Software di ottimizzazione dell'inventario aziendale, febbraio 2025

Di Léon Levinas-Ménard

Ultima modifica: 2 febbraio 2025

Obiettivo: Questo studio classifica i principali fornitori di software di ottimizzazione dell’inventario aziendale con un approccio rigoroso basato su prove. Penalizziamo il marketing vago, i termini di moda non supportati dall’intelligenza artificiale e la mancanza di vere capacità stocastiche. I criteri chiave includono: (1) supporto comprovato sia per la previsione della domanda probabilistica che per la previsione del lead time probabilistica (i fornitori che omettono l’incertezza del lead time sono considerati non seri); (2) credibilità delle funzionalità avanzate (cannibalizzazione, “sensing della domanda”, AI/ML, ecc. devono essere supportati da dettagli di ingegneria reali o altrimenti etichettati come fasulli); (3) livello di automazione (ottimizzazione veramente non assistita rispetto alla necessità di regolazioni manuali); e (4) capacità di gestire vincoli complessi (scadenze, tracciabilità seriale/lotto, resi, quantità di lotto, sconti per quantità, cannibalizzazione del prodotto, modelli irregolari “quasi stagionali”, costi di capacità di stoccaggio, ecc.).

Fornitori classificati

Di seguito è riportata una classifica oggettiva dei migliori fornitori di ottimizzazione dell’inventario, dal più credibile al meno credibile, basata sui criteri sopra indicati. Ogni valutazione del fornitore evidenzia i punti di forza, mette in luce i punti deboli e cita prove di eventuali affermazioni fuorvianti.

1. Lokad – Pioniere probabilistico con piena trasparenza

Panoramica: Lokad si distingue per un vero approccio probabilistico alla supply chain. Modella esplicitamente sia la variabilità della domanda che la variabilità del lead time, trattando i lead time come variabili casuali prevedibili (non input fissi) ¹. Il sistema di Lokad fornisce un “algebra delle variabili casuali” – essenzialmente un supporto di prima classe per le distribuzioni di probabilità – consentendo calcoli stocastici complessi che tengono conto dell’incertezza ad ogni passo ² ³. Questa rigorosità matematica distingue Lokad dai concorrenti che spesso simulano l’incertezza in modi ad hoc (o ignorano del tutto il rischio del lead time).

Domanda e lead time probabilistici: Lokad soddisfa chiaramente il criterio della doppia previsione. La sua documentazione sottolinea che “i lead time possono e devono essere previsti proprio come la domanda” ¹. La piattaforma può produrre modelli di lead time probabilistici (ad es. utilizzando distribuzioni log-logistiche) e combinarli con le previsioni della domanda ¹ – una pietra angolare per calcoli precisi di riordino. Abbracciando entrambi gli aspetti dell’incertezza, Lokad evita il comune errore di altri strumenti che assumono che i lead time siano statici o che bastino solo le scorte di sicurezza.

Funzionalità avanzate (Cannibalizzazione, ecc.): Lokad fornisce dettagli di ingegneria concreti su vincoli avanzati. Introduce l’ottimizzazione stocastica che massimizza la redditività attesa rispettando i vincoli specifici del cliente, inclusi effetti tra prodotti come cannibalizzazione e sostituzione ⁴. Ad esempio, Lokad può modellare come i prodotti si cannibalizzano reciprocamente nella domanda o agiscono come sostituti, e incorporare queste relazioni nella logica di ottimizzazione. Questo non è solo un’affermazione vaga – è supportato da un approccio “programmatico” (lo scripting di Envision di Lokad) in cui gli scienziati della supply chain codificano esplicitamente tali relazioni. Allo stesso modo, fenomeni difficili come i resi sporadici o i tassi di scarto possono essere previsti in modo probabilistico e inclusi nelle decisioni ³. I materiali pubblici di Lokad approfondiscono questi dettagli tecnici (ad es. previsione dei resi per l’e-commerce o variabilità del rendimento nella produzione ⁵ ⁶), mostrando evidenze di capacità. Non ci si affida a termini di moda vuoti; invece, Lokad discute metodi (simulazioni Monte Carlo, programmazione probabilistica, ecc.) e pubblica addirittura lezioni su come questi sono implementati ⁷. Le affermazioni di AI/ML sono minime – l’attenzione è rivolta a miglioramenti misurabili e basati su modelli.

Automazione: L’automazione completa è un obiettivo di design fondamentale per Lokad. La piattaforma è progettata per un funzionamento non assistito: “automatizza in modo aggressivo compiti ripetitivi” nell’ottimizzazione della supply chain ⁸. L’approccio di Lokad è quello di far generare al suo motore decisioni ottimali (ordini di acquisto, allocazioni di stock, piani di produzione) senza costante micromanagement umano. Molti dei suoi clienti utilizzano il sistema in modalità non assistita, intervenendo solo in caso di eccezioni. Lokad fornisce persino un linguaggio di programmazione proprietario (Envision) per personalizzare la logica decisionale, garantendo che tutti gli scenari di routine siano gestiti dal software. L’azienda sottolinea apertamente che ricette numeriche automatizzate su larga scala guidano le decisioni quotidiane, riducendo la necessità di procedure operative standard manuali ⁸. Questa chiara spiegazione di come le decisioni vengono automatizzate (tramite uno script ottimizzato e un pipeline di risoluzione) è molto più convincente delle generiche promesse di “automazione AI” dei concorrenti.

Gestione dei vincoli: Lokad supporta robustamente vincoli non banali. Poiché utilizza un linguaggio di modellazione flessibile, può tener conto di date di scadenza (ad es. prevedendo distribuzioni di shelf-life e forzando la “vendita prima della scadenza”), tracciabilità seriale/lotto (attraverso variabili di stock specifiche per l’età dell’inventario o il lotto), resi e ricondizionamenti (modellando le probabilità di reso e i lead time per i resi ⁶), dimensioni dei lotti/MOQ (integrati nell’ottimizzazione valutando quantità discrete di lotti), sconti fornitori o promozioni (ottimizzando il tempismo/quantità degli ordini per massimizzare il beneficio dello sconto rispetto al costo di mantenimento ⁹), effetti di cannibalizzazione e sostituzione (esplicitamente menzionati come gestiti nel suo motore stocastico ⁴), quasi-stagionalità (la sua previsione può catturare modelli stagionali insoliti tramite modelli probabilistici) e vincoli di stoccaggio o capacità (incorporando costi/penalità di capacità nell’obiettivo di ottimizzazione). La documentazione di Lokad sottolinea persino che “riflette tutti i driver economici” legati alle decisioni ¹⁰ e tiene conto di “vincoli unici” per cliente - un livello di dettaglio assente dalla maggior parte delle descrizioni dei fornitori. In breve, Lokad dimostra con chiarezza tecnica di affrontare scenari reali complessi, anziché fare affermazioni superficiali.

Verdetto: Lokad si posiziona al top grazie al suo approccio scientifico senza compromessi e alla trasparenza. È uno dei pochi fornitori a implementare veramente previsioni probabilistiche (domanda e offerta) e vera ottimizzazione stocastica ⁴. La pubblicità ingannevole è praticamente nulla - invece di hype, Lokad fornisce prove (whitepapers, documenti tecnici) di come ottiene risultati. Questo etos basato sulla verità, combinato con un’automazione e una gestione dei vincoli solide, rende Lokad un punto di riferimento per le aziende che cercano un’ottimizzazione dell’inventario seria e di prossima generazione. L’unico avvertimento è che l’approccio di Lokad richiede una mentalità quantitativa - è intenzionalmente complesso sotto il cofano - ma il risultato è una soluzione radicata nella realtà piuttosto che nelle parole di moda.

2. Slimstock – Tradizionalista Pragmatico (Onesto ma Meno Avanzato)

Panoramica: Slimstock (con il suo prodotto Slim4) rappresenta un approccio mainstream e classico all’ottimizzazione dell’inventario. In modo unico, Slimstock è sorprendentemente privo di hype sull’AI. L’azienda si concentra su metodi comprovati come il calcolo dello stock di sicurezza, la Quantità Economica di Ordine (EOQ) e altre tecniche standard della supply chain ¹¹. La filosofia di Slimstock è quella di fornire “soluzioni pratiche semplici e dirette anziché fare vaghe affermazioni sull’AI” ¹². Questa onestà e focalizzazione sui concetti di base hanno fatto guadagnare a Slimstock una grande reputazione per usabilità e affidabilità tra gli operatori.

Capacità Probabilistiche: Qui è dove Slimstock non è all’altezza degli standard moderni. Slim4 non pubblicizza esplicitamente la previsione probabilistica della domanda, né alcuna forma di modellizzazione stocastica dei lead time. La sua funzionalità ruota attorno alla previsione deterministica tradizionale (spesso tramite metodi di serie temporali) combinata con buffer (stock di sicurezza) per gestire la variabilità. Anche se Slimstock tiene sicuramente conto dei lead time nei suoi calcoli (i lead time sono un input per calcolare i punti di riordino e lo stock di sicurezza), li tratta come parametri dati, non come variabili casuali da prevedere. Non c’è alcuna evidenza che Slim4 produca distribuzioni di probabilità complete della domanda o dei lead time. Ciò significa che Slimstock, sebbene robusto in senso classico, “ignora l’incertezza” nel modo granulare in cui i metodi probabilistici catturano ³. Secondo i nostri criteri, non modellare esplicitamente l’incertezza dei lead time è una limitazione seria - un punto a sfavore della profondità tecnica di Slimstock. Tuttavia, Slimstock mitiga questo almeno essendo onesto sull’uso di metodi semplici; non finge di avere tecnologie stocastiche avanzate. Per molte aziende, l’approccio conservatore di Slim4 produce risultati accettabili, ma potrebbe lasciare soldi sul tavolo rispetto all’ottimizzazione veramente probabilistica.

Reclami sulle Funzionalità Avanzate: In generale, Slimstock non esagera le capacità che non possiede. Non sentirai Slim4 vantarsi di “previsioni basate sull’AI” o di “previsioni di machine learning”. Infatti, questo approccio con poca retorica è evidenziato come positivo: “È rinfrescante vedere un fornitore concentrarsi sulle praticità… anziché fare vaghe affermazioni sull’AI.” ¹³. Detto ciò, il set di funzionalità di Slimstock è relativamente limitato. Interazioni complesse come cannibalizzazione dei prodotti o effetti di sostituzione non sono un focus principale (dovresti gestirli tramite aggiustamenti manuali o analisi accessorie). Allo stesso modo, la gestione di cose come promozioni, fattori causali o nuove tecniche di ML è minima. Slimstock eccelle in ciò che fa (previsione statistica, riordino multi-echelon con stock di sicurezza) ma non si avventura in territori all’avanguardia - e a suo merito, non finge di farlo. Eventuali affermazioni che fa (ad es. “livelli di inventario ottimizzati” o “aumento del servizio con meno stock”) sono supportate da funzionalità dirette, non da un’AI vaga. Non abbiamo trovato parole chiave allarmanti come “previsione della domanda” nei materiali di Slimstock, indicando un lodevole focus sulla sostanza rispetto allo stile.

Automazione: Slim4 è progettato per essere facile da usare dai pianificatori, il che implica una combinazione di automazione e controllo manuale. Lo strumento genererà automaticamente previsioni, punti di riordino e obiettivi di inventario per migliaia di SKU attraverso gli echeloni. Gli utenti spesso impostano obiettivi di livello di servizio e lasciano che Slim4 calcoli i buffer di stock necessari. Nella pratica, Slimstock consente un processo semi-automatico: i calcoli di routine sono gestiti dal sistema, ma i pianificatori di solito revisionano le eccezioni o regolano i parametri. Slimstock non proclama “catena di approvvigionamento completamente autonoma” nel suo marketing - invece, si posiziona come strumento di supporto alle decisioni del pianificatore. L’assenza di una chiara affermazione di “automazione a scatola chiusa” significa che non possiamo biasimare Slimstock per nascondere lo sforzo manuale; si aspettano che gli utenti rimangano nel loop. Tuttavia, rispetto ai fornitori che mirano a un’ottimizzazione completamente non assistita, l’approccio di Slimstock potrebbe richiedere più interventi continui da parte dell’utente (ad es. aggiornare le previsioni per nuove tendenze, gestire manualmente gli articoli in scadenza, ecc.). È un livello pragmatico di automazione adatto a molte aziende di medie dimensioni, se non l’ideale teorico dell’ottimizzazione “senza tocco”.

Gestione dei vincoli: In linea con il suo approccio classico, Slimstock gestisce i vincoli comuni della supply chain ma non tutti quelli complessi. Date di scadenza: Slim4 può gestire il controllo di base della shelf-life (avvisi per gli articoli in prossimità della scadenza, rotazione del magazzino in base al primo che scade, primo che esce), ma probabilmente non fa una sofisticata ottimizzazione dei prodotti deperibili. Lotti / MOQs: Sì, Slim4 supporta questi vincoli standard nei calcoli di riordino. Multi-echelon: Il core di Slimstock è l’ottimizzazione del magazzino multi-echelon, quindi bilancia le scorte tra le sedi, anche se utilizza metodi tradizionali di allocazione del livello di servizio anziché l’ottimizzazione della rete completamente stocastica. Cannibalizzazione e sostituzione: in gran parte non supportate in modo automatizzato - gli utenti devono regolare manualmente le previsioni per le transizioni o sovrapposizioni dei prodotti, poiché i modelli di Slim4 non sapranno intrinsecamente che il Prodotto B ruba la domanda al Prodotto A. Resi, tracciabilità seriale: al di fuori del campo delle previsioni di Slim4, questi sarebbero gestiti dal lato ERP/magazzino. “Quasi-stagionalità” (picchi di domanda irregolari, legati a eventi) potrebbero non essere catturati a meno che l’utente non li inserisca manualmente nelle previsioni (ad es. tramite profili stagionali o override). Costi della capacità di stoccaggio: Slimstock assume tipicamente una capacità infinita o utilizza vincoli semplicistici; non esegue un’ottimizzazione non lineare complessa dello spazio di stoccaggio - anche in questo caso sarebbe necessario un intervento umano (ad es. pianificatori che abbassano gli obiettivi quando lo spazio è limitato). In sintesi, Slimstock copre le “banalità ma criticità pratiche” - è molto efficace per la gestione degli stock di testo (punti di riordino corretti, scorte di sicurezza, segmentazione ABC, ecc.), e lo fa con integrità. Tuttavia non è lo strumento per modellare ogni scenario esoterico. Le aziende con vincoli molto complessi o modelli di incertezza potrebbero superare ciò che Slim4 può offrire.

Verdetto: Slimstock guadagna un alto punteggio per la sua onestà rinfrescante e solida comprensione dei fondamenti. Fornisce una soluzione affidabile senza ricorrere a gergo di moda o promesse esagerate sull’IA. Negli ambienti in cui le formule di inventario classiche sono sufficienti, Slim4 offre risultati ed è amato per il suo stile user-friendly e senza fronzoli. Tuttavia, secondo i nostri rigorosi criteri, Slimstock non può essere considerato all’avanguardia. La mancanza di previsioni probabilistiche esplicite (specialmente l’assenza di modellizzazione della distribuzione dei tempi di consegna) è una lacuna notevole - rendendolo “non serio” per le organizzazioni che richiedono una rigorosa quantificazione dell’incertezza. Tuttavia temperiamo quell’etichetta: Slimstock è serio riguardo alla gestione degli stock, ma all’interno di un paradigma tradizionale. Nel complesso, Slimstock è un’ottima scelta per le aziende che valorizzano la praticità rispetto ai luoghi comuni, purché comprendano i suoi limiti nell’analisi avanzata.

3. Soluzioni RELEX - Orientate al Retail, Analisi Rapide - Grandi Rivendicazioni Sotto Scrutinio

Panoramica: Soluzioni RELEX è salita rapidamente, soprattutto nel settore del retail, vantando una piattaforma “guidata dall’IA” per la previsione della domanda e l’ottimizzazione degli stock ¹⁴. Il marchio distintivo di RELEX è un sistema “Live Plan” in memoria che offre agli utenti una visibilità rapida e dettagliata dei loro stock e delle previsioni tra i negozi e i centri di distribuzione. Questa architettura (spesso paragonata a un cubo OLAP o a un “gemello digitale”) consente impressionanti cruscotti in tempo reale e rapide analisi “what-if”. RELEX è specializzata nel retail e nei prodotti freschi, vantando funzionalità per gestire generi alimentari, prodotti deperibili e promozioni. A prima vista, RELEX sembra molto capace: parla di automatizzare il rifornimento, ottimizzare le allocazioni e suggerisce persino di mantenere un’disponibilità in stock del 99%+. Tuttavia, uno sguardo più attento rivela una combinazione di punti di forza e debolezze: forte analisi in tempo reale e alcune caratteristiche uniche, ma possibili carenze nella scienza dell’ottimizzazione e della previsione profonda.

Domanda probabilistica e tempi di consegna: RELEX fa davvero previsioni probabilistiche? L’azienda promuove pesantemente le sue “previsioni guidate dall’IA”, ma i dettagli sono scarsi. RELEX non pubblica prove di generare distribuzioni di probabilità complete per la domanda come fa Lokad. Il suo focus sembra essere sul miglioramento delle previsioni puntuali (utilizzando l’apprendimento automatico sui dati recenti - ciò che alcuni chiamano “sensore della domanda”) e poi utilizzarle nei calcoli degli stock. In modo critico, non abbiamo trovato alcuna menzione di previsioni probabilistiche sui tempi di consegna nei materiali di RELEX. I tempi di consegna fanno certamente parte della pianificazione di RELEX (si inseriscono i tempi di consegna e il sistema sa che tempi di consegna più lunghi richiedono un maggiore stock di sicurezza), ma trattare il tempo di consegna come una variabile casuale con una distribuzione - non c’è indicazione che RELEX faccia ciò. Date le nostre criteri, questa omissione è seria. Un fornitore che non affronta esplicitamente l’incertezza dei tempi di consegna è carente. Il modulo di pianificazione di RELEX probabilmente utilizza un tempo di consegna deterministico più forse un buffer per la variabilità, il che non raggiunge una vera ottimizzazione stocastica. Infatti, l’approccio complessivo di RELEX all’incertezza sembra tradizionale: probabilmente utilizza formule di stock di sicurezza sotto il cofano. Un’analisi indipendente ha notato che la tecnologia di previsione di RELEX “sembra essere modelli pre-2000.” ¹⁵ - suggerendo che si basino su metodi collaudati (come il liscio esponenziale) piuttosto che su una svolta nelle previsioni probabilistiche. Quindi, mentre le previsioni di domanda di RELEX possono essere più dettagliate (ad es. giornaliere, per negozio/SKU) e aggiornate frequentemente, non troviamo prove di vere previsioni probabilistiche nel senso accademico. Questo mette RELEX dietro i fornitori che modellano distribuzioni complete di domanda/tempi di consegna.

Reclami sulle funzionalità avanzate (IA, Cannibalizzazione, ecc.): La pubblicità di RELEX fa un uso liberale di termini come “guidato dall’IA”, “apprendimento automatico” e persino “gemello digitale”. Ad esempio, pubblicizza “previsione della domanda guidata dall’IA e ottimizzazione degli stock multi-echelon” ¹⁴ e “ripristino autonomo degli stock” ¹⁶. Tuttavia, mancano specifiche tecniche. RELEX spiega raramente quali algoritmi o tecniche di IA utilizza - un campanello d’allarme sotto la nostra attenta osservazione. Le affermazioni dell’azienda riguardanti la gestione delle sfide avanzate del retail meritano un’analisi:

Cannibalizzazione e Sostituzione: In teoria, queste sono critiche nel retail (ad es. nuovi prodotti che sostituiscono quelli vecchi, o un articolo che ruba vendite a un altro quando posizionato vicino). L’architettura di RELEX potrebbe effettivamente ostacolare una buona modellazione di queste. Gli osservatori notano che il design in memoria/OLAP di RELEX è “in contrasto con l’ottimizzazione a livello di rete e con i modelli di domanda del retail come le sostituzioni e le cannibalizzazioni.” ¹⁷ Poiché il sistema è progettato per interrogazioni rapide, potrebbe mancare il sofisticato strato di ottimizzazione necessario per simulare la perdita di domanda di un prodotto come guadagno di un altro. Non abbiamo trovato RELEX affermare esplicitamente di risolvere la cannibalizzazione oltre le dichiarazioni generiche sull’IA. Date le complessità, sospettiamo che RELEX non abbia una capacità esplicita e provata di modellare gli effetti della cannibalizzazione (almeno non molto oltre ciò che un pianificatore potrebbe regolare manualmente). Quindi, qualsiasi affermazione ampia che la sua IA gestisca tali interazioni è non supportata - la consideriamo falsa fino a prova contraria.
“Demand Sensing”: RELEX offre un modulo per il rilevamento della domanda a breve termine (acquisendo dati recenti POS, meteo, ecc.). Il “rilevamento della domanda” come parola d’ordine è un noto campanello d’allarme - spesso sovra-venduto con poco supporto scientifico ¹⁸. RELEX non ha pubblicato prove revisionate dai pari che il suo rilevamento della domanda produca risultati migliori rispetto alla previsione tradizionale. Rimaniamo scettici di qualsiasi fornitore che spinga questo termine senza dati chiari. A meno che RELEX non possa dimostrare come il loro modello di ML migliori quantitativamente l’errore di previsione catturando picchi di domanda o spostamenti più rapidamente, consideriamo le affermazioni sul “rilevamento della domanda” come chiacchiere di marketing.
IA/ML: RELEX si posiziona come una soluzione moderna alimentata da IA, ma cosa c’è sotto il cofano? La vaghezza delle affermazioni è preoccupante. Sappiamo che RELEX utilizza l’apprendimento automatico per cose come la previsione e l’ottimizzazione dei piani - ma finora gli esempi sono di base (ad es. utilizzando la regressione ML per prevedere le vendite giornaliere, che va bene ma non è rivoluzionario). Non c’è alcun segno di “ottimizzazione stocastica” o di un’algebra di variabili casuali nell’approccio di RELEX. Senza questo, chiamarlo guidato dall’IA è un po’ fuorviante. Inoltre, i risultati di disponibilità superiore al 99% pubblicizzati da RELEX sembrano esagerati - i sondaggi del settore sulla disponibilità sugli scaffali nel retail smentiscono numeri così alti ¹⁹. Questo suggerisce una discrepanza tra il marketing e la realtà.

Su una nota positiva, RELEX ha capacità tangibili che sono preziose:

Può ottimizzare carichi di camion e raggruppamenti di ordini (ad es. tassi di riempimento per contenitori) come parte della pianificazione del rifornimento ¹⁶ ²⁰.
Include una funzionalità di “acquisto anticipato intelligente” ⁹ per sfruttare gli sconti dei fornitori - implicando che può calcolare scenari di acquisto di inventario extra ora rispetto a più tardi per massimizzare il risparmio sui costi. Ciò affronta in qualche misura i vincoli di sconto sul prezzo.
RELEX si concentra fortemente sulla riduzione degli sprechi di cibo fresco e della scadenza. Afferma esplicitamente di “considerare le date di scadenza per l’inventario in magazzino per identificare le scorte vicine alla scadenza ed eseguire le necessarie liquidazioni e sconti.” ²¹. Inoltre, RELEX supporta il tracciamento dell’inventario per lotto/partita per gestire la scadenza e le trasformazioni del prodotto per i freschi (ad es. tagli di carne in invecchiamento) ²². Queste sono funzionalità concrete, non solo parole di moda, che mostrano che RELEX ha investito nella gestione dei prodotti deperibili - un’area trascurata da alcuni altri. Quindi, anche se RELEX potrebbe non avere una matematica stocastica di fantasia, affronta problemi reali del retail (come la scadenza e lo spreco) attraverso euristiche e regole aziendali. Riconosciamo a RELEX tali capacità pratiche.

Architettura e prestazioni: L’architettura in-memory di RELEX (spesso sfruttando database columnari cloud) le conferisce velocità, ma a un costo. “Fornisce impressionanti report in tempo reale ma garantisce costi hardware elevati” ²³. Inoltre, tali architetture spesso faticano quando la complessità del problema cresce. Ad esempio, scalare all’ottimizzazione globale (considerando contemporaneamente tutte le sedi e i prodotti per l’ottimizzazione) è difficile se il sistema è essenzialmente un grande cubo OLAP. RELEX potrebbe fare affidamento su algoritmi piuttosto semplici per prendere decisioni rapidamente (ad es. euristiche greedy per riequilibrare le scorte tra i negozi). Questo va bene per la reattività, ma potrebbe non trovare la soluzione ottimale che potrebbe trovare un approccio più lento e stocastico. Inoltre, gli aggiornamenti in tempo reale sono meno rilevanti se non si modella correttamente l’incertezza - potresti reagire istantaneamente a un cambiamento della domanda, ma se non hai mai quantificato l’incertezza dall’inizio, stai ancora solo inseguendo l’ultimo dato disponibile (un potenziale rischio di “inseguimento delle previsioni”).

Automazione: RELEX sottolinea l’automazione nelle operazioni. Pubblicizza “l’automazione e il razionalizzazione dei processi complessi di ottimizzazione dell’inventario” ²⁴ e presenta funzionalità come “automatizzare il riequilibrio del tuo inventario” ¹⁶ e “rispondere in tempo reale” ai cambiamenti della domanda con ordini automatici ²⁵. In pratica, RELEX può effettivamente generare automaticamente ordini di rifornimento per i negozi, trasferimenti tra negozi e ordini di sostituzione per le scorte in scadenza con minima intervento umano. Molti utenti di RELEX eseguono il rifornimento automatico giornaliero in cui i pianificatori intervengono solo in casi eccezionali. Tuttavia, RELEX non spiega approfonditamente la sua logica di automazione. Ad esempio, come decide esattamente di “attivare le liquidazioni” dei prodotti in scadenza? C’è un modello di ottimizzazione che bilancia il costo dello sconto con lo spreco, o solo una soglia di regola (ad es. vendere se entro 2 giorni dalla scadenza)? Tali dettagli non sono pubblici. Quindi, mentre crediamo che RELEX possa automatizzare bene le attività di routine, penalizziamo la mancanza di trasparenza. È probabile che si tratti di un’automazione basata su regole, che funziona ma non è elegante come una politica ottimizzata. Tuttavia, rispetto ai vecchi sistemi aziendali che richiedevano una pianificazione manuale intensiva, RELEX rappresenta un passo avanti nell’automazione. Tuttavia, è importante notare che l’etichetta “autonomo” potrebbe essere esagerata - è necessario un certo aggiustamento da parte dei pianificatori (ad es. impostare i parametri per quelle regole) per mantenere efficace l’automazione.

Gestione dei vincoli: RELEX ottiene buoni punteggi su diversi vincoli complessi, in particolare per le esigenze specifiche del retail:

Scadenza e prodotti deperibili: Come già detto, RELEX ha forti funzionalità in questo ambito (tracciamento a livello di lotto, proiezioni di spreco, pianificazione automatica di sconti per merci vicine alla scadenza) ²¹. Ciò indica che RELEX può gestire prodotti con breve durata di conservazione in modo automatizzato - cruciale per i rivenditori di generi alimentari.
Lotti / Carichi di camion: RELEX ottimizza il riempimento dei camion e rispetta i minimi d’ordine/arrotondamenti ¹⁶ ²⁰. Menziona specificamente la prevenzione della spedizione “a vuoto” riempiendo i camion in modo ottimale, il che dimostra attenzione ai vincoli dei costi di trasporto.
Sconti/promozioni: La funzione di acquisto anticipato ⁹ suggerisce che RELEX consiglierà di acquistare in anticipo prima di un aumento di prezzo o per ottenere uno sconto quantitativo, bilanciandolo con il costo di mantenimento. Si tratta di un vincolo sofisticato che molti sistemi ignorano.
Cannibalizzazione/sostituzione: Punto debole - come discusso, probabilmente non risolto esplicitamente dal motore di RELEX.
Resi: Nel settore della vendita al dettaglio (soprattutto nell’e-commerce), i resi potrebbero essere significativi (nel settore della moda, ecc.). RELEX ha un modulo di “inventario predittivo” che menziona la considerazione dello spreco e presumibilmente potrebbe considerare i resi ²⁶, ma i dettagli non sono chiari. È lecito presumere che l’elaborazione dei resi sia gestita nell’ERP, non prevista dalla pianificazione della domanda di RELEX.
Quasi-stagionalità: RELEX può prevedere la domanda stagionale (gestisce profili stagionali settimanali per ciascun prodotto/negozio, ad esempio). Per modelli di domanda irregolari, il suo ML potrebbe rilevarne alcuni, ma senza documentazione esplicita non possiamo confermare. Probabilmente gestisce le promozioni come eventi speciali (con previsioni di incremento separate) - abbastanza standard nelle soluzioni per il settore della vendita al dettaglio.
Capacità di stoccaggio: RELEX può modellare la capacità degli scaffali dei negozi in qualche misura (senza ordinare oltre lo spazio sugli scaffali, ecc.) come parte della sua integrazione con il planogramma. Per la capacità del DC, non siamo sicuri - potrebbe essere un approccio basato su avvisi.
Multi-echelon: RELEX fa pianificazione multi-echelon (negozio-DC-fornitore). Tuttavia, il design in tempo reale potrebbe entrare in conflitto con un’ottimizzazione del magazzino multi-echelon veramente ottimale ¹⁷. Il sistema potrebbe ottimizzare ciascun echelon con euristiche piuttosto che con un modello stocastico olistico attraverso gli echelon. Si tratta di una sottigliezza: sì, fa multi-echelon (praticamente, molti clienti lo usano per sostituire strumenti multi-echelon legacy), ma lo fa in modo ottimale? Probabilmente non in modo matematicamente rigoroso - più come ottimizzazione sequenziale (previsione al negozio -> fornitura dal DC -> fornitura del DC dal fornitore con buffer in ogni fase).

Verdetto: RELEX si posiziona come un forte candidato, in particolare per i rivenditori e le aziende di generi alimentari freschi. I suoi punti di forza risiedono in funzionalità pratiche (gestione dei prodotti deperibili, analisi veloci, visibilità della supply chain, gestione delle promozioni) e in un’esperienza utente moderna, che lo differenzia chiaramente dai software di pianificazione legacy. Tuttavia, sotto il nostro microscopio di ricerca della verità, RELEX perde punti per affermazioni AI non provate e mancanza di profondità probabilistica. L’uso eccessivo di parole di moda senza metodologia accompagnatoria (nessun algoritmo pubblicato o studi sulle prestazioni) significa che dobbiamo trattare con scetticismo il suo marchio “AI” ²⁷. Inoltre, ignorando la previsione dei tempi di consegna e affidandosi a modelli di previsione più datati, RELEX potrebbe non offrire l’ottimo teorico - fornisce una buona soluzione pratica, ma non la più scientificamente avanzata. Le aziende che valutano RELEX dovrebbero insistere per dettagli su come gestisce l’incertezza e le interazioni complesse; in caso contrario, assumere che gran parte della sua intelligenza derivi dalle regole aziendali e dalla configurazione dell’utente piuttosto che da una magia AI. In sintesi, RELEX è un giocatore credibile con alcune innovazioni genuine in termini di usabilità, ma rimane parzialmente “black box” e possibilmente sovraeccitato nel suo marketing. Lo posizioniamo in alto ma al di sotto degli approcci veramente probabilistici e dettagliati.

4. ToolsGroup - Giocatore “Probabilistico” Legacy - Affermazioni Incoerenti

Panoramica: ToolsGroup è presente nel settore dell’ottimizzazione dell’inventario da decenni (fondata nel 1993) con il suo software principale SO99+ (Service Optimizer 99+). ToolsGroup si promuove pesantemente sulla “previsione probabilistica” e sulla pianificazione dell’inventario basata sui livelli di servizio. In effetti, ToolsGroup ha probabilmente introdotto l’idea di utilizzare le distribuzioni della domanda per guidare i livelli di stock nei primi anni 2000. Pubblicizzano inoltre capacità di pianificazione della domanda, “sensore della domanda”, ottimizzazione multi-ecellente e persino prezzi (con add-on come Price.io). Tuttavia, le comunicazioni di ToolsGroup negli ultimi anni sollevano seri dubbi. L’azienda fa un uso eccessivo di parole di moda come AI/ML e si vanta di automazione, ma i loro materiali pubblici sono spesso contraddittori o carenti di sostanza tecnica. Osserviamo una combinazione di funzionalità solide (la matematica di base di SO99+ per l’inventario è solida, basata sulla classica ricerca operativa) e frasi di marketing che non reggono (ad esempio, parlare di previsioni probabilistiche mentre si citano errori MAPE, che è concettualmente sbagliato ²⁸).

Domanda e tempi di consegna probabilistici: A prima vista, ToolsGroup afferma di essere tutto incentrato sulla previsione probabilistica. Ad esempio, i loro opuscoli dicono che ToolsGroup utilizza “previsioni di probabilità” insieme ai parametri di fornitura (tempi di consegna, ecc.) per ottimizzare i livelli di stock ²⁹. Infatti, SO99+ può generare una “curva stock-servizio” - mostrando essenzialmente la distribuzione della domanda nel tempo di consegna e il livello di servizio ottenuto per un dato investimento in inventario ²⁹. Questo indica che ToolsGroup modella l’incertezza della domanda fino a un certo punto. Tuttavia, c’è un problema: l’approccio di ToolsGroup alla previsione probabilistica sembra incompleto e obsoleto. In particolare, dal 2018 hanno iniziato a pubblicizzare “previsioni probabilistiche” nel marketing, ma contemporaneamente parlavano di miglioramenti MAPE (Errore percentuale assoluto medio) ²⁸. Questo è incoerente - il MAPE è una metrica per l’accuratezza delle previsioni puntuali e “non si applica alle previsioni probabilistiche.” ²⁸ Un tale mix-up evidente suggerisce che l’iniziativa probabilistica di ToolsGroup potrebbe essere più fumo che arrosto. È come se avessero aggiunto un output probabilistico ma continuassero a valutarlo con vecchie metriche, minando la credibilità dell’intero sforzo.

Per quanto riguarda la previsione dei tempi di consegna: i materiali di ToolsGroup non menzionano la previsione dei tempi di consegna come variabili casuali. I tempi di consegna sono gestiti come parametri di input (possibilmente con ipotesi di variabilità) piuttosto che qualcosa che il software prevede dalle prestazioni storiche del fornitore. Il loro foglio illustrativo mostra che il tempo di consegna è uno dei “parametri di fornitura” inseriti nel modello ²⁹. Quindi, se un utente fornisce un tempo di consegna previsto e forse una deviazione standard, SO99+ terrà conto di ciò nei calcoli dello stock di sicurezza - ma ToolsGroup non sembra generare autonomamente una distribuzione dinamica di probabilità dei tempi di consegna. Questa è una distinzione cruciale. Un sistema veramente probabilistico riconoscerebbe, ad esempio, se i tempi di consegna di un certo fornitore hanno il 20% di probabilità di raddoppiare (forse a causa di ritardi doganali) e lo considererebbe nei livelli di stock ottimali. Non vediamo prove che ToolsGroup faccia quel livello di analisi. Pertanto, secondo il nostro rigido criterio, ToolsGroup non supera il test probabilistico completo - menziona i tempi di consegna solo come input statici, non come incertezze previste. Questa mancanza di modellazione esplicita dei tempi di consegna rende il marchio “probabilistico” di ToolsGroup in qualche modo superficiale. Consideriamo questo un grave difetto: un fornitore che si posiziona come probabilistico ma ignora una fonte principale di incertezza non sta completamente mantenendo fede alle promesse.

Affermazioni sulle funzionalità avanzate: Purtroppo, ToolsGroup scatena diversi segnali d’allarme in questo ambito:

L’azienda ha fatto ampie affermazioni sull’“AI” nel suo software, che sono dubbie ³⁰. Ci sono poche informazioni pubbliche su quali tecniche di AI (se ce ne sono) ToolsGroup effettivamente utilizza. I loro algoritmi legacy precedono il boom dell’AI, essendo più radicati nella statistica/Ricerca Operativa. Sembra che l’etichetta “AI” sia più un adattamento di marketing. Ad esempio, ToolsGroup ha acquisito una startup di AI (forse per rafforzare la propria immagine), ma il loro prodotto principale non diventa improvvisamente basato sul deep learning. Senza spiegazioni tecniche concrete (che ToolsGroup non ha fornito pubblicamente), consideriamo le loro affermazioni sull’AI come non supportate da prove.
Rilevamento della domanda: ToolsGroup offre un modulo per il “rilevamento della domanda” (aggiustamento delle previsioni a breve termine utilizzando dati a valle). Tuttavia, un’analisi indipendente trova che “le affermazioni sul ‘rilevamento della domanda’ (da parte di ToolsGroup) non sono supportate dalla letteratura scientifica.” ¹⁸ In altre parole, ToolsGroup afferma di poter percepire spostamenti della domanda tramite l’AI, ma non c’è prova che questo approccio sia efficace oltre ciò che statistiche convenzionali o un pianificatore umano potrebbero fare. Dato che il “rilevamento della domanda” è un buzzword noto spesso usato in modo improprio, scontiamo pesantemente questa affermazione. A meno che ToolsGroup non possa dimostrare, ad esempio, con uno studio di caso sottoposto a revisione paritaria che il suo algoritmo di rilevamento della domanda produce migliori tassi di disponibilità in magazzino, lo consideriamo vaporware. Questo si allinea con le recensioni degli esperti che etichettano tali funzionalità come “vaporware” tra i fornitori se non vengono fornite prove ³¹.
Cannibalizzazione, Promozioni, ML: ToolsGroup non pubblicizza in modo prominente la modellizzazione avanzata della cannibalizzazione o degli effetti tra prodotti - probabilmente perché non eccelle in questo settore. Se sollecitati, potrebbero dire “il nostro machine learning può gestire modelli complessi”, ma di nuovo senza dettagli. Non abbiamo trovato documentazione di ToolsGroup che implementi, ad esempio, una matrice di sostituzione o un modello di tasso di attaccamento per collegare le domande dei prodotti. Pertanto, qualsiasi implicazione che ToolsGroup ottimizzi tra prodotti interagenti non è credibile senza prove. Allo stesso modo, parlano di utilizzare “modelli auto-adattativi” e machine learning, ma i metodi accennati (ad esempio qualche tipo di riconoscimento di pattern) sembrano piuttosto standard e possibilmente datati. Infatti, i materiali pubblici suggeriscono che ToolsGroup utilizzi ancora modelli di previsione precedenti al 2000 ³² (come il metodo di Croston per la domanda intermittente, forse ARIMA per altri). Non c’è nulla di male in essi di per sé, ma smentiscono la brillante narrazione sull’AI.

In sintesi, l’abitudine di ToolsGroup di mescolare buzzword moderne con tecniche vecchia scuola è preoccupante. Suggerisce un rinnovamento guidato dal marketing non supportato da una vera R&S. Ad esempio, il sito web di ToolsGroup parla di “automazione per superare le sfide” ³³ e di simili luoghi comuni, ma quando scrutinato, descrive fondamentalmente ciò che il loro software ha sempre fatto (ottimizzazione del magazzino multi-ecolone) ora ribattezzato come AI.

Automazione: ToolsGroup ha sempre presentato la sua soluzione come altamente automatizzata e “basata sulle eccezioni”. Spesso sottolineano che SO99+ è molto automatizzato, richiedendo un input minimo da parte dell’utente una volta configurato. Un commento dell’IDC nel loro opuscolo nota che “nonostante la sua potenza… ToolsGroup MEIO è altamente automatizzato con un costo di proprietà estremamente basso.” ³⁴. Infatti, molte implementazioni di ToolsGroup funzionano automaticamente per produrre proposte di rifornimento giornaliere o settimanali che i pianificatori poi revisionano. Tuttavia, critichiamo la mancanza di chiarezza su come vengano prese autonomamente le decisioni. ToolsGroup non spiega un “motore decisionale autonomo” oltre a dire che i modelli si adattano e producono raccomandazioni. Le sfide chiave dell’automazione - come adattare dinamicamente le politiche di ordinazione quando cambiano le tendenze, o come evitare di inseguire la variabilità - non sono dettagliate. Sospettiamo che l’automazione di ToolsGroup sia principalmente nella previsione e nel calcolo del livello di magazzino (il sistema aggiorna le previsioni e ricalcola i livelli minimi/massimi o le suggerimenti di ordine senza lavoro manuale). Questo è prezioso, ma standard per questo tipo di software. Senza ulteriori dettagli ingegneristici, non possiamo dare a ToolsGroup alcun merito extra qui. Rispettano il livello base di automazione previsto dal software di ottimizzazione dell’inventario (e lo fanno da anni), ma qualsiasi implicazione che si tratti di una supply chain completamente autonoma è esagerata. In particolare, ToolsGroup richiede una configurazione significativa (obiettivi di livello di servizio per ogni articolo, regole di segmentazione, ecc.), che spesso vengono impostati manualmente dai pianificatori o dai consulenti. Se questi sono sbagliati, l’automazione può produrre risultati scadenti. ToolsGroup non ha articolato alcuna AI che scelga automaticamente i livelli di servizio ottimali o regoli le politiche autonomamente - compiti che spettano ancora agli esseri umani. Pertanto, diciamo che ToolsGroup fornisce buoni calcoli automatizzati ma non una vera pianificazione autonoma end-to-end in senso moderno.

Gestione dei vincoli: Storicamente, SO99+ di ToolsGroup era forte nella matematica di base dell’inventario ma più debole nei vincoli periferici:

Multi-ecolone: Sì, è stato progettato per l’ottimizzazione dell’inventario multi-ecolone. Può ottimizzare i buffer di magazzino in una rete data l’incertezza (principalmente tramite un approccio di “livello di servizio target”). Questo è un vantaggio - può gestire reti di DC e negozi abbastanza bene, garantendo che il giusto stock sia nel giusto ecolone per raggiungere gli obiettivi di servizio.
Variabilità dei tempi di consegna: Lo tiene in considerazione nel calcolo dello stock di sicurezza (se si fornisce un parametro per la varianza dei tempi di consegna, lo includerà nel calcolo dello stock). Ma come notato, non prevede i tempi di consegna o li pianifica in scenari.
Lotti, MOQs: ToolsGroup può gestire questi vincoli standard di fornitura. È possibile inserire multipli della dimensione del lotto, quantità minime d’ordine, e raccomanderà ordini rispettando quelli.
Date di scadenza: ToolsGroup non è conosciuto per l’ottimizzazione dell’inventario deperibile. Probabilmente non ha logiche specializzate per la shelf-life (e non ne abbiamo trovato menzione). Un utente dovrebbe trattare manualmente gli articoli in scadenza o come SKU separati per data di scadenza (che è complicato). Questo è un limite per settori come alimentare/chimico. A differenza di RELEX che affronta esplicitamente il deterioramento, ToolsGroup sembra concentrarsi sulla gestione di magazzino “non in scadenza”.
Tracciabilità seriale/lotto: Fuori dall’ambito della pianificazione - questo è più esecuzione/ERP. ToolsGroup non ottimizza a livello seriale.
Cannibalizzazione e sostituzione: La filosofia di ToolsGroup è principalmente di previsione univariata (la previsione della domanda di ciascun SKU individualmente, forse con alcuni input di regressione). Non modella nativamente “se il Prodotto A va fuori stock, parte della domanda va al Prodotto B” o simile. Un utente sofisticato potrebbe regolare esternamente le previsioni per tener conto di questo, ma lo strumento stesso non offre alcuna funzionalità esplicita. Quindi fallisce su questo punto di vincolo avanzato.
Resi: ToolsGroup gestisce principalmente la nuova domanda e l’offerta. Non prevede nativamente i resi nel retail o i rendimenti di ricondizionamento. Gli utenti devono incorporare i resi medi nella domanda netta se necessario.
Quasi-stagionalità: Se i pattern sono irregolari, i modelli più vecchi di ToolsGroup potrebbero avere difficoltà. Senza ML moderno, potrebbe non catturare i driver della domanda complessi. Parlano di ML, ma sospettiamo che potrebbe essere semplicistico. Quindi i pattern insoliti potrebbero essere persi (portando a scorte esaurite o eccessive se i pianificatori non intervengono manualmente).
Archiviazione/Capacità: Non è un focus. ToolsGroup ottimizza l’inventario per il trade-off servizio/costo ma assume che si abbia spazio per memorizzare le scorte consigliate. Non risolve problemi simili a quello dello zaino di spazio o budget limitati a meno che non si simulino manualmente scenari.

In generale, ToolsGroup copre bene i vincoli di inventario di base e più comuni (multi-echelon, MOQs, incertezza della domanda fino a un certo punto). Rimane indietro su sfide più nuove o specializzate. In particolare, ToolsGroup manca di una prospettiva di “ottimizzazione finanziaria” moderna - cioè, non massimizza direttamente il profitto o minimizza il costo totale sotto vincoli; invece di solito funziona per obiettivi di livello di servizio. Questo approccio può essere subottimale se, ad esempio, due prodotti hanno margini di profitto molto diversi - un ottimizzatore probabilistico assegnerebbe le scorte per massimizzare il profitto atteso, mentre ToolsGroup potrebbe trattarli allo stesso modo se condividono un obiettivo di servizio. Questa sfumatura è parte del motivo per cui la tecnologia di ToolsGroup, sebbene solida al suo tempo, sta ora mostrando la sua età.

Verdetto: ToolsGroup si trova in una posizione interessante. È un fornitore di lunga data con un prodotto stabile e capace, ed è stato uno dei primi a superare la pianificazione puramente deterministica. Tuttavia, in un confronto basato sulla verità, ToolsGroup riceve una recensione mista. Applaudiamo il fatto che parli del inventario probabilistico - quel concetto è assolutamente corretto - ma dobbiamo “esporre” il fatto che ToolsGroup non lo mette pienamente in pratica. Il marketing inconsistente (PF + MAPE ²⁸) e la mancanza di prove di una vera ottimizzazione stocastica (nessuna “algebra delle variabili casuali” pubblicata nella loro tecnologia, ad esempio) significano che le affermazioni probabilistiche di ToolsGroup sono su terreno instabile. In pratica, potrebbe fare poco più che calcolare le scorte di sicurezza utilizzando distribuzioni di probabilità - utile, ma non rivoluzionario. Penalizziamo severamente ToolsGroup per fare affidamento su parole di moda come AI e demand sensing senza alcuna giustificazione. Queste note affermazioni fasulle ³⁵ danneggiano la sua credibilità. Detto ciò, molte aziende hanno ottenuto buoni risultati con il software di ToolsGroup nel ridurre l’inventario e migliorare il servizio - non è un elisir miracoloso; semplicemente non è avanzato come pubblicizzato. Classifichiamo ToolsGroup al di sotto dei veri innovatori, ma al di sopra dei peggiori trasgressori, perché nel suo nucleo ha un motore matematicamente solido (seppur vecchia scuola) e una vasta funzionalità (previsione + inventario + rifornimento in uno). Gli utenti potenziali dovrebbero esigere che ToolsGroup dimostrino le sue presunte capacità AI/probabilistiche su dati reali; in caso contrario, considerarle semplicemente etichette di fantasia su ciò che è essenzialmente un pacchetto di ottimizzazione dell’inventario ben regolato, ma convenzionale.

5. GAINS Systems - Soluzione Veterana, Esperienza di Dominio Smorzata dall’Hype

Panoramica: GAINSystems è un giocatore più anziano (fondato nel 1971!) che fornisce una suite completa di pianificazione della supply chain, con una specializzazione in ottimizzazione dell’inventario e analisi della supply chain. Il loro software (GAINS) è storicamente conosciuto per il forte supporto ai servizi di assistenza e all’inventario MRO (Manutenzione, Riparazione e Operazioni) - settori con domanda intermittente in cui GAINS si è fatto un nome. GAINS Systems offre moduli per la previsione della domanda, l’ottimizzazione dell’inventario (incluso il multi-ecellone), S&OP, ecc., simili in ambito a ToolsGroup. Negli ultimi anni, GAINS ha cercato di modernizzare la sua immagine, parlando di “ottimizzazione come servizio” e incorporando l’apprendimento automatico. Tuttavia, come ToolsGroup, GAINS soffre di inflazione di marketing: ora si vanta di “AI/ML” e “sensing della domanda” senza prove convincenti, e le sue tecniche di base sembrano rimanere i classici modelli di previsione pre-2000 che ha sempre usato ³⁶.

Domanda Probabilistica e Tempi di Consegna: GAINS non mette in evidenza pubblicamente la previsione probabilistica. Probabilmente utilizza modelli statistici tradizionali (Croston per la domanda intermittente, forse il bootstrapping per la domanda dei tempi di consegna). Non abbiamo visto menzioni esplicite dell’incertezza dei tempi di previsione - un segno che anche GAINS potrebbe essere carente su quel fronte. Il focus di GAINS è spesso sull’ottenere un tasso di riempimento o livello di servizio obiettivo al costo minimo, il che implica alcune considerazioni stocastiche (simili a come si imposterebbe lo stock di sicurezza). Ma i dettagli di implementazione sono scarsi. GAINS tende a enfatizzare i risultati (“migliorare il servizio, ridurre l’inventario”) piuttosto che come calcola esattamente quelli. L’assenza di un linguaggio probabilistico chiaro ci porta a credere che GAINS si basi principalmente su metodi deterministici o semi-analitici: ad esempio, potrebbe assumere la varianza della domanda e la varianza dei tempi di consegna e inserirli nelle formule anziché produrre distribuzioni complete. Secondo i nostri criteri, GAINS non si distingue come leader nella previsione probabilistica. Lo classifichiamo come un altro strumento che probabilmente utilizza calcoli classici dello stock di sicurezza e forse qualche simulazione, ma non tratta i tempi di consegna come variabili casuali prevedibili. Di conseguenza, GAINS sarebbe valutato come “non serio” nella rigore probabilistico - non pubblicizza quella capacità, e dubitiamo che ce l’abbia.

Reclami sulle Funzionalità Avanzate: GAINS ha iniziato a lanciare parole di moda mentre si rilancia per gli anni 2020. La loro messaggistica include affermazioni di “accuratezza superiore” attraverso algoritmi proprietari e menzioni persino di apprendimento automatico per il matching e il clustering ³⁷. Analizziamo:

“Accuratezza superiore” delle previsioni: GAINS afferma che le sue previsioni sono più accurate rispetto ai concorrenti. Tuttavia, un’analisi definisce ciò “dubbio”, notando che l’algoritmo proprietario di GAINS non è visto primeggiare in nessuna delle principali competizioni di previsione ³⁸. Infatti, una affermazione era che l’algoritmo di GAINS “Procast” supera gli altri, ma è assente dai primi posti delle competizioni come la competizione di previsione M5 ³⁸. Questo getta seri dubbi - se GAINS avesse una tecnologia di previsione imbattibile, dovrebbe brillare in benchmark obiettivi, ma non lo fa. Pertanto, respingiamo la pretesa di accuratezza di GAINS come non provata. In realtà, i metodi open-source (come quelli dei pacchetti R del Dr. Rob Hyndman) probabilmente funzionano meglio ³⁹.
Sensing della Domanda & ML: GAINS promuove il “sensing della domanda” e utilizza termini come clustering di ML. La recensione indipendente è schietta: “Tecniche come il ‘sensing della domanda’ sono software fumoso, non supportato dalla letteratura scientifica. [E] Gli elementi di ML proposti, come il matching e il clustering, sono anche tecniche pre-2000.” ³¹. Questo indica che GAINS potrebbe mascherare pratiche statistiche piuttosto standard come se fossero nuovi AI. Ad esempio, il clustering di articoli simili per prevederli o classificarli è una pratica vecchia di decenni, non un avanzato apprendimento automatico. Il fatto che lo mettano in evidenza suggerisce che il “ML” di GAINS è rudimentale - certamente niente di simile all’apprendimento profondo o alla programmazione probabilistica avanzata. Pertanto, penalizziamo GAINS per la conformità alle parole di moda: spuntano le caselle (AI, ML, ecc.) nel marketing, ma non offrono dettagli o novità per sostenerle. Questo comportamento si allinea al modello più ampio che stiamo criticando nel settore: utilizzare termini alla moda senza sostanza.
Ottimizzazione come Servizio: GAINS ha parlato di muoversi verso un modello di servizio cloud, implicando che si possa fornire loro dati e ottenere risultati di ottimizzazione. Anche se si tratta di una strategia di distribuzione moderna, non significa necessariamente che l’ottimizzazione stessa sia avanzata. Sospettiamo che i metodi risolutivi di base di GAINS rimangano simili; cambia solo il modello di distribuzione (cloud/SaaS). Non c’è nulla di male in questo, ma non è un elemento differenziante in termini di capacità (molti fornitori offrono ora soluzioni cloud).

Su una nota positiva, GAINS Systems è conosciuta per la profonda esperienza di dominio in certi settori:

Comprendono dettagliatamente la pianificazione dei pezzi di ricambio (ad esempio, modellazione di pezzi a movimento lento, contratti di livello di servizio, resa del ciclo di riparazione). Il loro software probabilmente può gestire scenari come la previsione dei resi delle unità riparabili o il calcolo dei tassi di scarto, che gli strumenti di inventario generale potrebbero non gestire. Questo è in parte speculativo, ma data la loro longevità in quel settore, è probabile.
GAINS ha una reputazione per un forte supporto clienti e per lavorare a stretto contatto con i pianificatori - ma questo spesso significa che la soluzione è potenziata dalla consulenza piuttosto che completamente automatizzata.

Automazione: GAINS promuove l’idea di automatizzare la gestione dell’inventario (il loro sito web dice addirittura “Automatizza il tuo sistema di gestione dell’inventario con GAINS” ⁴⁰). Lo strumento può certamente automatizzare la generazione di previsioni e politiche di inventario. GAINS supporta la pianificazione continua: aggiornando le raccomandazioni man mano che arrivano nuovi dati. Tuttavia, mancano dettagli su quanto sia realmente autonomo. Sospettiamo che, come altri, automatizzi i calcoli ma si aspetti che i pianificatori approvino le decisioni finali. GAINS ha introdotto un’iniziativa (metodologia “P3”, ecc.) che potrebbe infondere più ottimizzazione continua. Senza prove esplicite, rimaniamo neutrali: è probabile che GAINS fornisca un livello tipico di automazione per uno strumento aziendale - buono, ma non particolarmente migliore rispetto ai concorrenti. È importante notare che GAINS è una società più piccola, e i fornitori più piccoli spesso personalizzano le soluzioni in base alle esigenze del cliente (il che può migliorare l’automazione pratica poiché personalizzano le regole del sistema per te). Ma da un punto di vista ingegneristico, GAINS non ha pubblicato alcuna logica di automazione unica da lodare.

Gestione dei Vincoli: GAINS copre molti vincoli tradizionali e alcuni specializzati:

Multi-livello: Sì, GAINS fa ottimizzazione dell’inventario multi-livello (la loro storia nei pezzi di ricambio aerospaziali/difesa implica il posizionamento di stock a più livelli).
Variazione dei tempi di consegna: considerata nei calcoli del livello di servizio, presumibilmente.
Lotti di produzione/Quantità minime ordinate: supportati, come qualsiasi strumento serio.
Domanda intermittente: una delle forze storiche di GAINS. GAINS probabilmente utilizza il metodo di Croston o simile per gli articoli a movimento lento (comunemente trovati nei pezzi di ricambio di servizio), che è necessario per evitare la scarsità di SKU intermittenti.
Resi/Riparazioni: probabilmente sì per MRO - GAINS gestirebbe i tempi di riparazione e le resa (come la percentuale che viene scartata rispetto a quella riparata) nei suoi calcoli per i pezzi di ricambio. Questo è qualcosa che non tutti i fornitori gestiscono, quindi GAINS potrebbe avere un vantaggio qui.
Scadenza: non è un focus tipico per GAINS (le loro industrie erano più industriali che deperibili), quindi probabilmente un supporto minimo per la durata di conservazione.
Cannibalizzazione: Non gestita in modo evidente; come gli altri, GAINS probabilmente tratta gli articoli in modo indipendente nella previsione.
Vincoli di stoccaggio: Non chiaro; GAINS non ha pubblicizzato la risoluzione, ad esempio, dei vincoli di spazio magazzino con l’ottimizzazione.
Ottimizzazione dei costi: GAINS enfatizza il profitto e i costi in alcuni messaggi, ma il metodo concreto è sconosciuto. Possibilmente loro, come Lokad, hanno la capacità di considerare i margini degli articoli o i costi di detenzione nell’obiettivo di ottimizzazione (cosa che sarebbe buona). Oppure potrebbero farlo ancora tramite livelli di servizio come ToolsGroup.

Verdetto: GAINSystems è un veterano rispettato con una profonda comprensione delle sfide legate all’inventario, specialmente in aree di nicchia (ricambi, industriali). Tuttavia, in questa classifica basata sulla ricerca della verità, GAINS non può sfuggire a una posizione mediocre. Le ragioni sono chiare: i suoi modelli di previsione sono datati e i suoi recenti tentativi di marketing (rilevamento della domanda, clustering di ML) sembrano tentativi di apparire alla moda senza vera innovazione ³¹. GAINS è essenzialmente una solida soluzione degli anni ‘90/‘2000 che cerca di rimanere rilevante. Gli riconosciamo la conoscenza del settore e i risultati pratici - i clienti riportano effettivamente riduzioni dell’inventario e miglioramenti del servizio - ma sottraiamo punti per mancanza di trasparenza e affermazioni esagerate. In un’epoca in cui i principali fornitori condividono contenuti tecnici o pubblicano ricerche, GAINS è relativamente opaco; ciò che abbiamo appreso (ad es. vantarsi di algoritmi proprietari) non è stato convincente. Per le aziende con esigenze molto specializzate (come la pianificazione dei pezzi di ricambio), GAINS potrebbe ancora essere una scelta di primo piano grazie alle sue funzionalità personalizzate. Ma per coloro che cercano l’ottimizzazione più avanzata e basata sulla scienza, GAINS probabilmente deluderebbe a meno che non subisca un importante rinnovo tecnologico. Nella nostra classifica, GAINS è sopra i fornitori che sono solo hype senza sostanza, ma sotto quelli che combinano onestà con innovazione. Ottiene un modesto riconoscimento come soluzione capace avvolta in una tecnologia obsoleta e alcuni slogan non giustificati.

6. SAP (IBP per l’Inventario / Ex SmartOps) - Complesso insieme di strumenti, Integrazione più che Innovazione

Panoramica: SAP, il gigante del software enterprise, è ovviamente presente in questo mercato grazie al suo vasto portafoglio di applicazioni per la supply chain. Nel corso degli anni, SAP ha acquisito diverse tecnologie specializzate di ottimizzazione dell’inventario - SmartOps (acquisita nel 2013), SAF AG (2009, previsione della domanda) e persino un’azienda di analisi KXEN (2013) per la modellazione predittiva ⁴¹. Queste acquisizioni erano destinate ad integrare i sistemi di pianificazione interni di SAP come APO (Advanced Planner & Optimizer) e successivamente SAP IBP (Integrated Business Planning). Oggi, SAP offre capacità di ottimizzazione dell’inventario principalmente attraverso SAP IBP per l’Inventario (un modulo IBP che probabilmente incorpora gli algoritmi multi-ecolone di SmartOps) e possibilmente attraverso componenti aggiuntivi in S/4HANA. Tuttavia, la storia di SAP è caratterizzata da frammentazione e complessità. Come ha detto una recensione, “sotto il marchio SAP si trovano una collezione caotica di prodotti” a causa di tutte queste acquisizioni ⁴². Il risultato è che l’ottimizzazione dell’inventario di SAP sembra un’aggiunta - non un ottimizzatore all’avanguardia integrato in modo fluido, ma piuttosto un insieme di funzionalità che richiedono un’integrazione significativa e servizi di esperti per ottenere valore.

Domanda probabilistica e tempi di consegna: Le soluzioni ereditate di SAP (come APO) erano principalmente deterministiche (utilizzando previsioni puntuali, scorte di sicurezza basate su modelli statistici semplici). SmartOps, lo strumento acquistato da SAP, era noto per la modellazione probabilistica multi-ecelonica: calcolava le distribuzioni di inventario e i livelli di stock consigliati per soddisfare i livelli di servizio target in condizioni di incertezza. Quindi, in teoria, SAP IBP for Inventory ha un motore probabilistico al suo interno (grazie a SmartOps). SmartOps teneva conto sia della variabilità della domanda che di una certa variabilità dell’offerta. Ma SAP stesso non enfatizza la “previsione probabilistica” nel marketing; non fa parte del messaggio di SAP al mercato. Di conseguenza, molti clienti SAP potrebbero non utilizzare nemmeno il modulo di ottimizzazione avanzato dell’inventario appieno. La previsione dei tempi di consegna non è qualcosa che SAP pubblicizza. A meno che un cliente utilizzi esplicitamente il pezzo SmartOps che potrebbe consentire tempi di consegna variabili, la pianificazione predefinita di SAP assume tempi di consegna fissi (con forse un buffer di tempo di sicurezza). Secondo i nostri criteri, SAP non dimostra un impegno per la previsione probabilistica. La capacità potrebbe esistere nel software, ma se non è chiaramente esposta o evidenziata, consideriamo che ci sia una lacuna. Inoltre, la fusione di più tecnologie acquisite potrebbe significare inconsistenza: ad esempio, le previsioni della domanda potrebbero provenire da un motore (deterministico) mentre l’ottimizzazione dell’inventario proviene da un altro (stocastico), e potrebbero non essere completamente allineate. Infatti, una critica era “il software aziendale non è miscibile attraverso fusioni e acquisizioni”, indicando che i pezzi acquisiti da SAP non si mescolavano senza problemi ⁴³.

Funzionalità avanzate e rivendicazioni: SAP di solito non esagera con l’IA nella supply chain (almeno non in modo così evidente come altri), ma ultimamente anche SAP utilizza un po’ di linguaggio ML/AI nel marketing di IBP. Tuttavia, SAP è generalmente considerato ricco di funzionalità ma non avanzato algoritmico. Il componente SmartOps ha dato a SAP un rispettabile ottimizzatore multi-ecelonico. Tuttavia, è dubbio che SAP abbia mantenuto quella tecnologia aggiornata o superiore ai modelli più recenti ⁴⁴. Infatti, si ha l’impressione che SmartOps (e simili) utilizzassero tecniche OR standard e che i metodi ML post-2000 “non superino i modelli pre-2000” in questo contesto ⁴⁴ - implicando che SAP non fornisce previsioni migliori rispetto ad ARIMA o Croston, nonostante possieda tecnologie ML come KXEN. Il marketing di SAP tende a concentrarsi sull’integrazione (piattaforma end-to-end, “una versione della verità” nell’ERP, ecc.) piuttosto che sostenere di superare i concorrenti nelle previsioni. Questa onestà è un’arma a doppio taglio: non stanno mentendo apertamente sulla magia dell’IA, ma allo stesso tempo non sono leader nell’innovazione.

La forza di SAP potrebbe essere gestire vincoli complessi all’interno del contesto più ampio della supply chain, perché hanno tutti i dati e i dettagli transazionali:

Possono considerare capacità e vincoli di produzione in IBP se si collegano i moduli (la pianificazione dell’inventario può essere collegata alla pianificazione della fornitura).
Potrebbero utilizzare i dati sul rendimento dei fornitori dall’ERP per regolare manualmente i tempi di sicurezza o le scorte di sicurezza per la variazione dei tempi di consegna (anche se non la “previsione” automatica di esso).
Le soluzioni di SAP possono gestire le scadenze nel sistema di esecuzione (SAP EWM o ERP gestiranno la scadenza dei lotti e APO aveva la pianificazione della durata di conservazione per garantire che l’offerta soddisfi la domanda entro la scadenza). Tuttavia, l’ottimizzazione dell’inventario con scadenze (come decidere quanto sovradimensionare per tener conto del deterioramento) non è una caratteristica prominente - SAP emette principalmente avvisi per i lotti in scadenza.

SAP menziona un certo utilizzo di IA/ML nella previsione della domanda (SAP Analytics Cloud ha la previsione, IBP ha alcune funzionalità di previsione ML), ma non è stato notato nulla di rivoluzionario. Inoltre, il grande punto di forza di SAP è spesso che è una piattaforma integrata piuttosto che la brillantezza di un algoritmo. Il lato negativo è che ogni pezzo potrebbe essere medio, ma il tutto è complesso.

È importante notare che l’ottimizzazione dell’inventario di SAP richiede un impegno di implementazione esteso - “saranno necessari i migliori integratori - più alcuni anni - per ottenere successo” ⁴⁵. Questo suggerisce che anche se SAP ha funzionalità avanzate, utilizzarle in modo efficace è difficile. Molti progetti SAP IBP faticano a automatizzare completamente l’ottimizzazione; spesso ricorrono a modalità di pianificazione più semplici a causa di sfide legate ai dati o all’integrazione.

Automazione: Il paradigma di SAP non riguarda l’automazione a scatola chiusa; riguarda i processi di pianificazione. In un ambiente SAP, l’ottimizzazione dell’inventario sarebbe un passo in un ciclo di pianificazione delle vendite e operazioni o di pianificazione della supply chain più ampio. SAP IBP può automatizzare determinati calcoli (come eseguire un ottimizzatore ogni notte), ma tipicamente i pianificatori umani in SAP sono fortemente coinvolti - configurando il sistema, alimentandolo con scenari e revisionando i risultati. SAP non rivendica realmente una “pianificazione autonoma”; invece fornisce strumenti di previsione e ottimizzazione che gli utenti esperti e i consulenti devono orchestrare. Pertanto, rispetto agli altri, SAP sembra meno automatizzato - o almeno, qualsiasi automazione è costruita su misura dagli implementatori. Penalizziamo SAP su questo, poiché il loro approccio non consente facilmente un’esperienza senza intervento umano. Molte aziende con SAP finiscono per avere una pianificazione semi-automatica nonostante possiedano moduli di ottimizzazione, semplicemente perché rendere affidabile la scatola nera di SAP è un progetto a sé stante. La “scatola nera” c’è, ma non è facilmente tarata su ciascuna attività senza un intenso supporto consulenziale.

Gestione dei vincoli: Un’area in cui SAP si comporta bene è l’ampiezza dei vincoli, grazie alla sua suite completa:

Multi-ecole: Sì (tramite SmartOps in IBP Inventory).
Dimensioni dei lotti/Quantità minime d’ordine: Sì, gli strumenti di pianificazione SAP possono tener conto di questi nei loro ottimizzatori.
Vincoli di capacità: Se si utilizza l’ottimizzatore della supply chain di SAP (parte di IBP o APO CTM), è possibile incorporare vincoli di capacità di produzione/stoccaggio - ma questo riguarda più la pianificazione della supply chain che l’ottimizzazione dell’inventario in sé.
Scadenza: La gestione a livello di esecuzione è eccellente (SAP può tracciare la scadenza dei lotti, l’allocazione FEFO). A livello di pianificazione, APO aveva alcune funzionalità per garantire che le scorte non superassero la durata di conservazione (ad esempio, non inviare scorte prossime alla scadenza a luoghi lontani). Non è chiaro se IBP abbia portato avanti queste funzionalità.
Cannibalizzazione/Sostituzione: SAP IBP ha un modulo per l’introduzione di nuovi prodotti che può utilizzare la modellazione di profili simili (quindi non molto avanzato, ma con alcune capacità di collegare le previsioni dei prodotti successori/predecessori). Ma è probabilmente indietro rispetto agli strumenti specializzati per il settore al dettaglio in questo senso.
Resi: SAP può certamente incorporare la previsione dei resi nella pianificazione della domanda se viene modellata (in particolare per il settore al dettaglio, potrebbero prevedere la domanda netta meno i resi). Di nuovo, è qualcosa che richiede configurazione.
Complessità dei costi di stoccaggio: L’ottimizzatore di SAP potrebbe considerare i costi di stoccaggio e quindi limitare indirettamente le scorte se i costi di stoccaggio aumentano improvvisamente (rappresentando limiti di stoccaggio). Ma bisognerebbe configurarlo attentamente; non è pronto all’uso.

In sostanza, la soluzione per l’inventario di SAP può essere configurata per gestire molto, ma richiede sforzo. È come un set di strumenti che, quando configurato in modo esperto, può emulare molti comportamenti avanzati - ma SAP stesso non fornisce una soluzione avanzata a portata di clic.

Verdetto: SAP è classificato più in basso nel nostro studio perché esemplifica il problema del “tuttofare, maestro di niente”. Ha pezzi di capacità (alcuna ottimizzazione probabilistica ereditata da acquisizioni), ma nessuna offerta chiara, coerente e all’avanguardia nell’ottimizzazione dell’inventario in modo specifico. La complessità e la “raccolta caotica” di strumenti sotto l’ombrello di SAP rendono difficile ottenere valore senza un tempo e un costo significativi ⁴². Penalizziamo severamente SAP per questa complessità e il fatto che l’integrazione abbia oscurato l’innovazione - le tecnologie acquisite sono in gran parte stagnate una volta sotto SAP (con persino i loro meriti spesso persi o sottoutilizzati). Le affermazioni di SAP sono di solito moderate (non mentono palesemente sull’IA; se mai la loro pubblicità potrebbe ora spargere parole di moda sull’IA perché tutti lo fanno, ma non è esagerato). Il problema principale è che l’ottimizzazione dell’inventario di SAP non è fuffa di marketing - è solo sepolta e ingombrante.

Per le aziende già profondamente radicate negli ecosistemi SAP, l’utilizzo degli strumenti integrati di SAP potrebbe essere interessante (l’integrazione dei dati è più semplice, un unico punto di contatto, ecc.). Ma da un punto di vista puramente prestazionale, pochi argomenterebbero che SAP IBP supera i fornitori specializzati. In una luce alla ricerca della verità, vediamo SAP come affidabile ma non all’avanguardia, completo ma eccessivamente complesso. È classificato nella metà inferiore perché la facilità di ottenere una catena di approvvigionamento ottimizzata con SAP è bassa - non a causa della mancanza di funzionalità, ma a causa della difficoltà di mettere insieme tali funzionalità e del dubbio payoff rispetto allo sforzo. In breve: SAP può spuntare le caselle delle funzionalità, ma mettiamo in dubbio se possa fornire un inventario ottimale nella pratica senza un investimento massiccio. Questo lo tiene ben al di sotto dei migliori specialisti nella nostra classifica.

7. o9 Solutions - Grandi Ambizioni, Grande Hype, Profondità Non Provata

Panoramica: o9 Solutions è un nuovo entrante (fondata nel 2009) che ha rapidamente guadagnato attenzione come piattaforma di pianificazione “di prossima generazione”. Spesso descritta come il “cervello digitale” o il “Grafo della Conoscenza Aziendale (EKG)” per la catena di approvvigionamento, o9 si vanta di una moderna piattaforma nativa cloud con un’interfaccia utente elegante, un modello di dati basato su grafi e una serie di promesse di intelligenza artificiale/analytics. Si posizionano come la soluzione “stile big tech” per la catena di approvvigionamento - molta potenza di calcolo, memoria e un modello di dati unificato per supportare tutto, dalla previsione della domanda alla pianificazione dell’approvvigionamento alla gestione dei ricavi. Per quanto riguarda l’ottimizzazione dell’inventario, o9 afferma di farlo come parte della sua pianificazione end-to-end. Tuttavia, la reputazione di o9 nei circoli tecnici è quella di un grande hype e meno chiarezza sui metodi effettivi. Dazzano i potenziali clienti con un alto “tech mass” (moltissime funzionalità, demo accattivanti), ma sotto scrutinio, i loro veri elementi differenzianti sono oscuri. Come ha detto un’analisi, “Il tech mass di o9 è fuori scala… Il design in-memory garantisce costi hardware elevati. Molte affermazioni sulle previsioni riguardanti il database a grafo (marchiato EKG) sono dubbie e non supportate dalla letteratura scientifica. Un sacco di hype sull’IA, ma gli elementi trovati su Github fanno pensare a tecniche banali.” ⁴⁶. Questo riassume le nostre conclusioni: o9 è molto nel campo del “blah-blah sull’IA” fino a prova contraria.

Domanda probabilistica e tempi di consegna: Non c’è alcuna evidenza che o9 produca nativamente previsioni probabilistiche per la domanda o i tempi di consegna. Il loro discorso su un Grafo della Conoscenza Aziendale implica il collegamento di vari dati (che potrebbero aiutare a identificare le cause della variabilità dei tempi di consegna, ecc.), ma i case study e i materiali pubblicati da o9 non menzionano esplicitamente distribuzioni statistiche o ottimizzazione stocastica. Si concentrano più sulla pianificazione degli scenari e sulla ripianificazione in tempo reale. Deduciamo che o9 probabilmente utilizza tecniche di previsione tipiche (ML a serie temporali o addirittura librerie preconfezionate) per generare previsioni numeriche singole, eventualmente con alcuni intervalli. Senza che lo dichiarino, assumiamo che i tempi di consegna siano considerati come input (forse con alcune regole di buffer) ma non previsti come variabili casuali. Quindi, secondo i nostri criteri, o9 non supera il test probabilistico. Infatti, data la loro enfasi sull’integrazione dei big data, potrebbero essere più deterministici della maggior parte - mirando a incorporare molti segnali (presumendo quindi che si possa prevedere tutto se si dispone di dati sufficienti), il che è concettualmente opposto all’accettazione dell’incertezza. Fino a quando o9 non pubblicherà qualcosa riguardo ai modelli probabilistici, consideriamo il loro approccio come deterministico con una sofisticata integrazione dei dati. Questo li rende non seri nella modellazione dell’incertezza, affidandosi invece alla pianificazione reattiva.

Reclami sulle funzionalità avanzate: La pubblicità di o9 è piena di affermazioni che sembrano avanzate:

Grafo della Conoscenza (EKG): Affermano che il loro database a grafo può modellare le relazioni lungo la supply chain, migliorando presumibilmente le previsioni (come catturare come una promozione delle vendite potrebbe influenzare la domanda di articoli correlati, ecc.). Sebbene un modello di dati a grafo sia flessibile, non c’è prova scientifica che questo produca previsioni più accurate o decisioni di inventario migliori. Principalmente aiuta ad integrare le fonti di dati. L’affermazione che si tratti di un’innovazione nella “previsione AI” è dubbiosa ⁴⁷. Senza vedere un algoritmo specifico che sfrutti il grafo per, ad esempio, previsioni probabilistiche, consideriamo questo solo un’architettura moderna, non un metodo di analisi superiore.
AI/ML: o9 butta lì tutte le parole di moda - grafi della conoscenza, big data, AI/ML, persino presumibilmente termini come apprendimento per rinforzo, anche se senza specifiche. L’analisi esterna è impietosa: “Molte affermazioni sulle previsioni… sono dubbie… Un sacco di hype sull’AI, ma gli elementi trovati su Github lasciano intendere tecniche banali.” ⁴⁷. Infatti, alcuni strumenti condivisi pubblicamente da o9 (come tsfresh per l’estrazione di caratteristiche a serie temporali, o vikos, ecc.) sono menzionati - si tratta di librerie standard di Python o approcci di previsione di base (ARIMA, ecc.) ⁴⁸. Questo implica che il team di sviluppo di o9 potrebbe utilizzare modelli di previsione piuttosto normali dietro le quinte, nonostante le affermazioni esterne. Sveliamo o9 qui: etichettare qualcosa come una piattaforma guidata dall’AI non lo rende tale, e un’analisi iniziale suggerisce che il loro “AI” è spesso solo una regressione lineare o ARIMA sotto la superficie ⁴⁸. Se fosse vero, sarebbe molto fumo e specchi.
Pianificazione degli scenari in tempo reale: o9 si comporta bene nel consentire scenari improvvisi (grazie al calcolo in memoria). Ma la pianificazione degli scenari non è ottimizzazione. Si può simulare rapidamente cosa succede se il tempo di consegna aumenta o se la domanda aumenta, il che è utile per i pianificatori per visualizzare i problemi, ma non fornisce automaticamente la soluzione migliore - l’utente deve comunque interpretare e regolare. Quindi, mentre o9 potrebbe affermare di aiutarti a gestire le interruzioni, potrebbe fare affidamento più sul processo decisionale umano rispetto, ad esempio, a un’ottimizzazione stocastica.

Un’altra intuizione: “Le banalità non qualificano per l’‘AI’ perché sono interattive.” ⁴⁹ - probabilmente facendo riferimento al fatto che o9 definisce i dashboard interattivi o le risposte basate su regole semplici come “AI”. Penalizziamo fortemente questo. Se o9 commercializza qualcosa come “il nostro sistema segnala automaticamente le eccezioni e suggerisce ordini - guidato dall’AI!” ma in realtà si tratta di una semplice regola if-then o di una torre di controllo statistica, questo equivale a etichettare funzionalità di base come AI.

Automazione: o9 si posiziona come abilitatore del “Modello Operativo Digitale” - il che suggerisce un alto grado di automazione. Senza dubbio può automatizzare determinate attività di pianificazione (come la generazione automatica di previsioni, il rilevamento automatico delle eccezioni). Tuttavia, data la mancanza di dettagli, ci preoccupa che gran parte del valore di o9 derivi ancora dalle decisioni umane utilizzando la sua bella interfaccia utente. Si parla di “pianificazione autonoma” nell’industria attorno a strumenti come o9, ma non ci sono prove concrete che qualche azienda stia utilizzando o9 in modo completamente automatizzato. Il forte coinvolgimento degli analisti dei grandi clienti con o9 indica che si tratta di un sistema di supporto decisionale, non di un ottimizzatore completamente automatizzato. Penalizziamo il divario tra aspirazione e realtà. A meno che o9 non possa dimostrare come il suo “graph AI” ottimizzi autonomamente l’inventario (cosa che non hanno fatto pubblicamente), consideriamo le sue affermazioni sull’automazione come esagerate.

Gestione dei vincoli: Essendo una piattaforma flessibile, o9 in teoria può gestire molti vincoli:

Ha il modello dati per incorporare date di scadenza, attributi di lotto, ecc. Quindi potrebbe tracciare l’inventario per lotto e potenzialmente includere logiche per evitare la scadenza. Ma se ha un algoritmo pronto per l’inventario deperibile è sconosciuto - probabilmente no; un utente dovrebbe scrivere una regola o assicurare manualmente la rotazione.
Multi-echelon: o9 fa pianificazione a più livelli; può modellare una rete e eseguire ottimizzazioni dell’inventario a più livelli (probabilmente hanno qualcosa di simile a SmartOps, o almeno calcoli di stock di sicurezza per ciascun livello).
Vincoli di capacità: Poiché o9 copre S&OP, può incorporare vincoli di produzione e stoccaggio nelle sue esecuzioni di pianificazione.
Cannibalizzazione e sostituzione: Qui il loro Knowledge Graph potrebbe, in linea di principio, modellare relazioni (ad esempio, collegare prodotti come sostituti). Ma ottimizzano effettivamente utilizzando queste informazioni? Non lo hanno dimostrato. Possibilmente potrebbero fare un what-if: “se il prodotto A è esaurito, vedere le vendite del prodotto B aumentare” in una simulazione. Ma ciò richiede la modellazione della scelta del consumatore - non banale, e nessuna evidenza che o9 abbia costruito quel modello. Quindi probabilmente non gestito, a parte le ipotesi manuali del pianificatore.
Quasi-stagionalità: Se l’ML di o9 è decente, potrebbe rilevare modelli stagionali insoliti se alimentato con abbastanza dati. Ma di nuovo, nessuna funzionalità specifica oltre alla previsione ML generale.
Ottimizzazione finanziaria: o9 parla di revenue management e IBP, quindi potrebbe essere in grado di ottimizzare per il profitto, non solo per il livello di servizio, se configurato. Detto ciò, la fiducia nel loro ottimizzatore è incerta.

Un aspetto preoccupante: l’approccio in-memory di o9 (come RELEX) potrebbe rendere estremamente dispendiose in termini di risorse la risoluzione di determinate ottimizzazioni pesanti di vincoli. Si vantano di scalabilità, ma se si modella veramente ogni SKU-location e vincolo, il calcolo potrebbe esplodere, richiedendo hardware enorme. Quindi, praticamente, potrebbero semplificare il problema o fare affidamento su euristiche.

Verdetto: o9 Solutions è classificato nel livello inferiore a causa della sua pesante dipendenza da affermazioni non provate e parole di moda, nonostante il suo aspetto lucido. Riconosciamo che o9 ha un’interfaccia moderna e un approccio unificato ai dati che i clienti trovano attraente. Probabilmente migliora la collaborazione e la visibilità. Ma quando si tratta della scienza di base dell’ottimizzazione dell’inventario, non troviamo innovazioni concrete da o9 che giustifichino l’entusiasmo. La sua promozione è carica di campanelli d’allarme - tutti i termini alla moda appaiono con poco supporto tecnico ⁴⁷. Questo ci fa dubitare della sostanza dietro alla sua considerevole valutazione. Penalizziamo pesantemente o9 per questa lacuna. Senza una chiara dimostrazione, ad esempio, di come la sua intelligenza artificiale prevede meglio la domanda o di come il suo grafico produce decisioni ottimali sull’inventario, dobbiamo considerare le sue promesse come “dubbie al meglio” ⁴⁷.

In parole povere, o9 potrebbe essere una buona piattaforma di pianificazione (integrando varie funzioni), ma come motore di ottimizzazione dell’inventario in particolare, sembra non offrire nulla che gli strumenti più vecchi non offrano - tranne un’interfaccia più elegante. Certamente non ha dimostrato di gestire l’incertezza o i vincoli complessi meglio di quanto facciano gli strumenti più vecchi; se non altro, potrebbe ignorare l’incertezza a favore del determinismo dei big data, che consideriamo un approccio difettoso. Pertanto, o9, in una classifica basata sulla verità, si trova vicino alla parte inferiore dei fornitori seri. È praticamente un caso di “parole grosse, azioni standard”. Le aziende che considerano o9 dovrebbero essere caute rispetto alla presentazione commerciale e insistere nel vedere gli algoritmi e i risultati effettivi. Fino a quando le affermazioni sull’IA di o9 non saranno dimostrate con prove tecniche esplicite, li classifichiamo come false/non fondate in questo settore.

8. Blue Yonder (precedentemente JDA) - Patchwork di sistemi legacy commercializzati come “AI”

Panoramica: Blue Yonder (BJDA) è uno dei più vecchi e grandi fornitori di software per la supply chain. Precedentemente conosciuta come JDA (che aveva acquisito Manugistics e i2 Technologies negli anni 2000), è stata ribattezzata Blue Yonder ed è stata acquisita da Panasonic. Le capacità di ottimizzazione dell’inventario di Blue Yonder derivano da una linea di prodotti - ad esempio, l’ottimizzatore della supply chain di i2 e i moduli di inventario di JDA. Nel tempo, hanno cercato di modernizzarsi tramite la loro piattaforma Luminate, infondendo concetti di AI/ML. Tuttavia, Blue Yonder soffre di ciò che chiamiamo “spaghetti di fusioni e acquisizioni”: è “il risultato di una lunga serie di operazioni di fusioni e acquisizioni”, risultando in “una collezione caotica di prodotti, per lo più datati” ⁵⁰. Fondamentalmente, l’offerta di Blue Yonder è un amalgama di software legacy incollati insieme. Ora cercano di presentarsi come guidati dall’IA (con termini come pianificazione cognitiva, Luminate AI), ma la nostra analisi approfondita mostra che queste affermazioni sono per lo più vague e insostanziali ²⁷.

Domanda probabilistica e tempi di consegna: Blue Yonder ha storicamente fornito strumenti per la previsione della domanda e la pianificazione dell’inventario, ma principalmente utilizzando metodi deterministici o euristici. Ad esempio, la pianificazione della domanda legacy di JDA produceva previsioni puntuali e l’ottimizzazione dell’inventario calcolava scorte di sicurezza per un servizio target. Negli ultimi materiali, Blue Yonder menziona la “previsione probabilistica” e il “livello di sicurezza dinamico” come concetti nel loro approccio ⁵¹. Hanno riconosciuto il valore dei metodi probabilistici nei blog, suggerendo di conoscere il gergo. Ma li hanno implementati? C’è poco evidenza che le soluzioni core di Blue Yonder producano distribuzioni di probabilità complete o ottimizzino decisioni in modo stocastico. Dato che citano cose come tsfresh e ARIMA in open source ⁴⁸, sembra che facciano principalmente previsioni di serie temporali classiche, non programmazione probabilistica all’avanguardia. Non abbiamo visto indicazioni sulle capacità di previsione dei tempi di consegna - probabilmente Blue Yonder assume tempi di consegna fissi più un eventuale buffer. Quindi Blue Yonder non soddisfa i nostri criteri probabilistici: non viene menzionata alcuna modellizzazione esplicita dell’incertezza della domanda/dei tempi di consegna. Probabilmente si attengono a modelli tradizionali di livello di servizio, il che significa che anche loro non sono “seri” riguardo all’incertezza completa nonostante l’uso della parola probabilistico in alcuni articoli di pensiero.

Affermazioni sulle funzionalità avanzate: Blue Yonder è stata generosa con le affermazioni di AI/ML. Il loro marketing utilizza frasi come “pianificazione autonoma”, “supply chain cognitiva”, ecc. Tuttavia, un’analisi evidenzia: “BY mette in evidenza l’IA, tuttavia, le affermazioni sono vaghe con poco o nessun contenuto.” ²⁷. Confermiamo questo:

Blue Yonder ha acquisito alcune startup di AI e si vanta di partnership con università, ma concretamente, le uniche cose che vediamo sono alcuni progetti open source. Quei progetti (tsfresh, PyDSE, VikOS) indicano metodi di previsione molto standard (estrazione di caratteristiche, ARMA/ARIMA, regressione) ⁴⁸. Nulla suggerisce un algoritmo AI innovativo unico per Blue Yonder. Ciò significa che la “AI all’avanguardia” di Blue Yonder è probabilmente solo analisi tradizionale rebrandizzata. Trattiamo categoricamente qualsiasi affermazione generica di AI da parte loro come non provata.
Ad esempio, Blue Yonder potrebbe dire “utilizziamo ML per integrare i nostri modelli probabilistici” ⁵² - ma senza dettagli, potrebbe significare qualsiasi cosa, da un semplice modello di machine learning per regolare le previsioni, a una rete neurale che in realtà non ha superato modelli più semplici. Senza prove, lo consideriamo come chiacchiere.
Blue Yonder afferma di avere soluzioni end-to-end inclusa ottimizzazione dei prezzi, assortimento, ecc. È vero che hanno molti moduli. Tuttavia, avere molti moduli non significa che ognuno sia il migliore della categoria. La pianificazione dell’inventario di Blue Yonder potrebbe ancora utilizzare l’ottimizzazione del livello di servizio dell’antico i2, difficilmente qualcosa di cui vantarsi nel 2025.

Una affermazione particolarmente problematica del passato: la letteratura di Blue Yonder su “inventario cognitivo” in pratica riproponeva l’idea di inventario probabilistico con termini di fantasia ⁵³ ⁵¹, ancora una volta senza supporto tecnico. Consideriamo questo come marketing con bandiera rossa. Sembra interessante ma non fornisce alcun “contenuto” algoritmico.

Automazione: Le soluzioni di Blue Yonder storicamente richiedevano un significativo controllo umano - ad esempio, i pianificatori utilizzavano il software JDA per ottenere raccomandazioni e poi apportavano modifiche. Con Luminate, Blue Yonder parla di “pianificazione autonoma”, ma a nostra conoscenza, questo rimane in gran parte una visione. Potrebbero aver introdotto un “assistente AI” o la risoluzione automatica delle eccezioni, ma nulla è dettagliato pubblicamente. Data la clientela di Blue Yonder (molti grandi rivenditori, produttori), è probabile che il software venga ancora utilizzato in modo tradizionale: le previsioni e gli ordini vengono generati e poi i pianificatori li esaminano o li eseguono tramite flussi di lavoro. Non abbiamo visto prove chiare del fatto che Blue Yonder abiliti ottimizzazione completamente non assistita. Inoltre, poiché la loro architettura è una combinazione di parti, raggiungere un’automazione senza soluzione di continuità attraverso di esse è una sfida. Penalizziamo Blue Yonder per la mancanza di chiarezza su questo punto. A meno che non possano mostrare un esempio di un cliente in cui il sistema funziona da solo per mesi, consideriamo le loro affermazioni sull’automazione minime.

Gestione dei vincoli: Blue Yonder, grazie a decenni di esperienza, copre molti vincoli in qualche misura:

Multi-echelon: Sì, JDA aveva ottimizzazione dell’inventario multi-echelon (probabilmente un approccio simile a ToolsGroup/SmartOps).
Lotti/MOQs: supportati nei loro parametri di pianificazione.
Promozioni: JDA/BlueYonder aveva moduli di previsione delle promozioni, anche se a volte separati.
Cannibalizzazione: Hanno uno strumento di modellazione della domanda che può incorporare la cannibalizzazione per il settore del retail (JDA aveva qualcosa per la previsione della gestione delle categorie). Ma si tratta di un modulo specializzato, non necessariamente collegato all’ottimizzazione dell’inventario.
Scadenza: Le principali industrie di Blue Yonder erano il retail (compreso il settore alimentare) e la produzione. Avevano alcune soluzioni per la gestione degli articoli freschi nel software di gestione delle categorie. Ma la loro pianificazione di base non enfatizzava i prodotti deperibili come fa RELEX. Quindi probabilmente una consapevolezza limitata della vita utile sugli scaffali.
Resi: Non un punto di forza. Forse gestito nella loro pianificazione del retail tramite previsioni nette, ma senza una funzionalità speciale.
Vincoli di stoccaggio: Se si utilizza il loro software di gestione magazzino o di pianificazione della produzione, sì, ma l’ottimizzazione dell’inventario stesso probabilmente assume uno stoccaggio illimitato (come gli altri, minimizzare i costi implicitamente mantiene il magazzino gestibile).
Quasi-stagionalità: Le previsioni di Blue Yonder possono gestire modelli stagionali, ma modelli insoliti richiedono o un’ottimizzazione umana o modelli avanzati di cui dubitiamo che abbiano oltre al solito.
Ottimizzazione finanziaria: Blue Yonder ha moduli di ottimizzazione del profitto (ottimizzazione dei prezzi, ecc.), ma la loro ottimizzazione dell’inventario di solito ruota attorno al soddisfacimento dei livelli di servizio al costo minimo, non al massimo profitto diretto.

In sintesi, la copertura delle capacità di Blue Yonder è ampia ma superficiale in alcuni punti. Cerca di essere tutto, il che porta a compromessi. Inoltre, poiché Blue Yonder sta gestendo così tanti componenti di prodotto, i clienti spesso lo vivono come complesso da implementare e mantenere.

Verdetto: Blue Yonder si posiziona vicino alla parte inferiore nella nostra analisi principalmente a causa della sua affidabilità su tecnologie datate mascherate da parole di moda e delle inefficienze intrinseche di una piattaforma composita. È significativo che i contributi open-source di Blue Yonder mostrino una dipendenza da metodi datati (ARIMA, regressione) ⁴⁸ anche mentre l’azienda si promuove come leader nell’IA. Questa dissonanza erode la fiducia. Penalizziamo severamente Blue Yonder per questa mancanza di trasparenza e per l’eccessivo utilizzo di vaghe affermazioni sull’IA ²⁷. Il marchio potrebbe avere peso (è un “Leader” in alcuni report degli analisti per ampiezza e quota di mercato), ma se ci si concentra strettamente sulla verità e sul merito tecnico, Blue Yonder non impressiona.

Detto ciò, Blue Yonder non è del tutto privo di valore. Ha un’ampia copertura funzionale e conoscenze di dominio incorporate, quindi può gestire molteplici scenari pratici se configurato correttamente. Ma queste sono solo le basi; ciò che cerchiamo è una vera competenza nell’ottimizzazione. Su questo fronte, Blue Yonder è molto indietro rispetto a fornitori come Lokad o persino alla affidabilità schietta di Slimstock. A meno che un cliente non sia già legato all’ecosistema di Blue Yonder o abbia bisogno di un’unica soluzione più che di analisi di classe mondiale, sconsigliamo l’ottimizzazione dell’inventario di Blue Yonder se la qualità dell’ottimizzazione fattuale e misurabile è la priorità. Nel nostro ranking, Blue Yonder è salvato dall’ultima posizione solo dal fatto che ha effettivamente un prodotto funzionante (seppur datato) e una grande base di utenti, il che significa che almeno risolve i concetti di base, mentre le affermazioni di alcuni giocatori più piccoli potrebbero essere ancora più vuote.

9. Infor (Rhythm / Predictix) – Concorrente in declino con IA dubbia

Panoramica: Infor ha cercato di competere in questo settore attraverso acquisizioni come Predictix (acquisita nel 2016) che era specializzata nella previsione nel settore del retail. Il punto di forza principale di Infor è stato l’ERP, ma hanno cercato di costruire un pacchetto di pianificazione del retail basato su cloud (Infor Rhythm, Demand Management, ecc.) con la tecnologia di Predictix. Tuttavia, le cose non sono andate lisce. Predictix ha avuto una storia complessa (problemi legali con partner come LogicBlox) ⁵⁴, e dopo essere entrata a far parte di Infor, il momentum sembra essersi fermato. L’attenzione di Infor si è spostata verso il suo ERP principale e iniziative più ampie, e “l’angolo delle previsioni è rimasto un cittadino di seconda classe, depriorizzato negli ultimi anni” ⁵⁵. In breve, la presenza di Infor nell’ottimizzazione dell’inventario/pianificazione della domanda è diminuita. Hanno ancora prodotti nello spazio, ma non sono leader di mercato, e il flusso di innovazione sembra scarso.

Caratteristiche probabilistiche e avanzate: Predictix era conosciuta per rivendicare alcuni approcci moderni di ML (erano tra i primi a parlare di big data nella previsione nel settore del retail). Ma gli esperti notano, “Predictix ha cercato di introdurre alcune tecniche di ML post-2000… tuttavia è discutibile che questi metodi superino i modelli pre-2000.” ⁴⁴. Ciò implica che anche la tecnologia di punta che Infor ha acquistato non era dimostrabilmente migliore degli approcci classici. Infor probabilmente ha ereditato alcune capacità di rilevamento della domanda o di previsione tramite machine learning da Predictix, ma con quel team disperso, non è chiaro quanto di esso venga utilizzato. Infor parla raramente di AI nella supply chain, e quando lo fa, è a un livello elevato. Abbiamo visto menzionare che “le affermazioni sull’‘AI’ sono anche discutibili.” ⁴⁴ riguardo alle loro previsioni. Questo riflette ciò che vediamo altrove: Infor non ha fornito prove che i suoi strumenti (rhythm, pianificazione della domanda, ecc.) siano particolarmente accurati o avanzati. Li ha semplicemente integrati come funzionalità nello stack di Infor. Inoltre, nessuna indicazione di previsioni probabilistiche o modellazione dei tempi di consegna – probabilmente non esistono. Quindi, secondo il nostro metro di valutazione, la soluzione di Infor è indietro rispetto alla concorrenza e non affronta seriamente l’incertezza con nuove tecniche.

Automazione e vincoli: Le offerte di pianificazione dell’inventario/della domanda di Infor non sono ampiamente discusse, suggerendo un’adozione limitata. È probabile che gestiscano vincoli di base (multi-echelon, ecc.) ma niente di particolare che altri non facciano. E dato il loro deprioritizzazione, si può presumere che non sia stato fatto molto per automatizzare completamente queste operazioni. Probabilmente si tratta di un sistema di pianificazione convenzionale in cui gli utenti generano previsioni e livelli di stock consigliati, con integrazione agli ERP di Infor per l’esecuzione. Nulla spicca, tranne forse alcune funzionalità specifiche per il retail che sono derivate da Predictix (come la previsione del profilo taglia/colore per la moda, o qualcosa del genere – ma ancora una volta, non chiaramente migliore dei concorrenti).

Verdetto: Classifichiamo Infor vicino alla parte inferiore perché non ha né un prodotto attuale forte né affermazioni credibili di unicità. Il loro tentativo tramite Predictix sembra aver perso slancio, e qualsiasi retorica di AI/ML derivante da quell’acquisizione è ora obsoleta o non provata ⁴⁴. Fondamentalmente, l’ottimizzazione dell’inventario di Infor non è un fattore importante sul mercato attualmente. Le aziende raramente includono Infor nella lista ristretta per la pianificazione avanzata a meno che non siano già pesanti utilizzatrici di Infor ERP. Senza nulla di notevole da mostrare in termini di ottimizzazione probabilistica o automatizzata, Infor riceve una valutazione severa: per lo più irrilevante nelle discussioni all’avanguardia, e le affermazioni che hanno fatto in passato sull’AI erano infondate.

10. John Galt Solutions – Pianificazione di mercato medio con affermazioni grandiose

Panoramica: John Galt Solutions (nome derivato dal famoso personaggio di La rivolta di Atlante) fornisce strumenti di previsione e pianificazione dagli anni ‘90. Il loro prodotto principale è Atlas Planning (chiamato in modo appropriato), rivolto a aziende di mercato medio per la pianificazione della domanda, dell’inventario e S&OP. Offrono anche uno strumento più semplice chiamato ForecastX (un add-in di Excel per la previsione di base). La nicchia di John Galt è stata la facilità d’uso e la rapida implementazione. Tuttavia, hanno fatto alcune audaci affermazioni sui loro algoritmi proprietari (come qualcosa chiamato “Procast”), che fanno alzare le sopracciglia. L’azienda non ha la stazza dei grandi attori, e il loro approccio tecnologico sembra piuttosto tradizionale, nonostante suggerimenti di marketing su IP unico.

Caratteristiche probabilistiche e avanzate: Le soluzioni di John Galt non mettono in evidenza la previsione probabilistica. Si concentrano sulla generazione di previsioni e obiettivi di inventario utilizzando metodi comuni (regressione, serie temporali, forse alcuni euristici). Atlas Planning dà una “forte sensazione di consulenza” ⁵⁶ - il che significa che spesso richiede molta consulenza per adattarlo a ciascun cliente, piuttosto che un motore avanzato cablato. La tecnologia di previsione sembra datata ⁵⁷, il che implica che non abbiano introdotto modelli predittivi innovativi oltre a quelli ampiamente conosciuti. Parlano di “Procast” - il loro algoritmo di previsione proprietario - affermando che è più preciso dei concorrenti. Tuttavia, questa affermazione è molto dubbia: se Procast fosse veramente superiore, sarebbe presente nelle competizioni di previsione (come le Competizioni M), ma è assente dai primi posti ³⁸. Ciò suggerisce che Procast è probabilmente una riconfezionatura di metodi standard o qualche piccolo aggiustamento, non una svolta. Infatti, gli esperti ritengono che strumenti open-source (come le librerie R di Hyndman) probabilmente superino la tecnologia di John Galt ⁵⁸. John Galt non fa molta pubblicità sull’IA o sull’ML, il che è effettivamente a loro credito (non esagerano con parole di moda che non possiedono). Ma fanno affermazioni vaghe “più accurate” senza prove, che non possiamo accettare. Non menzionano neanche nulla riguardo alla gestione di complessità come la cannibalizzazione o l’ottimizzazione in condizioni di incertezza; la loro messaggistica riguarda più l’esperienza utente (bei cruscotti, ecc.) e la pianificazione collaborativa. Questo indica mancanza di ottimizzazione avanzata.

Automazione: Atlas Planning è rivolto a pianificatori ed esecutivi per simulare e collaborare. Non è noto per l’automazione; è piuttosto un insieme di strumenti in cui gli utenti possono fare previsioni e poi eseguire scenari. È probabile che sia lontano dall’ottimizzazione dell’inventario completamente automatizzata - ci si aspetta che l’utente prenda decisioni basate sui risultati del software. Quindi non vediamo John Galt spingere per l’automazione non assistita. Questo limita il suo posizionamento perché in termini moderni è più uno strumento semi-manuale.

Vincoli: I clienti tipici di John Galt hanno spesso esigenze più semplici, quindi Atlas Planning può gestire vincoli di base (distribuzione multilivello, tempi di consegna, scorte di sicurezza, ecc.). Ma non è particolarmente noto per cose come l’ottimizzazione multi-echelon (anche se probabilmente ha qualche capacità), e certamente non per cose come i prodotti deperibili o i complessi vincoli di fornitura. È una soluzione di fascia media - ampiezza delle funzionalità ma non profondità in nessuna area specifica.

Verdetto: John Galt Solutions si posiziona all’ultimo posto nel nostro ranking dei principali fornitori. Sebbene fornisca software onesto e utilizzabile per la previsione e la pianificazione, non riesce a dimostrare alcun vantaggio tecnico o una gestione seria dell’incertezza. La grande affermazione sulla loro formula segreta (Procast) sembra non supportata e addirittura smentita per omissione ³⁸. In assenza di prove, etichettiamo tali affermazioni proprietarie come marketing fasullo. L’azienda non si impegna tanto nell’hype sull’IA come altri (forse a causa del targeting di un segmento diverso), ma non eccelle nemmeno. Sembra contenta di offrire “consulenza” - soluzioni che sono buone quanto i consulenti che le configurano. Questo va bene per alcuni clienti, ma in un confronto basato sulla ricerca della verità, significa assenza di chiara innovazione. L’approccio di John Galt all’ottimizzazione dell’inventario probabilmente coinvolge la configurazione manuale di modelli di previsione e politiche di inventario, piuttosto che qualsiasi calcolo automatizzato e probabilistico. Di conseguenza, ottiene un punteggio basso su quasi tutti i nostri criteri: nessuna modellazione probabilistica dei tempi di consegna, nessuna AI/ML degna di nota che funzioni, nessuna evidenza di ottimizzazione avanzata dei vincoli e automazione limitata.

Il punto su John Galt: Serve un segmento di mercato con strumenti più semplici e orientati all’utente. Ma qualsiasi affermazione che sia più accurato o “più intelligente” rispetto a soluzioni più grandi non è supportata da prove e dovrebbe essere vista con scetticismo. Le aziende con gravi sfide di inventario (alta incertezza, reti complesse) troverebbero la tecnologia di John Galt sottodimensionata molto probabilmente.

Conclusione e punti chiave

Questo studio di mercato critico rivela un panorama del software di supply chain pieno di affermazioni esagerate ma scarse di capacità provate e innovative. Fornitori come Lokad e Slimstock emergono come eccezioni spingendo metodi genuinamente avanzati (il motore probabilistico di Lokad ⁵⁹) o attenendosi a fondamenti onesti (l’approccio senza fronzoli di Slimstock ¹²). Molti altri attori - anche quelli ben noti come ToolsGroup, Blue Yonder e o9 - sono intrappolati in parole di moda senza sostegno:

Previsione probabilistica: Sorprendentemente pochi fornitori la abbracciano veramente. Lokad si distingue per modellare esplicitamente l’incertezza della domanda e dei tempi di consegna ¹. La maggior parte degli altri gestisce al meglio la variabilità della domanda in modo rudimentale e ignora l’incertezza dei tempi di consegna, che riteniamo essere un fallimento critico. Una soluzione che “ignora l’incertezza” nei tempi di consegna è fondamentalmente limitata ³. Gli utenti dovrebbero premere i fornitori: Fate previsioni probabilistiche sui tempi di consegna? Se no, aspettatevi che gli obiettivi di stock siano subottimali.
Parole di moda fuorvianti: Il termine “sensing della domanda” è un reo abituale - usato da ToolsGroup, GAINS, ecc., con scarso fondamento scientifico ¹⁸ ³¹. Allo stesso modo, le affermazioni generiche su “AI/ML” sono diffuse. Blue Yonder e o9 ne sono un esempio, mostrando terminologia di tendenza ma offrendo algoritmi non migliori di una regressione ²⁷ ⁶⁰. I segnali di pericolo sono consistenti: se un fornitore non può descrivere in termini concreti cosa fa la loro intelligenza artificiale (ad es. “utilizza il boosting del gradiente sulla storia delle spedizioni per prevedere la domanda SKU-negozio”) e invece offre luoghi comuni, si dovrebbe presumere il peggio - che dietro l’affermazione c’è “poca o nessuna sostanza” ²⁷. In questo studio, abbiamo penalizzato pesantemente tutti i casi del genere. In particolare, i LLM (modelli simili a ChatGPT) non hanno alcun ruolo dimostrato nel calcolo delle politiche di inventario ottimali (manca loro la capacità di ottimizzazione numerica), quindi qualsiasi suggerimento che un LLM stia ottimizzando il vostro inventario è pura finzione. Per fortuna, nessuno dei migliori fornitori lo afferma - ma alcuni potrebbero integrare chatbot per le query degli utenti, il che non è la stessa cosa dell’ottimizzazione di base.
Ottimizzazione stocastica: Il test decisivo per un motore di “ottimizzazione” è se risolve veramente un obiettivo definito in presenza di incertezza (massimizzare il profitto atteso, minimizzare i costi soggetti al servizio, ecc.). La maggior parte dei fornitori qui, tranne Lokad (e forse il pezzo SmartOps all’interno di SAP), non esegue una vera ottimizzazione stocastica. Si affidano a euristiche: impostare un obiettivo di servizio, calcolare lo stock di sicurezza. Questo non è ottimizzare - è soddisfare. ToolsGroup, ad esempio, lavora ancora principalmente sui livelli di servizio, e il suo discorso su un “algebra di variabili casuali” è più marketing che realtà. Abbiamo evidenziato questa incongruenza per ToolsGroup ²⁸. Gli utenti che cercano decisioni ottimali dovrebbero essere cauti: molti strumenti non ottimizzano effettivamente un obiettivo finanziario; si limitano a imporre obiettivi di servizio. C’è una grande differenza. Se un fornitore non può mostrare una funzione obiettivo e come viene risolta (ad es. “massimizziamo il tasso di riempimento atteso meno il costo di mantenimento, utilizzando la simulazione Monte Carlo”), allora probabilmente non sta facendo una vera ottimizzazione.
Automazione: La promessa di una “supply chain a guida autonoma” è allettante. Nella pratica, pochi l’hanno raggiunta. La nostra valutazione ha rilevato che la maggior parte dei fornitori richiede un significativo input umano, e la loro automazione si basa su regole o è limitata a calcoli. Lokad punta all’automazione consentendo la piena creazione di script per la logica decisionale (e rimuovono esplicitamente compiti manuali ripetitivi) ⁸. RELEX automatizza molte attività nel settore del retail ma probabilmente utilizza regole semplici per farlo dietro le quinte. ToolsGroup e GAINS automatizzano i calcoli ma hanno comunque bisogno di pianificatori per gestire i parametri. L’automazione completa - dove il sistema si adatta da solo alle nuove condizioni - è rara. Quindi, quando un fornitore dice “autonomo” o “automatico,” chiedi una spiegazione: Cosa esattamente è automatizzato? Come vengono gestite le eccezioni? C’è un ciclo di feedback? Se le risposte sono vaghe, la pretesa di automazione merita scetticismo. Abbiamo scoperto che i fornitori che spiegavano meno (o9, Blue Yonder) probabilmente automatizzano meno, nonostante le grandi affermazioni ⁶⁰ ²⁷.
Vincoli Complessi: È chiaro che una taglia non va bene per tutti. Alcuni fornitori si rivolgono a complessità specifiche (RELEX per la scadenza dei prodotti freschi ²¹, GAINS per le parti riparabili). Altri coprono principalmente vincoli generici e si affidano a soluzioni alternative per i casi speciali. La responsabilità è del compratore nel mettere in evidenza le proprie esigenze uniche (prodotti deperibili, resi voluminosi, ecc.) e chiedere al fornitore come li gestiscono. Se la risposta è “abbiamo clienti nel tuo settore” ma senza dettagli, è un avvertimento. Nel nostro studio, solo Lokad discute apertamente il supporto a cose come la cannibalizzazione e i vincoli personalizzati tramite il suo framework di modellazione ⁴. La maggior parte degli altri ignora tali questioni o le menziona di sfuggita senza un metodo.

In conclusione, questo studio di mercato separa il segnale dal rumore. I fornitori più quotati hanno guadagnato il loro posto allineando le affermazioni con la realtà e concentrandosi su una solida ingegneria:

Lokad - per il suo rigoroso approccio probabilistico e la volontà di dettagliare come funziona ⁵⁹.
Slimstock - per offrire risultati affidabili senza nascondersi dietro a parole di moda ⁶¹ (anche se manca di analisi avanzate, è onesto al riguardo).
RELEX - per l’innovazione pratica nel settore del retail (prodotti freschi, ecc.) mentre rimaniamo cauti riguardo alla sua esagerata pubblicità sull’IA non provata ¹⁷.

I fornitori di fascia media come ToolsGroup e GAINS hanno una profondità funzionale ma sono stati declassati a causa di “pratiche di marketing scorrette” - terminologia fuorviante e mancata evoluzione tecnica ³⁵ ³¹.

Infine, diverse soluzioni di grande nome (o9, Blue Yonder, SAP, Infor, John Galt) sono finite più in basso nella nostra classifica rispetto a quanto suggerirebbe la loro importanza sul mercato. Il motivo è semplice: la reputazione aziendale e il volume delle vendite non equivalgono all’eccellenza tecnica. In realtà, queste grandi suite spesso portano con sé bagagli ereditati o una diffusa dispersione di focus, che impedisce una valutazione basata sulla ricerca della verità. Non abbiamo dato credito a brochure lucide o posizioni nel Quadrante Magico di Gartner, perché spesso riflettono il fatturato e l’ampiezza, non il vero potere di ottimizzazione.

Consigli per i professionisti: Taglia corto con le chiacchiere. Insisti su demo o case study che mostrino effettive distribuzioni degli errori, risultati dei livelli di servizio o risparmi sui costi in condizioni di incertezza. Chiedi ai fornitori di eseguire i tuoi dati per un pilota ed esamina se i loro output riflettono veramente l’incertezza (ad esempio una serie di scenari) o solo un numero. Verifica se le loro raccomandazioni cambiano quando cambiano le condizioni (indicando adattabilità), o se sono essenzialmente regole statiche. Molti fornitori vacilleranno quando sfidati su questi fronti. Quelli che brillano saranno quelli che hanno costruito le loro soluzioni su solide basi analitiche piuttosto che su sabbie mobili di marketing.

Alla fine, l’ottimizzazione efficace dell’inventario richiede di unire una buona scienza con una esecuzione pratica. Come dimostra questo studio, pochi fornitori eccellono in entrambi. Quelli che lo fanno si distinguono chiaramente - e quelli che non lo fanno, li abbiamo messi a nudo con citazioni e fatti. Incitiamo i decisori a utilizzare queste informazioni per tagliare attraverso il rumore del marketing e fare scelte basate sulla verità e sulle prove, non sull’esagerazione.