Optimisation des stocks : un problème de décision

Il y a une hypothèse silencieuse au fond de la plupart des projets d'optimisation des stocks : le problème serait un calcul. Trouver le bon stock de sécurité. Régler le bon min-max.

Résoudre la quantité économique de commande. Mettez le calcul au point, et le stock s'optimisera de lui-même. Les éditeurs vendent cette hypothèse, les cabinets construisent leurs missions autour d'elle. Et les équipes supply chain passent des trimestres à régler les paramètres de modèles conçus pour un monde qui n'existe plus.

Le calcul n'est pas faux. Les formules de stock de sécurité, l'optimisation par niveau de service, la logique de point de commande : c'est de la recherche opérationnelle solide. Elle l'est depuis les années 1950.

Le problème est plus étroit et plus inconfortable : le calcul n'est plus l'endroit où se trouve le levier. Dans le retail moderne, la formule produit une cible — et la cible est la partie facile. La partie difficile, ce sont les milliers de décisions contextuelles qui l'entourent, et ce sont précisément celles que la formule ne prend pas.

Cet article regarde en face pourquoi l'optimisation des stocks, telle qu'on la pratique, résout un problème que le retail a largement dépassé. Où le vrai levier s'est déplacé. Et ce qui change quand on cesse de voir l'optimisation comme un nombre à calculer pour la voir comme un flux de décisions à prendre.

Ce que « optimisation des stocks » veut dire en pratique

Demandez à trois éditeurs ce qu'est l'optimisation des stocks et vous obtenez des variantes d'une même réponse : mettre le bon niveau de stock au bon endroit. Concrètement, cela se décompose en une poignée de calculs bien connus.

Le stock de sécurité — combien de tampon détenir face à la variabilité de la demande et du délai, dérivé d'une cible de niveau de service et d'un écart-type. Le point de commande et le min-max — les seuils qui déclenchent le réapprovisionnement. La quantité économique de commande — la taille de lot qui équilibre coût de commande et coût de portage.

Chacun est une formule. Chacune prend une prévision, un délai, un coût du capital et une cible de service, et renvoie un nombre. La promesse d'un logiciel d'optimisation, c'est de calculer ces nombres sur des dizaines de milliers de couples SKU/magasin plus vite et plus régulièrement qu'un planificateur avec un tableur.

Cette promesse est réelle, et pour les articles stables, à forte rotation et prévisibles, elle tient encore. Le souci, c'est que la part d'un assortiment retail moderne qui respecte ces hypothèses s'est effondrée. Et la formule se dégrade silencieusement sur tout le reste.

Pourquoi la formule casse dans le retail réel

L'équation du stock de sécurité ne vaut que ses intrants. Et dans le retail, chaque intrant dont elle dépend est devenu peu fiable d'une manière que la formule ne voit pas.

La prévision dont elle dépend est l'intrant le plus faible

Un stock de sécurité est une fonction de l'erreur de prévision. On détient du tampon parce que la prévision est fausse, et la taille du tampon croît avec l'ampleur de cette erreur. Tout le calcul repose donc sur une prévision — et sur une estimation stable de l'erreur de cette prévision.

Dans les catégories à forte rotation, ni l'une ni l'autre ne tiennent. La mode et le saisonnier ont des historiques courts et une forte variance — le temps d'accumuler assez de ventes pour estimer l'erreur, la saison est à moitié écoulée. Une prévision portant 30 % d'erreur ne rend pas l'optimisation légèrement imprécise. Elle rend le stock de sécurité « optimal » essentiellement arbitraire, une réponse précise bâtie sur une supposition.

C'est le point profond de pourquoi le ML de prévision ne suffit pas. Gagner quelques points de précision ne sauve pas un processus de décision qui traite la prévision comme une vérité. La formule n'a aucun moyen d'exprimer « je ne fais pas confiance à ce chiffre, donc j'agis plus prudemment et je révise ma décision la semaine prochaine ». Elle calcule, c'est tout.

Les contraintes qui tranchent ne sont pas dans le modèle

Même avec une cible parfaite, la formule ne dit pas quoi faire concrètement — parce que les contraintes décisives sont rarement dans le modèle.

Un fournisseur impose un minimum de commande qui dépasse votre point de commande. Le rôle d'un magasin dans le réseau veut qu'il tienne une profondeur d'exposition quelle que soit sa vélocité. Une démarque est calée dans trois semaines, donc réassortir maintenant est le mauvais geste même si le min-max dit de réapprovisionner. Un transfert depuis un magasin en surstock coûte moins cher qu'une commande neuve, mais le moteur d'optimisation ne sait que réassortir.

Ce ne sont pas des cas marginaux. C'est la substance même de la décision. Un système min-max qui les ignore produit des nombres techniquement valides que les opérationnels écrasent ou ignorent. C'est pourquoi tant de données retail deviennent inutiles sans couche de décision au-dessus d'elles.

L'optimisation est un flux de décisions, pas un nombre unique

Voici le recadrage. Si l'optimisation des stocks classique sous-performe, c'est qu'elle répond à la mauvaise question. Elle répond à « quel est le niveau de stock optimal ? » quand la question opérationnelle est « compte tenu de tout ce que je sais maintenant, que dois-je faire de ce SKU dans ce magasin aujourd'hui ? ».

Ce ne sont pas la même question. La première est une cible. La seconde est une décision — et elle doit être prise de façon répétée, sous des conditions changeantes, contre des contraintes que la cible ne capture pas.

Prenez un SKU dans un magasin sur une saison. Semaine 3, il se vend au-dessus du plan — la décision est d'avancer le réassort ou de protéger le stock pour le réseau. Semaine 7, il ralentit ici mais accélère dans deux autres points de vente — la décision est un transfert, pas une commande. Semaine 11, le sell-through cale — la décision est le timing de la démarque, pesé contre le coût de portage.

Aucune de ces décisions n'est un calcul de stock de sécurité. Ce sont des arbitrages — entre coût de détention et risque de rupture, entre ce magasin et le réseau, entre démarquer maintenant et attendre. Une optimisation statique recalculée chaque trimestre ne peut pas les prendre. Un processus de décision tournant au rythme du métier le peut — c'est exactement l'écart entre le réapprovisionnement continu et la réunion du lundi.

Ce qu'il faut évaluer autrement

Si l'optimisation est un flux de décisions, les questions qu'on pose à un système changent.

Cessez de demander « quelle est la précision du moteur d'optimisation ? » et demandez « combien de décisions prend-il réellement, et combien survivent au contact des opérations ? ». Un système qui produit des cibles mathématiquement optimales que les planificateurs écrasent 70 % du temps n'optimise pas le stock — il génère des nombres ignorés.

Demandez où vivent les règles métier. Si les minimums fournisseurs, les rôles des magasins et les calendriers de démarque restent hors du modèle, en surcouche manuelle, le système ne décide pas — il propose. Et un humain fait la vraie optimisation à la main. Les règles doivent être dans l'arbitrage, pas greffées après coup.

Demandez si le système sait agir. Une cible qui atterrit dans un rapport attend encore que quelqu'un la transforme en commande, en transfert ou en démarque. Le levier est dans la fermeture de cet écart. L'optimisation ne vaut que les décisions qu'elle exécute vraiment, comme le surstock coûte plus cher que ce que dit l'ERP. Le coût s'accumule dans les décisions que personne n'a prises à temps.

L'approche Solya

C'est la logique sur laquelle Solya est bâtie. Pas un meilleur solveur de stock de sécurité greffé sur votre stack existant — une couche de décision qui traite l'optimisation des stocks comme l'arbitrage continu qu'elle est vraiment.

Solya se connecte à vos systèmes POS, ERP et supply chain et reconstruit une vue vivante du réseau au niveau SKU/magasin. La couche intelligence la balaye en continu et formule les vraies décisions — réassort, transfert, démarque, retour. Vos règles métier sont intégrées à l'arbitrage, pas appliquées comme un filtre après coup. Un minimum fournisseur, le rôle d'exposition d'un magasin, une démarque dans trois semaines : ces éléments façonnent la décision de l'intérieur.

Les décisions qui passent vos règles sont ensuite propagées par la couche orchestration vers les systèmes qui les exécutent — sans ressaisie, sans rapport qui attend qu'on agisse. Le même mécanisme porte le réapprovisionnement continu comme un cas d'usage plutôt qu'un nombre recalculé à chaque cycle de planning. La même logique régit l'allocation : voir le moteur d'allocation retail.

L'enjeu n'est pas que le calcul disparaisse. Les cibles comptent toujours ; le stock de sécurité a toujours sa place. L'enjeu, c'est que le calcul devient un intrant de la décision, pas le livrable. L'optimisation cesse d'être un calcul trimestriel pour devenir ce qu'elle aurait toujours dû être — un flux de bonnes décisions, prises vite, à l'échelle, contre les contraintes qui tranchent vraiment.

La vraie question à se poser

Regardez votre dernier chantier d'optimisation des stocks et posez une seule question : a-t-il changé les nombres, ou a-t-il changé les décisions ?

S'il a réglé des paramètres et produit de meilleures cibles que vos planificateurs écrasent quand même chaque semaine, vous avez optimisé la formule et laissé le levier sur la table. Les cibles n'ont jamais été le problème. Les milliers de décisions non prises ou prises trop tard autour d'elles l'étaient — et celles-ci ne sont pas un calcul qu'on résout une fois. C'est un processus à faire tourner, chaque jour, à la taille de votre réseau.

---

Votre optimisation des stocks résout-elle le bon problème ?

Chez Solya, nous proposons aux directions supply chain et merchandising un diagnostic de 30 minutes. Il évalue, sur votre propre assortiment, si votre optimisation des stocks calcule des cibles ou fait réellement bouger des décisions. À l'issue de cet échange, vous repartirez avec :

• Une lecture de l'endroit où votre optimisation s'arrête — à la cible, ou à la décision exécutée
• Une estimation du nombre de recommandations qui survivent aujourd'hui au contact de vos opérations
• Les premières boucles de décision SKU/magasin à fermer pour convertir le stock en performance plus vite