Une supply chain résiliente grâce à la modélisation de la demande
Donner priorité à la demande et à la précision des prévisions en la matière est un facteur clé de réussite pour la supply chain. Cependant, les entreprises commettent parfois une erreur, celle de se focaliser à outrance sur un chiffre souvent déterminé par une combinaison de prévisions statistiques et de données collectives. Ce processus prend également le nom de « demand planning », ou planification de la demande. Nous sommes convaincus que les entreprises, pour gagner en résilience, se doivent d’élargir leurs approches actuelles à la modélisation de la demande qui permet de simuler de multiples scénarios.
Qu’est-ce que le demand planning ?
Le demand planning est un processus utilisé dans le cadre de la gestion de la supply chain afin d’anticiper la demande. Lorsqu’il est optimisé, il permet de garantir une livraison dans les délais des différents produits en anticipant les attentes et besoins des clients. Ce faisant, le demand planning donne lieu à une augmentation de la satisfaction client, à une meilleure prévision du chiffre d’affaires et à une gestion optimisée des stocks qui fait ainsi le lien entre les niveaux de stock et les pics et déclins de la demande.
Il exige par ailleurs que les équipes réfléchissent aux facteurs internes et externes qui pourraient avoir un impact sur la hausse ou la baisse de la demande. Citons par exemple l’intérêt croissant des clients pour un produit ou service donné, les catastrophes naturelles, les changements climatiques, les enjeux politiques ou réglementaires et les crises mondiales. Pour que leurs efforts soient efficaces, les entreprises doivent trouver un équilibre entre disponibilité de stocks suffisants pour répondre à la demande escomptée et risque de rupture ou de perte de stock due à un surplus.
Demand planning, les limites
Les prévisions traditionnellement réalisées en fonction de modèles temporels impliquent en général l’adoption d’une approche interne-externe, qui s’appuie souvent sur les données internes et historiques de l’entreprise. Les entreprises partent ici d’une hypothèse erronée concernant la demande à moyen et long terme. En effet, la planification à long terme de la demande ne peut se résumer à une simple extension du modèle temporel à trois ou quatre ans de plus, selon l’horizon souhaité. Le passé ne reflète pourtant pas l’avenir, en particulier au sein d’une ère caractérisée par de nombreuses perturbations et des changements à grande échelle à travers le monde entier.
Le danger ? Que le demand planning ne tienne pas compte des facteurs externes ayant des répercussions permanentes sur le marché. Le changement s’accélère, et ce plus rapidement qu’au sein des entreprises. Le volume des données augmente de façon exponentielle, les technologies ne cessent de révolutionner les processus, les clients souhaitent bénéficier d’une expérience d’achat omnicanal et les entreprises sont constamment aux prises avec des conditions macroéconomiques difficiles et des complexités propres à leur secteur. Tandis que les performances historiques peuvent fournir des insights pertinents sur ce que l’avenir nous réserve, le changement se produit bien trop rapidement pour que nous nous reposions sur des indicateurs internes qui font partie du passé.
Le rôle de la modélisation de la demande
Les entreprises ont besoin de modéliser la demande pour renforcer leurs processus de demand planning existants, notamment pour leurs orientations opérationnelles et stratégiques. Le premier impératif réside ici dans la conception d’un modèle de demande réaliste. La demande doit être divisée en une série de facteurs internes et externes, et l’impact sur la demande de chacun de ces facteurs doit être modélisé. Les méthodes de machine learning sont ainsi utilisées pour tenir compte de facteurs externes tels que la météo, les indices des prix à la consommation, les mises en chantier dans le secteur du logement, les tendances démographiques et le PIB. Des données sur l’incertitude sont ensuite utilisées pour générer des prévisions probabilistes pouvant servir à alimenter un digital twin, ou jumeau numérique, de la supply chain et lancer un vaste éventail de scénarios permettant d’identifier les opportunités en matière de résilience ainsi que les options disponibles.
Les prévisions probabilistes reflètent les multiples scénarios auxquels une entreprise peut faire face si l’approvisionnement est stable. Toutefois, comme nombre d’entreprises sont confrontées à des pénuries (en particulier aujourd’hui), le design de la supply chain joue un rôle essentiel, celui de mettre en correspondance demande à long terme et approvisionnement. Lorsque des écarts sont identifiés, les différentes options disponibles au sein de la supply chain sont étudiées, aux côtés des implications relatives aux coûts, au niveau de service et au chiffre d’affaires. Ce processus doit être reproduit de manière continue pour aligner la demande à long terme et l’approvisionnement, tout en factorisant les risques issus de la modélisation de la demande.
La modélisation de la demande et le design de la supply chain sont de puissants atouts qui accéléreront votre capacité à gérer les risques et à relever vos défis en matière de résilience. Découvrez prochainement de plus amples détails sur l’offre innovante proposée par Coupa !
