Le monde de la supply chain est fan de technologie. On adore la data, big si possible. Les data scientists phosphorent, les modèles de machine learning font surchauffer les data centers. Nous brassons tous les jours énormément de données, et faisons tourner des algorithmes, à commencer par notre bon vieux calcul de besoins (MRP).
Cependant nos algorithmes brassent avant tout du flou.
Ajustons nos lunettes et voyons la réalité en face :
- Nos prévisions sont des estimations, pleines d’incertitudes
- Nos délais – de fabrication, d’approvisionnement, de transport, sont des estimations
- Nos capacités de production, nos rendements, sont des estimations
- Nos consommations de matières dans nos nomenclatures sont des estimations
- Nos stocks… Euh, non… Quoique…
Nos données de bases sont floues.
Par-dessus ça, nous vivons dans un environnement très dynamique.
Des commandes tombent tous les jours, de manière largement aléatoire. Des commandes client changent, sont avancées, reculées, le volume change. Des aléas se produisent, en production, pendant le transport.
Les photographes vous diraient : non seulement c’est flou, mais c’est bougé !
Comment gérer une supply chain floue
Que pouvons-nous réellement attendre de nos processus et de nos systèmes informatiques dans ce contexte ?
Ce que nous devrions en attente c’est une aide à la décision.
Les décisions à prendre sont de deux natures : des décisions automatiques, et des décisions humaines, et ces décisions sont à prendre sur plusieurs échelles de temps.
Automatisons ce qui peut l’être sans trop de risque. Automatiser des décisions basées sur des données floues semble un paradoxe. C’est pourtant bien le rôle d’un modèle opératoire piloté par la demande (un DDOM, commençant par DDMRP) : on défini un modèle, une mécanique, des règles de gestion, qui vont être exécutées de manière pleinement automatique ou semi-automatique. Qu’est-ce qui permet cette automatisation ? C’est que le modèle défini fonctionne par plage. Tant qu’on est dans la plage de fonctionnement, go !
Aidons à la décision humaine lorsque les conditions sortent des plages de fonctionnement, et sur les horizons plus lointains.
Il ne s’agit pas, à coup d’intelligence artificielle, de rendre nette l’image floue et bougée.
ll s’agit plutôt de focus, concept cher à la Théorie des Contraintes. Il s’agit de focaliser l’attention des acteurs qui doivent prendre des décisions sur les informations pertinentes pour que ces décisions soient les meilleures possibles, et soient prises au bon moment.
Automatiser permet de ne focaliser que sur les exceptions, qui méritent attention.
Sur un horizon moyen et long terme, on donne de la visibilité aux conditions, aux scénarios qui excèdent les aptitudes de notre modèle opératoire, pour en piloter d’adaptation. Par exemple ajuster les capacités. Les processus de Business Intelligence sont clés dans ce domaine.
Historiquement nous avons essayé de faire la mise au point sur cette image floue et bougée. Par exemple en poursuivant l’objectif de prévisions fiables. Il est temps d’assumer que l’image restera floue et bougée, mais que nous devons nous équipons de capteurs et de pilotage dynamique qui nous permettent de trouver notre route dans cet environnement incertain.
