La prévision de la demande par IA et le réapprovisionnement d'entrepôt sont devenus l'une de ces expressions que l'on retrouve dans toutes les présentations de fournisseurs et tous les panels de conférences. La promesse semble simple : prévoir la demande avec plus de précision, et l'entrepôt portera naturellement moins de stock et manquera moins de ventes. Pourtant, de nombreux entrepôts ayant adopté des outils de prévision rapportent un résultat déroutant. Leurs prévisions se sont améliorées, de façon mesurable, mais pas leurs entrepôts. Les rayonnages sont restés pleins, les produits à rotation lente ont continué à prendre la poussière, et le téléphone a continué à sonner en haute saison avec un client demandant où en était sa commande.
Ce n'est pas une histoire de mauvais modèles. C'est une histoire de tout ce qui se passe après que le modèle a produit un chiffre.
Prenons un distributeur de biens de consommation dans l'est de la Chine. Avant la haute saison de l'année dernière, l'entreprise a adopté un outil de prévision de la demande, et l'adéquation entre la prévision et les ventes réelles s'est réellement améliorée. L'équipe achats a eu le sentiment que le problème était résolu. Une fois la saison terminée et le comptage des stocks effectué, plusieurs meilleures ventes disposaient de plus de stock que l'année précédente, tandis que deux petites lignes de produits dont personne ne se souciait étaient en rupture. La prévision n'avait pas été très fausse. Ce qui avait mal tourné, ce sont les étapes qui ont suivi.
Un second cas vient d'un distributeur alimentaire du sud. Ses prévisions étaient tout aussi respectables, mais les délais de livraison des fournisseurs variaient de façon imprévisible. Parfois une livraison arrivait en une semaine ; parfois elle prenait la majeure partie d'un mois. Pour éviter les ruptures de stock, l'entrepôt planifiait en fonction du délai le plus long plausible. La prévision pouvait dire à peu près combien se vendrait le mois suivant, mais elle ne pouvait pas dire quand les marchandises devaient arriver ni en quelle taille de lot. Au moment où le stock arrivait, le pic des ventes était souvent passé, et le reste attendait le cycle suivant.
Quand la prévision est juste et que le réapprovisionnement échoue quand même
L'écart se situe dans la traduction. Une prévision s'exprime en totaux sur une période future. Le réapprovisionnement doit répondre à trois questions différentes : quand commander, combien commander, et quelle marge de sécurité conserver. Si l'une de ces réponses est fausse, un total précis ne vous sauve pas. Cet écart de traduction est l'endroit où la prévision de la demande par IA et le réapprovisionnement d'entrepôt échouent le plus souvent en pratique, non pas à l'intérieur du modèle, mais dans le passage de la prévision aux commandes réelles.
Trois types de désalignement reviennent sans cesse. Le premier est le désalignement des lots : la prévision est produite quotidiennement, mais les achats commandent par camions complets ou quantités minimales des fournisseurs, si bien que les chiffres sont arrondis vers une autre forme. Le deuxième est le désalignement du rythme : la prévision est une courbe lisse, mais le réapprovisionnement arrive par impulsions, le stock arrivant par à-coups tandis que les ventes l'écoulent progressivement, de sorte que les stocks montent et descendent. Le troisième est le désalignement des responsabilités : l'algorithme est propriétaire de la prévision, un acheteur est propriétaire de la décision de réapprovisionnement, et les deux parties travaillent à partir d'hypothèses différentes. Le chiffre du système est ajusté manuellement au niveau de l'exécution, et au final personne ne peut dire exactement selon quelle règle l'entrepôt fonctionne réellement.
Selon divers rapports du secteur, l'effet de l'erreur de prévision sur les stocks est souvent plus faible que l'effet de paramètres de réapprovisionnement mal fixés. Cela semble contre-intuitif, mais la logique est simple. Les erreurs de prévision fluctuent autour de la demande réelle, tantôt au-dessus, tantôt en dessous. Une mauvaise règle de réapprovisionnement amplifie chaque fluctuation dans un seul sens. Elle ne se corrige jamais d'elle-même.
L'arbitrage entre stock de sécurité et réapprovisionnement
Le stock de sécurité est l'élément le plus mal compris de ce casse-tête. Beaucoup d'équipes le traitent comme une assurance et supposent que plus il y en a, mieux c'est. Mais une fois le stock de sécurité fixé trop haut, il cesse d'être une assurance et devient un stock permanent. Pire, il est souvent fixé comme une seule règle uniforme pour toutes les catégories, sans distinction entre les produits pour lesquels une rupture coûte cher et ceux pour lesquels un surstock coûte cher.
Une façon utile de l'envisager est de mettre trois quantités côte à côte : la variabilité de la demande, la durée réelle du réapprovisionnement, et le coût réel d'une seule rupture de stock. Une variabilité plus forte et des délais plus longs justifient davantage de marge ; cette partie est fondée. Mais si le délai lui-même peut être raccourci par la négociation, un autre fournisseur ou des livraisons fractionnées, alors accumuler du stock de sécurité revient simplement à payer le relâchement de la chaîne d'approvisionnement avec du stock. À l'inverse, les produits à délais courts et à réapprovisionnement flexible peuvent fonctionner avec peu de stock de sécurité, libérant du capital pour les articles qui ont réellement besoin d'un coussin.
Le tableau ci-dessous est un cadre que je suggère aux équipes de s'accorder avant de modifier un quelconque paramètre. Il n'est pas une réponse en soi ; il oblige à mettre quatre ensembles d'hypothèses sur la même page, ce que la plupart des entrepôts n'ont jamais fait.
| Décision | Pratique courante | Ce qui ne va pas | Un meilleur point de départ | | Quantité de commande | Arrondir aux camions complets ou aux minimums | Une petite demande se trouve gonflée en un stock important | Fractionner les commandes pour suivre le rythme de la demande, accepter des réapprovisionnements plus petits et plus fréquents | | Moment de la commande | Commander un jour fixe de la semaine | Les changements de demande attendent un cycle complet avant que quiconque réagisse | Déclencher sur l'atteinte d'un seuil de stock, et non sur une date du calendrier | | Stock de sécurité | Un seul pourcentage uniforme pour tous les produits | Les produits à rotation rapide manquent tandis que les produits lents s'accumulent | Classer les produits selon le coût de rupture par rapport au coût de surstock | | Délai de livraison | Utiliser le délai le plus court promis par le fournisseur | Le moindre retard provoque une rupture, ensuite corrigée avec davantage de stock | Planifier sur la fourchette haute réaliste des arrivages réels, et non sur la promesse |
Beaucoup d'entrepôts ne manquent pas de données. Ils manquent d'un ensemble partagé d'hypothèses sur ces quatre décisions, et chaque décision a été prise discrètement, de façon isolée.
De la précision des prévisions à la santé de l'entrepôt
Il existe un désalignement plus profond dans la façon dont le succès est mesuré. L'équipe de prévision est jugée sur sa précision, l'entrepôt sur la rotation des stocks et les taux de rupture, et les achats sur le coût d'achat. Chaque indicateur peut sembler correct isolément alors que la combinaison échoue. Quand la précision des prévisions s'améliore de quelques points et que la rotation des stocks ne bouge pas, le premier suspect ne devrait pas être le modèle. Ce devrait être de savoir si les indicateurs se combattent entre eux.
Selon des observations publiées du secteur, les entrepôts qui tirent réellement profit de la prévision ne sont généralement pas ceux qui disposent des modèles les plus avancés. Ce sont ceux qui gèrent la prévision, le réapprovisionnement et le stock de sécurité selon un seul ensemble de règles. Leur habitude commune n'a rien de prestigieux : la sortie de la prévision se connecte directement aux paramètres de réapprovisionnement, les changements de paramètres sont consignés et examinés, et les dérogations manuelles laissent une trace au lieu de se produire en silence.
À l'avenir, les outils de prévision continueront à s'améliorer et à devenir moins chers. Cela ne signifie pas que les problèmes d'entrepôt disparaîtront d'eux-mêmes. Les outils répondent à la question de savoir si le calcul est précis. Les entrepôts doivent encore répondre à ce qui se passe après le calcul, ce qui est plus désordonné, plus difficile à standardiser, et en fin de compte ce qui détermine si les stocks sont sains.
La bonne question n'est donc peut-être plus de savoir à quel point les prévisions peuvent devenir plus précises. La prévision de la demande par IA et le réapprovisionnement d'entrepôt devraient être jugés sur ce qui arrive aux stocks et aux niveaux de service après la production de la prévision, car c'est là que l'argent est économisé ou gaspillé. Il s'agit de savoir si, maintenant que les prévisions sont assez bonnes, les entrepôts sont prêts à refondre leurs règles de réapprovisionnement et leur stock de sécurité à partir de zéro. Quand une prévision précise laisse quand même un entrepôt en surstock, ce qui a débordé, ce n'était rarement la crédibilité du modèle. C'était la couche d'exécution que personne n'avait prise au sérieux depuis longtemps. Et combien d'opérations prendront le temps d'aligner ces quatre décisions, plutôt que d'acheter un modèle plus cher, est en soi une question ouverte qui vaut la peine d'être suivie.
Par Dr. Chen, Chercheur en chaîne d'approvisionnement Traduit de l'anglais. En cas de divergence, la version anglaise fait foi.







