Logiciels d'Optimisation de Stocks d'Entreprise

Par Léon Levinas-Ménard

Dernière modification : 2 février 2025

Objectif : Cette étude classe les principaux fournisseurs de logiciels d’optimisation de stocks d’entreprise avec une approche stricte et basée sur des preuves. Nous pénalisons le marketing vague, les buzzwords “AI” non soutenus et le manque de véritables capacités stochastiques. Les critères clés incluent : (1) un soutien prouvé pour à la fois la prévision de la demande probabiliste et la prévision du délai d’exécution probabiliste (les fournisseurs qui omettent l’incertitude du délai d’exécution sont considérés comme non sérieux) ; (2) la crédibilité des fonctionnalités avancées (la cannibalisation, la “détection de la demande”, l’IA/ML, etc. doivent être soutenues par de véritables détails d’ingénierie ou être étiquetées comme fausses) ; (3) le niveau d’automatisation (une optimisation réellement autonome vs. nécessitant des ajustements manuels) ; et (4) la capacité à gérer des contraintes complexes (dates d’expiration, suivi en série/par lot, retours, tailles de lots, ruptures de prix, cannibalisation de produits, motifs “quasi-saisonniers” irréguliers, coûts de capacité de stockage, etc.).

Fournisseurs Classés

Ci-dessous se trouve un classement objectif des principaux fournisseurs d’optimisation de stocks, du plus au moins crédible, basé sur les critères ci-dessus. Chaque évaluation de fournisseur met en évidence les points forts, expose les faiblesses et cite des preuves de toute affirmation trompeuse.

1. Lokad – Pionnier Probabiliste avec une Transparence Totale

Aperçu : Lokad se distingue par une véritable approche probabiliste de la supply chain. Il modélise explicitement à la fois la variabilité de la demande et la variabilité du délai d’exécution, traitant les délais d’exécution comme des variables aléatoires prévisibles (et non comme des entrées fixes) ¹. Le système de Lokad fournit une “algèbre de variables aléatoires” – essentiellement un support de première classe pour les distributions de probabilité – permettant des calculs stochastiques complexes qui prennent en compte l’incertitude à chaque étape ² ³. Cette rigueur mathématique distingue Lokad des concurrents qui simulent souvent l’incertitude de manière ad hoc (ou ignorent complètement le risque du délai d’exécution).

Demande Probabiliste & Délais d’Exécution : Lokad répond clairement au critère de double prévision. Sa documentation souligne que “les délais d’exécution peuvent et doivent être prévus tout comme la demande” ¹. La plateforme peut produire des modèles de délai d’exécution probabilistes (par exemple, en utilisant des distributions log-logistiques) et les composer avec des prévisions de demande ¹ – une pierre angulaire pour des calculs de réapprovisionnement précis. En embrassant ces deux facettes de l’incertitude, Lokad évite l’écueil commun des autres outils qui supposent que les délais d’exécution sont statiques ou que les stocks de sécurité suffisent seuls.

Fonctionnalités Avancées (Cannibalisation, etc.) : Lokad fournit des détails d’ingénierie concrets sur les contraintes avancées. Il introduit une optimisation stochastique qui maximise la rentabilité attendue tout en respectant les contraintes spécifiques au client, y compris les effets inter-produits comme la cannibalisation et la substitution ⁴. Par exemple, Lokad peut modéliser comment les produits se cannibalisent mutuellement ou agissent comme des substituts, et incorporer ces relations dans la logique d’optimisation. Ce n’est pas juste une affirmation vague – elle est soutenue par une approche “programmatique” (le scripting Envision de Lokad) où les Supply Chain Scientists codent explicitement ces relations. De même, des phénomènes difficiles comme les retours sporadiques ou les taux de rebut peuvent être prévus de manière probabiliste et inclus dans les décisions ³. Les matériaux publics de Lokad se plongent dans ces détails techniques (par exemple, la prévision des retours pour le e-commerce ou la variabilité du rendement en production ⁵ ⁶), montrant des preuves de capacité. Il n’y a pas de dépendance à des buzzwords vides ; au lieu de cela, Lokad discute des méthodes (simulations de Monte Carlo, programmation probabiliste, etc.) et publie même des conférences sur la façon dont celles-ci sont mises en œuvre ⁷. Les affirmations d’IA/ML sont minimales – l’accent est mis sur des améliorations mesurables et basées sur des modèles.

Automatisation : L’automatisation complète est un objectif de conception central pour Lokad. La plateforme est conçue pour fonctionner sans surveillance : elle “automatise agressivement les tâches répétitives” dans l’optimisation de la supply chain ⁸. L’approche de Lokad est de faire en sorte que son moteur génère des décisions optimales (ordres d’achat, allocations de stocks, plans de production) sans une micromanagement humain constant. Beaucoup de ses clients font fonctionner le système en mode largement non surveillé, n’intervenant que sur les exceptions. Lokad fournit même un langage de programmation propriétaire (Envision) pour personnaliser la logique de décision, garantissant que tous les scénarios de routine sont gérés par le logiciel. L’entreprise souligne ouvertement que les recettes numériques automatisées à grande échelle guident les décisions quotidiennes, réduisant le besoin de SOP manuels ⁸. Cette explication claire de comment les décisions sont automatisées (via un script optimisé et une pipeline de résolution) est bien plus convaincante que les promesses génériques d’“automatisation IA” des concurrents.

Gestion des contraintes : Lokad supporte robustement les contraintes non triviales. Parce qu’il utilise un langage de modélisation flexible, il peut tenir compte des dates d’expiration (par exemple, en prévoyant des distributions de durée de vie et en forçant la “vente” avant l’expiration), le suivi des séries/lot (à travers des variables de stocks spécifiques à l’âge de l’inventaire ou au lot), les retours et les rénovations (en modélisant les probabilités de retour et les délais de retour ⁶), les tailles de lots/MOQs (intégrés à son optimisation en évaluant les quantités de lots discrets), les réductions de prix des fournisseurs ou les promotions (en optimisant le moment/la quantité des commandes pour maximiser le bénéfice de la remise par rapport au coût de détention ⁹), les effets de cannibalisation et de substitution (explicitement mentionnés comme gérés dans son moteur stochastique ⁴), la quasi-saisonnalité (sa prévision peut capturer des motifs saisonniers inhabituels via des modèles probabilistes), et les contraintes de stockage ou de capacité (en incorporant les coûts/penalités de capacité dans l’objectif d’optimisation). La documentation de Lokad indique même qu’il “reflète tous les moteurs économiques” liés aux décisions ¹⁰ et prend en compte les “contraintes uniques” par client - un niveau de détail absent de la plupart des descriptions des fournisseurs. En bref, Lokad démontre avec une clarté technique qu’il s’attaque à des scénarios réels complexes, plutôt que de faire des affirmations superficielles.

Verdict : Lokad se classe en tête grâce à son approche scientifique sans compromis et à sa transparence. C’est l’un des rares fournisseurs à mettre réellement en œuvre la prévision probabiliste (demande et offre) et la véritable optimisation stochastique ⁴. Le marketing trompeur est essentiellement nul - au lieu de battage médiatique, Lokad fournit des preuves (livres blancs, documents techniques) de la manière dont il obtient des résultats. Cette éthique de la vérité en premier, combinée à une forte automatisation et à une gestion des contraintes, fait de Lokad un choix exceptionnel pour les entreprises qui recherchent une optimisation des stocks de nouvelle génération sérieuse. La seule mise en garde est que l’approche de Lokad nécessite un état d’esprit quantitatif - elle est intentionnellement complexe sous le capot - mais la récompense est une solution ancrée dans la réalité plutôt que dans les mots à la mode.

2. Slimstock - Traditionaliste pragmatique (Honnête mais moins avancé)

Aperçu : Slimstock (avec son produit Slim4) représente une approche classique et grand public de l’optimisation des stocks. De manière unique, Slimstock est rafraîchissamment exempt de battage médiatique autour de l’IA. L’entreprise se concentre sur des méthodes éprouvées comme les calculs de stock de sécurité, la Quantité Economique de Commande (EOQ), et d’autres techniques standard de la supply chain ¹¹. La philosophie de Slimstock est de fournir des “solutions pratiques simples et directes plutôt que de faire des affirmations vagues sur l’‘IA’” ¹². Cette honnêteté et cet accent sur les bases ont valu à Slimstock une grande réputation de facilité d’utilisation et de fiabilité parmi les praticiens.

Capacités probabilistes : C’est ici que Slimstock est à la traîne selon les normes modernes. Slim4 ne fait pas explicitement la publicité de la prévision probabiliste de la demande, ni d’aucune forme de modélisation stochastique du délai d’exécution. Sa fonctionnalité tourne autour de la prévision déterministe traditionnelle (souvent par des méthodes de séries temporelles) combinée à des tampons (stocks de sécurité) pour gérer la variabilité. Bien que Slimstock tienne certainement compte des délais d’exécution dans ses calculs (les délais d’exécution sont une entrée pour calculer les points de réapprovisionnement et le stock de sécurité), il les traite comme des paramètres donnés, pas comme des variables aléatoires à prévoir. Il n’y a aucune preuve que Slim4 produise des distributions de probabilité complètes de la demande ou du délai d’exécution. Cela signifie que Slimstock, bien que robuste dans un sens classique, “ignore l’incertitude” de la manière granulaire que les méthodes probabilistes capturent ³. Selon nos critères, ne pas modéliser explicitement l’incertitude du délai d’exécution est une limitation sérieuse - un point contre la profondeur technique de Slimstock. Cependant, Slimstock atténue cela en étant au moins franc sur l’utilisation de méthodes simples ; il ne prétend pas avoir une technologie stochastique avancée. Pour de nombreuses entreprises, l’approche conservatrice de Slim4 donne des résultats acceptables, mais elle peut laisser de l’argent sur la table par rapport à une optimisation véritablement probabiliste.

Revendications de fonctionnalités avancées : Slimstock ne survend généralement pas les capacités qu’il n’a pas. Vous n’entendrez pas Slim4 se vanter de “détection de la demande pilotée par l’IA” ou de “prévisions basées sur l’apprentissage automatique”. En fait, cette approche sans fioritures est mise en avant comme un point positif : “Il est rafraîchissant de voir un fournisseur se concentrer sur les aspects pratiques… plutôt que sur des affirmations vagues sur l’IA.” ¹³. Cela dit, l’ensemble des fonctionnalités de Slimstock est relativement étroit. Les interactions complexes comme la cannibalisation de produits ou les effets de substitution ne sont pas un point central (vous devriez gérer cela par des ajustements manuels ou des analyses auxiliaires). De même, la gestion des choses comme les promotions, les facteurs causaux, ou les nouvelles techniques de ML est minimale. Slimstock excelle dans ce qu’il fait (prévision statistique, réapprovisionnement multi-échelons avec stock de sécurité) mais ne s’aventure pas en territoire de pointe - et à son crédit, il ne prétend pas le faire. Toutes les affirmations qu’il fait (par exemple, “niveaux de stock optimisés” ou “service accru avec moins de stock”) sont soutenues par une fonctionnalité simple, pas par une IA vague. Nous n’avons trouvé aucun mot à la mode alarmant comme “détection de la demande” dans les matériaux de Slimstock, ce qui indique un accent louable sur le fond plutôt que sur la forme.

Automatisation : Slim4 est conçu pour être facile à utiliser par les planificateurs, ce qui implique un mélange d’automatisation et de contrôle manuel. L’outil générera automatiquement des prévisions, des points de réapprovisionnement, et des objectifs de stocks pour des milliers de SKU à travers les échelons. Les utilisateurs fixent souvent des objectifs de taux de service et laissent Slim4 calculer les tampons de stock nécessaires. En pratique, Slimstock permet un processus semi-automatisé : les calculs de routine sont gérés par le système, mais les planificateurs examinent généralement les exceptions ou ajustent les paramètres. Slimstock ne claironne pas “supply chain entièrement autonome” dans son marketing - au contraire, il se positionne comme un outil de support à la décision pour le planificateur. L’absence d’une revendication claire d’automatisation “boîte noire” signifie que nous ne pouvons pas reprocher à Slimstock de cacher l’effort manuel ; ils s’attendent à ce que les utilisateurs restent dans la boucle. Cependant, par rapport aux fournisseurs qui s’efforcent d’une optimisation entièrement sans surveillance, l’approche de Slimstock peut nécessiter plus d’intervention de l’utilisateur (par exemple, mise à jour des prévisions pour les nouvelles tendances, gestion des articles proches de l’expiration manuellement, etc.). C’est un niveau d’automatisation pragmatique approprié pour de nombreuses entreprises de taille moyenne, sinon l’idéal théorique de l’optimisation “sans toucher”.

Gestion des contraintes : Dans la lignée de son approche classique, Slimstock gère les contraintes communes de la supply chain mais pas toutes les plus complexes. Dates d’expiration : Slim4 peut gérer un contrôle basique de la durée de vie en rayon (alertes pour les articles approchant de leur date d’expiration, rotation des stocks selon le principe du premier périmé, premier sorti), mais il ne fait probablement pas d’optimisation sophistiquée des produits périssables. Tailles de lots / MOQs : Oui, Slim4 prend en charge ces contraintes standard dans les calculs de réapprovisionnement. Multi-échelon : Le cœur de Slimstock est l’optimisation des stocks multi-échelons, il équilibre donc les stocks entre les emplacements, bien qu’il utilise des méthodes traditionnelles d’allocation de taux de service plutôt qu’une optimisation complète du réseau stochastique. Cannibalisation & substitution : largement non pris en charge de manière automatisée - les utilisateurs doivent ajuster manuellement les prévisions pour les transitions ou les chevauchements de produits, car les modèles de Slim4 ne sauront pas intrinsèquement que le produit B vole la demande du produit A. Retours, suivi en série : hors du champ des prévisions de Slim4, ceux-ci seraient gérés du côté ERP/entrepôt. La “quasi-saisonnalité” (pics de demande irréguliers, déclenchés par des événements) pourrait ne pas être capturée à moins que l’utilisateur ne les intègre manuellement dans les prévisions (par exemple, via des profils saisonniers ou des surcharges). Coûts de capacité de stockage : Slimstock suppose généralement une capacité infinie ou utilise des contraintes simplistes ; il ne réalise pas d’optimisation non linéaire complexe pour l’espace de stockage - cela nécessiterait à nouveau un ajustement humain (par exemple, les planificateurs abaissant les objectifs lorsque l’espace est serré). En résumé, Slimstock couvre les “pratiques banales mais critiques” ¹⁴ - il est très efficace pour la gestion des stocks de manuels (points de réapprovisionnement appropriés, stocks de sécurité, segmentation ABC, etc.), et il le fait avec intégrité. Pourtant, ce n’est pas l’outil pour modéliser chaque scénario ésotérique. Les entreprises avec des contraintes très complexes ou des modèles d’incertitude pourraient dépasser ce que Slim4 peut offrir.

Verdict : Slimstock obtient un rang élevé pour son honnêteté rafraîchissante et sa solide compréhension des fondamentaux. Il fournit une solution fiable sans recourir à un jargon à la mode ou à des promesses d’IA exagérées. Dans les environnements où les formules d’inventaire classiques suffisent, Slim4 donne des résultats et est apprécié pour son style convivial et sans fioritures. Cependant, selon nos critères stricts, Slimstock ne peut pas être considéré comme à la pointe de la technologie. Son absence de prévision probabiliste explicite (en particulier l’absence de modélisation de la distribution des délais d’exécution) est une lacune notable - ce qui le rend “non sérieux” pour les organisations qui exigent une quantification rigoureuse de l’incertitude. Nous tempérons cependant cette étiquette : Slimstock est sérieux en matière de gestion des stocks, mais dans un paradigme traditionnel. Dans l’ensemble, Slimstock est un excellent choix pour les entreprises qui privilégient la praticité aux mots à la mode, tant qu’elles comprennent ses limites en matière d’analyse avancée.

3. RELEX Solutions - Axé sur le commerce de détail, Analyse rapide - Des revendications élevées sous examen

Aperçu : RELEX Solutions a rapidement progressé, notamment dans le secteur du commerce de détail, en vantant une plateforme “pilotée par l’IA” pour la prévision de la demande et l’optimisation des stocks ¹⁵. La particularité de RELEX est un système “Live Plan” en mémoire qui donne aux utilisateurs une visibilité rapide et détaillée sur leurs stocks et leurs prévisions à travers les magasins et les centres de distribution. Cette architecture (souvent comparée à un cube OLAP ou à un “jumeau numérique”) permet des tableaux de bord en temps réel impressionnants et des analyses rapides de type “what-if”. RELEX se spécialise dans le commerce de détail et les produits frais, avec des fonctionnalités pour gérer les produits d’épicerie, les produits périssables et les promotions. En surface, RELEX semble très capable : il parle d’automatiser le réapprovisionnement, d’optimiser les allocations, et suggère même qu’il peut maintenir une disponibilité en stock de plus de 99%. Cependant, un examen plus approfondi révèle un mélange de forces et de faiblesses : une analyse en temps réel solide et quelques fonctionnalités uniques, mais des lacunes potentielles en matière d’optimisation profonde et de science de la prévision.

Demande probabiliste & Délais de livraison : RELEX fait-il vraiment de la prévision probabiliste ? L’entreprise fait beaucoup de publicité pour sa “prévision pilotée par l’IA”, mais les détails sont rares. RELEX ne publie pas de preuve de génération de distributions de probabilité complètes pour la demande comme le fait Lokad. Son objectif semble être d’améliorer les prévisions ponctuelles (en utilisant l’apprentissage automatique sur les données récentes - ce que certains appellent “la détection de la demande”) et de les utiliser ensuite dans les calculs de stocks. De manière critique, nous n’avons trouvé aucune mention de prévision probabiliste des délais de livraison dans les documents de RELEX. Les délais de livraison font certainement partie de la planification de RELEX (vous entrez les délais de livraison, et le système sait que des délais de livraison plus longs nécessitent des stocks de sécurité plus élevés), mais traiter le délai de livraison comme une variable aléatoire avec une distribution - il n’y a aucune indication que RELEX le fait. Compte tenu de nos critères, cette omission est grave. Un fournisseur qui n’aborde pas explicitement l’incertitude du délai de livraison est déficient. Le module de planification de RELEX utilise probablement un délai de livraison déterministe plus peut-être une marge pour la variabilité, ce qui est loin de l’optimisation stochastique réelle. En fait, l’approche globale de RELEX face à l’incertitude semble traditionnelle : elle utilise probablement des formules de stock de sécurité en interne. Une analyse indépendante a noté que la technologie de prévision de RELEX “semble être des modèles d’avant 2000”. ¹⁶ - suggérant qu’ils s’appuient sur des méthodes éprouvées (comme le lissage exponentiel) plutôt que sur une percée en matière de prévision probabiliste. Ainsi, bien que les prévisions de demande de RELEX puissent être plus granulaires (par exemple, quotidiennes, par magasin/SKU) et mises à jour fréquemment, nous ne trouvons aucune preuve de véritable prévision probabiliste au sens académique. Cela place RELEX derrière les fournisseurs qui modélisent bien les distributions complètes de la demande/délai de livraison.

Revendications de fonctionnalités avancées (IA, Cannibalisation, etc.) : Le marketing de RELEX utilise abondamment des termes comme “piloté par l’IA”, “apprentissage automatique”, et même “jumeau numérique”. Par exemple, il fait la publicité de “la prévision de la demande pilotée par l’IA et l’optimisation des stocks à plusieurs échelons” ¹⁵ et de “la rééquilibrage autonome des stocks” ¹⁷. Cependant, les détails techniques font défaut. RELEX explique rarement quels algorithmes ou techniques d’IA il utilise - un drapeau rouge sous notre examen. Les revendications de l’entreprise de gérer des défis avancés du commerce de détail méritent un examen :

Cannibalisation & Substitution : En théorie, ces éléments sont essentiels dans le commerce de détail (par exemple, les nouveaux produits remplacent les anciens, ou un article vole des ventes à un autre lorsqu’il est placé à proximité). L’architecture de RELEX pourrait en fait entraver la modélisation de ces éléments. Les observateurs notent que la conception en mémoire/OLAP de RELEX est “en contradiction avec l’optimisation à l’échelle du réseau et les modèles de demande du commerce de détail comme les substitutions et les cannibalisations”. ¹⁸ Parce que le système est conçu pour des requêtes rapides, il peut manquer la couche d’optimisation sophistiquée nécessaire pour simuler la perte de demande d’un produit comme le gain d’un autre. Nous n’avons pas trouvé de revendication explicite de RELEX pour résoudre la cannibalisation au-delà des déclarations génériques d’IA. Compte tenu de la complexité, nous soupçonnons que RELEX n’a pas une capacité explicite et prouvée de modéliser les effets de cannibalisation (du moins pas beaucoup au-delà de ce qu’un planificateur pourrait ajuster manuellement). Ainsi, toute revendication large selon laquelle son IA gère de telles interactions est non étayée - nous la traitons comme fausse jusqu’à preuve du contraire.
“Demand Sensing” : RELEX propose un module pour la détection de la demande à court terme (ingestion de données récentes de POS, météo, etc.). “Demand sensing” en tant que mot à la mode est un drapeau rouge connu - souvent surestimé avec peu de soutien scientifique ¹⁹. RELEX n’a pas publié de preuves évaluées par des pairs que sa détection de la demande donne de meilleurs résultats que les prévisions traditionnelles. Nous restons sceptiques à l’égard de tout fournisseur qui utilise ce terme sans données claires. À moins que RELEX ne puisse montrer comment leur modèle ML améliore quantitativement l’erreur de prévision en captant plus rapidement les pics ou les changements de demande, nous considérons les revendications de “demand sensing” comme du fluff marketing.
IA/ML : RELEX se positionne comme une solution moderne, alimentée par l’IA, mais qu’y a-t-il sous le capot ? L’imprécision des revendications est préoccupante. Nous savons que RELEX utilise l’apprentissage automatique pour des choses comme la prévision et l’optimisation des plans - mais jusqu’à présent, les exemples sont basiques (par exemple, utiliser la régression ML pour prédire les ventes quotidiennes, ce qui est bien mais pas révolutionnaire). Il n’y a aucun signe d’“optimisation stochastique” ou d’une algèbre de variables aléatoires dans l’approche de RELEX. Sans cela, dire qu’il est piloté par l’IA est quelque peu trompeur. De plus, les résultats de disponibilité de plus de 99% vantés par RELEX semblent exagérés - les enquêtes de l’industrie sur la disponibilité en rayon dans le commerce de détail réfutent de tels chiffres élevés ²⁰. Cela suggère un écart entre le marketing et la réalité.

Sur une note positive, RELEX a des capacités tangibles qui sont précieuses :

Il peut optimiser les chargements de camions et le regroupement des commandes (par exemple, les taux de remplissage pour les conteneurs) dans le cadre de la planification du réapprovisionnement ¹⁷ ²¹.
Il comprend une fonctionnalité d’“achat anticipé intelligent” ⁹ pour exploiter les remises des fournisseurs - ce qui implique qu’il peut calculer des scénarios d’achat de stocks supplémentaires maintenant ou plus tard pour maximiser les économies de coûts. Cela répond à certain degré aux contraintes de rupture de prix.
RELEX se concentre fortement sur la nourriture fraîche et la réduction du gaspillage. Il prétend explicitement * “prendre en compte les dates d’expiration pour l’inventaire en main afin d’identifier les stocks proches de l’expiration et d’exécuter les sorties forcées et les réductions nécessaires.”* ²². De plus, RELEX prend en charge le suivi des stocks par lot pour gérer l’expiration et les transformations de produits pour les produits frais (par exemple, le vieillissement des coupes de viande) ²³. Ce sont des fonctionnalités concrètes, pas seulement des mots à la mode, montrant que RELEX a investi dans la gestion des produits périssables - un domaine que certains autres négligent. Ainsi, bien que RELEX n’ait pas de mathématiques stochastiques sophistiquées, il traite des problèmes réels du commerce de détail (comme l’expiration et le gaspillage) grâce à des heuristiques et des règles commerciales. Nous créditons RELEX pour ces capacités pratiques.

Architecture & Performance : L’architecture en mémoire de RELEX (utilisant souvent des bases de données colonnaires dans le cloud) lui confère de la rapidité, mais à un coût. Elle “fournit des rapports en temps réel impressionnants mais garantit des coûts matériels élevés” ²⁴. De plus, ces architectures ont souvent du mal à faire face à l’augmentation de la complexité des problèmes. Par exemple, l’extension à l’optimisation globale (envisageant tous les emplacements et produits simultanément pour l’optimisation) est difficile si le système est essentiellement un grand cube OLAP. RELEX peut s’appuyer sur des algorithmes assez simplistes pour prendre des décisions rapidement (par exemple, des heuristiques avides pour rééquilibrer les stocks entre les magasins). C’est suffisant pour la réactivité, mais cela peut ne pas trouver la solution optimale qu’une approche stochastique plus lente pourrait trouver. De plus, les mises à jour en temps réel sont moins pertinentes si vous ne modélisez pas correctement l’incertitude - vous pourriez réagir instantanément à un changement de demande, mais si vous n’avez jamais quantifié l’incertitude au départ, vous ne faites que poursuivre le dernier point de données (un écueil potentiel de “chasse aux prévisions”).

Automatisation : RELEX met l’accent sur l’automatisation dans les opérations. Il fait la publicité de * “l’automatisation et la rationalisation des processus complexes d’optimisation des stocks”* ²⁵ et présente des fonctionnalités comme * “automatiser votre rééquilibrage des stocks”* ¹⁷ et * “répondre en temps réel”* aux changements de demande avec des commandes automatiques ²⁶. En pratique, RELEX peut effectivement générer automatiquement des commandes de réapprovisionnement de magasin, des transferts entre magasins et des commandes de remplacement pour les stocks expirant avec une intervention humaine minimale. De nombreux utilisateurs de RELEX exécutent un réapprovisionnement automatique quotidien où les planificateurs n’interviennent que dans des cas exceptionnels. Cependant, RELEX n’explique pas en profondeur sa logique d’automatisation. Par exemple, comment décide-t-il exactement de “déclencher des sorties forcées” de produits expirant ? Y a-t-il un modèle d’optimisation équilibrant le coût de la réduction par rapport au gaspillage, ou simplement un seuil de règle (par exemple, vendre si dans les 2 jours d’expiration) ? De tels détails ne sont pas publics. Donc, bien que nous croyons que RELEX peut bien automatiser les tâches de routine, nous pénalisons le manque de transparence. Il s’agit probablement d’une automatisation basée sur des règles, qui fonctionne mais n’est pas aussi élégante qu’une politique optimisée. Néanmoins, comparé aux anciens systèmes d’entreprise qui nécessitaient une planification manuelle lourde, RELEX est un grand pas en avant en matière d’automatisation. Soyez simplement conscient que l’étiquette “autonome” pourrait exagérer - un certain réglage par les planificateurs (par exemple, la définition des paramètres pour ces règles) est nécessaire pour maintenir l’efficacité de l’automatisation.

Gestion des contraintes : RELEX obtient de bons résultats sur plusieurs contraintes complexes, en particulier pour les besoins spécifiques au commerce de détail :

Expiration et produits périssables : Comme mentionné, RELEX a de solides fonctionnalités ici (suivi au niveau du lot, projections de gaspillage, planification automatique de réduction pour les produits proches de l’expiration) ²². Cela indique que RELEX peut gérer les produits à courte durée de conservation de manière automatisée - crucial pour les épiceries.
Regroupement / Chargements de camions : RELEX optimise le remplissage des camions et respecte les minimums/arrondis de commande ¹⁷ ²¹. Il mentionne spécifiquement la prévention de l’expédition “d’air” en remplissant de manière optimale les camions, ce qui montre une attention aux contraintes de coût de transport.
Ruptures de prix / promotions : La fonction d’achat anticipé ⁹ suggère que RELEX recommandera d’acheter à l’avance avant une augmentation de prix ou pour obtenir une remise en vrac, en l’équilibrant avec le coût de détention. C’est une contrainte sophistiquée que de nombreux systèmes ignorent.
Cannibalisation/substitution : Point faible - comme discuté, probablement pas résolu explicitement par le moteur de RELEX.
Retours : Dans le commerce de détail (surtout le e-commerce), les retours peuvent être significatifs (mode, etc.). RELEX dispose d’un module de * “prévision des stocks”* qui mentionne la prise en compte du gaspillage et pourrait probablement considérer les retours ²⁷, mais les détails ne sont pas clairs. On peut supposer que le traitement des retours est géré dans l’ERP, et non prévu par la planification de la demande de RELEX.
Quasi-saisonnalité : RELEX peut prévoir la demande saisonnière (il gère par exemple les profils saisonniers hebdomadaires pour chaque produit/magasin). Pour les modèles de demande irréguliers, son ML pourrait en capter certains, mais sans documentation explicite, nous ne pouvons pas confirmer. Il gère probablement les promotions comme des événements spéciaux (avec des prévisions de levée séparées) - assez standard dans les solutions de vente au détail.
Capacité de stockage : RELEX peut modéliser la capacité des étagères des magasins à un certain degré (ne pas commander au-delà de l’espace d’étagère, etc.) dans le cadre de son intégration de planogramme. Pour la capacité du DC, pas sûr - peut-être une approche basée sur les alertes.
Multi-échelon : RELEX fait de la planification multi-échelon (magasin-DC-fournisseur). Cependant, la conception en temps réel pourrait entrer en conflit avec une optimisation véritablement optimale des stocks multi-échelons ¹⁸. Le système pourrait optimiser chaque échelon avec des heuristiques plutôt qu’un modèle stochastique holistique à travers les échelons. C’est une nuance : oui, il fait du multi-échelon (en pratique, de nombreux clients l’utilisent pour remplacer les outils multi-échelons hérités), mais le fait-il de manière optimale ? Probablement pas de manière mathématiquement rigoureuse - plutôt comme une optimisation séquentielle (prévision en magasin -> approvisionnement à partir du DC -> approvisionnement du DC à partir du fournisseur avec des tampons à chaque étape).

Verdict : RELEX se classe parmi les meilleurs concurrents, en particulier pour les détaillants et les entreprises de produits frais. Ses points forts résident dans des fonctionnalités pratiques (gestion des produits périssables, analyses rapides, visibilité de la supply chain, gestion des promotions) et une UX moderne, qui la différencie clairement des logiciels de planification hérités. Cependant, sous notre microscope en quête de vérité, RELEX perd des points pour des revendications d’IA non prouvées et un manque de profondeur probabiliste. L’utilisation intensive de buzzwords sans méthodologie accompagnante (pas d’algorithmes publiés ou d’études de performance) signifie que nous devons traiter sa marque “IA” avec scepticisme ²⁸. De plus, en ignorant la prévision du délai d’exécution et en s’appuyant sur des modèles de prévision plus anciens, RELEX peut ne pas fournir l’optimum théorique - il fournit une bonne solution pratique, mais pas la plus avancée scientifiquement. Les entreprises qui évaluent RELEX devraient insister pour obtenir des précisions sur la manière dont il gère l’incertitude et les interactions complexes ; sinon, supposez que beaucoup de son intelligence provient des règles commerciales et de la configuration de l’utilisateur plutôt que de la magie de l’IA. En résumé, RELEX est un acteur crédible avec quelques innovations véritables en termes d’utilisabilité, mais il reste partiellement “boîte noire” et possiblement surévalué dans son marketing. Nous le classons haut, mais en dessous des approches véritablement probabilistes et axées sur le détail.

4. ToolsGroup - Joueur “Probabiliste” Hérité - Revendications Incohérentes

Aperçu : ToolsGroup est présent dans le domaine de l’optimisation des stocks depuis des décennies (fondé en 1993) avec son logiciel phare SO99+ (Service Optimizer 99+). ToolsGroup se positionne fortement sur la “prévision probabiliste” et la planification des stocks basée sur le taux de service. En fait, ToolsGroup a sans doute été le pionnier de l’idée d’utiliser les distributions de la demande pour déterminer les niveaux de stocks au début des années 2000. Ils annoncent également des capacités en matière de planification de la demande, de “détection de la demande”, d’optimisation multi-échelons, et même de tarification (avec des add-ons comme Price.io). Cependant, le message de ToolsGroup ces dernières années soulève de sérieuses questions. L’entreprise utilise librement des mots à la mode comme AI/ML et se vante de l’automatisation, mais leurs documents publics sont souvent contradictoires ou manquent de substance technique. Nous observons un mélange de fonctionnalités solides (le cœur mathématique de SO99+ pour les stocks est solide, basé sur la recherche opérationnelle classique) et de fluff marketing qui ne tient pas la route (par exemple, discuter de prévisions probabilistes tout en citant des erreurs MAPE, ce qui est conceptuellement faux ²⁹).

Demande probabiliste & délais d’exécution : En surface, ToolsGroup prétend être tout au sujet de la prévision probabiliste. Par exemple, leurs brochures disent que ToolsGroup utilise la “prévision de probabilité” avec les paramètres d’approvisionnement (délai d’exécution, etc.) pour optimiser les niveaux de stocks ³⁰. En effet, SO99+ peut générer une “courbe de stock-service” - montrant essentiellement la distribution de la demande sur le délai d’exécution et le taux de service atteint pour un investissement en stocks donné ³⁰. Cela indique que ToolsGroup modélise dans une certaine mesure l’incertitude de la demande. Cependant, il y a un hic : l’approche de ToolsGroup en matière de prévision probabiliste semble à moitié cuite et dépassée. Notamment, depuis 2018, ils ont commencé à faire la promotion des “prévisions probabilistes” dans le marketing, tout en parlant simultanément d’améliorations du MAPE (Mean Absolute Percent Error) ²⁹. C’est incohérent - le MAPE est une mesure de l’exactitude des prévisions ponctuelles et “ne s’applique pas aux prévisions probabilistes.” ²⁹ Une telle confusion évidente suggère que l’initiative probabiliste de ToolsGroup pourrait être plus du buzz que de la réalité. C’est comme s’ils avaient ajouté une sortie probabiliste mais l’évaluaient toujours avec de vieux indicateurs, sapant la crédibilité de l’ensemble de l’entreprise.

En ce qui concerne la prévision des délais d’exécution : les documents de ToolsGroup ne mentionnent pas la prévision des délais d’exécution en tant que variables aléatoires. Les délais d’exécution sont traités comme des paramètres d’entrée (éventuellement avec des hypothèses de variabilité) plutôt que comme quelque chose que le logiciel prévoit à partir des performances historiques du fournisseur. Leur fiche technique montre que le délai d’exécution est l’un des “paramètres d’approvisionnement” introduits dans le modèle ³⁰. Donc, si un utilisateur fournit un délai d’exécution prévu et peut-être un écart type, SO99+ en tiendra compte dans les calculs de stocks de sécurité - mais il ne semble pas que ToolsGroup génère une distribution de probabilité dynamique des délais d’exécution par lui-même. C’est une distinction cruciale. Un système véritablement probabiliste reconnaîtrait, par exemple, si les délais d’exécution d’un certain fournisseur ont 20% de chances de doubler (peut-être à cause des retards douaniers) et en tiendrait compte dans les niveaux de stocks optimaux. Nous ne voyons aucune preuve que ToolsGroup effectue ce niveau d’analyse. Par conséquent, selon notre mesure stricte, ToolsGroup échoue au test probabiliste complet - il mentionne les délais d’exécution uniquement en tant qu’entrées statiques, et non en tant qu’incertitudes prévues. Ce manque de modélisation explicite des délais d’exécution rend l’étiquette “probabiliste” de ToolsGroup quelque peu superficielle. Nous considérons cela comme une lacune sérieuse : un fournisseur qui se positionne comme probabiliste mais qui ignore une source majeure d’incertitude ne respecte pas pleinement ses engagements.

Revendications de fonctionnalités avancées : ToolsGroup déclenche malheureusement plusieurs drapeaux rouges dans ce domaine :

L’entreprise a fait des revendications générales sur l’“IA” dans son logiciel, qui sont douteuses ³¹. Il y a peu d’informations publiques sur les techniques d’IA (si elles existent) que ToolsGroup déploie réellement. Leurs algorithmes hérités précèdent le boom de l’IA, étant plus enracinés dans les statistiques/OR. Il semble que l’étiquette “IA” soit plutôt une rétrofit marketing. Par exemple, ToolsGroup a acquis une startup d’IA (peut-être pour renforcer son image), mais leur produit principal ne devient pas soudainement basé sur le deep learning. Sans explications techniques concrètes (que ToolsGroup n’a pas fournies publiquement), nous considérons leurs revendications d’IA comme non fondées.
Détection de la demande : ToolsGroup propose un module pour la “détection de la demande” (ajustement de prévision à court terme en utilisant des données en aval). Cependant, une analyse indépendante trouve que les revendications sur la ‘détection de la demande’ (par ToolsGroup) ne sont pas soutenues par la littérature scientifique. ¹⁹ En d’autres termes, ToolsGroup dit qu’il peut détecter les changements de demande via l’IA, mais il n’y a aucune preuve que cette approche est efficace au-delà de ce que les statistiques conventionnelles ou un planificateur humain pourraient faire. Étant donné que la “détection de la demande” est un buzzword connu souvent utilisé de manière lâche, nous dévaluons fortement cette revendication. À moins que ToolsGroup ne puisse montrer, par exemple, une étude de cas examinée par des pairs démontrant que son algorithme de détection de la demande donne de meilleurs taux de stock, nous le considérons comme du vaporware. Cela s’aligne avec les critiques d’experts qui qualifient de telles fonctionnalités de “vaporware” chez les fournisseurs si aucune preuve n’est donnée ³².
Cannibalisation, Promotions, ML : ToolsGroup ne fait pas la publicité de la modélisation avancée de la cannibalisation ou des effets inter-produits - probablement parce qu’il n’excelle pas dans ce domaine. Si on les presse, ils pourraient dire “notre machine learning peut gérer des modèles complexes”, mais encore une fois sans détails. Nous n’avons trouvé aucune documentation sur ToolsGroup mettant en œuvre, disons, une matrice de substitution ou un modèle de taux d’attachement pour lier les demandes de produits. Par conséquent, toute implication que ToolsGroup optimise à travers des produits interactifs n’est pas crédible sans preuve. De même, ils mentionnent l’utilisation de modèles auto-adaptatifs et de machine learning, mais les méthodes suggérées (par exemple, une sorte de reconnaissance de motifs) semblent assez standard et possiblement dépassées. En fait, les documents publics laissent entendre que ToolsGroup utilise encore des modèles de prévision d’avant 2000 ³³ (comme la méthode de Croston pour la demande intermittente, peut-être ARIMA pour d’autres). Rien de mal à cela en soi, mais cela contredit le récit brillant de l’IA.

En résumé, l’habitude de ToolsGroup de mélanger des buzzwords modernes avec des techniques à l’ancienne est préoccupante. Cela suggère un rafraîchissement axé sur le marketing et non soutenu par une véritable R&D. Par exemple, le site web de ToolsGroup parle d’“automatisation pour surmonter les défis” ³⁴ et d’autres platitudes similaires, mais lorsqu’il est examiné, il décrit essentiellement ce que leur logiciel a toujours fait (optimisation des stocks multi-échelons) maintenant étiqueté comme IA.

Automatisation : ToolsGroup a toujours présenté sa solution comme étant hautement automatisée et basée sur les “exceptions”. Ils soulignent souvent que SO99+ est très automatisé, nécessitant un minimum d’intervention de l’utilisateur une fois configuré. Un commentaire de l’IDC dans leur brochure note que “malgré sa puissance… ToolsGroup MEIO est hautement automatisé pour un coût de possession extrêmement bas.” ³⁵. En effet, de nombreux déploiements de ToolsGroup fonctionnent automatiquement pour produire des propositions de réapprovisionnement quotidiennes ou hebdomadaires que les planificateurs examinent ensuite. Cependant, nous critiquons le manque de clarté sur la façon dont les décisions sont prises de manière autonome. ToolsGroup n’explique pas un “moteur de décision autonome” au-delà de dire que les modèles s’ajustent et produisent des recommandations. Les principaux défis de l’automatisation - comme la façon d’ajuster dynamiquement les politiques de commande lorsque les tendances changent, ou comment éviter de poursuivre la variabilité - ne sont pas détaillés. Nous soupçonnons que l’automatisation de ToolsGroup se situe principalement dans la prévision et le calcul du niveau de stock (le système met à jour les prévisions et recalcule les niveaux min/max ou les suggestions de commande sans travail manuel). C’est précieux, mais standard pour ce type de logiciel. Sans plus de détails techniques, nous ne pouvons pas donner à ToolsGroup un crédit supplémentaire ici. Ils répondent à la base de l’automatisation attendue d’un logiciel d’optimisation des stocks (et ce depuis des années), mais toute implication qu’il s’agit d’une supply chain entièrement autonome est une hyperbole. Notamment, ToolsGroup nécessite une configuration importante (objectifs de taux de service pour chaque article, règles de segmentation, etc.), qui sont souvent définis manuellement par les planificateurs ou les consultants. Si ceux-ci sont erronés, l’automatisation peut produire des résultats médiocres. ToolsGroup n’a pas formulé d’IA qui choisit automatiquement les niveaux de service optimaux ou ajuste les politiques par elle-même - des tâches qui incombent toujours aux humains. Par conséquent, nous disons que ToolsGroup fournit de bons calculs automatisés mais pas une véritable planification autonome de bout en bout dans un sens moderne.

Gestion des contraintes : Historiquement, SO99+ de ToolsGroup était fort en mathématiques de base des stocks mais plus faible en contraintes marginales :

Multi-échelon : Oui, il a été conçu pour l’optimisation des stocks multi-échelons. Il peut optimiser les tampons de stock à travers un réseau compte tenu de l’incertitude (principalement via une approche de “niveau de service cible”). C’est un plus - il peut gérer les réseaux de DC et de magasins assez bien, en s’assurant que le bon stock est au bon échelon pour atteindre les objectifs de service.
Variabilité du délai de livraison : Il en tient compte dans le stock de sécurité (si vous fournissez un paramètre pour la variance du délai de livraison, il l’inclura dans le calcul du stock). Mais comme nous l’avons noté, il ne prévoit pas les délais de livraison ni ne les planifie en scénario.
Tailles de lots, MOQs : ToolsGroup peut gérer ces contraintes d’approvisionnement standard. Vous pouvez entrer des multiples de taille de lot, des quantités minimales de commande, et il recommandera des commandes respectant celles-ci.
Dates d’expiration : ToolsGroup n’est pas connu pour l’optimisation des stocks périssables. Il n’a probablement pas de logique spécialisée pour la durée de vie en rayon (et nous n’en avons trouvé aucune mention). Un utilisateur devrait traiter les articles expirant manuellement ou comme un SKU distinct par date d’expiration (ce qui est encombrant). C’est une limitation pour des industries comme l’alimentation/les produits chimiques. Contrairement à RELEX qui s’attaque explicitement à la détérioration, ToolsGroup semble se concentrer sur le stockage “non expirable”.
Suivi par série/lot : Hors de portée pour la planification - c’est plus une exécution/ERP. ToolsGroup n’optimise pas au niveau de la série.
Cannibalisation & substitution : La philosophie de ToolsGroup est principalement la prévision univariée (chaque demande de SKU est prévue individuellement, peut-être avec quelques entrées de régression). Il ne modélise pas nativement “si le produit A est en rupture de stock, une partie de la demande va au produit B” ou similaire. Un utilisateur sophistiqué pourrait ajuster les prévisions pour tenir compte de cela, mais l’outil lui-même n’offre aucune fonctionnalité explicite. Il échoue donc sur ce compte de contrainte avancée.
Retours : ToolsGroup gère principalement la nouvelle demande et l’approvisionnement. Il ne prévoit pas les retours dans le commerce de détail ou les rendements de remanufacture de manière native. Les utilisateurs doivent incorporer les retours moyens dans la demande nette si nécessaire.
Quasi-saisonnalité : Si les motifs sont irréguliers, les anciens modèles de ToolsGroup pourraient avoir du mal. Sans ML moderne, il pourrait ne pas capter les moteurs de demande complexes. Ils mentionnent le ML, mais comme nous le soupçonnons, il pourrait être simpliste. Ainsi, des motifs inhabituels pourraient être manqués (entraînant soit des ruptures de stock, soit des excédents si les planificateurs n’interviennent pas manuellement).
Stockage/Capacité : Pas un focus. ToolsGroup optimise les stocks pour le compromis service/coût mais suppose que vous avez de l’espace pour stocker le stock recommandé. Il ne résout pas les problèmes de type sac à dos d’espace limité ou de budget à moins que vous ne simuliez manuellement des scénarios.

Dans l’ensemble, ToolsGroup couvre bien les contraintes de stocks de base et les plus courantes (multi-échelons, MOQs, incertitude de la demande dans une certaine mesure). Il est à court sur les défis plus récents ou spécialisés. Notamment, ToolsGroup manque d’une perspective moderne d’optimisation financière - c’est-à-dire qu’il ne maximise pas directement le profit ou ne minimise pas le coût total sous contraintes ; au lieu de cela, il fonctionne généralement par des objectifs de taux de service. Cette approche peut être sous-optimale si, par exemple, deux produits ont des marges de profit très différentes - un optimiseur probabiliste allouerait des stocks pour maximiser le profit attendu, alors que ToolsGroup pourrait les traiter de manière égale s’ils partagent un objectif de service. Cette nuance fait partie de la raison pour laquelle la technologie de ToolsGroup, bien qu’elle soit solide en son temps, est maintenant en train de montrer son âge.

Verdict : ToolsGroup se trouve dans une position intéressante. C’est un fournisseur de longue date avec un produit stable et capable, et il a été l’un des premiers à aller au-delà de la planification purement déterministe. Cependant, dans une comparaison basée sur la vérité, ToolsGroup obtient une critique mitigée. Nous applaudissons le fait qu’il parle le langage de l’inventaire probabiliste - ce concept est absolument correct - mais nous devons “exposer” le fait que ToolsGroup ne marche pas complètement le chemin. Le marketing incohérent (PF + MAPE ²⁹) et le manque de preuves d’une véritable optimisation stochastique (pas de “algèbre des variables aléatoires” publiée dans leur pile technologique, par exemple) signifient que les revendications probabilistes de ToolsGroup sont sur un terrain instable. En pratique, il peut ne faire guère plus que calculer le stock de sécurité en utilisant des distributions de probabilité - utile, mais pas révolutionnaire. Nous pénalisons sévèrement ToolsGroup pour s’appuyer sur des mots à la mode comme l’IA et la détection de la demande sans fondement. Ces revendications fallacieuses connues ³⁶ nuisent à sa crédibilité. Cela dit, de nombreuses entreprises ont obtenu de bons résultats avec le logiciel de ToolsGroup en réduisant les stocks et en améliorant le service - ce n’est pas de l’huile de serpent ; ce n’est tout simplement pas aussi avancé que commercialisé. Nous classons ToolsGroup en dessous des acteurs véritablement innovants, mais au-dessus des pires contrevenants, car au cœur de son activité, il dispose d’un moteur mathématiquement solide (bien qu’ancien) et d’une large fonctionnalité (prévision + stocks + réapprovisionnement en un). Les utilisateurs potentiels devraient exiger que ToolsGroup démontre ses soi-disant capacités d’IA/probabilistes sur des données réelles ; sinon, considérez-les comme de simples étiquettes sur ce qui est essentiellement un package d’optimisation des stocks bien réglé, mais conventionnel.

5. GAINS Systems - Solution vétéran, expertise du domaine atténuée par le battage médiatique

Présentation : GAINSystems est un acteur plus ancien (fondé en 1971 !) qui propose une suite complète de planification de la supply chain, avec une spécialité en optimisation des stocks et analyse de la supply chain. Leur logiciel (GAINS) a historiquement été reconnu pour son solide soutien des pièces de service et des stocks MRO (Maintenance, Réparation & Opérations) - des domaines à demande intermittente où GAINS s’est fait un nom. GAINS Systems propose des modules pour la prévision de la demande, l’optimisation des stocks (y compris multi-échelon), S&OP, etc., similaires en portée à ToolsGroup. Ces dernières années, GAINS a essayé de moderniser son image, en parlant d’"optimisation en tant que service" et en intégrant l’apprentissage automatique. Cependant, tout comme ToolsGroup, GAINS souffre d’inflation marketing : il fait maintenant la promotion de “AI/ML” et de “détection de la demande” sans preuve convaincante, et ses techniques de base semblent rester les modèles de prévision classiques, d’avant 2000 qu’il a toujours utilisés ³⁷.

Demande probabiliste & délais de livraison : GAINS ne met pas en avant publiquement la prévision probabiliste. Il utilise probablement des modèles statistiques traditionnels (Croston pour la demande intermittente, peut-être le bootstrap pour la demande de délai de livraison). Nous n’avons vu aucune mention explicite de l’incertitude de prévision du délai de livraison - un signe révélateur que GAINS, lui aussi, pourrait être en défaut sur ce front. L’accent de GAINS est souvent mis sur l’atteinte d’un taux de remplissage ou de service au coût minimum, ce qui implique certaines considérations stochastiques (similaires à la façon dont on fixerait un stock de sécurité). Mais les détails de mise en œuvre sont rares. GAINS a tendance à mettre l’accent sur les résultats (“améliorer le service, réduire les stocks”) plutôt que sur la façon dont il les calcule exactement. L’absence de langage probabiliste clair nous amène à croire que GAINS repose largement sur des méthodes déterministes ou semi-analytiques : par exemple, il peut supposer une variance de la demande et une variance du délai de livraison et les insérer dans des formules plutôt que de produire des distributions complètes. Selon nos critères, GAINS ne se distingue pas comme un leader en matière de prévision probabiliste. Nous le classons comme un autre outil qui probablement utilise des calculs classiques de stock de sécurité et peut-être une certaine simulation, mais ne traite pas les délais de livraison comme des variables aléatoires prévisibles. Par conséquent, GAINS serait classé comme “non sérieux” en termes de rigueur probabiliste - il ne fait pas la publicité de cette capacité, et nous doutons qu’il l’ait.

Revendications de fonctionnalités avancées : GAINS a commencé à lancer des mots à la mode alors qu’il se repositionne pour les années 2020. Leur message comprend des revendications de “précision supérieure” grâce à des algorithmes propriétaires et même des mentions d’apprentissage automatique pour le matching et le clustering ³⁸. Décortiquons :

“Précision supérieure” des prévisions : GAINS prétendrait que ses prévisions sont plus précises que celles de ses concurrents. Cependant, une analyse qualifie cela de douteux, notant que l’algorithme propriétaire de GAINS n’est pas vu en tête de liste dans les principales compétitions de prévision ³⁹. En effet, une affirmation était que l’algorithme “Procast” de GAINS surpasse les autres, mais il est absent des rangs supérieurs des compétitions comme la compétition de prévision M5 ³⁹. Cela jette un sérieux doute - si GAINS avait une technologie de prévision de classe mondiale, elle devrait briller dans les benchmarks objectifs, mais ce n’est pas le cas. Ainsi, nous rejetons la vantardise de précision de GAINS comme non prouvée. En fait, les méthodes open-source (comme celles des packages R du Dr Rob Hyndman) font probablement mieux ⁴⁰.
Détection de la demande & ML : GAINS commercialise la “détection de la demande” et utilise des termes comme le clustering ML. L’examen indépendant est sans équivoque : “Des techniques comme la ‘détection de la demande’ sont du vaporware, non soutenues par la littérature scientifique. [Et] Les éléments ML mis en avant, tels que le matching et le clustering, sont également des techniques d’avant 2000.” ³². Cela indique que GAINS pourrait habiller des pratiques statistiques assez standard comme s’il s’agissait de nouvelles IA. Par exemple, regrouper des éléments similaires pour les prévoir ou les classer est une pratique vieille de plusieurs décennies, pas de l’apprentissage machine de pointe. Le fait qu’ils mettent cela en avant suggère que le “ML” de GAINS est rudimentaire - certainement rien de comparable à l’apprentissage profond ou à la programmation probabiliste avancée. Nous pénalisons donc GAINS pour la conformité aux buzzwords : ils cochent les cases (IA, ML, etc.) en marketing, mais n’offrent aucun détail ou percée pour le soutenir. Ce comportement s’aligne avec le schéma plus large que nous critiquons dans l’industrie : l’utilisation de termes à la mode sans substance.
Optimisation en tant que service : GAINS a parlé de passer à un modèle de service cloud, laissant entendre que vous pouvez leur fournir des données et obtenir des résultats d’optimisation. Bien que ce soit une stratégie de déploiement moderne, cela ne signifie pas nécessairement que l’optimisation elle-même est avancée. Nous soupçonnons que les méthodes de résolution sous-jacentes de GAINS restent similaires ; seul le modèle de livraison (cloud/SaaS) change. Rien de mal à cela, mais ce n’est pas un différenciateur en termes de capacité (de nombreux fournisseurs proposent maintenant des solutions cloud).

Sur une note positive, GAINS Systems est connu pour son expertise approfondie dans certains secteurs :

Ils comprennent parfaitement la planification des pièces de rechange (par exemple, la modélisation des pièces à mouvement lent, les contrats de taux de service, les rendements de la boucle de réparation). Leur logiciel peut probablement gérer des scénarios comme la prévision des retours d’unités réparables ou la prise en compte des taux de rebut, que les outils d’inventaire généraux pourraient ne pas gérer. C’est quelque peu spéculatif, mais compte tenu de leur longévité dans ce domaine, c’est probable.
GAINS a la réputation d’offrir un solide support client et de travailler en étroite collaboration avec les planificateurs - mais cela signifie souvent que la solution est augmentée par du conseil plutôt que d’être entièrement automatisée.

Automatisation : GAINS promeut l’idée d’automatiser la gestion des stocks (leur site web dit même “Automatisez votre système de gestion des stocks avec GAINS” ⁴¹). L’outil peut certainement automatiser la génération de prévisions et de politiques d’inventaire. GAINS soutient la planification continue : mise à jour des recommandations à mesure que de nouvelles données arrivent. Cependant, nous manquons de détails sur son autonomie réelle. Nous soupçonnons, comme d’autres, qu’il automatise les calculs mais attend que les planificateurs approuvent les décisions finales. GAINS a introduit une initiative (“méthodologie P3”, etc.) qui pourrait infuser plus d’optimisation continue. Sans preuve explicite, nous restons neutres : GAINS fournit probablement un niveau d’automatisation typique pour un outil d’entreprise - bon, mais pas notablement meilleur que ses pairs. Il convient de noter que GAINS est une entreprise plus petite, et les fournisseurs plus petits adaptent souvent les solutions de près aux besoins des clients (ce qui peut améliorer l’automatisation pratique puisqu’ils personnalisent les règles du système pour vous). Mais d’un point de vue ingénierie, GAINS n’a publié aucune logique d’automatisation unique à louer.

Gestion des contraintes : GAINS couvre de nombreuses contraintes traditionnelles et certaines spécialisées :

Multi-échelon : Oui, GAINS fait de l’optimisation de stocks multi-échelons (leur histoire dans les pièces de rechange aérospatiales/défense implique un positionnement des stocks à plusieurs niveaux).
Variation du délai d’exécution : prise en compte dans les calculs du taux de service, vraisemblablement.
Tailles de lots/MOQs : pris en charge, comme tout outil sérieux.
Demande intermittente : l’une des forces historiques de GAINS. GAINS utilise probablement la méthode de Croston ou similaire pour les articles à mouvement lent (communément trouvés dans les pièces de service), ce qui est nécessaire pour éviter le sous-stockage des SKU intermittents.
Retours/Réparations : probablement oui pour MRO - GAINS gérerait les temps de rotation des réparations et les rendements (comme le pourcentage qui est mis au rebut vs réparé) dans ses calculs pour les pièces de rechange. Ce n’est pas quelque chose que tous les fournisseurs gèrent, donc GAINS pourrait avoir un avantage ici.
Expiration : pas un focus typique pour GAINS (leurs industries étaient plus industrielles que périssables), donc probablement un soutien minimal pour la durée de vie en rayon.
Cannibalisation : Pas évidemment géré ; comme les autres, GAINS traite probablement les articles indépendamment dans la prévision.
Contraintes de stockage : Incertain ; GAINS n’a pas annoncé la résolution, disons, des contraintes d’espace d’entrepôt avec l’optimisation.
Optimisation des coûts : GAINS met l’accent sur le profit et le coût dans certains messages, mais la méthode concrète est inconnue. Peut-être qu’ils ont, comme Lokad, une certaine capacité à prendre en compte les marges d’article ou les coûts de détention dans l’objectif d’optimisation (ce qui serait bien). Ou ils peuvent encore le faire via les taux de service comme ToolsGroup.

Verdict : GAINSystems est un vétéran respecté avec une compréhension profonde des défis de la gestion des stocks, en particulier dans des domaines de niche (pièces de rechange, industriel). Cependant, dans ce classement en quête de vérité, GAINS ne peut échapper à une position moyenne. Les raisons sont claires : ses modèles de prévision sont dépassés et ses récentes tentatives de marketing (détection de la demande, regroupement ML) apparaissent comme des tentatives pour paraître à la mode sans véritable innovation ³². GAINS est essentiellement une solution solide des années 1990/2000 qui essaie de rester pertinente. Nous lui donnons du crédit pour son savoir-faire dans le domaine et ses résultats pratiques - les clients signalent des réductions de stocks et des améliorations de service - mais nous lui retirons des points pour manque de transparence et des revendications exagérées. À une époque où les principaux fournisseurs partagent du contenu technique ou publient des recherches, GAINS est relativement opaque ; ce que nous avons pu en tirer (par exemple, se vanter d’algorithmes propriétaires) n’était pas convaincant. Pour les entreprises ayant des besoins très spécialisés (comme la planification des pièces de rechange), GAINS pourrait encore être un choix de premier plan en raison de ses fonctionnalités sur mesure. Mais pour ceux qui recherchent l’optimisation la plus avancée, basée sur la science, GAINS serait probablement une déception à moins qu’il ne subisse une importante mise à jour technologique. Dans notre classement, GAINS est au-dessus des fournisseurs qui sont purement du battage sans substance, mais en dessous de ceux qui combinent l’honnêteté avec l’innovation. Il obtient un modeste acquiescement en tant que solution capable enveloppée dans une technologie dépassée et quelques buzzwords non justifiés.

6. SAP (IBP pour l’inventaire / Ancien SmartOps) - Collection complexe d’outils, intégration sur l’innovation

Aperçu : SAP, le géant du logiciel d’entreprise, est bien sûr présent sur ce marché grâce à son vaste portefeuille d’applications de supply chain. Au fil des ans, SAP a acquis plusieurs technologies spécialisées d’optimisation des stocks - SmartOps (acquis en 2013), SAF AG (2009, prévision de la demande), et même une entreprise d’analytique KXEN (2013) pour la modélisation prédictive ⁴². Ces acquisitions étaient destinées à compléter les systèmes de planification internes de SAP comme APO (Advanced Planner & Optimizer) et plus tard SAP IBP (Integrated Business Planning). Aujourd’hui, SAP propose des capacités d’optimisation des stocks principalement par le biais de SAP IBP pour l’inventaire (un module IBP qui intègre probablement les algorithmes multi-échelons de SmartOps) et éventuellement par le biais d’add-ons dans S/4HANA. Cependant, l’histoire de SAP est celle de la fragmentation et de la complexité. Comme le disait un critique, “sous la bannière SAP se trouve une collection hétéroclite de produits” en raison de toutes ces acquisitions ⁴³. Le résultat est que l’optimisation des stocks de SAP ressemble à un ajout - pas un optimiseur de pointe parfaitement intégré, mais plutôt un ensemble de fonctionnalités qui nécessitent une intégration significative et des services d’experts pour en tirer de la valeur.

Demande probabiliste & délais de livraison : Les solutions patrimoniales de SAP (comme APO) étaient principalement déterministes (utilisant des prévisions ponctuelles, des stocks de sécurité basés sur des modèles statistiques simples). SmartOps, l’outil acheté par SAP, était connu pour sa modélisation multi-échelons probabiliste - il calculerait les distributions d’inventaire et les niveaux de stock recommandés pour atteindre les niveaux de service cibles en cas d’incertitude. Donc, en théorie, SAP IBP pour l’inventaire a un moteur probabiliste à l’intérieur (grâce à SmartOps). SmartOps tenait compte à la fois de la variabilité de la demande et de certaines variabilités de l’offre. Mais SAP lui-même n’insiste pas sur la “prévision probabiliste” dans le marketing ; ce n’est pas une partie du message de SAP au marché. Ainsi, de nombreux clients SAP pourraient ne pas utiliser le module avancé d’optimisation des stocks à son plein potentiel. La prévision des délais de livraison n’est pas quelque chose que SAP annonce. À moins qu’un client n’utilise explicitement la partie SmartOps qui pourrait permettre des délais de livraison variables, la planification par défaut de SAP suppose des délais de livraison fixes (avec peut-être un tampon de temps de sécurité). Étant donné nos critères, SAP ne parvient pas à démontrer un engagement envers la prévision probabiliste. La capacité pourrait exister en profondeur dans le logiciel, mais si elle n’est pas clairement exposée ou mise en évidence, nous considérons cela comme une lacune. De plus, le mélange de plusieurs technologies acquises pourrait signifier une incohérence - par exemple, les prévisions de demande pourraient provenir d’un moteur (déterministe) tandis que l’optimisation des stocks provient d’un autre (stochastique), et ils peuvent ne pas être parfaitement alignés. En effet, une critique était “le logiciel d’entreprise n’est pas miscible par le biais de M&A”, indiquant que les pièces acquises par SAP ne se mélangeaient pas de manière transparente ⁴⁴.

Fonctionnalités avancées & revendications : SAP ne surestime généralement pas l’IA dans la supply chain (du moins pas aussi ouvertement que d’autres), mais récemment, même SAP utilise un langage ML/AI dans le marketing IBP. Cependant, SAP est généralement considéré comme riche en fonctionnalités mais pas avancé algorithmiquement. Le composant SmartOps a donné à SAP un optimiseur multi-échelons respectable. Cependant, il est douteux que SAP ait maintenu cette technologie à jour ou supérieure aux nouveaux modèles ⁴⁵. En fait, on a l’impression que SmartOps (et similaires) utilisait des techniques OR standard et que les méthodes ML post-2000 “ne surpassent pas les modèles pré-2000” dans ce contexte ⁴⁵ - ce qui implique que SAP ne fournit pas de meilleures prévisions que des modèles comme ARIMA ou Croston, malgré la possession de la technologie ML comme KXEN. Le marketing de SAP a tendance à se concentrer sur l’intégration (plateforme de bout en bout, “une seule version de la vérité” dans l’ERP, etc.) plutôt que de prétendre qu’il surpassera les concurrents en matière de prévisions. Cette honnêteté est une épée à double tranchant : ils ne mentent pas ouvertement sur la magie de l’IA, mais ils ne sont pas non plus à la pointe de l’innovation.

La force de SAP pourrait être de gérer des contraintes complexes dans le contexte plus large de la supply chain, car ils ont toutes les données et les détails transactionnels :

Ils peuvent prendre en compte les contraintes de capacité et de production dans IBP si vous connectez les modules (la planification des stocks peut être liée à la planification de l’approvisionnement).
Ils pourraient utiliser les données sur la performance des fournisseurs de l’ERP pour ajuster manuellement les temps de sécurité ou les stocks de sécurité pour la variation du délai de livraison (bien que ce ne soit pas une “prévision” automatique de celle-ci).
Les solutions de SAP peuvent gérer les expirations dans le système d’exécution (SAP EWM ou ERP gérera l’expiration du lot, et APO avait une planification de la durée de vie pour s’assurer que l’approvisionnement répond à la demande dans les délais d’expiration). Cependant, l’optimisation des stocks avec expirations (comme décider de combien surstocker pour tenir compte de la détérioration) n’est pas une caractéristique proéminente - SAP émet principalement des alertes pour les lots expirants.

SAP mentionne une certaine utilisation de l’IA/ML dans la prévision de la demande (SAP Analytics Cloud a des prévisions, IBP a quelques fonctionnalités de prévision ML), mais rien de révolutionnaire n’a été noté. De plus, le grand argument de vente de SAP est souvent qu’il s’agit d’une plateforme intégrée plutôt que de la brillance d’un algorithme. L’inconvénient est que chaque pièce pourrait être moyenne, mais l’ensemble est complexe.

Notamment, l’optimisation des stocks de SAP nécessite un effort d’implémentation considérable - “les tout meilleurs intégrateurs - plus quelques années - seront nécessaires pour réussir” ⁴⁶. Cela suggère que même si SAP a des fonctionnalités avancées, leur utilisation efficace est difficile. De nombreux projets SAP IBP ont du mal à automatiser entièrement l’optimisation ; ils se rabattent souvent sur des modes de planification plus simples en raison de problèmes de données ou d’intégration.

Automatisation : Le paradigme de SAP n’est pas l’automatisation en boîte noire ; il s’agit de processus de planification. Dans un environnement SAP, l’optimisation des stocks serait une étape dans un cycle de planification S&OP ou d’approvisionnement plus large. SAP IBP peut automatiser certains calculs (comme exécuter un optimiseur chaque nuit), mais généralement, les planificateurs humains dans SAP sont fortement impliqués - configurant le système, lui fournissant des scénarios, et examinant les résultats. SAP ne prétend pas vraiment à une “planification autonome” ; il fournit plutôt des outils de prévision et d’optimisation que des utilisateurs qualifiés et des consultants doivent orchestrer. Par conséquent, comparé à d’autres, SAP semble moins automatisé - ou du moins, toute automatisation est construite sur mesure par les implémenteurs. Nous pénalisons SAP sur ce point, car leur approche n’active pas facilement une expérience sans intervention. De nombreuses entreprises avec SAP finissent par avoir une planification semi-manuelle malgré la possession de modules d’optimisation, simplement parce que faire confiance à la boîte noire de SAP est un projet en soi. La “boîte noire” est là, mais pas facilement réglée pour chaque entreprise sans une lourde consultation.

Gestion des contraintes : Un domaine que SAP couvre bien est l’étendue des contraintes, grâce à sa suite complète :

Multi-échelon : Oui (via SmartOps dans IBP Inventory).
Tailles de lot/MOQ : Oui, les outils de planification de SAP peuvent prendre en compte ces éléments dans leurs optimiseurs.
Contraintes de capacité : Si vous utilisez l’optimiseur d’approvisionnement de SAP (partie de IBP ou APO CTM), vous pouvez incorporer des contraintes de capacité de production/stockage - mais c’est plus dans la planification de l’approvisionnement que dans l’optimisation des stocks en soi.
Expiration : La gestion au niveau de l’exécution est excellente (SAP peut suivre l’expiration du lot, l’allocation FEFO). Au niveau de la planification, APO avait quelques fonctionnalités pour s’assurer que les stocks ne dépassent pas la durée de vie (par exemple, ne pas envoyer de stock proche de l’expiration à des endroits éloignés). Il n’est pas clair si IBP reprend ces éléments.
Cannibalisation/Substitution : SAP IBP a un module pour l’introduction de nouveaux produits qui peut utiliser la modélisation de profils similaires (donc pas très avancé, mais une certaine capacité à lier les prévisions de produits successeurs/prédécesseurs). Mais il est sans doute en retard par rapport aux outils de vente au détail spécialisés à cet égard.
Retours : SAP peut certainement incorporer la prévision des retours dans la planification de la demande si on la modélise (en particulier pour la vente au détail, ils pourraient prévoir la demande nette moins les retours). Encore une fois, c’est quelque chose qui nécessite une configuration.
Complexité des coûts de stockage : L’optimiseur de SAP pourrait prendre en compte les coûts de détention et ainsi limiter indirectement les stocks si le coût de détention augmente (représentant les limites de stockage). Mais il faudrait le configurer soigneusement ; pas prêt à l’emploi.

En essence, la solution d’inventaire de SAP peut être configurée pour gérer beaucoup de choses, mais cela demande des efforts. C’est comme une boîte à outils qui, lorsqu’elle est configurée par un expert, peut émuler de nombreux comportements avancés - mais SAP lui-même ne fournit pas une solution avancée prête à l’emploi.

Verdict : SAP est classé plus bas dans notre étude car il illustre le problème du “touche-à-tout, maître en rien”. Il a des morceaux de capacité (une certaine optimisation probabiliste héritée des acquisitions), mais aucune offre claire, cohérente et à la pointe de la technologie spécifiquement en optimisation des stocks. La complexité et la “collection hétéroclite” d’outils sous l’égide de SAP rendent difficile l’obtention de valeur sans un temps et un coût significatifs ⁴³. Nous pénalisons sévèrement SAP pour cette complexité et le fait que l’intégration a éclipsé l’innovation - les technologies acquises ont largement stagné une fois sous SAP (avec même leurs mérites souvent perdus ou sous-utilisés). Les affirmations de SAP sont généralement modérées (ils ne mentent pas ouvertement sur l’IA ; si quoi que ce soit leur marketing pourrait maintenant saupoudrer des buzzwords d’IA parce que tout le monde le fait, mais ce n’est pas exagéré). Le problème principal est que l’optimisation des stocks de SAP n’est pas du marketing creux - elle est juste enterrée et encombrante.

Pour les entreprises déjà profondément ancrées dans les écosystèmes SAP, l’utilisation des outils intégrés de SAP peut être attrayante (l’intégration des données est plus facile, une seule gorge à étrangler, etc.). Mais d’un point de vue purement performance, peu soutiendraient que SAP IBP surpasse les fournisseurs spécialisés. Dans une lumière de recherche de vérité, nous voyons SAP comme fiable mais pas à la pointe, complet mais excessivement complexe. Il est classé dans la moitié inférieure parce que la facilité d’obtenir une supply chain optimisée avec SAP est faible - non pas à cause du manque de fonctionnalités, mais à cause de la difficulté à rassembler ces fonctionnalités et du paiement douteux par rapport à l’effort. En bref : SAP peut cocher les cases des fonctionnalités, mais nous mettons en doute sa capacité à fournir un stock optimal en pratique sans un investissement massif. Cela le maintient bien en dessous des meilleurs spécialistes dans notre classement.

7. o9 Solutions - Grandes Ambitions, Grand Hype, Profondeur Non Prouvée

Présentation : o9 Solutions est un nouvel entrant (fondé en 2009) qui a rapidement gagné en notoriété en tant que plateforme de planification de “prochaine génération”. Souvent décrit comme le “cerveau numérique” ou le “Enterprise Knowledge Graph (EKG)” de la supply chain, o9 vante une plateforme moderne native du cloud avec une interface utilisateur élégante, un modèle de données basé sur des graphiques et une foule de promesses d’IA/analytiques. Ils se positionnent comme la solution de style “big tech” pour la supply chain - beaucoup de puissance de calcul, de mémoire et un modèle de données unifié pour soutenir tout, de la prévision de la demande à la planification de l’approvisionnement en passant par la gestion des revenus. En termes d’optimisation des stocks, o9 prétend le faire dans le cadre de sa planification de bout en bout. Cependant, la réputation de o9 dans les cercles techniques est celle d’un battage médiatique lourd et moins de clarté sur les méthodes réelles. Ils éblouissent les prospects avec une grande “masse technologique” (beaucoup de fonctionnalités, de jolies démos), mais sous le regard critique, leurs véritables différenciateurs sont flous. Comme l’a dit une analyse, “La masse technologique de o9 est hors des cartes… La conception en mémoire garantit des coûts matériels élevés. De nombreuses prévisions sur la base de données graphique (marquée EKG) sont douteuses et non soutenues par la littérature scientifique. Beaucoup de battage médiatique autour de l’IA, mais des éléments trouvés sur Github laissent supposer des techniques banales.” ⁴⁷. Cela résume nos conclusions : o9 est très largement dans le camp du “AI blah-blah” jusqu’à preuve du contraire.

Demande probabiliste & Délais de livraison : Il n’y a aucune preuve que o9 produit nativement des prévisions probabilistes pour la demande ou les délais de livraison. Leur discours sur un Enterprise Knowledge Graph implique la liaison de diverses données (ce qui pourrait aider à identifier les causes de la variabilité des délais de livraison, etc.), mais les études de cas et les matériaux publiés par o9 ne mentionnent pas explicitement les distributions statistiques ou l’optimisation stochastique. Ils se concentrent davantage sur la planification de scénarios et la re-planification en temps réel. Nous déduisons que o9 utilise probablement des techniques de prévision typiques (ML de séries temporelles ou même des bibliothèques prêtes à l’emploi) pour générer des prévisions à un seul chiffre, peut-être avec quelques fourchettes. Sans qu’ils le disent, nous supposons que les délais de livraison sont pris comme des entrées (peut-être avec quelques règles de tampon) mais ne sont pas prévus comme des variables aléatoires. Ainsi, selon nos critères, o9 échoue au test probabiliste. En fait, étant donné leur accent sur l’intégration de grandes données, ils pourraient être plus déterministes que la plupart - visant à incorporer beaucoup de signaux (en supposant que vous pouvez tout prédire si vous avez assez de données), ce qui est conceptuellement opposé à l’acceptation de l’incertitude. Jusqu’à ce que o9 publie quelque chose sur les modèles probabilistes, nous traitons leur approche comme déterministe avec une intégration de données sophistiquée. Cela les rend non sérieux dans la modélisation de l’incertitude, se reposant plutôt sur la planification réactive.

Revendications de fonctionnalités avancées : Le marketing de o9 est truffé de revendications qui semblent avancées :

Knowledge Graph (EKG) : Ils prétendent que leur base de données graphique peut modéliser les relations à travers la supply chain, améliorant ainsi la prévision (comme capturer comment une promotion de vente pourrait affecter la demande d’articles liés, etc.). Bien qu’un modèle de données graphique soit flexible, il n’y a aucune preuve scientifique que cela donne des prévisions plus précises ou de meilleures décisions d’inventaire. Cela aide principalement à intégrer les sources de données. L’affirmation selon laquelle il s’agit d’une innovation en matière de “prévision IA” est douteuse ⁴⁸. Sans voir un algorithme spécifique exploitant le graphique pour, disons, une prévision probabiliste, nous considérons cela comme une architecture moderne, pas une méthode analytique supérieure.
IA/ML : o9 utilise tous les mots à la mode - graphes de connaissances, big data, IA/ML, voire des termes comme l’apprentissage par renforcement, bien que sans précisions. L’analyse externe est cinglante : “De nombreuses revendications de prévision… sont douteuses… Beaucoup de battage autour de l’IA, mais les éléments trouvés sur Github laissent penser à des techniques banales.” ⁴⁸. En effet, certains des outils partagés publiquement par o9 (comme tsfresh pour l’extraction de caractéristiques de séries temporelles, ou vikos, etc.) sont mentionnés - ce sont des bibliothèques Python standard ou des approches de prévision de base (ARIMA, etc.) ⁴⁹. Cela laisse supposer que l’équipe de développement de o9 pourrait utiliser des modèles de prévision assez normaux en coulisse, malgré les revendications extérieures. Nous démasquons o9 ici : étiqueter quelque chose comme une plateforme pilotée par l’IA ne le rend pas tel, et les premiers regards suggèrent que leur “IA” est souvent juste une régression linéaire ou ARIMA sous le capot ⁴⁹. Si c’est vrai, c’est beaucoup de fumée et de miroirs.
Planification de scénarios en temps réel : o9 se débrouille bien pour permettre des scénarios à la volée (grâce au calcul en mémoire). Mais la planification de scénarios n’est pas une optimisation. On peut rapidement simuler ce qui se passe si le délai d’exécution augmente ou si la demande augmente, ce qui est utile pour les planificateurs pour visualiser les problèmes, mais cela ne donne pas automatiquement la meilleure solution - l’utilisateur doit encore interpréter et ajuster. Ainsi, bien que o9 puisse prétendre qu’il vous aide à gérer les perturbations, il peut compter davantage sur la prise de décision humaine que, disons, une optimisation stochastique le ferait.

Autre constat : “Les trivialités ne se qualifient pas pour ‘IA’ parce qu’elles sont interactives.” ⁵⁰ - probablement en référence à o9 appelant des tableaux de bord interactifs ou des réponses simples basées sur des règles “IA”. Nous pénalisons fortement cela. Si o9 commercialise quelque chose comme “notre système signale automatiquement les exceptions et suggère des commandes - piloté par l’IA !” mais qu’en réalité c’est une simple règle si-alors ou une tour de contrôle statistique, c’est une mauvaise étiquetage des fonctionnalités de base comme étant de l’IA.

Automatisation : o9 se positionne comme permettant le “Modèle Opérationnel Digital” - ce qui suggère un haut degré d’automatisation. Il peut sans aucun doute automatiser certaines tâches de planification (comme la génération automatique de prévisions, la détection automatique d’exceptions). Cependant, étant donné le manque de détails, nous craignons qu’une grande partie de la valeur de o9 provienne encore des décisions humaines en boucle à l’aide de son joli UI. On parle d’“autonomous planning” dans l’industrie autour d’outils comme o9, mais aucune preuve concrète qu’une entreprise utilise o9 de manière autonome. La forte implication des analystes des grands clients avec o9 indique qu’il s’agit d’un système de support à la décision, pas d’un optimiseur entièrement automatisé. Nous pénalisons l’écart entre l’aspiration et la réalité. À moins que o9 ne puisse démontrer comment son “graph AI” optimise automatiquement l’inventaire (ce qu’ils n’ont pas fait publiquement), nous traitons ses revendications d’automatisation comme exagérées.

Gestion des contraintes : Étant une plateforme flexible, o9 peut en théorie gérer de nombreuses contraintes :

Il a le modèle de données pour incorporer les dates d’expiration, les attributs de lot, etc. Il pourrait donc suivre les stocks par lot et potentiellement inclure une logique pour éviter l’expiration. Mais on ne sait pas s’il dispose d’un algorithme prêt à l’emploi pour les stocks périssables - probablement pas ; un utilisateur devrait écrire une règle ou s’assurer manuellement de la rotation.
Multi-échelon : o9 fait de la planification multi-niveaux ; il peut modéliser un réseau et exécuter des optimisations d’inventaire multi-échelons (ils ont probablement quelque chose de similaire à SmartOps aussi, ou au moins des calculs de stock de sécurité pour chaque échelon).
Contraintes de capacité : Comme o9 couvre le S&OP, il peut intégrer les contraintes de production et de stockage dans ses cycles de planification.
Cannibalisation et substitution : C’est là que leur Knowledge Graph pourrait, en principe, modéliser des relations (par exemple, lier des produits en tant que substituts). Mais optimisent-ils réellement en utilisant ces informations ? Ils ne l’ont pas montré. Il est possible qu’ils puissent faire une simulation : “si le produit A est en rupture de stock, voir les ventes du produit B augmenter”. Mais cela nécessite de modéliser le choix du consommateur - ce n’est pas trivial, et il n’y a aucune preuve que o9 ait construit ce modèle. Il est donc probable qu’ils ne le gèrent pas, à part les hypothèses manuelles du planificateur.
Quasi-saisonnalité : Si le ML de o9 est correct, il pourrait détecter des schémas saisonniers inhabituels s’il est alimenté avec suffisamment de données. Mais encore une fois, aucune fonction spécifique au-delà de la prévision générale du ML.
Optimisation financière : o9 parle de gestion des revenus et de l’IBP, il pourrait donc être capable d’optimiser le profit, et pas seulement le taux de service, si configuré. Cela dit, la confiance en leur optimiseur est incertaine.

Un aspect préoccupant : l’approche en mémoire de o9 (comme RELEX) pourrait rendre la résolution de certaines optimisations lourdes en contraintes extrêmement gourmande en ressources. Ils vantent la scalabilité, mais si vous modélisez vraiment chaque SKU-location et contrainte, le calcul pourrait exploser, nécessitant un matériel énorme. Donc, en pratique, ils pourraient simplifier le problème ou s’appuyer sur des heuristiques.

Verdict : o9 Solutions est classé dans la catégorie inférieure en raison de sa forte dépendance à des affirmations non prouvées et des mots à la mode, malgré son attrait brillant. Nous reconnaissons que o9 a une interface moderne et une approche unifiée des données qui séduisent les clients. Il améliore probablement la collaboration et la visibilité. Mais en ce qui concerne la science fondamentale de l’optimisation des stocks, nous ne trouvons aucune innovation concrète de la part de o9 qui justifie le battage médiatique. Son marketing est truffé de drapeaux rouges - tous les termes à la mode apparaissent avec peu de soutien technique ⁴⁸. Cela nous fait douter de la substance derrière sa valorisation considérable. Nous pénalisons fortement o9 pour cet écart. Sans une démonstration claire, par exemple, de la façon dont son IA prédit mieux la demande ou comment son graphe produit des décisions optimales de stocks, nous devons considérer ses promesses comme “douteuses” au mieux ⁴⁸.

En termes simples, o9 pourrait être une bonne plateforme de planification (intégrant diverses fonctions), mais en tant que moteur d’optimisation des stocks spécifiquement, il semble n’offrir rien que les outils plus anciens ne proposent pas - à part une interface utilisateur plus élégante. Il n’a certainement pas prouvé qu’il gère l’incertitude ou les contraintes complexes de manière plus efficace ; si quoi que ce soit, il pourrait ignorer l’incertitude en faveur du déterminisme des big data, que nous considérons comme une approche erronée. Par conséquent, o9, dans un classement basé sur la vérité, est proche du bas des fournisseurs sérieux. C’est essentiellement une affaire de “grandes paroles, marche standard”. Les entreprises envisageant o9 devraient se méfier du discours marketing et insister pour voir les algorithmes et les résultats réels. Jusqu’à ce que les affirmations d’IA de o9 soient prouvées avec des preuves techniques explicites, nous les catégorisons comme fausses/infondées dans ce domaine.

8. Blue Yonder (anciennement JDA) - Patchwork de systèmes hérités commercialisés comme “IA”

Présentation : Blue Yonder (BJDA) est l’un des plus anciens et des plus grands fournisseurs de logiciels de supply chain. Anciennement connu sous le nom de JDA (qui avait acquis Manugistics et i2 Technologies dans les années 2000), ils ont été rebaptisés Blue Yonder et ont été acquis par Panasonic. Les capacités d’optimisation des stocks de Blue Yonder proviennent d’une lignée de produits - par exemple, l’optimiseur de supply chain de i2 et les modules d’inventaire de JDA. Au fil du temps, ils ont essayé de se moderniser via leur plateforme Luminate, en infusant des concepts d’IA/ML. Cependant, Blue Yonder souffre de ce que nous appelons “M&A spaghetti” : c’est “le résultat d’une longue série d’opérations de fusion et acquisition”, aboutissant à *“une collection hétéroclite de produits, pour la plupart datés.” ⁵¹. Essentiellement, l’offre de Blue Yonder est un amalgame de logiciels hérités collés ensemble. Ils poussent une image d’être maintenant pilotés par l’IA (avec des termes comme planification cognitive, Luminate AI), mais notre analyse approfondie montre que ces affirmations sont pour la plupart vagues et non substantielles ²⁸.

Demande probabiliste & délais d’exécution : Blue Yonder a historiquement fourni des outils pour la prévision de la demande et la planification des stocks, mais principalement en utilisant des méthodes déterministes ou heuristiques. Par exemple, la planification de la demande de JDA produisait des prévisions ponctuelles, et l’optimisation des stocks calculait des stocks de sécurité pour un service cible. Dans des documents récents, Blue Yonder mentionne la “prévision probabiliste” et le “stock de sécurité dynamique” comme concepts dans leur approche ⁵². Ils ont reconnu la valeur des méthodes probabilistes dans les blogs, suggérant qu’ils connaissent le jargon. Mais l’ont-ils mis en œuvre ? Il y a peu de preuves que les solutions centrales de Blue Yonder produisent des distributions de probabilité complètes ou optimisent les décisions de manière stochastique. Étant donné qu’ils citent des choses comme tsfresh et ARIMA en open source ⁴⁹, on dirait qu’ils font surtout de la prévision classique de séries temporelles, et non de la programmation probabiliste de pointe. Nous n’avons vu aucune indication de capacités de prévision des délais d’exécution - probablement que Blue Yonder suppose des délais d’exécution fixes plus peut-être une marge. Ainsi, Blue Yonder échoue à nos critères probabilistes : aucune modélisation explicite de l’incertitude de la demande/délai d’exécution mentionnée. Ils s’en tiennent probablement aux modèles traditionnels de taux de service, ce qui signifie qu’eux aussi ne sont pas “sérieux” en matière d’incertitude globale malgré l’utilisation du mot probabiliste dans certains articles de leadership éclairé.

Revendications de fonctionnalités avancées : Blue Yonder a été libéral avec les revendications d’IA/ML. Leur marketing utilise des expressions comme “planification autonome”, “supply chain cognitive”, etc. Pourtant, une analyse souligne : “BY met en avant l’IA, cependant, les revendications sont vagues avec peu ou pas de substance.” ²⁸. Nous confirmons cela :

Blue Yonder a acquis quelques startups d’IA et se vante de partenariats avec des universités, mais concrètement, les seules choses que nous voyons sont quelques projets open source. Ces projets (tsfresh, PyDSE, VikOS) indiquent des méthodes de prévision très standard (extraction de caractéristiques, ARMA/ARIMA, régression) ⁴⁹. Rien ne suggère un algorithme d’IA novateur unique à Blue Yonder. Cela signifie que l’“IA de pointe” de Blue Yonder est probablement juste de l’analytique traditionnelle rebaptisée. Nous traitons catégoriquement toute revendication générique d’IA de leur part comme non prouvée.
Par exemple, Blue Yonder pourrait dire “nous utilisons le ML pour augmenter nos modèles probabilistes” ⁵³ - mais sans détail, cela pourrait signifier n’importe quoi, d’un simple modèle d’apprentissage automatique pour ajuster les prévisions, à un réseau neuronal qui n’a pas réellement surpassé des modèles plus simples. Sans preuve, nous le considérons comme du remplissage.
Blue Yonder prétend avoir des solutions de bout en bout incluant l’optimisation des prix, l’assortiment, etc. Il est vrai qu’ils ont de nombreux modules. Cependant, avoir de nombreux modules ne signifie pas que chacun est le meilleur de sa catégorie. La planification des stocks de Blue Yonder pourrait encore utiliser l’ancienne optimisation du niveau de service i2, difficilement quelque chose dont on peut se vanter en 2025.

Une revendication particulièrement problématique du passé : la littérature de Blue Yonder sur “l’inventaire cognitif” a essentiellement remâché l’idée de l’inventaire probabiliste avec des termes sophistiqués ⁵⁴ ⁵², encore une fois sans support technique. Nous marquons cela comme du marketing d’alerte rouge. Cela semble perspicace mais ne fournit pas de “viande” algorithmique.

Automatisation : Historiquement, les solutions de Blue Yonder nécessitaient une supervision humaine significative - par exemple, les planificateurs utiliseraient le logiciel JDA pour obtenir des recommandations puis les ajusteraient. Avec Luminate, Blue Yonder parle de “planification autonome”, mais à notre connaissance, cela reste largement une vision. Ils ont peut-être introduit un “assistant IA” ou une résolution d’exception automatisée, mais rien de détaillé publiquement. Étant donné la clientèle de Blue Yonder (de nombreux grands détaillants, fabricants), il est probable que le logiciel soit encore utilisé de manière traditionnelle : les prévisions et les commandes sont générées puis les planificateurs les passent en revue ou les exécutent via des workflows. Nous n’avons vu aucune preuve claire que Blue Yonder permet une optimisation entièrement sans surveillance. De plus, comme leur architecture est un mélange de parties, il est difficile d’obtenir une automatisation sans faille entre elles. Nous pénalisons Blue Yonder pour son manque de clarté à ce sujet. À moins qu’ils ne puissent montrer un exemple d’un client où le système fonctionne seul pendant des mois, nous considérons leurs revendications d’automatisation comme minimales.

Gestion des contraintes : Blue Yonder, grâce à des décennies d’expérience, couvre de nombreuses contraintes dans une certaine mesure :

Multi-échelon : Oui, JDA avait une optimisation des stocks multi-échelons (probablement une approche similaire à ToolsGroup/SmartOps).
Tailles de lots/MOQs : pris en charge dans leurs paramètres de planification.
Promotions : JDA/BlueYonder avait des modules de prévision de promotions, bien que parfois séparés.
Cannibalisation : Ils ont un outil de modélisation de la demande qui peut incorporer la cannibalisation pour le retail (JDA avait quelque chose pour la prévision de la gestion des catégories). Mais c’est un module spécialisé, pas nécessairement lié à l’optimisation des stocks.
Expiration : Les industries principales de Blue Yonder étaient le retail (y compris l’épicerie) et la fabrication. Ils avaient quelques solutions pour la gestion des articles frais dans le logiciel de gestion des catégories. Mais leur planification de base n’a pas mis l’accent sur les produits périssables comme le fait RELEX. Donc probablement une conscience limitée de la durée de conservation.
Retours : Pas un point fort. Possiblement géré dans leur planification de retail en nettoyant les prévisions, mais pas de fonctionnalité spéciale.
Contraintes de stockage : Si vous utilisez leur gestion d’entrepôt ou leur planification de production, oui, mais l’optimisation des stocks elle-même suppose probablement un stockage sans contrainte (comme les autres, minimiser les coûts garde implicitement le stock gérable).
Quasi-saisonnalité : La prévision de Blue Yonder peut gérer les modèles saisonniers, mais les modèles inhabituels nécessitent soit un réglage humain, soit des modèles avancés que nous doutons qu’ils aient au-delà du typique.
Optimisation financière : Blue Yonder dispose de modules d’optimisation des bénéfices (optimisation des prix, etc.), mais leur optimisation des stocks tourne généralement autour de la satisfaction des niveaux de service au coût minimum, pas directement de la maximisation des bénéfices.

En résumé, la couverture des capacités de Blue Yonder est large mais superficielle par endroits. Il essaie d’être tout, ce qui conduit à des compromis. De plus, parce que Blue Yonder jongle avec tant de composants de produits, les clients le trouvent souvent complexe à mettre en œuvre et à maintenir.

Verdict : Blue Yonder se classe près du bas de notre étude principalement en raison de sa dépendance à une technologie dépassée masquée par des mots à la mode et des inefficacités inhérentes à une plateforme patchwork. Il est révélateur que les contributions open-source de Blue Yonder montrent une dépendance à des méthodes qui sont vieilles de plusieurs décennies (ARIMA, régression) ⁴⁹ alors que l’entreprise se présente comme un leader de l’IA. Cette dissonance érode la confiance. Nous pénalisons sévèrement Blue Yonder pour ce manque de transparence et l’abus de revendications vagues d’IA ²⁸. La marque peut avoir du poids (c’est un “Leader” dans certains rapports d’analystes en raison de sa largeur et de sa part de marché), mais lorsqu’on se concentre strictement sur la vérité et le mérite technique, Blue Yonder ne fait pas impression.

Cela dit, Blue Yonder n’est pas totalement sans valeur. Il a une vaste empreinte fonctionnelle et des connaissances de domaine intégrées - il peut donc gérer de nombreux scénarios pratiques s’il est correctement configuré. Mais ce sont des enjeux de base ; ce que nous cherchons, c’est une véritable prouesse d’optimisation. Sur ce front, Blue Yonder est loin derrière des fournisseurs comme Lokad ou même la fiabilité candide de Slimstock. À moins qu’un client ne soit déjà lié à l’écosystème de Blue Yonder ou ait besoin d’un guichet unique plus que d’une analyse de classe mondiale, nous mettrions en garde contre l’optimisation des stocks de Blue Yonder si la qualité d’optimisation mesurable et factuelle est la priorité. Dans notre classement, Blue Yonder n’est sauvé de la dernière place que par le fait qu’il a effectivement un produit fonctionnel (bien que daté) et une grande base d’utilisateurs - ce qui signifie qu’il résout au moins les bases - alors que certaines revendications de petits acteurs pourraient être encore plus creuses.

9. Infor (Rhythm / Predictix) – Concurrent décoloré avec une IA douteuse

Aperçu : Infor a tenté de concurrencer dans ce domaine par le biais d’acquisitions comme Predictix (acquis en 2016) qui était un spécialiste de la prévision dans le commerce de détail. La force principale d’Infor a été l’ERP, mais ils ont essayé de construire une suite de planification de détail dans le cloud (Infor Rhythm, Demand Management, etc.) avec la technologie de Predictix. Cependant, les choses ne se sont pas bien passées. Predictix a eu une histoire complexe (problèmes juridiques avec des partenaires comme LogicBlox) ⁵⁵, et après avoir rejoint Infor, l’élan semble s’être arrêté. L’attention d’Infor s’est déplacée vers son ERP principal et des initiatives plus importantes, et “l’angle de la prévision est resté un citoyen de seconde classe, dépriorisé au cours des dernières années” ⁵⁶. En bref, la présence d’Infor dans l’optimisation des stocks/la planification de la demande a diminué. Ils ont encore des produits dans cet espace, mais ils ne sont pas les leaders du marché, et le pipeline d’innovation semble maigre.

Probabiliste & Fonctionnalités avancées : Predictix était connu pour revendiquer certaines approches modernes de ML (ils étaient parmi les premiers à parler de big data dans la prévision de détail). Mais les experts notent, “Predictix a tenté d’apporter quelques techniques de ML post-2000… cependant, il est douteux que ces méthodes surpassent les modèles pré-2000.” ⁴⁵. Cela implique que même la technologie phare qu’Infor a achetée n’était pas démontrablement meilleure que les approches classiques. Infor a probablement hérité de certaines capacités de prévision de la demande ou d’apprentissage automatique de Predictix, mais avec cette équipe dissipée, il n’est pas clair combien d’entre elles sont utilisées. Infor parle maintenant rarement de l’IA dans la supply chain, et quand elle le fait, c’est de haut niveau. Nous avons vu mentionner que “les revendications ‘IA’ sont également douteuses.” ⁴⁵ concernant leur prévision. Cela reflète ce que nous voyons ailleurs : Infor n’a pas fourni de preuve que ses outils (rhythm, demand planning, etc.) sont particulièrement précis ou avancés. Ils les ont simplement intégrés comme fonctionnalités dans la pile Infor. De plus, aucune indication de prévision probabiliste ou de modélisation du délai d’exécution - probablement aucune n’existe. Donc, selon notre mesure, la solution d’Infor est en retard et n’aborde pas sérieusement l’incertitude avec de nouvelles techniques.

Automatisation & Contraintes : Les offres de planification de la demande/des stocks d’Infor ne sont pas largement discutées, ce qui suggère une adoption limitée. Il est probable qu’ils gèrent des contraintes de base (multi-échelons, etc.) mais rien de sophistiqué que les autres n’ont pas. Et compte tenu de leur dépriorisation, on peut supposer qu’il n’a pas été fait grand-chose pour automatiser complètement ceux-ci non plus. Il s’agit probablement d’un système de planification conventionnel où les utilisateurs génèrent des prévisions et des niveaux de stock recommandés, avec une intégration aux ERP d’Infor pour l’exécution. Rien ne se démarque, sauf peut-être quelques fonctionnalités spécifiques au commerce de détail qui proviennent de Predictix (comme la prévision de profil de taille/couleur pour la mode, ou quelque chose du genre - mais là encore, pas clairement meilleur que les concurrents).

Verdict : Nous classons Infor près du bas car il n’a ni un produit actuel fort ni des revendications crédibles d’unicité. Leur incursion via Predictix semble avoir perdu de sa vigueur, et toute rhétorique AI/ML provenant de cette acquisition est maintenant dépassée ou non prouvée ⁴⁵. Essentiellement, l’optimisation des stocks d’Infor n’est pas un facteur majeur sur le marché actuellement. Les entreprises sélectionnent rarement Infor pour une planification avancée à moins qu’elles ne soient déjà de grands utilisateurs de l’ERP Infor. N’ayant rien de notable à montrer en termes d’optimisation probabiliste ou automatisée, Infor reçoit une évaluation sévère : principalement irrelevant dans les discussions de pointe, et les revendications qu’ils ont faites dans le passé à propos de l’IA étaient infondées.

10. John Galt Solutions - Prévision du marché intermédiaire avec des revendications grandioses

Aperçu : John Galt Solutions (nommé d’après le célèbre personnage de Atlas Shrugged) fournit des outils de prévision et de planification depuis les années 1990. Leur produit phare est Atlas Planning (bien nommé), destiné aux entreprises du marché intermédiaire pour la planification de la demande, des stocks et du S&OP. Ils proposent également un outil plus simple appelé ForecastX (un complément Excel pour la prévision de base). La niche de John Galt a été la facilité d’utilisation et le déploiement rapide. Cependant, ils ont fait des revendications audacieuses sur leurs algorithmes propriétaires (comme quelque chose appelé “Procast”), qui suscitent des interrogations. L’entreprise n’a pas le poids des plus grands acteurs, et leur approche technologique semble assez traditionnelle, malgré des allusions marketing à une propriété intellectuelle unique.

Probabiliste & Fonctionnalités avancées : Les solutions de John Galt ne mettent pas en avant la prévision probabiliste. Ils se concentrent sur la génération de prévisions et de cibles de stocks en utilisant des méthodes courantes (régression, séries temporelles, peut-être quelques heuristiques). Atlas Planning donne une “forte impression de consultingware” ⁵⁷ - ce qui signifie qu’il nécessite souvent beaucoup de consulting pour l’adapter à chaque client, plutôt qu’un moteur avancé câblé. La technologie de prévision semble datée ⁵⁸, ce qui implique qu’ils n’ont pas introduit de modèles prédictifs nouveaux au-delà de ce qui est largement connu. Ils parlent de “Procast” - leur algorithme de prévision propriétaire - en prétendant qu’il est plus précis que les concurrents. Cependant, cette affirmation est hautement douteuse : si Procast était vraiment supérieur, il apparaîtrait dans les compétitions de prévision (comme les compétitions M), mais il est absent des premiers rangs ³⁹. Cela suggère que Procast est probablement un reconditionnement de méthodes standard ou une petite modification, et non une percée. En effet, les experts estiment que les outils open-source (comme les bibliothèques R de Hyndman) surpassent probablement la technologie de John Galt ⁵⁹. John Galt n’annonce pas lourdement l’IA ou le ML, ce qui est en fait à leur crédit (ils ne surhypent pas avec des buzzwords qu’ils n’ont pas). Mais ils font des revendications vagues de “plus de précision” sans preuve, ce que nous ne pouvons accepter. Ils ne mentionnent rien non plus sur la gestion des complexités comme la cannibalisation ou l’optimisation sous incertitude ; leur message est plus axé sur l’expérience utilisateur (de beaux tableaux de bord, etc.) et la planification collaborative. Cela indique un manque d’optimisation avancée.

Automatisation : Atlas Planning est destiné aux planificateurs et aux cadres pour simuler et collaborer. Il n’est pas connu pour son automatisation ; c’est plutôt une boîte à outils où les utilisateurs peuvent faire des prévisions et ensuite exécuter des scénarios. Il est probablement loin de l’optimisation complètement automatisée des stocks - l’utilisateur est censé prendre des décisions en fonction des sorties du logiciel. Nous ne voyons donc pas John Galt comme poussant l’automatisation sans surveillance. Cela limite son classement car en termes modernes, c’est plutôt un outil semi-manuel.

Contraintes : Les clients typiques de John Galt ont souvent des besoins plus simples, donc Atlas Planning peut gérer des contraintes de base (distribution multiniveau, délais d’exécution, stock de sécurité, etc.). Mais il n’est pas particulièrement connu pour des choses comme l’optimisation multi-échelon (bien qu’il ait probablement une certaine capacité), et certainement pas pour des choses comme les produits périssables ou les contraintes d’approvisionnement complexes. C’est une solution de milieu de gamme - une large gamme de fonctionnalités mais pas de profondeur dans un domaine particulier.

Verdict : John Galt Solutions arrive en dernier dans notre classement des principaux fournisseurs. Bien qu’il fournisse un logiciel honnête et utilisable pour la prévision et la planification, il ne parvient pas à démontrer un avantage technique ou une gestion sérieuse de l’incertitude. La grande affirmation sur leur secret (Procast) semble non fondée et même réfutée par omission ³⁹. En l’absence de preuves, nous qualifions de telles affirmations propriétaires de marketing fallacieux. L’entreprise ne s’engage pas autant dans le battage médiatique de l’IA que d’autres (peut-être en raison du ciblage d’un segment différent), mais elle n’excelle pas non plus. Il semble se contenter d’offrir du “consultingware” - des solutions qui sont aussi bonnes que les consultants qui les configurent. C’est bien pour certains clients, mais dans une comparaison en quête de vérité, cela signifie aucune innovation claire. L’approche de John Galt en matière d’optimisation des stocks implique probablement la mise en place de modèles de prévision et de politiques de stocks manuellement, plutôt que tout calcul probabiliste automatisé. Ainsi, il obtient un faible score sur presque tous nos critères : pas de modélisation probabiliste des délais d’exécution, pas d’IA/ML notable qui fonctionne, pas de preuve d’optimisation avancée des contraintes, et une automatisation limitée.

Le bilan sur John Galt : Il sert un segment du marché avec des outils plus simples, pilotés par l’utilisateur. Mais toute affirmation selon laquelle il serait plus précis ou “plus intelligent” que des solutions plus grandes n’est pas étayée par des preuves et doit être vue avec scepticisme. Les entreprises confrontées à de sérieux défis en matière de stocks (incertitude élevée, réseaux complexes) trouveraient probablement la technologie de John Galt sous-dimensionnée en toute probabilité.

Conclusion & Points Clés

Cette étude critique du marché révèle un paysage de logiciels de supply chain plein de revendications grandiloquentes mais pauvre en capacités prouvées et novatrices. Des fournisseurs comme Lokad et Slimstock se démarquent en poussant soit des méthodes réellement avancées (le moteur probabiliste de Lokad ⁶⁰), soit en restant fidèles à des fondamentaux honnêtes (l’approche sans fioritures de Slimstock ¹²). De nombreux autres acteurs - même des acteurs bien connus comme ToolsGroup, Blue Yonder, et o9 - sont empêtrés dans des buzzwords sans les soutenir :

Prévision probabiliste : Étonnamment, peu de fournisseurs l’adoptent vraiment. Lokad se distingue par la modélisation explicite de l’incertitude de la demande et du délai d’exécution ¹. La plupart des autres gèrent au mieux la variabilité de la demande de manière rudimentaire et ignorent l’incertitude du délai d’exécution, ce que nous considérons comme un échec critique. Une solution qui “ignore l’incertitude” dans les délais d’exécution est fondamentalement limitée ³. Les utilisateurs devraient mettre les fournisseurs au défi : Prévoyez-vous les délais d’exécution de manière probabiliste ? Si ce n’est pas le cas, attendez-vous à ce que les objectifs de stock soient sous-optimaux.
Buzzwords trompeurs : Le terme “demand sensing” est un récidiviste - utilisé par ToolsGroup, GAINS, etc., avec peu de fondement scientifique ¹⁹ ³². De même, les revendications génériques “AI/ML” sont monnaie courante. Blue Yonder et o9 en sont l’exemple, mettant en avant une terminologie à la mode mais proposant des algorithmes pas meilleurs que la régression ²⁸ ⁶¹. Les drapeaux rouges sont constants : si un fournisseur ne peut pas décrire en termes concrets ce que fait leur IA (par exemple, “utilise le gradient boosting sur l’historique des expéditions pour prédire la demande SKU-magasin”) et offre à la place des platitudes, on doit supposer le pire - qu’il y a “peu ou pas de substance” derrière la revendication ²⁸. Dans cette étude, nous avons fortement pénalisé tous ces cas. Notamment, les LLM (modèles de type ChatGPT) n’ont aucun rôle démontré dans le calcul des politiques de stock optimales (ils manquent de capacité d’optimisation numérique), donc toute allusion à un LLM optimisant votre stock est pure fiction. Heureusement, aucun des principaux fournisseurs ne prétend cela - mais certains pourraient intégrer des chatbots pour les requêtes des utilisateurs, ce qui n’est pas la même chose que l’optimisation de base.
Optimisation stochastique : Le test acide pour un moteur d’“optimisation” est de savoir s’il résout vraiment un objectif défini sous incertitude (maximiser le profit attendu, minimiser le coût sous réserve de service, etc.). La plupart des fournisseurs ici, sauf Lokad (et peut-être la partie SmartOps au sein de SAP), ne font pas de véritable optimisation stochastique. Ils s’appuient sur des heuristiques : fixer un objectif de service, calculer le stock de sécurité. Ce n’est pas de l’optimisation - c’est de la satisficing. ToolsGroup, par exemple, travaille encore largement sur les niveaux de service, et son discours sur une “algèbre des variables aléatoires” est plus marketing que réalité. Nous avons souligné cette incohérence pour ToolsGroup ²⁹. Les utilisateurs à la recherche de décisions optimales doivent être méfiants : de nombreux outils n’optimisent pas réellement un objectif financier ; ils se contentent d’imposer des objectifs de service. Il y a une grande différence. Si un fournisseur ne peut pas montrer une fonction objective et comment elle est résolue (par exemple, “nous maximisons le taux de remplissage attendu moins le coût de détention, en utilisant la simulation de Monte Carlo”), alors il ne fait probablement pas de véritable optimisation.
Automatisation : La promesse d’une “supply chain autonome” est séduisante. En pratique, peu l’ont réalisée. Notre évaluation a révélé que la plupart des fournisseurs nécessitent une contribution humaine importante, et leur automatisation est basée sur des règles ou se limite à des calculs. Lokad vise l’automatisation en permettant la programmation complète de la logique de décision (et ils suppriment explicitement les tâches manuelles répétitives) ⁸. RELEX automatise de nombreuses tâches de vente au détail mais utilise probablement des règles simples en coulisse pour cela. ToolsGroup et GAINS automatisent les mathématiques mais ont toujours besoin de planificateurs pour gérer les paramètres. L’automatisation complète - où le système s’adapte de lui-même aux nouvelles conditions - est rare. Donc, lorsqu’un fournisseur dit “autonome” ou “automatique,” exigez une explication : Qu’est-ce qui est exactement automatisé ? Comment les exceptions sont-elles gérées ? Y a-t-il une boucle de rétroaction ? Si les réponses sont floues, la revendication d’automatisation mérite le scepticisme. Nous avons constaté que les fournisseurs qui expliquaient le moins (o9, Blue Yonder) automatisaient probablement le moins, malgré de grandes revendications ⁶¹ ²⁸.
Contraintes complexes : Il est clair qu’une taille unique ne convient pas à tous. Certains fournisseurs répondent à des complexités spécifiques (RELEX pour l’expiration des aliments frais ²², GAINS pour les pièces réparables). D’autres couvrent principalement des contraintes génériques et s’appuient sur des solutions de contournement pour des cas spéciaux. La responsabilité incombe à l’acheteur de faire ressortir leurs besoins uniques (produits périssables, grands retours, etc.) et de demander au fournisseur comment ils le gèrent. Si la réponse est “nous avons des clients dans votre secteur” mais sans détails, c’est un avertissement. Dans notre étude, seul Lokad discute ouvertement du soutien de choses comme la cannibalisation et les contraintes personnalisées via son cadre de modélisation ⁴. La plupart des autres ignorent ces problèmes ou les mentionnent en passant sans méthode.

En conclusion, cette étude de marché sépare le signal du bruit. Les fournisseurs les mieux classés ont gagné leur place en alignant les revendications avec la réalité et en se concentrant sur une ingénierie solide :

Lokad – pour son approche probabiliste rigoureuse et sa volonté de détailler comment cela fonctionne ⁶⁰.
Slimstock – pour fournir des résultats fiables sans se cacher derrière des mots à la mode ⁶² (bien qu’il manque d’analytiques avancées, il est honnête à ce sujet).
RELEX – pour l’innovation pratique dans le commerce de détail (aliments frais, etc.) alors que nous restons prudents à propos de son battage médiatique sur l’IA non prouvée ¹⁸.

Les fournisseurs de rang moyen comme ToolsGroup et GAINS ont une profondeur fonctionnelle mais ont été déclassés en raison de “malpratiques marketing” – terminologie trompeuse et échec à évoluer techniquement ³⁶ ³².

Enfin, plusieurs solutions de grands noms (o9, Blue Yonder, SAP, Infor, John Galt) se sont retrouvées plus bas dans notre classement que leur notoriété sur le marché ne le suggérerait. La raison est simple : la réputation d’entreprise et le volume des ventes ne sont pas égaux à l’excellence technique. En fait, ces grandes suites portent souvent un héritage ancien ou un focus diffus, ce qui entrave l’évaluation en quête de vérité. Nous n’avons pas donné de crédit pour les brochures brillantes ou les positions dans le Gartner Magic Quadrant, car celles-ci reflètent souvent les revenus et l’étendue, et non la véritable puissance d’optimisation.

Conseil aux praticiens : Coupez à travers le superflu. Insistez sur des démos ou des études de cas qui montrent des distributions d’erreur réelles, des résultats de taux de service, ou des économies de coûts en situation d’incertitude. Demandez aux fournisseurs de faire tourner vos données pour un pilote et examinez si leurs sorties reflètent vraiment l’incertitude (par exemple, une gamme de scénarios) ou juste un chiffre. Vérifiez si leurs recommandations changent lorsque les conditions changent (indiquant une adaptabilité), ou si elles sont essentiellement des règles statiques. De nombreux fournisseurs vacilleront lorsqu’ils seront mis au défi sur ces fronts. Ceux qui brilleront seront ceux qui ont construit leurs solutions sur des bases analytiques solides plutôt que sur des sables mouvants marketing.

En fin de compte, l’optimisation efficace des stocks nécessite de marier une bonne science avec une exécution pratique. Comme le montre cette étude, très peu de fournisseurs excellent dans les deux. Ceux qui le font se démarquent clairement – et ceux qui ne le font pas, nous les avons mis à nu avec des citations et des faits. Nous exhortons les décideurs à utiliser ces informations pour couper à travers le bruit marketing et faire des choix basés sur la vérité et les preuves, et non sur le battage médiatique.