La prévision parfaite n'existe pas (et c'est une bonne nouvelle)
La prévision parfaite n'existe pas. Notre manifeste : arrêter de courir après la précision, investir dans la décision au moment où le plan casse.
L'essentiel
Sur la durée, une bonne prévision tombe juste environ huit fois sur dix, et gagner deux points de précision ne change presque rien : c'est le mur des 80 %. Les deux fois où elle se trompe sont celles que le modèle n'a pas vues venir, et elles coûtent entre 4 et 12 points de marge par an. Le vrai levier se déplace de la qualité du plan vers la qualité de la décision quand le plan ne tient plus.
Trente ans à courir après la précision
Depuis que la supply chain existe comme discipline, elle poursuit le même objectif : prévoir mieux. Plus de données, de meilleurs modèles, des algorithmes plus fins, et récemment l'intelligence artificielle. Chaque génération d'outils promet la prévision qui, enfin, tombera juste. Pourtant, les directeurs supply chain que nous avons interrogés, plus de cent au total, décrivent tous la même réalité : ils pilotent encore en réagissant aux écarts, pas en suivant sereinement un plan qui se réalise. La course à la précision n'a pas de ligne d'arrivée.
Le mur des 80 %
Il y a une raison mathématique à cela. Sur la durée, une bonne prévision tombe juste environ huit fois sur dix. Passer de 80 à 82 % de précision demande des efforts considérables et ne change presque rien au quotidien, parce que le problème n'a jamais été les huit fois où la prévision est bonne. Il est dans les deux fois où elle se trompe, et ces deux fois sont par définition celles que le modèle n'a pas vues venir : la rupture fournisseur, le pic de demande, l'aléa de production. Aucune précision supplémentaire ne les anticipe.
Pourquoi les modèles se tromperont toujours
Ce plafond a une explication de fond : un modèle apprend du passé, et l'imprévu est précisément ce qui ne figure pas dans le passé. La rupture d'un fournisseur jusque-là fiable, l'incident de transport, le retournement brutal d'un marché ne laissent aucun motif régulier dans un historique. Le contexte aggrave la situation, puisque Resilinc a mesuré 38 % de perturbations supplémentaires en 2024 par rapport à 2023 : la part du réel qui échappe aux modèles grandit. Améliorer l'algorithme reste utile pour la variabilité ordinaire. Face aux événements qui coûtent vraiment, c'est structurellement insuffisant.
Là où l'argent se perd vraiment
Ces deux fois sur dix coûtent cher. Le temps de comprendre l'écart, de réunir les bonnes personnes et de décider, la facture s'accumule en transport express, en surstock, en commande perdue, en production réorganisée. Sur les périmètres que nous avons étudiés, ce coût représente entre 4 et 12 points de marge par an, et il n'apparaît sur aucune ligne du compte de résultat. Personne ne le chiffre, donc personne ne le combat. C'est la fuite invisible de la supply chain.
Ce que coûte l'obsession de la précision
Cette course a aussi un coût d'opportunité, que les études permettent d'approcher. McKinsey estime que les perturbations font perdre aux entreprises l'équivalent de 45 % des profits d'une année sur une décennie, et Interos chiffrait dès 2021 les pertes moyennes à 184 millions de dollars par an et par organisation. Pendant que les budgets se concentrent sur quelques points de précision supplémentaires, le moment qui détruit la marge, celui de la réaction, reste sans outil, sans processus et sans mesure. L'obsession de la précision devient vaine au-delà d'un certain seuil, et surtout elle détourne l'attention de l'endroit où l'argent se perd.
Changer de terrain de jeu
La conclusion n'est pas d'abandonner la prévision, qui reste utile pour dimensionner les stocks et la production. Elle est d'arrêter d'en attendre ce qu'elle ne donnera jamais : une protection contre l'imprévu. Le vrai levier de performance se déplace de la qualité du plan vers la qualité de la décision prise quand le plan ne tient plus. C'est un terrain de jeu différent, où l'on ne mesure plus l'erreur de prévision, mais la vitesse et la justesse de la réaction.
Décider, capitaliser, recommencer
Sur ce terrain, trois choses comptent. Voir venir la dérive avant qu'elle ne devienne une crise. Chiffrer l'impact de chaque réaction possible avant de trancher, pour choisir la moins coûteuse. Et garder la mémoire de l'arbitrage, pour que le prochain imprévu du même type se règle plus vite. C'est cette conviction qui a donné naissance à Clevizio. Nous ne cherchons pas à rendre vos prévisions parfaites, nous vous rendons meilleurs à l'instant précis où elles se trompent.
La fiche à retenir
- Trente ans à courir après la précision
- Le mur des 80 %
- Pourquoi les modèles se tromperont toujours
- Là où l'argent se perd vraiment
- Ce que coûte l'obsession de la précision
- Changer de terrain de jeu
- Décider, capitaliser, recommencer
Clevizio
Clevizio est la couche de décision qui se branche sur vos outils existants : elle détecte l'imprévu, simule vos options et garde la mémoire de chaque arbitrage. Découvrir comment fonctionne le copilote de décision.
Mansour Niang
CEO & cofondateur de Clevizio
Une question sur vos imprévus ? Réservez 30 minutes avec moi pour estimer ce qu'ils vous coûtent vraiment, sans engagement.
Questions fréquentes
Faut-il arrêter de faire des prévisions ?
Non. La prévision reste utile pour dimensionner les stocks et cadrer la production. Il s'agit d'arrêter d'en attendre une protection contre l'imprévu, qu'elle ne peut pas offrir, et d'outiller séparément le moment où elle se trompe.
Comment mesurer la qualité d'une décision plutôt que la précision d'une prévision ?
En suivant le coût évité : la différence entre ce qu'un imprévu aurait coûté sans réaction rapide et ce qu'il a coûté réellement. C'est une métrique de décision, pas de prévision, et c'est elle qui pèse sur la marge.
Dans ce dossier : Notre vision
Mettez enfin un chiffre sur ce que vos imprévus vous coûtent chaque année.
Commençons par estimer ce que vos imprévus vous coûtent réellement. C'est gratuit, ça prend 30 minutes, et vous repartez avec un chiffre que personne dans votre entreprise ne connaît aujourd'hui.