Alexis

Chaque semaine, nous répondons à vos questions concernant la gestion de sa Supply Chain face au Coronavirus !

Posez nous vous questions ici

Comment bien catégoriser ses articles pendant la crise et est-ce que l’IA peut aider ?

La catégorisation des articles de type ABCD est une technique assez ancienne qui permet, pour les équipes commerciales, de savoir quels articles se vendent le plus, ce qui a un intérêt pour la mise en rayon ou l’organisation des entrepôts.

D’autre part, cela permet à la partie approvisionnement de connaître les articles les plus importants. Néanmoins aujourd’hui, l’intelligence artificielle rend moins pertinente l’utilisation de cette classification, puisque le machine learning va calculer la stratégie d’approvisionnement article par article, sans avoir besoin de le catégoriser. Avec l’IA, les catégories sont donc toujours utiles pour les processus de mise en rayon ou d’organisation en entrepôt, mais plus pour l’approvisionnement.

Pendant la crise, les catégories en vigueur ont des chances d’évoluer, même après le déconfinement, puisque les habitudes de consommation ont pu changer. Il faut donc être vigilent et remettre à jours les catégories ABCD.

Quel est votre regard sur les autres technologies que l’IA comme la RFID, la Blockchain ou la 5G ?

Ces technologies sont complémentaires à l’intelligence artificielle. En premier lieu, le RFID est devenu courant dans un certain nombre d’entreprises et d’industries. Cela permet de faire des inventaires de stock beaucoup plus facilement, et de tracer un même article de bout en bout de la Supply Chain ce qui est très utiles pour monitorer la qualité. De plus, un avantage énorme est de pouvoir gérer les produits à date de consommation courte de manière beaucoup plus précise.
Néanmoins, le problème du coût des RFID reste majeur et n’est pas encore résolu aujourd’hui.

Passons à la Blockchain. Pour rappel, il s’agit d’une base de donnée distribuée dans le réseau et qui apporte une sécurité imparable. Ce type de technologie peut être intéressant lorsqu’il y a une mutualisation de stock entre plusieurs acteurs qui décident de stocker au même endroit pour économiser. La Blockchain permet de conserver l’information du propriétaire de chaque article de manière fiable, neutre et irréversible.

Pour la 5G, elle permettra d’avoir une qualité de réseau incroyable pour le personnel mobile. Cela apportera beaucoup plus de facilité pour la prise en compte de beaucoup de données sur des applications sur smartphone ou tablette. Les acheteurs pourront aussi avoir toutes les data dont ils ont besoin lorsqu’ils se rendent chez le fournisseur. Ce sera donc une révolution dans les métiers qui ont un usage intensif de données, comme il en existe beaucoup dans la supply chain.

Chaque semaine, nous répondons à vos questions concernant la gestion de sa Supply Chain face au Coronavirus !

Posez nous vous questions ici

Les Supply Chains ont-elles les moyens de se préparer à la probable future seconde vague  ?

Elles en ont non seulement les moyens, mais surtout la responsabilité et le devoir.

La première vague nous a donné beaucoup d’informations et d’éléments qui nous permettront d’être plus efficaces pour la deuxième. Cependant, il ne faut pas se reposer sur ses lauriers car la deuxième vague peut tout de même nous prendre par surprise.

Une première chose à préparer, est de s’assurer qu’on ait assez de stock de matériel de protection comme des masques ou des visières. On peut parier qu’il sera de nouveau difficile de s’en procurer quand la deuxième vague sera présente.

Une deuxième priorité concerne la notion de scénarios. On doit se demander « Qu’est ce qu’il peut se passer ? » : un département peut se re-confiner, les zones de sourcing peuvent s’arrêter à nouveau, etc. Il faut balayer cet ensemble de possibilités et définir les actions à entreprendre dans chacun des cas. Il faut alors également poser les critères qui vont déclencher ces actions. Dès aujourd’hui, choisissez les indicateurs importants pour votre entreprise, qui pourraient vous donner des informations sur l’arrivée de cette seconde vague, et mettez en vous en veille sur ceux-ci. Des collectifs diffusent des données sur la propagation de l’épidémie, comme le collectif CoData par exemple. Vos données internes et de vos fournisseurs pourront également vous aider.

Pensez-vous que les budgets des projets en cours seront réduits, ou à l’inverse, vont augmenter ?

Evidemment, cela va varier d’une entreprise à l’autre. Globalement, la trésorerie est plus faible qu’avant la crise, ce qui rend les investissements dans des projets Supply Chain encore plus compliqués.

Néanmoins il est essentiel de se projeter et d’imaginer les évolutions qui auront lieu. Etre plus agile, plus à l’écoute des signaux faibles, se rendre plus résilients. Il y a donc inévitablement des projets Supply Chain à mener. Nous conseillons de se focaliser sur des projets à ROI rapide, mais surtout, sur des projets qui inscrivent l’entreprise dans l’avenir et qui sont autoportants financièrement. L’idée est de limiter les dépenses initiales pour les compenser par les gains qui arriveront rapidement.

En collectant la data et en sachant la valoriser, on s’en sortira forcément mieux : en maximisant les opportunités de ventes, en positionnant le stock intelligemment, en gagnant du temps humain. tout cela génère de la valeur rapidement.

La question de budget ne doit pas être abordée avec une approche traditionnelle, mais plutôt en trouvant des moyens de mettre en place des projets qui s’autofinancent par leurs gains.

Chaque semaine, nous répondons à vos questions concernant la gestion de sa Supply Chain face au Coronavirus !

Posez nous vous questions ici

Le Machine Learning compense-t-il très nettement le biais humain opérationnel, sachant qu’il est lui-même programmé par des humains ?

En premier temps, rappelons à quoi sert la Machine Learning pour la Supply Chain, c’est à dire, à la prévision de la demande, et au calcul des stocks optimaux.

Jean-Pierre fait référence à une notion importante qui est le biais. Le biais est une erreur systématique, par exemple une surestimation ou sous-estimation systématique d’un phénomène.

On a beaucoup entendu parler dans la presse du fait que les algorithmes de reconnaissance d’image ou d’aide à la décision dans la justice pouvaient présenter des biais, ce qui est en effet un gros problème. Ce qu’il faut retenir, c’est que les biais du Machine Learning ne sont pas dus aux algorithmes, mais aux données elles-mêmes. Ce qui programme un algorithme, ce sont les données.
Ainsi, lorsqu’on met un place un algorithme de Machine Learning pour la gestion de la Supply Chain, l’important est de s’assurer que les données qu’on utilise pour apprendre le passé et bien prévoir le futur soient propres.

Au niveau humain, il faut noter que l’on est nécessairement victimes de biais cognitifs, et le fait de le savoir ne suffit pas à les limiter. Par exemple, si l’on passe nos commandes à la main sur un tableur de plusieurs milliers de références, il est inévitable de créer de biais au bout de quelques dizaines ou centaines de lignes. L’algorithmes, lui, n’est pas soumis à ce type de biais.

Ce qui fait qu’un algorithme peut délivrer des résultats biaisés, ce sont donc les données. Dans le cas de la Supply Chain, cela peut venir des ruptures de stock qui provoquent une baisse des ventes. L’algorithme de prévision de la demande ne doit alors pas tenir compte des ventes effectuées, mais des ventes qui auraient eu lieu sans ruptures. Un autre exemple est l’effet de cannibalisation : si un produit est en promotion, il pourra s’octroyer les ventes d’un autre produit. Ce sont d’autres formes de biais que l’algorithme doit détecter.
Les erreurs peuvent aussi évidemment se trouver dans les données elles-mêmes : des stocks erronés, des ventes qui ne sont pas totalement consolidées, etc. Et également des facteurs externes qui viennent influer sur des comportements d’achat.

En synthèse, l’humain est forcément biaisé dans ses opérations. La machine peut l’être également, si les données dont elle se sert ne représentent pas parfaitement le phénomène réel lors de l’apprentissage. Tout l’intérêt du Machine Learning est qu’il pourra passer à l’échelle sans grands efforts humains.

L’algorithme fonctionne donc en autonomie ?

Le Machine Learning n’est pas complètement autonome. Dans le secteur de la Supply Chain, l’utilisateur garde un travail de vérification macroscopique des résultats. De l’autre côté, le spécialiste en Machine Learning va s’assurer de manière régulière et permanente qu’il n’y a pas de dérives dans les performances.

Le travail du Data Scientist est de surveiller un phénomène très important en statistiques, le compromis biais / variance (variabilité d’un résultat).

Comment identifier les facteurs à intégrer dans le moteur logiciel ?

Tout d’abord, l’intégration doit se faire de manière itérative. Si on donne l’ensemble des facteurs possibles d’un seul coup, on ne se sera pas assuré que le socle des données est qualitatif avant de le complexifier. Le point clé dans la méthodologie Machine Learning est d’avancer étape par étape.

On commence souvent par les données obligatoires : les historiques de ventes, les contraintes opérationnelles, etc. Puis, petit à petit, on va injecter dans les moteurs des données qui permettront de mieux appréhender certains phénomènes : la météo, les jours fériés, les vacances, le confinement, les données socio-démographiques, etc. En fonction du métier, on pourra identifier des variables intéressantes propres au secteur concerné. Dans notre premier Petit Dej’ de la Supply, on a vu par exemple que les activités de chasse ont une influence sur la réparation de lignes téléphoniques car des balles endommagent les câbles. On a parfois des surprises, comme dans le jardinage, où la météo n’impacte pas autant qu’on pourrait s’y attendre.

C’est donc vraiment dépendant du métier, et l’idée est d’aller tester chacune de ces données de manière itérative avec un seul objectif : améliorer les prformances du système. Tant que les performances s’améliorent, on continue.

Au-delà du type de données, la qualité des données est également primordiale n’est-ce pas ?

Exactement, si la donnée n’est pas suffisamment précise elle va ajouter du « bruit », donc dégrader le résultat. Lorsqu’on intègre une nouvelle donnée, on s’assure donc qu’elle est suffisamment informative du phénomène.

Chaque semaine, nous répondons à vos questions concernant la gestion de sa Supply Chain face au Coronavirus !

Posez nous vous questions ici

Quelle stratégie adopter pour maintenir au mieux son cash face aux impacts imminents de la crise ?

La pression cash qui pèse sur les organisations devient en effet énorme. Il faut penser en mode start-up : faire preuve de créativité, d’imagination, et travailler avec des effectifs réduits et peu de cash.

Une première stratégie est de chercher à récupérer du cash, par exemple en soldant le stock vieillissant ou à faible potentiel de vente. Oui, les marges seront réduites, mais en ce moment, le cash prédomine sur les marges. Un autre avantage est que cela va créer de la place dans les entrepôts qui peuvent déjà être engorgés, ou risquent de le devenir prochainement.

Une deuxième stratégie est d’aller jouer sur les coûts et la réduction du stock. C’est le moment pour expérimenter des solutions créatives pour limiter les coûts et les impacts de la baisse de productivité. Il s’agit aussi de s’appuyer sur les données qui témoignent des nouveaux comportements des clients et d’identifier les signaux.

Enfin, il faut faire en sorte de maintenir les stocks à un niveau bas par des investissements technologiques et une évolution des processus.

Le plus urgent reste de s’occuper de ses collaborateurs. Vos équipes ont peut être été séparées pendant plus de 8 semaines, elles ont besoin de se retrouver pour récupérer une dynamique et l’envie de travailler ensemble.

Les Supply Chain actuellement faiblement automatisées auront-elles suffisamment de temps pour se renforcer, compte tenu des délais d’un projet d’automatisation ?

Le contexte actuel crée une urgence, et c’est cette opportunité qu’il faut saisir. On sait aujourd’hui qu’il est possible de mettre en place ce genre de projets très rapidement avec une motivation et un engagement complet. On parle alors d’une implémentation en quelques semaines avec des retours en quelques mois.

Ca peut être le moment d’engager les collaborateurs et de fixer des objectifs agressifs pour obtenir des résultats très vite. Ceux qui auront fait preuve d’agilité et de réactivité dans cette période s’en sortiront le mieux.

Même si un projet technologique est très important en terme d’impact et d’implication, deux éléments peuvent accélérer son développement.
Premièrement, le contexte dont nous venons de parler qui pousse les entreprises à s’autoriser de nouvelles choses et à aller de l’avant. Deuxièmement, on sait aujourd’hui mettre en place des solutions sous forme d’amélioration continue. L’important est donc de lancer les choses au plus vite, puis d’améliorer pendant les mois suivants.

Il est dans tous les cas indispensable de fonctionner de la sorte puisque les profils de consommation vont fortement évoluer. Il ne faut pas se baser sur des données figées et passées. Le travail sur ces données est d’ailleurs également un accélérateur pour ce genre de projet.

Chaque semaine, nous répondons à vos questions concernant la gestion de sa Supply Chain face au Coronavirus !

Posez nous vous questions ici

Quels sont les différents degrés d’automatisation des approvisionnements ?

Nous avons identifié 4 différents degrés d’automatisation.

Le premier degré est purement réactif et manuel. On compile les besoins référence par référence et site par site, puis on commande les quantités compilées. C’est un process très basique qui permet à un certain nombre d’organisations de fonctionner mais qui n’est pas viable à grande échelle.

Le deuxième degré réside encore principalement sur un travail humain. On va ici simuler une prévision de la demande basique en appliquant des formules simples, comme par exemple la moyenne des ventes de quatre dernières semaines, à la quelle on appliquera un coefficient de saisonnalité. Les commandes sont ensuite envoyées aux fournisseurs par mail le plus souvent. Bien qu’un peu plus poussée, cette méthode est soumise aux mêmes limites que celle que nous avons évoqué en premier, à savoir : impossible à passer à l’échelle et conditionnée par un fort effort humain.

Ce sont là des processus créant une certaine pénibilité dans le travail des équipes, qui les exposent à des erreurs de fatigue, et qui reposent sur leur présence (comment faire en cas de maladie ou de congés ?).

Avec le troisième degré, on accède véritablement à l’automatisation. Ici, les commandes sont calculées automatiquement par un système de type ERP. Celles-ci se basent sur des prévisions de ventes résultant de formules plutôt simples comme celle que nous avons déjà citée, et parfois de modèles plus avancés comme le lissage exponentiel ou ARIMA. Les commandes peuvent être vérifiée, modifiées et validées par l’humain avant d’êtres transmises aux fournisseurs par EDI par exemple.
Cette méthode reste soumise à quelques obstacles puisqu’elle se base elle aussi sur le passé et n’anticipe pas les variations de la demande. De plus, elle peut ne pas autoriser une modification en masse des propositions de commandes, ce qui oblige à passer par un autre outil de type tableur. Enfin, beaucoup de données ne sont pas prises en compte, comme le lead-time des fournisseurs par exemple, ce qui crée des plafonds de verre dans la performance restituée.

Ce qui nous amène au quatrième degré. Rappelons avant tout les objectifs de l’automatisation.
On recherche un minimum de travail humain sur les actions où il n’a pas de valeur ajoutée et peut se contenter de superviser et de piloter de manière macroscopique. Le système se charge du détail.
On veut aussi un système capable de réellement anticiper. D’un point de vue Supply Chain, la période actuelle n’est évidemment pas représentative de celle qui suivra le déconfinement. En dehors de ce contexte particulier, cette problématique se pose lors de congés scolaires, des jours fériés, mais aussi beaucoup d’autres données socio-démographiques qui forment les données exogènes. La prise en compte de ces données permet de casser le plafond de verre de la performance.

Pour y arriver, on doit mettre de l’intelligence dans le système. Pour cela, on a besoin de 4 ingrédients :

• Premièrement, la donnée. Aujourd’hui, la majorité des entreprises a des données disponibles. L’humain doit y avoir accès pour les analyser, les comprendre, les nettoyer, etc. Avec des données qualitatives, le système d’automatisation sera correctement alimenté.
• Ensuite, on doit automatiser le prévisionnel de la demande en prenant en compte les faits connus d’avance et en estimant les marges d’erreurs. Au-delà des données exogènes, la prise en compte de cette marge d’erreur nous apportera davantage d’agilité et d’anticipation.
• L’algorithme doit être plus intelligent et être capable de créer ses propres règles. Par exemple, il doit pouvoir se rendre compte que tel fournisseur peut avoir 3 jours de retard, particulièrement sur ce type de produit, à cette période de l’année, et sur cet entrepôt. Ces règles s’appliquent donc sur les lead-times, mais aussi sur les quantités d’inventaires ou tout type de données qu’il est capable de prendre en compte. Les commandes seront plus fines et plus appropriées.
• Enfin, cela passe par des dashboards avancés mis à disposition des utilisateurs qui pourront ainsi maintenir un contrôle et un pilotage en continu des indicateurs qui sont importants pour eux.

Ce quatrième degré est donc plus difficile à atteindre. La technologie est prête, les principaux challenges seront au niveau de la génération d’une donnée fiable et de l’adoption de la technologie par les équipes.

Quels sont les impacts de la crise sur la productivité des entrepôts et centres de distribution, et sur les coûts de la Supply Chain ?

En effet, la productivité est bien impactée par cette crise.

Cela est d’abord dû à une désorganisation globale de la chaîne : les commandes mettent plus de temps à arriver, on a moins de visibilité, les ruptures et surstocks sont favorisés, etc.
De plus, l’ensemble des mesures barrière mises en place prennent du temps et de l’énergie aux équipes sur le terrain. Cela reste difficile à quantifier car très dépendant de l’organisation physique de l’entrepôt et de la manière dont l’organisation a choisi de maintenir son activité.

On peut cependant anticiper d’ores et déjà un impact sur les coûts. On pense par exemple aux produits pénuriques que l’on doit acheter plus cher, sur les coûts de transports qui ont pu augmenter, sur le matériel relatif aux mesures sanitaires, la baisse du temps de travail, etc.

Mêmes si certains coûts sont incompressibles comme la mise en place des mesures barrière, on peut se prémunir de certaines pertes pour les confinements futurs (qui sont de plus en plus probables) en misant sur les données et l’automatisation, qui libèrent du temps à l’humain pour se concentrer sur les actions essentielles à un moment précis.

Chaque semaine, nous répondons à vos questions concernant la gestion de sa Supply Chain face au Coronavirus !

Posez nous vous questions ici

Dans le Podcast Supply Chain, nous répondons aux questions que vous nous posez à propos de la Supply Chain dans temps de crise. Voici le résumé de ce numéro :

Dans un univers retail, pour établir des prédictions de ventes précises il peut être utile de mixer des données propres à l’entreprise avec des times series externes. Est-ce pertinent de mixer autant de données ? Quelle méthode d’intégration et d’analyse des données doit être utilisée pour obtenir des résultats probants ?

Comme nous l’avons évoqué dans le précédent podcast, l’un des enjeux actuels est de travailler au niveau macroscopique, et de laisser les algorithmes calculer la demande au niveau le plus fin.

Evidemment, la demande enregistrée actuellement n’est pas représentative de celle qui aura lieu à la fin du confinement. De plus, pour les entreprises qui sont fermées, il n’y a simplement pas de demande enregistrée. Il faut donc en effet se servir des trends historiques de saisonnalité, et les mixer avec des informations externes donc la plus importante est aujourd’hui la période de déconfinement et de reprise d’activité.

La bonne façon de faire est d’abord de sources les données externes. Le gouvernement a mis à disposition des bases de données publiques et maintenues.

Pour intégrer ces données, il faut procéder de façon itérative en commençant par des data fiables, stables, historiquement utilisées comme les sorties de caisse par exemple. On vient ensuite y ajouter progressivement, les unes après les autres, les données exogènes de contexte. Pour évaluer ses prévisions, on regarde si on est capable de prévoir ce qu’il s’est passé hier, et si c’est le cas, on sera peut-être capables de prévoir le futur.

Quoi qu’il en soit, la supervision humaine reste primordiale en cette période au niveau macroscopique et sur le sourcing de nouvelles données et de leur intégration.

Quel est le principal enseignement de cette crise pour les organisations Supply Chain ?

Le principal enseignement est le même que celui qui s’applique à la société en général : le risque majeur existe bel et bien, et il se produit (avec une ampleur inédite en ce moment). A moindre mesure, des problèmes semblables se sont produits régulièrement depuis quelques années (SRAS, H1N1, H5N1, Ebola). Ce à quoi il faut ajouter les tensions internationales, les taxes douanières, la stabilité politique locales, les événements naturels, les manifestations, etc. Bref, le risque d’interruption de la Supply Chain est réel et omniprésent.

Il est donc critique d’intégrer une gestion du risque au sein des organisations Supply Chain. Cette entité de gestion du risque doit fonctionner par « stress tests ». Que se passe-t-il si mon entrepôt ferme pendant plusieurs semaines ? Si mon principal fournisseur ne peut plus m’approvisionner ? Si il y a des incapacités de transport ?

On doit inclure des calculs de « grande déviation » : des événements assez rares mais qui ont un impact colossal. Une bonne pratique est d’intégrer le « prix du risque » aux achats, au même titre que le transport ou les taxes. Pour cela, on doit s’appuyer sur des simulations fines de différents scénarios.

Le principal enseignement est donc la prise en compte du risque. Cela amènera les Supply Chains à se raccourcir, et les coûts vont inévitablement augmenter. Un autre enseignement serait donc la maîtrise des coûts opérationnels, en utilisant la digitalisation et l’automatisation, et de former les équipes pour qu’elles soient toujours plus performantes.

Chaque semaine, nous répondons à vos questions concernant la gestion de sa Supply Chain face au Coronavirus !

Posez nous vous questions ici