La prise de conscience de l’importance d’une prévision correcte de la demande est aujourd’hui un fait acquis, non seulement au sein des entreprises dites best-in-class — hélas, trop souvent situées hors de notre pays — mais également de manière plus diffuse.
Depuis des décennies, on travaille sur des pratiques organisationnelles, des procédures opérationnelles et des outils de soutien destinés à aider les entreprises à obtenir à temps les informations relatives à la demande, afin de permettre à leurs chaînes logistiques de réagir efficacement, rapidement et à moindre coût.
Comme dans tout domaine, celui de la prévision de la demande connaît une évolution constante en termes de philosophies et de méthodologies, auxquelles s’adaptent naturellement les outils logiciels les plus récents (ou bien sont-ce les éditeurs de logiciels qui créent les « modes » ?).
Aujourd’hui, le véritable Saint Graal du planificateur de la demande — la substance vitale qui devrait alimenter tout outil ou algorithme de prévision — est représenté par cette chimère qu’est la connaissance de la “vraie demande”.
Par « vraie demande », on entend la demande réelle des produits ou services que les consommateurs souhaitent effectivement acheter. Pour les distributeurs, l’histoire de la « vraie demande » peut être brouillée par des phénomènes de ruptures de stock en point de vente, parfois compensées par la vente d’articles de substitution.
L’objectif des distributeurs (et de leurs fournisseurs…) est donc d’atteindre des niveaux élevés de ce que l’on appelle l’On-Shelf Availability (OSA, selon le jargon habituel), autrement dit la disponibilité du produit en rayon. Celle-ci permet de minimiser les ruptures de stock et donc de maximiser les ventes, tout en rapprochant les ventes effectives de la fameuse « vraie demande ».
Naturellement, il faut éviter l’excès inverse : produire, stocker et déplacer des quantités inutiles de produits que les clients ne désirent pas, générant ainsi des coûts supplémentaires intolérables. D’où l’importance cruciale des prévisions.
La « vraie demande » est encore plus insaisissable pour les entreprises situées en amont des distributeurs dans la chaîne d’approvisionnement, car elles doivent l’estimer à partir des commandes reçues de la part de grossistes ou de détaillants. Ces commandes reflètent la « demande vraie » mais avec toutes les distorsions causées par les politiques de réassort et de stock de chaque maillon de la chaîne.
Paradoxalement, la disponibilité d’informations en temps réel, via des portails web B2B ou B2C ou encore grâce à des outils de Sales Force Automation (SFA), concernant la disponibilité des produits, a fini par générer une distorsion supplémentaire : en effet, les clients tendent à ne pas commander ce qui n’est pas disponible immédiatement ou risque de ne pas l’être, sans qu’il existe de moyens clairs pour savoir ce qu’ils auraient acheté si tous les produits avaient été disponibles.
Ainsi, on perd le signal d’une demande potentielle — un signal qui était mieux enregistré dans le passé lorsque les commandes étaient passées de manière inconditionnelle, à l’aide d’outils plus traditionnels. Ce qui (apparemment) n’est pas demandé ne sera plus prévu, donc ne sera plus produit ni distribué, perpétuant ainsi un cercle vicieux souvent invisible.
Depuis plusieurs années, la voie privilégiée pour rapprocher les données alimentant les systèmes de prévision de la « vraie demande » réside dans la collaboration entre les différents acteurs de la filière. En particulier, les points de vente (POS – point of sales) pourraient (ou plutôt : devraient) être une source précieuse d’informations pures, offrant une vision actualisée et détaillée de ce que les consommateurs ont réellement choisi (hors ruptures, bien sûr).
Malheureusement, les approches collaboratives (comme le célèbre CPFR – Collaborative Planning, Forecasting and Replenishment) n’ont pas produit les résultats attendus. Et cela, non pas à cause d’un défaut théorique du modèle, mais à cause de résistances pratiques à la partage d’informations et de stratégies — considérées, surtout par les directions générales, comme des leviers de négociation et donc de pouvoir. Les coûts supplémentaires documentés de ces attitudes de fermeture n’ont jamais suffi à en inverser la tendance, à l’exception de quelques « cas d’école » classiques mentionnés dans la littérature.
Entre-temps, on s’est également rendu compte que même les formes de collaboration les plus avancées restent inefficaces si, au sein même des entreprises, il n’existe pas de processus de planification matures et consolidés, soutenus par des outils adaptés.
Archivant donc les enthousiasmes passés pour le CPFR, les entreprises, dans leur volonté de comprendre et de répondre à la “vraie demande”, se sont tournées vers un nouveau concept, accompagné — naturellement — d’un nouvel acronyme : la Demand Driven Supply Network (DDSN), c’est-à-dire une chaîne d’approvisionnement pilotée par la demande “réelle”. Une définition qui s’oppose ironiquement à celle de la Supply Chain traditionnelle, perçue comme une chaîne « tirée » par l’offre.
Même lorsque les entreprises disposent — dans le meilleur des cas — des précieuses données issues des POS, elles doivent encore surmonter de nombreux défis conceptuels, pratiques et technologiques pour pouvoir les exploiter efficacement et rapidement, défis qui relèvent en grande partie des “Big Data” et de leur traitement.
Pour faire face à ces défis, sont récemment apparues des méthodologies et des logiciels regroupés sous les appellations (pas toujours limpides) de Demand Shaping et de Demand Sensing. Ces deux notions ne sont pas nécessairement liées, mais méritent d’être examinées ensemble.
Le Demand Shaping peut être défini comme l’activité analytique et de modélisation préalable à l’ensemble des efforts organisationnels et opérationnels visant à redessiner, dans la mesure du possible, la forme de la demande, afin de réduire les oscillations et irrégularités qui nuisent aux chaînes logistiques et rendent les prévisions historiques peu fiables. Ces fluctuations ne reflètent souvent pas les véritables désirs des consommateurs finaux, mais sont auto-induites par les entreprises elles-mêmes (promotions, objectifs trimestriels en bourse, primes commerciales, etc.) — autrement dit, tout le contraire du Demand Levelling.
Ceux d’entre vous qui occupent un rôle opérationnel dans la Supply Chain savent bien qu’en réalité, les entreprises (ou plutôt, leur marketing et leur force de vente) font souvent exactement l’inverse du Demand Levelling, en multipliant les promotions et les incitations. Cependant, une prise de conscience croissante des coûts totaux de gestion d’un produit, y compris ceux générés par des variations de stock et des pics opérationnels, se diffuse peu à peu.
On peut donc espérer que le Demand Shaping et le Demand Levelling finissent par s’imposer, notamment grâce à des philosophies comme l’EDLC (Everyday Low Costs), opposées à la logique des promotions continues, ou encore par des modes d’incitation différés pour la force de vente.
Le Demand Sensing, quant à lui, désigne un ensemble de techniques algorithmiques fondées sur l’analyse rapide de séries historiques très récentes (les fameux big data des POS), corrélées à un grand nombre de variables contextuelles (météo, promotions, conjoncture économique, etc.). Son objectif est de prévoir les changements soudains de la “vraie demande” à très court terme, ce qui s’avère particulièrement précieux en période de récession, afin d’anticiper les variations de tendance avec un impact minimal.
Toutefois, la capacité des entreprises et de leurs chaînes logistiques à réagir à ces révisions de prévisions dépend étroitement de leur flexibilité et réactivité (au moins de leur aptitude à différer certaines décisions). Certains objectent, non sans raison, que le Demand Sensing perd de son intérêt lorsque les corrections du forecast arrivent plus tard que le délai d’action opérationnelle : à ce stade, aucune décision concrète n’est plus possible.
Mais cette critique reste partielle, car le Demand Sensing ne se limite pas à corriger la prévision à très court terme : il ajuste également les horizons plus longs, améliorant ainsi les décisions futures.
Quoi qu’il en soit, on ne peut ignorer que les entreprises “Best-in-Class” investissent massivement dans des outils de Demand Sensing. Un rapport d’IDC Manufacturing Insights a récemment montré que la croissance du chiffre d’affaires liée à ces solutions est supérieure à celle des investissements globaux dans la Supply Chain.
Un autre étude de l’University of North Florida (UNF), issue d’une enquête approfondie menée auprès d’entreprises de tailles et de zones géographiques variées, confirme ces tendances et identifie les principaux facteurs de déploiement des solutions de Demand Sensing.
Dans un prochain article, nous vous proposerons une vision plus détaillée des résultats de cette recherche. Pour l’heure, on peut résumer en disant que les entreprises qui adoptent le Demand Sensing — en complément d’outils de prévision plus traditionnels — sont celles qui sont déjà leaders logistiques, peut-être parce qu’elles perçoivent mieux la valeur ajoutée que ces techniques peuvent apporter, ou simplement parce qu’elles disposent de plus de ressources et de structures adaptées.
Les investissements les plus importants ont d’ailleurs été réalisés au plus fort de la crise. Ce sont principalement les entreprises de biens de grande consommation (CPG – Consumer Packaged Goods), très sensibles à la présence de leurs produits en rayon, qui se sont tournées vers ces solutions. Quelques cas de succès documentés dans la littérature spécialisée en témoignent — nous en reparlerons prochainement.
