Dimanche 25 décembre 2011
C’est Noël. L’année 2012 n’est qu’à une semaine de distance. Quels vœux pour l’année prochaine. Je vais commencer l’année en prenant en charge les prévisions d’une famille de produits pour une société qui fabrique et qui commercialise des produits food. Le processus est classique. Prévisions de la « base line », c’est-à-dire les produits catalogue ou fond de rayon, en utilisant des méthodes statistiques d’extrapolation de l’historique. Cette société utilise le logiciel AZAP pour faire cette prévision quasiment en automatique.
Ensuite, concertation avec le marketing pour appréhender leur prévision d’achat par les consommateurs des nouveaux produits en lancement, prendre connaissance des campagnes publicitaires qui vont être menées et de l’impact que cela devrait avoir sur les ventes consommateur (« sell out »).
Puis récupération auprès des assistantes commerciales de leur prévision pour les promotions négociées avec les enseignes.
Enfin évaluation de l’impact de ces opérations ponctuelles (lancements, publicité, promotions client, animations diverses…) sur les ventes du fond de rayon. Certaines de ces opérations augmentent les ventes (publicité), d’autres les réduisent en substituant à la vente du produit fond de rayon un nouveau produit ou un produit promotionnel vendu avec une remise substantielle. L’évaluation de cette cannibalisation reste très subjective même si elle est quantifiée. En plus elle est bien difficile à mesurer.
La question que je me pose c’est que se passe-t-il si on n’intègre pas l’impact de ces évènements ponctuels dans la prévision de la demande des produits fond de rayon. Bien entendu on commettra une erreur dans la mesure où il y a un impact. Mais si l’impact est faible ou de toute manière difficile à apprécier faut-il passer du temps à évaluer cet impact plutôt que de considérer qu’il fera partie du bruit de fond qui contribue à l’incertitude prévisionnelle. Après tout, les actions des concurrents, que l’on n’intègre pas et qui se retrouvent donc dans le bruit de fond, ont peut-être un impact autrement important.
Nous allons bien voir. Je vais faire des prévisions sans tenir compte de ces opérations ponctuelles et vérifier à posteriori si cela a beaucoup augmenté l’erreur de prévision. Je vais aussi suivre les erreurs que font mes partenaires commerciaux et marketing lorsqu’ils me donnent leur prévision.
Et je vous donnerai les résultats de mes observations.
À l’année prochaine.

By training and laziness I guess I have always been interested in getting things done efficiently and avoiding unnecessary expenses of energy, therefore the optimization bit. I started in this business in the 70’s by designing and programming software to optimize operations planning. It wasn’t called supply chains operations yet and the word logistics had not reappeared since the time of Napoleon. At that time Napoleon had created a function called “maréchal des logis”, the man whose job was to find and organize (marshal) dwellings (logis) for the army, hence the name “logistics”.

My work is supposed to be supply chain optimization. In this expression, supply chain optimization, one perceives supplies being transferred from one point to another through a number of transshipments points in an optimal way. The process requires organization, planning and control. It requires decision making. It requires forecasts to help with decision making. It requires data to help with forecasting. Part of the process can probably be automated; it can be programmed into a computer and optimized. But in most cases a shadowy area will remain where the process needs to take into account unexpected or fuzzy data. In that case human beings will replace, complement, the computer. How do you design such a process then? What type of human beings does it require? Does it even require human beings? This is the subject of this blog.

Can you optimize processes? What is a supply chain process? Forecasting for example is a sub-process of the planning process. Planning sufficiently far ahead requires forecasts. A process has inputs and outputs and a recipe to transform the inputs into the outputs, just like a computer program transforms inputs into outputs given the input data and the set of rules to manage this transformation. For example take the process “multiply by n”. If you are a computer you can add the input (the number 15 for example) to itself n times. If you are a human being a better recipe relies on multiplication tables of digits. So the recipe can be different for a person or for a computer. The recipe or the process tells you or the computer how to perform multiplications. Here the recipe is called an algorithm (named after the 9th century Persian mathematician and astronomer Abu Abdullah Muhammad ibn Musa al-Khwarizmi) and although the algorithm differs when run by computers or people; the result should be the same. This is not always the case.

The difference between a process and an algorithm lies in the timely use of the judgment of human beings in the sequence proceeding from the inputs to the outputs. Judgment can hardly be called an algorithm. When you use an algorithm the set of inputs always generates the same output (unless you have programmed randomness in the recipe). When you use a process where the judgment of human beings is required the result depends on the state of mind, the intelligence of the person involved. Randomness is built into the system. Take a forecasting process for example. A simple process could be formulated as: ask the sales force how much they think they will sell in the following 6 months. The sales force may use intuition backed up by all the information it has accumulated on its’ customers over the years plus additional information on new products, competitor actions in the future, direct information from the customers… The process is simple or so it looks. After all you are getting the result of the race from the horses’ mouth or so it seems…But in reality the sales person may have conflicting objectives in providing a forecast. If the forecast is used in procuring a sensitive product then the sales person may be worried he will not get enough of the product and be tempted to overestimate. If the forecast is used as a sales objective with a bonus when the objective is attained then he may be tempted to underestimate. He may also be optimistic because he just made a big sale or pessimistic. So the process is simple, not overly costly, and highly dependent on the quality of the human beings in the sequence?

Then the question becomes “why do we need human beings”, a philosophical question probably. Since my reader is a human being (apart from the Google machine scanning this object) he will resent the question. The answer is “we need human beings where machines cannot tread”.  Computer algorithms cannot for the time being, for certain types of problems, grasp all the complexity inherent to changing environments. They are programmed to cover more and more challenging situations but they are fed certain types of data to yield results. They cannot perceive data they are not fed. In the forecasting example suppose we use an algorithm to extrapolate past sales into future sales. It will do exactly that with more or less sophisticated statistical methods and models of the past to be reproduced in the future. But if the algorithm is not programmed to anticipate the probable loss or gain of a large customer it will predict the future as an extension of the past, just as a horse with blinders will see the road ahead and not peripheral potential hazards. This is where the human being intervenes. And the more sophisticated the algorithms, the more we need intelligent human beings to complement the robot, spotting events unforeseen by the computer, estimating their impact on the result. Let’s look at the process, say in the forecasting example explained in the preceding paragraph. Suppose that in this process we can have access to software which extrapolates the past into the future. Then we can design the following process

1. Human being:
   1. Look for special events in the recent past which may have had an impact on the result and which the software cannot deal with.
   2. Estimate the impact of these special events on past sales.
   3. Normalize historical data by erasing this impact from historical data.
2. Computer:
   1. Run the algorithm with this normalized data
   2. Output the forecast for demand as if no special event should occur in the future.
3. Human being:
   1. find out if there are any special events planned for the future
   2. If so, estimate the impact of these events on future sales.
   3. Add this impact to the computer forecast
   4. Yield the final result.

This describes the process run by most consumer goods companies. If we want to improve the process without modifying it structurally, we can either improve the algorithms run by the computer or we can improve the forecasting ability of the human being or both. We can also modify it structurally, meaning we can change the structure of the process or the role assigned to the human being and the computer.

In the first case, without changing roles assigned to the computer and to the human being, we will in the preceding process find a better way for the computer to forecast the future, for example a better model for exotic products sold episodically. If we want to improve the way the human being operates we can give him a better training or select someone more adapted to the forecasting of special events task or increase his motivation or…So if we don’t change the allocation of tasks between computer and human being we will continuously work on improving both actors in the process.

In the second case, changing roles in the same process probably means increasing the role of the computer and decreasing the task of the human being. In our example this could mean programming the computer to detect special events having occurred in the past, analyzing and modeling their impact on normal sales in order to be able to forecast the impact of future special events of similar types on the forecast. The task assigned to the human being will then be to identify future special events and feed them into the computer. The computer becomes more intelligent, the human being more of a controller and data feeder. The output will probably be more homogeneous in quality. The quality will depend much less on the quality of the human being.  It will depend more on the quality of the designer of the algorithms in the computer; and this can always be improved.

So, why do we need human beings in a process and what type of human beings? Or why do we need computer algorithms and what type of algorithms?

In fact we need both human beings and computers. We need computers and algorithms for their raw computing power, the knowledge base and the intelligence we can feed them over time, the connectivity they provide between actors in the process. We need human beings for their ability to interface with the world outside the computer, to fill in the gaps where the robot cannot proceed.

The type of human being we need should be completely correlated to the type and quality of the algorithms in the computer and the converse should be true. The crudest the algorithm, the more we have to require from the human being. This has always been the case in the history of the industrial revolution from Henry Ford and Frederick Winslow Taylor to our day. Before the revolution there were only craftsmen, some very talented, some not so talented. Becoming competent required many years of training with several masters. Then we started to decompose production since it was becoming too complex for one person. And we recomposed it into an assembly line (a manufacturing process) where smaller tasks were assigned to individuals. F.W. Taylor was the one who became interested in the man-machine relationship. He designed specific tools for specific types of individuals, sizes of shovels dependent on the size of the individual for example.

Your process will operate with men and software. Be sure to design it with a good knowledge of the qualities and gaps in the men and software potentially available. I will return to this subject in my next blog since you will spot number of contradictions in the last paragraphs.

Je sors de chez un client qui m’a demandé il y a quelques semaines de l’aider à redessiner son processus de prévision. Ce processus se situe dans le cadre du processus plus global que l’on nomme S&OP (Sales & Operations Planning), en français PIC ou plan industriel et commercial.Ce client fabrique et commercialise des produits de grande consommation.

Je pensais être un spécialiste des méthodes de prévision. Je m’aperçois qu’en réalité je ne suis qu’un spécialiste des algorithmes pour prévoir le futur comme une simple extension du passé, ce que certains appellent des prévisions statistiques. Or je me trouve plongé au milieu d’un processus dont je m’aperçois qu’il a surtout pour vocation d’expliquer le passé et de construire le chemin qui mène à un avenir choisi. Imaginez un météorologue à qui on demanderait non seulement de prédire le temps qu’il va faire mais aussi, si cette prédiction ne convient pas, de changer l’avenir. “Je prévois de fortes rafales avec des averses fréquentes” dit le météorologiste. “Ah, non!” répond son interlocuteur “expliquez moi comment je peux atteindre mes objectifs”. Traduction: “combien d’argent faut-il que je mette sur la table pour vendre ce que j’avais prévu de vendre ou ce qu’on m’avait demandé de vendre?”

Je regarde en ce moment West Wing (Maison Blanche en français), une série télé passionnante qui se passe dans l’aile gauche de la Maison Blanche aux Etats Unis. L’aile gauche c’est là où se trouve l’état major du président, sa garde rapprochée, ses conseillers politiques. Apparemment aux Etats Unis les ministres ont très peu de pouvoir. Une partie du pouvoir est entre les mains du Sénat et du Congrès, l’autre partie se trouve dans cette aile gauche de la Maison Blanche avec ses conseillers en communication et ses conseillers politiques.

Un épisode de cette série décrit la campagne présidentielle américaine vue alternativement du côté démocrate puis du côté républicain. Les sondages sont permanents et arrivent au moindre incident de la campagne. Un des candidats donne sa position sur l’avortement, il perd immédiatement 5 points dans les sondages, l’autre va faire sa période militaire de réserviste pendant 2 jours, il gagne 7 points dans les sondages. Les conseillers du candidat ne peuvent pas se passer de ces sondeurs, ni des conseillers en image. Les uns donnent la tendance, les autres les moyens de l’inverser.

Chez mon client il existe le même couple entre le prévisionniste qui prédit l’avenir et le marketing qui cherche le moyen de modifier cette tendance à coup de promotions, publicité, réduction de prix, nouveaux instruments promotionnels. La seule différence est que dans West Wing la prévision est instantanée alors que chez mon client il faut plutôt 2 semaines pour l’obtenir et 2 semaines pour la modifier puis la transmettre à l’actionnaire et aux usines.

Le processus S&OP comme on dit est extrêmement lourd et fait intervenir tous les responsables d’enseignes (Carrefour, Casino, Leclerc…) qui peuvent décider de faire des promotions ou non (donner de l’argent aux clients ou auxconsommateurs), le Service Client (ceux qui prennent les commandes et qui sont en relation permanente avec le client), les chefs de produit (ceux qui décident de la vie du produit de sa naissance à sa mort, des campagnes de publicité…), les contrôleurs de gestion et les financiers.  En effet l’objectif du processus est d’atteindre les résultats promis à l’actionnaire.

Le processus est lourd. On peut le comparer au mécanisme de pilotage d’un paquebot qui doit faire le tour du monde. Le prévisionniste est celui qui fait le point avec son sextant une fois par mois et qui annonce si on est toujours pile sur la bonne trajectoire. Si ce n’est pas le cas  l’armateur va demander des explications au commandant. Celui-ci demande donc à ses officiers d’abord des explications sur ce qui a bien pu se passer, ensuite ce qu’il faut faire pour remettre le bateau sur sa trajectoire exacte prévue à l’origine (le budget).

Ce qui est étonnant c’est que la plupart des sociétés ne tiennent pas compte des aléas normaux dans ce type de processus. On peut comparer cette attitude à celle d’un barreur novice sur un voilier dans une course croisière. On lui a demandé de suivre un cap, le 270 par exemple, plein Ouest. Il conserve les yeux rivés sur le compas et à la moindre déviation il pousse ou il tire la barre. Il fait du pompage comme on dit parce que le bateau, à cause du vent, des vagues, ne conserve pas son cap en permanence. Un barreur chevronné sait que lorsque le bateau dévie de son cap il suffit d’attendre la prochaine vague pour qu’il se repositionne et qu’en moyenne le cap suivi sera le cap prévu. Autrement dit lorsque l’on est prévisionniste il faut non seulement indiquer la valeur moyenne prévue mais aussi la fourchette dans laquelle on va se trouver avec 95% de certitude. Et si à l’arrivée on est bien dans cette fourchette on ne change rien et on ne tente pas d’expliquer les écarts temporaires.

Le processus est lourd parce qu’il ne repose sur rien de solide. Les données sont assez floues. L’information coûte cher parce qu’il est difficile de se la procurer. Par exemple il faut savoir combien les grandes surfaces vont commander dans  4 mois pour que l’on puisse approvisionner les emballages. Mais personne ne possède encore cette information. Pour se la procurer il faudrait questionner tous les points de vente ou un échantillon de points de vente. et leur faire passer commande 4 mois à l’avance. Va-t-il faire plus chaud ou moins chaud que la moyenne saisonnière dans  6 semaines. Là encore mystère.

Même si l’on veut expliquer le passé la tâche s’avère compliquée. De combien ce spot à la télé a-t-il fait monter les ventes? Quel impact a eu la hausse des prix? Tout cette analyse de la demande et de son élasticité à des stimuli extérieure est passionnante et fort intéressante pour l’entreprise.  Mais le jeu en vaut-il la chandelle comme on a l’habitude de dire? Fait-on réellement de meilleures prévisions. Si oui l’amélioration vaut-elle le prix que l’on paie pour elle? Toutes ces questions je me les pose et j’aimerais avoir votre avis.

Les prévisionnistes se transforment en analystes de la demande. On ne leur demande plus d’extrapoler des séries chronologiques comme on appelle les historiques. On leur demande de devenir des chercheurs capables de construire des modèles micro-économiques. Un nouveau profil se dessine et du coup se pose la question taylorienne de la répartition des tâches. Faut-il spécialiser ce métier en le décomposant en analystes de la demande, prévisionnistes extrapolateurs simples du passé pour le produit dit fond de rayon, prévisionnistes des promotions, prévisionnistes pour les nouveaux produits, pour les nouveaux instruments de promotion…?

J’attends vos suggestions.

J’écris ce blog  pour, au jour le jour, réfléchir avec vous sur la Supply Chain de mes clients .

Je crois avoir dit un jour à des journalistes qui m’interrogeaient sur la “supply chain” que certaines des entreprises que je conseillais il y a 40 ans étaient à l’époque plus avancées en supply chain management que la plupart des entreprises actuelles. A l’époque on ne prononçait ni les mots de logistique ni ces horribles borborygmes “supply chain” ou “S&OP”. On se contentait de prévoir la demande (on appelait ça des ventes) et de programmer la production en utilisant des feuilles de papier millimétré que l’on affichait sur le mur. Pour cela on traçait des courbes de ventes cumulées depuis le début de l’exercice par article ou famille d’articles. On avait sur la même feuille les courbes correspondantes des années précédentes. Le jeu consistait à tracer la courbe de production cumulée sur la même feuille avec à l’origine le stock au début de l’exercice. Si on ne veut pas de rupture, la courbe de production + stock initial (on dirait courbe des ressources à l’heure actuelle) doit toujours être au dessus de la courbe cumulée prévisionnelle des ventes. Si on souhaite avoir un stock minimum on cherchera à faire coller cette courbe au plus près de la courbe des ventes.

Cette méthode c’est Paul Gastou, l’ex directeur industriel de Kronenbourg, qui me l’a apprise. Il la tenait lui même de Colgate chez qui il était passé comme jeune ingénieur. Colgate avait mis au point cette méthode dans les années 50 avec Robert Brown je crois. Robert Brown est le pape, le gourou, du pilotage optimal de la supply chain. On se doit d’avoir lu ou plutôt étudié et savouré “Advanced Service Parts Inventory Control” (1982) si l’on veut avoir tout compris du pilotage optimal des flux.

Paul Gastou m’a beaucoup apporté en ce début des années 1970. Ce que je lui ai fourni, moi, à l’époque c”était ma connaissance de la programmation linéaire qui nous a permis de remplacer le papier millimétré par un logiciel d’optimisation. En même temps Rudolf Lewandowski avait mis au point Forsys, un des premiers logiciels d’extrapolation des historiques de vente. On avait donc les processus et les logiciels. A travers Forsys on gérait les articles standard et les promotions (les évènements spéciaux comme on les appelait à l’époque). Rien de bien nouveau sous le soleil! Kronenbourg a utilisé ces logiciels et ces processus jusqu’à son rachat par Carlsberg il y a 2 ou 3 ans où ils ont été remplacés par les processus et les logiciels utilisés par Carlsberg.

Je reviendrai sur tous ces sujets qui à mon avis n’en sont encore qu’à leurs balbutiements et qui tournent tous autour des prévisions, de la planification du business, du budget, des rapports avec les actionnaires, les clients, les fournisseurs, les autres fonctions de l’entreprise. In fine, la supply chain, c’est toujours une histoire de gros sous. C’est comment préserver au mieux la planète tout en apportant le bien être à ses habitants.