Chez un distributeur réglementé, une prévision n’est pas une suggestion ; elle déplace des produits avec une date de péremption, une chaîne du froid et une piste documentaire. Quand un inspecteur demande comment un chiffre de réapprovisionnement a été construit, « le modèle a décidé » n’est pas une réponse.
Dans la plupart des industries, une prévision de la demande est un simple appui interne ; si elle se trompe, quelqu’un recommande. En distribution pharmaceutique, le même chiffre s’inscrit dans une chaîne d’enregistrements qu’un régulateur peut exiger de voir. Il déclenche des commandes de produits portant un numéro de lot, une condition de stockage et une date de péremption. Il fixe le stock qui décide si un patient reçoit son médicament ou subit une rupture. Et il alimente les dépréciations, retours et destructions qui apparaissent dans les comptes. Chacun de ces évènements en aval est documenté, et la documentation, dans ce secteur, est encadrée.
Cet encadrement porte un nom. ALCOA, introduit par la FDA au début des années 1990 et étendu aujourd’hui en ALCOA+, exige que les enregistrements soient Attribuables, Lisibles, Contemporains, Originaux et Exacts, puis Complets, Cohérents, Durables et Disponibles. C’est l’exigence minimale sous le 21 CFR Part 211 et les règles de bonnes pratiques de distribution équivalentes en Europe. Le principe est simple à énoncer et difficile à feindre : vous devez pouvoir montrer qui a fait quoi, quand, sur quelles données, et obtenir le même résultat quand quelqu’un vérifie plus tard.
Confrontez un outil de planification classique en boîte noire ou agentique à cette exigence et les fissures apparaissent vite. La FDA définit une piste d’audit comme un enregistrement sécurisé, généré par ordinateur et horodaté, qui permet à un relecteur de reconstituer la création, la modification ou la suppression d’un enregistrement. Un modèle qui produit une quantité de réapprovisionnement que personne ne peut reconstituer n’a pas de piste d’audit ; il a une sortie. Si les mêmes données peuvent donner un chiffre différent la semaine suivante, l’enregistrement n’est pas Cohérent. Si personne ne peut expliquer, ligne par ligne, comment le chiffre a été construit, il n’est pas réellement Attribuable.
Ce n’est pas une crainte théorique. Les constats d’intégrité des données sont devenus l’une des causes les plus fréquentes des lettres d’avertissement et des observations Form 483 de la FDA ; selon une analyse, 61 % des lettres d’avertissement de 2021 contenaient un constat d’intégrité des données, et la revue des pistes d’audit est un axe annoncé des inspections de 2026. Une couche de planification incapable de montrer son travail est un constat d’intégrité des données qui ne demande qu’à être rédigé.
L’enjeu en rayon est tout aussi réel. Les ruptures de médicaments aux États-Unis ont atteint 323 ruptures actives début 2024, le plus haut niveau depuis le début du suivi en 2001. Une rupture est autant un échec de planification qu’un échec d’approvisionnement ; quand la prévision et la logique de réapprovisionnement ne peuvent être ni crues ni expliquées, les stocks de sécurité se règlent par la peur plutôt que par le calcul, et le résultat est la rupture de certains produits à côté des pertes de péremption sur d’autres.
La péremption est l’endroit où une planification opaque devient un chiffre au compte de résultat. Un produit daté, commandé sur une prévision que personne ne peut défendre, n’a pas de seconde chance ; il est mis en quarantaine, retourné ou détruit. Les montants ne sont pas négligeables, même à petite échelle : un déclarant pharmaceutique américain a vu ses dépréciations de stock périmé passer d’environ 22 000 dollars une année à environ 445 000 dollars l’année suivante, une multiplication par vingt, portée en grande partie par un seul trimestre. Étalez ce schéma sur le catalogue d’un distributeur, des milliers de références datées, et le fonds de roulement immobilisé dans un stock qui ne sera jamais vendu devient la taxe silencieuse sur toute l’exploitation.
Le plus cruel, c’est qu’un mauvais stock coûte deux fois. D’abord vous payez pour acheter et détenir un produit qui périme ; puis vous payez encore en ruptures et en commandes urgentes sur les articles que vous avez sous-commandés pendant que la trésorerie dormait au mauvais endroit. Une prévision que vous ne pouvez pas auditer a tendance à se tromper dans les deux sens à la fois.
La solution n’est pas d’abandonner les méthodes avancées ; c’est de tracer une ligne nette entre les parties du problème qui profitent de l’apprentissage et celles qui doivent être déterministes. Laissez les méthodes statistiques et d’apprentissage automatique affiner le signal de demande, là où davantage de recherche de motifs aide réellement. Mais les décisions qui créent des enregistrements réglementés, combien de stock de sécurité détenir pour un niveau de service donné, quand réapprovisionner, combien déprécier, doivent reposer sur un calcul transparent qui renvoie le même résultat à chaque fois et qu’un humain peut lire.
En pratique, cela signifie trois propriétés qu’un inspecteur peut vérifier. Reproductibilité : relancez le résultat du mois dernier sur les mêmes données et obtenez le chiffre identique. Traçabilité : montrez, pour n’importe quel chiffre, les entrées et les étapes qui l’ont produit. Durabilité : le chiffre survit à une revue six mois plus tard, quand le planificateur qui l’a produit est parti. Un système bâti ainsi ne combat pas l’audit ; il tend la piste à l’auditeur. C’est la différence entre un outil qui ajoute du risque réglementaire et un outil qui le réduit.
Lorsque la prévision alimente des enregistrements réglementés, commandes, stock au niveau du lot, dépréciations de péremption et décisions de rupture, les données et la logique sous-jacentes sont censées respecter les mêmes exigences ALCOA+ que les autres enregistrements BPx : attribuables, contemporaines, exactes, cohérentes et disponibles pour revue. Un chiffre impossible à reconstituer est une exposition d’intégrité des données.
Parce que le régulateur exige une piste d’audit : un enregistrement sécurisé et horodaté qui permet de reconstituer comment un chiffre a été créé. Un modèle incapable de reproduire la même sortie sur les mêmes entrées, ou d’expliquer comment une quantité de réapprovisionnement a été construite, ne peut pas fournir cette piste. La sortie existe ; l’enregistrement défendable, non.
Oui, si vous séparez l’apprentissage de la décision. L’apprentissage automatique peut affiner le signal de demande, tandis que les décisions qui créent des enregistrements réglementés (stock de sécurité, points de commande, dépréciations) reposent sur un calcul déterministe et transparent qui renvoie le même résultat à chaque fois et qu’une personne peut lire. Le modèle propose ; une méthode auditable dispose.
Pouvez-vous relancer le résultat du mois dernier sur les mêmes données et obtenir le chiffre identique ? Pouvez-vous montrer, ligne par ligne, comment un chiffre a été construit ? Ce chiffre survivra-t-il à un audit six mois plus tard ? Si la réponse à l’une est non, l’outil ajoute du risque réglementaire au lieu de le retirer.
En pharma, une prévision que vous ne pouvez pas reproduire n’est pas un problème de planification ; c’est un constat d’intégrité des données qui ne demande qu’à être rédigé.
Imaginez votre prochain S&OP : un seul chiffre a l’ecran que personne ne conteste, et une piste derriere lui qu’un auditeur pourrait suivre. Voyez-le gratuitement, sur vos donnees, en 45 minutes ; et s’il ne tient pas, on se quitte bons amis.