Avant de tirer des conclusions sur la résilience des supply chains, nous devons d’abord établir comment elles doivent rebondir suite à cette crise. Quand reviendrons-nous à une situation normale et qu'est-ce que « normal » va désormais signifier ? Cette prochaine phase est cruciale pour la santé de l'économie sur le long terme.
Le premier défi à relever est l'incertitude. Il y a tellement de variables à prendre en compte telles que la propagation du virus, notre capacité à le détecter, et les mesures pour le contenir, qui génèrent de la peur pour une grande partie de la population. Il s'agit là de données et d'hypothèses entièrement nouvelles pour comprendre quand et dans quelle mesure les volumes de demande vont rebondir. Du point de vue de l'offre, il y a davantage d’incertitudes encore quant aux délais de livraison des fournisseurs et des transporteurs, qui remettent en question la capacité à répondre à la demande. Ne l’oublions pas : l'objectif premier de la supply chain est de faire correspondre l'offre et la demande aussi efficacement que possible. Cela est bien sûr plus difficile à accomplir dans des conditions de très grande incertitude.
Un autre défi dans ce contexte est le conservatisme. Le FMI prévoit que d'ici la fin de l’année 2021, le virus représentera une perte nette de 9 000 milliards de dollars pour l'économie mondiale. Les gouvernements, les entreprises et les consommateurs absorberont une partie de ces pertes. Les stocks sont devenus obsolètes et les mesures de protection contre la propagation du virus vont continuer à peser sur les coûts, la productivité et les capacités. La supply chain devra redémarrer efficacement afin d'éviter toute perte supplémentaire.
Faire face à l'incertitude avec des scénarios de demande prévisionnels
Les processus de planification permettent de répondre à ces défis. Néanmoins, parce que les procédures ont tendance à s'habituer à la routine de la planification en temps normal, une crise peut alors sembler ingérable. La meilleure approche pour gérer l'incertitude consiste à créer plusieurs versions de l'avenir. Alors que les retailers et les industriels sont dans les starting blocks pour redémarrer leur activité, une prévision unique générerait un plan unique qui n’a finalement que peu de chances d’aboutir. La multiplication de scénarios prévisionnels de demande leur offre une bien meilleure chance de modéliser une version plus proche de la réalité.
Mais en quoi cela vous aide-t-il, me direz-vous, si vous devez finalement exécuter un plan unique ? C’est simple : le processus qui consiste à construire des visions multiples permet de générer un consensus autour des hypothèses formulées lors de la prévision et des résultats attendus. Cela signifie que le plan est compris par toutes les équipes fonctionnelles et que par conséquent, il a donc de plus grandes chances d'être exécuté par les opérations. En outre, les scénarios oscillent entre prudence et optimisme. Comprendre l'impact financier de ces scénarios et la probabilité qu’ils se réalisent contribuera à axer la planification de votre supply chain sur la compréhension et la gestion des compromis entre risque et opportunité.
Anticiper la demande
En matière de demande, les scénarios sont un élément clé d’un cycle de planification intégrée[1] agile et collaboratif. Des représentants d’équipes fonctionnelles distinctes mais néanmoins interdépendantes se réunissent pour aligner leurs perspectives et leur capacité à exécuter un plan qui fait consensus. De multiples itérations de ce processus peuvent avoir lieu au cours d'un même cycle, puisque différentes perspectives sont simulées et des objectifs alternatifs priorisés. Le niveau d'incertitude et le rythme du changement pendant cette crise exigent probablement une cadence plus soutenue du cycle de planification.
Avec l'atténuation de l'urgence sanitaire, les entreprises non essentielles qui sont restées anxieusement sur la touche au cours du confinement, doivent saisir leur chance pour limiter les dommages économiques qui résulteront de cette crise. Cela est bien sûr très dépendant de ce qui arrive à la demande. Les politiques gouvernementales son bien sûr un premier moteur logique pour esquisser ce à quoi la demande ressemblera. Chaque pays a annoncé son propre calendrier en matière d’assouplissement des restrictions. Pour les enseignes de mode, les ventes augmentent à mesure que les clients peuvent voir et essayer les collections, et les ventes continueront d'augmenter lorsque de plus en plus de lieux publics pourront ouvrir, permettant ainsi aux gens d’avoir une occasion de porter les vêtements qu’ils auront achetés. Nul besoin d'algorithmes ni d’intelligence artificielle pour faire ces prévisions. Les dirigeants peuvent modéliser leurs hypothèses à partir de ce que les gouvernements communiquent et les compléter avec leurs propres recherches dès lors qu’ils constatent un manque.
S’appuyer sur la technologie
Une fois les scénarios de demande de base définis, nous pouvons commencer à quantifier la demande attendue. Le problème avec les prévisions de ventes passées, c’est leur incapacité à détecter les tendances et à s'y adapter. La présence continue du virus modifie ce que les consommateurs achètent, leur manière d’acheter et dans quelle mesure ils achètent. Les consommateurs souhaiteront-ils se débarrasser de leurs vêtements de confinement et opter pour des vêtements plus jolis ? Ou préfèreront-ils éviter d'essayer des vêtements qui sont déjà passés entre les mains d'autres clients ? Si ces leviers de demande ne peuvent être lus dans les ventes du passé, ils sont en revanche accessibles à travers des sources issues de données externes.
La veille sur les médias sociaux et le SEO en sont des exemples très parlant. Ils fournissent des échantillons massifs de données en temps réel permettant d’identifier des tendances et ce avec tout le sérieux d’une analyse statistique. Les algorithmes d'intelligence artificielle arrivent à cela en transformant des données non structurées, comme des images ou des commentaires, en informations sur l’état d’esprit et la propension à acheter des consommateurs. Les médias sociaux vous permettent également de segmenter les attributs de données en segments spécifiques de vos données clients et de votre historique de ventes. La tendance devient alors un nouvel input statistique que les algorithmes de prévision interprètent en complément de l’historique de ventes pour générer des prévisions dans le nouveau contexte. Les retailers peuvent dès lors commencer à établir des prévisions statistiquement significatives pour une variété de scénarios de demande.
A suivre...
[1] Integrated Business Planning en anglais
