Software di Pianificazione e Previsione della Supply Chain

Di Léon Levinas-Ménard

Ultima modifica: 2 Febbraio 2025

Il software di pianificazione della supply chain è destinato a ottimizzare le decisioni (cosa produrre, stoccare o spostare, e quando) in condizioni di incertezza - non solo a registrare le transazioni. Come una definizione lo mette, la supply chain è “la padronanza quantitativa ma pratica delle opzioni di fronte alla variabilità e ai vincoli… con un focus sulla coltivazione e la scelta delle opzioni, piuttosto che sulla gestione diretta delle operazioni sottostanti.” ¹ In altre parole, i migliori strumenti di pianificazione si concentrano sull’ottimizzazione (ad es. decidere i livelli ottimali di inventario o produzione) piuttosto che sulla semplice gestione transazionale (tracciamento degli ordini e delle scorte). Questo studio confronta i principali fornitori di software di pianificazione e previsione della supply chain a livello mondiale, enfatizzando le prove tecniche tangibili rispetto al marketing. Valutiamo ogni fornitore su criteri chiave:

Previsione Probabilistica – Vanno oltre le previsioni puntuali per fornire distribuzioni complete o modelli avanzati? Se si afferma la previsione “AI/ML”, ci sono prove (come ottime prestazioni in competizioni globali di previsione come la M5) a sostegno?
Grado di Automazione – Il sistema può eseguire previsioni e pianificazioni non presidiate (completamente robotizzate) senza costante intervento umano? Quanto è autonoma la capacità decisionale?
Scalabilità & Performance – La tecnologia gestisce in modo efficiente i dati su larga scala? (Attenzione alle architetture in memoria che non scalano bene man mano che i dati crescono e i costi della memoria stazionano.)
Integrazione Tecnologica & Acquisizioni – La soluzione è costruita su un stack tecnologico coeso o un patchwork di moduli acquisiti? Lunghe storie di M&A possono portare a tecnologie frammentate e inconsistenti.
Credibilità Tecnica – Le affermazioni tecniche del fornitore sono supportate da principi scientifici o prove di ingegneria? Guardiamo oltre le parole di moda (“AI/ML”, “rilevamento della domanda”) per spiegazioni concrete o validazione da parte dei pari.
Coerenza & Contraddizioni – I messaggi del fornitore sono allineati? (ad es. affermare previsioni probabilistiche mentre si vanta la precisione deterministica come MAPE sarebbe un segnale di allarme.)
Pratiche Obsolete – Segnaliamo metodi obsoleti (come le formule semplificate di scorta di sicurezza) che sono in conflitto con l’ottimizzazione probabilistica moderna.
Output Orientato alle Decisioni – Il software produce solo previsioni, o fornisce decisioni ottimizzate (piani di ordine, obiettivi di inventario) basate su quelle previsioni? L’obiettivo vero è guidare le decisioni, non solo i numeri.

Approccio: Per ogni fornitore, ci affidiamo a documentazione tecnica pubblicata, analisi di reputazione, e (quando disponibili) benchmark aperti o competizioni per valutare le capacità. L’hype del fornitore, i rapporti degli analisti a pagamento, e i case study patinati 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. Le incongruenze o la mancanza di trasparenza sono trattate come gravi debolezze.

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

Fornitori Top Classificati per Eccellenza Tecnologica

Lokad – Ottimizzazione Probabilistica all’Avanguardia
Lokad è leader nell’innovazione tecnologica, pioniera della previsione probabilistica e della pianificazione veramente centrata sulla decisione. Già nel 2012, Lokad ha sostenuto le previsioni probabilistiche (quasi un decennio prima degli altri) e ha costruito tutta la sua soluzione attorno ad essa ². A differenza dei fornitori che trattano la previsione e la pianificazione come passaggi separati, il sistema di Lokad (costruito 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 raggiunto il #1 in accuratezza 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 completamente automatizzata (le previsioni e le ottimizzazioni vengono eseguite in modo non supervisionato secondo un programma), e evita le limitazioni dei design in memoria sfruttando il cloud computing scalabile. In sintesi, Lokad stabilisce il benchmark con il suo approccio probabilistico, orientato all’automazione e supportato da prove all’ottimizzazione della supply chain.
Kinaxis – Pianificazione Veloce, In-Memory con IA Emergente
Kinaxis è un leader consolidato noto per il suo motore di “pianificazione concorrente” fulmineo. La sua piattaforma RapidResponse utilizza un’architettura in memoria per consentire simulazioni di scenari in tempo reale tra offerta, domanda e inventario. Questo design offre ai pianificatori la capacità di analisi istantanea dei “what-if”, un grande punto di forza per la reattività. Tuttavia, la forte dipendenza dal calcolo in memoria può significare costi hardware elevati e limiti di scalabilità man mano che i dati crescono (le grandi implementazioni richiedono una RAM massiccia) ⁴. Tradizionalmente, Kinaxis si è concentrata sulla pianificazione deterministica (sfruttando regole definite dall’utente e aggiustamenti manuali). Riconoscendo il cambiamento del settore, Kinaxis ha recentemente abbracciato le tecniche probabilistiche integrando acquisizioni/partner: ad esempio, ha aggiunto un motore di ottimizzazione dell’inventario probabilistico multi-echelon (MEIO) (dal partner Wahupa) e ha acquisito una società di IA per la previsione della domanda (Rubikloud). Questi add-on portano previsioni avanzate e modellazione dell’incertezza a Kinaxis, sebbene come add-on sollevano domande sulla coerenza del tech stack. Il messaggio di Kinaxis attorno all’“IA” e al machine learning è cauto rispetto ad alcuni concorrenti - sottolinea la combinazione di intelligenza umana e macchina. In pratica, Kinaxis eccelle nell’automazione del ricalcolo del piano (ogni volta che i dati cambiano, il sistema può autonomamente riequilibrare i piani di offerta-domanda), ma storicamente si è ancora affidata ai pianificatori per impostare i parametri e non ha completamente automatizzato le decisioni finali. Con i suoi nuovi moduli probabilistici, Kinaxis si sta muovendo verso una maggiore automazione delle decisioni in condizioni di incertezza, sebbene parta da un’eredità deterministica. In sintesi, Kinaxis offre una potente piattaforma di pianificazione in tempo reale e sta recuperando terreno sulla 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 (fondato nel 2009) spesso pubblicizzato come un “cervello digitale” per la supply chain. Dal punto di vista tecnologico, o9 è estremamente ambizioso - ha costruito una vasta piattaforma con un modello di dati basato su grafi (Enterprise Knowledge Graph, “EKG”) e si rivolge a enormi e complessi set di dati (rendendolo popolare per le grandi imprese in cerca di uno strumento di pianificazione end-to-end). Tuttavia, l’approccio di o9 comporta dei compromessi. Si dice che il sistema utilizzi un design in-memory, che, pur consentendo analisi veloci, “garantisce costi hardware elevati” per un uso su larga scala ⁴. Questo solleva preoccupazioni sulla scalabilità, poiché aumentare la RAM per risolvere il problema diventa costoso e alla fine raggiunge i limiti (soprattutto dato che i prezzi della memoria non stanno più diminuendo rapidamente). o9 fa molto marketing intorno all’IA/ML, ma bisogna distinguere la sostanza dall’hype: molte delle sue affermazioni (ad esempio, che il suo knowledge graph migliora unicamente la previsione) sono dubbie senza supporto scientifico ⁵. Infatti, le analisi degli elementi tecnologici di o9 disponibili pubblicamente su GitHub suggeriscono che utilizza principalmente tecniche standard (niente di fondamentalmente nuovo da giustificare il grande marchio “AI”) ⁶. o9 supporta la pianificazione scenari probabilistici fino a un certo punto - può modellare vari scenari di domanda e eseguire simulazioni - ma non è chiaro se fornisce vere distribuzioni di previsione probabilistiche o solo analisi di scenari. La piattaforma può automatizzare certi compiti di pianificazione, ma o9 si posiziona spesso come supporto decisionale, con gli umani che guidano infine il “cervello digitale”. Nel complesso, o9 è una piattaforma tecnologicamente avanzata con ampie capacità, ma la sua dipendenza dal calcolo in-memory e la vaghezza intorno alle sue affermazioni sull’IA temperano la sua percepita leadership tecnica. È un leader più per la sua visione integrata e gestione dei big data che per l’accuratezza comprovata della previsione unica.
Relex Solutions – Automazione Rivolta al Retail (con Limiti)
Relex Solutions (fondata nel 2005) si specializza nella previsione della domanda nel retail, nel rifornimento e nella pianificazione degli spazi. Ha guadagnato una reputazione per aver abilitato un rifornimento del negozio altamente automatizzato - diversi grandi negozi di alimentari utilizzano Relex per prevedere automaticamente la domanda a livello di negozio e generare ordini con minimo intervento umano. Questa automazione end-to-end in un ambiente retail impegnativo è un punto di forza notevole. Relex vanta anche moderne tecniche di previsione basate su machine learning ottimizzate per il retail (tenendo conto delle promozioni, degli eventi locali, ecc.). Detto questo, uno sguardo sotto il cofano rivela alcune limitazioni architettoniche e metodologiche. Il sistema di Relex utilizza un design in-memory, stile data cube OLAP ⁷ per fornire analisi e report molto veloci. Sebbene ciò produca dashboard reattive, aumenta i costi hardware e non risolve intrinsecamente i problemi di ottimizzazione complessi. Infatti, l’approccio di Relex in tempo reale e granulare può entrare in conflitto con l’ottimizzazione su tutta la rete - potrebbe avere difficoltà a coordinare ottimamente le decisioni su una vasta rete di fornitura quando si trova di fronte a fenomeni come la cannibalizzazione del prodotto o le sostituzioni ⁸. Ci sono anche segni che i modelli di previsione di Relex non sono così “di prossima generazione” come pubblicizzato - le prove suggeriscono che gran parte del loro approccio si basa su metodi pre-2000 (ad es. regressione, smoothing delle serie temporali) ⁹, sebbene applicati su larga scala. Spesso si vantano di una disponibilità in stock del 99%+ per i rivenditori, ma le indagini del settore (ad es. delle associazioni ECR) mostrano che la disponibilità tipica sugli scaffali è inferiore, mettendo in discussione tali affermazioni generalizzate ¹⁰. Relex ha un stack tecnologico per lo più coeso (costruito internamente per il retail) e non è cresciuto 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 sua profondità tecnica nella scienza della previsione è discutibile, e un’architettura in-memory significa che condivide le preoccupazioni sulla scalabilità degli altri.
ToolsGroup – Innovatore Precoce Ora Pubblicizza “AI”
ToolsGroup (fondato nel 1993) offre il software SO99+, storicamente noto per la previsione e l’ottimizzazione dell’inventario basate sul livello di servizio. Anni prima che “AI” diventasse una parola d’ordine, ToolsGroup ha contribuito a popolarizzare i concetti probabilistici nella supply chain - ad esempio, modellando la variabilità della domanda per determinare le scorte di sicurezza necessarie per raggiungere un determinato livello di servizio. In pratica, il loro strumento può produrre una distribuzione di probabilità della domanda (specialmente per gli articoli a lento movimento) e calcolare gli obiettivi di inventario per raggiungere un tasso di riempimento target. Tuttavia, negli ultimi anni il messaggio di ToolsGroup è cambiato per unirsi all’hype di AI/ML, e qui si mostrano le crepe di credibilità. Pubblicizzano pesantemente la pianificazione “alimentata da AI”, ma indizi pubblici suggeriscono che i loro algoritmi di base sono ancora essenzialmente modelli statistici legacy (pre-2000) ¹¹. Da notare che, dal 2018, hanno iniziato a marchiare i loro output come “previsioni probabilistiche” mentre contemporaneamente vantano miglioramenti di MAPE ¹² - una palese incongruenza, perché MAPE (un indicatore di errore di previsione deterministico) “non si applica alle previsioni probabilistiche.” ¹³ Questo suggerisce o un malinteso o un trucco di marketing (ad esempio, forse generano previsioni probabilistiche ma le valutano ancora confrontando la mediana con i reali con MAPE - che perde il punto dei metodi probabilistici). ToolsGroup parla anche di “sensing della domanda” per gli aggiustamenti di previsione a breve termine, ma tali affermazioni sono non supportate dalla letteratura scientifica ¹³ e spesso si riducono a medie mobili riproposte. Sul lato positivo, la soluzione di ToolsGroup è piuttosto completa per la pianificazione della supply chain (coprendo la previsione della domanda, l’ottimizzazione dell’inventario, S&OP, ecc.) e può essere eseguita in una modalità lights-out (generando automaticamente proposte di rifornimento notturne). Il suo focus sull’ottimizzazione (raggiungere gli obiettivi di servizio con scorte minime) si allinea con la previsione orientata alle decisioni. Ma la recente posa di AI dell’azienda senza chiare prove tecniche, più un’architettura che potrebbe non essere moderna cloud-native (probabilmente più orientata al singolo server), la abbassa un po’ nella leadership tecnologica. In breve, ToolsGroup è un player provato nella modellazione probabilistica dell’inventario, ma ha bisogno di più trasparenza per sostenere le sue nuove affermazioni di AI e assicurarsi che i suoi metodi non siano stagnati.
Blue Yonder – Potente Eredità, Tecnologia Patchwork
Blue Yonder (fondato nel 1985 come JDA Software, rinominato dopo aver acquisito una piccola azienda di AI chiamata Blue Yonder) è un gigante nella pianificazione della supply chain. Offre soluzioni per la pianificazione della domanda, la pianificazione dell’offerta, il retail e altro ancora. Nel corso dei decenni, Blue Yonder (BY) ha accumulato un ampio portafoglio attraverso molte acquisizioni - da Manugistics (ottimizzazione della supply chain) a pezzi di i2 Technologies, e più recentemente la startup di AI Blue Yonder. Il risultato è una “collezione casuale di prodotti, la maggior parte dei quali datati,” anche se sotto un unico marchio ¹⁴. Dal punto di vista tecnologico, i moduli legacy di Blue Yonder (come la previsione della domanda o il completamento) utilizzano spesso tecniche più vecchie (ad esempio, previsione euristica, pianificazione basata su regole con scorte di sicurezza). L’azienda ora ostenta “AI/ML” nel suo marketing, ma le affermazioni tendono ad essere vaghe e con poca sostanza ¹⁵. Un indizio rivelatore: Blue Yonder ha solo alcuni progetti open-source sul suo GitHub (ad esempio, tsfresh, PyDSE, Vikos), che suggeriscono gli approcci di previsione sottostanti - questi sono principalmente metodi tradizionali come l’estrazione di caratteristiche + modelli di regressione ARIMA/lineare ¹⁶, piuttosto che modelli di apprendimento profondo o probabilistici all’avanguardia. In altre parole, l’“AI” di BY è probabilmente più buzz che 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 senza soluzione di continuità come uno (l’integrazione si basa su un grande sforzo di implementazione). Blue Yonder ha alcune capacità di ottimizzazione molto forti in aree specifiche (ad esempio, i loro algoritmi legacy i2 per l’ottimizzazione della rete della supply chain, se modernizzati, possono essere potenti). E molte grandi imprese utilizzano Blue Yonder per automatizzare le attività di pianificazione (ad esempio, generando previsioni che guidano un processo MRP, impostando livelli di scorte di sicurezza, ecc., con i pianificatori che regolano per eccezione). Tuttavia, rispetto ai nuovi leader tecnologici, Blue Yonder appare tecnicamente stagnante: si attiene in gran parte alla previsione deterministica (spesso misurata da vecchi indicatori come MAPE o bias), utilizza pratiche obsolete come le formule di scorte di sicurezza come elemento centrale della pianificazione, e applica solo un sottile strato di terminologia AI. Data le sue risorse, Blue Yonder potrebbe evolvere, ma per ora esemplifica il compromesso di un grande fornitore: ampia funzionalità ma un stack tecnologico frammentato e invecchiato ¹⁴. Lo classifichiamo sotto i concorrenti più proiettati al futuro da un 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 notevole debito tecnico e complessità dai sistemi legacy e dalle acquisizioni. Ad esempio, l’offerta di pianificazione di SAP è un mash-up di componenti come SAP APO, SAP HANA, più strumenti acquisiti (SAF per la previsione, SmartOps per l’inventario) - essenzialmente “una collezione di prodotti” che richiede molto sforzo di integrazione ¹⁷. Queste soluzioni legate all’ERP, sebbene potenti sotto certi aspetti, generalmente non sono leader nella scienza o nell’automazione delle previsioni, quindi sono omesse dai ranghi superiori.)

Dopo aver introdotto i migliori fornitori, ora ci addentriamo in un’analisi criterio per criterio, evidenziando come ogni fornitore si confronta sulla previsione probabilistica, automazione, scalabilità, ecc., con un’enfasi su prove ed esempi. Questa visione comparativa evidenzia i punti di forza e di debolezza di ciascuna soluzione in profondità.

Previsione Probabilistica: Oltre i Modelli Deterministici

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

Lokad si distingue per l’incorporazione profonda della previsione probabilistica. È stato tra i primi a promuovere modelli probabilistici (dal 2012) ² e ha continuamente avanzato tale capacità. L’approccio di Lokad utilizza distribuzioni di domanda probabilistiche come base per tutte le ottimizzazioni - ad esempio, calcolando il profitto atteso di varie quantità di stock integrando sulla distribuzione della domanda. La credibilità della tecnologia di previsione di Lokad è confermata dalle competizioni globali: un team di Lokad ha raggiunto la massima precisione a livello di SKU nella competizione di previsione M5 ³, una sfida di benchmark altamente considerata. Importante, M5 era tutta incentrata sulla previsione probabilistica (le classifiche erano basate su metriche di errore distribuzionali ponderate), e la performance di Lokad indica che i suoi metodi sono veramente all’avanguardia nella generazione di distribuzioni di probabilità accurate a un livello granulare. In pratica, Lokad produce non solo un numero, ma una completa distribuzione di probabilità (o scenari) per la domanda di ciascun articolo, che si alimenta direttamente nei script di ottimizzazione delle decisioni.
ToolsGroup, a suo merito, ha offerto funzionalità probabilistiche per anni nel contesto dell’ottimizzazione del livello di servizio. Il loro software può creare una distribuzione di domanda esplicita (spesso tramite un modello di domanda intermittente o altro adattamento statistico) e poi 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 riposizionarsi come leader della previsione probabilistica, ma hanno minato questo parlando contemporaneamente di miglioramenti MAPE accanto alle previsioni probabilistiche ¹³. Questa è una contraddizione - se si sta veramente prevedendo una distribuzione, non si misurerebbe principalmente il successo con MAPE (che presume un singolo numero “giusto”). Il fatto che si appoggino ancora su metriche deterministiche indica che potrebbero ancora generare previsioni puntuali e poi utilizzare distribuzioni solo per simulare le esigenze di stock. Quindi, sebbene ToolsGroup abbia capacità probabilistiche, la sofisticazione di questi metodi potrebbe non essere all’avanguardia, e quanto sono “tutto dentro” su probabilistico vs. solo usarlo come un add-on non è chiaro.
Kinaxis storicamente non forniva previsioni probabilistiche nella sua offerta principale (si basava su previsioni puntuali inserite dagli utenti o generate tramite statistiche semplici). Riconoscendo questa lacuna, Kinaxis si è associata a Wahupa per incorporare un motore probabilistico MEIO (Multi-Echelon Inventory Optimization) ¹⁸. Inoltre, Kinaxis ha acquisito una società di AI (Rubikloud) specializzata nella previsione della domanda basata su machine learning (probabilmente probabilistica 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 nel processo decisionale ¹⁹. Questo è 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 apparire in competizioni di previsione pubbliche o pubblicare una metodologia dettagliata, quindi la prova tecnica della loro abilità probabilistica è limitata a ciò che affermano.
o9 Solutions enfatizza anche la modellazione dell’incertezza in concetto - il loro grafo di conoscenza può memorizzare molti fattori causali, e affermano di generare previsioni migliori collegando i dati. Ma ancora una volta, non troviamo prove pubbliche che o9 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 nuovi algoritmi probabilistici ⁶. Fino a quando o9 non dimostrerà il contrario, dobbiamo supporre che fornisca principalmente previsioni deterministiche migliorate (forse con analisi degli scenari), e qualsiasi etichettatura “probabilistica” potrebbe essere più marketing.
Relex Solutions si occupa di retail dove la variabilità (soprattutto per le promozioni o gli articoli freschi) è alta. Probabilmente utilizzano alcuni approcci probabilistici internamente (ad esempio, per stimare la distribuzione della domanda per i prodotti promossi, o per calcolare le esigenze di stock di sicurezza per negozio con un livello di servizio target). Tuttavia, i materiali pubblici di Relex non enfatizzano esplicitamente la “previsione probabilistica”; parlano più di come il machine learning migliora la precisione delle previsioni (di solito implicando migliori previsioni puntuali). La revisione tra pari di Relex indica che la loro tecnologia di previsione sembra pre-2000 ⁹, il che significa probabilmente metodi principalmente deterministici come lo smoothing 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: prevedere poi aggiungere un buffer, piuttosto che fornire una curva di probabilità completa all’utente.
Blue Yonder nel suo tradizionale pianificazione della domanda utilizza una varietà di modelli statistici (ARIMA, smoothing esponenziale, forse un po’ di ML per i 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 i loro contributi open-source mostrano una dipendenza da ARIMA e regressione ¹⁶, è sicuro dire che la previsione probabilistica non è un punto di forza. Continuano anche a incoraggiare metriche come MAPE, bias, ecc., che sono deterministici. Non abbiamo visto Blue Yonder partecipare a benchmark di previsione noti.
Altri fornitori: John Galt Solutions commercializza un algoritmo “Procast” che rivendica una precisione superiore, ma una recensione ha notato che questa affermazione è dubbia poiché Procast era assente dalle prime posizioni di grandi competizioni di previsione come M5 ²⁰. Infatti, gli strumenti di previsione open-source facilmente disponibili (ad es. Prophet o i pacchetti R di Hyndman) probabilmente si comportano altrettanto bene o meglio ²¹. Questo evidenzia 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 sono realmente 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 differenziatore: Lokad guida chiaramente con una competenza dimostrata e decisioni probabilistiche pienamente integrate. ToolsGroup e Kinaxis riconoscono la sua 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 cospargono termini come “stocastico” nei loro opuscoli. Questa distinzione è importante, perché senza vere previsioni probabilistiche, un sistema di pianificazione ricorrerà a scorte di sicurezza grezze e non potrà bilanciare in modo ottimale i rischi e i costi.

Grado di Automazione: Pianificazione Senza Intervento Umano vs. Umano nel Ciclo

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

Lokad è progettato con l’automazione in mente. Il suo ambiente di scripting Envision permette di codificare e programmare l’intera logica di previsione e rifornimento. Molte implementazioni di Lokad funzionano su una base completamente robotizzata, dove ogni giorno o settimana il sistema preleva automaticamente nuovi dati, ricalcola le previsioni, ottimizza le decisioni (ad esempio, genera quantità di ordini o piani di allocazione), e le invia al sistema ERP o di esecuzione - tutto senza intervento umano. La filosofia è che se i modelli sono correttamente impostati, gli interventi manuali dovrebbero essere minimi, e i pianificatori possono concentrarsi su eccezioni o miglioramenti del modello piuttosto che su regolazioni di routine. Le storie di successo di Lokad evidenziano spesso la drastica riduzione del carico di lavoro del pianificatore grazie a questa automazione. Essenzialmente, Lokad tratta i pianificatori più come scienziati dei dati o supervisori del processo, non come persone che regolano manualmente i comandi di pianificazione ogni giorno.
Relex Solutions consente anche un alto grado di automazione, soprattutto nel rifornimento. Ad esempio, per i rivenditori di generi alimentari, Relex può generare automaticamente ordini di negozio ogni giorno tenendo conto delle previsioni, delle scorte a disposizione e dei tempi di consegna. Alcuni rivenditori che utilizzano Relex riferiscono di fidarsi abbastanza da far uscire automaticamente la stragrande maggioranza degli ordini, con i pianificatori che esaminano solo le proposte fuori dal comune. Il sistema Relex supporta i flussi di lavoro per le eccezioni (ad esempio, può segnalare se una previsione è molto diversa dal normale, poi un umano la esamina), ma altrimenti è costruito per eseguire automaticamente la pianificazione della domanda e l’ordinazione. Questo è un punto di forza nella vendita al dettaglio dove la scala (milioni di combinazioni SKU-negozio) rende impossibile la pianificazione manuale. Tuttavia, vale la pena notare che per raggiungere questa automazione spesso è necessario avere modelli stabili e maturi e un focus ristretto (ad esempio, prodotti alimentari di base). In una pianificazione di produzione multi-livello più complessa, Relex è meno presente. Tuttavia, nel suo dominio, Relex dimostra che la previsione e il rifornimento non presidiati sono realizzabili, sebbene entro i limiti 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. Questa è una forma di automazione (rimuove la necessità di eseguire manualmente cicli di pianificazione separati per ogni livello). Tuttavia, Kinaxis si aspetta tradizionalmente che i pianificatori siano coinvolti in qualche misura: impostano gli scenari, esaminano i risultati e decidono quale scenario impegnare. Kinaxis può automatizzare decisioni di routine tramite il suo sistema di allerta (ad esempio, approva automaticamente un piano se l’inventario è sopra una certa soglia), ma generalmente viene utilizzato come uno strumento di supporto alle decisioni piuttosto che un “autopilota” oscuro. Detto questo, con l’integrazione dell’IA e una previsione più avanzata, Kinaxis sta spingendo verso una decisione più automatizzata. Ad esempio, il suo nuovo MEIO può riequilibrare automaticamente le scorte di buffer attraverso i livelli ad ogni ciclo di pianificazione, che l’utente potrebbe accettare a meno che qualcosa non sembri fuori posto. L’azienda sta anche investendo in quello che chiamano “supply chain auto-riparanti”, che implica una maggiore autonomia. Tuttavia, data la sua base di clienti (spesso aerospaziale, automobilistica, ecc., dove i pianificatori sono cauti), la pianificazione completamente senza intervento umano non è la norma per le implementazioni di Kinaxis.
o9 Solutions è solitamente implementato come una piattaforma di pianificazione dove gli utenti (pianificatori, gestori della domanda, ecc.) interagiscono pesantemente - regolando le previsioni, collaborando sui piani S&OP, eseguendo scenari. Ha certamente la capacità tecnica di automatizzare i calcoli (puoi impostare aggiornamenti di previsione ricorrenti, ad esempio), ma la filosofia di o9 tende a potenziare i pianificatori umani con intuizioni AI piuttosto che sostituirli. Il termine di marketing “gemello digitale dell’organizzazione” suggerisce che rispecchia la tua supply chain nel software; ma uno specchio di solito riflette ciò che fai - non decide indipendentemente. Non abbiamo trovato prove di alcuna azienda che utilizza o9 in modo completamente autonomo; piuttosto è uno strumento che fornisce un unico modello di dati e analisi per facilitare la pianificazione cross-funzionale. L’automazione è focalizzata sull’integrazione (automazione dei flussi di dati tra i moduli) più che sull’automazione delle decisioni.
ToolsGroup ha tradizionalmente proposto un approccio alla pianificazione “a basso contatto”. Il loro strumento SO99+ può essere impostato per generare automaticamente previsioni statistiche per ogni SKU, quindi calcolare i target 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 esaminano 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 spesso sottolinea che il loro approccio probabilistico porta a raccomandazioni di inventario più affidabili, che a loro volta rendono le aziende più a loro agio nell’automatizzare gli ordini in misura maggiore. Tuttavia, se i modelli di ToolsGroup non sono correttamente sintonizzati, gli utenti potrebbero sovrascrivere molto. In termini di capacità tecnica, ToolsGroup può sicuramente funzionare in modalità batch non presidiata per la previsione e la pianificazione iniziale. Ma potrebbe non gestire la ripianificazione al volo così come qualcosa come Kinaxis (è più orientato alla pianificazione notturna in 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 stock basate su previsioni e politiche di inventario. Molti utenti di Blue Yonder si affidano a output generati automaticamente: ad esempio, il sistema potrebbe creare automaticamente ordini di distribuzione per rifornire i magazzini regionali ai livelli di stock target. Il modulo Demand di Blue Yonder può produrre automaticamente previsioni di base ogni settimana o mese. Tuttavia, storicamente le implementazioni JDA/Blue Yonder coinvolgono molto flusso di lavoro umano: i pianificatori della domanda regolano le previsioni, i pianificatori della fornitura esaminano gli ordini raccomandati dal sistema, ecc. Il software supporta l’automazione ma non incoraggia necessariamente una mentalità “senza intervento” - è più un banco di lavoro del pianificatore. Inoltre, data la natura patchwork della suite BY, raggiungere l’automazione end-to-end potrebbe richiedere un notevole sforzo di integrazione (assicurarsi che il piano della domanda fluisca al modulo del piano di fornitura, che fluisce 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 leader in varie misure, ma la filosofia e l’uso pratico differiscono. Lokad e Relex si distinguono per aver spinto il limite verso una pianificazione veramente autonoma nelle rispettive nicchie (con Lokad che abilita “autopiloti della supply chain” completamente scriptati per varie industrie, e Relex che fa lo stesso nel retail). I grandi fornitori tradizionali trattano l’automazione con più cautela, lasciando spesso al pianificatore la decisione finale. Questo è a volte dovuto a problemi di fiducia - se le previsioni di un sistema non sono molto affidabili, gli utenti non lo lasceranno funzionare in autopilota. Sottolinea che l’automazione è buona solo quanto l’intelligenza che c’è dietro: una ragione chiave per cui sono necessari strumenti probabilistici, orientati alla decisione, è rendere l’automazione fattibile (il sistema deve prendere buone decisioni da solo). Quando valutano 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 stanno avvicinando a un “sì” per quella domanda, mentre altre richiedono ancora fondamentalmente una supervisione manuale.

Scalabilità & Performance: L’Architettura Conta

La pianificazione della supply chain deve spesso affrontare big data (grandi numeri di SKU, negozi, ordini, segnali IoT, ecc.) e calcoli complessi (ottimizzazione su molte variabili). L’architettura sottostante di ciascuna soluzione - che sia in memoria o distribuita, come gestisce l’aumento dei volumi di dati - influisce direttamente sulla sua scalabilità e performance. Scelte architettoniche sbagliate possono portare a prestazioni lente o a costi hardware esorbitanti (o entrambi), soprattutto con la crescita dell’azienda. Punti chiave sulla scalabilità per i fornitori:

In-Memory vs. Distributed: Un tema importante è la differenza tra soluzioni che caricano la maggior parte dei dati in RAM per un calcolo veloce rispetto a quelle che utilizzano un calcolo più distribuito, su richiesta (stile cloud). Kinaxis, o9, Relex, e SAP IBP hanno tutti una forte componente in memoria. Il motore di Kinaxis è stato costruito sull’idea che tutti i dati di pianificazione rilevanti siano in memoria per un ricalcolo istantaneo - che funziona bene fino a un certo punto, ma scalare oltre alcuni terabyte di dati in memoria diventa estremamente costoso e tecnicamente impegnativo. O9 e Relex “garantiscono alti costi hardware” a causa del design in memoria ⁴ ⁷ - effettivamente, l’utente paga per server molto grandi o cluster con RAM massiva. 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 a prova di futuro. Al contrario, Lokad è completamente basato sul cloud e non richiede di tenere tutti i dati in RAM. Sfrutta il calcolo su richiesta (ad esempio, elaborando numeri in parallelo su molte macchine quando necessario, poi rilasciandoli). Ciò significa che può scalare a problemi molto grandi aggiungendo nodi di calcolo piuttosto che raggiungere un limite di RAM di una singola macchina. Il design nativo del cloud di Lokad fa anche un uso intensivo di disco e rete quando appropriato, allineandosi con le tendenze moderne dei big data (dove lo storage distribuito e il calcolo, 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 faticavano con grandi istanze di problemi, richiedendo aggregazione o segmentazione dei dati per funzionare. Le versioni cloud più recenti (BY Luminate) hanno probabilmente migliorato questo con una migliore gestione della memoria e forse un’espansione elastica, ma le prove sono scarse. SAP IBP utilizza HANA (DB colonnare in memoria); può gestire grandi dati ma ad un costo di infrastruttura molto elevato e spesso ha ancora bisogno di dati aggregati a certi livelli per terminare tempestivamente le esecuzioni di pianificazione. 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 la sua ottimizzazione del database). ToolsGroup ha tipicamente gestito set di dati di medie dimensioni (migliaia a decine di migliaia di SKU) su singoli server; le prestazioni potrebbero degradare con conteggi SKU molto grandi a meno che il calcolo non sia attentamente limitato (ad es. concentrandosi su articoli di interesse). Si sono recentemente spostati su offerte cloud che presumibilmente possono scalare, ma non è chiaro se gli algoritmi di base sono stati riscritti per il calcolo distribuito o semplicemente ospitati su grandi VM.
Approcci difettosi: Il difetto del “design in memoria” merita di essere enfatizzato. Diversi fornitori hanno adottato l’approccio di modellare l’intera supply chain in un unico modello residente in memoria (simile a un cubo OLAP o a un gigantesco foglio di calcolo in memoria). Questo offre una grande velocità per casi piccoli e medi, ma non scala linearmente - non è possibile distribuirlo facilmente, e l’aggiunta di più dati può causare un’esplosione combinatoria delle esigenze di memoria. Lo studio del fornitore Lokad chiama esplicitamente questo 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 globale ⁷. Allo stesso modo, la letteratura di Kinaxis riconosce indirettamente le limitazioni: ad esempio, la documentazione più vecchia di Kinaxis notava che i sistemi a 32 bit con ~4GB di RAM erano un fattore limitante all’epoca, e mentre ora il 64 bit ne permette 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, sono 100 milioni di serie temporali - un cubo in memoria di quella dimensione (con storia e periodi futuri) potrebbe spingere decine di miliardi di celle, il che è impraticabile. Un approccio distribuito che elabora negozio per negozio o partizioni 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 l’uso interattivo ma significa che è necessario avere quel modello completo pronto in memoria. I sistemi orientati al batch (come una corsa notturna di Lokad, o anche l’approccio di ToolsGroup) possono scalare dividendo il compito (ad es. prevedendo ogni SKU separatamente, che è imbarazzantemente parallelo). Envision di Lokad, 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, l’uno o l’altro è preferibile. Ma se l’obiettivo è il miglior piano possibile, un processo batch che elabora enormi spazi di scenario durante la notte potrebbe battere un calcolo semplificato in tempo reale.

Linea di fondo: Soluzioni come la piattaforma cloud di Lokad sono costruite per scalare orizzontalmente e gestire volumi di big data senza incontrare un muro, mentre le soluzioni incentrate sulla memoria (Kinaxis, o9, Relex, SAP) rischiano colli di bottiglia di scalabilità e costi crescenti man mano che la complessità dei dati aumenta. Le aziende che valutano queste dovrebbero considerare attentamente la dimensione dei loro dati della supply chain e la traiettoria di crescita. È significativo che alcune nuove startup di pianificazione “AI” stiano evitando consapevolmente i monoliti in memoria, utilizzando invece microservizi o framework di big data. Inoltre, un avvertimento: l’ottimizzazione delle prestazioni spesso ricade sul team di implementazione - se un fornitore richiede un’aggregazione pesante o la potatura dei dati per far entrare il modello in memoria, è un segnale di allarme di scalabilità. La tecnologia veramente scalabile gestirà i dati granulari senza costringerti a semplificarli.

Integrazione tecnologica e acquisizioni: Piattaforme unificate vs. Franken-suite

La storia di un fornitore - se ha costruito la sua soluzione organicamente o si è espanso tramite acquisizioni - influisce notevolmente sulla coerenza e integrazione della tecnologia. Quando una suite di pianificazione è composta da molte parti acquisite, spesso risulta in diversi moduli che utilizzano diversi database, interfacce utente o addirittura linguaggi di programmazione, rendendo il prodotto complessivo meno coeso. Abbiamo esaminato il background di ogni fornitore:

Blue Yonder (JDA) è uno degli esempi più chiari di crescita tramite acquisizione. Nel corso degli anni, JDA ha acquisito Manugistics (per gli algoritmi di pianificazione della supply chain), i2 (anche se quell’affare è saltato nel 2008), Intactix (per la pianificazione dello spazio retail), RedPrairie (per la gestione del magazzino), e la startup Blue Yonder (per la previsione AI/ML), tra gli altri. Questo significa che l’attuale suite di soluzioni Blue Yonder è un patchwork: ad esempio, la pianificazione della domanda potrebbe essere il vecchio motore Manugistics, il fulfillment potrebbe essere qualcos’altro, l’ottimizzazione dei prezzi proviene da un’altra acquisizione, ecc. Lo studio Lokad ha notato che “il software aziendale non è miscibile attraverso M&A… sotto il banner BY giace una raccolta casuale di prodotti” ¹⁴. Tentano di unificarli sotto la piattaforma “Luminate” con un’interfaccia utente comune e forse un livello di dati comune in Azure, ma in profondità è difficile unire tutto in un sistema fluido. I clienti spesso implementano solo alcune parti, e farle comunicare tra loro può richiedere un’integrazione personalizzata. Le incoerenze sorgono inevitabilmente (ad esempio, un modulo potrebbe supportare la logica probabilistica mentre un altro no; uno usa un risolutore di ottimizzazione, un altro ne usa uno diverso). L’insieme tecnologico frammentato significa anche che le pratiche contraddittorie possono coesistere nella stessa suite (ad esempio, una parte di BY potrebbe vantare un avanzato ML, mentre un’altra parte utilizza ancora formule di stock di sicurezza di 20 anni fa).
Anche SAP ha costruito alcune e ne ha acquistate altre. In particolare, SAP ha acquisito SAF (un fornitore di previsioni) nel 2009, SmartOps (un fornitore di ottimizzazione dell’inventario) nel 2013 ¹⁷, e aveva precedentemente sviluppato APO in-house. Questi sono stati tutti incorporati nell’offerta cloud di SAP Integrated Business Planning (IBP). Il risultato: SAP IBP ha diversi moduli (Previsione, Inventario, Fornitura) che, pur sotto un unico ombrello, a volte sembrano prodotti separati. La previsione potrebbe utilizzare algoritmi da SAF, l’ottimizzazione dell’inventario utilizza la logica SmartOps. La recensione tra pari definisce la suite di SAP “una raccolta di prodotti” e avverte che la complessità è alta, spesso richiedendo “i migliori integratori - più alcuni anni - per raggiungere il successo” ²³. In altre parole, l’integrazione è lasciata al team di implementazione e può essere una lunga fatica per far funzionare tutte le parti insieme senza soluzione di continuità.
Kinaxis, fino a poco tempo fa, era per lo più una costruzione organica - il loro prodotto principale RapidResponse è stato sviluppato internamente nel corso di decenni. Questo gli ha dato un aspetto molto unito (un modello di dati, un’interfaccia utente). Tuttavia, negli ultimi 3-4 anni, Kinaxis ha fatto alcune acquisizioni/partnership strategiche per colmare le lacune: ad es. collaborando con Wahupa per l’ottimizzazione probabilistica dell’inventario ¹⁸, acquisendo Rubikloud per la previsione AI, e acquisendo Prana (un fornitore di analisi della supply chain) nel 2021. Kinaxis integra questi tramite la sua piattaforma estensibile (vantano un’integrazione “senza codice” tramite la loro interfaccia utente per queste nuove capacità), ma realisticamente questi sono motori separati che vengono collegati. Ad esempio, il 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 add-on liberamente accoppiato (ad esempio, si alimentano i dati di variabilità delle previsioni al motore di Wahupa e si ottengono livelli di stock di sicurezza - un po’ come un accessorio). Rispetto ai fornitori con decine di acquisizioni, Kinaxis è ancora relativamente coeso, ma vale la pena di osservare che non vada sulla strada di una franken-suite.
o9 Solutions è per lo più costruito internamente dai suoi fondatori (che erano ex dipendenti di i2). È una singola piattaforma con moduli che sono stati 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 AI/ML chiamata Processium, ma niente di importante in termini di algoritmi di pianificazione per quanto ne sappiamo). Pertanto, il tech stack di o9 è più unificato rispetto ai concorrenti più vecchi - tutto si basa sull’o9 Enterprise Knowledge Graph e utilizza lo stesso framework UI. Questo è un vantaggio per la coerenza (nessuna duplicazione di schemi di database, ecc.). Lo svantaggio è che se una parte della loro tecnologia è debole, non hanno una soluzione facile tramite acquisizione - devono svilupparla. Fino ad ora, sono riusciti con lo sviluppo interno, sebbene con le limitazioni di cui abbiamo discusso (come tecniche di previsione possibilmente pedestri sotto il cofano).
ToolsGroup è cresciuto in gran parte organicamente attorno al suo prodotto SO99+. Non hanno fatto grandi acquisizioni di altri fornitori di pianificazione che sappiamo. Pertanto, i loro moduli di previsione della domanda e di ottimizzazione e rifornimento dell’inventario sono stati progettati insieme. Questo produce un’applicazione coerente se un po’ monolitica. La sfida per ToolsGroup è stata la modernizzazione - la loro architettura e UI erano datate negli anni 2010, ma da allora hanno fatto sforzi per passare al cloud e aggiornare l’interfaccia. Tuttavia, essere coesi è uno dei motivi per cui ToolsGroup è relativamente semplice: fa una cosa (ottimizzazione del livello di servizio) end-to-end senza la necessità di collegare altri strumenti.
Anche Relex Solutions ha costruito la sua piattaforma da zero specificamente per il retail. Hanno acquisito un paio di aziende in spazi adiacenti (una soluzione di gestione della forza lavoro e una soluzione di pianificazione dello spazio del negozio di recente), ma il loro motore principale di previsione e rifornimento è fatto in casa. Quel nucleo è unificato (ed è per questo che possono fare cose come mostrare a un utente qualsiasi metrica in tempo reale, dato che tutti i dati sono nello stesso DB in memoria). Le acquisizioni in nuove aree potrebbero introdurre alcune cuciture di integrazione, ma Relex è ancora lontano dalla frenesia di acquisizioni dei fornitori più vecchi.

Il problema chiave con le suite frammentate non è solo l’overhead tecnico, ma anche la disallineamento funzionale: se un modulo è stato progettato per un approccio (diciamo, pianificazione deterministica con stock 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 gli stock di sicurezza che un modulo di pianificazione della domanda da un’altra acquisizione non sa come gestire nella sua UI, portando a confusione o doppie voci di dati. Infatti, abbiamo visto casi in cui i fornitori promuovono la previsione probabilistica nel marketing, eppure 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 genealogie di prodotti.

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

Quindi, da un punto di vista tecnologico, gli acquirenti dovrebbero diffidare delle suite nate da molte fusioni - chiedere se la parte di previsione e la parte di pianificazione condividono davvero lo stesso motore o modello di dati. In caso contrario, il risultato potrebbe essere dolore di integrazione e potenzialmente output contraddittori.

Credibilità Tecnica: Tagliare l’Hype AI/ML

In un’epoca in cui ogni fornitore afferma di avere una “supply chain guidata dall’IA” e “previsioni basate sull’apprendimento automatico”, è essenziale esaminare come essi sostanziano queste affermazioni. Cerchiamo prove tecniche tangibili di tecniche avanzate - come ricerche sottoposte a revisione paritaria, algoritmi proprietari documentati, contributi open-source o performance in benchmark neutrali. Controlliamo anche l’abuso di parole d’ordine - chiamare qualcosa IA che è solo una regola if-else, per esempio. Ecco come si comportano i fornitori:

Lokad dimostra un’alta credibilità tecnica. Non si limita a rivendicare l’IA; pubblica contenuti che spiegano i suoi algoritmi (ad es. una lezione che dettaglia come ha funzionato il loro modello di previsione vincitore M5 ²⁵). Il CEO dell’azienda e il team partecipano a discussioni tecniche (tramite blog, lezioni) su perché vengono scelti certi approcci (come l’insieme di previsioni quantili o l’uso della perdita di pinball per l’addestramento). Ammettono anche apertamente i limiti di competizioni come M5 e come i problemi reali della supply chain differiscono ²⁶ ²⁷ - questa sfumatura indica un atteggiamento ingegneristico serio piuttosto che un soffio 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 per il dominio creato per l’ottimizzazione della supply chain ²⁸. Questo è un pezzo concreto di tecnologia che gli esterni possono valutare (e alcune parti sono documentate pubblicamente). Lokad non si appoggia a citazioni di analisti pagati; invece, invita alla revisione paritaria dei suoi metodi. Questa apertura e l’attenzione alla scienza piuttosto che agli slogan stabiliscono un gold standard per la credibilità.
Blue Yonder, d’altra parte, tende a usare un linguaggio vago sull’IA, come “incorporare l’IA/ML nella nostra piattaforma Luminate” senza dettagliare quali tecniche o modelli vengono utilizzati. Lo studio del fornitore Lokad sottolinea esplicitamente che le affermazioni di Blue Yonder sull’IA hanno “poca o nessuna sostanza”, e i pochi artefatti disponibili suggeriscono una dipendenza da metodi di previsione vecchia scuola (ARMA, regressione) ¹⁵. Ad esempio, BY potrebbe dire “usiamo l’IA per percepire i cambiamenti della domanda”, ma se in realtà sta usando una regressione lineare sulle vendite recenti (una tecnica di decenni fa), sta allungando il termine IA. La presenza di progetti open-source come tsfresh (estrazione di caratteristiche di serie temporali) è in realtà un punto a favore di BY per la trasparenza, ma quei progetti stessi sono strumenti generici ben noti, non innovazioni proprietarie. La mancanza di qualsiasi risultato pubblicato o competizione da parte dei team di data science di BY implica ulteriormente che le loro affermazioni sono più guidate dal marketing. In breve, Blue Yonder non ha fornito una prova tecnica convincente per sostenere il suo pesante branding AI - un segnale di allarme per la credibilità.
o9 Solutions solleva analogamente scetticismo. Commercializzano il concetto di un Enterprise Knowledge Graph (EKG) come un differenziatore, implicando che sia una forma di IA che cattura le relazioni nei dati. Sebbene i database a grafo siano utili, non c’è nulla di intrinsecamente “genio della previsione” nello stoccare dati come un grafo - sono gli algoritmi sopra che contano. Lo studio Lokad nota che le affermazioni di previsione di o9 attorno al grafo sono non supportate dalla letteratura scientifica ²⁹. Inoltre, il GitHub di o9 (se uno scava) non ha rivelato algoritmi rivoluzionari, e il loro discorso sull’IA si riduce spesso a capacità generiche (come “analisi avanzate” o “previsioni ML”) che molti altri hanno anche. Usano termini alla moda (“cervello digitale”, “AI/ML”, “grafo di conoscenza”) ma senza validazione esterna. Fino a quando o9 non pubblica, ad esempio, un white paper su come i loro modelli ML superano gli altri, o fino a quando un caso di cliente è documentato con dati rigorosi, è più sicuro assumere che l’IA di o9 sia per lo più hype - forse modelli ML standard (reti neurali, gradient boosting, ecc.) avvolti in un buon marketing. Notiamo anche che nella comunità della supply chain, i concetti di IA veramente rivoluzionari (come l’apprendimento profondo per l’ottimizzazione della supply chain, o modelli probabilistici innovativi) vengono di solito discussi in forum accademici o aperti - non abbiamo visto o9 presentare in questi, il che suggerisce una mancanza di tecnologia unica.
Kinaxis è stato relativamente misurato nel suo marketing - non abusa dell’“AI” in ogni frase, il che in un certo senso è positivo (meno esagerazioni). Tuttavia, con l’integrazione dei partner AI, hanno iniziato a metterla più in evidenza. Un buon segno: il post sul blog scritto insieme al CEO di Wahupa ³⁰ ³¹ che discute i metodi probabilistici rispetto a quelli statistici mostra che Kinaxis è disposto a immergersi nella scienza (menzionando la teoria della probabilità, la decisione sotto incertezza, ecc.). Questo indica che stanno cercando di basare le loro offerte su una metodologia solida. Ma Kinaxis deve ancora dimostrare se stesso in termini di risultati di questi metodi. Non hanno, ad esempio, pubblicato “la nostra nuova previsione ML ha migliorato l’accuratezza di X% rispetto al nostro vecchio approccio” con dettagli - probabilmente perché stanno ancora integrandola. Quindi la credibilità di Kinaxis è in transizione: storicamente non ha affermato di essere un leader tecnologico nella previsione (quindi non stava travisando), e ora che afferma di avere analisi avanzate, dobbiamo aspettare le prove. La partnership con Wahupa mostra almeno un riconoscimento che era necessaria un’esperienza esterna - il che è credibile (non hanno finto di aver padroneggiato la probabilità; hanno portato uno specialista).
ToolsGroup ha purtroppo minato la sua credibilità saltando sul treno del buzzword AI senza sostenerlo. Il commento dello studio che le loro affermazioni sull’AI sono “dubbie” e che i materiali pubblici suggeriscono ancora modelli pre-2000 è rivelatore ¹¹. Suggerisce che ToolsGroup potrebbe fare poco più che rinominare le funzionalità esistenti come “AI”. Ad esempio, ToolsGroup potrebbe pubblicizzare “AI per il sensing della domanda” - dopo un’indagine, potrebbe essere solo una regola che dà più peso alle vendite recenti (che non è AI, è solo un aggiustamento algoritmico). Senza dettagli pubblicati, è difficile dar loro il beneficio del dubbio. La loro credibilità era più forte nei primi anni 2000 quando erano realmente avanti nei modelli di inventario probabilistici; ora soffre di possibile stagnazione.
SAS (che non abbiamo classificato al top ma è nel mix) è un caso in cui la credibilità tecnica è alta in generale (SAS ha una lunga storia nelle statistiche), ma il rovescio della medaglia è che la loro tecnologia di base è più vecchia. I metodi di previsione di SAS sono ben documentati (hanno letteralmente scritto il manuale 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 Lokad riconosce SAS come un pioniere, sebbene ora sia superato da strumenti open source come i quaderni Python ³². SAS di solito non esagera - si affidano alla loro reputazione - ma come soluzione per la supply chain, sono meno comunemente usati off-the-shelf (più spesso, un’azienda usa SAS per costruire una soluzione personalizzata).
Osservazione generale: Un modo rapido per testare la sincerità tecnica di un fornitore è vedere se a volte riconoscono limitazioni o casi d’uso appropriati della loro tecnologia. I fornitori profondamente immersi nella modalità di marketing affermeranno che la loro AI risolve tutto. Quelli con una vera tecnologia diranno “ecco cosa fa e ecco dove potrebbe non funzionare così bene”. Ad esempio, Lokad discute spesso di 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 ad avere quella conversazione pubblica sfumata. La maggior parte degli altri si attiene a generalità rosee, che dovrebbero rendere un cliente esperto cauto.

In conclusione, prove tangibili di forza tecnica - come classifiche di competizione, blog tecnici dettagliati o persino discussioni della comunità di utenti - sono scarse per molti fornitori di grande nome. Lokad è in testa nel fornire prove (vittoria M5, spiegazioni aperte). Altri come Blue Yonder e o9 forniscono hype con accenni di tecnologia datata, che mettono in discussione la loro pretesa “rivoluzione AI” ¹⁶. Un potenziale acquirente dovrebbe esigere che i fornitori spieghino in termini concreti come funzionano i loro algoritmi e perché sono migliori - e essere cauti se la risposta è solo una zuppa di parole alla moda. Il vero valore AI/ML nella supply chain dovrebbe essere dimostrabile (ad es. “usiamo alberi potenziati dal gradiente per catturare i driver della domanda non lineari come il tempo e abbiamo dimostrato un miglioramento del 5% rispetto al baseline su 1000 SKU” - una dichiarazione di questa forma è più convincente di “la nostra AI trova schemi nascosti nei tuoi dati”).

Coerenza & Contraddizioni negli Approcci dei Fornitori

Un segno rivelatore di innovazione superficiale è quando il messaggio o la metodologia di un fornitore contiene inconsistenze interne. Abbiamo cercato tali contraddizioni - ad esempio, predicare sull’incertezza ma misurare il successo con metriche deterministiche, o affermare di eliminare le vecchie pratiche pur utilizzandole ancora sotto traccia. Alcuni risultati notevoli:

Metriche Probabilistiche vs Deterministiche: Come accennato, ToolsGroup è colpevole di questo - pubblicizza la capacità di previsione probabilistica ma mostra i risultati in termini di riduzione del MAPE (Mean Absolute Percentage Error) ¹³. MAPE è una metrica di errore di previsione puntuale; se stai davvero facendo previsioni probabilistiche, parleresti di calibrazione, log-verosimiglianza probabilistica, perdita di pinball (per i quantili), o almeno del livello di servizio raggiunto. Aggrappandosi al MAPE, ToolsGroup contraddice essenzialmente la sua storia probabilistica. Questa inconsistenza suggerisce che il loro output “probabilistico” è solo una previsione deterministica trasformata o è un sovrapposizione di marketing non profondamente abbracciata dal loro R&D.
Hype del Sensing della Domanda: Molti fornitori usano il termine “sensing della domanda” per implicare che hanno una speciale previsione a breve termine che cattura le ultime tendenze (come l’uso di vendite molto recenti o segnali esterni). ToolsGroup, SAP e GAINSystems hanno tutti usato questo termine. Lo studio sottolinea che queste affermazioni di “sensing della domanda” sono spesso “vaporware” non supportate dalla letteratura ³⁴. Se un fornitore afferma “la nostra AI rileva i cambiamenti della domanda 3 mesi prima”, ma non può spiegare come (e nessuna ricerca peer-reviewed sostiene che una cosa del genere sia anche solo possibile in modo affidabile), è un segnale di allarme. L’inconsistenza sorge quando lo stesso fornitore utilizza ancora un modello di serie temporale di base. Essenzialmente, prendono una previsione di smoothing esponenziale standard, poi aggiungono un aggiustamento dell’ultima settimana e lo chiamano “sensing”. La contraddizione: ritrarre un piccolo ritocco come una svolta.
Uso di KPI Deterministici: Guarda se i casi studio 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 su AI/ML. Ad esempio, se un fornitore vanta l’apprendimento automatico ma la loro demo mostra pianificatori che lavorano per migliorare la previsione MAPE o utilizzano la segmentazione ABC per impostare le scorte di sicurezza, è incoerente. Una vera pianificazione probabilistica guidata da ML sposterebbe l’attenzione su cose come il costo atteso, la probabilità di esaurimento delle scorte, o altre misure stocastiche - non le tradizionali classificazioni MAPE o ABC (che presuppongono una categorizzazione della domanda prevedibile e statica). Abbiamo osservato questo tipo di doppia personalità 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 i fornitori che parlano di gestione dell’incertezza ma centrano ancora il loro processo sulle “scorte di sicurezza”. Il concetto di scorta di sicurezza è radicato in una previsione deterministica + un buffer. In un quadro completamente probabilistico, si calcolerebbe invece un livello di stock ottimale direttamente dalla distribuzione della domanda e dagli obiettivi di servizio (che fonde effettivamente “base” e “sicurezza” in una sola decisione). Se un fornitore dice “ottimizziamo l’inventario con l’AI”, chiedi se hanno ancora l’utente che inserisce il “livello di servizio desiderato” per calcolare la scorta di sicurezza utilizzando le ipotesi di distribuzione normale. Se sì, non sono davvero andati avanti - stanno solo vestendo il vecchio calcolo della scorta di sicurezza con un nuovo linguaggio. Ad esempio, l’ottimizzazione dell’inventario di Blue Yonder (storicamente) calcolerebbe la scorta di sicurezza in base alla varianza e agli obiettivi di servizio - non è un’ottimizzazione probabilistica fondamentale; è un’applicazione di una formula. Fornitori come Lokad rifiutano esplicitamente il termine “scorta di sicurezza” come obsoleto, poiché in una vera ottimizzazione stocastica si tratta tutta la scorta come servente la distribuzione di probabilità della domanda, non una parte designata “sicurezza”. Quindi se un fornitore commercializza “pianificazione di prossima generazione” ma la loro guida alla soluzione ti fa mantenere le impostazioni delle scorte di sicurezza, c’è un problema di coerenza.
Magia dell’IA vs. Controllo dell’Utente: Alcuni fornitori affermano simultaneamente “la nostra IA guiderà autonomamente la tua supply chain” e “diamo agli utenti il pieno controllo e visibilità nel processo di pianificazione”. C’è un equilibrio da trovare, ma le affermazioni troppo ampie possono entrare in conflitto. Se l’IA è veramente autonoma, l’utente non dovrebbe aver bisogno di monitorarla costantemente; se l’utente deve costantemente regolare, allora non è veramente autonoma. Il marketing spesso vuole promettere entrambe le cose (“pilota automatico E override manuale!”) ma in realtà una soluzione tende a pendere da una parte o dall’altra. Non sto puntando il dito su un fornitore specifico qui, ma abbiamo notato promesse generiche di piena automazione accompagnate da screenshot di dozzine di parametri di pianificazione che gli utenti devono configurare - un messaggio un po’ misto.

Nella nostra ricerca, un chiaro esempio di come affrontare le contraddizioni è come Lokad si posiziona rispetto al mainstream. Lokad critica esplicitamente misure come MAPE e concetti come la scorta 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 mettono ancora in evidenza cose come il rilevamento della domanda e gli algoritmi di corrispondenza che provengono da epoche precedenti ³⁴ - cavalcando 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 è una contraddizione tra affermazione ed evidenza.

Per riassumere, quando si valutano i fornitori, è importante verificare la coerenza interna: Stanno praticando quello che predicano? Se un fornitore parla molto di incertezza e ottimizzazione, i loro materiali non dovrebbero contemporaneamente glorificare le metriche deterministiche o i metodi semplistici. Le incongruenze indicano spesso che il “nuovo pensiero” è solo di superficie.

Pratiche Obsolete: Segnali di Allarme di una Pianificazione Superata

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 rivelatore. Ecco alcune pratiche obsolete (o almeno “vecchia scuola”) e come si confrontano i fornitori:

Scorta di Sicurezza come Stampella: Come discusso, trattare la scorta di sicurezza come un cuscino separato aggiunto a una previsione è un approccio più vecchio. Non è che la scorta di sicurezza sia “cattiva” - 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 lo smoothing, poi calcola la scorta di sicurezza = z-score * sigma * radice quadrata del lead-time”, quella è ancora la teoria degli anni ‘60 in gioco. Slimstock’s Slim4, ad esempio, utilizza con orgoglio tali formule mainstream (scorta di sicurezza, EOQ) ed è trasparente al riguardo ³⁵. Slimstock ottiene effettivamente credito per l’onestà: si concentra su “praticità banali ma critiche” piuttosto che fingere di utilizzare l’IA ³⁶. Ma da una prospettiva di leadership tecnologica, quelle pratiche sono datate. Lokad e Wahupa (partner di Kinaxis) sostengono un passaggio al calcolo diretto dei punti/quantità di riordino ottimali dai modelli probabilistici, eliminando la separazione artificiale di “scorta di ciclo vs scorta di sicurezza”. Molti strumenti legacy (SAP, Oracle, JDA più vecchi) si affidano ancora ai parametri di scorta di sicurezza ovunque. Questo è un segnale di allarme che la loro matematica di base non è cambiata molto. Un sistema veramente basato sull’ottimizzazione ti permetterebbe di inserire il costo della scorta vs il costo della carenza e poi risolvere per la politica - mai chiamando esplicitamente qualcosa “scorta di sicurezza”, solo emettendo un livello di scorta ottimale per articolo.
MAPE e Metriche Deterministiche: Concentrarsi su MAPE, bias, ecc., come misura principale di successo può essere considerato obsoleto, perché queste metriche non correlano direttamente con i risultati aziendali (si può avere un basso MAPE ma un pessimo livello di servizio, ad esempio) e ignorano l’incertezza. Gli approcci più recenti favoriscono metriche come la pinball loss (quantile loss) per le previsioni o le metriche di costo atteso per i piani. Se i criteri di successo di un fornitore nei casi studio sono “abbiamo migliorato l’accuratezza delle previsioni dal 70% all'80% MAPE”, sono in qualche modo ancorati al passato. L’enfasi di John Galt sulle affermazioni di accuratezza delle previsioni è un po’ in questa vena (e è stata messa in discussione dai colleghi) ²⁰. Un approccio moderno sarebbe “abbiamo ridotto le mancanze di stock dell’X% o l’inventario del Y% per lo stesso livello di servizio” - questo è basato sui risultati, non solo su MAPE.
Segmentazione Euristica (ABC, XYZ): I vecchi processi di pianificazione spesso segmentano gli articoli per volume (ABC) o variabilità (XYZ) e applicano diversi parametri di pianificazione a ciascun gruppo. Questo è un euristico per far fronte a una potenza di calcolo limitata o a modelli semplicistici - trattare gli articoli A con un approccio (forse più manuale) e gli articoli C con un altro (forse regole min-max). Sebbene la segmentazione possa essere ancora utile, è in qualche modo obsoleta se si dispone della potenza di calcolo per ottimizzare ogni SKU individualmente e continuamente. Un sistema che enfatizza fortemente la classificazione manuale ABC o richiede di classificare la domanda come “lumpy vs smooth” ecc., potrebbe utilizzare questo come stampella per non avere algoritmi che gestiscono automaticamente diversi modelli di domanda in modo robusto. Molti sistemi legacy (e anche alcuni più recenti) fanno ancora questo. Idealmente, un sistema guidato dall’IA imparerebbe automaticamente il modello per SKU e non avrebbe bisogno di un umano per categorizzarlo.
Sovrascritture Manuali delle Previsioni come Routine: La pianificazione della domanda tradizionale prevede che gli utenti sovrascrivano regolarmente le previsioni statistiche sulla base del giudizio (informazioni di marketing, ecc.). Sebbene l’input umano sia 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 minimizzare 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 fidato out-of-the-box. La tendenza è verso sovrascritture basate su eccezioni solo.
Dipendenza da Fogli di Calcolo: Se scopri che la soluzione di un fornitore spinge spesso gli utenti a esportare i dati in Excel per l’analisi finale o utilizza Excel come interfaccia (alcuni strumenti di medio mercato lo fanno), è un segno di una soluzione immatura. Gli strumenti leader forniscono tutte le analisi e il supporto decisionale necessari all’interno della piattaforma. (Anaplan è interessante qui: è fondamentalmente 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 - è sia moderno che old-school allo stesso tempo).

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

Blue Yonder e SAP portano avanti molto del legacy - ad esempio, l’impostazione predefinita di SAP in molte implementazioni è ancora quella 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 questi fondamentali, allora sono essenzialmente vino legacy in una nuova bottiglia.

La presenza di metriche contraddittorie (come parlare di innovazione ma utilizzare MAPE) l’abbiamo già coperta come inconsistenza, ma è anche una prova dell’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 ruota ancora attorno a parametri di stock di sicurezza, regole di segmento ABC e percentuale di accuratezza delle previsioni come KPI principale. Questi sono segni che la soluzione è radicata nelle pratiche del secolo scorso. Invece, cercate fornitori che enfatizzano livelli di servizio, costi e probabilità - il linguaggio della moderna supply chain science.

Previsione 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 tali previsioni. L’obiettivo finale nella supply chain non è una bella previsione - è prendere le giuste azioni (ordinare, stoccare, programmare) per massimizzare il servizio e minimizzare i costi. Definiamo una soluzione “orientata alla decisione” se produce direttamente raccomandazioni come quantità di ordine, piani di produzione o obiettivi di inventario e se tali output sono ottimizzati data la previsione e i vincoli/costi pertinenti. Ecco come si confrontano i fornitori:

Lokad è estremamente orientato alla decisione. Infatti, spesso sminuiscono l’importanza della previsione stessa, insistendo sul fatto che ciò che conta è la decisione (una filosofia implicita di “la previsione è buona solo se porta a una buona decisione”). Utilizzando Lokad’s Envision, non ci si ferma a prevedere la 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, poi sceglierà la decisione che massimizza l’esito atteso. L’output per l’utente non è “la domanda sarà 120” ma piuttosto “ordina 130 unità” (ad esempio), insieme alla motivazione (ad es. questa quantità bilancia il rischio di esaurimento dello stock vs sovrastoccaggio data la distribuzione della previsione e i tuoi parametri di costo). Questa è vera analisi prescrittiva o centrata sulla decisione. Lokad garantisce quindi che la previsione si traduca direttamente in esecuzione. Considera anche i vincoli (come MOQs, durata di conservazione, limiti di budget) nell’ottimizzazione. Quindi, Lokad soddisfa chiaramente il requisito di trasformare le previsioni in azioni.
Anche ToolsGroup ha un orientamento decisionale, specificamente per decisioni di inventario e rifornimento. Il suo strumento SO99+ non si limita a prevedere; raccomanda livelli di stock e punti di riordino che raggiungono gli obiettivi di livello di servizio. In pratica, un’implementazione di ToolsGroup produrrà per ogni 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.” Questa è una decisione (quantità di rifornimento) derivata dalla previsione. Quindi ToolsGroup è sempre stato orientato all’output prescrittivo, non solo predittivo. Il limite è il tipo di decisione: si tratta per lo più di politiche di inventario (hanno una certa ottimizzazione della pianificazione della produzione, ma il loro forte è la distribuzione). Inoltre, le raccomandazioni di ToolsGroup sono buone solo quanto il modo in cui l’incertezza della previsione è modellata (che abbiamo criticato). Ma il merito dove è dovuto: ToolsGroup non si aspetta che l’utente prenda una previsione e poi decida manualmente un ordine; automatizza quel calcolo.
Blue Yonder e altri pacchetti legacy spesso separano le previsioni dai moduli di pianificazione. Ad esempio, BY Demand fornisce una previsione, poi BY Supply (o Fulfillment) prende quella previsione e calcola i piani. In un’implementazione integrata, sì, il risultato finale è una raccomandazione di decisione (come un programma di produzione principale o un piano di distribuzione). Blue Yonder offre moduli di ottimizzazione della pianificazione completa - 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 a mano per creare ordini pianificati). Il loro modulo Pianificazione della produzione può creare una sequenza di produzione ottimizzata o un programma. Quindi, BY come suite copre le decisioni, ma quanto ottimali o integrate siano queste decisioni dipende da se tutte le parti sono implementate e sintonizzate. 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 incontrerà, si ottengono piani inattuabili). Un approccio veramente orientato alla decisione 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 alla decisione/output nel senso che il suo scopo principale è generare piani d’azione (piani di fornitura, previsioni di inventario, ecc.) rapidamente. L’utente generalmente lavora con questi piani e può confermare o regolare le decisioni (come accelerare un ordine o riallocare la fornitura). Con la nuova aggiunta MEIO di Kinaxis, ora ottimizza esplicitamente un insieme di decisioni: i buffer di inventario (cioè, Kinaxis può ora raccomandare i livelli di stock di sicurezza bilanciando il contante vs il 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 il MEIO probabilistico cerca di trovare il migliore matematicamente. Per altre aree (come la pianificazione della produzione e della distribuzione), Kinaxis utilizza euristiche o ottimizzazione sotto il cofano (ha alcuni risolutori di ottimizzazione per la programmazione e l’allocazione) - ma gran parte del potere di Kinaxis è nella simulazione piuttosto che nell’ottimizzazione dura. Cioè, può simulare il risultato di una decisione dell’utente estremamente velocemente, ma spesso lascia la scelta di quale scenario seguire all’umano. In sintesi, Kinaxis produce un insieme completo di azioni consigliate (come ordini pianificati, riprogrammazioni) in tempo quasi reale - sicuramente supporto alle decisioni - ma non sceglie sempre automaticamente il piano “ottimale” senza input umano, tranne in funzioni specifiche come MEIO o quando il piano è ovvio (ad es. propagherà la domanda ai requisiti di fornitura in modo deterministico).
Anche o9 Solutions è orientato a produrre piani (che sono insiemi di decisioni) su domanda, fornitura, inventario, ecc. o9 ha motori di ottimizzazione per certi problemi - ad esempio, la pianificazione della fornitura con programmazione lineare per minimizzare i costi o massimizzare il profitto dato i vincoli. Fa parte del loro concetto di “cervello digitale” che troverà una ripartizione ottimale delle risorse. Tuttavia, non ogni cliente o9 lo utilizza in modo ottimizzato; alcuni potrebbero semplicemente utilizzare la sua piattaforma per fare pianificazione collaborativa (che potrebbe essere essenzialmente decisioni manuali ma con una migliore visibilità dei dati). La domanda è: o9 supporta nativamente l’ottimizzazione delle decisioni probabilistiche? Probabilmente non fortemente; potrebbe fare analisi di scenario (“se produciamo il 10% in più, qual è l’esito?”) ma non necessariamente calcolare un valore atteso attraverso gli scenari. Quindi, orientato alla decisione sì (ti dà piani di supply chain consigliati), ma ottimale sotto incertezza, non chiaramente.
Relex Solutions essendo focalizzato sul retail, 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 automatizzato dato la previsione e i parametri). Può anche ottimizzare cose come allocazione dello spazio sugli scaffali vs inventario (con il suo nuovo approccio unificato di pianificazione e pianificazione dello spazio), che è un trade-off decisionale unico per il retail (ad es. se lo spazio è limitato, come bilanciare l’inventario vs l’assortimento). Le decisioni di Relex sono per lo più guidate da regole impostate dall’utente (come obiettivi di livello di servizio o giorni di fornitura), ma il sistema gestisce i calcoli per produrre gli ordini effettivi che rispettano quelle regole. È sicuramente orientato alla decisione (non dice solo “la previsione di questa settimana è di 100 unità” - dice al rivenditore di ordinare 50 unità in più ora perché l’inventario attuale è 50 e la previsione è 100 e il lead time è tale e quale, ecc.). Se c’è qualcosa, Relex potrebbe errare sul lato troppo tattico (riordinerà bene, ma forse non considererà le implicazioni a lungo termine della rete - ogni nodo è ottimizzato localmente per il suo servizio).

Per riassumere, la previsione orientata alla decisione è ciò che differenzia un semplice strumento di analisi da una vera soluzione di ottimizzazione della supply chain. Tutti i fornitori nelle posizioni di vertice mirano almeno a fornire output decisionali, non solo previsioni: ecco perché li abbiamo considerati nel nostro campo di applicazione (il brief dello studio diceva addirittura che escludiamo strumenti puramente transazionali o puramente 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 attraverso i suoi script personalizzati che ottimizzano il costo atteso, ToolsGroup attraverso obiettivi di livello di servizio che producono decisioni di stock).
Kinaxis e o9 generano piani completi e permettono di esplorare le decisioni, con Kinaxis che aggiunge più recentemente un’ottimizzazione più formale (ottimizzazione dell’inventario, ecc.).
Blue Yonder ha moduli di ottimizzazione separati che possono produrre decisioni (se utilizzati completamente, si ottiene un piano per tutto - ma allinearli richiede lavoro).
Relex automatizza un set specifico di decisioni (riapprovvigionamento) molto bene, meno così altri (come la pianificazione della capacità a lungo termine).

Nella valutazione delle soluzioni, le aziende dovrebbero insistere su questo punto: “Dopo che il vostro sistema ha fatto le previsioni, quali decisioni raccomanderà, e come assicura che queste siano le migliori decisioni?” Se un fornitore non può rispondere chiaramente, o se sembra che l’utente sarà lasciato a interpretare manualmente le previsioni, quel fornitore probabilmente non è veramente guidato dall’ottimizzazione. Questa domanda mette in luce, ad esempio, se una sofisticata previsione ML si tradurrà effettivamente in una riduzione dell’inventario o 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 lente tecnica, privilegiando le reali capacità rispetto alle promesse di marketing. La valutazione ha evidenziato che la leadership tecnologica in questo campo richiede: previsioni avanzate (preferibilmente probabilistiche) supportate da prove, un’architettura scalabile e moderna, un alto grado di automazione, uno stack tecnologico unificato e ben progettato, e soprattutto, un focus sulla prescrizione decisionale piuttosto che sulla semplice analisi predittiva.

Lokad si è affermato come leader di punta grazie al suo lavoro pionieristico nella previsione probabilistica e al suo radicale focus sull’ottimizzazione decisionale - attributi validati da benchmark esterni (come la vittoria nel concorso M5) e da una comunicazione tecnica trasparente ³ ². Esempio di come lo scetticismo verso gli approcci mainstream (ad es. mettendo in discussione il valore di metriche come MAPE o concetti come lo stock di sicurezza) può portare a una soluzione più robusta allineata con una solida economia ¹³ ³³.

Altri fornitori come Kinaxis e o9 Solutions stanno investendo pesantemente in AI/ML e hanno costruito piattaforme ampiamente impressionanti, ma devono ancora convincere il mercato che la loro “AI” è più che superficiale e che le loro architetture scaleranno senza costi esorbitanti ⁴. Attori storici come Blue Yonder (JDA) e SAP hanno una ricchezza di esperienza e funzionalità nel dominio della supply chain, ma il loro bagaglio legacy (sistemi frammentati da molte acquisizioni e algoritmi datati) si fa sentire, portando a contraddizioni e progressi più lenti nell’innovazione tecnologica ¹⁴ ¹⁷. Specialisti di nicchia come ToolsGroup e Relex offrono soluzioni potenti nei loro domini (ottimizzazione dell’inventario e riapprovvigionamento al dettaglio, rispettivamente), ma ognuno ha limitazioni - ToolsGroup ha bisogno di sostenere le sue affermazioni di AI con una tecnologia più fresca ¹¹, e l’approccio in-memory di Relex potrebbe vacillare al di fuori del suo punto di forza ⁷.

Un chiaro modello nell’analisi è che i fornitori che forniscono apertamente dettagli tecnici e risultati ispirano più fiducia di quelli che si affidano a parole d’ordine. In uno spazio pieno di esagerazioni, è fondamentale che i responsabili delle decisioni richiedano prove concrete e coerenza. Ad esempio, se un fornitore afferma di utilizzare l’apprendimento automatico, chiedete di vedere l’impatto di precisione o di costo prima e dopo. Se viene pubblicizzato il forecasting probabilistico, richiedete la prova di come viene misurato e utilizzato nella pianificazione (e diffidate se la risposta è confusa con metriche deterministiche).

Inoltre, con l’aumentare della complessità della supply chain, la scalabilità e l’automazione non sono solo belle da avere - sono essenziali. Le soluzioni ancora bloccate in pratiche manuali, dell’era di Excel, o quelle che non riescono a gestire i big data senza hardware eroico, non serviranno bene le imprese a lungo termine. Lo scetticismo dello studio verso le architetture one-size-fits-all in-memory è confermato dai dati - approcci più distribuiti e nativi del cloud stanno mostrando vantaggi sia in termini di costi 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 dei pianificatori più efficienti. Per raggiungere questi obiettivi è necessario più che una matematica intelligente - è necessario integrare quella matematica in un processo decisionale coeso e automatizzato che si allinea con le realtà aziendali. I migliori fornitori sono quelli che chiudono il cerchio tra previsione -> ottimizzazione -> decisione -> risultato in modo trasparente e scientificamente solido. Quelli che si aggrappano a cicli interrotti (previsione in isolamento, o regole decisionali separate dall’incertezza) stanno rimanendo indietro.

In conclusione, le aziende che valutano le soluzioni di pianificazione della supply chain dovrebbero dare un’occhiata tecnica e approfondita a ciascun contendente. Tagliate attraverso i depliant lucidi e fate le domande difficili che abbiamo esplorato: Il fornitore fornisce previsioni probabilistiche o solo singoli numeri? Il loro sistema può funzionare autonomamente, ed è stato provato su larga scala? La tecnologia è unificata o un amalgama di vecchie parti? Spiegano la loro “AI” in termini comprensibili e fattuali? Insistendo su questo livello di rigore, si possono identificare i veri leader tecnologici nell’ottimizzazione della supply chain - quelli in grado di fornire decisioni superiori, non solo cruscotti carini. Le classifiche e le 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 avvertenze. L’onere è sui fornitori di sostenere le loro affermazioni e sugli utenti di rimanere salutamente scettici e guidati dalle prove quando scelgono il cervello che guiderà la loro supply chain.