Motul : « l’IA ne remplace pas l’expertise métier ; elle la valorise »

Xavier Baraton : Nous avons commencé à restructurer notre processus S&OP en mars 2023, avec l’appui de Thaïs et de nos filiales. Motul opère à l’échelle mondiale avec des business units qui disposent d’une forte autonomie. Nous avons replacé la prévision au cœur du pilotage de l’entreprise afin de créer un langage commun entre finance, ventes, marketing et supply chain, et de permettre à l’ensemble des fonctions de prendre leurs décisions à partir d’une même vision de la demande. En deux ans, ce travail nous a permis de gagner près de 20 points de fiabilité des prévisions.

Mais l’enjeu dépasse largement la seule précision des prévisions. Un meilleur forecast se traduit par moins de stocks, moins d’obsolescence, un meilleur taux de service et une utilisation plus efficace de nos capacités industrielles. C’est donc un levier direct de compétitivité et de création de valeur, qui nous a permis d’accompagner la croissance de Motul tout en renforçant la résilience et la robustesse de notre chaîne d’approvisionnement.

XB : Nous commencions à atteindre les limites des gains apportés par les seules évolutions de processus. Malgré les progrès réalisés, nous peinions à améliorer davantage la précision des prévisions, à l’article comme sur les volumes ou les biais. La situation varie fortement selon les marchés : l’activité peut se révéler très sporadique en Amérique latine ou en Afrique, tandis que certains marchés matures n’atteignaient pas non plus le niveau de fiabilité attendu. Par ailleurs, les commerciaux repartaient parfois d’une feuille blanche en fonction d’un deal ou d’un client, sans suffisamment exploiter l’historique. Nous avons donc recherché un nouveau levier de performance capable de compléter l'expertise métier et les approches statistiques traditionnelles. L’objectif n’était pas de remplacer le jugement humain, mais de permettre à nos équipes de prendre des décisions plus rapides, plus robustes et davantage fondées sur la donnée.

XB : Oui. Nous voulions rompre avec un fonctionnement dans lequel les ventes transmettaient leurs forecasts et la supply chain les intégrait pour construire son plan de production. Désormais, la supply chain joue pleinement son rôle d'orchestrateur du processus S&OP en proposant une première prévision consolidée, ensuite enrichie et challengée par les équipes commerciales. L’IA nous permet d’exploiter des modèles plus puissants, intégrant notamment des données de marché comme l’évolution du parc automobile.

L’objectif n’est pas de savoir qui a raison, mais de construire collectivement la meilleure vision possible de la demande pour sécuriser les décisions industrielles, logistiques et financières.

Thaïs Daufenbach : Les profils de demande diffèrent fortement. Certains clusters présentent une consommation régulière, tandis que d’autres se révèlent beaucoup plus erratiques : une demande peut par exemple atteindre 3 000 litres puis tomber à zéro le mois suivant en fonction des stocks d’un distributeur. La saisonnalité varie également selon les produits et les régions. Les produits moto connaissent une forte saisonnalité estivale en Europe, contrairement à l’Amérique latine où la moto constitue davantage un outil de travail. Nous devons aussi gérer les lancements et les transitions phase in phase out, dont les courbes ne suivent pas toujours une évolution linéaire.

XB : Nous cherchons également à mesurer la relation entre prix et demande. Les évolutions des cours, très sensibles du fait des tensions dans le Golfe Persique, peuvent modifier nos coûts et nos prix de vente. Un automobiliste ne renoncera sans doute pas à sa vidange avant les vacances parce que son prix augmente légèrement. En revanche, nos distributeurs et grossistes peuvent anticiper une hausse, constituer des stocks ou ralentir leurs commandes. L’IA nous aide à objectiver ces mécanismes et à mesurer leur impact réel sur la demande, là où une analyse humaine seule atteint rapidement ses limites.

TD : Depuis avril, nous comparons trois forecasts : celui réalisé manuellement par chaque business unit, le forecast statistique produit par notre outil IBP (Integrated Business Planning) et celui généré par l’IA de notre partenaire. Le POC dure six mois. À son terme, nous pourrons mesurer précisément l’écart de performance entre ces trois approches et déterminer de manière factuelle si l’IA améliore la qualité des prévisions. Au-delà de la seule performance statistique, nous évaluons également sa capacité à rendre le processus plus robuste, plus réactif et plus facilement déployable à l’échelle de l’ensemble de nos business units.

TD : L’outil IBP reste très performant pour produire une prévision statistique de référence. L’IA et le machine learning permettent toutefois d’aller plus loin en intégrant simultanément un volume beaucoup plus important de variables internes et externes, comme le prix des huiles de base, la météo ou certaines données de marché, tout en identifiant des corrélations extrêmement difficiles à détecter manuellement.

L’enjeu n’est pas seulement d’améliorer la précision des prévisions, mais aussi de mieux comprendre les facteurs qui influencent réellement la demande afin de rendre le processus plus robuste et plus prédictif.

La météo constitue un bon exemple. En Europe, les ventes de lubrifiants et de produits d’entretien moto peuvent démarrer dès la mi-mars si les conditions météorologiques sont favorables, ou seulement en mai après un début de printemps défavorable. L'écart peut ainsi atteindre près de deux mois. À l’inverse, les épisodes de canicule peuvent freiner l’utilisation des motos. L’intérêt de l’IA est précisément d’isoler l’impact réel de la météo parmi l’ensemble des facteurs qui évoluent simultanément, afin de distinguer les signaux pertinents du bruit statistique.

TD : Quatre personnes interviennent directement, toutes issues de la supply chain : un apprenti avec un profil davantage orienté data science et deux demand planners au sein des business units, en plus de moi-même.

XB : Les équipes commerciales reçoivent une proposition de forecast qu'elles enrichissent grâce à leur connaissance du terrain, des clients et des opportunités commerciales. Elles déterminent ensuite si cette prévision reflète correctement la réalité du marché ou si des ajustements sont nécessaires. Nous les avons également associées à l’identification des facteurs susceptibles de faire varier la demande. La filiale allemande, qui couvre également l’Europe de l’Est, nous accompagne dans la mise en œuvre de cette nouvelle logique : fournir aux ventes une première prévision comme base de travail plutôt que leur demander de repartir d’une feuille blanche.

XB : Après l’été. Un premier test réalisé sur un périmètre restreint de références et de filiales avait permis de gagner 15 points de forecast accuracy. Ces résultats nous ont conduits à retenir notre partenaire. À plus grande échelle, nous obtenons actuellement une amélioration de 4 à 5 points.  Les premiers résultats sont encourageants. Nous sommes passés d'un pilote ciblé sur quelques références à un environnement réel couvrant un périmètre beaucoup plus large. Comme souvent dans ce type de transformation, le changement d'échelle révèle de nouveaux défis mais permet aussi de valider la robustesse des modèles dans les conditions opérationnelles réelles. Nous travaillons encore à bien comprendre comment reproduire les performances du test initial sur l’ensemble des flux.

Nous retravaillons notamment la segmentation produit et la sensibilité des modèles. L’enjeu consiste aussi à mesurer le retour sur investissement (qui inclut l’amélioration du taux de service, la réduction des stocks dont ceux à risque d’obsolescence, et une meilleure allocation des capacités industrielles) au regard du coût des licences, des ressources mobilisées et de la formation. Motul compte une douzaine de business units et nous souhaitons que chacune puisse devenir autonome dans l’utilisation de ces forecasts. Si le gain par rapport à l’outil IBP reste limité, nous devrons nous assurer que la valeur créée compense réellement l’investissement supplémentaire. C’est précisément l’objectif du POC : prendre une décision fondée sur des faits et un retour sur investissement mesurable.

XB : Notre forecast accuracy atteint actuellement près de 70 % à M-2 sur une gamme d’environ 1 900 articles. Au lancement du processus S&OP, nous nous situions entre 45 et 55 % sur l’ensemble des filiales. Le renforcement du processus et de la collaboration nous a d’abord permis d’améliorer significativement notre niveau de fiabilité. Nous avons ainsi déjà capturé une grande partie des gains liés à la structuration du processus. La prochaine étape consiste à franchir un nouveau cap de performance, de l’ordre de 10 à 15 points supplémentaires de fiabilité des prévisions, grâce à une meilleure exploitation de la donnée, de l’intelligence artificielle et de l’expertise métier.

TD : Nous avons retenu Prognotix, une solution développée par un éditeur viennois dans Microsoft Azure. Elle nous permet de réaliser nous-mêmes nos analyses et de lancer des modèles statistiques ou de machine learning. Pendant le POC, Prognotix nous accompagne dans cette montée en compétence.

Nous travaillons dans une logique de co-construction. Prognotix intervient historiquement davantage sur des modèles de forecasting orientés distribution. Notre expérience de fabricant opérant à l’échelle mondiale apporte une autre lecture de la variabilité de la demande, des contraintes industrielles et des enjeux de planification. Cette collaboration nous permet d’enrichir mutuellement nos approches et d’adapter les modèles aux réalités d’un groupe industriel comme Motul.

TD : Nous constatons plutôt l’inverse. Les équipes commerciales apprécient de disposer d’une première proposition de forecast qu’elles peuvent enrichir grâce à leur connaissance du marché, des clients et des opportunités commerciales. L’IA automatise une partie importante des analyses les plus répétitives et chronophages, ce qui permet aux équipes de consacrer davantage de temps à l'analyse des écarts, à l'identification des risques et à la prise de décision. Au final, l’IA ne remplace pas l’expertise métier ; elle la valorise.

XB : L’objectif ne consiste surtout pas à transmettre automatiquement aux commerciaux les chiffres produits par l’IA. Le Demand Planner analyse et retravaille d’abord le forecast en fonction de sa connaissance du marché et des facteurs externes. Les ventes peuvent ensuite le challenger à leur tour. L'IA n'a pas vocation à remplacer le jugement humain. Elle permet d'améliorer la qualité du point de départ et de concentrer l'expertise des équipes sur les décisions à forte valeur ajoutée. La responsabilité de la décision reste pleinement humaine, mais elle s'appuie désormais sur une analyse plus riche et plus objective.