Tapez « KPI supply chain » dans Google : vous obtiendrez des listes de quinze ou vingt indicateurs avec leurs formules, rédigées le plus souvent par des éditeurs de logiciels. Ce qui manque systématiquement, c’est ce qui se joue après le calcul : le moment où votre OTIF de 87 % s’affiche à l’écran en réunion S&OP et où le directeur commercial conteste le chiffre.
Dans cet article, je reprends les indicateurs qui structurent vraiment le pilotage (OTIF, taux de service, MAPE et son complément la fiabilité de prévision, biais de prévision, couverture de stock) sous l’angle du praticien : la formule et ses variantes, le piège de calcul classique, et la façon de présenter et de défendre chaque indicateur face aux autres services.
Ingénieur en génie industriel de formation, j’ai piloté des flux et des projets supply chain pendant cinq ans et plus dans différents grands groupes du secteur avant de devenir formateur en supply chain. Ce que j’explique dans cet article s’appuie sur mes propres recherches et sur mon expérience professionnelle. Contrairement à d’autres blogs, ce contenu n’est pas entièrement automatisé : n’hésitez pas à donner votre avis en commentaire. Rejoignez-moi sur LinkedIn.
Sommaire
À quoi servent vraiment les KPI supply chain ?
Un KPI (Key Performance Indicator, ou indicateur clé de performance) n’est pas une note sur un bulletin. C’est un déclencheur de discussion et de décision. Dans une supply chain qui fonctionne, un indicateur sert à trois choses :
- Détecter une dérive avant le client : un biais de prévision qui s’installe se voit dans les chiffres deux mois avant de se voir dans les ruptures.
- Arbitrer : le trio service, stock et coût ne peut pas être optimisé partout en même temps. Les indicateurs objectivent le compromis.
- Aligner les services : commerce, production, finance et logistique doivent débattre à partir des mêmes faits, pas de leurs impressions respectives.
Et le piège classique : le « KPI pastèque », vert à l’extérieur, rouge à l’intérieur. Un taux de service global à 96 % peut masquer un client stratégique servi à 78 %. Dès qu’un indicateur sert à distribuer des bons points (ou pire, à indexer une prime), chacun se met à optimiser son chiffre local au détriment du flux global. Gardez cette idée en tête pour toute la suite.
OTIF : le KPI le plus discuté en réunion
L’OTIF (On Time In Full) mesure la proportion de commandes livrées à la fois à l’heure et complètes. C’est l’indicateur de référence de la promesse client, et celui qui génère le plus de débats, parce que chaque mot de sa définition peut se calculer de plusieurs façons.
La formule OTIF et ses variantes
La formule de base est simple : OTIF = commandes livrées à l’heure et complètes ÷ total des commandes livrées × 100. Toute la subtilité est dans la maille de calcul :
- À la commande : une seule ligne en retard fait échouer toute la commande. C’est la version la plus exigeante, celle que vit réellement le client.
- À la ligne : chaque ligne de commande compte séparément. Le chiffre remonte mécaniquement.
- À l’unité : on compte les pièces livrées conformes. C’est la version la plus flatteuse.
Le même mois d’activité peut donner 80 % à la commande et 95 % à la ligne. Aucune de ces mailles n’est « fausse », mais si votre client calcule à la commande et vous à la ligne, vous allez chacun arriver en réunion avec un chiffre différent et la conviction d’avoir raison.
On Time selon qui ? Le piège de la date de référence
C’est le piège n°1. « À l’heure » se mesure soit contre la date demandée par le client, soit contre la date confirmée par votre ADV : la première colle à ce que vit le client, la seconde avantage celui qui promet large. S’y ajoutent la tolérance (livrer en avance est-il conforme ?) et la granularité des rendez-vous horaires. Autant de conventions qui, non écrites, produisent deux OTIF différents pour les mêmes livraisons.
Comment l’OTIF se négocie en réunion
En réunion de performance, l’essentiel du débat porte sur ce qu’on accepte d’exclure : retards transporteur, commandes bloquées en crédit, aléas hors du contrôle de la logistique. Chacun pousse le périmètre qui l’arrange.
La parade tient en un principe : publier deux versions du chiffre, l’une sans aucune exclusion, l’autre expurgée des seules causes documentées et datées. La première mesure ce que subit le client, la seconde ce que vous pilotez ; n’en présenter qu’une, c’est offrir à un contradicteur l’occasion de sortir l’autre au pire moment.
Taux de service : pourquoi personne n’a le même chiffre
Le taux de service mesure la part de la demande effectivement servie. Contrairement à l’OTIF, il ne s’intéresse le plus souvent qu’à la complétude (In Full), sans la dimension délai. Et c’est l’indicateur pour lequel j’ai vu le plus de chiffres contradictoires coexister dans une même entreprise.
Taux de service client vs taux de service interne
Une supply chain est une chaîne de maillons : l’usine sert le dépôt central, qui sert les dépôts régionaux, qui servent les clients. Chaque maillon peut afficher son propre taux de service. Le piège : ces taux se multiplient. Une usine à 96 % et un dépôt à 96 % peuvent produire un service client réel autour de 92 %.
En réunion, précisez donc toujours de quel taux de service on parle : celui du maillon (utile pour piloter l’usine ou le dépôt) ou celui de bout en bout (le seul que le client perçoit). Beaucoup de débats stériles viennent simplement de deux personnes qui parlent de deux maillons différents.
En valeur, en quantité ou en lignes : trois chiffres pour la même réalité
Reste l’unité de mesure. Prenons une commande de 100 lignes dont 2 lignes de petits accessoires manquent : le taux de service ressort à 98 % en lignes, peut-être 99,5 % en valeur. Si la ligne manquante avait été votre produit phare, le chiffre en valeur se serait effondré alors que le chiffre en lignes bougeait à peine.
La finance raisonne spontanément en valeur (c’est du chiffre d’affaires non facturé), les opérations en lignes ou en quantités (c’est du travail de préparation). Aucune convention n’est meilleure dans l’absolu : ce qui compte, c’est d’en choisir une, de l’écrire, et de ne plus en changer. Nous y reviendrons dans la méthode de défense en réunion.
MAPE et biais de prévision : le duo que tout le monde confond
La qualité des prévisions conditionne tout le reste : stocks, capacités, achats. Deux indicateurs la mesurent, et ils ne racontent pas du tout la même chose. Confondre le MAPE et le biais de prévision est l’erreur la plus répandue que j’observe, y compris chez des professionnels expérimentés.
Le MAPE : formule, calcul et limites
Le MAPE (Mean Absolute Percentage Error) est la moyenne des erreurs de prévision en valeur absolue, exprimée en pourcentage du réel : MAPE = moyenne de |Prévision − Réel| ÷ Réel × 100. Il répond à la question « de combien je me trompe, en moyenne », sans distinguer le sens de l’erreur.
Dans beaucoup d’entreprises françaises, on ne communique d’ailleurs pas le MAPE mais son complément, le taux de fiabilité de la prévision (forecast accuracy en anglais) : fiabilité = 100 − MAPE. Un MAPE de 15 % devient une fiabilité de 85 % : même information, présentée à l’endroit. Je détaille son calcul, ses conventions (dont la troncature à 0 %) et ses pièges dans l’article dédié à l’erreur de prévision.
Ses deux limites sont connues. D’abord les faibles volumes, dont le dénominateur minuscule fait grimper artificiellement le pourcentage et fausse la moyenne du portefeuille. Ensuite la maille : selon qu’on agrège au global ou qu’on descend à la référence par site, le même portefeuille peut passer du simple au triple. Un MAPE annoncé sans sa maille de calcul ne veut rien dire.
Le biais de prévision : l’indicateur le moins regardé, le plus lourd de conséquences
Le biais de prévision est la moyenne des erreurs signées : les sur-prévisions et les sous-prévisions ne s’annulent plus dans une valeur absolue, elles s’additionnent avec leur signe. Un biais proche de zéro signifie que vos erreurs se compensent. Un biais durablement négatif signifie que vous sous-estimez systématiquement la demande : ruptures à répétition. Un biais durablement positif gonfle les stocks et finit en destruction ou en promotion forcée.
Le biais est rarement un problème statistique : c’est un problème d’organisation. Des jeux d’acteurs (sécuriser une allocation de stock, tenir un budget, ne pas contredire le plan commercial) poussent durablement la prévision dans un sens, et aucun algorithme ne corrige cela seul. C’est même une des raisons pour lesquelles l’intelligence artificielle appliquée à la prévision déçoit quand on lui laisse avaler des historiques pollués par ces comportements.
MAPE vs biais : deux réalités opposées derrière le même chiffre
À MAPE égal, deux prévisionnistes peuvent vivre des réalités opposées : celui dont les erreurs alternent laisse le stock de sécurité absorber les écarts, celui qui se trompe toujours dans le même sens enchaîne les ruptures. Un tableau de bord qui n’affiche que le MAPE les confond : c’est le cas d’école du KPI « vert » qui masque un processus malade.
WMAPE et alternatives
Pour corriger cet effet « petites références », on utilise le plus souvent le WMAPE (Weighted MAPE), qui pondère chaque référence par son volume au lieu de les traiter toutes à égalité. C’est l’indicateur que je recommande par défaut à la maille référence, toujours avec le biais en regard.
Je consacrerai un article dédié au calcul détaillé de l’erreur de prévision (MAPE, WMAPE, biais, signal de suivi), avec des exemples chiffrés pas à pas. Retenez ici l’essentiel : un chiffre de précision (MAPE ou WMAPE) ne se présente jamais sans son biais, et inversement.
DSI et couverture de stock : le KPI qui fâche la finance
Le stock est le point de friction permanent entre la supply chain et la finance : pour l’une c’est une assurance de service, pour l’autre c’est du cash immobilisé. Deux indicateurs cohabitent, et ils ne mesurent pas la même chose.
Couverture de stock : sur quelle demande la calculer ?
La couverture de stock exprime combien de temps le stock actuel permet de tenir : couverture = stock disponible ÷ demande moyenne par période, en jours ou en semaines. Le piège classique tient en une question : quelle demande au dénominateur ?
Calculer la couverture sur les ventes passées est simple et faux dès que la demande n’est pas plate. Avec 1 000 pièces en stock et des ventes historiques de 100 par semaine, vous affichez 10 semaines de couverture. Si la saison démarre et que la demande à venir est de 250 par semaine, votre couverture réelle est de 4 semaines. Sur un produit saisonnier, l’écart entre les deux calculs peut transformer un « surstock » apparent en future rupture. La couverture se calcule sur la demande future prévue, pas sur l’historique.
DSI comptable vs couverture opérationnelle
Le DSI (Days Sales of Inventory, parfois DIO) est le cousin financier de la couverture : stock valorisé ÷ coût des ventes × 365. Il est calculé par la finance, en valeur, sur des moyennes annuelles et un périmètre comptable. La couverture opérationnelle, elle, se calcule en unités, par référence et par site, sur la demande future. Les deux chiffres divergent donc structurellement, et c’est normal.
D’où le grand classique de fin d’exercice : l’objectif de réduction de stock au 31 décembre pour embellir le bilan, suivi d’un rattrapage coûteux en janvier. Quand on vous oppose un DSI en réunion, la parade n’est pas de contester le chiffre de la finance (il est juste, dans son référentiel), mais de toujours présenter le stock en paire avec le taux de service : baisser la couverture est trivial si l’on accepte de dégrader le service, et cette phrase-là change le niveau de la discussion.
Défendre ses KPI supply chain en réunion S&OP : la méthode
Le processus S&OP (Sales and Operations Planning, ou PIC en français) est le lieu où ces indicateurs se confrontent chaque mois entre directions. Ceux qui produisent ces chiffres, du demand planner au responsable supply chain (des rôles que je détaille dans mon panorama des métiers de la supply chain), gagnent à appliquer trois règles simples.
Documenter la définition avant de montrer le chiffre
Constituez un dictionnaire de KPI : une page par indicateur, avec la formule exacte, la maille de calcul, la source de données, le périmètre, les exclusions admises et le responsable du chiffre. Faites-le valider une fois par toutes les parties prenantes, en dehors de toute crise. Le jour où le chiffre est mauvais, on débat alors des causes et des actions, plus jamais de la formule.
C’est aussi le meilleur test de maturité de vos outils : si votre ERP ou votre outil de BI ne permet pas de retracer comment le chiffre est produit, le dictionnaire révélera le problème (j’en parle dans mon guide des logiciels et outils supply chain).
Venir avec la décomposition, pas seulement le pourcentage
Un pourcentage seul appelle une réaction émotionnelle ; une décomposition appelle une décision. Pour chaque KPI dégradé, préparez le Pareto des causes : les 5 références, les 5 clients ou les 3 causes racines qui expliquent l’essentiel de l’écart. « L’OTIF perd 4 points, dont 3 sur deux références en rupture fournisseur, plan de rattrapage au 15 » est une phrase qui clôt le débat. « L’OTIF est à 87 % » est une phrase qui l’ouvre.
Ne jamais changer une définition en cours d’année
Changer la maille de l’OTIF ou la convention du taux de service en cours d’année, même pour une bonne raison, détruit deux choses : la comparabilité de l’historique et la confiance dans vos chiffres. Si un changement s’impose, annoncez-le, datez-le, et recalculez l’historique dans la nouvelle convention pour que la tendance reste lisible. Un KPI dont la définition bouge discrètement est pire qu’un mauvais KPI : c’est un KPI dont plus personne ne se sert.
Tableau récapitulatif : les 5 indicateurs clés
| KPI | Ce qu’il mesure | Le piège n°1 | Qui le challenge en réunion |
|---|---|---|---|
| OTIF | Commandes livrées à l’heure et complètes | Date demandée vs date confirmée, et maille commande/ligne/unité | Commerce, grands comptes |
| Taux de service | Part de la demande servie (In Full) | Maillon interne vs bout en bout ; valeur vs lignes vs quantités | Commerce, direction |
| MAPE / WMAPE | Taille moyenne de l’erreur de prévision (son complément = la fiabilité / forecast accuracy) | Explose sur les petites références ; dépend de la maille d’agrégation | Production, achats |
| Biais de prévision | Direction systématique de l’erreur | Invisible si on ne regarde que le MAPE ; cause souvent humaine | Supply planning, finance |
| Couverture / DSI | Durée que le stock permet de tenir | Calcul sur l’historique au lieu de la demande future ; DSI comptable ≠ couverture opérationnelle | Finance, direction générale |
KPI supply chain : ce qu’il faut retenir
- Un KPI est un déclencheur de décision, pas une note : dès qu’il sert à récompenser ou punir, il se fait manipuler.
- Chaque indicateur a plusieurs définitions possibles (maille, date de référence, unité) : écrivez la vôtre dans un dictionnaire de KPI validé par tous.
- Le MAPE sans le biais de prévision est aveugle : deux prévisions au même MAPE peuvent cacher des réalités opposées.
- La couverture de stock se calcule sur la demande future, et se présente toujours en paire avec le taux de service.
- En réunion S&OP, apportez la décomposition des écarts et les actions, pas seulement le pourcentage.
Ces indicateurs reviennent systématiquement en entretien d’embauche pour les postes de planification et de supply chain. Si vous préparez un entretien ou souhaitez structurer votre montée en compétences sur ces sujets, je propose un accompagnement personnalisé.
FAQ : vos questions sur les indicateurs supply chain
Quel est le KPI le plus important en supply chain ?
Il n’y en a pas un seul : la performance se lit en paires. Le couple taux de service et couverture de stock mesure l’équilibre du système ; le couple MAPE et biais mesure la qualité des prévisions qui l’alimentent. Un indicateur isolé s’optimise toujours au détriment d’un autre.
Qu’est-ce qu’un bon MAPE ?
Cela dépend entièrement de la maille de calcul et du secteur : 10 à 15 % en global mensuel est très bon, alors que 30 à 50 % à la référence par site est courant. Le bon réflexe est de comparer votre MAPE à celui d’une prévision naïve (reconduire les ventes du mois précédent) : si vous ne faites pas mieux qu’elle, votre processus de prévision n’apporte rien.
Comment calculer la couverture de stock ?
Divisez le stock disponible par la demande moyenne prévue par période : 1 000 pièces en stock pour une demande prévue de 250 par semaine donnent 4 semaines de couverture. Utilisez la prévision de demande future, pas l’historique des ventes, surtout sur les produits saisonniers.
Qu’est-ce qu’un biais de prévision acceptable ?
Un biais qui oscille autour de zéro d’un mois sur l’autre est sain. Le signal d’alerte n’est pas l’amplitude d’un mois donné, mais la persistance : un biais du même signe pendant trois mois consécutifs révèle un problème structurel (prévisions commerciales gonflées, budget imposé, peur de la rupture) qu’il faut traiter à la source.
Laisser un commentaire