Maintenir des plans Supply Chain fiables malgré l’incertitude sur la demande et les prévisions

Face à des niveaux d’incertitude économique et géopolitique sans précédent, les équipes de planification Supply Chain doivent aujourd’hui s’engager sur des chiffres qu’elles peinent à justifier, construits à partir de données et de modèles auxquels elles ne font plus totalement confiance.

Et lorsque le scénario de référence est erroné, les décisions prises en aval héritent de cette erreur et l’amplifient. Les conséquences se retrouvent partout : stocks de sécurité, engagements de capacité, recrutements ou encore besoin en fonds de roulement.

Plutôt que de chercher à atteindre un chiffre unique supposé juste, les planificateurs doivent s’appuyer sur une prévision unifiée sous forme de fourchette, capable d’évoluer au rythme des nouveaux signaux et des conditions de marché.

Des marchés instables créent des conditions de planification tout aussi instables

L’imprévisibilité touche aujourd’hui l’ensemble du secteur du retail, de la fiabilité des chaînes d’approvisionnement aux délais en passant par les droits de douane. Distributeurs comme industriels subissent cette pression

• 78% des industriels citent désormais l’incertitude commerciale comme leur principale préoccupation, poussant de nombreuses entreprises à anticiper leurs achats de stocks et à revoir la structure de leur Supply Chain.
• 68% des entreprises considèrent la variabilité des délais comme leur principal défi fournisseur, devant les délais fournisseurs trop longs, cités par 58% des répondants.
• 82% des entreprises indiquent que les nouveaux droits de douane affectent leur Supply Chain, notamment en raison d’achats anticipés avant leur entrée en vigueur.

La réalité est simple : les chiffres de l’an dernier ne disent plus grand-chose du trimestre à venir. Pour rester agiles dans un environnement volatil, les équipes de planification doivent intégrer davantage de flexibilité tout en veillant à ce que leurs décisions reposent sur les données les plus récentes.

Cet article présente trois étapes permettant d’y parvenir, même lorsque disposer de chiffres véritablement fiables semble hors de portée.

Étape 1 : Remplacer la prévision ponctuelle par une fourchette

De nombreuses organisations produisent encore une prévision ponctuelle, considérée comme la référence. Les équipes construisent leurs plans autour de ce chiffre, engagent leurs budgets sur cette base et dimensionnent leurs ressources en conséquence.

Ajouter une fourchette autour de cette prévision permet d’intégrer la variabilité qu’un chiffre unique ne peut pas refléter. Par exemple, la demande peut avoir 80% de chances de se situer entre 600 et 800 unités, mais 20% de chances d’être inférieure.

Si vous ramenez cette estimation à une moyenne de 700 unités pour fournir aux équipes un chiffre concret sur lequel planifier, vous masquez en réalité le risque de 20% de sous-performance.

Les meilleurs outils de planification permettent de travailler avec ce type de fourchette tout en conservant une parfaite explicabilité. Dans l’exemple précédent, le système doit pouvoir indiquer que votre plan a 80% de chances d’atterrir entre 600 et 800 unités, mais surtout expliquer pourquoi.

Une fourchette résiste également mieux à une qualité de données imparfaite. Pour les 76 % des trésoriers qui citent la mauvaise qualité des données comme un défi majeur, il s’agit d’une réalité qui complique en permanence l’exercice de planification.

Se fixer sur un seul chiffre suppose un niveau de précision que des données imparfaites ne peuvent tout simplement pas garantir. À l’inverse, une fourchette permet d’exploiter ces données tout en produisant une projection raisonnable et défendable auprès de la direction.

Étape 2 : Utiliser l’IA pour maintenir les prévisions à jour entre deux cycles

Les modèles de prévision traditionnels sont réentraînés selon un rythme fixe, souvent mensuel ou trimestriel. Même dans des conditions de marché prévisibles, au moment où un nouveau cycle commence, les hypothèses intégrées au modèle sont déjà obsolètes.Les modèles de prévision traditionnels sont réentraînés selon une cadence fixe, souvent mensuelle ou trimestrielle. Même dans des conditions de marché relativement prévisibles, les hypothèses intégrées au modèle sont déjà dépassées au moment où débute le cycle suivant. 

Les prévisions basées sur l'IA fonctionnent différemment. Elles se réentraînent en continu en intégrant les nouveaux signaux à mesure qu’ils apparaissent, sans attendre la prochaine revue planifiée. Cette approche continue devient déjà une pratique largement répandue, avec un un taux d'adoption atteignant 87% au sein des organisations les plus avancées.

C’est notamment le cas chez Coca-Cola North America, où l'équipe de Sara Park a constuit avec Pigment un modèle d'intelligence décisionnelle alimenté par l'IA capable d’apprendre progressivement des décisions prises par les planners en matière d'exécution des commandes. Lorsqu’une commande arrive alors que le stock se trouve au mauvais endroit, le modèle propose plusieurs options : transférer les stocks depuis un autre site, modifier le programme de production ou servir la commande depuis un autre entrepôt. Il calcule ensuite l’impact de chaque option sur les coûts et le chiffre d’affaires, une étape que les planners devaient auparavant réaliser manuellement avant de prendre leur décision.

À mesure que le modèle apprend quelles options les planners privilégient selon les variables en jeu, il commence à proposer de manière proactive les meilleures alternatives. Parce que ses recommandations évoluent en fonction des conditions réelles, les équipes n’ont plus besoin d’évaluer manuellement chaque possibilité avant d’agir. Elles peuvent s’appuyer sur la recommandation du modèle et passer immédiatement à l’étape suivante.

Étape 3 : Donner à toutes les équipes une référence commune pour planifier

Même une prévision actuelle et défendable perd de son efficacité si les équipes Commerciales, Marque et Supply Chain travaillent chacune avec leur propre version. Lorsque chaque équipe réalise ses prévisions dans ses propres feuilles de calcul, l’organisation se retrouve avec plusieurs visions de la demande, parfois contradictoires. Il n’existe plus de chiffre ou de fourchette de référence. Chaque passage de relais introduit des écarts entre les versions et la planification se transforme en exercice de réconciliation, au lieu de servir directement la prise de décision.

À l’inverse, lorsque toute l’organisation s’appuie sur un modèle unifié, la prévision devient une référence commune autour de laquelle chaque fonction construit directement ses plans. Toute modification d’une donnée d’entrée met automatiquement à jour le modèle partout et en temps réel. Les vues Demand, Supply et Finance restent ainsi alignées sans qu’aucune équipe ait à ressaisir les chiffres.

Une fois toutes les équipes alignées sur les mêmes données, il est également essentiel de partager une même lecture des risques et des opportunités susceptibles de faire évoluer ces chiffres. L’organisation peut ainsi disposer de la couverture nécessaire et être prête à réagir rapidement.

Dans les coulisses du processus intégré de planification de la demande d’un retailer

Un retailer international présent dans 27 pays a précisément construit ce type de processus unifié dans Pigment. L’organisation a remplacé une organisation fragmentée dans laquelle les équipes Marque, Commerciales et Supply Chain travaillaient chacune dans des feuilles de calcul isolées.

Après avoir créé une équipe dédiée au Demand Planning en 2023, ce retailer de mode a implémenté Pigment pour la planification de sa chaîne logistique.

L’équipe consolide désormais au sein d’un modèle de planification unique les données commerciales provenant des ventes par région et canal, ainsi que les inputs produits issus des équipes Marque. Ce dispositif constitue leur processus de planification intégrée de la demande (IDP). À partir de cette base, les équipes exécutent différents modèles, notamment des scénarios de référence et des modèles basés sur les leviers de performance, afin de tester plusieurs hypothèses et d’identifier les conditions nécessaires pour atteindre chaque objectif.

Le même modèle permet également de piloter les plans hebdomadaires de réception et de traitement en fonction de la capacité des entrepôts, les plans d’achat mensuels ainsi que des simulations ad hoc. Par exemple, le modèle peut simuler le basculement de certains bons de commande du fret maritime vers le fret aérien lorsqu’une capacité d’entrepôt se libère, mesurer les arbitrages de coûts et faire émerger une recommandation directement exploitable par les équipes Achats.

Le reporting d’exceptions en temps réel permet par ailleurs de détecter des risques, comme les retards de départ de conteneurs, avant qu’ils ne deviennent critiques. Cette approche a contribué à améliorer jusqu’à 20 % la capacité à limiter les retards sur certaines saisons.

À mesure que l’équipe de planification a gagné en confiance dans son nouveau modèle, elle est également devenue de plus en plus autonome dans la création de ses propres outils. Aujourd’hui, plus de la moitié des applications de planification  sont directement construites dans Pigment par les équipes elles-mêmes, illustrant une évolution plus large vers une prise de décision plus autonome et pilotée par la donnée.

Des prévisions fiables sont possibles, à condition de changer d’approche

L’incertitude ne disparaîtra probablement pas. En revanche, les équipes de planification peuvent changer leur manière d’aborder les prévisions.

Une équipe qui planifie autour d’une fourchette, s’appuie sur un modèle actualisé en continu et travaille à partir d’une référence commune passe moins de temps à reconstruire ses plans à chaque changement de contexte.

Ce temps peut alors être consacré à des décisions à plus forte valeur ajoutée : déterminer où réallouer les capacités, quels risques accepter et quels scénarios préparer pour la suite.