Revue d'Asper.ai, Fournisseur de Logiciels de Supply Chain

Par Léon Levinas-Ménard

Dernière mise à jour : avril 2025

Dans un monde de la supply chain de plus en plus axé sur les données, Asper.ai émerge comme une solution SaaS basée sur le cloud visant à affiner la prévision de la demande et la prise de décision opérationnelle pour les secteurs des biens de consommation et du commerce de détail. Fondée en 2022 et intégrée dans la suite Fractal Analytics, la plateforme “Dynamic Demand.ai” d’Asper.ai exploite des données internes et externes diverses—allant des ventes historiques et des niveaux de stocks aux indicateurs macroéconomiques et calendriers des fêtes—pour fournir des prévisions et des recommandations pilotées par l’IA. Avec des mises en œuvre rapides de preuve de valeur généralement dans les huit semaines et une focalisation sur l’explicabilité, la plateforme automatise les processus décisionnels à faible risque tout en signalant les scénarios plus critiques nécessitant une intervention humaine. Conçue pour s’intégrer parfaitement aux systèmes hérités de planification des ventes et des opérations et déployée sur l’infrastructure AWS (en utilisant des services comme Redshift, EMR et ElastiCache), Asper.ai se positionne comme un facilitateur pratique et dynamique pour les cadres de la supply chain cherchant à améliorer la précision des prévisions, la gestion des revenus et l’efficacité opérationnelle.

Présentation de l’entreprise

1.1 Histoire et Contexte

Asper.ai a été créée en 2022, comme le confirment les profils de startup sur YNOS ¹. La plateforme est proposée sous l’égide de Fractal Analytics, soutenue par un investissement rapporté de 20 millions de dollars détaillé dans des publications spécialisées ². Plutôt que de chercher à être positionnée comme une licorne autonome, Asper.ai est présentée comme un outil spécialement conçu qui améliore la prise de décision pour les marchés des biens de consommation et du commerce de détail en optimisant la prévision de la demande, les stocks et les processus de tarification.

Présentation du Produit

2.1 Ce que la Solution Offre

La fonctionnalité principale de la plateforme Dynamic Demand.ai d’Asper.ai se concentre sur : • Améliorer la prévision de la demande en consolidant des signaux internes tels que les ventes, les stocks et les calendriers promotionnels avec des données externes comme les jours fériés et les indicateurs économiques ³. • Optimiser les revenus et les stocks grâce à des recommandations basées sur l’IA qui ajustent les prix, les stratégies promotionnelles et les niveaux de stocks pour réduire les coûts en capital de travail. • Automatiser les décisions à faible risque et routinières afin que les planificateurs de la demande puissent consacrer plus d’attention aux exceptions complexes et à fort impact.

2.2 Comment Ça Marche

Asper.ai ingère de multiples sources de données structurées et non structurées pour capturer des interactions non linéaires latentes entre divers moteurs de la demande. Son moteur de prévision piloté par l’IA met l’accent sur l’explicabilité en offrant des insights sur la manière dont les facteurs individuels affectent les résultats des prévisions. Avec des cycles de rafraîchissement de prévisions rapides—fournissant des prévisions quasi finales pour un horizon de quatre mois en quelques jours et des mises à jour ultérieures en quelques heures—la solution est conçue pour des déploiements rapides de preuve de valeur (souvent dans les huit semaines) et une intégration aisée avec les systèmes S&OP existants. La plateforme fonctionne en tant que produit SaaS basé sur le cloud sur AWS, avec des détails de déploiement disponibles via le AWS Marketplace ⁴.

Aspects Techniques et IA

3.1 Stack Technologique et Infrastructure

Asper.ai exploite les services cloud AWS (y compris Redshift, EMR et ElastiCache) pour garantir la scalabilité et un déploiement rapide. Les indicateurs des offres d’emploi et des profils technologiques suggèrent un environnement de développement moderne soutenu par des outils collaboratifs et des moniteurs de performance numérique ⁵. Cette infrastructure soutient le besoin de la plateforme de gérer de gros volumes de données à travers plusieurs canaux tout en maintenant une intégration robuste avec les systèmes d’entreprise hérités.

3.2 Capacités en Apprentissage Automatique et IA

La plateforme utilise des modèles d’apprentissage automatique qui ajustent les prévisions en fonction à la fois de métriques internes (comme le volume des ventes et les calendriers promotionnels) et de variables externes (comme les indicateurs macroéconomiques). Bien qu’Asper.ai mette en avant “l’IA explicative” pour une attribution plus claire des moteurs de prévision, la documentation technique reste peu détaillée concernant les architectures de modèles spécifiques ou les méthodologies de formation. Le système distingue en outre entre des scénarios de demande à haut risque et à faible risque, automatisant les décisions pour ces derniers tout en veillant à ce que les cas critiques fassent l’objet d’un examen humain ³⁶. Bien que les métriques de performance citées dans les études de cas clients incluent des améliorations de 5 à 15 % de la précision des prévisions et jusqu’à 40 % d’améliorations de la productivité des planificateurs, les divulgations détaillées sur la validation des modèles et les marges d’erreur sont limitées ⁷.

Analyse Critique et Sceptique

Un examen plus approfondi révèle qu’Alors qu’Asper.ai adopte un déploiement moderne basé sur le cloud et intègre efficacement diverses sources de données, plusieurs affirmations techniques manquent de détails granulaires. La dépendance de la plateforme à des composants AWS standard de l’industrie sous-tend sa scalabilité, mais l’absence de divulgations approfondies sur les architectures de modèles ou les ensembles de données de formation laisse place au scepticisme quant à savoir si son “IA spécialement conçue” représente une percée ou simplement une application bien intégrée de techniques de prévision existantes. Les améliorations de la précision des prévisions et de la productivité des planificateurs, citées dans diverses études de cas ⁸⁹, sont prometteuses mais peuvent dépendre fortement de la qualité des données des clients et des contextes de marché spécifiques. Ainsi, bien qu’Asper.ai apporte des avantages opérationnels tangibles, ses affirmations sur une IA de pointe restent, dans une certaine mesure, promotionnelles sans une substantiation technique complète.

Asper.ai vs Lokad

En comparaison avec Lokad—un pionnier établi en 2008 dans l’espace de l’optimisation de la supply chain—des différences claires émergent. L’approche de Lokad est profondément enracinée dans une méthodologie quantitative et programmable utilisant son DSL Envision propriétaire et des techniques avancées incluant le deep learning et la programmation différentiable. Opérant sur Microsoft Azure avec une pile technologique centrée autour de F#, C# et TypeScript, Lokad cible un large éventail d’industries (de l’aérospatiale à la mode) et met l’accent sur l’automatisation des décisions de bout en bout de la supply chain.

En revanche, Asper.ai, fondée il y a quelques années seulement et alignée avec Fractal Analytics, se concentre spécifiquement sur les secteurs des biens de consommation et du commerce de détail. En s’appuyant sur l’infrastructure AWS, elle met l’accent sur une mise en œuvre rapide, l’explicabilité des sorties de l’IA et l’automatisation des processus décisionnels routiniers plutôt que sur une plateforme d’optimisation de la supply chain hautement personnalisable et basée sur le code. Essentiellement, alors que Lokad défend une approche profondément technique, presque “construisez-la vous-même” pour l’optimisation de la supply chain, Asper.ai propose une solution plus intégrée, prête à l’emploi, mettant l’accent sur la transparence et la facilité de déploiement. Cela rend chacun attrayant pour différents segments de marché : Lokad pour les entreprises prêtes à investir dans un système hautement personnalisé et programmable, et Asper.ai pour les organisations cherchant à déployer rapidement des prévisions améliorées et un support décisionnel sans investissement initial important.

Conclusion

Asper.ai présente une solution moderne et prometteuse pour automatiser et affiner la prévision de la demande et les processus décisionnels connexes dans les secteurs des biens de consommation et du commerce de détail. En intégrant diverses sources de données dans un moteur de prévision piloté par l’IA avec un accent sur l’explicabilité et le déploiement rapide, la plateforme offre des avantages pratiques en termes d’exactitude des prévisions améliorée et d’efficacité opérationnelle accrue. Cependant, le manque relatif de divulgations techniques détaillées signifie que, bien que les résultats soient encourageants, les adoptants potentiels devraient évaluer si les méthodes de la plateforme représentent vraiment une percée en matière d’IA ou plutôt une application bien intégrée de techniques existantes. En comparant Asper.ai avec des acteurs établis comme Lokad, il devient clair que malgré les différences d’approche et d’infrastructure—AWS et mise en œuvre rapide contre optimisation profondément programmable alimentée par Azure—chacun a ses forces uniques adaptées à son marché cible.