difficultés logistiques rencontrées.
La Supply Chain Quantitative exige également un
moteur de prévisions probabilistes. Cet élément logiciel détermine la probabilité de chaque futur possible. Ce type de prévisions peut sembler légèrement déconcertant au premier abord, car il n’est pas intuitif. Le « truc » c’est l’incertitude : le futur n’est pas certain et une seule prévision sera toujours fausse. Les prévisions classiques nient l’incertitude et la variabilité et, par conséquent, l’entreprise qui les exploite finit par se battre avec des valeurs censées être justes, mais qui ne le sont pas. Un moteur de prévisions probabilistes résout ce problème directement grâce aux probabilités.
Les prévisions probabilistes dans le domaine de la logistique s’effectuent généralement en deux temps : prévisions des délais d'approvisionnement puis de la demande. Les prévisions des délais d'approvisionnement sont des prévisions probabilistes : une probabilité est associée à chaque délai possible, exprimé généralement en jour. Les prévisions de la demande sont aussi des prévisions probabilistes établies à partir des prévisions des délais d'approvisionnement, qui servent de données d’entrée. En effet, l’horizon couvert par les prévisions de la demande doit correspondre aux délais d'approvisionnement.
Les résultats d’un moteur de prévisions probabilistes — des ensembles de distributions de probabilités — contiennent beaucoup plus de données de ceux des moteurs de prévisions classiques. Ce n’est pas bloquant en soi, mais, pour que le traitement d’un très grand nombre de probabilités se passe bien, la plateforme de données et le moteur de prévisions doivent coopérer parfaitement.
La technologie Lokad. nous pourrions prétendre que Lokad a développé sa technologie spécialement pour la logistique, mais c’est en réalité l’inverse qui s’est passé. Les équipes de recherche et développement de Lokad ont innové avec les prévisions probabilistes et découvert des modèles de traitement de données mieux adaptés aux difficultés logistiques que les approches traditionnelles. Nous avons pris la mesure de l’avancée réalisée en constatant de meilleurs niveaux de performance une fois ces éléments mis en production. Lokad a alors élaboré sa théorie de Supply Chain Quantitative pour clarifier ce que ses équipes avaient mis sur pieds. Lokad offre à la fois une plateforme de données — appelée Envision — et un moteur de prévisions probabilistes. La Supply Chain Quantitative est donc très empirique.
Phases du projet
La Supply Chain Quantitative s’inspire largement de la recherche et développement en ingénierie logicielle et des meilleures pratiques de la science des données. La méthodologie est très itérative, l’accent n’est pas mis sur les spécifications préalables, mais sur l’agilité et la capacité à redresser une situation problématique inattendue ou des résultats inattendus. Par conséquent, cette méthodologie peut surprendre les entreprises qui ne connaissent pas bien le secteur du développement logiciel.
La première phase correspond à la
définition du périmètre, c’est-à-dire la définition des décisions logistiques couvertes par le projet. Pendant cette phase, la complexité du processus de prise de décisions est analysée ainsi que les données concernées.
La deuxième phase porte sur la
préparation des données. Elle consiste à copier automatiquement les données depuis les systèmes de l’entreprise vers une plateforme d’analyse séparée et à les préparer pour l’analyse quantitative.
La troisième phase est la
phase pilote durant laquelle est implémentée une première logique de prise de décisions (au sujet des quantités d’achat par exemple) qui donne déjà de meilleurs résultats que l’ancien fonctionnement de l’entreprise. Cette logique est censée être entièrement automatisée.
La quatrième phase est la
phase de production. Il s’agit d’amener l’initiative à sa vitesse de croisière, de suivre ses performances et de les consolider. À cette étape un consensus sur la finesse des modèles logistiques utilisés doit être atteint.
La
phase de définition du périmètre est la plus directe puisqu’il s’agit de déterminer les décisions de routine que l’initiative de Supply Chain Quantitative doit couvrir. Ces décisions peuvent être associées à certaines contraintes : quantités minimales de commande, conteneurs à remplir, capacités maximales des entrepôts... Et ces contraintes doivent être étudiées en détail. Les décisions sont également associées à des moteurs économiques : coûts de stockage, coûts de rupture de stock, marges brutes... Et ces derniers doivent également être pris en compte. Enfin, les données historiques utiles doivent être identifiées ainsi que les systèmes depuis lesquels elles seront extraites.
La
phase de préparation des données est la plus difficile, source de la plupart des échecs. En effet, l’obtention des données et leur compréhension sont presque toujours sous-estimées. Des systèmes d’exploitation (c’est-à-dire ERP / MRP / WMS / OMS) ont été choisis pour gérer les activités de l’entreprise. Les données historiques sont un produit dérivé de ces systèmes puisque leur objectif premier n’est pas l’enregistrement de données. Par conséquent, de nombreuses difficultés apparaissent pendant cette phase. La plupart des entreprises ont alors un réflex malheureux : revenir en arrière et rédiger des spécifications. Mais ces dernières ne peuvent couvrir que les difficultés connues ou attendues. Pourtant presque tous les problèmes majeurs rencontrés à cette étape ne peuvent être prévus.
En réalité, les problèmes ont tendance à se matérialiser lorsque les données commencent à être utilisées pour générer des décisions. Si de mauvaises décisions résultent d’une logique considérée comme correcte, alors le problème vient surement des données. Les décisions fondées sur des données sont sensibles à leur qualité et représentent donc un bon moyen d’évaluer le niveau de maîtrise des données d’une entreprise. Cette remise en cause est bénéfique à l’entreprise : la qualité des données et leur compréhension ne sont que des moyens d’atteindre un but, créer de la valeur ajoutée. Il est donc normal de privilégier la résolution de problèmes liés aux données car ils ont des conséquences significatives sur les décisions basées sur des données.
La
phase pilote permet de tester les responsables logistiques, car il est assez contre intuitif d’accepter l’incertitude des prévisions probabilistes. Pourtant de nombreuses habitudes (prévisions hebdomadaires ou mensuelles, stock de sécurité, couverture de stock, alertes sur stock ou analyse ABC) sont potentiellement néfastes. Pour autant, la Supply Chain Quantitative étant axée sur la mesure des performances, elle ne doit pas être exécutée sans surveillance. Cependant, de nombreuses pratiques logistiques traditionnelles tendent à enfermer les problèmes dans des cadres qui les rendent insolubles. Ainsi, pendant la phase pilote, les responsables logistiques doivent veiller à rester ouverts et à ne pas réintroduire dans le projet des éléments qui peuvent devenir sources d’inefficacités ultérieures. Vous ne pouvez déplorer les effets dont vos chérissez les causes.
Le Supply Chain Scientist et la technologie sont également testés puisqu’une logique doit être mise en œuvre et générer des décisions relativement rapidement. L’objectif initial est uniquement de générer des décisions jugées raisonnables par les professionnels et qui ne nécessitent aucune correction manuelle. Nous vous suggérons de ne pas sous-estimer la difficulté que représente la génération de décisions automatisées « saines ». Les systèmes de gestion logistique traditionnels requièrent beaucoup de corrections manuelles pour s’exécuter : nouveaux produits, promotions, ruptures de stock... La Supply Chain Quantitative définit une nouvelle règle : aucune saisie manuelle pour les opérations de base, tous les facteurs doivent être intégrés à la logique.
Le coordinateur logistique a la responsabilité de rassembler les facteurs, l’organisation des tâches et les spécificités à intégrer dans la logique de prise de décision. Par la suite, le Supply Chain Scientist met en œuvre un premier lot de KPI sur les décisions. Ces KPI permettent d’éviter l’effet boîte noire qui peut se produire lorsque des méthodes numériques avancées sont utilisées. Notez bien que les KPI sont définis avec le responsable de la supply chain qui veille à ce que toutes les mesures soient cohérentes avec la stratégie de l’entreprise.
La
phase de production stabilise l’initiative et l’amène à sa vitesse de croisière. Les décisions générées par la logique sont utilisées activement et les résultats obtenus sont suivis de près. Les conséquences d’une décision logistique n’étant connues qu’après plusieurs semaines ou mois, en fonction des délais d'approvisionnement, l’initiative évolue moins vite en phase de production afin de laisser l’entreprise évaluer de façon fiable les performances des décisions automatisées. L’initiative entre dans une phase d’amélioration continue. Un équilibre entre les avantages d’une logique affinée et la complexité correspondante doit être atteint, afin de permettre aux utilisateurs de garder la solution sous contrôle, même si des améliorations sont toujours les bienvenues.
Le coordinateur logistique, libéré de ses tâches administratives de saisie, peut désormais se consacrer aux informations stratégiques proposées par le responsable logistique. En général, les modifications des processus logistiques identifiées lors de la phase pilote ont été mises en attente pour éviter de perturber les activités de l’entreprise avec trop de changements. Une fois que le rythme des évolutions de la logique de prise de décisions ralentit, il devient possible de progressivement revoir les processus afin d’améliorer les performances au-delà du niveau atteignable uniquement au moyen de décisions de routine plus favorables qu’auparavant.
Le Supply Chain Scientist affine en permanence la logique en mettant l’accent sur les KPI et la qualité des données. Il doit également ajuster la logique au fur et à mesure qu’apparaissent de petits défauts ou limitations, généralement relatifs à des situations peu fréquentes. De plus, si les processus évoluent, la logique de prise de décisions est également revue pour rester cohérente avec l’organisation des tâches et la stratégie. Enfin, même si les processus ne changent pas, le contexte commercial et informatique évolue en permanence. Le Supply Chain Scientist doit donc veiller à ce que la logique de prise de décisions reste à jour.
