Chaque semaine, nous répondons à vos questions concernant la gestion de sa Supply Chain face au Coronavirus !
Comment mesurer la qualité des prévisions ?
Il est important de garder en tête que la qualité d’une prévision s’évalue au regard de l’utilisation qu’on en fait.
On a souvent tendance à se dire qu’une bonne prévision est une prévision conforme à ce qui s’est réellement passé par la suite. Par exemple, si je fais une prévision des quantités vendues sur les 3 prochaines semaines, jour par jour, sur un certain produit, sur un certain point de vente, je vais comparer dans 3 semaines cette prévision avec ce qu’il s’est réellement passé. On pourrait alors se dire : « La prévision est bonne si, jour par jour, la quantité vendue correspond à la quantité prévue ».
En réalité, ce n’est pas une bonne façon de faire car en Supply Chain, la prévision sert à calculer des commandes, des approvisionnements. Donc ce qui est important, ce n’est pas de comparer les quantités au jour, mais plutôt de comparer la commande effectuée grâce à la prévision et la meilleure commander qu’il aurait été possible de faire à ce moment-là (compte tenu des informations disponibles à cette époque). Je vais donc regarder le cumul de ma prévision de ventes sur l’ensemble de la période à couvrir, c’est-à-dire la période entre la réception de cette commande et la réception de la commande suivante.
Pour résumer, l’erreur est souvent de chercher la meilleure précision jour par jour, au lieu de chercher une meilleure prévision cumulée sur la période à couvrir.
Deuxième subtilité : souvent on ne commande pas à l’unité mais par cartons, palettes, containers ou camions. Ce qu’il faut donc mesurer, c’est le conditionnement en nombre entier dans l’évaluation de la qualité de la prévision, et non pas une quantité de pièces. Un article qui se vend énormément pourra représenter beaucoup moins de commandes s’il est conditionné en grand nombre, qu’un article qui se vend moins mais qui est conditionné en plus petites quantités.
Appliquer ces subtilités fait une différence énorme avec une mesure de prévision moins pertinente.
On peut ajouter que les systèmes les plus avancés émettent les prévisions via des probabilités. Ce n’est pas juste une valeur, mais une distribution de probabilités. La prise en compte de ces probabilités va avoir une influence sur la manière dont on commande, et dont on mesure la qualité de la prévision.
Par où commencer avec la donnée ? Comment mettre toutes les chances de son côté afin de réussir le projet ?
La Supply Chain moderne se base en effet en grande partie sur la donnée. Il faut être capable, pour affiner au maximum ses calculs de prévisions et d’approvisionnements, d’utiliser les données de manière efficace.
Par principe, la donnée n’est pas forcément juste. On peut avoir des données erronées (on sait que la donnée d’inventaire ou le délai de lead time sont par exemple partiellement fausses). Une erreur est donc de commencer en prenant directement l’ensemble des données et de les intégrer pour faire de meilleurs calculs d’approvisionnement. En réalité, il faut avancer de manière itérative.
On commence en travaillant avec les données fondamentales (position de stock, historique, quelques événements exogènes, …). C’est seulement lorsqu’on arrive aux premiers résultats en suivant les indicateurs clés (ruptures, disponibilités, …) avec ces données, qu’on pourra alors améliorer. Si les résultats sont bons, on peut penser à ajouter de nouvelles données incrémentalement, sinon, il faut améliorer les données existantes avant d’en ajouter d’autres. La donnée est une matière première qu’il faut travailler et améliorer. C’est un sujet déjà très important dans la Supply Chain aujourd’hui et qui a vocation à le devenir encore plus avec le développement de l’IA.
Si le sujet des données vous intéresse, nous vous invitons à visionner le replay de notre dernier webinar dont elle était le sujet, ainsi que notre tribune « Nos conseils pour mieux utiliser la data de votre Supply Chain »