Software di Ottimizzazione dell'Inventario Aziendale

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 e basato su prove. Penalizziamo il marketing vago, i buzzword “AI” non supportati e la mancanza di vere capacità stocastiche. I criteri chiave includono: (1) supporto comprovato per la previsione della domanda probabilistica e la previsione del lead-time probabilistico (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 falsi); (3) livello di automazione (ottimizzazione veramente non presidiata vs. richiesta di regolazioni manuali); e (4) capacità di gestire vincoli complessi (date di scadenza, tracciamento seriale/lotti, resi, dimensioni dei lotti, sconti sul prezzo, cannibalizzazione del prodotto, schemi “quasi-stagionali” irregolari, costi di capacità di stoccaggio, ecc.).

Fornitori Classificati

Di seguito è presentata una classificazione oggettiva dei principali fornitori di ottimizzazione dell’inventario, dal più al meno credibile, in base ai criteri sopra. Ogni valutazione del fornitore evidenzia i punti di forza, espone le debolezze e cita prove di eventuali affermazioni fuorvianti.

1. Lokad – Pioniere Probabilistico con Piena Trasparenza

Panoramica: Lokad si distingue con 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” - sostanzialmente un supporto di prima classe per le distribuzioni di probabilità - consentendo calcoli stocastici complessi che considerano l’incertezza ad ogni passo ² ³. Questo rigore matematico distingue Lokad dai concorrenti che spesso simulano l’incertezza solo in modi ad hoc (o ignorano del tutto il rischio del lead-time).

Domanda Probabilistica & Lead Times: Lokad soddisfa chiaramente il criterio di doppia previsione. La sua documentazione sottolinea che “i lead time possono e dovrebbero essere previsti proprio come la domanda” ¹. La piattaforma può produrre modelli di lead-time probabilistici (ad es. utilizzando distribuzioni log-logistiche) e comporli con le previsioni della domanda ¹ - un pilastro per calcoli accurati di riordino. Abbracciando entrambe le sfaccettature dell’incertezza, Lokad evita la trappola comune di altri strumenti che assumono che i lead time siano statici o che le scorte di sicurezza da sole siano sufficienti.

Funzionalità Avanzate (Cannibalizzazione, ecc.): Lokad fornisce dettagli concreti di ingegneria sui vincoli avanzati. Introduce ottimizzazione stocastica che massimizza la redditività attesa rispettando i vincoli specifici del cliente, compresi effetti cross-prodotto come cannibalizzazione e sostituzione ⁴. Ad esempio, Lokad può modellare come i prodotti si cannibalizzano a vicenda o agiscono come sostituti, e incorporare queste relazioni nella logica di ottimizzazione. Questa non è solo un’affermazione vaga - è supportata da un approccio “programmatico” (scripting 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 probabilisticamente 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 della resa in produzione ⁵ ⁶), mostrando prove di capacità. Non c’è affidamento su buzzword vuoti; invece, Lokad discute metodi (simulazioni di Monte Carlo, programmazione probabilistica, ecc.) e pubblica anche lezioni su come questi vengono implementati ⁷. Le affermazioni di AI/ML sono minime - l’attenzione è rivolta a miglioramenti misurabili e guidati dal modello.

Automazione: L’automazione completa è un obiettivo di progettazione fondamentale per Lokad. La piattaforma è costruita per un funzionamento non presidiato: essa “automatizza aggressivamente i compiti ripetitivi” nell’ottimizzazione della supply chain ⁸. L’approccio di Lokad è quello di avere il suo motore che genera decisioni ottimali (ordini di acquisto, allocazioni di stock, piani di produzione) senza una costante microgestione umana. Molti dei suoi clienti fanno funzionare il sistema in una modalità largamente non presidiata, intervenendo solo sulle eccezioni. Lokad fornisce anche 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 le ricette numeriche automatizzate su larga scala guidano le decisioni quotidiane, riducendo la necessità di SOP 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 promesse generiche di “automazione AI” dei concorrenti.

Gestione dei Vincoli: Lokad supporta robustamente vincoli non banali. Poiché utilizza un linguaggio di modellazione flessibile, può tenere conto delle date di scadenza (ad es. prevedendo le distribuzioni di durata della conservazione e forzando la “vendita” prima della scadenza), tracciamento seriale/lotti (attraverso variabili di stock specifiche per l’età dell’inventario o per lotto), resi e ricondizionamenti (modellando le probabilità di reso e i tempi di consegna per i resi ⁶), dimensioni dei lotti/MOQs (incorporati nella sua ottimizzazione valutando le quantità di lotti discreti), sconti dei fornitori o promozioni (ottimizzando il momento/quantità degli ordini per massimizzare il beneficio del rebate rispetto al costo di detenzione ⁹), effetti di cannibalizzazione e sostituzione (esplicitamente menzionati come gestiti nel suo motore stocastico ⁴), quasi-stagionalità (le sue previsioni possono catturare modelli stagionali insoliti tramite modelli probabilistici), e vincoli di stoccaggio o capacità (incorporando i costi/penalità di capacità nell’obiettivo di ottimizzazione). La documentazione di Lokad sottolinea addirittura che essa “riflette tutti i driver economici” legati alle decisioni ¹⁰ e tiene conto dei “vincoli unici” per cliente - un livello di dettaglio assente nella maggior parte delle descrizioni dei fornitori. In breve, Lokad dimostra con chiarezza tecnica che affronta scenari reali complessi, piuttosto che fare affermazioni superficiali.

Verdetto: Lokad si classifica al primo posto 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. Il marketing fuorviante è praticamente nullo - invece dell’hype, Lokad fornisce prove (whitepaper, documenti tecnici) di come ottiene i risultati. Questo ethos basato sulla verità, combinato con una forte automazione e gestione dei vincoli, rende Lokad un punto di riferimento per le aziende che cercano una seria ottimizzazione dell’inventario 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 buzzword.

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

Panoramica: Slimstock (con il suo prodotto Slim4) rappresenta un approccio classico e mainstream all’ottimizzazione dell’inventario. Uniquamente, Slimstock è piacevolmente privo di hype sull’IA. L’azienda si concentra su metodi collaudati come i calcoli di stock di sicurezza, Quantità di Ordine Economica (EOQ), e altre tecniche standard della supply chain ¹¹. La filosofia di Slimstock è quella di fornire “soluzioni pratiche semplici e al punto piuttosto che fare vaghe affermazioni sull’IA” ¹². Questa onestà e attenzione alle basi ha valso a Slimstock una grande reputazione per usabilità e affidabilità tra i professionisti.

Capacità Probabilistiche: Qui è dove Slimstock risulta carente secondo gli standard moderni. Slim4 non pubblicizza esplicitamente la previsione probabilistica della domanda, né alcuna forma di modellazione stocastica del tempo di lead. 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. Mentre Slimstock tiene certamente conto dei tempi di lead nei suoi calcoli (i tempi di lead 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 nessuna evidenza che Slim4 produca distribuzioni di probabilità complete della domanda o del tempo di lead. Ciò significa che Slimstock, pur essendo robusto in senso classico, “ignora l’incertezza” nel modo granulare in cui i metodi probabilistici la catturano ³. Secondo i nostri criteri, non modellare esplicitamente l’incertezza del tempo di lead è una grave limitazione - un punto a sfavore della profondità tecnica di Slimstock. Tuttavia, Slimstock mitiga questo essendo almeno onesto nell’usare metodi semplici; non finge di avere una tecnologia stocastica avanzata. Per molte aziende, l’approccio conservativo di Slim4 produce risultati accettabili, ma potrebbe lasciare soldi sul tavolo rispetto alla vera ottimizzazione probabilistica.

Reclami di Funzionalità Avanzate: Slimstock generalmente non esagera le capacità che non ha. Non sentirete Slim4 vantarsi di “sensing della domanda guidato dall’IA” o “previsioni basate su machine learning”. Infatti, questo approccio a basso BS è evidenziato come un positivo: “È rinfrescante vedere un fornitore concentrarsi sulle praticità… piuttosto che su vaghe affermazioni sull’IA.” ¹³. Detto questo, il set di funzionalità di Slimstock è relativamente ristretto. Interazioni complesse come la cannibalizzazione del prodotto o gli effetti di sostituzione non sono un focus centrale (dovresti gestirli attraverso aggiustamenti manuali o analisi ausiliarie). Allo stesso modo, la gestione di cose come promozioni, fattori causali o tecniche ML innovative è minima. Slimstock eccelle in quello 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. Qualsiasi affermazione che fa (ad es. “livelli di inventario ottimizzati” o “servizio aumentato con meno stock”) è supportata da funzionalità semplici, non da IA vaga. Non abbiamo trovato parole d’ordine allarmanti come “sensing della domanda” nei materiali di Slimstock, indicando una lodevole attenzione alla sostanza rispetto allo stile.

Automazione: Slim4 è progettato per essere facile da usare da parte dei pianificatori, il che implica un mix 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. In pratica, Slimstock consente un processo semi-automatico: i calcoli di routine sono gestiti dal sistema, ma i pianificatori di solito esaminano le eccezioni o regolano i parametri. Slimstock non tromba “supply chain completamente autonoma” nel suo marketing - invece, si posiziona come uno strumento di supporto alle decisioni del pianificatore. L’assenza di una chiara affermazione di “automazione black-box” significa che non possiamo biasimare Slimstock per aver nascosto lo sforzo manuale; si aspettano che gli utenti rimangano nel loop. Tuttavia, rispetto ai fornitori che mirano a un’ottimizzazione completamente non presidiata, l’approccio di Slimstock potrebbe richiedere più interventi dell’utente in corso (ad es. aggiornamento delle previsioni per nuove tendenze, gestione manuale degli articoli in prossimità della scadenza, ecc.). È un livello pragmatico di automazione appropriato per 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 un semplice controllo della durata di conservazione (allarmi per articoli in prossimità della scadenza, rotazione delle scorte in base al principio del primo scaduto, primo fuori), ma probabilmente non fa un’ottimizzazione sofisticata dei prodotti deperibili. Dimensioni dei lotti / MOQs: Sì, Slim4 supporta questi vincoli standard nei calcoli di riordino. Multi-echelon: Il nucleo di Slimstock è l’ottimizzazione dell’inventario multi-echelon, quindi bilancia le scorte tra le posizioni, sebbene utilizzando metodi tradizionali di allocazione del livello di servizio piuttosto che 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 le sovrapposizioni di prodotti, poiché i modelli di Slim4 non sapranno intrinsecamente che il Prodotto B ruba la domanda dal Prodotto A. Resi, tracciamento seriale: al di fuori dell’ambito delle previsioni di Slim4, questi sarebbero gestiti nel lato ERP/magazzino. La “quasi-stagionalità” (picchi di domanda irregolari, guidati dagli eventi) potrebbe non essere catturata a meno che l’utente non li incorpori manualmente nelle previsioni (ad es. tramite profili stagionali o sovrascritture). Costi di capacità di stoccaggio: Slimstock di solito assume una capacità infinita o utilizza vincoli semplifici; non esegue un’ottimizzazione non lineare complessa per lo spazio di stoccaggio - anche questo avrebbe bisogno di un aggiustamento umano (ad es. i pianificatori abbassano gli obiettivi quando lo spazio è stretto). In sintesi, Slimstock copre le “praticità mondane ma critiche” ¹⁴ - è molto efficace per la gestione dell’inventario da manuale (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 o schemi di incertezza molto complessi potrebbero superare ciò che Slim4 può offrire.

Verdetto: Slimstock guadagna un alto rango per la sua onestà rinfrescante e solida comprensione dei fondamentali. Fornisce una soluzione affidabile senza ricorrere a gergo alla moda o promesse AI esagerate. In ambienti in cui le formule di inventario classiche sono sufficienti, Slim4 fornisce risultati ed è amato per il suo stile user-friendly e senza fronzoli. Tuttavia, secondo i nostri criteri rigorosi, Slimstock non può essere considerato all’avanguardia. La sua mancanza di previsioni probabilistiche esplicite (in particolare l’assenza di modellazione della distribuzione del lead-time) è una lacuna notevole - rendendolo “non serio” per le organizzazioni che richiedono una quantificazione rigorosa dell’incertezza. Temperiamo quella etichetta, però: Slimstock è serio riguardo alla gestione dell’inventario, ma all’interno di un paradigma tradizionale. Nel complesso, Slimstock è una scelta eccellente per le aziende che apprezzano la praticità rispetto ai buzzword, purché comprendano i suoi limiti nell’analisi avanzata.

3. RELEX Solutions - Focalizzato sul Retail, Analisi Rapide - Alte Rivendicazioni sotto Esame

Panoramica: RELEX Solutions è cresciuta rapidamente, soprattutto nel settore del retail, promuovendo una piattaforma “guidata dall’IA” per la previsione della domanda e l’ottimizzazione dell’inventario ¹⁵. Il marchio di fabbrica di RELEX è un sistema “Live Plan” in memoria che offre agli utenti una visibilità rapida e dettagliata del loro inventario e delle previsioni attraverso negozi e centri di distribuzione. Questa architettura (spesso paragonata a un cubo OLAP o a un “gemello digitale”) consente impressionanti dashboard in tempo reale e rapide analisi what-if. RELEX si specializza in retail e prodotti freschi, vantando caratteristiche per la gestione di generi alimentari, prodotti deperibili e promozioni. In superficie, RELEX sembra molto capace: parla di automatizzare il rifornimento, ottimizzare le allocazioni e suggerisce addirittura che può mantenere una disponibilità in stock del 99%+. Tuttavia, uno sguardo più attento rivela un mix di punti di forza e debolezze: forte analisi in tempo reale e alcune caratteristiche uniche, ma potenziali carenze nell’ottimizzazione profonda e nella scienza delle previsioni.

Domanda Probabilistica & Tempi di Lead: 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 generazione di distribuzioni di probabilità complete per la domanda come fa Lokad. Il suo focus sembra essere su previsioni puntuali migliorate (utilizzando l’apprendimento automatico su dati recenti - quello che alcuni chiamano “rilevamento della domanda”) e poi utilizzando queste nei calcoli dell’inventario. Criticamente, non abbiamo trovato nessuna menzione di previsione probabilistica dei tempi di lead nei materiali RELEX. I tempi di lead sono certamente parte della pianificazione di RELEX (si inseriscono i tempi di lead, e il sistema sa che tempi di lead più lunghi richiedono maggiore stock di sicurezza), ma trattare il tempo di lead come una variabile casuale con una distribuzione - non c’è indicazione che RELEX faccia questo. Data la nostra valutazione, questa omissione è grave. Un fornitore che non affronta esplicitamente l’incertezza del tempo di lead è carente. Il modulo di pianificazione di RELEX probabilmente utilizza un tempo di lead deterministico più forse un buffer per la variabilità, che è al di sotto della vera ottimizzazione stocastica. Infatti, l’approccio generale 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”. ¹⁶ - suggerendo che si affidano a metodi collaudati (come lo smoothing esponenziale) piuttosto che a qualsiasi progresso nelle previsioni probabilistiche. Quindi, mentre le previsioni di domanda di RELEX possono essere più granulari (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 interamente le distribuzioni di domanda/tempi di lead.

Rivendicazioni di Funzionalità Avanzate (IA, Cannibalizzazione, ecc.): Il marketing di RELEX utilizza liberamente termini come “guidato dall’IA”, “apprendimento automatico” e persino “gemello digitale”. Ad esempio, pubblicizza “previsione della domanda guidata dall’IA e ottimizzazione dell’inventario a più livelli” ¹⁵ e “riequilibrio autonomo dell’inventario” ¹⁷. Tuttavia, mancano dettagli tecnici specifici. RELEX raramente spiega quali algoritmi o tecniche di IA utilizza - un segnale di allarme sotto il nostro esame. Le rivendicazioni dell’azienda di gestire sfide avanzate del retail meritano un esame:

Cannibalizzazione & Sostituzione: In teoria, questi sono critici nel retail (ad es. nuovi prodotti che sostituiscono quelli vecchi, o un articolo che ruba vendite ad un altro quando posizionato nelle vicinanze). L’architettura di RELEX potrebbe effettivamente ostacolare la modellazione di questi bene. Gli osservatori notano che il design in memoria/OLAP di RELEX è “in contrasto con l’ottimizzazione su tutta la rete e i modelli di domanda del retail come sostituzioni e cannibalizzazioni.” ¹⁸ Poiché il sistema è costruito 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 che rivendica esplicitamente di risolvere la cannibalizzazione oltre a generiche dichiarazioni sull’IA. Data la complessità, sospettiamo che RELEX non abbia una capacità esplicita e provata di modellare gli effetti della cannibalizzazione (almeno non molto oltre quello che un pianificatore potrebbe regolare manualmente). Quindi, qualsiasi rivendicazione ampia che la sua IA gestisca tali interazioni è non suffragata - la trattiamo come falsa fino a prova contraria.
“Rilevamento della Domanda”: RELEX offre un modulo per il rilevamento della domanda a breve termine (ingerendo dati recenti di POS, meteo, ecc.). “Rilevamento della domanda” come parola di moda è un noto segnale di allarme - spesso sopravvalutato con poco supporto scientifico ¹⁹. RELEX non ha pubblicato prove riviste dai pari che il suo rilevamento della domanda produca risultati migliori rispetto alla previsione tradizionale. Rimaniamo scettici su qualsiasi fornitore che promuove questo termine senza dati chiari. A meno che RELEX non possa mostrare come il loro modello di ML migliora quantitativamente l’errore di previsione catturando picchi di domanda o cambiamenti più rapidi, consideriamo le rivendicazioni di “rilevamento della domanda” come fuffa di marketing.
AI/ML: RELEX si posiziona come una soluzione moderna, alimentata da AI, 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 del piano - ma finora, gli esempi sono basilari (ad es. utilizzando la regressione ML per prevedere le vendite giornaliere, che va bene ma non è rivoluzionario). Non c’è segno di “ottimizzazione stocastica” o di un algebra di variabili casuali nell’approccio di RELEX. Senza di ciò, chiamarlo guidato dall’IA è in qualche modo fuorviante. Inoltre, i risultati di disponibilità superiore al 99% vantati da RELEX sembrano esagerati - i sondaggi del settore sulla disponibilità sugli scaffali nel retail smentiscono tali numeri elevati ²⁰. Questo suggerisce un divario tra il marketing e la realtà.

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

Può ottimizzare carichi di camion e raggruppamento di ordini (ad es. tassi di riempimento per i contenitori) come parte della pianificazione del rifornimento ¹⁷ ²¹.
Include una funzione di “acquisto in anticipo intelligente” ⁹ per sfruttare gli sconti dei fornitori - suggerendo che può calcolare scenari di acquisto di magazzino extra ora rispetto a dopo per massimizzare il risparmio sui costi. Questo affronta in qualche misura le restrizioni di sconto sul prezzo.
RELEX si concentra fortemente su cibo fresco e riduzione degli sprechi. Afferma esplicitamente di “considerare le date di scadenza per l’inventario a disposizione per identificare le scorte in prossimità della scadenza ed eseguire le necessarie forzature e sconti.” ²². Inoltre, RELEX supporta il tracciamento dell’inventario per lotto/partita per gestire la scadenza e le trasformazioni del prodotto per il fresco (ad es. tagli di carne invecchiati) ²³. Queste sono caratteristiche concrete, non solo parole di moda, che mostrano che RELEX ha investito nella gestione dei prodotti deperibili - un’area che alcuni altri trascurano. Quindi, mentre RELEX potrebbe non avere una matematica stocastica sofisticata, affronta problemi reali del retail (come la scadenza e gli sprechi) attraverso euristiche e regole aziendali. Diamo credito a RELEX per queste capacità pratiche.

Architettura & Performance: L’architettura in memoria di RELEX (spesso sfruttando i database colonnari cloud) le conferisce velocità, ma a un costo. Fornisce “reporting in tempo reale impressionante ma garantisce costi hardware elevati” ²⁴. Inoltre, tali architetture spesso faticano quando la complessità del problema aumenta. Ad esempio, scalare verso l’ottimizzazione globale (considerando tutte le posizioni e i prodotti contemporaneamente per l’ottimizzazione) è difficile se il sistema è essenzialmente un grande cubo OLAP. RELEX potrebbe fare affidamento su algoritmi piuttosto semplicistici per prendere decisioni rapidamente (ad es. euristiche avide per il riequilibrio delle scorte tra i negozi). Questo va bene per la reattività, ma potrebbe non trovare la soluzione ottimale che un approccio stocastico più lento potrebbe. Inoltre, gli aggiornamenti in tempo reale sono meno rilevanti se non stai modellando correttamente l’incertezza - potresti reagire istantaneamente a un cambiamento della domanda, ma se non hai mai quantificato l’incertezza per cominciare, stai ancora solo inseguendo l’ultimo punto dati (una potenziale insidia del “forecast chasing”).

Automazione: RELEX enfatizza l’automazione nelle operazioni. Pubblicizza “l’automazione e la semplificazione dei complessi processi di ottimizzazione dell’inventario” ²⁵ e mette in mostra funzionalità come “automatizza il tuo riequilibrio dell’inventario” ¹⁷ e “rispondi in tempo reale” ai cambiamenti della domanda con ordini automatici ²⁶. In pratica, RELEX può effettivamente generare automaticamente ordini di rifornimento del negozio, trasferimenti tra negozi e ordini di sostituzione per le scorte in scadenza con un minimo intervento umano. Molti utenti RELEX eseguono il riapprovvigionamento automatico quotidiano dove i pianificatori intervengono solo in casi eccezionali. Tuttavia, RELEX non spiega approfonditamente la sua logica di automazione. Ad esempio, come decide esattamente di “attivare forzature” dei prodotti in scadenza? C’è un modello di ottimizzazione che bilancia il costo di svalutazione rispetto allo spreco, o solo una soglia di regola (ad es. vendi 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 ci sia molta automazione basata su regole, che funziona ma non è elegante come una politica ottimizzata. Tuttavia, rispetto ai vecchi sistemi aziendali che richiedevano una pesante pianificazione manuale, RELEX rappresenta un salto in avanti nell’automazione. Basta essere consapevoli che l’etichetta “autonoma” potrebbe esagerare - è necessario un certo affinamento da parte dei pianificatori (ad es. impostazione dei parametri per tali regole) per mantenere l’automazione efficace.

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

Scadenza e prodotti deperibili: Come notato, RELEX ha funzionalità forti qui (tracciamento a livello di lotto, previsioni di deterioramento, pianificazione automatica di svalutazione per beni in prossima scadenza) ²². Questo indica che RELEX può gestire prodotti a breve durata di conservazione in modo automatizzato - fondamentale per i negozi di alimentari.
Batching / Carichi di camion: RELEX ottimizza il riempimento del camion e rispetta i minimi/arrotondamenti degli ordini ¹⁷ ²¹. Menziona specificamente di prevenire la spedizione di “aria” riempiendo ottimamente i camion, il che mostra attenzione ai vincoli di costo del trasporto.
Sconti sul prezzo / promozioni: La funzione di acquisto anticipato ⁹ suggerisce che RELEX raccomanderà di acquistare prima di un aumento di prezzo o per ottenere uno sconto per acquisti in grandi quantità, bilanciandolo con il costo di detenzione. Questo è un vincolo sofisticato che molti sistemi ignorano.
Cannibalizzazione/sostituzione: Punto debole - come discusso, probabilmente non risolto esplicitamente dal motore di RELEX.
Resi: Nel retail (soprattutto e-commerce), i resi potrebbero essere significativi (retail di moda, ecc.). RELEX ha un modulo di “inventario predittivo” che menziona la considerazione del deterioramento e presumibilmente potrebbe considerare i resi ²⁷, ma i dettagli non sono chiari. È sicuro supporre che l’elaborazione dei resi sia gestita in ERP, non prevista dalla pianificazione della domanda di RELEX.
Quasi-stagionalità: RELEX può prevedere la domanda stagionale (gestisce profili stagionali settimanali per ogni prodotto/negozio, ad esempio). Per i modelli di domanda irregolari, il suo ML potrebbe rilevarne alcuni, ma senza una documentazione esplicita non possiamo confermare. Probabilmente gestisce le promozioni come eventi speciali (con previsioni di incremento separate) - abbastanza standard nelle soluzioni retail.
Capacità di stoccaggio: RELEX può modellare la capacità dello scaffale del negozio fino a un certo punto (non ordinando oltre lo spazio dello scaffale, ecc.) come parte della sua integrazione del planogramma. Per la capacità del DC, non siamo sicuri - possibilmente un approccio basato su allarmi.
Multi-echelon: RELEX fa la pianificazione multi-echelon (negozio-DC-fornitore). Tuttavia, il design in tempo reale potrebbe entrare in conflitto con l’ottimizzazione ottimale delle scorte multi-echelon ¹⁸. Il sistema potrebbe ottimizzare ogni echelon con euristiche piuttosto che un modello stocastico olistico attraverso gli echeloni. Questa è una sfumatura: sì, fa multi-echelon (praticamente, molti clienti lo usano per sostituire gli strumenti multi-echelon legacy), ma lo sta facendo in modo ottimale? Probabilmente non in modo matematicamente rigoroso - più come ottimizzazione sequenziale (previsione al negozio -> fornitura dal DC -> fornitura DC dal fornitore con buffer ad ogni stadio).

Verdetto: RELEX si classifica come un contendente di primo piano, in particolare per i rivenditori e le aziende di prodotti freschi. I suoi punti di forza risiedono in caratteristiche pratiche (gestione dei prodotti deperibili, analisi rapide, visibilità della supply chain, gestione delle promozioni) e un’UX moderna, che la differenzia chiaramente dal software di pianificazione legacy. Tuttavia, sotto il nostro microscopio in cerca di verità, RELEX perde punti per le affermazioni non provate sull’IA e la mancanza di profondità probabilistica. L’uso pesante di parole d’ordine senza una metodologia di accompagnamento (nessun algoritmo pubblicato o studi di performance) significa che dobbiamo trattare il suo branding “AI” con scetticismo ²⁸. Inoltre, ignorando la previsione del lead time e affidandosi a modelli di previsione più vecchi, RELEX potrebbe non fornire l’ottimo teorico - offre una buona soluzione pratica, ma non la più scientificamente avanzata. Le aziende che valutano RELEX dovrebbero insistere per specifiche su come gestisce l’incertezza e le interazioni complesse; altrimenti, si presume che gran parte della sua intelligenza provenga da regole aziendali e configurazione dell’utente piuttosto che da magica IA. In sintesi, RELEX è un giocatore credibile con alcune autentiche innovazioni in termini di usabilità, ma rimane parzialmente “scatola nera” e possibilmente sopravvalutato nel suo marketing. Lo classifichiamo alto ma al di sotto degli approcci veramente probabilistici e orientati ai dettagli.

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

Panoramica: ToolsGroup è presente nello spazio dell’ottimizzazione dell’inventario da decenni (fondata nel 1993) con il suo software di punta SO99+ (Service Optimizer 99+). ToolsGroup si commercializza pesantemente su “previsioni probabilistiche” e pianificazione dell’inventario basata sul livello di servizio. Infatti, ToolsGroup ha forse introdotto l’idea di utilizzare le distribuzioni della domanda per guidare i livelli di stock nei primi anni 2000. Pubblicizzano anche capacità attraverso la pianificazione della domanda, “rilevamento della domanda,” ottimizzazione multi-echelon, e persino la tariffazione (con add-on come Price.io). Tuttavia, il messaggio di ToolsGroup negli ultimi anni solleva serie domande. L’azienda usa liberamente parole d’ordine come AI/ML e si vanta di automazione, ma i loro materiali pubblici sono spesso contraddittori o carenti di sostanza tecnica. Osserviamo un mix di funzionalità solide (la matematica di base di SO99+ per l’inventario è solida, basata sulla classica ricerca operativa) e fluff di marketing che non regge (ad es. discutendo previsioni probabilistiche mentre si citano errori MAPE, che è concettualmente sbagliato ²⁹).

Domanda Probabilistica & Lead Times: In superficie, ToolsGroup afferma di essere tutto sulla previsione probabilistica. Ad esempio, i loro dépliant dicono che ToolsGroup usa “previsione di probabilità” insieme ai parametri di fornitura (lead time, ecc.) per ottimizzare i livelli di stock ³⁰. Infatti, SO99+ può generare una “curva stock-to-service” - mostrando essenzialmente la distribuzione della domanda nel tempo di consegna e il livello di servizio raggiunto per un dato investimento in inventario ³⁰. Questo indica che ToolsGroup fa modellare l’incertezza della domanda fino a un certo punto. Tuttavia, c’è un problema: l’approccio di ToolsGroup alla previsione probabilistica sembra mezzo cotto e obsoleto. Notabilmente, dal 2018 hanno iniziato a promuovere “previsioni probabilistiche” nel marketing, ma allo stesso tempo hanno parlato di miglioramenti MAPE (Mean Absolute Percent Error) ²⁹. Questo è incoerente - MAPE è una metrica per l’accuratezza della previsione puntuale e “non si applica alle previsioni probabilistiche.” ²⁹ Un tale evidente mix-up suggerisce che l’iniziativa probabilistica di ToolsGroup potrebbe essere più buzz che realtà. È come se avessero aggiunto un output probabilistico ma lo valutassero ancora con vecchie metriche, minando la credibilità dell’intera impresa.

Quando si tratta di previsione dei lead time: i materiali di ToolsGroup non menzionano la previsione dei lead time come variabili casuali. I lead time sono gestiti come parametri di input (possibilmente con ipotesi di variabilità) piuttosto che come qualcosa che il software prevede dalle prestazioni storiche del fornitore. Il loro datasheet mostra che il lead time è uno dei “parametri di fornitura” inseriti nel modello ³⁰. Quindi, se un utente fornisce un lead time previsto e forse una deviazione standard, SO99+ lo considererà nei calcoli dello stock di sicurezza - ma sembra che ToolsGroup non generi una distribuzione di probabilità dinamica dei lead time da solo. Questa è una distinzione cruciale. Un sistema veramente probabilistico riconoscerebbe, ad esempio, se i lead time di un certo fornitore hanno il 20% di possibilità di raddoppiare (forse a causa dei ritardi doganali) e lo includerebbe nei livelli di stock ottimali. Non vediamo prove che ToolsGroup faccia questo tipo di analisi. Pertanto, secondo la nostra misura rigorosa, ToolsGroup fallisce il test probabilistico completo - menziona i lead time solo come input statici, non come incertezze previste. Questa mancanza di modellazione esplicita del lead time rende l’etichetta “probabilistica” di ToolsGroup piuttosto superficiale. Consideriamo questo un grave difetto: un fornitore che si posiziona come probabilistico ma ignora una grande fonte di incertezza non sta completamente rispettando le promesse.

Reclami di Funzionalità Avanzate: Purtroppo, ToolsGroup solleva molteplici bandiere rosse in questo settore:

L’azienda ha fatto affermazioni generiche sull’“IA” nel suo software, che sono dubbie ³¹. Ci sono poche informazioni pubbliche sulle tecniche di IA (se presenti) che ToolsGroup implementa effettivamente. I loro algoritmi legacy precedono il boom dell’IA, essendo più radicati nelle statistiche/OR. Sembra che l’etichetta “IA” sia più un retrofit di marketing. Ad esempio, ToolsGroup ha acquisito una startup di IA (forse per rafforzare la sua immagine), ma il loro prodotto principale non diventa improvvisamente basato su deep learning. Senza spiegazioni tecniche concrete (che ToolsGroup non ha fornito pubblicamente), trattiamo le loro affermazioni sull’IA come non suffragate.
Sensing della Domanda: ToolsGroup offre un modulo per il “sensing della domanda” (aggiustamento della previsione a breve termine utilizzando dati a valle). Tuttavia, un’analisi indipendente trova che “le affermazioni sul ‘sensing della domanda’ (di ToolsGroup) non sono supportate dalla letteratura scientifica.” ¹⁹ In altre parole, ToolsGroup dice di poter percepire i cambiamenti della domanda tramite l’IA, ma non c’è prova che questo approccio sia efficace oltre a quello che le statistiche convenzionali o un pianificatore umano potrebbero fare. Dato che il “sensing della domanda” è un buzzword noto spesso usato liberamente, scontiamo pesantemente questa affermazione. A meno che ToolsGroup non possa mostrare, ad esempio, uno studio di caso revisionato da colleghi che dimostra che il suo algoritmo di sensing della domanda produce migliori tassi di disponibilità, lo consideriamo vaporware. Questo è in linea con le recensioni degli esperti che etichettano tali funzionalità come “vaporware” tra i fornitori se non viene fornita alcuna prova ³².
Cannibalizzazione, Promozioni, ML: ToolsGroup non pubblicizza in modo prominente la modellazione avanzata della cannibalizzazione o degli effetti tra prodotti - probabilmente perché non eccelle in questo. Se messi sotto pressione, potrebbero dire “il nostro machine learning può gestire schemi complessi”, ma di nuovo senza dettagli. Non abbiamo trovato documentazione di ToolsGroup che implementi, ad esempio, una matrice di sostituzione o un modello di attach-rate per collegare le domande dei prodotti. Pertanto, qualsiasi implicazione che ToolsGroup ottimizzi tra prodotti interagenti non è credibile senza prova. Allo stesso modo, menzionano l’uso di “modelli auto-adattivi” e machine learning, ma i metodi accennati (ad esempio, qualche tipo di riconoscimento di pattern) sembrano abbastanza standard e possibilmente datati. Infatti, i materiali pubblici accennano a ToolsGroup che utilizza ancora modelli di previsione pre-2000 ³³ (come il metodo di Croston per la domanda intermittente, forse ARIMA per altri). Non c’è niente di sbagliato in questi di per sé, ma smentisce la brillante narrazione dell’IA.

In sintesi, l’abitudine di ToolsGroup di mescolare parole d’ordine moderne con tecniche old-school è preoccupante. Suggerisce un aggiornamento guidato dal marketing non supportato da una vera R&D. Ad esempio, il sito web di ToolsGroup parla di “automazione per superare le sfide” ³⁴ e simili luoghi comuni, ma quando esaminato, descrive essenzialmente ciò che il loro software ha sempre fatto (ottimizzazione del magazzino multi-echelon) ora etichettato come AI.

Automazione: ToolsGroup ha sempre presentato la sua soluzione come altamente automatizzata e “basata su eccezioni”. Spesso evidenziano che SO99+ è molto automatizzato, richiedendo un minimo input dell’utente una volta configurato. Un commento IDC nel loro opuscolo nota che “nonostante la sua potenza… ToolsGroup MEIO è altamente automatizzato per un costo di proprietà estremamente basso.” ³⁵. Infatti, molte implementazioni di ToolsGroup funzionano automaticamente per produrre proposte di rifornimento giornaliere o settimanali che i pianificatori poi esaminano. Tuttavia, critichiamo la mancanza di chiarezza su come le decisioni vengono prese autonomamente. ToolsGroup non spiega un “motore di decisione autonomo” oltre a dire che i modelli si adattano e producono raccomandazioni. Le principali sfide dell’automazione - come come regolare dinamicamente le politiche di ordinazione quando le tendenze cambiano, o come evitare di inseguire la variabilità - non sono dettagliate. Sospettiamo che l’automazione di ToolsGroup sia in gran parte nella previsione e nel calcolo del livello di stock (il sistema aggiorna le previsioni e ricalcola i livelli min/max o 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 un credito extra qui. Rispettano la base di automazione attesa dal software di ottimizzazione dell’inventario (e lo fanno da anni), ma qualsiasi implicazione che sia una supply chain completamente autonoma è esagerata. Da notare che 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 IA che sceglie automaticamente i livelli di servizio ottimali o regola le politiche da sola - compiti che ricadono ancora sugli umani. Pertanto, diciamo che ToolsGroup fornisce buoni calcoli automatizzati ma non una vera pianificazione autonoma end-to-end in un senso moderno.

Gestione dei vincoli: SO99+ di ToolsGroup è stato storicamente forte nella matematica dell’inventario di base ma più debole nei vincoli marginali:

Multi-echelon: Sì, è stato progettato per l’ottimizzazione dell’inventario multi-echelon. Può ottimizzare i buffer di stock attraverso una rete data l’incertezza (principalmente attraverso un approccio di “livello di servizio target”). Questo è un plus - può gestire reti di DC e negozi abbastanza bene, garantendo che il giusto stock sia al giusto echelon per raggiungere gli obiettivi di servizio.
Variabilità del lead time: ne tiene conto nel safety stock (se fornisci un parametro per la varianza del lead time, lo includerà nel calcolo dello stock). Ma come notato, non prevede i lead time o li pianifica in scenari.
Dimensioni dei lotti, MOQs: ToolsGroup può gestire questi vincoli di fornitura standard. Puoi inserire multipli di lotto, quantità minime di ordine, e raccomanderà ordini rispettando questi.
Date di scadenza: ToolsGroup non è noto per l’ottimizzazione dell’inventario perisabile. Probabilmente non ha una logica specializzata per la durata di conservazione (e non ne abbiamo trovato menzione). Un utente dovrebbe trattare gli articoli in scadenza manualmente o come SKU separato per data di scadenza (che è scomodo). Questa è una limitazione per settori come alimentari/chimici. In contrasto con RELEX che affronta esplicitamente lo spreco, ToolsGroup sembra concentrarsi sullo stoccaggio “non scadente”.
Tracciamento seriale/lotti: Fuori dal campo della pianificazione - è più esecuzione/ERP. ToolsGroup non ottimizza a livello seriale.
Cannibalizzazione & sostituzione: La filosofia di ToolsGroup è principalmente la previsione univariata (ogni SKU ha una previsione di domanda individuale, forse con alcuni input di regressione). Non modella nativamente “se il Prodotto A va fuori stock, una parte della domanda va al Prodotto B” o simili. Un utente sofisticato potrebbe regolare esternamente le previsioni per tenerne conto, ma lo strumento stesso non offre una funzionalità esplicita. Quindi fallisce su questo conteggio di vincolo avanzato.
Resi: ToolsGroup gestisce principalmente la nuova domanda e l’offerta. Non prevede i resi nel retail o le rese di rimanifattura nativamente. Gli utenti devono incorporare i resi medi nella domanda netta se necessario.
Quasi-stagionalità: Se i modelli sono irregolari, i modelli più vecchi di ToolsGroup potrebbero avere difficoltà. Senza ML moderno, potrebbe non catturare i driver di domanda complessi. Menzionano ML, ma come sospettiamo potrebbe essere semplicistico. Quindi potrebbero essere mancati schemi insoliti (portando a esaurimenti o eccessi se i pianificatori non intervengono manualmente).
Stoccaggio/Capacità: Non è un focus. ToolsGroup ottimizza l’inventario per il trade-off servizio/costo ma presume che tu abbia spazio per conservare lo stock raccomandato. Non risolve problemi simili allo zaino di spazio o budget limitato a meno che tu non simuli manualmente gli scenari.

Nel complesso, ToolsGroup copre bene i vincoli di inventario più comuni e di base (multi-echelon, MOQs, incertezza della domanda fino a un certo punto). Non è all’altezza delle sfide più recenti o specializzate. In particolare, a ToolsGroup manca una moderna prospettiva di “ottimizzazione finanziaria” - cioè, non massimizza direttamente il profitto o minimizza il costo totale sotto vincoli; invece lavora tipicamente con 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 lo stock 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, pur solida nel 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 spingersi oltre la pianificazione puramente deterministica. Tuttavia, in un confronto basato sulla verità, ToolsGroup ottiene una recensione mista. Applaudiamo il fatto che parli il linguaggio dell’inventario probabilistico - quel concetto è assolutamente corretto - ma dobbiamo “esporre” il fatto che ToolsGroup non segue completamente la pratica. Il marketing incoerente (PF + MAPE ²⁹) e la mancanza di prove di una vera ottimizzazione stocastica (nessuna “algebra delle variabili casuali” pubblicata nel loro stack tecnologico, ad esempio) significano che le affermazioni probabilistiche di ToolsGroup sono su terreno instabile. In pratica, potrebbe fare poco più che calcolare lo stock di sicurezza utilizzando distribuzioni di probabilità - utile, ma non rivoluzionario. Penalizziamo severamente ToolsGroup per aver fatto affidamento su parole d’ordine come AI e rilevamento della domanda senza sostanziazione. Queste note affermazioni false ³⁶ ne danneggiano la credibilità. Detto questo, molte aziende hanno ottenuto buoni risultati con il software di ToolsGroup nel ridurre l’inventario e migliorare il servizio - non è una panacea; 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 (se vecchio stile) e una vasta funzionalità (previsione + inventario + rifornimento in uno). Gli utenti potenziali dovrebbero chiedere a ToolsGroup di dimostrare le sue presunte capacità AI/probabilistiche su dati reali; altrimenti, trattare queste come semplici etichette su quello che è essenzialmente un pacchetto di ottimizzazione dell’inventario ben sintonizzato, ma convenzionale.

5. GAINS Systems - Soluzione Veterana, Competenza di Dominio Offuscata dall’Hype

Panoramica: GAINSystems è un attore 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 noto per il forte supporto di parti di servizio e inventario MRO (Manutenzione, Riparazione & Operazioni) - domini con domanda intermittente dove GAINS si è fatto un nome. GAINS Systems offre moduli per la previsione della domanda, l’ottimizzazione dell’inventario (incluso il multi-echelon), S&OP, ecc., simili per 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, molto come ToolsGroup, GAINS soffre di inflazione del marketing: ora vanta “AI/ML” e “rilevamento della domanda” senza prove convincenti, e le sue tecniche principali sembrano rimanere i modelli di previsione classici, pre-2000 che ha sempre usato ³⁷.

Domanda Probabilistica & Tempi di Lead: GAINS non mette in evidenza pubblicamente la previsione probabilistica. Probabilmente utilizza modelli statistici tradizionali (Croston per la domanda intermittente, forse il bootstrap per la domanda di lead time). Non abbiamo visto alcuna menzione esplicita dell’incertezza del tempo di lead nella previsione - un segnale rivelatore che anche GAINS potrebbe essere carente su quel fronte. L’attenzione di GAINS è spesso posta sul raggiungimento di un livello di servizio o tasso di riempimento al costo minimo, il che implica alcune considerazioni stocastiche (simili a come si imposterebbe la scorta di sicurezza). Ma i dettagli di implementazione sono scarsi. GAINS tende a enfatizzare i risultati (“migliorare il servizio, ridurre l’inventario”) piuttosto che come esattamente calcola questi. L’assenza di un chiaro linguaggio probabilistico ci porta a credere che GAINS si basi in gran parte su metodi deterministici o semi-analitici: ad esempio, potrebbe presumere la varianza della domanda e la varianza del tempo di lead e inserirle nelle formule piuttosto che 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 di scorta di sicurezza e forse qualche simulazione, ma non tratta i tempi di lead come variabili casuali prevedibili. Di conseguenza, GAINS sarebbe classificato come “non serio” in rigore probabilistico - non pubblicizza questa capacità, e dubitiamo che la possieda.

Reclami di Funzionalità Avanzate: GAINS ha iniziato a lanciare parole d’ordine mentre si riposiziona per gli anni 2020. Il loro messaggio include affermazioni di “precisione superiore” attraverso algoritmi proprietari e persino menzioni di apprendimento automatico per il matching e il clustering ³⁸. Analizziamo:

“Precisione superiore” delle previsioni: si dice che GAINS vanti che le sue previsioni siano più accurate rispetto ai concorrenti. Tuttavia, un’analisi definisce questo “dubbio”, notando che l’algoritmo proprietario di GAINS non è visto in cima a nessuna delle principali competizioni di previsione ³⁹. Infatti, una delle affermazioni era che l’algoritmo “Procast” di GAINS supera gli altri, ma è assente dalle prime posizioni di competizioni come la competizione di previsione M5 ³⁹. Questo getta seri dubbi - se GAINS avesse una tecnologia di previsione di livello mondiale, dovrebbe brillare nei benchmark oggettivi, ma non lo fa. Pertanto, respingiamo la vanto di precisione di GAINS come non provato. Infatti, è probabile che i metodi open source (come quelli dei pacchetti R del Dr. Rob Hyndman) vadano meglio ⁴⁰.
Rilevamento della Domanda & ML: GAINS commercializza il “rilevamento della domanda” e utilizza termini come clustering ML. La recensione indipendente è diretta: “Tecniche come il ‘rilevamento della domanda’ sono vaporware, non supportate dalla letteratura scientifica. [E] gli elementi ML proposti, come il matching e il clustering, sono anche tecniche pre-2000.” ³². Questo indica che GAINS potrebbe essere abbellire pratiche statistiche piuttosto standard come se fossero nuove AI. Ad esempio, raggruppare elementi simili per prevederli o classificarli è una pratica vecchia di decenni, non un apprendimento automatico all’avanguardia. Il fatto che lo evidenzino suggerisce che l’“ML” di GAINS è rudimentale - certamente nulla di simile all’apprendimento profondo o alla programmazione probabilistica avanzata. Pertanto, penalizziamo GAINS per la conformità ai buzzword: spuntano le caselle (AI, ML, ecc.) nel marketing, ma non offrono dettagli o innovazioni per supportarlo. Questo comportamento si allinea con il modello più ampio che stiamo criticando nel settore: l’uso di termini alla moda senza sostanza.
Ottimizzazione come Servizio: GAINS ha parlato di passare a un modello di servizio cloud, implicando che puoi fornire loro i dati e ottenere i risultati dell’ottimizzazione. Sebbene questa sia una strategia di distribuzione moderna, non significa necessariamente che l’ottimizzazione stessa sia avanzata. Sospettiamo che i metodi di risoluzione sottostanti di GAINS rimangano simili; solo il modello di consegna (cloud/SaaS) sta cambiando. Non c’è nulla di sbagliato in questo, ma non è un differenziatore in termini di capacità (molti fornitori offrono soluzioni cloud ora).

Su una nota positiva, GAINS Systems è conosciuto per la sua profonda competenza nel settore in certi verticali:

Conoscono la pianificazione dei pezzi di ricambio in modo intricato (ad esempio, la modellazione di parti a lento movimento, contratti di livello di servizio, rendimenti del ciclo di riparazione). Il loro software probabilmente può gestire scenari come la previsione dei ritorni di unità riparabili o il calcolo dei tassi di scarto, che gli strumenti di inventario generali potrebbero non gestire. Questo è in qualche modo speculativo, ma data la loro longevità in quel campo, è probabile.
GAINS ha una reputazione per un forte supporto al cliente e per lavorare a stretto contatto con i pianificatori - ma questo spesso significa che la soluzione è aumentata 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” ⁴¹). 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, ci mancano dettagli su quanto sia realmente autonomo. Sospettiamo, come altri, che automatizzi i calcoli numerici 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: GAINS probabilmente fornisce un livello tipico di automazione per uno strumento aziendale - buono, ma non notevolmente migliore dei pari. Vale la pena notare che GAINS è una società più piccola, e i fornitori più piccoli spesso adattano le soluzioni strettamente 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-echelon: Sì, GAINS fa l’ottimizzazione dell’inventario multi-echelon (la loro storia in ricambi aerospaziali/difesa implica il posizionamento di stock a più livelli).
Variazione del tempo di consegna: considerata nei calcoli del livello di servizio, presumibilmente.
Dimensioni dei lotti/MOQs: supportati, come qualsiasi strumento serio.
Domanda intermittente: uno dei punti di forza storici di GAINS. GAINS presumibilmente utilizza il metodo di Croston o simili per gli articoli a lento movimento (comunemente trovati nei pezzi di ricambio), che è necessario per evitare la sottostima degli SKU intermittenti.
Restituzioni/Riparazioni: probabilmente sì per MRO - GAINS gestirebbe i tempi di turnaround delle riparazioni e i rendimenti (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 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 altri, GAINS probabilmente tratta gli articoli indipendentemente nelle previsioni.
Vincoli di stoccaggio: Non chiaro; GAINS non ha pubblicizzato la risoluzione, diciamo, dei vincoli di spazio del magazzino con l’ottimizzazione.
Ottimizzazione dei costi: GAINS sottolinea il profitto e il costo in alcuni messaggi, ma il metodo concreto è sconosciuto. Possibilmente loro, come Lokad, hanno qualche capacità di considerare i margini degli articoli o i costi di detenzione nell’obiettivo di ottimizzazione (che sarebbe buono). O potrebbero ancora farlo tramite livelli di servizio come ToolsGroup.

Verdetto: GAINSystems è un veterano rispettato con una profonda comprensione delle sfide dell’inventario, soprattutto in aree di nicchia (ricambi, industriali). Tuttavia, in questa classifica alla ricerca della verità, GAINS non può sfuggire a una posizione intermedia. Le ragioni sono chiare: i suoi modelli di previsione sono datati e i suoi recenti tentativi di marketing (sensing della domanda, clustering ML) sembrano tentativi di apparire alla moda senza una vera innovazione ³². GAINS è essenzialmente una solida soluzione degli anni ‘90/‘00 che cerca di rimanere rilevante. Gli diamo credito per la conoscenza del dominio e i risultati pratici - i clienti segnalano riduzioni dell’inventario e miglioramenti del servizio - ma sottraiamo punti per la mancanza di trasparenza e le affermazioni esagerate. In un’epoca in cui i principali fornitori condividono contenuti tecnici o pubblicano ricerche, GAINS è relativamente opaco; quello che abbiamo appreso (ad es. vantandosi 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 punta grazie alle sue funzionalità su misura. Ma per coloro che cercano l’ottimizzazione più avanzata e basata sulla scienza, GAINS potrebbe deludere a meno che non subisca un importante aggiornamento tecnologico. Nella nostra classifica, GAINS è sopra i fornitori che sono pura pubblicità senza sostanza, ma sotto quelli che combinano l’onestà con l’innovazione. Riceve un modesto cenno come soluzione capace avvolta in una tecnologia obsoleta e alcuni buzzword ingiustificati.

6. SAP (IBP per l’inventario / Ex SmartOps) - Complessa collezione di strumenti, integrazione oltre l’innovazione

Panoramica: SAP, il gigante del software aziendale, 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 per l’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 ⁴². Queste dovevano 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-echelon di SmartOps) e possibilmente attraverso add-on in S/4HANA. Tuttavia, la storia di SAP è una di frammentazione e complessità. Come ha detto una recensione, “sotto il banner SAP si trova una collezione casuale di prodotti” a causa di tutte queste acquisizioni ⁴³. Il risultato è che l’ottimizzazione dell’inventario di SAP sembra un accessorio - non un ottimizzatore all’avanguardia e perfettamente integrato, ma piuttosto un insieme di funzionalità che richiedono un’integrazione significativa e servizi esperti per ottenere valore da esso.

Domanda probabilistica e tempi di consegna: le soluzioni patrimoniali di SAP (come APO) erano per lo più deterministiche (utilizzando previsioni puntuali, stock di sicurezza basati su modelli statistici semplici). SmartOps, lo strumento acquistato da SAP, era noto per la modellazione multi-echelon probabilistica - calcolava le distribuzioni di inventario e i livelli di stock raccomandati per soddisfare i livelli di servizio target in condizioni di incertezza. Quindi, in teoria, SAP IBP per l’inventario ha al suo interno un motore probabilistico (grazie a SmartOps). SmartOps teneva conto sia della variabilità della domanda che di una certa variabilità dell’offerta. Ma SAP di per sé non enfatizza la “previsione probabilistica” nel marketing; non fa parte del messaggio di SAP per il mercato. Pertanto, molti clienti SAP potrebbero non utilizzare nemmeno il modulo avanzato di ottimizzazione dell’inventario fino in fondo. La previsione del tempo di consegna non è qualcosa che SAP pubblicizza. A meno che un cliente non utilizzi esplicitamente la parte 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). Data la nostra valutazione, SAP non dimostra un impegno per la previsione probabilistica. La capacità potrebbe esistere in profondità 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 allineati. Infatti, una critica era “il software aziendale non è miscibile attraverso M&A”, indicando che i pezzi acquisiti da SAP non si sono mescolati senza problemi ⁴⁴.

Funzionalità avanzate e affermazioni: SAP di solito non esagera con l’IA nella supply chain (almeno non tanto quanto altri), ma ultimamente anche SAP utilizza un po’ di linguaggio ML/AI nel marketing di IBP. Tuttavia, SAP è generalmente visto come ricco di funzioni ma non avanzato algoritmicamente. Il componente SmartOps ha dato a SAP un rispettabile ottimizzatore multi-echelon. Tuttavia, è dubbio che SAP abbia mantenuto quella tecnologia aggiornata o superiore ai modelli più recenti ⁴⁵. Infatti, si ha l’impressione che SmartOps (e simili) utilizzasse tecniche standard OR e che i metodi ML post-2000 “non superano i modelli pre-2000” in questo contesto ⁴⁵ - implicando che SAP non sta fornendo previsioni migliori di ARIMA o Croston, nonostante possieda tecnologia 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 affermare che supererà i concorrenti nelle previsioni. Questa onestà è una spada a doppio taglio: non stanno mentendo apertamente sulla magia dell’IA, ma nemmeno stanno guidando l’innovazione.

La forza di SAP potrebbe essere la gestione di vincoli complessi nel contesto più ampio della supply chain, perché hanno tutti i dati e i dettagli delle transazioni:

Possono considerare i vincoli di capacità e produzione in IBP se si collegano i moduli (la pianificazione dell’inventario può essere collegata alla pianificazione dell’offerta).
Potrebbero utilizzare i dati sulle prestazioni dei fornitori dall’ERP per regolare manualmente i tempi di sicurezza o lo stock di sicurezza per la variazione del tempo di consegna (anche se non è una “previsione” automatica di esso).
Le soluzioni di SAP possono gestire le scadenze nel sistema di esecuzione (SAP EWM o ERP gestiranno la scadenza del lotto, e APO aveva una 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 sovrastoccare per tenere conto dello spreco) non è una caratteristica prominente - SAP emette principalmente avvisi per i lotti in scadenza.

SAP menziona un certo uso di AI/ML nella previsione della domanda (SAP Analytics Cloud ha la previsione, IBP ha alcune caratteristiche di previsione ML), ma non è stato notato nulla di rivoluzionario. Inoltre, il grande punto di forza di SAP è spesso il fatto che si tratta di una piattaforma integrata piuttosto che la brillantezza di un algoritmo. Lo svantaggio è che ogni pezzo potrebbe essere medio, ma l’insieme è complesso.

Notabilmente, l’ottimizzazione dell’inventario di SAP richiede un sforzo di implementazione estensivo - “i migliori integratori - più alcuni anni - saranno necessari per ottenere il successo” ⁴⁶. Questo suggerisce che anche se SAP ha funzionalità avanzate, utilizzarle efficacemente è difficile. Molti progetti SAP IBP faticano a automatizzare completamente l’ottimizzazione; spesso si rifugiano in modalità di pianificazione più semplici a causa di sfide relative ai dati o all’integrazione.

Automazione: Il paradigma di SAP non riguarda l’automazione black-box; riguarda i processi di pianificazione. In un ambiente SAP, l’ottimizzazione dell’inventario sarebbe un passo in un ciclo di pianificazione S&OP o di approvvigionamento più ampio. SAP IBP può automatizzare certi 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 ad 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 interventi. Molte aziende con SAP finiscono con una pianificazione semi-manuale nonostante posseggano moduli di ottimizzazione, semplicemente perché rendere la black box di SAP affidabile è un progetto a sé. La “black box” è lì, ma non è facilmente sintonizzata su ogni business senza una pesante consulenza.

Gestione dei vincoli: Un’area che SAP copre bene è l’ampiezza dei vincoli, grazie alla sua suite completa:

Multi-echelon: Sì (tramite SmartOps in IBP Inventory).
Dimensioni dei lotti/MOQ: Sì, gli strumenti di pianificazione di SAP possono tenerne conto nei loro ottimizzatori.
Vincoli di capacità: Se si utilizza l’ottimizzatore di offerta di SAP (parte di IBP o APO CTM), è possibile incorporare vincoli di capacità di produzione/magazzino - ma questo è più nella pianificazione dell’offerta che nell’ottimizzazione dell’inventario per se.
Scadenza: La gestione a livello di esecuzione è eccellente (SAP può tracciare la scadenza del lotto, l’allocazione FEFO). A livello di pianificazione, APO aveva alcune funzionalità per garantire che le scorte non superino la durata di conservazione (ad esempio, non inviando scorte in prossimità di scadenza a località lontane). Non è chiaro se IBP le porti avanti.
Cannibalizzazione/Sostituzione: SAP IBP ha un modulo per l’introduzione di nuovi prodotti che può utilizzare la modellazione di profili simili (quindi non molto avanzata, ma qualche capacità di collegare le previsioni dei prodotti successore/predecessore). Ma è probabilmente indietro rispetto agli strumenti specializzati per il retail in questo senso.
Resi: SAP può certamente incorporare la previsione dei resi nella pianificazione della domanda se uno la modella (in particolare per il retail, potrebbero prevedere la domanda netta meno i resi). Ancora una volta, è qualcosa che richiede configurazione.
Complessità del costo di stoccaggio: L’ottimizzatore di SAP potrebbe considerare i costi di detenzione e quindi limitare indirettamente l’inventario se il costo di detenzione aumenta (rappresentando i limiti di stoccaggio). Ma bisognerebbe impostarlo con cura; non è fuori dalla scatola.

In sostanza, la soluzione di inventario di SAP può essere fatta per gestire molto, ma richiede sforzo. È come un kit di strumenti che, quando configurato espertamente, può emulare molti comportamenti avanzati - ma SAP di per sé non fornisce una soluzione avanzata a portata di mano.

Verdetto: SAP è classificato più in basso nel nostro studio perché esemplifica il problema del “tuttofare, maestro di nessuno”. Ha pezzi e pezzi di capacità (alcune ottimizzazioni probabilistiche ereditate dalle acquisizioni), ma nessuna offerta chiara, coerente e all’avanguardia specificamente nell’ottimizzazione dell’inventario. La complessità e la “collezione casuale” di strumenti sotto l’ombrello di SAP rendono difficile ottenere valore senza un tempo e un costo significativi ⁴³. Penalizziamo severamente SAP per questa complessità e per il fatto che l’integrazione ha oscurato l’innovazione - le tecnologie acquisite sono in gran parte stagnate una volta sotto SAP (con anche i loro meriti spesso persi o sottoutilizzati). Le affermazioni di SAP sono solitamente moderate (non mentono apertamente sull’IA; se non altro il loro marketing potrebbe ora cospargere di parole d’ordine sull’IA perché tutti lo fanno, ma non è eccessivo). 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 immerse negli ecosistemi SAP, l’uso degli strumenti integrati di SAP potrebbe essere attraente (l’integrazione dei dati è più facile, una sola gola da strozzare, ecc.). Ma da un punto di vista delle prestazioni pure, pochi sostengono che SAP IBP superi i fornitori specializzati. In una luce in cerca di verità, vediamo SAP come affidabile ma non all’avanguardia, completo ma eccessivamente complesso. È classificato nella metà inferiore perché la facilità di raggiungere una supply chain ottimizzata con SAP è bassa - non a causa della mancanza di funzionalità, ma a causa della difficoltà di unire queste funzionalità e del dubbio ritorno rispetto allo sforzo. In breve: SAP può spuntare le caselle delle funzionalità, ma mettiamo in dubbio se può fornire un inventario ottimale nella pratica senza un investimento massiccio. Questo lo mantiene 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 (fondato nel 2009) che ha rapidamente guadagnato notorietà come piattaforma di pianificazione di “prossima generazione”. Spesso descritto come il “cervello digitale” o il “Grafo di Conoscenza Aziendale (EKG)” per la supply chain, o9 vanta una moderna piattaforma nativa cloud con un’interfaccia utente accattivante, un modello di dati basato su grafi e una serie di promesse di IA/analisi. Si posizionano come la soluzione di stile “big tech” per la supply chain - un sacco di potenza di calcolo, memoria e un modello di dati unificato per supportare tutto, dalla previsione della domanda alla pianificazione della fornitura alla gestione dei ricavi. In termini di ottimizzazione dell’inventario, o9 sostiene 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. Stregano i potenziali clienti con una grande “massa tecnologica” (un sacco di funzionalità, demo carine), ma sotto esame, i loro veri differenziali sono oscuri. Come ha messo un’analisi, “La massa tecnologica di o9 è fuori dalle classifiche… Il design in memoria garantisce alti costi hardware. Molte affermazioni sulla previsione riguardo al 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 suggeriscono tecniche pedonali.” ⁴⁷. Questo riassume i nostri risultati: o9 è molto nel campo del “blah-blah dell’IA” fino a prova contraria.

Domanda probabilistica e tempi di consegna: Non ci sono prove che o9 produca nativamente previsioni probabilistiche per la domanda o i tempi di consegna. Il loro discorso su un Enterprise Knowledge Graph implica il collegamento di vari dati (che potrebbero aiutare a identificare le cause della variabilità dei tempi di consegna, ecc.), ma i casi studio e i materiali pubblicati da o9 non menzionano esplicitamente le distribuzioni statistiche o l’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 di serie temporali o addirittura librerie pronte all’uso) per generare previsioni a numero singolo, possibilmente con alcuni intervalli. Senza che lo affermino, supponiamo che i tempi di consegna vengano presi come input (forse con alcune regole di buffer) ma non previsti come variabili casuali. Quindi, secondo i nostri criteri, o9 fallisce il test probabilistico. Infatti, data la loro enfasi sull’integrazione di big data, potrebbero essere più deterministici della maggior parte - mirando a incorporare molti segnali (presumendo quindi che si possa prevedere tutto se si hanno abbastanza dati), che è concettualmente opposto all’accettazione dell’incertezza. Fino a quando o9 non pubblicherà qualcosa sui modelli probabilistici, tratteremo il loro approccio come deterministico con un’elegante integrazione dei dati. Questo li rende non seri nel modellare l’incertezza, affidandosi invece alla pianificazione reattiva.

Reclami di funzionalità avanzate: Il marketing di o9 è pieno di affermazioni che suonano avanzate:

Knowledge Graph (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 di vendita potrebbe influenzare la domanda di articoli correlati, ecc.). Sebbene un modello di dati a grafo sia flessibile, non c’è prova scientifica che ciò produca previsioni più accurate o decisioni di inventario migliori. Aiuta principalmente a integrare le fonti di dati. L’affermazione che si tratta di un’innovazione di “previsione AI” è dubbia ⁴⁸. Senza vedere un algoritmo specifico che sfrutta il grafo per, diciamo, la previsione probabilistica, consideriamo questo solo un’architettura moderna, non un metodo analitico superiore.
AI/ML: o9 rilascia tutte le parole d’ordine - grafici di conoscenza, big data, AI/ML, persino presumibilmente termini come apprendimento per rinforzo, sebbene non specifici. L’analisi esterna è tagliente: “Molte affermazioni di previsione… sono dubbie… Un sacco di hype sull’IA, ma gli elementi trovati su Github suggeriscono tecniche pedonali.” ⁴⁸. Infatti, alcuni degli strumenti condivisi pubblicamente da o9 (come tsfresh per l’estrazione di caratteristiche di serie temporali, o vikos, ecc.) sono menzionati - si tratta di librerie Python standard o approcci di previsione di base (ARIMA, ecc.) ⁴⁹. Questo implica che il team di sviluppo di o9 potrebbe utilizzare modelli di previsione abbastanza normali dietro le quinte, nonostante le affermazioni esterne. Esporremo o9 qui: etichettare qualcosa come una piattaforma guidata dall’IA non lo rende tale, e i primi sguardi suggeriscono che la loro “IA” è spesso solo una regressione lineare o ARIMA sotto il cofano ⁴⁹. Se vero, è un sacco di fumo e specchi.
Pianificazione degli scenari in tempo reale: o9 si comporta bene nell’abilitare scenari al volo (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 migliore soluzione - l’utente deve ancora interpretare e regolare. Quindi, mentre o9 potrebbe affermare che ti aiuta a gestire le interruzioni, potrebbe fare affidamento più sulla decisione umana che, diciamo, su un’ottimizzazione stocastica.

Un altro spunto: “Le banalità non si qualificano per ‘AI’ perché sono interattive.” ⁵⁰ - probabilmente riferendosi a o9 che chiama i cruscotti interattivi o le semplici risposte basate su regole “AI”. Penalizziamo fortemente questo. Se o9 commercializza qualcosa come “il nostro sistema segnala automaticamente le eccezioni e suggerisce ordini - guidato dall’IA!” ma in realtà è una semplice regola if-then o una torre di controllo statistica, si tratta di un’etichettatura errata delle funzionalità di base come AI.

Automazione: o9 si posiziona come abilitatore del “Modello Operativo Digitale” - che suggerisce un alto grado di automazione. Può senza dubbio automatizzare certi compiti di pianificazione (come la generazione automatica di previsioni, il rilevamento automatico delle eccezioni). Tuttavia, data la mancanza di dettagli, temiamo che gran parte del valore di o9 provenga ancora dalle decisioni umane nel ciclo 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 qualsiasi azienda stia utilizzando o9 in modo completamente automatico. Il forte coinvolgimento degli analisti dei grandi clienti con o9 indica che è un sistema di supporto alle decisioni, non un ottimizzatore completamente automatizzato. Penalizziamo il divario tra aspirazione e realtà. A meno che o9 non possa dimostrare come il suo “grafico AI” ottimizza autonomamente l’inventario (cosa che non hanno fatto pubblicamente), trattiamo le sue affermazioni di automazione come gonfiate.

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

Ha il modello di dati per incorporare date di scadenza, attributi del lotto, ecc. Quindi potrebbe tracciare l’inventario per lotto e potenzialmente includere una logica per evitare la scadenza. Ma se ha un algoritmo out-of-the-box per l’inventario deperibile è sconosciuto - probabilmente no; un utente dovrebbe scrivere una regola o assicurarsi manualmente la rotazione.
Multi-echelon: o9 fa pianificazione multi-livello; può modellare una rete e eseguire ottimizzazioni dell’inventario multi-echelon (probabilmente hanno qualcosa di simile a SmartOps, o almeno calcoli di stock di sicurezza per ogni echelon).
Vincoli di capacità: Poiché o9 copre S&OP, può incorporare vincoli di produzione e stoccaggio nei suoi cicli di pianificazione.
Cannibalizzazione e sostituzione: Qui il loro Knowledge Graph potrebbe, in teoria, modellare le relazioni (ad es. collegare prodotti come sostituti). Ma ottimizzano effettivamente utilizzando queste informazioni? Non lo hanno mostrato. Forse potrebbero fare un what-if: “se il prodotto A è esaurito, vedi le vendite del prodotto B aumentare” in una simulazione. Ma questo richiede la modellazione della scelta del consumatore - non è banale, e non ci sono prove 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 schemi stagionali insoliti se alimentato con abbastanza dati. Ma ancora una volta, nessuna caratteristica specifica oltre la previsione generale ML.
Ottimizzazione finanziaria: o9 parla di gestione del reddito e IBP, quindi potrebbe essere in grado di ottimizzare per il profitto, non solo per il livello di servizio, se configurato. Detto questo, la fiducia nel loro ottimizzatore è incerta.

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

Verdetto: o9 Solutions è classificata nel tier inferiore a causa della sua forte dipendenza da affermazioni non provate e parole di moda, nonostante il suo fascino 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 fondamentale dell’ottimizzazione dell’inventario, non troviamo nessuna innovazione concreta da o9 che giustifichi l’hype. Il suo marketing è pieno di bandiere rosse - tutti i termini di tendenza appaiono con poco supporto tecnico ⁴⁸. Questo ci fa mettere in dubbio la sostanza dietro la sua considerevole valutazione. Penalizziamo pesantemente o9 per questo divario. Senza una chiara dimostrazione di, ad esempio, come la sua AI prevede meglio la domanda o come il suo grafico produce decisioni ottimali di inventario, dobbiamo trattare le sue promesse come “dubbie” al meglio ⁴⁸.

In termini semplici, o9 potrebbe essere una buona piattaforma di pianificazione (integrando varie funzioni), ma come motore di ottimizzazione dell’inventario specificamente, sembra offrire nulla che gli strumenti più vecchi non offrano - tranne un’interfaccia utente più elegante. Certamente non ha provato a gestire l’incertezza o i vincoli complessi in modo migliore; se non altro, potrebbe ignorare l’incertezza a favore del determinismo dei big data, che consideriamo un approccio sbagliato. Pertanto, o9, in una classifica basata sulla verità, è vicino al fondo dei fornitori seri. È fondamentalmente un caso di “parole grosse, passi standard”. Le aziende che considerano o9 dovrebbero essere diffidenti del pitch di marketing e insistere nel vedere gli algoritmi effettivi e i risultati. Fino a quando le affermazioni sull’IA di o9 non saranno provate con prove tecniche esplicite, le classifichiamo come false/infondate in questo dominio.

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. In precedenza conosciuta come JDA (che aveva acquisito Manugistics e i2 Technologies negli anni 2000), si è ribattezzata Blue Yonder ed è stata acquisita da Panasonic. Le capacità di ottimizzazione dell’inventario di Blue Yonder provengono da una serie di prodotti - ad esempio, l’ottimizzatore della supply chain di i2 e i moduli di inventario di JDA. Nel tempo, hanno cercato di modernizzarsi attraverso la loro piattaforma Luminate, infondendo concetti di AI/ML. Tuttavia, Blue Yonder soffre di quello che chiamiamo “spaghetti M&A”: è “il risultato di una lunga serie di operazioni di M&A”, che si traduce in *“una raccolta disordinata di prodotti, la maggior parte dei quali datati.” ⁵¹. Essenzialmente, l’offerta di Blue Yonder è un amalgama di software legacy incollati insieme. Cercano di promuovere un’immagine di essere guidati dall’IA ora (con termini come pianificazione cognitiva, Luminate AI), ma la nostra analisi approfondita mostra che queste affermazioni sono per lo più vaghe e insussistenti ²⁸.

Domanda Probabilistica & Tempi di Lead: 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 di JDA produceva previsioni puntuali, e l’ottimizzazione dell’inventario calcolava le scorte di sicurezza per un servizio target. In materiali recenti, Blue Yonder menziona la “previsione probabilistica” e la “scorta di sicurezza dinamica” come concetti nel loro approccio ⁵². Hanno riconosciuto il valore dei metodi probabilistici nei blog, suggerendo che conoscono il gergo. Ma lo hanno implementato? C’è poca evidenza che le soluzioni core di Blue Yonder producano distribuzioni di probabilità complete o ottimizzino le decisioni stocasticamente. Dato che citano cose come tsfresh e ARIMA in open source ⁴⁹, sembra che stiano facendo principalmente previsioni di serie temporali classiche, non programmazione probabilistica all’avanguardia. Non abbiamo visto indicazioni di capacità di previsione dei tempi di lead - probabilmente Blue Yonder assume tempi di lead fissi più forse un buffer. Quindi Blue Yonder fallisce i nostri criteri probabilistici: nessuna modellazione esplicita dell’incertezza della domanda/del tempo di lead menzionata. Probabilmente si attengono ai modelli di livello di servizio tradizionali, il che significa che anche loro non sono “seri” riguardo all’incertezza complessiva nonostante spargano la parola probabilistica in alcuni pezzi di leadership di pensiero.

Reclami di Funzionalità Avanzate: Blue Yonder è stata liberale con le affermazioni di AI/ML. Il loro marketing usa frasi come “pianificazione autonoma”, “supply chain cognitiva”, ecc. Tuttavia, un’analisi sottolinea: “BY mette in evidenza l’IA, tuttavia, le affermazioni sono vaghe con poca o nessuna sostanza.” ²⁸. Confermiamo questo:

Blue Yonder ha acquisito alcune startup di AI e vanta 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) ⁴⁹. Niente suggerisce un algoritmo di AI nuovo e unico per Blue Yonder. Questo significa che l’“AI all’avanguardia” di Blue Yonder è probabilmente solo analitica tradizionale rinominata. Trattiamo categoricamente qualsiasi affermazione generica di AI da parte loro come non provata.
Ad esempio, Blue Yonder potrebbe dire “usiamo ML per potenziare i nostri modelli probabilistici” ⁵³ - ma senza dettagli, ciò 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 i modelli più semplici. Senza prove, lo consideriamo come fuffa.
Blue Yonder afferma di avere soluzioni end-to-end che includono ottimizzazione dei prezzi, assortimento, ecc. È vero che hanno molti moduli. Tuttavia, avere molti moduli non significa che ciascuno sia il migliore della sua categoria. La pianificazione dell’inventario di Blue Yonder potrebbe ancora utilizzare la vecchia ottimizzazione del livello di servizio di i2, difficilmente qualcosa di cui vantarsi nel 2025.

Una rivendicazione particolarmente problematica del passato: la letteratura di Blue Yonder sul “inventario cognitivo” ha praticamente rielaborato l’idea dell’inventario probabilistico con termini sofisticati ⁵⁴ ⁵², di nuovo senza alcun supporto tecnico. Segnaliamo questo come marketing da bandiera rossa. Sembra perspicace ma non fornisce alcuna “carne” algoritmica.

Automazione: le soluzioni di Blue Yonder hanno storicamente richiesto un notevole controllo umano - ad esempio, i pianificatori avrebbero usato il software JDA per ottenere raccomandazioni e poi regolare. Con Luminate, Blue Yonder parla di “pianificazione autonoma”, ma a nostra conoscenza, questa rimane in gran parte una visione. Potrebbero aver introdotto un “assistente AI” o una risoluzione automatica delle eccezioni, ma nulla 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 che Blue Yonder abiliti un’ottimizzazione completamente non presidiata. Inoltre, poiché la loro architettura è un mix di parti, ottenere un’automazione senza soluzione di continuità tra di loro è impegnativo. Penalizziamo Blue Yonder per la mancanza di chiarezza su questo. 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 fino a un certo punto:

Multi-echelon: Sì, JDA aveva l’ottimizzazione dell’inventario multi-echelon (probabilmente un approccio simile a ToolsGroup/SmartOps).
Dimensioni dei lotti/MOQs: supportati nei loro parametri di pianificazione.
Promozioni: JDA/BlueYonder aveva moduli di previsione delle promozioni, sebbene a volte separati.
Cannibalizzazione: Hanno uno strumento di modellazione della domanda che può incorporare la cannibalizzazione per il 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 (incluso l’alimentare) e la produzione. Avevano alcune soluzioni per la gestione degli articoli freschi nel software di gestione delle categorie. Ma la loro pianificazione principale non enfatizzava i prodotti deperibili come fa RELEX. Quindi probabilmente limitata consapevolezza della durata limitata.
Restituzioni: Non un punto di forza. Possibilmente gestito nella loro pianificazione del retail sottraendo le previsioni, ma nessuna caratteristica speciale.
Vincoli di stoccaggio: Se utilizzano la loro gestione del magazzino o la pianificazione della produzione, sì, ma l’ottimizzazione dell’inventario di per sé probabilmente presume uno stoccaggio illimitato (come altri, minimizzare il costo implicitamente mantiene lo stock gestibile).
Quasi-stagionalità: La previsione di Blue Yonder può gestire i modelli stagionali, ma i modelli insoliti richiedono o un tuning umano o modelli avanzati che dubitiamo abbiano oltre il tipico.
Ottimizzazione finanziaria: Blue Yonder ha moduli di ottimizzazione del profitto (ottimizzazione dei prezzi, ecc.), ma la loro ottimizzazione dell’inventario ruota tipicamente attorno al raggiungimento dei livelli di servizio al costo minimo, non massimizzando direttamente il profitto.

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. Importante, perché Blue Yonder sta gestendo così tanti componenti del prodotto, i clienti spesso lo sperimentano come complesso da implementare e mantenere.

Verdetto: Blue Yonder si classifica vicino al fondo nel nostro studio principalmente a causa della sua dipendenza da tecnologia obsoleta mascherata da parole d’ordine e delle inefficienze intrinseche di una piattaforma patchwork. È significativo che i contributi open-source di Blue Yonder mostrino una dipendenza da metodi che sono vecchi di decenni (ARIMA, regressione) ⁴⁹ anche mentre l’azienda si presenta come leader nell’IA. Questa dissonanza erode la fiducia. Penalizziamo severamente Blue Yonder per questa mancanza di trasparenza e l’uso eccessivo di vaghe affermazioni sull’IA ²⁸. Il marchio potrebbe avere peso (è un “Leader” in alcuni rapporti di analisti a causa dell’ampiezza e della quota di mercato), ma quando ci concentriamo rigorosamente sulla verità e sul merito tecnico, Blue Yonder non impressiona.

Detto questo, Blue Yonder non è del tutto privo di valore. Ha un vasto footprint funzionale e conoscenza del dominio incorporata - quindi può gestire molti scenari pratici se configurato correttamente. Ma questi sono punti di partenza; quello che cerchiamo è una vera competenza di ottimizzazione. Su quel fronte, Blue Yonder è molto indietro rispetto a fornitori come Lokad o persino l’affidabilità candida di Slimstock. A meno che un cliente non sia già legato all’ecosistema di Blue Yonder o abbia bisogno di un negozio unico più che di analisi di classe mondiale, consiglieremmo di evitare l’ottimizzazione dell’inventario di Blue Yonder se la qualità di ottimizzazione misurabile e fattuale è la priorità. Nel nostro ranking, Blue Yonder è salvato dall’ultimo posto solo dal fatto che ha effettivamente un prodotto funzionante (seppur datato) e una grande base di utenti - il che significa che risolve almeno le basi - mentre le affermazioni di alcuni giocatori più piccoli potrebbero essere ancora più vuote.

9. Infor (Rhythm / Predictix) – Concorrente Svanito con Dubbia IA

Panoramica: Infor ha tentato di competere in questo campo attraverso acquisizioni come Predictix (acquisito nel 2016) che era uno specialista nella previsione del retail. Il punto di forza di Infor è sempre stato l’ERP, ma hanno cercato di costruire una suite di pianificazione del retail in cloud (Infor Rhythm, Demand Management, ecc.) con la tecnologia di Predictix. Tuttavia, le cose non sono andate lisce. Predictix aveva una storia complessa (problemi legali con partner come LogicBlox) ⁵⁵, e dopo essere entrato in Infor, l’impulso sembra essersi fermato. L’attenzione di Infor si è spostata sul suo ERP principale e su iniziative più grandi, e “l’angolo della previsione è rimasto un cittadino di seconda classe, deprioritizzato negli ultimi anni” ⁵⁶. In breve, la presenza di Infor nell’ottimizzazione dell’inventario/pianificazione della domanda si è ridotta. Hanno ancora prodotti in questo spazio, ma non sono leader di mercato, e il pipeline di innovazione sembra scarso.

Probabilistico & Funzionalità Avanzate: Predictix era noto per aver rivendicato alcuni approcci moderni di ML (erano tra i primi a parlare di big data nella previsione del retail). Ma gli esperti notano, “Predictix ha cercato di portare alcune tecniche di ML post-2000… tuttavia è dubbia la loro superiorità rispetto ai modelli pre-2000.” ⁴⁵. Questo implica che anche la tecnologia di punta che Infor ha acquistato non era dimostrabilmente migliore degli approcci classici. Infor ha probabilmente ereditato da Predictix alcune capacità di previsione della domanda o di apprendimento automatico, ma con quel team disperso, non è chiaro quanto ne venga utilizzato. Infor ora parla raramente di IA nella supply chain, e quando lo fa, è ad alto livello. Abbiamo visto menzionare che “le affermazioni sull’ ‘IA’ sono anche dubbie.” ⁴⁵ riguardo alla loro previsione. Questo riflette quello che vediamo altrove: Infor non ha fornito prove che i suoi strumenti (rhythm, demand planning, ecc.) siano particolarmente accurati o avanzati. Li hanno semplicemente integrati come funzionalità nello stack Infor. Inoltre, nessuna indicazione di previsione probabilistica o modellazione del lead time - probabilmente non esiste. Quindi, secondo la nostra misura, la soluzione di Infor è indietro e non affronta seriamente l’incertezza con nuove tecniche.

Automazione & Vincoli: Le offerte di pianificazione dell’inventario/della domanda di Infor non sono ampiamente discusse, il che suggerisce una limitata adozione. È probabile che gestiscano vincoli di base (multi-echelon, ecc.) ma niente di sofisticato che altri non abbiano. E dato il loro declassamento, si può presumere che non sia stato fatto molto per automatizzare completamente anche questi. Probabilmente è 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. Non spicca nulla, tranne forse alcune funzionalità specifiche per il retail che provengono 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 al fondo perché non ha né un prodotto attuale forte né rivendicazioni credibili di unicità. La loro incursione tramite Predictix sembra aver perso slancio, e qualsiasi retorica AI/ML da quell’acquisizione è ora stantia o non provata ⁴⁵. Essenzialmente, l’ottimizzazione dell’inventario di Infor non è un fattore importante nel mercato attuale. Le aziende raramente inseriscono Infor nella shortlist per la pianificazione avanzata a meno che non siano già pesanti utenti dell’ERP Infor. Non avendo 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’IA erano infondate.

10. John Galt Solutions – Previsione di medio mercato con rivendicazioni grandiose

Panoramica: John Galt Solutions (nominato dopo il famoso personaggio di Atlas Shrugged) fornisce strumenti di previsione e pianificazione dal 1990. Il loro prodotto di punta è Atlas Planning (nome appropriato), rivolto alle aziende di medio mercato 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 il rapido dispiegamento. Tuttavia, hanno fatto alcune affermazioni audaci sui loro algoritmi proprietari (come qualcosa chiamato “Procast”), che sollevano sopracciglia. L’azienda non ha il peso dei giocatori più grandi, e il loro approccio tecnologico sembra piuttosto tradizionale, nonostante i suggerimenti di marketing su un IP unico.

Probabilistic & Funzionalità 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 alcune euristiche). Atlas Planning dà una “forte sensazione di consulenza” ⁵⁷ - 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 ⁵⁸, il che implica che non hanno introdotto modelli predittivi nuovi oltre a quelli ampiamente noti. Parlano di “Procast” - il loro algoritmo di previsione proprietario - sostenendo che sia più preciso dei concorrenti. Tuttavia, questa affermazione è altamente dubbia: se Procast fosse davvero superiore, si sarebbe manifestato nelle competizioni di previsione (come le Competizioni M), ma è assente dalle prime posizioni ³⁹. Questo suggerisce che Procast è probabilmente un riadattamento di metodi standard o qualche piccolo ritocco, non una svolta. Infatti, gli esperti ritengono che gli strumenti open source (come le librerie R di Hyndman) superino probabilmente la tecnologia di John Galt ⁵⁹. John Galt non pubblicizza pesantemente l’IA o il ML, il che è a loro merito (non stanno esagerando con parole d’ordine che non hanno). Ma fanno vaghe affermazioni di “maggior precisione” senza prove, che non possiamo accettare. Inoltre, non menzionano nulla sulla gestione di complessità come la cannibalizzazione o l’ottimizzazione sotto incertezza; il loro messaggio riguarda più l’esperienza utente (bei cruscotti, ecc.) e la pianificazione collaborativa. Ciò indica una mancanza di ottimizzazione avanzata.

Automazione: Atlas Planning è rivolto a pianificatori ed esecutivi per simulare e collaborare. Non è noto per l’automazione; invece è un kit di strumenti in cui gli utenti possono fare previsioni e poi eseguire scenari. È probabilmente 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 come un promotore dell’automazione non presidiata. Questo limita la sua classificazione perché in termini moderni è più uno strumento semi-manuale.

Vincoli: I tipici clienti di John Galt hanno spesso esigenze più semplici, quindi Atlas Planning può gestire vincoli di base (distribuzione multilivello, tempi di consegna, stock 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 vincoli di fornitura complessi. È una soluzione di medio livello - ampiezza di funzionalità ma non profondità in nessun area.

Verdetto: John Galt Solutions arriva ultimo nella nostra classificazione dei principali fornitori. Pur fornendo software onesto e utilizzabile per la previsione e la pianificazione, non riesce a dimostrare alcun vantaggio tecnico o una seria gestione dell’incertezza. La grande affermazione sulla loro salsa segreta (Procast) appare non suffragata e addirittura smentita per omissione ³⁹. In assenza di prove, etichettiamo tali affermazioni proprietarie come marketing falso. L’azienda non si impegna tanto nell’hype dell’IA come gli 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 in cerca di verità, significa nessuna chiara innovazione. L’approccio di John Galt all’ottimizzazione dell’inventario probabilmente comporta l’impostazione manuale dei modelli di previsione e delle politiche di inventario, piuttosto che un calcolo probabilistico automatizzato. Pertanto, ottiene un punteggio basso su quasi tutti i nostri criteri: nessuna modellazione del tempo di consegna probabilistica, nessuna IA/ML notevole che funzioni, nessuna prova di ottimizzazione avanzata dei vincoli e automazione limitata.

La conclusione su John Galt: serve un segmento del mercato con strumenti più semplici, guidati dall’utente. Ma qualsiasi affermazione che sia più precisa o “più intelligente” delle 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 probabilmente la tecnologia di John Galt sottodimensionata.

Conclusione & Punti chiave

Questo studio critico del mercato rivela un panorama di software per la supply chain pieno di affermazioni grandiose ma scarse di capacità comprovate e innovative. Fornitori come Lokad e Slimstock emergono come eccezioni spingendo metodi veramente avanzati (il motore probabilistico di Lokad ⁶⁰) o aderendo a fondamentali 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 d’ordine senza sostenerle:

Previsione Probabilistica: Sorprendentemente pochi fornitori la abbracciano veramente. Lokad si distingue per la modellazione esplicita sia dell’incertezza della domanda che del tempo di consegna ¹. La maggior parte degli altri al massimo gestisce la variabilità della domanda in modo rudimentale e ignora l’incertezza del tempo di consegna, che consideriamo un fallimento critico. Una soluzione che “ignora l’incertezza” nei tempi di consegna è fondamentalmente limitata ³. Gli utenti dovrebbero premere i fornitori: Prevedete i tempi di consegna in modo probabilistico? In caso contrario, aspettatevi che gli obiettivi di stock siano subottimali.
Parole d’ordine fuorvianti: Il termine “demand sensing” è un reato ripetuto - usato da ToolsGroup, GAINS, ecc., con poca base scientifica ¹⁹ ³². Allo stesso modo, le affermazioni generiche “AI/ML” sono diffuse. Blue Yonder e o9 ne sono un esempio, mostrando terminologia alla moda ma fornendo algoritmi non migliori della regressione ²⁸ ⁶¹. I segnali d’allarme sono costanti: se un fornitore non può descrivere in termini concreti cosa fa la loro IA (ad es. “usa il gradient boosting sulla storia delle spedizioni per prevedere la domanda SKU-store”) e invece offre luoghi comuni, si dovrebbe presumere il peggio - che ci sia “poca o nessuna sostanza” dietro l’affermazione ²⁸. In questo studio, abbiamo penalizzato pesantemente tutti questi casi. Da notare che gli LLM (modelli simili a ChatGPT) non hanno nessun ruolo dimostrato nel calcolo delle politiche di inventario ottimali (mancano della capacità di ottimizzazione numerica), quindi qualsiasi suggerimento che un LLM stia ottimizzando il tuo inventario è pura finzione. Fortunatamente, nessuno dei principali fornitori afferma ciò - ma alcuni potrebbero integrare chatbot per le query degli utenti, 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 condizioni di incertezza (massimizzare il profitto atteso, minimizzare il costo soggetto al servizio, ecc.). La maggior parte dei fornitori qui, eccetto Lokad (e forse la parte 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 in gran parte sui livelli di servizio, e il suo discorso di un “algebra delle variabili casuali” è più marketing che realtà. Abbiamo evidenziato questa incongruenza per ToolsGroup ²⁹. Gli utenti in cerca di 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 detenzione, utilizzando la simulazione di Monte Carlo”), allora probabilmente non sta facendo una vera ottimizzazione.
Automazione: La promessa di una “supply chain autonoma” è allettante. In pratica, pochi l’hanno realizzata. La nostra valutazione ha rilevato che la maggior parte dei fornitori richiede un notevole input umano, e la loro automazione è basata su regole o limitata ai calcoli. Lokad punta all’automazione permettendo la completa scrittura della logica decisionale (e rimuovono esplicitamente i compiti manuali ripetitivi) ⁸. RELEX automatizza molti compiti del retail ma dietro le quinte probabilmente usa regole semplici per quelli. ToolsGroup e GAINS automatizzano la matematica ma hanno ancora 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”, chiedete una spiegazione: Cosa è esattamente automatizzato? Come vengono gestite le eccezioni? C’è un feedback loop? Se le risposte sono vaghe, l’affermazione di automazione merita scetticismo. Abbiamo scoperto che i fornitori che spiegavano di meno (o9, Blue Yonder) probabilmente automatizzano di meno, nonostante le grandi affermazioni ⁶¹ ²⁸.
Vincoli Complessi: È chiaro che non esiste una soluzione unica per tutti. Alcuni fornitori si rivolgono a specifiche complessità (RELEX per la scadenza degli alimenti freschi ²², GAINS per le parti riparabili). Altri coprono principalmente vincoli generici e si affidano a soluzioni alternative per i casi speciali. L’onere è sull’acquirente di evidenziare le proprie esigenze uniche (prodotti deperibili, grandi resi, ecc.) e chiedere al fornitore come le gestisce. Se la risposta è “abbiamo clienti nel tuo settore” ma non ci sono dettagli, è un campanello d’allarme. Nel nostro studio, solo Lokad discute apertamente di supportare cose come la cannibalizzazione e i vincoli personalizzati attraverso il suo framework di modellazione ⁴. La maggior parte degli altri ignora questi problemi o li menziona di passaggio senza metodo.

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

Lokad - per il suo rigoroso approccio probabilistico e la volontà di dettagliare come funziona ⁶⁰.
Slimstock - per fornire risultati affidabili senza nascondersi dietro le parole di moda ⁶² (anche se manca di analisi avanzate, è onesto su questo).
RELEX - per l’innovazione pratica nel retail (alimenti freschi, ecc.) mentre rimaniamo cauti riguardo al suo hype AI non provato ¹⁸.

I fornitori di fascia media come ToolsGroup e GAINS hanno una profondità funzionale ma sono stati declassati a causa di “malpractice di marketing” - terminologia fuorviante e incapacità di evolvere tecnicamente ³⁶ ³².

Infine, diverse soluzioni di grande nome (o9, Blue Yonder, SAP, Infor, John Galt) si sono classificate più in basso nella nostra classifica rispetto a quanto suggerirebbe la loro prominenza di mercato. Il motivo è semplice: la reputazione aziendale e il volume di vendite non equivalgono all’eccellenza tecnica. Infatti, queste grandi suite spesso portano con sé un bagaglio legacy o un focus diffuso, che impedisce una valutazione in cerca della verità. Non abbiamo dato credito a brochure lucide o posizioni nel Gartner Magic Quadrant, perché queste spesso riflettono i ricavi e l’ampiezza, non la reale potenza di ottimizzazione.

Consigli ai professionisti: Tagliate il superfluo. Insistete su demo o case study che mostrano effettive distribuzioni di errore, risultati di livello di servizio o risparmi di costi in condizioni di incertezza. Chiedete ai fornitori di eseguire i vostri dati per un pilota e verificate se i loro output riflettono veramente l’incertezza (ad es. una gamma di scenari) o solo un numero. Controllate se le loro raccomandazioni cambiano quando cambiano le condizioni (indicando adattabilità), o se sono essenzialmente regole statiche. Molti fornitori inciamperanno quando saranno sfidati su questi fronti. Quelli che risplenderanno saranno quelli che hanno costruito le loro soluzioni su solide basi analitiche piuttosto che sulle sabbie mobili del marketing.

Alla fine, l’ottimizzazione efficace dell’inventario richiede di unire una buona scienza con un’esecuzione pratica. Come mostra questo studio, pochissimi 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. Invitiamo i responsabili delle decisioni a utilizzare queste informazioni per tagliare il rumore del marketing e fare scelte basate sulla verità e le prove, non sull’hype.