Pianificazione e Software di Previsione della Supply Chain, febbraio 2025

Di Léon Levinas-Ménard

Ultima modifica: 2 febbraio 2025

Il software di pianificazione della supply chain è pensato per ottimizzare le decisioni (cosa produrre, immagazzinare o spostare e quando) in condizioni di incertezza, non solo registrare transazioni. Come una definizione mette in chiaro, la supply chain è “il dominio quantitativo ma intelligente delle opzioni di fronte a variabilità e vincoli… con un focus sull’alimentare e scegliere opzioni, piuttosto che sulla gestione diretta delle operazioni sottostanti.” ¹ In altre parole, i migliori strumenti di pianificazione si concentrano sull’ottimizzazione (ad esempio, decidere i livelli di inventario o produzione ottimali) piuttosto che solo sulla gestione transazionale (tracciare ordini e scorte). Questo studio confronta i principali fornitori di software di pianificazione e previsione della supply chain a livello mondiale, enfatizzando prove tecniche tangibili rispetto al marketing. Valutiamo ciascun fornitore su criteri chiave:

Previsione Probabilistica – Vanno oltre le previsioni puntuali per fornire distribuzioni complete o modelli avanzati? Se viene rivendicata una previsione “AI/ML”, ci sono prove (come una forte performance in competizioni globali di previsione come la M5) a sostegno?
Grado di Automazione – Il sistema può eseguire previsioni e pianificazioni senza supervisione (completamente robotizzato) senza costante intervento umano? Quanto è autonoma la capacità decisionale?
Scalabilità e Performance – La tecnologia gestisce i dati su larga scala in modo efficiente? (Attenzione alle architetture in-memory che non scalano bene man mano che i dati crescono e i costi della memoria stagnano.)
Integrazione Tecnologica e Acquisizioni – La soluzione è costruita su un insieme tecnologico coeso o su un insieme di moduli acquisiti? Lunghe storie di fusioni e acquisizioni possono portare a una tecnologia frammentata e inconsistente.
Credibilità Tecnica – Le affermazioni tecnologiche del fornitore sono supportate da principi scientifici o prove ingegneristiche? Guardiamo oltre i luoghi comuni (“AI/ML”, “sensing della domanda”) per spiegazioni concrete o validazioni da parte di pari.
Coerenza e Contraddizioni – Le comunicazioni del fornitore sono allineate? (ad esempio, rivendicare previsioni probabilistiche mentre si vantano di metriche di accuratezza deterministiche come il MAPE sarebbe un campanello d’allarme.)
Pratiche Obsolete – Denunciamo metodi obsoleti (come formule di stock di sicurezza semplicistiche) che sono in conflitto con l’ottimizzazione probabilistica moderna.
Output Orientato alle Decisioni – Il software produce solo previsioni, o fornisce decisioni ottimizzate (piani d’ordine, obiettivi di inventario) basate su quelle previsioni? L’obiettivo vero è guidare le decisioni, non solo i numeri.

Approccio: Per ciascun fornitore, ci affidiamo alla documentazione tecnica pubblicata, alle analisi autorevoli e (quando disponibili) ai benchmark o alle competizioni aperte per valutare le capacità. L’esagerazione dei fornitori, i rapporti pagati dagli analisti e i casi studio lucidi vengono ignorati a meno che non siano verificati da prove concrete. Il tono è deliberatamente scettico – le affermazioni devono essere guadagnate con dati o sostanza ingegneristica. Incoerenze o mancanza di trasparenza sono considerate gravi punti deboli.

Di seguito, classifichiamo i migliori fornitori di software di pianificazione della supply chain per leadership tecnologica, con una breve giustificazione per ciascuno. Dopo il riassunto della classifica, segue un confronto dettagliato, organizzato secondo i criteri tecnici sopra elencati. Tutte le affermazioni sono supportate da citazioni da fonti credibili (nel formato【fonte†linea】).

Principali Fornitori Classificati per Eccellenza Tecnologica

Lokad – Ottimizzazione Probabilistica all’Avanguardia Lokad è leader nell’innovazione tecnologica, pionieristica nella previsione probabilistica e nella pianificazione veramente incentrata sulle decisioni. Già nel 2012, Lokad ha promosso le previsioni probabilistiche (quasi un decennio prima degli altri) e ha costruito l’intera soluzione attorno ad esse ². A differenza dei fornitori che trattano la previsione e la pianificazione come passaggi separati, il sistema di Lokad (basato su un linguaggio specifico del dominio chiamato Envision) produce direttamente decisioni ottimizzate (ordini, livelli di stock) da modelli probabilistici. La credibilità tecnica di Lokad è eccezionale: documenta apertamente i suoi metodi e il suo team ha ottenuto l’accuratezza n. 1 a livello di SKU nella prestigiosa competizione di previsione M5 (su 909 team) ³. Questa vittoria nel mondo reale nella previsione granulare sottolinea il potere predittivo all’avanguardia di Lokad. La piattaforma è nativa del cloud e totalmente automatizzata (previsioni e ottimizzazioni vengono eseguite in modo non supervisionato secondo un programma), e evita i limiti dei design in-memory sfruttando il calcolo scalabile del cloud. In sintesi, Lokad stabilisce il punto di riferimento con il suo approccio probabilistico, orientato all’automazione e supportato da prove all’ottimizzazione della supply chain.
Kinaxis – Pianificazione Veloce in Memoria con Intelligenza Artificiale Emergente Kinaxis è un leader consolidato noto per il suo motore di “pianificazione concorrente” estremamente veloce. La piattaforma RapidResponse utilizza un’architettura in memoria per consentire simulazioni di scenari in tempo reale su supply, domanda e inventario. Questo design offre ai pianificatori la capacità di analisi del “cosa succederebbe se” istantanea, una grande forza per la reattività. Tuttavia, la forte dipendenza dal calcolo in memoria può comportare costi hardware elevati e limiti di scalabilità man mano che i dati crescono (implementazioni di grandi dimensioni richiedono RAM massicce) ⁴. Tradizionalmente, Kinaxis si è concentrata sulla pianificazione deterministica (sfruttando regole definite dall’utente e aggiustamenti manuali). Riconoscendo lo spostamento dell’industria, Kinaxis ha recentemente abbracciato tecniche probabilistiche integrando acquisizioni/partners: ad esempio ha aggiunto un motore di ottimizzazione probabilistica dell’inventario multi-ecolone (MEIO) (dal partner Wahupa) e ha acquisito una società di intelligenza artificiale per la previsione della domanda (Rubikloud). Questi add-on portano previsioni avanzate e modellazione dell’incertezza a Kinaxis, anche se come componenti aggiuntivi sollevano questioni di coerenza dello stack tecnologico. La comunicazione di Kinaxis su “IA” e apprendimento automatico è cauta rispetto ad alcuni concorrenti – enfatizza il combinare l’intelligenza umana e quella artificiale. In pratica, Kinaxis eccelle nell’automazione del ricalcolo del piano (ogni volta che i dati cambiano, il sistema può riequilibrare autonomamente i piani di fornitura-domanda), ma storicamente si è comunque affidata ai pianificatori per impostare i parametri e non ha completamente automatizzato le decisioni finali. Con i suoi nuovi moduli probabilistici, Kinaxis si sta spostando verso una maggiore automazione delle decisioni in condizioni di incertezza, sebbene da un’eredità deterministica. In sintesi, Kinaxis offre una potente piattaforma di pianificazione in tempo reale e sta recuperando terreno nella previsione guidata dall’IA, ma deve dimostrare che le sue nuove funzionalità probabilistiche sono profondamente integrate piuttosto che superficiali.
o9 Solutions – Grandi Ambizioni e Big Data o9 Solutions è un nuovo entrante (fondata nel 2009) spesso definita come un “cervello digitale” per la supply chain. Tecnologicamente, o9 è estremamente ambiziosa: ha costruito una piattaforma ampia con un modello di dati basato su grafi (Enterprise Knowledge Graph, “EKG”) e si rivolge a enormi e complessi set di dati (rendendola popolare per le grandi imprese che cercano uno strumento di pianificazione end-to-end). Tuttavia, l’approccio di o9 comporta dei compromessi. Il sistema utilizza, a quanto si dice, un design in-memory, che, pur consentendo analisi veloci, “garantisce costi hardware elevati” per un utilizzo su larga scala ⁴. Questo solleva preoccupazioni sulla scalabilità, poiché aumentare la RAM per risolvere il problema diventa costoso e alla fine raggiunge dei limiti (specialmente considerando che i prezzi della memoria non stanno più diminuendo rapidamente). o9 fa molto marketing attorno all’IA/ML, ma bisogna separare la sostanza dall’esagerazione: molte delle sue affermazioni (ad esempio, che il suo knowledge graph migliora in modo unico le previsioni) sono dubbie senza supporto scientifico ⁵. Infatti, analisi degli elementi tecnologici di o9 disponibili pubblicamente su GitHub suggeriscono che utilizza principalmente tecniche standard (niente di fondamentalmente nuovo abbastanza da giustificare il grande marchio “AI”) ⁶. o9 supporta pianificazioni di scenario probabilistiche fino a un certo punto: può modellare più scenari di domanda ed eseguire simulazioni, ma non è chiaro se fornisca vere distribuzioni di previsioni probabilistiche o solo analisi di scenario. La piattaforma può automatizzare determinati compiti di pianificazione, ma o9 si posiziona spesso come supporto decisionale, con gli esseri umani che alla fine guidano il “cervello digitale”. In generale, o9 è una piattaforma tecnologicamente avanzata con ampie capacità, ma la sua dipendenza dal calcolo in-memory e la vaghezza attorno alle sue affermazioni sull’IA temperano la sua leadership tecnica percepita. È un leader più per la sua visione integrata e la gestione dei big data che per una comprovata accuratezza unica nelle previsioni.
Relex Solutions – Automazione Focalizzata sul Retail (con Limiti) Relex Solutions (fondata nel 2005) è specializzata nella previsione della domanda nel settore del retail, nel rifornimento e nella pianificazione degli spazi. Si è guadagnata una reputazione per consentire un ripristino automatico altamente automatizzato dei negozi - diversi grandi supermercati utilizzano Relex per prevedere automaticamente la domanda a livello di negozio e generare ordini con minima intervento umano. Questa automazione end-to-end in un ambiente di retail impegnativo è una forza notevole. Relex si vanta anche di moderne tecniche di previsione basate sull’apprendimento automatico adattate al retail (tenendo conto di promozioni, eventi locali, ecc.). Detto ciò, uno sguardo sotto il cofano rivela alcune limitazioni architettoniche e metodologiche. Il sistema di Relex utilizza un design di cubo dati in-memory, stile OLAP ⁷ per fornire analisi e report molto veloci. Sebbene ciò produca dashboard reattivi, aumenta i costi hardware e non risolve intrinsecamente problemi complessi di ottimizzazione. Infatti, l’approccio in tempo reale e granulare di Relex può entrare in conflitto con l’ottimizzazione a livello di rete - potrebbe avere difficoltà a coordinare in modo ottimale le decisioni in una vasta rete di approvvigionamento di fronte a fenomeni come cannibalizzazione o sostituzioni di prodotti ⁸. Ci sono anche segnali che i modelli di previsione di Relex non siano così “avanzati” come pubblicizzati - le prove suggeriscono che gran parte del loro approccio si basi su metodi precedenti al 2000 (ad es. regressione, lisciatura delle serie temporali) ⁹, sebbene applicati su larga scala. Spesso vantano un’disponibilità in stock superiore al 99% per i rivenditori, ma indagini del settore (ad es. dalle associazioni ECR) mostrano che la disponibilità tipica sugli scaffali è inferiore, mettendo in dubbio tali affermazioni generalizzate ¹⁰. Relex ha uno stack tecnologico principalmente coeso (sviluppato internamente per il retail) e non è cresciuta tramite grandi acquisizioni, il che è positivo per la coerenza. In sintesi, Relex è un leader nell’automazione del retail e può guidare operazioni impressionanti senza intervento umano, ma la profondità tecnica nella scienza delle previsioni è discutibile, e un’architettura in-memory significa che condivide le preoccupazioni sulla scalabilità degli altri.
ToolsGroup – Innovatore Precoce Che Ora Si Vanta di “IA” ToolsGroup (fondata nel 1993) offre il software SO99+, storicamente noto per la previsione basata sul livello di servizio e l’ottimizzazione dell’inventario. Anni prima che “IA” diventasse un termine di moda, ToolsGroup ha contribuito a rendere popolari concetti probabilistici nella supply chain - ad esempio, modellando la variabilità della domanda per determinare le scorte di sicurezza necessarie per raggiungere un livello di servizio desiderato. Nella pratica, il loro strumento può produrre una distribuzione di probabilità della domanda (specialmente per gli articoli a movimento lento) e calcolare gli obiettivi di inventario per raggiungere un tasso di riempimento desiderato. Tuttavia, negli ultimi anni il messaggio di ToolsGroup si è spostato per unirsi all’entusiasmo per l’IA/ML, e qui si vedono le crepe di credibilità. Fanno pesante pubblicità alla pianificazione “alimentata da IA”, ma indizi pubblici suggeriscono che i loro algoritmi principali siano ancora essenzialmente modelli statistici legacy (precedenti al 2000) ¹¹. In particolare, dal 2018 circa hanno iniziato a marchiare le loro uscite come “previsioni probabilistiche” mentre vantano contemporaneamente miglioramenti del MAPE ¹² - una incoerenza lampante, perché il MAPE (una metrica di errore di previsione deterministica) “non si applica alle previsioni probabilistiche.” ¹³ Questo suggerisce o un malinteso o un trucco di marketing (ad es. forse generano previsioni probabilistiche ma le valutano comunque confrontando la mediana con i dati effettivi con il MAPE - il che manca il punto dei metodi probabilistici). ToolsGroup parla anche di “sensore di domanda” per aggiustamenti delle previsioni a breve termine, ma tali affermazioni sono non supportate dalla letteratura scientifica ¹³ e spesso si riducono a medie mobili ripacchettate. Sul lato positivo, la soluzione di ToolsGroup è piuttosto completa di funzionalità per la pianificazione della supply chain (coprendo la previsione della domanda, l’ottimizzazione dell’inventario, S&OP, ecc.) e può essere eseguita in modalità lights-out (generando automaticamente proposte di rifornimento ogni notte). Il suo focus sull’ottimizzazione (raggiungere gli obiettivi di servizio con il minimo di scorte) si allinea con la previsione orientata alla decisione. Ma il recente atteggiamento di ToolsGroup sull’IA senza prove tecniche chiare, oltre a un’architettura che potrebbe non essere moderna e nativa del cloud (probabilmente più orientata a server singoli), lo fa scendere un po’ in termini di leadership tecnologica. In breve, ToolsGroup è un giocatore provato nella modellazione probabilistica dell’inventario, ma ha bisogno di maggiore trasparenza per supportare le sue nuove affermazioni sull’IA e garantire che i suoi metodi non siano stagnanti.
Blue Yonder – Potente Eredità, Tecnologia Patchwork
Blue Yonder (fondata nel 1985 come JDA Software, rinominata dopo l’acquisizione di una piccola azienda di intelligenza artificiale chiamata Blue Yonder) è un gigante nella pianificazione della supply chain. Offre soluzioni per la pianificazione della domanda, la pianificazione della fornitura, il settore al dettaglio e altro ancora. Nel corso degli anni, Blue Yonder (BY) ha accumulato un ampio portafoglio tramite numerevoli acquisizioni - da Manugistics (ottimizzazione della supply chain) ai pezzi di i2 Technologies, e più di recente la startup di intelligenza artificiale Blue Yonder. Il risultato è una “raccolta caotica di prodotti, per lo più datati,” anche se sotto un unico marchio ¹⁴. Tecnologicamente, i moduli ereditati di Blue Yonder (come la previsione della domanda o il completamento) spesso utilizzano tecniche più datate (ad esempio previsioni euristiche, pianificazione basata su regole con scorte di sicurezza). L’azienda ora vanta “AI/ML” nel suo marketing, ma le affermazioni tendono ad essere vaghe e prive di sostanza ¹⁵. Un indizio rivelatore: Blue Yonder ha solo alcuni progetti open-source sul suo GitHub (ad es. tsfresh, PyDSE, **Vikos), che suggeriscono gli approcci di previsione sottostanti - questi sono principalmente metodi tradizionali come l’estrazione di caratteristiche + modelli ARIMA/regressione lineare ¹⁶, piuttosto che modelli di deep learning o probabilistici all’avanguardia. In altre parole, la “AI” di BY è probabilmente più un richiamo che una svolta. La coesione della piattaforma è una preoccupazione - la pianificazione, il rifornimento e l’ottimizzazione dell’inventario possono esistere come motori separati che non funzionano in modo sinergico (l’integrazione si basa su un grande sforzo di implementazione). Blue Yonder ha alcune capacità di ottimizzazione molto forti in aree specifiche (ad es. i loro algoritmi ereditati i2 per l’ottimizzazione della rete di supply chain, se modernizzati, possono essere potenti). E molte grandi imprese utilizzano Blue Yonder per automatizzare compiti di pianificazione (ad esempio, generare previsioni che guidano un processo MRP, impostare livelli di scorta di sicurezza, ecc., con i pianificatori che aggiustano per eccezione). Tuttavia, rispetto ai nuovi leader tecnologici, Blue Yonder sembra tecnicamente stagnante: si attiene principalmente alla previsione deterministica (spesso misurata da vecchie metriche come MAPE o bias), utilizza pratiche obsolete come le formule di scorta di sicurezza come elemento centrale della pianificazione e aggiunge solo sottilmente terminologia AI. Date le sue risorse, Blue Yonder potrebbe evolversi, ma al momento attuale rappresenta il compromesso di un grande fornitore: ampia funzionalità ma un stack tecnologico frammentato e invecchiato ¹⁴. Lo classifichiamo al di sotto di concorrenti più orientati al futuro dal punto di vista tecnologico.

(Altri fornitori notevoli: SAP IBP e Oracle SCM Cloud forniscono anche suite di pianificazione della supply chain, ma queste sono in gran parte estensioni dei loro sistemi ERP transazionali. Ereditano un debito tecnico e complessità significativi dai sistemi e dalle acquisizioni ereditati. Ad esempio, l’offerta di pianificazione di SAP è un mix di componenti come SAP APO, SAP HANA, più strumenti acquisiti (SAF per la previsione, SmartOps per l’inventario) - essenzialmente “una raccolta di prodotti” che richiedono molto sforzo di integrazione ¹⁷. Queste soluzioni legate agli ERP, sebbene potenti sotto alcuni aspetti, non sono generalmente leader nella scienza della previsione o nell’automazione, quindi sono escluse dalle prime posizioni.)

Dopo aver presentato i principali fornitori, approfondiamo un’analisi criterio per criterio, evidenziando come ogni fornitore si posizioni nella previsione probabilistica, nell’automazione, nella scalabilità, ecc., con un’enfasi su prove ed esempi. Questa visione comparativa mette in luce i punti di forza e di debolezza di ciascuna soluzione in modo approfondito.

Previsione Probabilistica: Oltre i Modelli Deterministici

L’ottimizzazione moderna della supply chain beneficia enormemente dalla previsione probabilistica - stimare un intervallo o una distribuzione di possibili risultati (con probabilità), anziché un singolo numero “più probabile”. Le previsioni probabilistiche catturano meglio la variabilità della domanda, consentendo decisioni più robuste (ad es. conoscere la probabilità di una carenza di magazzino se si tiene in magazzino X unità). Abbiamo esaminato quali fornitori abbracciano veramente i metodi probabilistici rispetto a quelli che si attengono alle previsioni deterministiche. Risultati chiave:

Lokad si distingue per aver integrato profondamente la previsione probabilistica. È stato uno dei primi a promuovere modelli probabilistici (dal 2012) ² e ha continuamente migliorato questa capacità. L’approccio di Lokad utilizza distribuzioni di domanda probabilistiche come base per tutte le ottimizzazioni - ad esempio, calcolando il profitto previsto di varie quantità di magazzino integrando sulla distribuzione della domanda. La credibilità della tecnologia di previsione di Lokad è confermata da competizioni globali: un team di Lokad ha ottenuto la massima precisione a livello di SKU nella M5 Forecasting Competition ³, una sfida di benchmark molto apprezzata. È importante notare che la M5 era incentrata sulla previsione probabilistica (le classifiche erano basate su metriche di errore distribuzionale ponderate) e la performance di Lokad indica che i suoi metodi sono veramente all’avanguardia nella generazione di distribuzioni di probabilità accurate a livello granulare. Nella pratica, Lokad non produce solo un numero, ma una distribuzione completa di probabilità (o scenari) per la domanda di ciascun articolo, che alimenta direttamente gli script di ottimizzazione delle decisioni.
ToolsGroup, per merito suo, ha offerto funzionalità probabilistiche da anni nel contesto dell’ottimizzazione del livello di servizio. Il loro software può creare una distribuzione esplicita della domanda (spesso tramite un modello di domanda intermittente o altro adattamento statistico) e quindi calcolare gli obiettivi di inventario per soddisfare una probabilità di servizio desiderata. Tuttavia, c’è una differenza tra avere un modello probabilistico sotto il cofano e abbracciarlo pienamente nello spirito. Il marketing di ToolsGroup nel 2018+ suggerisce un tentativo di rilanciarsi come leader nella previsione probabilistica, ma contemporaneamente hanno minato questo sforzo parlando di miglioramenti MAPE insieme alle previsioni probabilistiche ¹³. Questa è una contraddizione: se si sta veramente prevedendo una distribuzione, non si misurerebbe principalmente il successo con il MAPE (che assume un singolo numero “giusto”). Il fatto che si basino ancora su metriche deterministiche indica che potrebbero ancora generare previsioni puntuali e poi utilizzare le distribuzioni solo per simulare i requisiti di magazzino. Quindi, sebbene ToolsGroup abbia capacità probabilistiche, la complessità di quei metodi potrebbe non essere all’avanguardia e non è chiaro quanto siano “tutto sommato” probabilistici rispetto a usarli solo come aggiunta.
Kinaxis storicamente non forniva previsioni probabilistiche nel suo offerta principale (si basava su previsioni puntuali inserite dagli utenti o generate tramite semplici statistiche). Riconoscendo questa lacuna, Kinaxis ha collaborato con Wahupa per integrare un motore MEIO (Multi-Echelon Inventory Optimization) probabilistico ¹⁸. Inoltre, Kinaxis ha acquisito una società di intelligenza artificiale (Rubikloud) specializzata nella previsione della domanda tramite apprendimento automatico (probabilisticamente per natura, ad es. producendo intervalli di previsione). A partire dal 2023, Kinaxis ha iniziato a commercializzare “Planning.AI” o capacità simili, riconoscendo esplicitamente la necessità di “abbracciare l’incertezza” e utilizzare la scienza della probabilità nella presa di decisioni ¹⁹. Si tratta di uno sviluppo positivo, ma poiché è relativamente nuovo, la maturità della previsione probabilistica di Kinaxis è ancora in evoluzione. Non abbiamo visto Kinaxis o i suoi associati comparire in competizioni pubbliche di previsione o pubblicare metodologie dettagliate, quindi la prova tecnica della loro abilità probabilistica è limitata a ciò che affermano.
o9 Solutions enfatizza anche la modellazione dell’incertezza nel concetto: il loro grafo della conoscenza può memorizzare molti fattori causali, e affermano di generare previsioni migliori collegando i dati. Tuttavia, non troviamo prove pubbliche di o9 che fornisca previsioni probabilistiche nella pratica (nessun benchmark di precisione pubblicato o algoritmi aperti). La menzione di reti bayesiane o Monte Carlo nei loro materiali è scarsa. Gli elementi scoperti nei repository di codice di o9 sembrano concentrarsi su tecniche di previsione tipiche piuttosto che su algoritmi probabilistici innovativi ⁶. Fino a quando o9 non dimostra il contrario, dobbiamo presumere che fornisca principalmente previsioni deterministe migliorate (forse con analisi degli scenari), e qualsiasi etichetta “probabilistica” potrebbe essere più di marketing.
Relex Solutions si occupa di vendita al dettaglio dove la variabilità (specialmente per promozioni o prodotti freschi) è elevata. Probabilmente utilizzano alcuni approcci probabilistici internamente (ad esempio, per stimare la distribuzione della domanda per i prodotti in promozione, o per calcolare i bisogni di stock di sicurezza per negozio con un livello di servizio target). Tuttavia, i materiali pubblici di Relex non esaltano esplicitamente la “previsione probabilistica”; parlano piuttosto di miglioramento dell’accuratezza delle previsioni tramite apprendimento automatico (di solito implicando previsioni puntuali migliori). La revisione paritaria di Relex indica che la loro tecnologia di previsione sembra precedente al 2000 ⁹, il che probabilmente significa metodi principalmente deterministici come liscio esponenziale, forse con stagionalità e tendenza - tecniche che generano previsioni puntuali e forse deviazione standard per lo stock di sicurezza. Quindi, Relex potrebbe ancora fare affidamento sul vecchio paradigma: previsione e poi aggiunta di un margine di sicurezza, anziché fornire una curva di probabilità completa all’utente.
Blue Yonder nella sua pianificazione della domanda tradizionale utilizza una varietà di modelli statistici (ARIMA, liscio esponenziale, forse un po’ di ML per fattori causali) per produrre previsioni, tipicamente aggregate e con processo di consenso - fondamentalmente deterministico. Blue Yonder ha iniziato a menzionare termini probabilistici in alcuni contesti (dato che tutti lo stanno facendo), ma dato che le loro contribuzioni open-source mostrano affidamento su ARIMA e regressione ¹⁶, è sicuro dire che la previsione probabilistica non è un punto di forza. Inoltre, incoraggiano ancora metriche come MAPE, bias, ecc., che sono deterministiche. Non abbiamo visto Blue Yonder partecipare a benchmark di previsione noti.
Altri fornitori: John Galt Solutions commercializza un algoritmo “Procast” che afferma un’accuratezza superiore, ma una recensione ha notato che questa affermazione è dubbia poiché Procast era assente dai primi posti delle grandi competizioni di previsione come M5 ²⁰. In realtà, strumenti di previsione open-source facilmente disponibili (ad es. Prophet o i pacchetti R di Hyndman) probabilmente funzionano altrettanto bene o meglio ²¹. Questo sottolinea un tema comune: la vera innovazione si manifesta dove c’è una valutazione aperta. L’assenza della maggior parte dei fornitori (oltre a Lokad) dalle competizioni pubbliche suggerisce che molti non siano veramente avanti rispetto all’accademia o all’open-source nella previsione - se lo fossero, lo dimostrerebbero in quei forum.

In sintesi, la previsione probabilistica è un elemento differenziante: Lokad guida chiaramente con una dimostrata abilità e decisioni probabilistiche completamente integrate. ToolsGroup e Kinaxis ne riconoscono l’importanza ma l’hanno incorporata solo di recente (e devono allineare le loro metriche e processi ad essa per essere convincenti). Gli altri rimangono in gran parte in un mondo deterministico, anche se spargono termini come “stocastico” nei loro opuscoli. Questa distinzione è importante, perché senza previsioni probabilistiche autentiche, un sistema di pianificazione ricorrerà a scorte di sicurezza grezze e non potrà bilanciare in modo ottimale rischi e costi.

Grado di Automazione: Pianificazione Automatica vs. Umano-in-the-Loop

L’automazione nella previsione e nella pianificazione si riferisce alla capacità del sistema di gestire l’intero processo - dall’ingestione dei dati, alla generazione delle previsioni, all’ottimizzazione del piano e persino all’esecuzione delle decisioni - senza intervento manuale, a parte il monitoraggio e l’eventuale regolazione dei parametri. Un’elevata automazione è cruciale per le operazioni su larga scala (dove regolare manualmente migliaia di previsioni è impraticabile) e per rispondere rapidamente ai cambiamenti (i robot reagiscono più velocemente degli esseri umani). Abbiamo valutato quanto automatizzata possa essere ciascuna soluzione e se supporta esecuzioni di pianificazione “non assistite” (e se i clienti effettivamente la utilizzano in questo modo). Le osservazioni includono:

Lokad è progettato con l’automazione in mente. Il suo ambiente di scripting Envision consente di codificare e pianificare l’intera logica di previsione e rifornimento. Molte implementazioni di Lokad funzionano su una base totalmente robotizzata, dove ogni giorno o settimana il sistema estrae automaticamente nuovi dati, ricalcola le previsioni, ottimizza le decisioni (ad esempio, genera quantità di ordine o piani di allocazione) e li trasmette al sistema ERP o di esecuzione - il tutto senza interventi umani. La filosofia è che se i modelli sono impostati correttamente, le modifiche manuali dovrebbero essere minime e i pianificatori possono concentrarsi sulle eccezioni o sul miglioramento del modello piuttosto che sugli aggiustamenti di routine. Le storie di successo di Lokad spesso evidenziano la drastica riduzione del carico di lavoro del pianificatore grazie a questa automazione. Fondamentalmente, Lokad tratta i pianificatori più come scienziati dei dati o supervisori del processo, non come persone che regolano manualmente le manopole della pianificazione quotidianamente.
Relex Solutions consente anche un alto grado di automazione, specialmente nel ripristino. Ad esempio, per i rivenditori di generi alimentari, Relex può generare automaticamente gli ordini dei negozi ogni giorno tenendo conto delle previsioni, dello stock disponibile e dei lead time. Alcuni rivenditori che utilizzano Relex affermano di fidarsi abbastanza da far uscire automaticamente la maggior parte degli ordini, con i pianificatori che revisionano solo le suggerimenti fuori standard. Il sistema di Relex supporta flussi di lavoro per le eccezioni (ad esempio, può segnalare se una previsione è molto diversa dal normale, quindi un umano la rivede), ma altrimenti è progettato per eseguire automaticamente la pianificazione della domanda e degli ordini. Questo è un punto di vendita chiave nel settore del retail dove la scala (milioni di combinazioni SKU-negozio) rende impossibile la pianificazione manuale. Tuttavia, è importante notare che per raggiungere questa automazione spesso sono necessari modelli stabili e maturi e un focus ristretto (ad esempio, generi alimentari di base). Nella pianificazione della produzione multi-echelon più complessa, Relex è meno presente. Tuttavia, nel suo settore, Relex dimostra che la previsione e il ripristino non assistiti sono realizzabili, sebbene all’interno dei vincoli della sua architettura in memoria.
Kinaxis offre automazione nel ricalcolo - la sua concorrenza significa che ogni volta che i dati cambiano, può propagare le modifiche attraverso il modello della supply chain (distinta base, inventario, capacità) per aggiornare automaticamente tutti i piani dipendenti. Questo è una forma di automazione (eliminando la necessità di eseguire manualmente cicli di pianificazione separati per ciascun livello). Tuttavia, Kinaxis si aspetta tradizionalmente che i pianificatori siano in qualche modo coinvolti: impostano scenari, revisionano i risultati e decidono quale scenario impegnarsi. Kinaxis può automatizzare le decisioni di routine tramite il suo sistema di allerta (ad esempio, approvare automaticamente un piano se l’inventario è sopra una soglia), ma è generalmente utilizzato come uno strumento di supporto decisionale piuttosto che un autopilota “oscuro”. Detto ciò, con l’integrazione dell’IA e previsioni più avanzate, Kinaxis sta spingendo verso una maggiore automazione delle decisioni. Ad esempio, il suo nuovo MEIO può riequilibrare automaticamente i buffer di stock attraverso gli echeloni ad ogni esecuzione della pianificazione, che l’utente potrebbe accettare a meno che qualcosa non sembri fuori posto. L’azienda sta anche investendo in ciò che chiama “catene di approvvigionamento auto-riparanti”, implicando una maggiore autonomia. Tuttavia, data la sua base clienti (spesso aerospaziale, automobilistica, ecc., dove i pianificatori sono cauti), la pianificazione completamente automatica non è la norma per le implementazioni di Kinaxis.
o9 Solutions è generalmente utilizzato come una piattaforma di pianificazione in cui gli utenti (pianificatori, responsabili della domanda, ecc.) interagiscono molto - regolando le previsioni, collaborando sui piani S&OP, eseguendo scenari. Certamente ha la capacità tecnica di automatizzare i calcoli (ad esempio, è possibile impostare aggiornamenti ricorrenti delle previsioni), ma la filosofia di o9 tende ad integrare i pianificatori umani con le intuizioni dell’IA piuttosto che sostituirli. Il termine di marketing “gemello digitale dell’organizzazione” suggerisce che riflette la tua supply chain nel software; ma uno specchio riflette tipicamente ciò che fai - non decide indipendentemente. Non abbiamo trovato prove di alcuna azienda che utilizzi o9 in modo completamente autonomo; piuttosto è uno strumento che fornisce un singolo modello di dati e analisi per facilitare la pianificazione interfunzionale. L’automazione è focalizzata sull’integrazione (automatizzazione dei flussi di dati tra i moduli) più che sull’automazione decisionale.
ToolsGroup tradizionalmente propone un approccio di pianificazione “a basso contatto”. Il loro strumento SO99+ può essere configurato per generare automaticamente previsioni statistiche per ciascun SKU, quindi calcolare gli obiettivi di inventario e persino suggerire ordini di rifornimento. Molte aziende di medie dimensioni lo hanno effettivamente utilizzato per generare automaticamente ordini di acquisto o proposte di produzione, con i pianificatori che revisionano solo le eccezioni (ad es. dove il sistema è incerto a causa di circostanze insolite). Il livello di automazione raggiunto dipende dalla fiducia nelle raccomandazioni del sistema. ToolsGroup sottolinea spesso che il loro approccio probabilistico porta a raccomandazioni di inventario più affidabili, il che a sua volta rende le aziende più confortevoli nell’automatizzare in misura maggiore l’ordinazione. Tuttavia, se i modelli di ToolsGroup non sono correttamente tarati, gli utenti potrebbero sovrascrivere molto. In termini di capacità tecnica, ToolsGroup può certamente funzionare in modalità batch non assistita per la previsione e la pianificazione iniziale. Ma potrebbe non gestire il ri-pianificazione on-the-fly così bene come qualcosa come Kinaxis (è più orientato alla pianificazione notturna batch).
Blue Yonder (JDA) ha componenti come ESP (Enterprise Supply Planning) e Fulfillment che possono rilasciare automaticamente ordini di fornitura o raccomandazioni di trasferimento di magazzino in base alle previsioni e alle politiche di inventario. Molti utenti di Blue Yonder si affidano effettivamente agli output generati automaticamente: ad esempio, il sistema potrebbe creare automaticamente ordini di distribuzione per rifornire i magazzini regionali ai livelli di stock desiderati. Il modulo Demand di Blue Yonder può generare automaticamente previsioni di base ogni settimana o mese. Tuttavia, storicamente le implementazioni di JDA/Blue Yonder coinvolgono molto flusso di lavoro umano: i pianificatori della domanda regolano le previsioni, i pianificatori della fornitura revisionano gli ordini raccomandati dal sistema, ecc. Il software supporta l’automazione ma non necessariamente incoraggia una mentalità “mani libere” - è più un banco di lavoro del pianificatore. Inoltre, data la natura a pezzi della suite di BY, raggiungere l’automazione end-to-end potrebbe richiedere uno sforzo di integrazione significativo (assicurare che il piano della domanda fluisca al modulo di pianificazione della fornitura, che fluisca all’esecuzione senza intervento manuale può essere complicato). Quindi, sebbene tecnicamente fattibile, nella pratica i siti di Blue Yonder spesso hanno molta supervisione umana sui piani.

In sintesi, la capacità di automazione è presente in tutti gli strumenti principali in misura variabile, ma la filosofia e l’uso pratico differiscono. Lokad e Relex sono notevoli per spingere i limiti su una pianificazione veramente autonoma nei rispettivi settori (con Lokad che abilita “autopiloti della supply chain completamente scriptati” per settori vari, e Relex che lo fa nel settore del retail). I tradizionali grandi fornitori trattano l’automazione con maggiore cautela, lasciando spesso al pianificatore il compito delle decisioni finali. Questo è talvolta dovuto a questioni di fiducia - se le previsioni di un sistema non sono molto affidabili, gli utenti non lo lasceranno funzionare in modalità automatica. Sottolinea che l’automazione è valida solo quanto l’intelligenza che la supporta: una ragione fondamentale per cui sono necessari strumenti decisionali probabilistici è rendere l’automazione fattibile (il sistema deve prendere buone decisioni da solo). Nell’valutare i fornitori, le aziende dovrebbero chiedersi: Questo sistema può funzionare da solo per un mese e mantenere o migliorare le nostre prestazioni? Le migliori tecnologie si avvicinano a rispondere “sì” a quella domanda, mentre altre richiedono ancora fondamentalmente un monitoraggio manuale.

Scalabilità e Prestazioni: L’Architettura Conta

La pianificazione della supply chain deve spesso gestire big data (grandi numeri di SKU, negozi, ordini, segnali IoT, ecc.) e calcoli complessi (ottimizzazione attraverso molte variabili). L’architettura sottostante di ciascuna soluzione - che sia in-memory o distribuita, come gestisce l’aumento dei volumi di dati - influisce direttamente sulla sua scalabilità e prestazioni. Scelte architettoniche scadenti possono portare a prestazioni lente o costi hardware esorbitanti (o entrambi), specialmente man mano che un’azienda cresce. Punti chiave sulla scalabilità per i fornitori:

In-Memory vs. Distribuito: Un tema importante è la differenza tra soluzioni che caricano la maggior parte dei dati in RAM per una rapida computazione rispetto a quelle che utilizzano una computazione più distribuita e on-demand (stile cloud). Kinaxis, o9, Relex e SAP IBP hanno tutti un forte componente in-memory. Il motore di Kinaxis è stato costruito sull’idea che tutti i dati di pianificazione rilevanti siano memorizzati in memoria per il ricalcolo istantaneo - il che funziona bene fino a un certo punto, ma scalare oltre pochi terabyte di dati in memoria diventa estremamente costoso e tecnicamente impegnativo. O9 e Relex “garantiscono alti costi hardware” a causa del design in-memory ⁴ ⁷ - in pratica, l’utente paga per server o cluster molto grandi con una RAM massiccia. Questo approccio aveva meriti 10-20 anni fa quando la memoria era economica e le dimensioni dei dati più modeste, ma i prezzi della memoria si sono stabilizzati e la complessità dei dati è cresciuta, rendendo questa una strategia meno futuristica. Al contrario, Lokad è completamente basato su cloud e non richiede di mantenere tutti i dati in RAM. Sfrutta la computazione on-demand (ad esempio, elaborando i numeri in parallelo su molte macchine quando necessario, per poi rilasciarli). Ciò significa che può scalare a problemi molto grandi aggiungendo nodi di calcolo anziché colpire un limite di RAM di una singola macchina. Il design nativo del cloud di Lokad fa anche un ampio uso di disco e rete quando appropriato, allineandosi alle moderne tendenze dei big data (dove lo storage e il calcolo distribuiti, come i paradigmi map-reduce, gestiscono la scala).
Prestazioni su Larga Scala: I moduli più vecchi di Blue Yonder (come APO di SAP o il proprio legacy di JDA) a volte avevano difficoltà con grandi istanze di problema, richiedendo l’aggregazione o la segmentazione dei dati per essere eseguiti. Le nuove versioni cloud (BY Luminate) probabilmente hanno migliorato questo aspetto con una migliore gestione della memoria e forse uno scaling elastico, ma le prove sono scarse. SAP IBP utilizza HANA (DB columnare in-memory); può gestire grandi dati ma a un costo infrastrutturale molto elevato e spesso ha ancora bisogno di aggregare i dati a determinati livelli affinché le esecuzioni di pianificazione terminino tempestivamente. La pianificazione di Oracle utilizza un backend di DB relazionale che può scaricare alcuni dati su disco ma potrebbe essere più lento per calcolo (tuttavia, Oracle sfrutta il suo tuning del database). ToolsGroup ha tipicamente gestito set di dati di dimensioni medie (da migliaia a decine di migliaia di SKU) su server singoli; le prestazioni potrebbero degradare con un numero molto grande di SKU a meno che il calcolo sia attentamente limitato (ad esempio, concentrandosi sugli articoli di interesse). Si sono recentemente spostati verso offerte cloud che presumibilmente possono scalare, ma non è chiaro se gli algoritmi principali siano stati ristrutturati per il calcolo distribuito o semplicemente ospitati su grandi VM.
Approcci Fallati: Il difetto del “design in-memory” merita di essere sottolineato. Diversi fornitori hanno adottato l’approccio di modellare l’intera supply chain in un unico modello gigante residente in memoria (simile a un cubo OLAP o un gigantesco foglio di calcolo in memoria). Questo offre grande velocità per casi di piccole e medie dimensioni, ma non scala linearmente - non è facilmente distribuibile e l’aggiunta di più dati può causare un’esplosione combinatoria nei requisiti di memoria. Lo studio sui fornitori di Lokad lo sottolinea esplicitamente per o9 e Relex: il loro design “fornisce impressionanti report in tempo reale” ma intrinsecamente aumenta i costi hardware e non si integra bene con i problemi di ottimizzazione globali ⁷. Allo stesso modo, la letteratura di Kinaxis riconosce indirettamente limitazioni: ad esempio, la documentazione più vecchia di Kinaxis ha notato che i sistemi a 32 bit con ~4GB di RAM erano un fattore limitante un tempo, e sebbene ora i 64 bit permettano di avere di più, non è infinito ²². Il problema fondamentale è che i dati sono cresciuti più velocemente delle capacità di RAM. Se un rivenditore vuole pianificare a livello di negozio-SKU-giorno per 2.000 negozi e 50.000 SKU, ciò equivale a 100 milioni di serie temporali - un cubo in-memory di quella dimensione (con storico e periodi futuri) potrebbe spingere decine di miliardi di celle, il che è impraticabile. Un approccio distribuito che elabora negozio per negozio o partiziona in modo intelligente è più scalabile.
Concorrenza vs. Batch: Il punto di forza di Kinaxis è la concorrenza (tutto ricalcolato contemporaneamente in memoria). Questo è ottimo per un uso interattivo ma significa che è necessario avere il modello completo pronto in memoria. I sistemi orientati al batch (come un’esecuzione notturna di Lokad, o persino l’approccio di ToolsGroup) possono scalare dividendo il compito (ad esempio, prevedendo ogni SKU separatamente, che è parallelizzabile in modo imbarazzante). Lokad’s Envision, ad esempio, può suddividere i problemi in sottoproblemi che vengono eseguiti in parallelo sul cloud: si scambia l’interattività in tempo reale per la scalabilità e la potenza grezza. A seconda delle esigenze aziendali, uno o l’altro è preferibile. Ma se l’obiettivo è il miglior piano possibile, un processo batch che attraversa enormi spazi di scenario durante la notte potrebbe battere un calcolo in tempo reale semplificato.

Conclusione: Soluzioni come la piattaforma cloud di Lokad sono progettate per scalare in modo orizzontale e gestire volumi di big data senza colpire un muro, mentre le soluzioni incentrate sulla memoria (Kinaxis, o9, Relex, SAP) rischiano blocchi di scalabilità e costi in aumento man mano che la complessità dei dati cresce. Le aziende che valutano queste soluzioni dovrebbero considerare attentamente le dimensioni dei dati della catena di approvvigionamento e la traiettoria di crescita. È significativo che alcune nuove startup di pianificazione “AI” evitino consapevolmente i monoliti in memoria, utilizzando invece microservizi o framework di big data. Inoltre, una nota di cautela: l’ottimizzazione delle prestazioni spesso ricade sul team di implementazione: se un fornitore richiede una pesante aggregazione o potatura dei dati per far entrare il modello in memoria, è un segnale di allarme per la scalabilità. La tecnologia veramente scalabile gestirà dati granulari senza costringerti a semplificarli.

Integrazione tecnologica e acquisizioni: Piattaforme unificate vs. Suite Frankenstein

La storia di un fornitore - che abbia costruito la propria soluzione organicamente o si sia espanso tramite acquisizioni - influisce notevolmente sulla coerenza e integrazione della tecnologia. Quando una suite di pianificazione è composta da molti pezzi acquisiti, spesso si traduce in moduli diversi che utilizzano database, interfacce utente o addirittura linguaggi di programmazione diversi, rendendo il prodotto complessivo meno coeso. Abbiamo esaminato il background di ciascun fornitore:

Blue Yonder (JDA) è uno dei chiari esempi di crescita tramite acquisizioni. Nel corso degli anni, JDA ha acquisito Manugistics (per gli algoritmi di pianificazione della catena di approvvigionamento), i2 (anche se quella trattativa è fallita nel 2008), Intactix (per la pianificazione dello spazio al dettaglio), RedPrairie (per la gestione del magazzino) e la startup Blue Yonder (per la previsione AI/ML), tra gli altri. Ciò significa che la suite di soluzioni attuale di Blue Yonder è un patchwork: ad esempio, la pianificazione della domanda potrebbe essere il vecchio motore Manugistics, il soddisfacimento potrebbe essere qualcos’altro, l’ottimizzazione dei prezzi potrebbe provenire da un’altra acquisizione, ecc. Lo studio di Lokad ha osservato che “il software enterprise non è miscibile tramite M&A… sotto il marchio BY si trova una raccolta disordinata di prodotti” ¹⁴. Cerca di unificarli sotto la piattaforma “Luminate” con un’interfaccia utente comune e forse uno strato di dati comune in Azure, ma in fondo è difficile amalgamare tutti questi in un unico sistema fluido. I clienti spesso implementano solo alcune parti e farle comunicare può richiedere integrazioni personalizzate. Inevitabilmente sorgono delle incongruenze (ad esempio, un modulo potrebbe supportare la logica probabilistica mentre un altro no; uno utilizza un risolutore di ottimizzazione, un altro ne utilizza uno diverso). Lo stack tecnologico frammentato significa anche che pratiche contraddittorie possono coesistere nella stessa suite (ad esempio, una parte di BY potrebbe vantare ML avanzato, mentre un’altra parte utilizza ancora formule di stock di sicurezza di 20 anni fa).
SAP ha costruito in parte e acquisito in parte. In particolare, SAP ha acquisito SAF (un fornitore di previsioni) nel 2009, SmartOps (un fornitore di ottimizzazione dell’inventario) nel 2013 ¹⁷, e aveva anche sviluppato in precedenza APO in-house. Questi sono stati tutti integrati nell’offerta cloud di SAP Integrated Business Planning (IBP). Il risultato: SAP IBP ha diversi moduli (Previsione, Inventario, Approvvigionamento) che, pur essendo sotto lo stesso ombrello, a volte sembrano prodotti separati. La previsione potrebbe utilizzare algoritmi da SAF, l’ottimizzazione dell’inventario utilizza la logica di SmartOps. La revisione tra pari definisce la suite di SAP “una collezione di prodotti” e avverte che la complessità è elevata, richiedendo spesso “i migliori integratori - più alcuni anni - per ottenere successo” ²³. In altre parole, l’integrazione è lasciata al team di implementazione e può essere una lunga battaglia per far funzionare insieme tutte le parti in modo fluido.
Kinaxis, fino a poco tempo fa, era principalmente un costruito organico - il loro prodotto principale RapidResponse è stato sviluppato internamente nel corso di decenni. Questo gli ha conferito un’unità molto forte (un modello di dati, un’interfaccia utente). Tuttavia, negli ultimi 3-4 anni, Kinaxis ha effettuato alcune acquisizioni/partnership strategiche per colmare le lacune: ad esempio, ha stretto una partnership con Wahupa per l’ottimizzazione probabilistica dell’inventario ¹⁸, ha acquisito Rubikloud per la previsione basata sull’IA, e ha acquisito Prana (un fornitore di analisi della supply chain) nel 2021. Kinaxis integra queste attraverso la sua piattaforma estensibile (promuovono un’integrazione “no-code” tramite la loro interfaccia utente per queste nuove funzionalità), ma realisticamente si tratta di motori separati che vengono collegati. Ad esempio, MEIO di Wahupa potrebbe funzionare come un servizio collegato a RapidResponse piuttosto che come codice nativo al suo interno. Nel tempo, Kinaxis probabilmente li fonderà più strettamente, ma c’è sempre il rischio che diventi un componente aggiuntivo poco integrato (ad esempio, si forniscono dati sulla variabilità delle previsioni al motore di Wahupa e si ottengono livelli di stock di sicurezza - un po’ aggiunto). Rispetto ai fornitori con decine di acquisizioni, Kinaxis è ancora relativamente coeso, ma è importante osservare che non segua la strada di una suite Frankenstein.
o9 Solutions è per lo più costruito internamente dai suoi fondatori (ex dipendenti di i2). Si tratta di una piattaforma unica con moduli sviluppati sulla stessa base. o9 ha acquisito molto poco (una piccola acquisizione è stata una società di networking della supply chain, e una recente è stata una startup di AI/ML chiamata Processium, ma nulla di rilevante in termini di algoritmi di pianificazione). Pertanto, lo stack tecnologico di o9 è più unificato rispetto ai concorrenti più vecchi - tutto si basa sul Grafo della Conoscenza Aziendale di o9 e utilizza lo stesso framework UI. Questo è un vantaggio in termini di coerenza (nessuna duplicazione degli schemi di database, ecc.). Il lato negativo è che se una parte del loro tecnologia è debole, non hanno una soluzione facile tramite acquisizione - devono svilupparla. Finora, sono riusciti con lo sviluppo interno, anche se con le limitazioni che abbiamo discusso (come possibili tecniche di previsione piuttosto banali sotto il cofano).
ToolsGroup è cresciuto principalmente in modo organico intorno al suo prodotto SO99+. Non hanno effettuato grandi acquisizioni di altri fornitori di pianificazione che conosciamo. Di conseguenza, i loro moduli di previsione della domanda, ottimizzazione dell’inventario e rifornimento sono stati progettati insieme. Questo porta a un’applicazione coerente seppur un po’ monolitica. La sfida per ToolsGroup era la modernizzazione - la loro architettura e UI erano datate entro gli anni 2010, ma da allora hanno fatto sforzi per passare al cloud e aggiornare l’interfaccia. Tuttavia, essere coesi è una delle ragioni per cui ToolsGroup è relativamente diretto: fa una cosa (ottimizzazione del livello di servizio) da un’estremità all’altra senza la necessità di collegare altri strumenti.
Relex Solutions ha anche costruito la sua piattaforma da zero specificamente per il settore al dettaglio. Hanno acquisito un paio di aziende in settori adiacenti (di recente una soluzione di gestione della forza lavoro e di pianificazione dello spazio del negozio), ma il loro motore di previsione e rifornimento di base è di produzione interna. Questo nucleo è unificato (il che spiega perché possono mostrare all’utente qualsiasi metrica in tempo reale, poiché tutti i dati sono nello stesso database in memoria). Le acquisizioni in nuovi settori potrebbero introdurre alcune discontinuità di integrazione, ma Relex è ancora lontano dalla frenesia di acquisizioni dei fornitori più anziani.

Il problema chiave con le suite frammentate non è solo il sovraccarico tecnico, ma anche la mancata allineamento funzionale: se un modulo è stato progettato per un approccio (ad esempio, pianificazione deterministica con scorte di sicurezza) e un altro modulo assume input probabilistici, possono entrare in conflitto. Ad esempio, un modulo di ottimizzazione dell’inventario da un’acquisizione potrebbe calcolare scorte di sicurezza che un modulo di pianificazione della domanda da un’altra acquisizione non sa come gestire nella sua interfaccia utente, portando a confusione o a inserimenti duplicati di dati. Infatti, abbiamo visto casi in cui i fornitori promuovono previsioni probabilistiche nel marketing, ma il loro modulo di pianificazione delle vendite e delle operazioni continua a monitorare MAPE e utilizza previsioni di consenso a numero singolo - una contraddizione interna probabilmente derivante da diverse linee di prodotto.

Al contrario, un fornitore con una piattaforma coerente può implementare cambiamenti (come il passaggio a metodi probabilistici) in modo più semplice. È significativo che Lokad, che è completamente unificato (hanno costruito tutto intorno al loro linguaggio Envision e al backend cloud), possa concentrare chiaramente il suo messaggio sull’ottimizzazione probabilistica senza contraddizioni interne. Allo stesso modo, Anaplan (una piattaforma di pianificazione generale) è molto unificata tecnicamente (un motore Hyperblock), anche se mancano algoritmi specializzati per la supply chain; la coerenza di Anaplan è ottima, ma la sua specializzazione è limitata ²⁴.

Pertanto, da un punto di vista tecnologico, gli acquirenti dovrebbero essere cauti riguardo alle suite nate da molte fusioni - chiedere se il modulo di previsione e il modulo di pianificazione condividono veramente lo stesso motore o modello di dati. Se non è così, il risultato potrebbe essere dolore da integrazione e potenzialmente output contraddittori.

Credibilità tecnica: Tagliare l’hype di AI/ML

In un’epoca in cui ogni fornitore sostiene di avere una “supply chain guidata dall’AI” e “previsioni di machine learning”, è essenziale scrutinare come sostengono queste affermazioni. Cerchiamo prove tecniche tangibili di tecniche avanzate - come ricerca peer-reviewed, algoritmi proprietari documentati, contributi open-source o prestazioni in benchmark neutrali. Controlliamo anche abuso di parole di moda - chiamare qualcosa AI che è solo una regola if-else, ad esempio. Ecco come si comportano i fornitori:

Lokad dimostra un’elevata credibilità tecnica. Non si limita a dichiarare l’AI; pubblica contenuti che spiegano i suoi algoritmi (ad esempio, una lezione dettagliata su come ha funzionato il loro modello di previsione vincitore M5 ²⁵). Il CEO dell’azienda e il team partecipano a discussioni tecniche (attraverso blog, lezioni) su perché vengono scelti determinati approcci (come l’ensemble di previsioni quantili o l’uso di pinball loss per l’addestramento). Ammettono anche apertamente i limiti di competizioni come M5 e come i veri problemi della supply chain differiscono ²⁶ ²⁷ - questa sfumatura indica una mentalità ingegneristica seria piuttosto che chiacchiere di marketing. Inoltre, l’innovazione principale di Lokad, il linguaggio di programmazione Envision, è un artefatto tecnico unico - non è solo un ML generico, ma un linguaggio specifico del dominio creato per l’ottimizzazione della supply chain ²⁸. Si tratta di un pezzo di tecnologia concreto che gli esterni possono valutare (e alcune parti sono documentate pubblicamente). Lokad non si basa su citazioni di analisti pagati; invece, invita alla revisione paritaria dei suoi metodi. Questa apertura e il focus sulla scienza piuttosto che sugli slogan stabiliscono uno standard d’oro per la credibilità.
Blue Yonder, d’altra parte, tende a utilizzare un linguaggio vago sull’AI, come “incorporare l’AI/ML nella nostra piattaforma Luminate” senza dettagliare le tecniche o i modelli utilizzati. Lo studio dei fornitori di Lokad chiama esplicitamente in causa il fatto che le affermazioni sull’AI di Blue Yonder hanno “poco o nessun fondamento,” e i pochi artefatti disponibili suggeriscono un ricorso a metodi di previsione vecchio stile (ARMA, regressione) ¹⁵. Ad esempio, BY potrebbe dire “utilizziamo l’AI per percepire spostamenti nella domanda,” ma se in realtà sta utilizzando una regressione lineare sulle vendite recenti (una tecnica di decenni fa), questo è un abuso del termine AI. La presenza di progetti open source come tsfresh (estrazione di caratteristiche delle serie temporali) è effettivamente un punto a favore di BY in termini di trasparenza, ma quei progetti stessi sono strumenti generici ben noti, non innovazioni proprietarie. La mancanza di risultati o competizioni pubblicati dai team di data science di BY suggerisce ulteriormente che le loro affermazioni siano più incentrate sul marketing. In breve, Blue Yonder non ha fornito prove tecniche convincenti a sostegno del suo pesante marchio AI - un campanello d’allarme per la credibilità.
o9 Solutions solleva simili dubbi. Commercializzano il concetto di un Grafo della Conoscenza Aziendale (EKG) come elemento differenziante, implicando che si tratti di una forma di AI che cattura le relazioni nei dati. Sebbene i database a grafo siano utili, non c’è nulla di intrinsecamente “geniale nella previsione” nel memorizzare i dati come un grafo - sono gli algoritmi che contano. Lo studio di Lokad nota che le affermazioni di previsione di o9 riguardo al grafo sono sostenute dalla letteratura scientifica ²⁹. Inoltre, il GitHub di o9 (se si scava) non ha rivelato algoritmi rivoluzionari, e il loro discorso sull’AI spesso si riduce a capacità generiche (come “analisi avanzata” o “previsione ML”) che molti altri hanno anche. Utilizzano termini di moda (“cervello digitale”, “AI/ML”, “grafo della conoscenza”) ma senza validazione esterna. Fino a quando o9 non pubblicherà, ad esempio, un white paper su come i loro modelli ML superano gli altri, o fino a quando non verrà documentato un caso cliente con dati rigorosi, è più sicuro assumere che l’AI di o9 sia per lo più enfatizzata - forse modelli ML standard (reti neurali, boosting del gradiente, ecc.) avvolti in un buon marketing. Notiamo anche che nella comunità della supply chain, concetti di AI veramente innovativi (come il deep reinforcement learning per l’ottimizzazione della supply chain, o modelli probabilistici innovativi) di solito vengono discussi in forum accademici o aperti - non abbiamo visto o9 presentarsi in quelli, il che suggerisce una mancanza di tecnologia unica.
Kinaxis è stata relativamente misurata nel suo marketing: non utilizza troppo spesso “AI” in ogni frase, il che in un certo senso è positivo (meno esagerazioni). Tuttavia, man mano che integrano partner AI, hanno iniziato a evidenziarlo di più. Un buon segno: il post del blog scritto insieme al CEO di Wahupa ³⁰ ³¹ che discute dei metodi probabilistici vs statistici mostra che Kinaxis è disposta ad approfondire la scienza (menzionando la teoria della probabilità, la presa di decisioni in condizioni di incertezza, ecc.). Questo indica che stanno cercando di fondare le loro offerte su una metodologia solida. Tuttavia, Kinaxis deve ancora dimostrare i risultati di quei metodi. Ad esempio, non hanno ancora pubblicato “il nostro nuovo forecasting ML ha migliorato l’accuratezza del X% rispetto al nostro vecchio approccio” con dettagli, probabilmente perché lo stanno ancora integrando. Quindi la credibilità di Kinaxis è in transizione: storicamente non ha mai dichiarato di essere un leader tecnologico nel forecasting (quindi non si è travisata), e ora che dichiara di avere analisi avanzate, dobbiamo aspettare le prove. Il partenariato con Wahupa almeno mostra un riconoscimento che era necessaria competenza esterna - il che è credibile (non hanno fatto finta di aver padroneggiato il probabilistico; hanno portato uno specialista).
ToolsGroup ha purtroppo minato la propria credibilità salendo sul treno delle parole di moda legate all’AI senza supportarle. Il commento dello studio che le loro affermazioni sull’AI sono “dubbie” e che i materiali pubblici fanno ancora riferimento a modelli pre-2000 è significativo ¹¹. Suggerisce che ToolsGroup potrebbe fare poco più che rinominare le funzionalità esistenti come “AI”. Ad esempio, ToolsGroup potrebbe pubblicizzare “AI per la rilevazione della domanda” - a seguito di un’indagine, potrebbe trattarsi semplicemente di una regola che attribuisce maggiore peso alle vendite recenti (che non è AI, è solo un aggiustamento algoritmico). Senza dettagli pubblicati, è difficile dargli il beneficio del dubbio. La loro credibilità era più forte nei primi anni 2000 quando erano genuinamente in anticipo nei modelli di inventario probabilistico; ora soffre di possibile stagnazione.
SAS (che non abbiamo classificato al top ma è nella lista) è un caso in cui la credibilità tecnica è generalmente alta (SAS ha una lunga storia nelle statistiche), ma il rovescio della medaglia è che la loro tecnologia di base è più datata. I metodi di forecasting di SAS sono ben documentati (hanno letteralmente scritto il libro su molti metodi statistici), ma questo significa anche che potrebbero non incorporare le ultime tecniche di machine learning a meno che non si faccia un lavoro personalizzato in SAS. Lo studio di Lokad riconosce SAS come un pioniere, sebbene ora superato da strumenti open-source come i notebook Python ³². SAS di solito non esagera - si basa sulla propria reputazione - ma come soluzione per la supply chain, vengono utilizzati meno comunemente fuori dallo scaffale (più spesso, un’azienda utilizza SAS per costruire una soluzione personalizzata).
Osservazione generale: Un modo rapido per testare la sincerità tecnica di un fornitore è vedere se talvolta riconosce le limitazioni o gli appropriati casi d’uso della propria tecnologia. I fornitori profondamente immersi nella modalità di marketing affermeranno che la loro AI risolve tutto. Quelli con una tecnologia reale diranno “ecco cosa fa e qui potrebbe non funzionare altrettanto bene”. Ad esempio, Lokad discute frequentemente come certi modelli non funzionino per certi tipi di domanda (come perché alcuni approcci falliscono per la domanda intermittente, ecc.), mostrando onestà intellettuale ²⁷ ³³. Troviamo pochi fornitori oltre a Lokad disposti a avere quella conversazione pubblica sfumata. La maggior parte degli altri si attiene a generalità rosee, il che dovrebbe rendere un cliente avveduto cauto.

In conclusione, prove tangibili di forza tecnica - come classifiche di competizione, blog tecnici dettagliati o anche discussioni nella comunità degli utenti - sono scarse per molti fornitori di fama. Lokad è in testa nel fornire prove (vittoria M5, spiegazioni aperte). Altri come Blue Yonder e o9 forniscono hype con accenni a tecnologie datate, il che mette in dubbio la loro rivoluzione “AI” dichiarata ¹⁶. Un potenziale acquirente dovrebbe esigere che i fornitori spieghino in termini concreti come funzionano i loro algoritmi e perché sono migliori - e stare in guardia se la risposta è solo un insieme di parole di moda. Il vero valore di AI/ML nella supply chain dovrebbe essere dimostrabile (ad esempio, “utilizziamo alberi potenziati dal gradiente per catturare driver di domanda non lineari come il meteo e abbiamo dimostrato un miglioramento del 5% rispetto alla base su 1000 SKU” - una dichiarazione di quel tipo è più convincente rispetto a “la nostra AI trova pattern nascosti nei tuoi dati”).

Coerenza e Contraddizioni negli Approcci dei Fornitori

Un segno rivelatore di innovazione superficiale è quando il messaggio o la metodologia di un fornitore contiene contraddizioni interne. Abbiamo cercato tali contraddizioni - ad esempio, predicare sull’incertezza ma misurare il successo con metriche deterministiche, o affermare di eliminare vecchie pratiche pur continuando a utilizzarle dietro le quinte. Alcuni risultati degni di nota:

Metriche Probabilistiche vs Deterministiche: Come già detto, ToolsGroup è colpevole di questo - pubblicizzando la capacità di previsione probabilistica e mostrando i risultati in termini di riduzione dell’errore percentuale medio assoluto (MAPE) ¹³. Il MAPE è una metrica di errore di previsione a punto; se stai veramente facendo previsioni probabilistiche, parleresti di calibrazione, log-likelihood probabilistica, perdita di pinball (per quantili), o almeno livello di servizio raggiunto. Aggrappandosi al MAPE, ToolsGroup contraddice essenzialmente la sua narrazione probabilistica. Questa inconsistenza suggerisce che il loro output “probabilistico” sia solo una previsione deterministica trasformata o sia un sovrapposizione di marketing non pienamente abbracciata dal loro R&D.
Hype sul Demand Sensing: Molti fornitori utilizzano il termine “demand sensing” per implicare di avere una qualche previsione a breve termine speciale che cattura le ultime tendenze (come utilizzare vendite molto recenti o segnali esterni). ToolsGroup, SAP e GAINSystems hanno tutti utilizzato questo termine. Lo studio evidenzia che queste affermazioni di “demand sensing” sono spesso “vaporware” non supportato dalla letteratura ³⁴. Se un fornitore afferma “la nostra AI percepisce i cambiamenti nella domanda 3 mesi prima”, ma non riesce a spiegare come (e nessuna ricerca peer-reviewed conferma che una cosa del genere sia anche possibile in modo affidabile), è un campanello d’allarme. L’incoerenza sorge quando lo stesso fornitore utilizza ancora un modello di serie temporale di base sotto il cofano. Fondamentalmente, prendono una previsione standard di smoothing esponenziale, poi aggiungono un aggiustamento dell’ultima settimana e lo chiamano “sensing”. La contraddizione: dipingere una piccola modifica come una svolta.
Utilizzo di KPI Deterministici: Fai attenzione se i case study o l’interfaccia di un fornitore ruotano ancora attorno a KPI deterministici come MAPE, bias o segnale di tracciamento, anche se affermano di essere completamente incentrati sull’AI/ML. Ad esempio, se un fornitore esalta il machine learning ma la loro demo mostra pianificatori che lavorano per migliorare il MAPE della previsione o utilizzano la segmentazione ABC per impostare le scorte di sicurezza, ciò è incoerente. Una pianificazione probabilistica guidata da ML autentica sposterebbe il focus su cose come costo atteso, probabilità di esaurimento scorte o altre misure stocastiche - non MAPE tradizionali o classificazioni ABC (che presuppongono una categorizzazione della domanda prevedibile e statica). Abbiamo osservato questo tipo di personalità divisa in alcuni manuali utente di grandi fornitori: un capitolo parla del nuovo modulo AI, ma un altro capitolo istruisce ancora l’utente a regolare i parametri ARIMA o le regole delle scorte di sicurezza.
Filosofia delle scorte di sicurezza: Una significativa contraddizione filosofica è rappresentata dai fornitori che parlano di gestione dell’incertezza ma che ancora centrano il loro processo sul “safety stock”. Il concetto di safety stock è radicato in una previsione deterministica + un buffer. In un quadro completamente probabilistico, si dovrebbe invece calcolare direttamente un livello ottimale di scorte dalla distribuzione della domanda e dagli obiettivi di servizio (che fonde efficacemente “base” e “safety” in una decisione unica). Se un fornitore afferma “ottimizziamo le scorte con l’AI”, chiedi se l’utente deve ancora inserire “livello di servizio desiderato” per calcolare le scorte di sicurezza utilizzando le ipotesi della distribuzione normale. Se sì, non si sono davvero evoluti - stanno solo vestendo con un nuovo linguaggio il vecchio calcolo delle scorte di sicurezza. Ad esempio, l’ottimizzazione delle scorte di Blue Yonder (storicamente) calcolava le scorte di sicurezza in base alla varianza e agli obiettivi di servizio - questo non è fondamentalmente un’ottimizzazione probabilistica; è un’applicazione di una formula. Fornitori come Lokad rifiutano esplicitamente il termine “safety stock” come obsoleto, poiché in un’ottimizzazione stocastica vera si considera tutta la merce come servente la distribuzione di probabilità della domanda, non una porzione designata “safety”. Quindi, se un fornitore promuove la “pianificazione di nuova generazione” ma la guida alla soluzione ti fa mantenere le impostazioni delle scorte di sicurezza, si tratta di un problema di coerenza.
Magia dell’AI vs. Controllo dell’utente: Alcuni fornitori affermano contemporaneamente “la nostra AI guiderà autonomamente la tua supply chain” e “diamo agli utenti pieno controllo e visibilità nel processo di pianificazione”. C’è un equilibrio da trovare, ma affermazioni troppo ampie possono entrare in conflitto. Se l’AI è veramente autonoma, l’utente non dovrebbe aver bisogno di monitorarla costantemente; se l’utente deve apportare costantemente modifiche, allora non è veramente autonoma. Spesso il marketing vuole promettere entrambi (“autopilota E sovrascrittura manuale!”) ma nella realtà una soluzione tende a pendere da un lato o dall’altro. Non facciamo nomi specifici di fornitori qui, ma abbiamo notato promesse generiche di automazione completa accompagnate da screenshot di dozzine di parametri di pianificazione che gli utenti devono configurare - un po’ un messaggio misto.

Nella nostra ricerca, un chiaro esempio di affrontare le contraddizioni è rappresentato da come Lokad si posiziona rispetto al mainstream. Lokad critica esplicitamente misure come il MAPE e concetti come le scorte di sicurezza nei suoi contenuti educativi, allineando di conseguenza la sua metodologia (utilizzando metriche probabilistiche e calcolando direttamente le decisioni) ¹³ ³³. Al contrario, fornitori come GAINSystems affermano di essere orientati all’ottimizzazione ma ancora evidenziano cose come il sensing della domanda e gli algoritmi di matching che provengono da ere precedenti ³⁴ - cavalcano effettivamente due cavalli. John Galt Solutions afferma che un algoritmo di previsione proprietario batte tutti gli altri, ma è assente nelle classifiche indipendenti e probabilmente non migliore dell’open-source secondo la revisione tra pari ²⁰, che rappresenta una contraddizione tra affermazione e evidenza.

Per concludere, quando si valutano i fornitori, è importante verificare la coerenza interna: stanno mettendo in pratica ciò che predicano? Se un fornitore parla molto di incertezza e ottimizzazione, i loro materiali non dovrebbero glorificare contemporaneamente metriche deterministiche o metodi semplicistici. Le incongruenze spesso indicano che il “nuovo pensiero” è solo superficiale.

Pratiche obsolete: Segnali di pianificazione obsoleta

La pianificazione della supply chain è evoluta e alcune pratiche una volta standard sono ora considerate obsolete o subottimali date le capacità moderne. Identificare se un fornitore si affida ancora a tali pratiche può essere significativo. Ecco alcune pratiche obsolete (o almeno “vecchia scuola”) e come si collocano i fornitori:

Stock di sicurezza come stampella: Come discusso, trattare lo stock di sicurezza come un cuscinetto separato aggiunto a una previsione è un approccio più vecchio. Non è che lo stock di sicurezza sia “cattivo” - hai sempre bisogno di un buffer per la variabilità - ma i metodi moderni incorporano direttamente la variabilità. Se il metodo principale di un fornitore è “previsione utilizzando il lisciamento, quindi calcolare lo stock di sicurezza = z-score * sigma * radice quadrata del tempo di conduzione”, quella è ancora la teoria degli anni ‘60 in gioco. Slimstock’s Slim4, ad esempio, utilizza con orgoglio tali formule mainstream (stock di sicurezza, EOQ) e lo dichiara apertamente ³⁵. Slimstock ottiene effettivamente credito per l’onestà: si concentra su “praticità mondane ma critiche” anziché fingere di utilizzare l’IA ³⁶. Ma da una prospettiva di leadership tecnologica, quelle pratiche sono datate. Lokad e Wahupa (partner di Kinaxis) sosterrebbero un passaggio al calcolo diretto dei punti/quantità di riordino ottimali da modelli probabilistici, eliminando la separazione artificiale tra “stock di ciclo vs stock di sicurezza”. Molti strumenti legacy (SAP, Oracle, vecchi JDA) si affidano ancora ai parametri dello stock di sicurezza ovunque. Questo è un segnale di allarme che la loro matematica sottostante non è cambiata molto. Un sistema veramente basato sull’ottimizzazione ti consentirebbe di inserire il costo dello stock rispetto al costo della mancanza e quindi risolvere la politica - senza mai chiamare esplicitamente nulla “stock di sicurezza”, semplicemente restituendo un livello di stock ottimale per articolo.
MAPE e metriche deterministiche: Concentrarsi su MAPE, bias, ecc., come misura principale del successo può essere considerato obsoleto, perché queste metriche non correlano direttamente con i risultati aziendali (puoi avere un basso MAPE ma un livello di servizio scadente, ad esempio) e ignorano l’incertezza. Approcci più recenti favoriscono metriche come la perdita del flipper (perdita quantile) per le previsioni o metriche di costo atteso per i piani. Se i criteri di successo di un fornitore nei casi di studio sono “abbiamo migliorato l’accuratezza della previsione dal 70% all'80% MAPE”, sono un po’ bloccati nel passato. L’enfasi di John Galt sulle rivendicazioni di accuratezza della previsione è un po’ in questa direzione (e è stata messa in discussione dai colleghi) ²⁰. Una mentalità moderna sarebbe “abbiamo ridotto le mancanze di magazzino del X% o l’inventario del Y% per lo stesso livello di servizio” - questo è basato sui risultati, non solo sul MAPE.
Segmentazione euristica (ABC, XYZ): I processi di pianificazione più vecchi spesso segmentano gli articoli per volume (ABC) o variabilità (XYZ) e applicano diversi parametri di pianificazione a ciascun gruppo. Questa è un’euristica per far fronte alla limitata potenza di calcolo o ai modelli semplicistici - trattare gli articoli A con un approccio (forse più focalizzato sul manuale) e gli articoli C con un altro (forse regole min-max). Anche se la segmentazione può ancora essere utile, è un po’ obsoleta se hai la potenza di calcolo per ottimizzare ogni SKU individualmente e continuamente. Un sistema che enfatizza fortemente la classificazione manuale ABC o ti obbliga a classificare la domanda come “a grumi vs liscia” ecc., potrebbe utilizzare ciò come stampella per non avere algoritmi che gestiscano automaticamente in modo robusto diversi modelli di domanda. Molti sistemi legacy (e persino alcuni più recenti) fanno ancora questo. Idealmente, un sistema basato sull’IA imparerebbe automaticamente il modello per SKU e non avrebbe bisogno di un umano per classificarlo.
Sovrascritture manuali delle previsioni come routine: La pianificazione della domanda tradizionale si aspetta che gli utenti sovraffidino regolarmente le previsioni statistiche basandosi sul giudizio (informazioni di marketing, ecc.). Anche se il contributo umano è prezioso, se l’accuratezza di un sistema è così bassa che i pianificatori devono rivedere molte previsioni ad ogni ciclo, quel sistema è essenzialmente un approccio legacy. I sistemi moderni mirano a ridurre al minimo le sovrascritture incorporando più dati (così il modello già “sa” che il marketing sta facendo una promozione, ad esempio). Un fornitore che sottolinea ancora quanto sia facile per gli utenti regolare manualmente le previsioni potrebbe indicare che il loro algoritmo non può essere affidato “out-of-the-box”. La tendenza è verso sovrascritture basate solo su eccezioni.
Affidamento sui fogli di calcolo: Se scopri che la soluzione di un fornitore spinge spesso gli utenti a esportare i dati su Excel per l’analisi finale o utilizza Excel come interfaccia (alcuni strumenti di fascia media lo fanno), questo è un segno di una soluzione immatura. Gli strumenti leader forniscono tutte le analisi necessarie e il supporto decisionale all’interno della piattaforma. (Anaplan è interessante in questo senso: è essenzialmente un foglio di calcolo cloud su steroidi, quindi in un certo senso abbraccia il paradigma del foglio di calcolo ma in un ambiente controllato e multiutente - questo è contemporaneamente moderno e vecchia scuola).

Dai dati che abbiamo raccolto: Slimstock utilizza intenzionalmente metodi più vecchi ma provati (stock di sicurezza, EOQ) ³⁵ - sono onesti, il che è lodevole, ma quei metodi sono discutibilmente obsoleti di fronte all’ottimizzazione probabilistica. GAINSystems (un fornitore meno conosciuto ma di lunga data) sembra anche attenersi a modelli di previsione classici e persino le loro caratteristiche di ML pubblicizzate (come “matching and clustering”) sono tecniche pre-2000 ³⁴, suggerendo che non c’è molto di nuovo sotto il cofano. La recensione di Lokad su GAINSystems etichetta esplicitamente quelle come vaporware, indicando che vedono quei metodi come obsoleti o inefficaci nella pratica ³⁴.

Blue Yonder e SAP portano avanti molte eredità - ad esempio, il default di SAP in molte implementazioni è ancora quello di utilizzare ABC per impostare diversi livelli di stock di sicurezza o di utilizzare previsioni di media mobile semplice per valori bassi. Se il loro nuovo “IBP con machine learning” non rivede quei fondamenti, allora sono essenzialmente vino legacy in una nuova bottiglia.

La presenza di metriche contraddittorie (come parlare di innovazione ma utilizzare MAPE) che abbiamo già trattato come inconsistenza, ma è anche evidenza di attaccamento a vecchie metriche.

In conclusione, se un’azienda è alla ricerca della soluzione più avanzata, dovrebbe essere cauta con qualsiasi fornitore la cui soluzione ruoti ancora attorno ai parametri di stock di sicurezza, regole di segmentazione ABC e percentuale di accuratezza delle previsioni come principale KPI. Questi sono segni che la soluzione è radicata nelle pratiche del secolo scorso. Invece, cercare fornitori che enfatizzino livelli di servizio, costi e probabilità - il linguaggio della moderna scienza della supply chain.

Pianificazione orientata alle decisioni: Dalle previsioni alle azioni

Infine, valutiamo se ciascun fornitore produce semplicemente previsioni o aiuta effettivamente gli utenti a prendere decisioni ottimizzate basate su quelle previsioni. L’obiettivo finale nella supply chain non è una bella previsione - è prendere le azioni corrette (ordinare, mettere in stock, pianificare) per massimizzare il servizio e minimizzare i costi. Definiamo una soluzione “orientata alle decisioni” se produce direttamente raccomandazioni come quantità di ordine, piani di produzione o obiettivi di inventario e se tali output sono ottimizzati date le previsioni e i vincoli/costi rilevanti. Ecco come i fornitori si confrontano:

Lokad è estremamente orientato alle decisioni. Infatti, spesso minimizzano l’importanza della previsione stessa, insistendo sul fatto che ciò che conta è la decisione (una filosofia implicita del tipo “la previsione è buona solo se porta a una buona decisione”). Utilizzando Envision di Lokad, non ci si ferma alla previsione della domanda; il tipico flusso di lavoro di Lokad calcolerà, ad esempio, il profitto atteso o la penalità per varie decisioni candidate (come ordinare 100 unità vs 200 unità) sotto la previsione probabilistica, per poi scegliere la decisione che massimizza l’esito atteso. L’output per l’utente non è “la domanda sarà di 120” ma piuttosto “ordinare 130 unità” (ad esempio), insieme alla motivazione (ad es. questa quantità bilancia il rischio di esaurimento scorte vs sovrastoccaggio data la distribuzione della previsione e i tuoi parametri di costo). Questa è vera analisi prescrittiva o centrata sulle decisioni. Lokad garantisce così che la previsione alimenti direttamente l’esecuzione. Considera persino i vincoli (come MOQ, shelf life, limiti di budget) nell’ottimizzazione. Quindi, Lokad soddisfa chiaramente il requisito per trasformare le previsioni in azioni.
ToolsGroup ha anche un’orientamento alle decisioni, in particolare per le decisioni di inventario e di rifornimento. Il suo strumento SO99+ non si limita a fare previsioni; raccomanda livelli di stock e punti di riordino che raggiungono gli obiettivi di livello di servizio. In pratica, un’implementazione di ToolsGroup produrrà per ciascun SKU: “dovresti mantenere X unità di stock di sicurezza e riordinare quando l’inventario scende a Y, il che implica un ordine di Z unità ora”. Quella è una decisione (quantità di riordino) derivata dalla previsione. Quindi ToolsGroup si è sempre concentrato sull’output prescrittivo, non solo predittivo. Il limite è il tipo di decisione: riguarda principalmente le politiche di inventario (hanno anche un’ottimizzazione della pianificazione della produzione, ma il loro punto di forza è la distribuzione). Inoltre, le raccomandazioni di ToolsGroup sono valide solo se il modo in cui viene modellata l’incertezza della previsione è corretto (cosa che abbiamo criticato). Ma merito dove merito: ToolsGroup non si aspetta che l’utente prenda una previsione e decida manualmente un ordine; automatizza quel calcolo.
Blue Yonder e altre suite legacy spesso separano la previsione dai moduli di pianificazione. Ad esempio, BY Demand fornisce una previsione, quindi BY Supply (o Fulfillment) prende quella previsione e calcola i piani. In un’implementazione integrata, sì, il risultato finale è una raccomandazione decisionale (come un piano di produzione principale o un piano di distribuzione). Blue Yonder offre anche moduli completi di ottimizzazione della pianificazione - ad esempio, il loro modulo Fulfillment raccomanderà come rifornire i DC da un magazzino centrale (è effettivamente un motore DRP che utilizza previsioni e dati disponibili per creare ordini pianificati). Il loro modulo di Pianificazione della produzione può creare una sequenza o un programma di produzione ottimizzato. Quindi, BY come suite copre le decisioni, ma quanto ottimali o integrate siano quelle decisioni dipende dal fatto che tutte le parti siano implementate e tarate. Storicamente, una critica era che l’output di un modulo non era sempre ottimale per il successivo (ad esempio, se la previsione non tiene conto dei vincoli che la pianificazione della fornitura colpirà, si ottengono piani non fattibili). Un approccio veramente orientato alle decisioni considererebbe quei vincoli al momento della previsione o in un’ottimizzazione unificata. Il nuovo messaggio di Blue Yonder di “supply chain autonoma” implica che vogliono chiudere il cerchio (dalla previsione alla decisione automaticamente), ma data la miscela di tecnologie, non è chiaro quanto sia fluido.
Kinaxis è molto orientato alle decisioni/risultati nel senso che il suo scopo principale è generare piani operativi (piani di approvvigionamento, proiezioni di inventario, ecc.) rapidamente. L’utente generalmente lavora con quei piani e può confermare o regolare decisioni (come accelerare un ordine o riallocare l’approvvigionamento). Con il nuovo MEIO di Kinaxis, ora ottimizza esplicitamente un insieme di decisioni: i buffer di inventario (cioè, Kinaxis può ora raccomandare livelli di stock di sicurezza bilanciando denaro contro servizio ³⁷). In precedenza, Kinaxis ti avrebbe permesso di simulare diversi stock di sicurezza e vedere i risultati, ma non necessariamente dirti il migliore; con MEIO probabilistico cerca di trovare il migliore matematicamente. Per altre aree (come la pianificazione della produzione e della distribuzione), Kinaxis utilizza euristici o ottimizzazione sotto il cofano (ha alcuni risolutori di ottimizzazione per la pianificazione e l’allocazione) - ma gran parte della potenza di Kinaxis è nella simulazione piuttosto che nell’ottimizzazione rigorosa. Cioè, può simulare il risultato di una decisione dell’utente estremamente velocemente, ma spesso lascia la scelta dello scenario da seguire all’umano. In sintesi, Kinaxis produce un insieme completo di azioni consigliate (come ordini pianificati, ripianificazioni) in tempo quasi reale - decisamente supporto decisionale - ma non sceglie sempre automaticamente il piano “ottimale” senza l’input umano, tranne in funzionalità specifiche come MEIO o quando il piano è ovvio (ad es. propagherà la domanda ai requisiti di approvvigionamento in modo deterministico).
o9 Solutions è simile orientato a produrre piani (che sono insiemi di decisioni) in termini di domanda, approvvigionamento, inventario, ecc. o9 ha motori di ottimizzazione per certi problemi - ad esempio, la pianificazione dell’approvvigionamento con la programmazione lineare per minimizzare i costi o massimizzare il profitto date le restrizioni. Fa parte del loro concetto di “cervello digitale” che troverà un’allocazione ottimale delle risorse. Tuttavia, non tutti i clienti di o9 lo utilizzano in modo ottimizzato; alcuni potrebbero semplicemente utilizzare la piattaforma per la pianificazione collaborativa (che potrebbe essere essenzialmente decisioni manuali ma con una migliore visibilità dei dati). La domanda è se o9 supporta nativamente l’ottimizzazione delle decisioni probabilistiche? Probabilmente non fortemente; potrebbe fare analisi degli scenari (“se produciamo il 10% in più, qual è il risultato?”) ma non necessariamente calcolare un valore atteso tra gli scenari. Quindi, orientato alle decisioni sì (ti fornisce piani di catena di approvvigionamento consigliati), ma ottimale in presenza di incertezza, non chiaramente.
Relex Solutions essendo focalizzato al dettaglio, il suo output principale sono ordini di negozio o DC e obiettivi di inventario. Relex fa un buon lavoro nel produrre direttamente quelle decisioni (funziona essenzialmente come un sistema di rifornimento automatico dato il forecast e i parametri). Può anche ottimizzare cose come allocazione dello spazio sugli scaffali rispetto all’inventario (con il suo approccio più recente alla pianificazione unificata e alla pianificazione dello spazio), che è un compromesso decisionale unico nel settore del dettaglio (ad es. se lo spazio è limitato, come bilanciare l’inventario rispetto all’assortimento). Le decisioni di Relex sono principalmente guidate da regole impostate dall’utente (come obiettivi di livello di servizio o giorni di fornitura), ma il sistema si occupa dei calcoli per produrre gli ordini effettivi che rispettano tali regole. È certamente orientato alle decisioni (non dice solo “il forecast di questa settimana è di 100 unità” - dice al rivenditore di ordinare altre 50 unità ora perché lo stock attuale è di 50 e il forecast è di 100 e il tempo di consegna è tale e quale, ecc.). Se qualcosa, Relex potrebbe sbagliare sul lato troppo tattico (riordinerà bene, ma forse non considererà le implicazioni di rete a lungo termine - ogni nodo è ottimizzato localmente per il suo servizio).

Per riassumere, la previsione orientata alle decisioni è ciò che differenzia un semplice strumento di analisi da una vera soluzione di ottimizzazione della catena di approvvigionamento. Tutti i fornitori nelle prime posizioni mirano almeno a fornire output decisionali, non solo previsioni: questo è il motivo per cui li abbiamo considerati nel campo di applicazione (la bozza dello studio diceva addirittura che escludiamo strumenti puramente transazionali o di previsione che non ottimizzano le decisioni). Il grado di ottimalità e l’integrazione dell’incertezza in quelle decisioni, tuttavia, varia:

Lokad e ToolsGroup legano esplicitamente le previsioni alle decisioni utilizzando obiettivi di costo/servizio (Lokad tramite i suoi script personalizzati che ottimizzano il costo atteso, ToolsGroup tramite obiettivi di livello di servizio che producono decisioni di stock).
Kinaxis e o9 generano piani completi e consentono di esplorare decisioni, con Kinaxis che aggiunge di recente più ottimizzazione formale (ottimizzazione dell’inventario, ecc.).
Blue Yonder ha moduli di ottimizzazione separati che possono produrre decisioni (se utilizzati appieno, si ottiene un piano per tutto - ma allinearli è un lavoro).
Relex automatizza un insieme specifico di decisioni (rifornimento) molto bene, meno altre (come la pianificazione della capacità a lungo termine).

Nell’valutare le soluzioni, le aziende dovrebbero insistere su questo punto: “Dopo che il tuo sistema ha previsto, quali decisioni consiglierà e come garantisce che siano le migliori decisioni?” Se un fornitore non può rispondere chiaramente, o se sembra che l’utente debba interpretare manualmente le previsioni, quel fornitore probabilmente non è veramente orientato all’ottimizzazione. Questa domanda mette in luce, ad esempio, se una previsione ML sofisticata si tradurrà effettivamente in una riduzione dell’inventario o se sarà solo un bel numero su un grafico.

Conclusione

In questo studio comparativo, abbiamo classificato e analizzato i principali fornitori di software di pianificazione e previsione della supply chain attraverso una prospettiva tecnica, dando priorità alle capacità reali rispetto alle promesse di marketing. L’valutazione ha evidenziato che la leadership tecnologica in questo settore richiede: previsioni avanzate (preferibilmente probabilistiche) supportate da prove, architettura scalabile e moderna, un alto grado di automazione, un stack tecnologico unificato e ben progettato e, soprattutto, un focus sulla presa di decisioni prescrittiva piuttosto che solo analisi predittiva.

Lokad è emerso come un leader di primo piano grazie al suo lavoro pionieristico nella previsione probabilistica e al suo radicale focus sull’ottimizzazione delle decisioni - attributi validati da benchmark esterni (come la vittoria nella competizione M5) e comunicazione tecnica trasparente ³ ². Esso esemplifica come lo scetticismo verso approcci mainstream (ad es. mettendo in discussione il valore di metriche come MAPE o concetti come il stock di sicurezza) possa portare a una soluzione più robusta allineata con economia solida ¹³ ³³.

Altri fornitori come Kinaxis e o9 Solutions stanno investendo pesantemente in AI/ML e hanno costruito piattaforme estremamente ampie, ma devono ancora convincere il mercato che la loro “AI” è più di facciata e che le loro architetture si scalino senza costi esorbitanti ⁴. Attori di lunga data come Blue Yonder (JDA) e SAP hanno una vasta esperienza nel settore della supply chain e funzionalità, ma il loro bagaglio legacy (sistemi frammentati da molte acquisizioni e algoritmi datati) emerge, portando a contraddizioni e progressi più lenti nell’innovazione tecnologica ¹⁴ ¹⁷. Specialisti di nicchia come ToolsGroup e Relex offrono soluzioni potenti nei rispettivi settori (ottimizzazione dell’inventario e rifornimento al dettaglio, rispettivamente), ma ognuno ha limitazioni - ToolsGroup deve supportare le sue affermazioni di AI con tecnologia più recente ¹¹, e l’approccio in-memory di Relex potrebbe vacillare al di fuori del suo punto forte ⁷.

Un chiaro modello nell’analisi è che i fornitori che forniscono apertamente dettagli tecnici e risultati ispirano maggiore fiducia rispetto a quelli che si affidano a parole di moda. In uno spazio pieno di hype, è cruciale per i decisori esigere prove concrete e coerenza. Ad esempio, se un fornitore afferma di utilizzare il machine learning, chiedi di vedere l’impatto sull’accuratezza o sui costi prima e dopo. Se la previsione probabilistica viene pubblicizzata, richiedi la prova di come viene misurata e utilizzata nella pianificazione (e sii cauto se la risposta è confusa con metriche deterministiche).

Inoltre, man mano che la complessità della supply chain cresce, scalabilità e automazione non sono solo un optional - sono essenziali. Le soluzioni ancora bloccate in pratiche manuali dell’era di Excel o quelle che non possono gestire grandi quantità di dati senza hardware eroico non serviranno bene alle imprese a lungo termine. Lo scetticismo dello studio verso le architetture in-memory one-size-fits-all è confermato dai dati - approcci più distribuiti e nativi del cloud stanno mostrando vantaggi sia in termini di costo che di capacità.

Infine, il benchmark definitivo per qualsiasi software di ottimizzazione della supply chain sono i risultati che offre: costi di inventario più bassi, livelli di servizio più alti, maggiore reattività e flussi di lavoro del pianificatore più efficienti. Per raggiungere questi obiettivi è necessario più di semplice matematica intelligente: è necessario integrare quella matematica in un processo decisionale coerente e automatizzato che si allinei con le realtà aziendali. I migliori fornitori sono quelli che chiudono il cerchio tra previsione -> ottimizzazione -> decisione -> risultato in modo trasparente, scientificamente valido. Coloro che si aggrappano a loop interrotti (previsione in isolamento, o regole decisionali separate dall’incertezza) vengono lasciati indietro.

In conclusione, le aziende che valutano soluzioni di pianificazione della supply chain dovrebbero esaminare attentamente da un punto di vista tecnico e rigoroso ogni concorrente. Tagliare attraverso i depliant lucidi e fare le domande difficili che abbiamo esplorato: Il fornitore fornisce previsioni probabilistiche o solo numeri singoli? Il loro sistema può funzionare autonomamente ed è stato dimostrato su larga scala? La tecnologia è unificata o un insieme di vecchie parti? Spiegano il loro “AI” in termini comprensibili e fattuali? Insistendo su questo livello di rigore, si possono identificare veri leader tecnologici nell’ottimizzazione della supply chain - coloro capaci di fornire decisioni superiori, non solo bei cruscotti. Le classifiche e l’analisi qui presentate servono come punto di partenza, identificando Lokad, Kinaxis, o9, Relex, ToolsGroup e Blue Yonder (tra gli altri) come attori chiave, ognuno con punti di forza e limitazioni. La responsabilità è dei fornitori di supportare le proprie affermazioni e degli utenti di rimanere saniamente scettici e guidati dalle prove nella scelta del cervello che guiderà la loro supply chain.