La fiabilité des prévisions est un sujet sans fin dans la communauté supply chain. Un grand nombre de recherches académiques y est consacré. On met en œuvre du big data et des moteurs de machine learning sophistiqués. On débat sur les réseaux sociaux de la meilleure manière de mesurer cette fiabilité (MAPE ce n’est pas bien, WMAPE c’est mieux, FVA permet de mesurer l’efficacité du processus, et j’en passe…). Les adeptes de la prévision statistique se disputent avec les promoteurs de la prévision probabiliste. L’intelligence artificielle a la cote : si seulement on pouvait mettre en boîte les facteurs exogènes et endogènes – les prix des concurrents, la météo, les différentes promotions en cours, l’humeur des consommateurs, celle de Poutine et la dernière foucade des influenceurs clés – bingo ! on saurait ce qu’on va vendre demain.
L’image en illustration de ce billet me semble bien décrire ce dont il retourne. La « science » divinatoire a de tous temps été très séduisante. Qui ne rêve pas de connaître l’avenir ? Mais si on y regarde de plus près, toute ce vernis scientifique et ces moyens déployés pour trouver de la prévision dans la boule de cristal, hum, ça fleure bon un charlatanisme pseudo scientifique très XIXème siècle, non ?
Le fait est qu’une industrie prospère sur cette quête du sacré graal de prévisions fiables. Si vous googlez « forecast accuracy » vous aurez environ 88 millions d’entrées en retour – si vous recherchez « forecasting software » vous grimperez à 258 millions !
En comparaison, une recherche de « DDMRP software » retournera un modeste 43 000 entrées… Snif.
Nous avons récemment été sollicités par un cabinet de conseil qui accompagne une entreprise multinationale dans l’amélioration de leur processus de « demand management ». Le problème exprimé par cette entreprise est : « nous avons plus de 100 personnes impliquées dans la génération mensuelle de prévisions de ventes, mais la fiabilité n’est pas bonne – comment améliorer la fiabilité et la productivité de ce processus ? ». La question est légitime. Pourquoi investir de telles ressources pour un résultat si décevant ?
Ce cas n’est pas isolé : de multiples entreprises ont des équipes importantes de « demand managers », mais la fiabilité des prévisions – mesurée avec les indicateurs traditionnels – plafonne à 70 ou 75% à l’article dans le délai de réapprovisionnement.
Le cabinet de conseil en question nous a donc sollicité, mais en posant la question sous la forme : « comment votre logiciel permet-il d’obtenir une meilleure fiabilité de prévisions, avec une productivité accrue des équipes ? ».
Ah, ben non, dommage – Intuiflow ne permet pas d’augmenter la fiabilité des prévisions. Notre suite de solutions permet d’améliorer la disponibilité des produits, au bon moment au bon endroit, en fonction de la demande réelle. Elle permet aussi d’améliorer la productivité des équipes impliqués, en focalisant l’attention sur les bonnes priorités… et en consacrant moins d’énergie à une vaine poursuite de prévisions fiables.
Le cabinet de conseil en question va donc chercher une solution miracle chez d’autres éditeurs – puisqu’ils recherchent une solution pour améliorer la fiabilité des prévisions, une approche prédictive, et non une solution pour améliorer la disponibilité des produits…
Je ne sais pas vous, mais parfois j’ai l’impression qu’une partie de l’écosystème du supply chain management marche un peu sur la tête, non ?
