Pendant des années, les entreprises ont cherché à améliorer leurs prévisions. Elles ont investi dans de nouveaux outils, intégré davantage de variables, testé des algorithmes plus sophistiqués et recruté des spécialistes capables de transformer des historiques de ventes en scénarios toujours plus précis.

L’objectif était évident : mieux prévoir pour mieux acheter, mieux produire et mieux stocker.

Mais dans de nombreuses Supply Chains, le principal problème n’est plus la qualité de l’algorithme. C’est la qualité des informations qu’on lui demande d’interpréter.

Une prévision peut être statistiquement excellente et conduire malgré tout à une mauvaise décision si le stock disponible est incorrect, si les délais fournisseurs ne sont pas à jour, si les promotions sont mal renseignées ou si les commandes exceptionnelles sont mélangées à la demande récurrente.

À l’inverse, une prévision relativement simple, alimentée par des données fiables et comprise par les équipes, peut produire de bien meilleurs résultats opérationnels.

La question mérite donc d’être posée : la qualité des données est-elle devenue plus importante que la qualité des prévisions ?

Une prévision juste construite sur une réalité fausse

Imaginons qu’un modèle prévoie correctement la vente de 1 000 unités pour le mois suivant.

Sur le papier, la prévision est bonne. Mais le système indique 300 unités disponibles alors que 80 sont endommagées, 50 sont déjà réservées pour un autre client et 40 se trouvent dans un emplacement qui n’est plus accessible.

Le calcul des besoins ne part donc pas d’un stock réellement disponible de 300 unités, mais de 130.

Ajoutons un délai fournisseur enregistré à trois semaines alors que le délai réel est désormais de six semaines. Le système proposera une commande trop tardive, même si la demande future a été parfaitement anticipée.

Le problème ne vient pas de la prévision. Il vient de la représentation numérique de l’entreprise.

C’est l’un des paradoxes actuels de la Supply Chain : les organisations disposent de technologies capables de calculer des scénarios complexes, mais continuent parfois à les alimenter avec des données incomplètes, anciennes ou contradictoires.

On demande alors à l’intelligence artificielle de compenser ce que les processus opérationnels n’ont jamais correctement structuré.

La prévision ne porte pas seule la performance

La disponibilité d’un produit ne dépend jamais uniquement de la capacité à prévoir la demande.

Elle dépend aussi de la fiabilité du stock, du délai d’approvisionnement, de la taille des lots, des calendriers de livraison, des capacités de production, des contraintes de stockage, des priorités clients et des règles de réapprovisionnement.

Une entreprise peut ainsi améliorer son taux de précision prévisionnelle sans constater d’amélioration significative de son taux de service.

Pourquoi ? Parce que la prévision n’est qu’une donnée parmi toutes celles qui alimentent la décision.

Une prévision de 500 unités n’a pas la même signification si le délai fournisseur est de cinq jours ou de cinq mois. Elle ne produit pas non plus la même décision si le stock de sécurité est correctement calculé ou s’il n’a pas été revu depuis quatre ans.

La performance dépend donc moins de la précision isolée d’un chiffre que de la cohérence de l’ensemble des données utilisées pour agir.

C’est précisément là que beaucoup d’entreprises se trompent. Elles concentrent leurs efforts sur l’amélioration du forecast alors que les causes de leurs ruptures se trouvent parfois ailleurs : stock système incorrect, paramètres de planification obsolètes, commandes bloquées, dates promises irréalistes ou articles mal classifiés.

Toutes les erreurs ne se valent pas

Une prévision est, par nature, incertaine. Une donnée de référence ne devrait pas l’être.

Personne ne peut connaître parfaitement les ventes du mois prochain. Une promotion peut mieux fonctionner que prévu, un client peut déplacer une commande ou un concurrent peut modifier ses prix.

En revanche, l’entreprise devrait savoir avec suffisamment de certitude :

— combien d’unités elle possède réellement ;
— où elles se trouvent ;
— quels articles sont encore utilisables ;
— quel fournisseur livre quel produit ;
— dans quel délai ;
— selon quelle quantité minimale ;
— avec quel calendrier ;
— et quelles commandes sont déjà confirmées.

L’erreur de prévision fait partie de la réalité économique. L’erreur de stock ou de paramétrage est une défaillance interne.

Cette distinction est essentielle. Pourtant, dans beaucoup d’organisations, les deux sont mélangées. Une rupture est attribuée à une « mauvaise prévision » alors que la quantité prévue était raisonnable, mais que le stock était faux. Un surstock est reproché à l’équipe Demand Planning alors qu’un délai fournisseur obsolète a déclenché des commandes excessives.

La prévision devient alors le responsable idéal : elle est visible, mesurable et toujours imparfaite. La qualité des données, elle, est plus difficile à attribuer, car elle dépend de plusieurs services.

La mauvaise donnée est rarement un problème informatique

On présente souvent la qualité des données comme un sujet technique. Ce serait principalement une affaire de nettoyage, d’interfaces ou de migration.

Mais une donnée incorrecte est généralement le résultat d’un processus mal défini ou mal exécuté.

Si le délai fournisseur n’est pas à jour, ce n’est pas uniquement parce que l’ERP contient une mauvaise valeur. C’est peut-être parce que personne ne sait qui doit la modifier, que l’acheteur n’a pas accès au champ concerné ou que les délais réels ne sont jamais comparés aux délais théoriques.

Si les stocks sont incorrects, le problème ne se limite pas au WMS. Il peut venir de mouvements physiques non confirmés, de procédures de réception contournées, de casse non déclarée ou d’inventaires insuffisants.

Si les promotions sont absentes du système de prévision, c’est parfois parce que le commerce les décide trop tard ou utilise un fichier séparé qui n’est jamais intégré.

La qualité des données révèle donc la qualité de l’organisation.

Une entreprise qui ne définit pas les propriétaires de ses données, les règles de mise à jour et les contrôles nécessaires ne pourra pas résoudre durablement le problème en achetant un nouvel outil.

Elle déplacera simplement ses incohérences vers une plateforme plus moderne.

L’intelligence artificielle augmente l’exigence

L’arrivée de l’intelligence artificielle renforce encore cet enjeu.

Plus un modèle est sophistiqué, plus l’entreprise peut être tentée de lui faire confiance. Les recommandations deviennent plus nombreuses, les calculs plus rapides et les relations entre variables plus difficiles à comprendre.

Mais un modèle avancé ne transforme pas automatiquement une donnée incorrecte en vérité opérationnelle.

Il peut détecter certaines anomalies, corriger des valeurs aberrantes ou reconstruire des historiques incomplets. Il ne peut toutefois pas toujours savoir qu’un délai fournisseur de vingt jours est devenu irréaliste, qu’un stock est bloqué pour un problème de qualité ou qu’une forte vente correspond à une commande exceptionnelle qui ne se répétera jamais.

Le risque n’est donc pas seulement d’obtenir une mauvaise prévision. C’est d’obtenir une mauvaise prévision présentée avec suffisamment de sophistication pour paraître incontestable.

L’IA ne réduit pas le besoin de gouvernance des données. Elle le rend plus urgent.

Avant de demander quelle technologie permettra de gagner trois points de précision, l’entreprise devrait peut-être se demander combien de ses décisions sont aujourd’hui prises à partir de données fiables.

Faut-il alors arrêter d’améliorer les prévisions ?

Non.

Opposer totalement qualité des données et qualité des prévisions serait une erreur. Les deux sont indispensables, mais elles n’interviennent pas au même niveau.

La qualité des données constitue la fondation. La qualité de la prévision améliore ensuite ce que l’entreprise peut construire sur cette fondation.

Une organisation qui dispose de données fiables, mais produit des prévisions médiocres, créera toujours des stocks inutiles et des ruptures évitables. Mais une organisation qui produit d’excellentes prévisions sur la base de données incorrectes pilotera avec une précision artificielle.

L’ordre des priorités est donc déterminant.

Avant de remplacer un modèle statistique, il faut comprendre les causes réelles de la performance actuelle. Avant de lancer un projet d’intelligence artificielle, il faut mesurer la fiabilité des stocks, des délais et des paramètres. Avant d’automatiser une décision, il faut vérifier que les informations nécessaires sont disponibles, comprises et maintenues.

Autrement, l’entreprise automatise simplement ses erreurs.

Le véritable indicateur n’est pas seulement la précision

La qualité d’une prévision est souvent évaluée à travers des indicateurs comme le biais, la MAPE ou la valeur ajoutée prévisionnelle.

Ces mesures sont utiles, mais elles ne disent pas toujours si la décision finale était bonne.

Une Supply Chain ne cherche pas à produire le plus beau forecast possible. Elle cherche à servir ses clients avec un niveau de stock, un coût et un risque maîtrisés.

Il faut donc relier la performance prévisionnelle à la performance opérationnelle :

— la disponibilité s’est-elle améliorée ?
— les ruptures ont-elles diminué ?
— les stocks sont-ils mieux positionnés ?
— les commandes urgentes sont-elles moins fréquentes ?
— les capacités sont-elles mieux anticipées ?
— les décisions sont-elles prises plus tôt ?

Si la précision progresse, mais que les mêmes urgences continuent, le problème se trouve probablement ailleurs.

C’est peut-être la donnée. C’est peut-être le processus. C’est parfois aussi l’absence d’arbitrage : tout le monde voit le risque, mais personne ne décide.

Le vrai chantier des prochaines années

Les entreprises qui progresseront le plus ne seront pas nécessairement celles qui possèdent l’algorithme le plus avancé.

Ce seront probablement celles qui sauront créer une chaîne de confiance allant de la donnée terrain jusqu’à la décision.

Cela suppose de définir clairement les propriétaires des données, de mesurer leur fiabilité, d’identifier les valeurs critiques, de corriger les processus qui génèrent les erreurs et de rendre visibles les conséquences économiques d’une mauvaise information.

Car une donnée incorrecte n’est jamais gratuite.

Elle se transforme en rupture, en surstock, en transport urgent, en perte de capacité, en temps passé à vérifier des fichiers et, surtout, en décisions retardées parce que les équipes ne font plus confiance au système.

À partir de ce moment, même la meilleure prévision perd sa valeur. Elle sera exportée dans Excel, corrigée manuellement puis discutée pendant des heures par des collaborateurs qui utilisent chacun leur propre version de la réalité.

La qualité des prévisions reste donc essentielle. Mais elle ne peut plus être considérée indépendamment de la qualité des données qui les alimentent et des processus qui les transforment en décisions.

Dans de nombreuses entreprises, le prochain grand gain de performance ne viendra peut-être pas d’un meilleur algorithme.

Il viendra d’un stock réellement fiable, d’un délai fournisseur correctement maintenu et d’une définition commune de ce que signifie une donnée juste.

La Supply Chain n’a pas seulement besoin de mieux prévoir l’avenir.

Elle doit d’abord être certaine de comprendre son présent.