Analyse de Getron, Fournisseur de Logiciels d'Optimisation de la Supply Chain Pilotés par l'IA

Par Léon Levinas-Ménard

Dernière mise à jour : avril 2025

Fondée en 2003 et se positionnant comme “votre partenaire Data & IA”, Getron propose une suite d’outils logiciels intégrés visant à optimiser la gestion des stocks et de la supply chain. La plateforme englobe des services prescriptifs, prédictifs et diagnostiques - y compris des transactions automatisées sur les stocks, des prévisions de prix et de coûts, et la gestion des commandes - le tout livré via une solution SaaS/PaaS native du cloud, basée sur Microsoft Azure. Promettant une mise en œuvre rapide (aussi rapide que deux semaines) et un retour sur investissement rapide, la solution de Getron est construite autour d’une structure de données propriétaire (GDS) et d’une interface de personnalisation de masse sans code conçue pour simplifier la définition des règles et l’intégration ERP. Cependant, une analyse critique des détails disponibles publiquement révèle que bien que Getron mette en avant la prise de décision alimentée par l’IA et l’explicabilité (xAI), ses divulgations techniques restent vagues concernant les algorithmes sous-jacents et les méthodes d’optimisation qui soutiennent ses revendications.

Contexte et Historique de l’Entreprise

Selon son profil LinkedIn, Getron a été fondée en 2003 et s’identifie comme un “partenaire Data & IA” intersectoriel desservant les secteurs du commerce de détail, de la santé, de la fabrication, de l’énergie et de l’automobile¹. Bien que certaines recherches en ligne suggèrent des pistes d’acquisition possibles, les preuves disponibles publiquement ne confirment aucun événement d’acquisition significatif dans l’histoire de l’entreprise.

Présentation du Produit et Fonctionnalités

Getron commercialise une suite intégrée de Services d’IA pour relever divers défis en matière de stocks et de supply chain :

Getron PST (Transactions de Stocks Prescriptives) :
Conçu pour générer et exécuter automatiquement des ordres de travail pour le mouvement des stocks entre les entrepôts, les fournisseurs et les magasins, avec une technologie “xAI alimentée” qui explique les décisions sous-jacentes².
Getron ARE (Entités Recommandées pour l’Action) :
Axé sur l’optimisation des remises, les stratégies d’achat répétées et les recommandations de déréférencement.
Getron PBD (Diagnostics Commerciaux Prédictifs) :
Fournit des diagnostics prédictifs basés sur plusieurs KPI et des insights pilotés par des tableaux de bord.
Getron PSP (Planification d’Approvisionnement Prescriptive) :
Fournit une planification d’approvisionnement à long terme avec prévisions de la demande et analyse de scénarios.
Getron PRIX (Coûts et Prix Prescriptifs) :
Prévoit les coûts, la demande et les prix simultanément, en intégrant l’élasticité des prix et les effets saisonniers.
Getron OMP (Gestion et Planification des Commandes) :
Rationalise les flux de commandes et s’intègre aux systèmes ERP des clients.

Technologie et Architecture

Getron met l’accent sur un modèle de livraison flexible et natif du cloud basé sur les principes SaaS/PaaS. L’ensemble de la solution est hébergé sur Microsoft Azure, promettant un déploiement rapide et des investissements matériels réduits³⁴. Une revendication technologique clé est l’utilisation d’une “Structure de Données Getron (GDS)” propriétaire qui transforme les données d’entrée brutes pour un traitement efficace, réduisant ainsi apparemment le besoin d’équipes spécialisées en science des données. De plus, l’Interface de Personnalisation de Masse (MCI) est commercialisée comme une plateforme sans code permettant aux clients de définir des règles métier personnalisées et de s’intégrer de manière transparente avec des systèmes ERP tiers, bien que peu de détails d’implémentation technique aient été divulgués⁵.

Modèle de Déploiement et de Mise en Œuvre

Les documents marketing mettent en avant la capacité de Getron à “être opérationnel en 2 semaines” avec un retour sur investissement en aussi peu que 2 mois. L’ensemble de la solution est livré via un modèle basé sur le cloud qui élimine les installations sur site et exploite les fonctionnalités de sécurité et de performance d’Azure. Cette approche d’implémentation rapide contraste avec les déploiements traditionnels de logiciels d’entreprise plus lents, bien que les promesses soient assorties de la mise en garde d’un manque de preuves techniques publiquement disponibles soutenant de tels délais accélérés⁴.

Analyse des Composants d’IA, de ML et d’Optimisation

Getron affirme que sa plateforme exploite l’intelligence artificielle pour générer des ordres de travail exploitables, des prévisions de la demande avancées et optimiser les niveaux de stocks en utilisant des approches multi-modèles. L’utilisation de l’ “IA explicative (xAI)” est mise en avant comme un moyen de fournir une transparence derrière la logique de décision. Cependant, un examen plus approfondi révèle plusieurs points sceptiques :

Méthodologies Vagues :
Malgré de fréquentes références à l’IA/ML, peu d’informations détaillées sont fournies sur les algorithmes spécifiques, les architectures de modèles ou les techniques d’optimisation utilisées.
Exigences en Données vs. Revendications :
Il y a un conflit apparent entre les revendications d’un fonctionnement efficace avec un minimum de données historiques et les recommandations suggérant l’utilisation d’au moins deux ans de données pour capturer la saisonnalité.
Approche d’Optimisation :
Bien que le système aborde apparemment l’optimisation des stocks, les stratégies de remise et les recommandations de coûts/prix, il n’est pas clair si celles-ci sont basées sur des algorithmes ML sophistiqués et dynamiques ou simplement sur des méthodes heuristiques et statistiques.

Offres d’Emploi et Stack Technologique

Les informations de la page carrières de Getron mettent l’accent sur une culture de travail agile et à distance avec une équipe diversifiée, mais fournissent peu de détails sur la stack technologique sous-jacente. Des indices indirects provenant de sources tierces laissent entendre l’utilisation de technologies web standard (HTML5, serveur Apache, etc.), mais les détails concernant les langages de programmation backend ou les bibliothèques d’IA/ML ne sont pas divulgués⁶.

Getron vs Lokad

Un contraste clair apparaît lors de la comparaison de l’offre de Getron avec la plateforme de supply chain quantitative bien documentée de Lokad. Alors que Getron promeut une suite intégrée rapide à déployer basée sur une structure de données propriétaire et une interface de configuration sans code, ses divulgations techniques restent limitées et ses fondements en IA/ML largement non vérifiés. En revanche, Lokad, fondée en 2008, a poursuivi une évolution rigoureuse et axée sur la recherche dans l’optimisation de la supply chain. La plateforme de Lokad exploite un langage spécifique au domaine personnalisé (Envision) pour construire des “apps” d’optimisation sur mesure et utilise des techniques avancées de prévision probabiliste, de deep learning et même de programmation différentiable pour prendre des décisions en temps réel et de haute précision⁷. Alors que Getron met l’accent sur un retour sur investissement rapide et la simplicité, Lokad investit dans la construction d’une approche entièrement transparente, modulaire et mathématiquement fondée pour l’automatisation des décisions en supply chain, même si cela nécessite une expertise technique plus élevée de la part de ses utilisateurs.

Conclusion

Getron présente une vision attrayante avec sa suite intégrée de services alimentés par l’IA visant à transformer la gestion des stocks et de la supply chain, promettant un déploiement rapide et des résultats opérationnels améliorés. Cependant, l’examen révèle des lacunes significatives en termes de transparence technique concernant ses méthodologies en IA/ML et en optimisation. En comparaison avec des plateformes technologiquement matures comme Lokad, qui démontrent un engagement profond et soutenu par la recherche en matière d’optimisation de la supply chain quantitative, l’approche de Getron peut offrir une facilité de déploiement mais pèche en fournissant des détails vérifiables. Les entreprises envisageant d’adopter Getron devraient peser les avantages d’une mise en œuvre rapide par rapport au besoin d’une base technologique robuste et clairement articulée, et pourraient bénéficier d’une validation technique indépendante supplémentaire avant une adoption à grande échelle.