Supply chain & logistique : la performance vient de la discipline, pas des outils

Le taux de service est devenu l'alibi préféré des organisations inefficaces.

Viser 98-99 % de service avec trop de stocks, trop de références et trop d'urgences, ce n'est pas de la performance — c'est souvent la façon la plus coûteuse de détruire sa marge. La vraie question n'est jamais le taux de service seul, c'est le coût pour l'obtenir.

Et la plupart des ruptures sont créées en interne avant d'être causées par les fournisseurs.

Prévisions instables, priorités qui changent chaque semaine, promesses commerciales irréalistes : le fournisseur devient le coupable idéal d'un désordre qui vient d'ailleurs. Tant qu'on ne corrige pas ça, aucun outil ne tiendra ses promesses.

Quels sont les principaux goulots de notre supply chain, et comment les éliminer ?

Rarement là où on les cherche. Dans la majorité des cas, le goulot n'est pas une machine ou un fournisseur, mais une donnée fausse en amont : un paramètre ERP jamais revu, une prévision instable, une règle de planification contournée. Je commence par un diagnostic terrain qui remonte à la cause, avant de parler d'outil. Éliminer un goulot, c'est d'abord rétablir une discipline, ensuite seulement l'automatiser.

Comment améliorer notre niveau de service client tout en réduisant nos stocks ?

Les deux ne s'opposent pas — c'est la course aveugle au 99 % qui les oppose. En segmentant les références selon leur réalité de demande, en fiabilisant les prévisions et en renégociant les délais fournisseurs, on baisse le stock et on sert mieux. Concrètement : sur un site, stock matière passé de 3,2 M€ à 800 K€ pendant que le taux de service gagnait 8 à 10 points. Ce n'est pas un arbitrage, c'est une remise en ordre.

Dans quelle mesure l'IA peut-elle améliorer la précision de nos prévisions ?

Réellement — mais à une condition. L'IA n'améliore une prévision que si vos données de base sont propres : master data, historiques, délais, nomenclatures. Sur des fondations défaillantes, un modèle prédictif produit une erreur plus rapide et plus crédible, donc plus dangereuse. Je sécurise d'abord le socle (et souvent les premiers gains viennent de là), ensuite on déploie l'IA là où elle apporte un vrai delta.

Comment gérer les événements imprévus (ruptures fournisseurs, à-coups de demande) ?

Avec deux leviers concrets. D'abord un système d'alerte fiable sur les points de tension (stock bas, dérive des forecasts) — pas un tableau de plus, un signal qui déclenche une action. Ensuite des scénarios de simulation « what-if » pour tester une décision avant de l'appliquer plutôt que de la subir. L'imprévu ne disparaît pas ; mais on passe de la réaction dans l'urgence à l'anticipation pilotée.