Le premier article de cette série affirmait que le fardeau des stocks, qui s’élève à un billion de dollars pour les industriels et les distributeurs US, n’est pas un problème de prévision à résoudre à l’aide de meilleurs outils, mais un problème de modèle opérationnel à résoudre par une approche différente du réapprovisionnement. Cette note constitue l’étape suivante. Avant qu’un conseil d’administration ne puisse approuver un changement significatif dans la gestion de la chaîne d’approvisionnement, il doit voir, en termes concrets, ce qui ne fonctionne pas réellement dans le système qui lui est présenté. Le moyen le plus direct d’y parvenir est d’examiner les prévisions — non pas comme des chiffres, mais comme une séquence animée.
Le graphique ci-dessous présente une « cascade de prévisions » pour un article qu’un équipementier automobile de premier rang livre à une usine d’assemblage automobile — une vue que pratiquement aucun cadre supérieur ne voit jamais, mais qui rend le problème indéniable.
Chaque colonne représente une semaine future de demande. Chaque ligne présente la prévision émise pour cette semaine à différents moments au cours d’un horizon de planification de treize semaines, classées de la prévision la plus ancienne en haut (établie treize semaines avant la semaine cible) à la plus récente en bas (établie une semaine avant).
Les cellules ombrées en rouge indiquent les prévisions qui se sont situées à plus de 15% en dessous de la moyenne de la colonne sur l’horizon de 13 semaines ; les cellules ombrées en vert indiquent les prévisions qui se sont situées à plus de 15% au-dessus. Sous les lignes chronologiques, la demande réelle est indiquée enfin.
Les statistiques récapitulatives qui suivent résument cette séquence : la prévision moyenne, les prévisions minimales et maximales émises, ainsi que l’écart de ces extrêmes par rapport à la moyenne et à la demande réelle. La ligne du bas indique la fourchette de variation — l’écart entre la variance maximale et minimale par rapport à la valeur réelle, exprimé en points de pourcentage — et la met en surbrillance en rouge, orange ou vert selon les seuils d’interprétation définis dans la section 4.
|
Année de référence de la prévision |
Semaine 4 |
Semaine 5 (cible) |
Semaine 6 |
Semaine 7 |
|
L-13 (13 semaines avant) |
68 |
65 |
72 |
70 |
|
L-12 |
60 |
78 |
68 |
88 |
|
L-11 |
78 |
60 |
80 |
65 |
|
L-10 |
65 |
72 |
55 |
78 |
|
L-9 |
50 |
85 |
78 |
72 |
|
L-8 |
75 |
71 |
65 |
80 |
|
L-7 |
70 |
88 |
70 |
72 |
|
L-6 |
82 |
87 |
75 |
68 |
|
L-5 |
60 |
54 |
82 |
75 |
|
L-4 |
38 |
45 |
60 |
90 |
|
L-3 |
55 |
42 |
72 |
65 |
|
L-2 |
72 |
45 |
48 |
78 |
|
L-1 |
90 |
100 |
85 |
60 |
|
Demande réelle |
55 |
50 |
45 |
70 |
|
|
|
|
|
|
|
Moyenne sur la période considérée |
66,4 |
68,6 |
70,0 |
73,9 |
|
Prévision minimale |
38 |
42 |
48 |
60 |
|
Prévision maximale |
90 |
100 |
85 |
90 |
|
Écart minimal par rapport à la moyenne |
-43 % |
-39 % |
-31 % |
-19 % |
|
Écart maximal par rapport à la moyenne |
+36 % |
+46 % |
+21 % |
+22 % |
|
Ecart minimal par rapport à la valeur réelle |
-31 % |
-16 % |
+7 % |
-14 % |
|
Écart maximal par rapport à la valeur réelle |
+64 % |
+100 % |
+89 % |
+29 % |
|
Fourchette de taux de désabonnement (max. − min. par rapport à la valeur réelle) |
95 pts |
116 pts |
82 pts |
43 pts |
Exemple de graphique en cascade des prévisions — structure de siège automobile de premier rang fournie à une usine d’assemblage d’un équipementier. Unités en milliers ; écarts et variations exprimés en points de pourcentage. Chiffres de la semaine 5 (L-8 à L-1) tirés d’un cas client réel ; les autres colonnes sont présentées à des fins de comparaison des tendances.
Lisez la colonne de la semaine 5 de haut en bas. 13 semaines avant que la pièce ne soit nécessaire, la prévision tablait sur 65 000 unités. Elle a fluctué entre 78 000, 60 000, 72 000 et 85 000 au cours des 5 prévisions suivantes avant de se stabiliser à 71 000 à 8 semaines de l'échéance. À partir de là, elle a grimpé à 88 000 puis à 87 000, avant de chuter brutalement — à 54 000, 45 000 et 42 000. À une semaine de l’échéance, la prévision a soudainement bondi à 100 000.
La demande réelle enregistrée lors de la semaine 5 s’est élevée à 50 000 — proche du minimum de la fourchette, la moitié de la prévision la plus récente est environ 25% en dessous de la moyenne sur la période. Les statistiques de variance concrétisent cette dispersion : par rapport à la demande réelle de 50 000, la prévision minimale s’est écartée de 16 % et la prévision maximale de 100 % — soit une fourchette de variation de 116 points.
Considérons à présent les semaines 4, 6 et 7. Les amplitudes diffèrent, mais la tendance reste la même. La semaine 6 montre même un biais chronique de surestimation : sa prévision minimale se situait encore à 7 % au-dessus de la valeur réelle. Trois des quatre semaines se situent dans la zone structurelle de variation ; la moyenne sur quatre semaines s’établit à 84 points de pourcentage.
Chez un fournisseur de rang 1, cette demande prévisionnelle provient directement de l’usine d’assemblage automobile qui utilise cette pièce. Elle reflète l’évolution de ses besoins, alors qu’elle s’efforce de corriger les déséquilibres entre les stocks de véhicules finis et la demande du marché en constante évolution.
Dans d’autres contextes, cette même volatilité apparaît dans les prévisions évolutives au niveau des références (SKU) qu’une entreprise génère pour les produits finis qu’elle commercialise. La réaction naturelle face à un graphique comme celui-ci est de se demander quel planificateur, quel algorithme ou quelle source de données est responsable de cette volatilité. Cela accentue la pression pour rendre les prévisions plus précises — et, potentiellement, pour supposer que le prochain investissement dans une solution permettra de lisser cette volatilité. Trente ans d’investissements dans la prévision au sein du secteur manufacturier américain ont montré que ce n’est pas le cas. La volatilité est structurelle. Quatre mécanismes la maintiennent ainsi.
Une prévision au niveau d’une catégorie ou d’une division peut sembler raisonnablement stable alors que les prévisions au niveau des références (SKU) qu’elle contient fluctuent d’une semaine à l’autre, car le lissage s’effectue au niveau agrégé, et non au niveau où les décisions d’approvisionnement sont réellement prises. De nombreux services de planification communiquent une fiabilité des prévisions au niveau de l’agrégation, ce qui donne une bonne image de l’indicateur, sans remédier aux imprécisions au niveau des articles — là où se situent les coûts.
Les campagnes marketing, les engagements des canaux de distribution et les commandes des clients arrivent tardivement, changent tardivement et ne sont jamais aussi bien coordonnés avec l’approvisionnement que ne le laisse entendre le processus officiel. Chaque signal tardif déclenche une révision des prévisions.
Les techniques modernes de détection de la demande (demand sensing) réagissent rapidement aux signaux récents, ce qui vise à rendre les prévisions plus réactives, mais qui, dans la pratique, transforme le bruit à court terme en donnée permanente. Le système capte la fluctuation et l’intègre dans le plan.
Les planificateurs, dont le travail consiste à rendre les prévisions plus précises, se sentent soit obligés de procéder à des ajustements, soit le font parce qu’ils ne font pas confiance aux prévisions générées par le système.
Si la « cascade » décrite ci-dessus concerne le secteur automobile, les mêmes schémas apparaissent dans la mode, l’électronique grand public, l’aéronautique, la défense, l’alimentation et les boissons, ainsi que la distribution industrielle. Des secteurs différents, mais les mêmes principes.
La raison pour laquelle la fluctuation des prévisions importe pour la direction est qu’elle ne reste pas confinée au système de planification. Elle se propage, avec très peu d’atténuation, dans chaque décision d’approvisionnement.
Chaque nouvelle prévision déclenche un nouveau cycle MRP. Chaque nouveau cycle MRP génère un nouveau plan de production. Chaque nouveau plan de production modifie les appels de livraison auprès des fournisseurs. Chaque appel de livraison révisé engage soit le fournisseur à fournir des produits dont on n’a peut-être pas besoin, soit avance des produits déjà en cours. Le signal qui n’était au départ qu’un chiffre sur l’écran d’un planificateur se traduit finalement par un ordre de modification dans l’atelier d’un fournisseur, un changement de programme dans l’usine d’assemblage ou une expédition express à un coût majoré.
Les conséquences financières se répercutent simultanément dans trois directions.
Les stocks s’accumulent sur des articles dont la demande réelle est bien inférieure aux prévisions, tandis que, parallèlement, les articles dont la demande dépasse les prévisions deviennent des risques de rupture de stock.
Les demandes d’expédition urgente se multiplient car chaque révision à la hausse des prévisions, à l’approche de la semaine de demande, déclenche une course effrénée pour rattraper le retard : fret aérien, heures supplémentaires le week-end, surcoûts facturés par les fournisseurs.
Et la capacité de production est soumise à des fluctuations brutales : des semaines d’heures supplémentaires suivies de semaines d’inactivité, toutes deux coûteuses et toutes deux nuisibles à la stabilité de la main-d’œuvre.
Les conséquences les plus néfastes sont considérables : l’utilisation de ressources de production pour fabriquer des articles qui ne se vendent pas selon les prévisions ; les dépenses liées aux urgences pour acheminer des matières qui n’ont pas été commandées à temps ; la surcharge des planificateurs consacrée à tenter de maîtriser l’effet de fouet dans la planification. Au final, le taux de service ne s’améliore pas et la rotation des stocks stagne.
L’exercice ci-dessous peut être réalisé par toute organisation Supply Chain qui conserve son historique de prévisions. Il faut moins d’une journée à un analyste compétent, pour une seule famille de produits, pour déduire un résultat qu’aucun dirigeant ne peut réfuter, car les données proviennent des propres systèmes de l’entreprise.
Présentez deux indicateurs synthétiques pour l’ensemble des références analysées. L’écart moyen donne une vision globale du système : ce que coûte typiquement une prévision à la chaîne d’approvisionnement. L’écart le plus important — la référence ou la semaine présentant le plus grand écart — fournit au conseil d’administration un argument percutant qu’il est difficile de rejeter : « pour une de nos cinq principales références, la prévision a varié de plus de cent points de pourcentage avant que la réalité ne se concrétise. ».
Les dirigeants acceptent les moyennes avec indifférence ; ils ne peuvent toutefois pas ignorer les cas extrêmes décrits dans leurs propres données.
L’interprétation est simple. En dessous d’une fourchette de taux de fluctuation de 30%, les prévisions sont raisonnablement stables et le modèle opérationnel ne constitue probablement pas le goulot d’étranglement.
Entre 30% et 75%, les prévisions causent des dommages significatifs en aval, même si l’indicateur global de précision semble acceptable.
Au-delà de 75%, la planification basée sur les prévisions est structurellement décalée par rapport au profil de la demande de l’entreprise, et continuer à investir en dépit de cela ne fait qu’aggraver les coûts liés au fonds de roulement et aux urgences.
Dans l’exemple de diagramme en cascade, trois des quatre semaines cibles se situent dans la zone structurelle, et la moyenne sur quatre semaines — 84 points de pourcentage — confirme que le fournisseur opère bien au-delà du point où un investissement supplémentaire dans les prévisions pourrait résoudre le problème.
Le diagramme en cascade vise à régler un différend, non à en créer un nouveau. Si la variation des prévisions est structurelle — et les quatre mécanismes ci-dessus garantissent qu’elle l’est —, alors aucun investissement supplémentaire dans la précision des prévisions ne permettra de l’éliminer. La seule réponse durable consiste à concevoir un modèle opérationnel qui absorbe la variation plutôt que de la répercuter. L’emplacement des buffers, leur dimensionnement, les déclencheurs de réapprovisionnement et la manière dont les scénarios prévisionnels sont testés par rapport au modèle deviennent alors les questions essentielles. C’est le sujet du troisième article de cette série.