Logiciel d'optimisation de la supply chain piloté par AI, Juin 2025

Par Léon Levinas-Ménard

Dernière modification: 2 juin 2025

Introduction

Malgré le battage médiatique autour des logiciels supply chain “AI-powered”, seul un petit nombre de fournisseurs offre véritablement une optimisation conjointe des stocks, de la tarification et des assortiments à l’aide d’algorithmes avancés. La plupart des solutions traitent encore ces leviers de manière isolée – une approche que cette étude juge fondamentalement défaillante. Nous identifions Lokad, RELEX Solutions, Blue Yonder, ToolsGroup et o9 Solutions comme les acteurs mondiaux les plus pertinents qui repoussent les limites techniques dans l’optimization quantitative de la supply chain. Lokad se démarque en tant que leader grâce à son moteur décisionnel probabiliste unifié et à un haut niveau d’automatisation, tandis que RELEX et Blue Yonder offrent des suites end-to-end larges, tempérées par un héritage technique problématique et des défis d’intégration. ToolsGroup est un pionnier dans l’optimisation probabiliste des stocks qui s’étend à la tarification du retail, et o9 Solutions vante une plateforme intégrée pilotée par AI, bien que nous restions prudents quant aux buzzwords par rapport à la réalité. Notamment, des entreprises établies comme Kinaxis, SAP et Oracle – bien qu’éminentes en planification – sont pénalisées ici pour leurs approches compartimentées (par exemple, se concentrant uniquement sur la planification de l’offre ou de la demande) et pour avoir ajouté des composants AI sans véritablement automatiser les décisions. Nous appliquons un regard profondément sceptique tout au long : en démystifiant le marketing creux, en examinant les preuves techniques et en soulignant lorsque les affirmations des fournisseurs ne correspondent pas à la réalité. L’objectif est de présenter un récit transparent et techniquement rigoureux du marché, en donnant la priorité aux résultats économiques plutôt qu’aux buzzwords.

Le Haut Niveau d’Exigence pour l’Optimisation de la Supply Chain Pilotée par AI

Pour vraiment optimiser une supply chain avec AI, une solution doit répondre à un niveau élevé de capacités – bien au-delà de la simple génération de jolis tableaux de bord ou de l’ajustement des prévisions. Nous définissons les critères de référence comme suit :

Optimisation conjointe des stocks, de la tarification et de l’assortiment : La solution devrait décider simultanément de ce qu’il faut stocker, en quelle quantité, et à quel prix, tout en choisissant l’assortiment de produits. Traiter ces aspects séparément (comme le font les outils de planification traditionnels) est fondamentalement sous-optimal ¹. La tarification affecte la demande, qui influence les stocks ; les changements d’assortiment affectent les deux. Par exemple, un système avancé pourrait décider de stocker moins d’un article à faible rotation et de le mettre en promotion plus tôt, ou inversement augmenter les prix sur des articles rares pour éviter les ruptures de stock – le tout dans le cadre d’une stratégie cohérente ² ³. Les fournisseurs proposant encore des “modules” distincts pour la prévision, le réapprovisionnement et la tarification – sans une optimisation unifiée – laissent de l’argent sur la table et sont pénalisés dans notre évaluation.
Prévision probabiliste de l’incertitude : Gérer l’incertitude est essentiel. Au lieu de prévisions ponctuelles, les fournisseurs de premier plan utilisent des distributions de probabilité pour la demande, les délais, les retours et d’autres incertitudes ⁴. Cette approche probabiliste capture la gamme des résultats possibles (par exemple, il y a 10 % de chance que la demande dépasse 120 unités) plutôt qu’une simple estimation à une seule valeur ⁵. Elle est particulièrement cruciale pour les marchés volatils d’aujourd’hui et les SKU à longue traîne. Les systèmes traditionnels (anciens SAP, Oracle, etc.) qui produisent une prévision de « meilleure estimation » accompagnée d’un stock de sécurité statique jugent souvent mal la variabilité réelle ⁶. Nous privilégions les fournisseurs qui adoptent des modèles stochastiques pour quantifier le risque, permettant ainsi des décisions telles que le réglage des niveaux de stock afin d’atteindre, par exemple, un taux de service de 95 % au lieu de simplement suivre aveuglément une prévision ⁷.
Optimisation économique (décisions axées sur le profit) : L’optimisation par AI devrait se concentrer sur les résultats commerciaux – maximiser le profit ou minimiser le coût total – et non simplement sur des KPI opérationnels. Cela signifie intégrer directement les facteurs économiques (marges, coûts de détention, pénalités de rupture, élasticité des prix) dans la logique de décision ⁸. Par exemple, un système véritablement « optimal » ne stockera un produit que si le profit attendu le justifie, et fixera les prix en équilibrant une marge plus élevée avec le risque de stock invendu. De nombreux outils hérités optimisent des indicateurs étroits (comme le taux de remplissage ou la précision des prévisions) de manière isolée ; nous recherchons plutôt des systèmes modélisant les compromis – par exemple accepter un taux de remplissage légèrement inférieur si cela améliore considérablement la rentabilité ⁹.
Automatisation & décisions “robotisées” : La promesse de l’AI dans la supply chain est une prise de décision autonome ou du moins sans intervention manuelle. Les meilleures solutions nécessitent un réglage humain minimal au quotidien – les planificateurs devraient passer à des rôles de supervision gérant les exceptions, tandis que le système traite les données et exécute les décisions routinières. Nous examinons donc avec attention les revendications des fournisseurs concernant l’automatisation. Si un outil se présente comme « autonome » mais requiert que les planificateurs ajustent des dizaines de paramètres (paramètres manuels, ajustements constants), c’est une contradiction interne ¹⁰. La véritable automatisation implique que le système s’auto-régle et s’adapte avec peu d’intervention manuelle ¹¹. Nous privilégions les fournisseurs qui démontrent une exploitation sans surveillance en pratique (génération automatique de commandes, de prix, etc.), et nous examinons si les fonctionnalités « AI » sont réelles ou simplement de belles recommandations toujours dépendantes de l’humain. La planification entièrement robotisée n’est peut-être pas encore réalisable à 100 %, mais ceux qui s’en approchent reçoivent des crédits.
Scalabilité et architecture moderne : L’optimisation de la supply chain en 2025 doit gérer le big data – potentiellement des millions de combinaisons SKU-localisation, des données de demande issues du clickstream, des réseaux multi-échelons – de manière efficace. Nous examinons l’infrastructure technologique : la plateforme est-elle cloud-native, utilisant l’informatique distribuée et des algorithmes optimisés ? Ou s’accroche-t-elle à des architectures héritées en mémoire ou sur site nécessitant du matériel exorbitant ? Des solutions qui insistent naïvement pour que tout soit en RAM ou utilisent des bases de données obsolètes peuvent devenir prohibitivement coûteuses à grande échelle. Par exemple, un “fast calc” en mémoire pourrait fonctionner avec de petites données mais s’essouffler ou augmenter les factures de cloud en cas de gros volumes ¹² ¹³. Nous récompensons les fournisseurs qui démontrent une ingénierie astucieuse (par exemple, gestion de données en streaming ou en colonnes, calcul parallèle) pour évoluer de manière rentable sur une infrastructure cloud ¹⁴ ¹⁵. À l’inverse, une dépendance excessive à une technologie coûteuse (comme un usage abusif de Snowflake ou nécessitant des serveurs spécialisés massifs) est un signal d’alarme pour un ROI pratique ¹⁶.
Intégration des données et intelligence externe : L’optimisation dans le monde réel ne se fait pas dans le vide. Nous apprécions les systèmes qui intègrent facilement des données externes telles que la tarification des concurrents, les conditions du marché, voire les signaux IoT. Intégrer les prix des concurrents ou les niveaux de stock du marketplace peut améliorer significativement les décisions de tarification et d’assortiment ¹⁷ ¹⁸. Peu de fournisseurs réussissent bien cela – beaucoup ne considèrent que les données historiques internes. La capacité à intégrer des données multi-canaux (par exemple, des flux distincts en ligne et en magasin) dans un seul modèle de planification est également cruciale ¹⁹. En bref, un système AI devrait offrir une extensibilité de type “glass box”: permettant d’ajouter de nouvelles sources de données et une logique personnalisée de façon transparente pour améliorer les décisions ²⁰. Des modèles rigides en boîte noire qui ne peuvent pas prendre en compte vos données uniques sont moins utiles pour offrir un avantage compétitif.
Expérience et rigueur scientifique : Nous recherchons des preuves que la technologie d’un fournisseur fonctionne réellement. La participation à des compétitions neutres de prévision ou de planification (comme la compétition M5) ou la publication d’études de cas avec des chiffres concrets revêt une importance particulière. Un exemple notable : une équipe de Lokad s’est classée 6e mondialement (sur 909 équipes) lors de la compétition M5 ²¹, démontrant sa maîtrise de la prévision probabiliste sur des données retail granulaires. En revanche, de nombreux grands fournisseurs n’ont jamais évalué publiquement leur AI – si un fournisseur se vante de « AI accuracy » sans jamais participer à des compétitions ou publier de détails, le scepticisme est de rigueur ²². Nous vérifions également les échecs : par exemple, l’affaire tristement célèbre d’i2 Technologies (aujourd’hui partie de Blue Yonder) dont le logiciel d’optimisation a si mal fonctionné chez Dillard’s qu’un jury a accordé $246M en dommages-intérêts ²³ ²⁴. De tels incidents (bien qu’ils soient rares et souvent tus) nous rappellent qu’il faut remettre en question les grandes déclarations. En fin de compte, nous nous appuyons sur des détails d’ingénierie vérifiables plutôt que sur le marketing : en écartant les rapports d’analystes à la paye et les témoignages client trop optimistes dépourvus de contexte. (Comme le résumait un initié de l’industrie, les leaders du Magic Quadrant de Gartner reflètent souvent davantage les budgets des fournisseurs que l’excellence du produit ²⁵.)

Une fois ces critères établis, nous nous tournons maintenant vers les fournisseurs. Ci-dessous, nous évaluons de manière critique la technologie et l’approche de chaque prestataire, les classant selon leur mérite technique et leur capacité à offrir une véritable optimisation pilotée par AI. Chaque évaluation est basée sur des preuves – en citant la documentation et des analyses tierces – afin de distinguer l’innovation authentique des promesses chargées de buzzwords.

1. Lokad – Optimisation probabiliste unifiée et décisions “robotisées”

Lokad se distingue en tant que fournisseur explicitement conçu pour l’optimisation conjointe en utilisant une technologie de pointe. Contrairement aux suites traditionnelles assemblées à partir de modules (prévision, stocks, tarification, etc.), Lokad propose une plateforme programmative où une logique d’optimisation unifiée est mise en œuvre pour chaque client ²⁶. Cette approche – appelée « la Supply Chain Quantitative » par Lokad – signifie qu’au lieu d’ajuster des outils compartimentés séparément, l’ensemble du flux décisionnel (prévision → commande → allocation → tarification) est encodé comme un modèle cohérent. Cela nécessite un travail initial de data science, mais produit un moteur sur mesure qui optimise toutes les décisions ensemble – achats, production, réapprovisionnement, tarification, assortiment – plutôt que de sous-optimiser des parties de manière isolée ²⁷.

Au cœur de Lokad se trouve la prévision probabiliste. Lokad fut un pionnier dans l’utilisation de distributions complètes de probabilité pour la demande, plutôt que des prévisions ponctuelles, et cela a été validé dans des arènes neutres. Dans la prestigieuse compétition M5 de prévision, une équipe de Lokad s’est classée 6e mondialement (sur 909 équipes) ²¹ – un résultat impressionnant sur un défi de prévision retail très granulaire. Notamment, le M5 exigeait des estimations probabilistes (prédiction des quantiles), en parfaite adéquation avec la philosophie de Lokad. Cela a fourni une preuve concrète que la technologie de Lokad peut rivaliser avec les meilleures au monde en matière de gestion de l’incertitude de la demande. Plus important encore, l’accent de Lokad n’est pas uniquement mis sur la précision des prévisions pour elle-même, mais sur l’utilisation de ces prévisions probabilistes pour améliorer les décisions. L’entreprise soutient souvent que, au-delà d’un certain point, s’obséder sur une infime augmentation de la précision des prévisions présente des rendements décroissants; ce qui importe, c’est une meilleure modélisation des décisions avec l’incertitude dont vous disposez ²⁸. En pratique, cela signifie que Lokad pourrait accepter une certaine erreur de prévision mais veiller à ce que les décisions de stocks et de tarification soient robustes face à cette erreur (par exemple, comprendre le coût des ruptures de stock versus le surstockage et optimiser en conséquence ²⁹). Cet accent mis sur la qualité de la décision plutôt que sur des métriques vaniteuses de prévision est rafraîchissant – il s’aligne sur une véritable économie (impact sur le profit) plutôt que sur de simples scores statistiques.

Ingénierie et scalabilité : Techniquement, Lokad est extrêmement axé sur l’ingénierie et est cloud-native. Ils ont construit leur propre pile technologique à partir de rien, y compris un langage spécifique personnalisé (« Envision ») pour écrire des scripts d’optimisation ³⁰. Le système est conçu pour traiter de grandes quantités de données de manière efficace et économique. Les déploiements réels de Lokad traitent systématiquement des gigaoctets à des téraoctets de données (commandes, clics, transactions) en seulement quelques heures durant la nuit, produisant des décisions pour le lendemain ³¹. Ils y parviennent sans forcer tout dans la RAM ; au lieu de cela, le moteur de Lokad utilise des fichiers en mémoire mappée, un stockage en colonnes sur disque et un streaming intelligent afin que des données plus volumineuses que la mémoire puissent être gérées en les déversant sur des SSD rapides ³². Cette approche est semblable à une pipeline big data optimisée (entre un Spark spécialisé et un moteur de base de données personnalisé). Pour l’utilisateur, cela signifie que Lokad peut évoluer jusqu’à des millions de SKU ou des réseaux complexes sans nécessiter une gigantesque ferme de serveurs ou une facture de cloud exorbitante. Lokad souligne explicitement que leurs exécutions nécessitent étonnamment peu de matériel, évitant ainsi le piège où « cliquer sur le bouton run coûte des centaines de dollars » en calcul cloud ¹⁵. Ceci est un différenciateur subtil mais crucial : il les distingue d’outils d’entreprise plus lourds qui peuvent traiter de grandes quantités de données, mais souvent à un coût élevé ou avec des performances médiocres. La capacité de Lokad à traiter rapidement d’énormes assortiments sur des instances cloud standards ³² est un atout majeur en termes de scalabilité et d’efficacité des coûts.

Parce que la plateforme de Lokad est essentiellement pilotée par le code, les décisions de stocks, de tarification et d’assortiment ne sont pas des modules séparés – elles sont intégrées dans les scripts. Par exemple, on peut écrire un script Envision qui évalue la tarification et le stockage ensemble: “pour chaque produit, considérer la demande probabiliste à différents niveaux de prix, prendre en compte les stocks actuels et les délais, puis choisir le prix qui maximise la marge attendue moins le coût de détention, tout en évitant les ruptures de stock trop fréquentes” ³. Ce n’est pas hypothétique – c’est exactement le type de logique que permet Lokad. Si un produit est en surstock, le script pourrait décider de le rabattre pour stimuler les ventes ; s’il est rare, il pourrait augmenter le prix pour allouer les stocks aux usages à plus forte valeur ³³. Peu de fournisseurs permettent un tel niveau d’interaction entre la tarification et les stocks dans un seul modèle. Lokad génère essentiellement des politiques de décision sur mesure à partir des données : le résultat n’est pas juste « une prévision » ou « un plan » – c’est un ensemble de décisions concrètes (comme acheter telle quantité, fixer tel prix) qui maximisent l’objectif commercial en situation d’incertitude.

Lokad aborde également des effets complexes tels que la cannibalisation des produits et les substitutions de manière flexible. Si les produits sont interconnectés (substituts ou compléments), cela peut être encodé en fournissant les données ou les contraintes appropriées dans le modèle. Par exemple, Lokad peut intégrer des relations comme “si l’article A n’est pas disponible, X % de sa demande se dirige vers l’article B”, apprises à partir d’événements historiques de rupture de stock ³⁴. Cela permet à l’optimisation de prendre en compte le déplacement de la demande entre produits – quelque chose que de nombreux outils oublient en supposant que la demande de chaque SKU est indépendante ³⁵. En analysant les données passées, le système de Lokad peut dévoiler des corrélations entre produits et canaux (par exemple, comment le lancement d’un nouvel article similaire a affecté les ventes d’un article plus ancien) et les intégrer dans les prévisions de demande et les décisions ³⁶. Cette capacité est cruciale pour les décisions d’assortiment (quels SKU conserver ou abandonner) et pour la tarification (pour éviter, par exemple, de baisser inutilement le prix de tous les articles similaires alors qu’une réduction sur un seul renforcerait les ventes d’un autre).

En intégrant des données externes et de la veille concurrentielle, Lokad est très flexible. La plateforme peut ingérer n’importe quel jeu de données fourni par le client – des prix des concurrents extraits de sites web aux Google Trends, prévisions météorologiques ou statistiques sur la fiabilité des fournisseurs. En fait, Lokad mentionne explicitement l’intégration de “external signals such as competitor pricing” et même de calendriers marketing dans ses modèles ¹⁷. Étant donné que le système est un environnement de script, ajouter une nouvelle source de données est relativement simple – il n’y a aucune limitation codée en dur sur les facteurs pouvant être pris en compte. Par exemple, si l’indice de prix d’un concurrent peut améliorer votre décision de tarification, Lokad vous permet de l’intégrer dans la logique d’optimisation. Cela contraste avec de nombreuses solutions packagées qui n’utilisent par défaut que les données internes de ventes et de stocks. L’approche de Lokad est plus une “glass box” qu’une boîte noire : les utilisateurs (ayant quelques compétences en data science) peuvent voir et modifier la logique, ajouter de nouveaux prédicteurs et essayer des algorithmes alternatifs. L’inconvénient est que ce n’est pas une interface simple en point-and-click pour un planificateur moyen – il vous faut un “Supply Chain Scientist” pour le configurer ³⁷. La vision de Lokad est que cet effort initial porte ses fruits dans un système qui correspond exactement à l’entreprise et qui peut véritablement automatiser les décisions de routine par la suite. En effet, de nombreux clients de Lokad disposent essentiellement d’un “forecasting & replenishment brain” spécialement conçu pour eux ; une fois mis en place et validé, il fonctionne avec une intervention minimale.

En termes d’automatisation, Lokad est sans conteste le plus proche d’un “robotic supply chain planner” aujourd’hui. L’idée est qu’une fois les scripts mis en place et testés, le système peut fonctionner quotidiennement (ou intra-journée) pour produire des décisions recommandées sans intervention humaine ³⁸. En pratique, les entreprises utilisant Lokad génèrent souvent automatiquement leurs bons de commande, plans d’allocation ou mises à jour de tarification via Lokad, puis les planificateurs effectuent une vérification rapide de cohérence ou se contentent de mettre en œuvre les recommandations. Certains exécutent même automatiquement les commandes lorsque la confiance est élevée. Cela ne signifie pas qu’aucun humain n’intervienne – mais la charge de travail évolue radicalement. Les planificateurs supervisent le processus et gèrent les exceptions (par exemple, une situation particulière non couverte par le modèle) plutôt que de traiter manuellement les chiffres. Le PDG de Lokad a décrit leur idéal comme une supply chain entièrement “robotized” où le logiciel ajuste continuellement les décisions, et les humains se concentrent sur des choix stratégiques ou la gestion de cas particuliers ³⁸. Notre analyse constate que la conception de Lokad est bien alignée avec cette vision : en se concentrant sur la qualité des modèles décisionnels et en utilisant une technologie propice à l’automatisation, ils minimisent le besoin de réglages manuels. Bien sûr, le succès dépend toujours de l’implémentation – si le modèle est mal configuré ou si les données sont mauvaises, les résultats en pâtissent (garbage in, garbage out). Lokad atténue ce risque en travaillant étroitement avec ses clients sur la qualité des données et la validation des modèles. Pourtant, on perçoit que la confiance est un facteur : les entreprises doivent être prêtes à faire confiance à un système automatisé. Le bilan de Lokad (aucun fiasco public et quelques études de cas solides) contribue à instaurer cette confiance, mais les utilisateurs potentiels devraient aborder tout “autopilot” avec précaution. En résumé, Lokad propose une approche d’optimisation unifiée, probabiliste et hautement automatisée qui est rare par sa profondeur. L’inconvénient est que ce n’est pas une application pré-emballée prête à l’emploi – cela nécessite d’adopter une nouvelle manière de travailler (coder vos décisions supply chain). Pour les organisations capables d’investir dans ce paradigme, Lokad établit actuellement un niveau élevé en optimisation supply chain alimentée par l’IA.

Sources: La philosophie et les détails techniques de Lokad proviennent de sa littérature officielle ²⁶ ²¹ ³ et du benchmarking public lors de compétitions de prévision ²¹. Les pratiques d’ingénierie (DSL personnalisé, traitement massif des big data en mémoire) sont attestées dans leurs explications techniques ¹⁴ ³². L’intégration par Lokad des données de tarification et de concurrents est décrite dans leur documentation et leurs exemples ³ ¹⁷. La position de l’entreprise en matière d’automatisation se reflète dans des interviews et des retours d’utilisateurs indiquant qu’une fois configuré, le système produit des décisions avec une intervention manuelle minimale ³⁸.

2. RELEX Solutions – AI-Powered Retail Planning (Intégré, mais Quelques Réserves)

RELEX Solutions, originaire de Finlande, s’est rapidement imposé comme une suite de planification retail et supply chain de premier plan, souvent mentionnée aux côtés des géants traditionnels de la prévision et du réapprovisionnement. RELEX commercialise une plateforme unifiée qui couvre la prévision de la demande, le réapprovisionnement automatique, l’allocation, la planification d’assortiment, et même la planification des effectifs et l’optimisation des prix dans un seul système ³⁹ ⁴⁰. Leur principal atout (et point de départ) a été l’alimentation et le retail omnicanal – des environnements avec un nombre énorme de SKU, de magasins et des promotions complexes. RELEX souligne sa capacité à planifier à travers les canaux en ligne et hors ligne simultanément ⁴¹, ce qui est particulièrement pertinent pour les détaillants modernes. Pour un acteur de l’e-commerce ou omnicanal, la proposition de valeur de RELEX est un processus de planification de bout en bout : s’assurer que le bon stock se trouve au bon endroit, au bon moment, avec le bon prix et la bonne promotion, le tout coordonné par des algorithmes avancés.

Utilisation de l’IA et “Pragmatic AI” : RELEX met fortement en avant son utilisation de l’IA/ML, son PDG Mikko Kärkkäinen prônant souvent le “Pragmatic AI” – c’est-à-dire une IA qui apporte réellement des améliorations mesurables aux indicateurs clés du retail. Ils se vantent que leurs modèles de machine learning traitent “des centaines de demand-influencing factors” afin d’améliorer la précision des prévisions ⁴⁰. Par exemple, Kärkkäinen a noté que la météo n’est pas un simple facteur mais “des centaines de facteurs différents” (température, humidité, etc. en fonction du lieu et du moment) pouvant affecter la demande, et que les modèles de RELEX les prennent tous en compte ⁴². Cela illustre l’approche générale de RELEX : jeter un large filet pour les signaux prédictifs – incluant la météo, les promotions, les jours fériés, les tendances sur les réseaux sociaux, les actions des concurrents, les indicateurs économiques – et laisser les algorithmes en extraire des schémas. L’avantage est que le système peut détecter des interactions complexes (par exemple, une canicule couplée à un week-end férié provoquant un pic des ventes de boissons). La vision sceptique, toutefois, est que vanter “des centaines de facteurs” peut relever davantage du marketing que de la pertinence réelle. En prévision, ajouter trop d’entrées peut rencontrer des rendements décroissants, voire nuire à la précision si le modèle surapprend le bruit ⁴³. Et bien que RELEX parle de transparence en “glass box”, en réalité, si un algorithme utilise véritablement des centaines de variables, aucun humain ne peut en saisir pleinement la logique interne ⁴⁴. Les planificateurs finissent par devoir faire confiance à la black box. RELEX tente d’atténuer ce problème en fournissant des outils pour expliquer les prévisions (mettant en avant des facteurs clés comme “ce pic est dû à une canicule + promotion”), ce qui est utile mais seulement jusqu’à un certain point ⁴⁴ ⁴⁵. L’approche pragmatique qu’ils défendent implique qu’ils se préoccupent moins de l’élégance théorique que de ce qui améliore les chiffres – ce qui est acceptable, mais nous mettons en garde le fait que certaines affirmations (comme une énorme réduction d’erreur grâce à l’ajout d’une myriade de facteurs) pourraient être des succès sélectionnés.

En termes de résultats, RELEX dispose de nombreux témoignages clients d’amélioration des indicateurs : par exemple, des détaillants constatant une meilleure précision des prévisions et moins de ruptures de stocks, notamment dans des situations difficiles à planifier comme les promotions ou les pics saisonniers. Un exemple souvent cité : en intégrant les prévisions météorologiques, RELEX a revendiqué jusqu’à 75% de réduction de l’erreur de prévision pour certains produits sensibles à la météo lors d’événements météorologiques inhabituels ⁴⁶. Nous prenons de telles statistiques dramatiques avec précaution – elles peuvent se référer à des cas spécifiques (comme une certaine glace lors d’une canicule inattendue) plutôt qu’à l’erreur de prévision globale. Néanmoins, cela suggère que les modèles de ML de RELEX peuvent capter les fluctuations de la demande à court terme que les anciens systèmes ne parvenaient pas à détecter. Essentiellement, RELEX combine la prévision classique de la demande avec ce que certains appellent le “demand sensing” – ajustant en continu les prévisions avec les dernières données (ventes POS, météo, recherches Google, etc.) pour des horizons à court terme ⁴⁷. Ils défendent l’idée d’une “continuous, automated re-forecasting” à mesure que les conditions évoluent ⁴⁷. En pratique, cela pourrait signifier que le système recalcule quotidiennement ou en intra-journée les prévisions des semaines à venir au fur et à mesure que de nouvelles informations apparaissent, plutôt que de se cantonner à une prévision mensuelle. Cela s’aligne sur les meilleures pratiques modernes et est un domaine que RELEX maîtrise bien.

Optimisation conjointe – Stocks, Assortiment, et Maintenant Tarification : Historiquement, RELEX excellait dans le réapprovisionnement et l’allocation – en veillant à ce que chaque magasin ou centre de distribution reçoive le bon stock en fonction de la demande locale, grâce à une logique multi-échelons. Ils disposaient également de capacités de planification d’assortiment et même d’optimisation de planogramme (espace de rayonnage), qui sont essentielles pour le retail physique ⁴⁸. L’optimisation des prix, en revanche, faisait longtemps défaut. Conscient de ce problème, RELEX a introduit en 2022 un module d’optimisation des prix piloté par l’IA ⁴⁹. Ils ont en effet admis que la tarification en silo posait problème et ont cherché à l’unifier avec leur suite de planification. Leur solution de tarification gère les décisions de prix de base, les promotions et les remises, et RELEX la positionne comme étroitement intégrée au reste du système ⁵⁰. Par exemple, un utilisateur peut planifier une promotion dans RELEX, et le système recommandera la profondeur et le timing optimal de la remise, puis prendra automatiquement en compte l’impact sur les stocks (en s’assurant que la supply chain puisse absorber l’augmentation de la demande) ⁵¹. Cela s’achemine vers une optimisation conjointe : tarification et planification supply chain dans une même boucle. Il n’est pas encore clair si le moteur de RELEX optimise vraiment simultanément le prix et les stocks dans un seul modèle, ou s’il s’agit d’un processus séquentiel bien synchronisé (d’abord le prix, puis les stocks s’ajustent). Idéalement, il faudrait un algorithme unique choisissant la combinaison prix + stocks maximisant le profit, en tenant compte des contraintes. Nous soupçonnons que RELEX n’en est pas encore tout à fait là – probablement le module de tarification suggère-t-il des prix en fonction de l’élasticité de la demande, puis le système de stocks réagit dans un second temps. Toutefois, comme tout est intégré dans une même plateforme et un même modèle de données, l’itération peut être serrée. Ils veillent au moins à ce que les promotions ou changements de prix que simulent les planificateurs soient vérifiés par rapport à la disponibilité des stocks (par exemple, “ne programmez pas une grosse promotion si nos centres de distribution n’ont pas assez de stocks ; ou si vous le faites, le système signale un risque supply”) ⁵². Le marketing de RELEX affirme qu’il aligne la tarification et les promotions avec la supply chain afin que les plans soient réalistes et exécutables ⁵³ – en brisant les silos entre les départements merchandising et supply chain.

D’un point de vue expérience utilisateur, RELEX est loué pour avoir réuni toutes ces fonctions dans une interface cohérente. Un planificateur merchandising et un planificateur supply peuvent partager les mêmes prévisions et voir les mêmes contraintes dans RELEX ⁵⁴. Cela constitue une nette amélioration par rapport aux entreprises qui utilisent des outils séparés (ou des feuilles de calcul) pour chaque fonction qui ne communiquent pas entre elles. Cela dit, l’intégration n’est pas synonyme d’optimisation véritable. RELEX offre une vue unifiée et garantit la cohérence (vous ne verrez pas l’équipe de tarification lancer joyeusement une promotion que la supply chain ne peut pas soutenir, si RELEX est utilisé correctement). Mais est-ce que RELEX résout conjointement l’optimalité du prix et des stocks, ou facilite-t-il simplement la coordination de ces décisions par les humains ? Notre analyse sceptique est que, jusqu’à présent, il s’agit plutôt de ce dernier cas : l’outil de tarification trouve un bon prix en fonction de l’élasticité et des objectifs de ventes ; l’outil de stocks répond ensuite par un plan d’approvisionnement. Ils s’informent mutuellement, mais il ne s’agit pas nécessairement d’un algorithme unique de maximisation du profit couvrant les deux aspects ⁵⁵. Atteindre cette optimisation holistique en une seule étape est complexe et relève de démarches très spécialisées (comme celle de Lokad). Néanmoins, RELEX mérite des éloges pour son intégration serrée – c’est probablement l’une des suites de planification les plus fluides en termes d’intégration des données et d’expérience utilisateur.

Architecture et Scalabilité : La pile technologique de RELEX est assez avancée et réputée pour sa rapidité à grande échelle. Fait intéressant, les fondateurs de RELEX (issus du milieu académique) ont développé, dès les débuts, un moteur de base de données columnaire en mémoire sur mesure pour gérer rapidement les prévisions à grande échelle ⁵⁶. Cette “Live DataBase” leur a permis de calculer les prévisions par SKU et magasin quotidiennement alors que les concurrents s’en contentaient d’une fréquence hebdomadaire ou mensuelle, et ce, sur du matériel assez ordinaire grâce à une optimisation de l’utilisation de la mémoire. Essentiellement, RELEX pré-agrège et organise les données pour en faciliter la récupération et le calcul rapide. Cela a constitué un élément différenciateur dans le remplacement des outils anciens : de nombreuses études de cas mentionnent que RELEX permet aux planificateurs de passer d’une planification agrégée à une planification très granulaire car le système peut traiter beaucoup plus de données sans être saturé ⁵⁷. Dans un contexte e-commerce, cela signifie que RELEX peut probablement gérer la planification au niveau SKU pour des dizaines de milliers voire des millions d’articles, en actualisant fréquemment les prévisions. Ils prennent en charge le déploiement cloud et peuvent s’étendre horizontalement. Nous n’avons pas relevé de plaintes industrielles concernant la scalabilité de RELEX – en fait, leur argument de vente consiste souvent à remplacer Excel ou d’anciens systèmes incapables de gérer le niveau de détail que RELEX peut offrir ⁵⁸. Une mise en garde : cette approche en mémoire pourrait devenir coûteuse en cas de mauvaise utilisation (si vous tentiez littéralement de conserver en mémoire une simulation de 1 million de SKU sur 1000 jours). Mais la conception de RELEX est suffisamment efficace pour que cela n’ait pas été un problème majeur rapporté publiquement. Ils desservent d’énormes chaînes de distribution (comptant des milliers de magasins, des millions de SKU au total), ce qui représente encore plus de données que ne gèrent de nombreuses entreprises purement e-commerce, donc le volume n’est pas un souci. En résumé, l’architecture de RELEX est moderne et rapide, même si elle repose sur une utilisation intensive de la mémoire. Ils l’ont probablement bien optimisée, mais les utilisateurs doivent continuer à adopter de bonnes pratiques de gestion des données (garbage in will just be fast garbage out).

Automatisation et Rôle de l’Utilisateur: RELEX mentionne souvent qu’elle évolue vers une « planification autonome », mais ils insistent également sur une prise de décision augmentée. Ils ne cherchent pas ouvertement à éliminer les planificateurs ; au contraire, ils se concentrent sur rendre ces derniers plus efficaces. Le système peut générer automatiquement des prévisions, des commandes, et même pré-remplir des transferts entre magasins ou des planogrammes, mais généralement un humain examine/approuve – du moins au départ ⁵⁹ ⁶⁰. Mikko Kärkkäinen a décrit l’idéal comme « planification de la vente au détail autonome qui s’auto-apprend et s’auto-régle », brisant les silos entre les fonctions de planification ⁶¹. En pratique, de nombreux clients RELEX fonctionnent probablement en mode semi-automatique : le logiciel effectue 90 % du travail lourd, tandis que les planificateurs gèrent les exceptions ou assurent la supervision ⁶². Par exemple, RELEX propose des « exceptions de prévision » – si une prévision générée par l’IA semble suspectement erronée (disons, 300 % plus élevée que l’année dernière sans raison apparente), le système la signale pour révision plutôt que de la valider automatiquement ⁶³. Ce type de garde-fou est important pour instaurer la confiance. Au fil du temps, si l’IA fonctionne bien, les planificateurs pourraient apprendre à lui faire davantage confiance et intervenir moins. RELEX affirme que son système s’auto-régle (en ajustant ses paramètres au fur et à mesure que de nouvelles données arrivent) de sorte qu’il devrait nécessiter moins de corrections manuelles avec le temps ⁶⁴. Nous avons trouvé un exemple où RELEX indiquait que leur mise en œuvre libérait les planificateurs de la gestion de crises pour se concentrer sur des initiatives stratégiques ⁶⁵ – impliquant que ces entreprises laissent le système exécuter la plupart des tâches quotidiennes. Cependant, la réalité peut être chaotique : certains retours d’utilisateurs compilés par un tiers ont noté que certaines parties du système RELEX étaient « maladroites » ou nécessitaient des solutions de contournement pour certaines contraintes (comme la modélisation des limites de capacité de fret) ⁶⁶. Cela montre que, malgré les revendications d’autonomie, les utilisateurs peuvent toujours atteindre les limites de l’outil intégré et devoir gérer certains problèmes manuellement.

Problèmes connus et mise en œuvre : Contrairement à certains concurrents, RELEX n’a pas connu d’échecs publics retentissants ou de poursuites judiciaires – il jouit généralement d’une bonne réputation. Cela dit, en tant qu’entreprise en croissance rapide, certaines mises en œuvre sont probablement moins performantes que ce que laisse entendre le discours commercial. Des rumeurs d’initiés suggèrent que, dans des environnements de retail très vastes et complexes, RELEX peut rencontrer des défis – souvent non pas parce que le logiciel est défectueux, mais en raison de difficultés d’intégration des données ou de problèmes liés aux changements organisationnels ⁶⁷ ⁶⁸. Si les données d’un détaillant sont chaotiques, aucun système d’IA ne les corrigera magiquement ; RELEX peut produire de mauvais plans s’il reçoit de mauvaises données (et alors, qui sera blâmé, l’outil ou les données ?). De plus, RELEX a intégré de nombreux clients rapidement, ce qui peut mettre à rude épreuve ses services et son support. Certains clients ne bénéficient peut-être pas du même accompagnement personnalisé, surtout comparé à un fournisseur plus petit comme Lokad qui travaille très étroitement avec chacun de ses clients. Ce n’est pas tant un défaut du logiciel en lui-même, mais cela influence les résultats – un outil n’est bon que dans la mesure de son implémentation et de son adoption. Les fournisseurs aiment vanter leur ROI dans le meilleur des cas (par ex. « Un détaillant X a réduit ses stocks de 30 % grâce à RELEX ! »), mais ils publient rarement des cas où le ROI n’a pas été atteint. Nous soupçonnons que RELEX, comme tous les fournisseurs, a connu des projets qui n’ont pas atteint les KPI promis. Peut-être que les planificateurs n’ont pas suffisamment fait confiance au système et l’ont surchargé, ou bien des problèmes de données l’ont empêché de fonctionner de manière optimale. Ces éléments sont difficiles à vérifier publiquement. Fait révélateur, même un concurrent (Blue Yonder) a admis que la plupart des échecs de projets proviennent de mauvaise gestion du changement et d’intégration des données, et non d’erreurs algorithmiques ⁶⁹. Il en est vraisemblablement de même pour RELEX – le succès dépend de la qualité des données et de l’adhésion des utilisateurs qui doivent réellement appliquer les recommandations.

Un autre aspect : RELEX a tendance à intégrer de nombreuses données externes pour le retail (par ex. des données de fréquentation issues des téléphones mobiles, Google Trends pour mesurer l’intérêt des recherches). Certaines de ces données sont moins pertinentes pour le pur le e-commerce (la fréquentation, évidemment), mais cela reflète la philosophie de RELEX d’utiliser tous les signaux disponibles ⁷⁰. Pour un acteur du le e-commerce, RELEX pourrait ingérer des données d’analyses web ou les prix des concurrents en ligne si elles sont fournies, bien que son offre standard soit adaptée aux scénarios de retail. Il se peut qu’il ne récupère pas automatiquement les prix des concurrents comme le ferait un outil de tarification dédié, mais si le client fournit ces données, l’optimisation des prix de RELEX pourrait en tenir compte.

Verdict sur RELEX : Nous classons RELEX très haut pour son approche globale et intégrée ainsi que pour sa tech stack moderne. Il répond clairement à de nombreux critères : il gère l’assortiment, les stocks et désormais la tarification sur une seule platforme ; il exploite largement le machine learning (parfois peut-être à l’excès) ; il peut s’adapter à d’énormes volumes de données et le fait de manière efficace par conception ; et il supporte un certain degré d’automatisation, même si les planificateurs restent impliqués. Les réserves portent sur le fait que certaines de ses revendications en matière d’IA pourraient relever d’un marketing trop enthousiaste (des centaines de facteurs sonnent impressionnant, mais ne produisent pas toujours des gains proportionnels ⁴³), et que son « optimisation conjointe » n’est peut-être pas d’un pur point de vue mathématique – il s’agit probablement davantage d’un workflow de planification intégré que d’un modèle d’optimisation unifié pour prix+stocks (sauf dans quelques cas limités). De plus, étant une suite plus vaste, elle n’offre peut-être pas la même personnalisation sur mesure qu’une approche par platforme (comme celle de Lokad), et il peut être nécessaire de fournir plus d’efforts pour l’implémenter dans une grande organisation (intégration des données, formation des utilisateurs, etc.). Nous notons également que RELEX s’est concentré sur le retail – une supply chain complexe de fabrication pourrait constater des lacunes dans des domaines tels que l’optimisation détaillée de la capacité de production, alors que pour le retail, c’est de premier ordre. Dans l’ensemble, RELEX est un leader dans la planification next-gen pour le retail, poussant vers une planification pilotée par l’IA et sans silos, tout en comprenant que ce n’est pas entièrement autonome (pour l’instant) et n’est pas exempt de défis d’intégration. Le scepticisme que nous entretenons repose principalement sur l’examen minutieux de leurs revendications les plus audacieuses et sur la garantie que les utilisateurs ne le considèrent pas comme une solution miracle – réussir avec RELEX requiert encore un travail sur les données et les processus.

Sources: Les capacités de RELEX sont résumées à partir de documents d’entreprise et d’interviews avec des PDG ⁴⁰ ⁴². L’introduction de l’optimisation des prix en 2022 est mentionnée dans des communiqués de presse ⁴⁹. Les commentaires de Mikko Kärkkäinen sur l’IA (« des centaines de facteurs », « planification auto-apprenante, auto-réglable ») sont documentés dans des articles spécialisés ⁴² ⁶¹. Les retours des utilisateurs (comme des parties maladroites, des problèmes de contraintes de fret) ont été rapportés via un agrégateur d’avis SelectHub ⁶⁶. Nous citons également des preuves de l’approche intégrée de RELEX et du besoin persistant de supervision humaine ⁵² ⁵⁹. Les comparaisons aux défis de l’industrie (les constats de Blue Yonder concernant les échecs de projets ⁶⁹) et l’utilisation de données externes ⁷⁰ fournissent un contexte aux forces et aux limitations de RELEX.

3. Blue Yonder – Un colosse hérité en transition (Promesses vs. Réalité)

Blue Yonder (anciennement JDA Software) est l’un des géants des logiciels de supply chain, avec une lignée remontant à des décennies dans la planification du retail et de la fabrication. Sa suite est immense, couvrant tout, de la prévision de la demande et du réapprovisionnement à la gestion d’entrepôts, au transport, à la planification de la main-d’œuvre et, depuis 2020, à l’optimisation des prix (après l’acquisition du spécialiste de la tarification Revionics) ⁷¹ ⁷². Si vous êtes un grand détaillant ou une entreprise de produits de grande consommation, Blue Yonder dispose probablement d’une solution pour chaque maillon de votre supply chain. Pour un acteur du le e-commerce ou omnicanal, Blue Yonder offre des capacités développées pour les plus grandes opérations de retail de la planète. Toutefois, avec cette ampleur vient un bagage hérité : nombre des modules de Blue Yonder étaient à l’origine des produits séparés (souvent issus d’acquisitions), et les intégrer dans un ensemble cohérent et moderne demeure un défi permanent. L’histoire des multiples acquisitions de Blue Yonder (JDA elle-même est née de la fusion d’i2 Technologies, de Manugistics, etc.) signifie que son architecture technologique peut ressembler à un patchwork ⁷³.

Optimisation conjointe et intégration : Sur le papier, Blue Yonder coche toutes les cases pour l’optimisation conjointe. Il dispose d’un moteur de prévision de la demande (« Luminate Demand Edge »), d’outils de gestion des stocks et de réapprovisionnement (optimisation multi-échelons, etc.), et d’un moteur d’optimisation des prix (Revionics, désormais rebaptisé Luminate Pricing) ⁷¹ ⁷⁴. L’entreprise commercialise une vision de bout en bout où ces composants travaillent ensemble : par exemple, la prévision de la demande alimente à la fois le plan de stocks et les décisions de tarification ; le moteur de tarification prend en compte l’élasticité de la demande (prévoyant essentiellement comment les variations de prix affecteront la demande) ; et tout est unifié sur leur « Luminate Platforme ». En théorie, vous pourriez parvenir à une planification coordonnée en utilisant toutes les composantes de Blue Yonder, garantissant ainsi que les mouvements de l’équipe de tarification soient informés par les contraintes d’approvisionnement et vice versa. En pratique, historiquement, ces modules étaient disparates et seulement vaguement connectés par des interfaces de données. Revionics, par exemple, disposait de sa propre base de données et interface utilisateur lors de son acquisition ; le connecter à la planification de la demande JDA nécessitait une intégration informatique. Blue Yonder a reconnu cette fragmentation et a annoncé en 2023 une refonte architecturale majeure : passer à un modèle de données et une platforme uniques, utilisant intensivement Snowflake (un entrepôt de données cloud) comme couche de données unifiée ⁷⁵ ⁷⁶. Le PDG a décrit une vision d’un « système d’exploitation de la supply chain » dans lequel toutes les applications Blue Yonder partagent les données de manière fluide via ce dépôt cloud commun ⁷⁶. Essentiellement, ils veulent éliminer le besoin d’intégrations par lots à l’ancienne entre, par exemple, la planification de la demande et la tarification – à la place, tout lirait/écrirait dans les mêmes données cloud, restant synchronisé en quasi temps réel.

Cette vision est prometteuse car elle répond à une faiblesse majeure (les systèmes cloisonnés). Si Blue Yonder y parvenait, un client pourrait disposer d’une planification véritablement tout-en-un : fini le besoin de créer des interfaces personnalisées pour connecter les modules, du moins parmi les composants Blue Yonder ⁷⁷. Cependant, nous la voyons avec un certain scepticisme. Il s’agit d’une tâche herculéenne que de repenser une suite d’une telle envergure pour qu’elle fonctionne toutes sur une seule platforme. Blue Yonder tente effectivement de convertir beaucoup de code hérité sur site en microservices cloud qui utilisent Snowflake comme unique source de vérité. Leur propre partenaire-conseil a averti que, bien que la vision soit bonne, « éliminer complètement les intégrations pourrait être trop optimiste » ⁷⁸. Les grandes entreprises ont des données dispersées partout ; tout ne tiendra pas parfaitement dans Snowflake ⁷⁸. Ainsi, même si les modules internes de Blue Yonder s’unifient, il faudra encore intégrer d’autres systèmes (SAP ERP, etc.), de sorte que ce ne sera pas plug-and-play. De plus, la transition est progressive – Blue Yonder ne procède pas à un remplacement d’un « coup de tonnerre » (ce qui pourrait aliéner les clients) ; ils transforment progressivement les anciens modules en microservices et encouragent les clients à migrer à leur propre rythme ⁷⁹. Cela signifie qu’aujourd’hui, de nombreux clients de Blue Yonder fonctionnent encore avec un mélange d’ancien et de nouveau : par exemple, en exécutant la planification de la demande JDA sur site, et peut-être Revionics en tant que SaaS, avec quelques flux de données entre eux ⁸⁰. La platforme entièrement unifiée pourrait n’être disponible que dans un an ou deux, et même alors, les clients existants pourraient mettre des années à migrer. Ainsi, pour l’instant, « l’optimisation conjointe » avec Blue Yonder nécessite encore souvent une coordination manuelle. Par exemple, un détaillant pourrait utiliser Blue Yonder pour la tarification et la planification des approvisionnements, mais son équipe de planification doit veiller à ce que les résultats de l’équipe de tarification soient intégrés dans les exécutions de planification – ce n’est pas encore un processus holistique automatiquement intégré ⁸¹. Nous pénalisons quelque peu Blue Yonder pour cela : ils disposent de toutes les pièces, mais la cohésion n’est pas aussi serrée que le laisse entendre leur marketing, du moins pas encore.

Algorithmes avancés vs. technologie héritée : Blue Yonder se vante effectivement de nombreux algorithmes avancés. Le Blue Yonder original (une startup allemande d’IA que JDA a acquis en 2018) apportait un grand nombre de propriétés intellectuelles en machine learning pour la prévision du retail ⁸². Blue Yonder (l’entreprise) met désormais en avant l’utilisation de « l’IA explicable, du machine learning, et même de l’IA générative » dans ses applications ⁸². Ils possèdent une expertise approfondie en recherche opérationnelle pour des domaines tels que l’optimisation de réseaux, développée sur des décennies par i2 et Manugistics (leurs sociétés ancêtrales). Cependant, il faut être très prudent ici : Blue Yonder a une énorme dette technique. Une grande partie de leur base de code provient des années 1990 et du début des années 2000, conçue pour un environnement sur site. Certes, ils ont mis à jour et enveloppé certains éléments dans des interfaces utilisateur modernes ou des microservices, mais en dessous, certains modules conservent encore des hypothèses et des limitations issues d’anciennes architectures (par exemple, nécessiter une base de données Oracle, ou fonctionner en tant que processus mono-thread, etc.) ⁸³ ⁸⁴. Lorsque le marketing de Blue Yonder évoque une « planification cognitive et pilotée par ML », nous nous demandons : s’agit-il d’une véritable nouvelle technologie, ou du vieux vin dans une nouvelle bouteille ⁸⁵ ⁸⁶ ? Souvent, il s’agit d’améliorations incrémentales : par exemple, leur planification de la demande utilise désormais peut-être un modèle ML pour l’augmentation liée aux vacances ou pour les effets météorologiques – ce qui est bien – mais le système global reste probablement similaire à l’ancien, avec simplement un composant ML ajouté ⁸⁷. Il y a une différence entre intégrer une prévision ML dans un moteur de planification hérité et repenser complètement ce moteur pour l’IA. Blue Yonder est en transition, ainsi certaines parties sont à la pointe, tandis que d’autres restent des héritages rétrofités.

Un exemple concret (et édifiant) : i2 Technologies, qui vit désormais au sein de Blue Yonder, était réputée pour ses puissants logiciels d’optimisation et pour certaines catastrophes de projets. Le cas le plus notoire fut Dillard’s contre i2. Après l’acquisition d’i2 par JDA (Blue Yonder) en 2010, l’entreprise a hérité d’un procès intenté par Dillard’s (une chaîne de grands magasins) concernant une mise en œuvre ratée d’i2 des années 2000. Le jury a accordé à Dillard’s environ 246 millions de dollars de dommages-intérêts, concluant essentiellement que le logiciel d’i2 n’avait pas tenu ses promesses ²³ ²⁴. Il s’agit de l’un des plus importants jugements de ce type dans le domaine des logiciels d’entreprise. Cela s’est produit il y a environ 15 ans, on pourrait donc dire que cela relève de l’histoire ancienne, mais cela souligne un point : même les fournisseurs célèbres peuvent connaître des échecs colossaux si la technologie est surpromise ou mal implémentée. Blue Yonder a dû régler cette affaire (pour une somme moindre en appel) et a sans doute tiré des leçons difficiles. Nous le mentionnons non pas pour pointer du doigt Blue Yonder (tous les fournisseurs connaissent quelques échecs), mais pour renforcer notre scepticisme : ce n’est pas parce qu’un fournisseur est grand et « leader du secteur » que le succès est garanti.

Pour déférence à Blue Yonder, ils sont devenus plus francs ces dernières années quant à l’abord de ces problèmes. Lors d’un sommet partenaire en 2023, Blue Yonder a ouvertement évoqué les « projets rouges » (des implémentations ratées) et a constaté que les principales causes n’étaient pas de mauvais algorithmes, mais « une gestion du changement inefficace et des problèmes de migration/intégration de données » ⁶⁹. Essentiellement, les projets échouaient parce que les données du client n’étaient pas correctement intégrées/nettoyées ou parce que les utilisateurs n’adoptaient pas le système – et non parce que les calculs ne fonctionnaient pas. Cette introspection est en phase avec ce que nous constatons sur l’ensemble du marché et ce que nous avons relevé pour d’autres : les calculs peuvent être brillants, mais si l’organisation ou les données ne sont pas prêtes, le projet échoue. Le fait que Blue Yonder mette en avant les défis de l’intégration des données est significatif – cela souligne indirectement la complexité de leur propre suite. Si leurs modules étaient réellement plug-and-play, l’intégration des données ne serait pas un point sensible. Le passage à une couche de données unifiée Snowflake est censé remédier à ce problème, mais comme nous l’avons dit, c’est en cours de réalisation ⁸⁸.

Current Capabilities for AI Optimization: Examinons les compétences de Blue Yonder dans nos domaines clés, vers 2024:

Prévision de la demande : Luminate Demand de Blue Yonder (en particulier le module plus récent « Demand Edge ») utilise le machine learning et peut intégrer de nombreux facteurs externes tels que la météo, les événements et les signaux de tarification ⁸⁹. Ils se sont également dirigés vers la prise en charge de prévisions probabilistes – peut-être pas de manière aussi native qu’un Lokad ou ToolsGroup, mais ils permettent aux planificateurs de travailler avec des intervalles de confiance ou des fourchettes de scénarios plutôt qu’un seul chiffre ⁹⁰ ⁹¹. L’approche de Blue Yonder, telle que décrite dans leurs documents, est de reconstruire continuellement la prévision à partir de zéro en utilisant les données les plus récentes, plutôt que, par exemple, d’utiliser un profil saisonnier fixe et de le modifier ⁹². Ils prétendent que le modèle se corrige de lui-même à chaque nouvelle donnée réelle et s’ajuste automatiquement aux décalages calendaires, etc. ⁹³. Cela est tout à fait en phase avec les pratiques de prévision de pointe et reflète ce que font RELEX et d’autres (mises à jour continues, sans paramètres statiques que les planificateurs doivent réinitialiser). Blue Yonder mentionne également explicitement la prise en compte de l’incertitude et les compromis coût-avantage d’une sur ou sous-prévision ⁹¹. Par exemple, ils discutent de la compréhension du risque de ruptures de stock par rapport à l’excès et de la prise de décisions de compromis – ce qui implique une certaine approche d’optimisation économique dans le lien entre prévision et planification ⁹¹ ⁹⁴. Autant dire que la capacité de prévision de Blue Yonder sur le papier est forte et moderne. Cependant, nous ne les avons pas vus publier des benchmarks neutres de leur précision (ils n’ont pas, par exemple, rejoint publiquement le M5) ⁹⁵, de sorte que les revendications de supériorité sont difficiles à vérifier.
Stocks & Réapprovisionnement : Cela a toujours été le pain quotidien de Blue Yonder (depuis l’époque de JDA et i2). Ils offrent une optimisation de stocks multi-échelons robuste (MEIO) qui peut déterminer les niveaux de stocks optimaux à travers un réseau de distribution, en prenant en compte la variabilité des délais, l’incertitude de la demande, les taux de service souhaités, etc. ⁹⁶. Les outils de Blue Yonder peuvent générer des quantités de commande recommandées, des niveaux de stock de sécurité et des calendriers de réapprovisionnement. Historiquement, ces algorithmes étaient un mélange de modèles basés sur des règles et de méthodes de recherche opérationnelle (OR) – par exemple, en utilisant des heuristiques ou des solveurs de programmation linéaire pour allouer les stocks. Aujourd’hui, ils intègrent probablement des prévisions de demande basées sur le ML dans ces calculs, mais la logique de base (comme optimiser le positionnement des stocks) repose sur des méthodes d’OR éprouvées. Blue Yonder peut certainement gérer la planification à grande échelle – de nombreux grands détaillants (Fortune 500) ont utilisé JDA pour le réapprovisionnement en magasin, ce qui est analogue à la planification pour un grand centre de distribution de le e-commerce. Nous considérons que la capacité d’optimisation des stocks de Blue Yonder est solide, bien que pas nécessairement unique – ToolsGroup, SAP et d’autres disposent également du MEIO. Le facteur différenciant résidera dans la manière dont cela s’articule avec les autres volets (demande et prix).
Assortiment & Merchandising : Blue Yonder propose des outils de gestion de catégories et de planification d’assortiment, qui aident à décider quels produits devraient figurer dans tel magasin ou dans telle catégorie en ligne ⁹⁷. Ils peuvent analyser la performance des produits, leurs attributs et les préférences locales pour guider les décisions d’assortiment. Dans le le e-commerce, la « planification d’assortiment » peut signifier décider quels SKU conserver ou abandonner, ou quels nouveaux produits introduire. Les solutions de Blue Yonder peuvent exploiter les attributs et les données de vente pour prédire la performance potentielle d’un nouveau produit (peut-être en utilisant l’ancienne méthode de prévision « like item » d’i2 pour les nouveaux articles). Typiquement, la planification d’assortiment est plus périodique (réinitialisations saisonnières, etc.) plutôt que continue. Blue Yonder couvre cet aspect, mais c’est souvent un module utilisé occasionnellement par les équipes de merchandising et non quotidiennement. Il est important qu’il existe, mais pour l’optimisation par IA nous sommes plus concernés par les décisions quotidiennes de tarification et de gestion des stocks.
Optimisation des prix : Après avoir acquis Revionics, Blue Yonder a obtenu l’un des moteurs de tarification les plus aboutis de l’industrie. Revionics est utilisé par de nombreux supermarchés, détaillants de marchandises générales, etc., pour fixer les prix de base quotidiens, les remises promotionnelles et les réductions. Il utilise l’IA pour estimer les élasticités de prix (comment une variation de prix affectera la demande) et peut également intégrer certaines données de prix concurrentiels ⁹⁸ ¹⁸. L’outil recommande ensuite des ajustements de prix permettant d’atteindre des objectifs tels que l’amélioration des marges ou la croissance du chiffre d’affaires, tout en respectant des contraintes (par exemple, les terminaisons de prix, les écarts de prix connus chez les concurrents, etc.). Aujourd’hui commercialisé sous le nom de Luminate Pricing, ce moteur est assez sophistiqué et en théorie boucle le circuit avec la prévision de la demande. Par exemple, vous pourriez simuler : « Si nous baissons le prix de 10 %, la demande prévisionnelle augmente de 20 %, ce que nos stocks peuvent/ne peuvent pas gérer. » Blue Yonder présente cela comme « tarification autonome propulsée par l’IA » qui peut fonctionner aussi fréquemment que nécessaire (même en intra-journée pour le e-commerce) ⁹⁹. C’est l’un des éléments les plus solides de l’arsenal de Blue Yonder, étant donné que Revionics était un spécialiste disposant de nombreuses années de perfectionnement des algorithmes de tarification. La grande question est : dans quelle mesure ces éléments fonctionnent-ils réellement ensemble aujourd’hui ? Blue Yonder dira que oui – c’est l’ensemble de l’argumentaire de la Luminate Platform. Mais selon nos recherches, si une entreprise déployait tous ces modules, il faudrait beaucoup de travail d’intégration et d’orchestration des processus pour obtenir véritablement un processus optimal en boucle fermée ¹⁰⁰. Par exemple, le système de tarification pourrait produire un nouveau fichier de prix chaque semaine, qui serait ensuite intégré dans le système de prévision pour la prochaine exécution, lequel mettrait ensuite à jour le plan de stocks. C’est de la planification conjointe, mais pas une optimisation totalement unifiée et instantanée. Cela pourrait être par lots et de manière séquentielle (exécution du prix, puis exécution de l’approvisionnement). Réaliser une coordination quasi en temps réel est l’objectif du nouveau modèle de données Snowflake, mais à moins que tous les éléments ne soient sur cette nouvelle architecture (ce qui est encore le cas pour peu de clients), la réalité demeure plus traditionnelle. En bref, Blue Yonder dispose de toutes les fonctionnalités nécessaires pour une optimisation conjointe, mais l’utilisateur doit souvent jouer le rôle d’intégrateur. Cela le place un cran en dessous des fournisseurs qui optimisent de manière intrinsèque et conjointe en un seul processus. AI/ML Substance vs. Hype : Le marketing de Blue Yonder ressemble parfois à une carte de bingo de buzzwords – « cognitif », « autonome », « piloté par l’IA/ML », etc. ¹⁰¹. Nous recherchons la substance derrière ces termes. Il y en a : l’héritage de Blue Yonder inclut une véritable science des données – par exemple, l’équipe allemande de Blue Yonder avait remporté un concours de prévision retail en 2014 en utilisant des réseaux de neurones ¹⁰², et l’entreprise détient plus de 400 brevets (ce qui indique au moins une importante activité de R&D) ¹⁰³. Cependant, la quantité de brevets n’équivaut pas nécessairement à la qualité du produit en usage. L’approche sceptique consiste à exiger des résultats spécifiques : est-ce que Blue Yonder a déjà publié des benchmarks publics (M5, etc.) ? Aucune trace publique de cela ¹⁰⁴. Publient-ils des études de cas avant/après avec des chiffres concrets ? Ils en ont quelques-unes, mais comme tous les fournisseurs, elles sont généralement sélectionnées et manquent de contexte (par exemple, « Le détaillant X a observé une augmentation de 5 % de ses bénéfices grâce à notre tarification » – par rapport à quelle référence ?) ¹⁰⁵. Ainsi, bien que Blue Yonder emploie sans aucun doute des data scientists talentueux et dispose de certains algorithmes très avancés en interne, en tant qu’évaluateur, vous devez en grande partie vous fier à leurs dires et peut-être à quelques rapports de seconde main. La prudence s’impose, car les coûts et la complexité peuvent compromettre la prétendue IA sophistiquée. Coûts & Complexité : Les solutions de Blue Yonder, étant de niveau entreprise, sont chères et longues à mettre en œuvre. Un déploiement complet de Blue Yonder peut prendre de quelques mois à des années, nécessitant souvent des armées de consultants (soit de Blue Yonder, soit de partenaires certifiés). La licence logicielle, ajoutée aux coûts des services et du matériel/cloud, rend le coût total de possession assez élevé. Pour une entreprise de taille moyenne dans le le e-commerce, Blue Yonder pourrait être excessif ou simplement hors budget. Même les grandes entreprises ont trébuché : un exemple notoire en dehors de Blue Yonder est l’échec de Lidl avec un projet SAP à 500 M€ qui a été annulé en 2018 ¹⁰⁶ – illustrant comment les méga-projets peuvent s’effondrer, engloutissant des liquidités. Les projets Blue Yonder ne sont généralement pas de cette ampleur, mais ils représentent des initiatives significatives. Un commentaire d’un partenaire a noté que Manhattan Associates (un concurrent) avait décidé de reconstruire sa plateforme à partir de zéro (nécessitant une réimplémentation pour les clients), alors que Blue Yonder tente une évolution plus douce ¹⁰⁷. Les deux approches engendrent des coûts : l’approche de Manhattan signifie que si vous souhaitez leur nouvelle technologie, vous recommencez pratiquement à zéro (douleur initiale), tandis que celle de Blue Yonder implique que vous pourriez vous retrouver avec une technologie quelque peu obsolète en attendant les nouveautés (douleur échelonnée dans le temps). Quoi qu’il en soit, les clients font face à une complexité lors des mises à niveau. C’est pourquoi certaines entreprises sont désormais prêtes à envisager de nouveaux fournisseurs SaaS malgré le statut hérité de Blue Yonder – la promesse d’un déploiement plus rapide ou moins coûteux est attrayante. En résumé, lors de l’évaluation de Blue Yonder, prenez en compte le travail d’intégration important nécessaire ; il ne s’agit pas d’une inscription rapide dans le cloud, mais souvent d’un véritable projet de transformation. Réalité de l’automatisation : Blue Yonder évoque la « supply chain autonome » – notamment depuis son acquisition par Panasonic en 2021, ils parlent de relier les données IoT à des décisions automatisées, etc. ¹⁰⁸. Cependant, nous estimons que la plupart des clients de Blue Yonder restent dans un mode traditionnel : le logiciel fait des recommandations, et ce sont les humains qui décident. Autrement dit, les planificateurs utilisent les outils de Blue Yonder pour obtenir des recommandations (quantités de commande, allocations, prix), puis ils les approuvent ou les ajustent généralement. C’est similaire à l’usage typique de RELEX – automatisation jusqu’à un certain point, avec une supervision humaine. Certains peuvent exécuter automatiquement certaines parties (par exemple, des commandes de réapprovisionnement automatique dans certaines limites), mais la culture et les processus dans de nombreuses grandes entreprises font qu’il s’agira d’un système hybride pendant un certain temps. Ainsi, bien que la technologie de Blue Yonder puisse automatiser de nombreuses tâches, en réalité, les entreprises l’implémentent souvent pour compléter le travail des planificateurs, et non pour les remplacer. Avec le temps, cela pourrait évoluer à mesure que la confiance se renforce ou que Blue Yonder améliore ses capacités en temps réel. Mais quiconque achèterait Blue Yonder en s’attendant à une supply chain entièrement autonome dès le premier jour se fourverait. Il s’agit plutôt d’un parcours : vous pourriez progressivement augmenter ce que vous laissez le système décider sans surveillance, à mesure que vous configurez des exceptions et prenez vos marques. Veille concurrentielle & Multi-Canal : Un point positif est que la tarification de Blue Yonder (Revionics) gère explicitement les données de prix concurrentiels. Si vous disposez d’un flux des prix de vos concurrents, le système peut intégrer des règles telles que « ne pas fixer un prix supérieur de plus de 5 % à celui du concurrent X » ou utiliser des modèles d’élasticité prenant en compte les écarts de prix entre concurrents ¹⁸ ¹⁰⁸. Cela est précieux pour le le e-commerce où la transparence des prix est élevée. Tous les outils de supply chain ne prennent pas en compte la tarification concurrentielle, ainsi la solution de Blue Yonder offre un avantage dans ce domaine. Quant aux marketplaces (Amazon/eBay) ou au multi-canal, Blue Yonder n’offre pas spécifiquement de gestion de marketplaces (par exemple, la gestion des enchères publicitaires ou l’optimisation du buy box – ce qui dépasse son champ d’application) ¹⁰⁹. Vous pourriez donc utiliser Blue Yonder pour le cœur de la gestion des stocks et de la tarification, tout en ayant besoin d’autres outils pour des tactiques spécifiques à certains canaux. Ce n’est pas inhabituel ; même d’autres fournisseurs de premier plan ne couvrent pas cet aspect (Lokad ou RELEX ne font pas non plus d’optimisation des publicités Amazon). Blue Yonder peut, bien entendu, agréger la demande sur les différents canaux pour la planification, ce qui est standard. Une chose que nous surveillons, ce sont les contradictions internes dans le message. Le marketing de Blue Yonder revendique parfois à la fois une puissance stratégique à long terme et une agilité en temps réel dans le même souffle, ce qui peut être trompeur. Par exemple, ils pourraient dire « personnalisation et tarification en temps réel » alors que leurs systèmes de planification (jusqu’à récemment) fonctionnaient principalement par cycles par lots (de nuit, hebdomadaires) ⁸⁵. Ils ajoutent des mises à jour en temps réel (l’intégration avec Snowflake peut permettre un flux de données quasi en temps réel). Mais un regard critique devrait se demander : la tarification est-elle réellement recalculée en continu, ou seulement à la demande ? Avons-nous vraiment besoin d’« optimisation d’assortiment en temps réel » ? (Probablement pas ; c’est généralement stratégique, pas quelque chose que l’on fait chaque heure.) Il convient donc d’analyser ce que Blue Yonder entend par « en temps réel » dans chaque contexte. Souvent, cela signifie qu’ils peuvent réagir rapidement si déclenché, et non que chaque décision est reoptimisée continuellement à chaque seconde ⁸⁶. Nous le signalons pour mettre en garde contre le langage surfait qui apparaît parfois. Préoccupations concernant la plateforme Snowflake : Une considération subtile mais importante est l’usage intensif de Snowflake par Blue Yonder pour sa nouvelle plateforme. Snowflake est un entrepôt de données tiers ; il est puissant, mais facture en fonction du stockage des données et de la puissance de calcul. Si les applications de Blue Yonder exécutent des requêtes complexes sur Snowflake en coulisses, ces coûts pourraient être répercutés sur le client (selon la structure des contrats). Un système de planification peut être gourmand en ressources informatiques – nécessitant un important traitement de données. S’il n’est pas optimisé, cela pourrait générer une facture conséquente auprès de Snowflake. Le partenaire de Blue Yonder, JBF Consulting, a même mis en garde contre un possible « choc de facture » – le comparant à la facturation des anciens mainframes où une utilisation accrue coûtait beaucoup plus ¹¹⁰. L’idée est : si vous exécutez de nombreux scénarios ou des plans très volumineux dans la nouvelle configuration de Blue Yonder, vous pourriez, sans le vouloir, épuiser rapidement vos crédits Snowflake ¹¹¹. Nous nous attendons à ce que Blue Yonder optimise et négocie certains accords pour atténuer cela, mais c’est quelque chose que les utilisateurs doivent surveiller. Cela souligne que le « cloud » n’est pas automatiquement bon marché – les choix d’architecture sont importants. En contraste avec l’approche de Lokad, qui visait à éviter de faire peser les coûts sur des couches coûteuses pour exactement cette raison ¹⁵, l’exploitation de Snowflake par Blue Yonder offre une flexibilité, mais potentiellement à un prix. Cela dépendra des schémas d’utilisation.

Évaluation globale de Blue Yonder : Nous classons Blue Yonder légèrement en dessous des solutions « new gen » plus spécialisées en termes datteinte de la vision de l’optimisation par AI, mais il reste un acteur redoutable. Il dispose de la fonctionnalité la plus complète – des décennies de savoir-faire incorporé dans ses outils – et de nombreux déploiements réussis dans de grandes entreprises. Toutefois, d’un point de vue technique sceptique, nous considérons Blue Yonder comme un fournisseur en pleine transformation. Ils prônent l’AI, l’intégration et l’automatisation, mais une grande partie relève de lanticipation ou du marketing; la réalité actuelle pour les clients est plus banale, avec des silos progressivement reliés et des fonctionnalités modernisées. Il y a un peu ce « faites-nous confiance, ce sera incroyable dans quelques années une fois la transformation achevée ». Cela peut convenir si vous êtes déjà investi dans Blue Yonder, mais les nouveaux acheteurs pourraient se demander si une solution plus récente ne pourrait pas accélérer ce calendrier. La plateforme de Blue Yonder peut certainement supporter le e-commerce à grande échelle – de nombreux grands détaillants omnicanal l’utilisent – de sorte que la capacité n’est pas un problème. La question est l’efficacité et l’agilité : livrera-t-elle un ROI rapide ou passerez-vous deux ans à la mettre en œuvre et à l’ajuster ? Les différents modules fonctionneront-ils véritablement comme un tout, ou votre équipe finira-t-elle par assembler manuellement les résultats ? Ce sont là des signaux d’alerte. En résumé, Blue Yonder est un système puissant mais lourd ; il est en train de se réinventer pour rester à la pointe de la technologie. Jusqu’à ce que cette réinvention soit pleinement réalisée et éprouvée, les utilisateurs potentiels devraient aborder le sujet en ayant conscience des lacunes en matière d’intégration, de la dette technique et des efforts requis pour obtenir les résultats tape-à-l’œil présentés dans les supports commerciaux. La vision de Blue Yonder est séduisante, mais en tant que sceptiques, nous restons vigilants quant à lexécution qui doit rattraper la promesse.

Sources: La stratégie d’intégration de Blue Yonder et la re-platformisation par Snowflake sont documentées via des annonces de Blue Yonder et des analyses de partenaires ⁷⁵ ⁷⁶. Des mises en garde d’un partenaire (JBF Consulting) concernant l’optimisme en matière d’intégration et les coûts sont citées ⁷⁸ ¹⁶. Les problèmes hérités et l’exemple de procès proviennent de reportages (Dillard’s vs i2) ²³ ²⁴. L’utilisation du ML par Blue Yonder dans la prévision de la demande et le passage à la prévision continue est mentionnée dans leurs articles de blog ⁸⁹ ⁹². Les capacités de tarification via Revionics et la gestion des prix concurrents sont référencées à partir de descriptions produits ⁹⁸ ¹⁸. La discussion sur le temps réel vs traitement par lots et les contradictions marketing est éclairée par les larges revendications marketing de Blue Yonder comparées aux contraintes techniques connues ⁸⁵ ⁸⁶. Nous nous appuyons également sur l’analyse « Blue Yonder Review » pour des points de vue critiques sur leurs efforts en matière d’IA et d’intégration ⁸³ ¹⁰¹.

4. ToolsGroup – Spécialiste probabiliste des stocks s’étendant dans l’AI Retail

ToolsGroup est un vétéran de la planification de la supply chain, réputé notamment pour sa prévision de la demande et l’optimisation de stocks. Son logiciel phare, historiquement appelé SO99+ (Service Optimizer 99+), était une solution de premier plan pour la planification des stocks axée sur le taux de service et l’optimisation multi-échelons ¹¹² ¹¹³. En termes simples, ToolsGroup excellait pour répondre à la question : « Quel est le minimum de stock dont j’ai besoin à chaque emplacement pour atteindre un taux de service de 99 % (ou tout autre objectif) en situation d’incertitude ? » Cela le rendait populaire auprès des distributeurs et des fabricants gérant de nombreux SKU et cherchant à éviter les ruptures sans pour autant surstocker. Notamment, ToolsGroup fut parmi les premiers outils commerciaux à implémenter la prévision probabiliste et la planification (vers les années 2000), prônant que les entreprises s’éloignent des prévisions à chiffre unique pour utiliser, à la place, l’ensemble de la distribution de la demande possible ¹¹⁴ ¹¹⁵. Cette approche, autrefois novatrice, est désormais reconnue comme une bonne pratique – et d’ailleurs d’autres fournisseurs ont par la suite suivi le même chemin. À bien des égards, ToolsGroup fut un pionnier précoce de ce que nous appelons aujourd’hui l’optimisation de stocks “AI-driven”, même s’ils n’employaient pas autant le terme à la mode IA à l’époque.

Pour le e-commerce et d’autres entreprises complexes disposant de larges assortiments et d’une demande intermittente, la force de ToolsGroup réside dans sa modélisation probabiliste. Ils gèrent naturellement les articles de « longue traîne » qui se vendent de façon sporadique : au lieu de prévoir, par exemple, 2 unités chaque mois (ce qui serait trompeur si les ventes réelles sont de 0 la plupart des mois et de 10 lors d’un mois), ils produisent une courbe de probabilité de la demande qui capture cette nature irrégulière ¹¹⁶. Ensuite, leur optimisation détermine la quantité de stocks nécessaire pour qu’il n’y ait, par exemple, que 5 % de risque de rupture avant réapprovisionnement. Cela est idéal pour les vendeurs du e-commerce ayant de nombreux produits à faible rotation – ToolsGroup ne surestime pas ces articles juste pour atteindre un objectif, il planifie le stock de sécurité approprié à leur volatilité réelle. Ils disposent également de mécanismes pour la prévision de nouveaux produits (en s’appuyant sur des analogies ou des modèles basés sur des attributs pour prédire un nouveau SKU à partir d’articles similaires) ¹¹⁷, et gèrent les promotions ainsi que la saisonnalité en ajustant la distribution de la demande en conséquence.

Historiquement, ToolsGroup se concentrait sur le côté offre : la prévision de la demande, le calcul du stock de sécurité, et la planification du réapprovisionnement. Ils n’offraient ni tarification ni optimisation d’assortiment. Constatant que ces éléments complétaient la planification des stocks, ToolsGroup a réalisé un mouvement stratégique : ils ont acquis une entreprise appelée JustEnough en 2018-2019 ¹¹⁸ ¹¹⁹. JustEnough était un logiciel axé sur le retail, proposant des solutions pour la planification financière de la marchandise, l’assortiment, l’allocation, et la tarification des démarques. Il était reconnu pour aider les détaillants à planifier la distribution des produits vers les magasins, à organiser l’assortiment par point de vente et à optimiser les démarques (plans de remises pour la fin de vie des produits). En acquérant JustEnough (qui faisait partie d’une entreprise de logiciels de retail, MI9), ToolsGroup est passé d’une approche purement supply chain à un domaine plus large de retail planning. Ils commercialisent désormais une suite intégrée combinant leur moteur SO99+ avec les capacités de JustEnough, visant à couvrir tout, de la planification stratégique à l’exécution, aussi bien pour la supply chain que pour le retail merchandising ¹²⁰ ¹²¹.

Défis d’intégration : Chaque fois qu’un fournisseur fusionne deux plateformes différentes, l’intégration pose problème. ToolsGroup travaille à unifier le modèle de données et les flux de travail de SO99+ et des composants dérivés de JustEnough. Ils ont mentionné avoir atteint « le même modèle de données pour la planification tactique et opérationnelle » afin d’assurer une version unique de la vérité ¹²². Par exemple, ils ont lancé un concept intitulé « Real-Time Retail » qui lie le système de planification de JustEnough à un « Inventory Hub » de sorte que les données circulent en quasi temps réel ¹²³. Cela implique que, au fur et à mesure que les ventes se réalisent ou que les positions de stocks évoluent, ces informations sont rapidement intégrées dans le moteur de planification, permettant ainsi des réactions plus rapides (comme une réaffectation). Ils affirment que cela permet une planification dynamique et continue plutôt que des traitements par lots fixes et périodiques ¹²⁴. C’est une philosophie similaire à celle d’autres acteurs : abolir la frontière entre les données d’exécution et la planification, afin de pouvoir ajuster les plans à la volée.

Cependant, la commercialisation par ToolsGroup du concept « Real-Time Retail, la seule solution qui répond au comportement d’achat sur le moment » semble quelque peu hyperbolique ¹²⁵. Certes, c’est appréciable si leur système se met à jour fréquemment, mais la réalité est que toutes les décisions ne peuvent ou ne doivent pas être prises instantanément. Réallouer des stocks ou mettre à jour une prévision en cours de saison – oui, cela peut être fréquent. Re-optimiser complètement un assortiment ou un plan financier « sur le moment » est moins plausible – ces décisions requièrent généralement davantage de réflexion et se produisent sur une base hebdomadaire ou mensuelle. Ainsi, comme pour d’autres fournisseurs, le terme « temps réel » s’applique probablement à certaines couches (par exemple, le rééquilibrage des stocks, l’ajustement des prévisions à court terme) et non à d’autres (comme la refonte de la stratégie). Chaque fournisseur vante désormais le « temps réel » sous une forme ou une autre ¹²⁶, signifiant souvent qu’ils peuvent actualiser les données et recommandations en quelques minutes ou heures, ce qui est généralement suffisant. Le PDG de ToolsGroup a été cité en affirmant que les détaillants doivent pivoter rapidement pour éviter l’érosion des marges lorsque la demande évolue ¹²⁷ – ce qui est vrai, et des données en quasi temps réel y contribuent ¹²⁸. L’essentiel est de savoir si le système de ToolsGroup agit réellement automatiquement sur ces données ou se contente d’alerter un planificateur. Ils suggèrent qu’il « recalcule automatiquement et recommande des commandes ou des transferts dès l’arrivée de nouvelles informations » ¹²⁸. Si, en pratique, cela fonctionne, c’est puissant : par exemple, si une flambée soudaine des ventes en ligne se produit, le système pourrait proposer un transfert immédiat de stocks d’un magasin à faible rotation vers l’entrepôt e-com. Nous n’avons pas vu de confirmation indépendante quant au degré d’automatisation atteint par les clients, mais il est clair que ToolsGroup vise à permettre cela.

Avec l’intégration JustEnough, dans un scénario idéal, un utilisateur de ToolsGroup peut réaliser une planification de bout en bout : planifier le mix d’assortiment par canal, planifier les allocations initiales aux magasins, utiliser le moteur SO99+ pour réapprovisionner et maintenir les niveaux de stocks, et utiliser l’optimisation des démarques pour liquider le stock en fin de vie. L’aspect d’optimisation conjointe intervient si ces éléments communiquent entre eux : par exemple, si l’outil de planification des démarques indique à la prévision de la demande que certains articles seront soldés à 50 % le mois prochain, la prévision de ces articles devrait s’ajuster à la hausse, ce qui modifiera ensuite les niveaux de stocks recommandés. ToolsGroup indique que leur modèle de données unifié signifie que de telles liaisons existent (les promotions et plans de démarque alimentant le modèle de demande) ¹²⁹ ¹³⁰. Il est probable, toutefois, que l’optimisation soit séquentielle : vous décidez d’abord de la stratégie de démarque, puis vous en constatez l’effet sur les stocks, plutôt qu’un algorithme unique choisissant simultanément la démarque et les stocks. Cela représente néanmoins un grand pas en avant par rapport aux systèmes cloisonnés. C’est similaire à l’approche de RELEX : des données intégrées garantissent la cohérence, mais il ne s’agit pas d’un problème d’optimisation unique résolu simultanément pour la tarification et l’offre ¹³¹.

Critères de pointe : ToolsGroup se distingue clairement par sa prévision probabiliste et sa gestion de l’incertitude. Depuis des décennies, ils soutiennent que les prévisions ponctuelles sont insuffisantes et que la planification doit tenir compte de la variabilité ⁷. Leur système ne produit pas seulement une « valeur attendue » mais une distribution complète (par exemple, la demande P10, P50, P90) qu’il utilise ensuite pour calculer des cibles de stocks permettant d’atteindre le taux de service désiré ou de minimiser le coût total ¹³². Par exemple, au lieu de dire « la prévision est de 100, gardons 110 pour être prudents », ils disent « il y a 95 % de chance que la demande soit ≤ X, donc nous stockons X pour assurer un taux de service de 95 % » ¹³². Cela intègre intrinsèquement l’incertitude de la demande, et ToolsGroup prend également en compte l’incertitude des délais dans ces calculs (par exemple, si les délais varient, le stock de sécurité est ajusté en conséquence). En planifiant avec des probabilités, ToolsGroup atténue naturellement les imprévus – moins de ruptures de stock et aussi moins de surstocks extrêmes. Ils soulignent parfois que l’utilisation de leurs résultats probabilistes peut améliorer d’autres systèmes : par exemple, on pourrait intégrer les chiffres de demande ajustés au risque de ToolsGroup dans un ERP tel que SAP APO pour l’améliorer ¹³³. En fait, ToolsGroup a déjà affirmé que leur moteur pouvait prolonger la durée de vie des systèmes hérités en fournissant de meilleures données ¹³³ – laissant entendre que leur principale valeur résidait dans les mathématiques plutôt que dans une interface utilisateur tape-à-l’œil.

En parlant d’interface utilisateur, ToolsGroup disposait historiquement d’une interface quelque peu utilitaire – davantage un outil back-end utilisé par les planificateurs ou analystes pour les chiffres, avec moins d’emphase sur des tableaux de bord esthétiques. Ils l’ont modernisée ces dernières années (ajout d’interfaces web, etc.) ¹³⁴. Toutefois, leur public de base était souvent l’analyste supply chain qui appréciait le moteur sophistiqué, même si l’UI était démodée. De nos jours, ils mettent l’accent sur l’automatisation de la planification afin de réduire la charge de travail. Les documents de ToolsGroup affirment que « l’automatisation intégrée réduit la charge de travail de planification jusqu’à 90 % » ¹³⁵. Ils citent fréquemment des résultats clients tels qu’une réduction de 40–90 % de la charge de travail des planificateurs et une réduction de 20–30 % des stocks après utilisation de leur système. Ce sont des chiffres audacieux. Nous les interprétons avec précaution : une réduction de 90 % de la charge de travail pourrait signifier qu’une entreprise est passée de 10 planificateurs à temps plein à 1, ce qui pourrait se produire si, auparavant, ces planificateurs étaient principalement en mode gestion de crises et expédition, et que ToolsGroup a permis de lisser ce chaos ¹³⁶. Mais cela est probablement un cas isolé. Une réduction de 20–30 % des stocks implique généralement que l’entreprise avait d’abord un important excédent ; une amélioration plus typique serait peut-être de 10–15 % si elle n’était pas totalement inefficace auparavant ¹³⁷. Néanmoins, le fait que ToolsGroup évoque même ces fourchettes indique qu’ils visent à automatiser en grande partie les tâches routinières de prévision et de réapprovisionnement, libérant ainsi les planificateurs de la quête d’erreurs. Une approche probabiliste devrait en effet conduire à moins d’urgences (car en tenant compte de l’incertitude dès le départ, on est moins pris au dépourvu), et donc à moins d’expéditions de dernière minute et de réallocations manuelles ¹³⁸. Nous restons simplement prudents, le marketing ayant tendance à utiliser les scénarios les plus optimistes. Il est appréciable de constater qu’ils présentent au moins cela sous forme de fourchette (réduction de la charge de travail de 40–90 %), ce qui implique que les résultats varient significativement d’un client à l’autre ¹³⁶.

La longue expérience de ToolsGroup (fondée en 1993) signifie qu’ils bénéficient d’une stabilité et d’une expertise approfondie du domaine ¹³⁹. Ils ne sont peut-être pas aussi grands que Blue Yonder ni aussi médiatisés que certaines startups d’AI, mais ils disposent d’une clientèle fidèle et d’une réputation pour des algorithmes performants. Nombre de leurs clients évoluent dans la manufacture, la distribution, les pièces de rechange, et certains dans le retail. Pour une entreprise de e-commerce principalement préoccupée par les stocks – ni ruptures, ni submersion dans un excès de stocks – ToolsGroup est une solution très mature. Leurs capacités multi-échelons sont bénéfiques si vous disposez de plusieurs centres de distribution ou d’un réseau global. Ils peuvent optimiser non seulement à chaque nœud, mais également à travers l’ensemble du réseau (par exemple, combien de stocks conserver dans les entrepôts régionaux par rapport à un entrepôt central). Ils acheminent les stocks là où ils sont nécessaires, tout en maintenant leur volume total bas.

Points faibles: La plus grande lacune pour ToolsGroup a été l’optimisation des prix. L’acquisition de JustEnough leur a apporté l’optimisation des remises (qui relève de la tarification, mais uniquement pour des scénarios de fin de vie ou de liquidation) ¹⁴⁰ ¹⁴¹. Cela est utile pour le e-commerce saisonnier ou de mode où il faut systématiquement écouler les stocks obsolètes. Cependant, ToolsGroup ne dispose toujours pas d’une capacité robuste de tarification dynamique quotidienne comparable à Revionics de Blue Yonder ou à des fournisseurs spécialisés en tarification. Ils pourraient disposer d’analyses de l’élasticité des prix de base ou s’appuyer sur des partenaires à cet égard. Si la priorité d’un client est d’optimiser les prix de vente (pour des raisons de marge ou de compétitivité) au quotidien, ToolsGroup n’est pas le choix le plus solide. Leur ADN se situe davantage du côté de la planification d’approvisionnement – « comment satisfaire la demande efficacement en supposant que les prix sont fixes. » Ils commencent à aborder la modulation de la demande avec la partie planification des remises et des promotions, mais une optimisation complète des prix pour la tarification régulière n’est pas leur point fort ¹⁴². Ainsi, en termes d’optimisation conjointe, ToolsGroup peut optimiser les stocks étant donné un prix, mais il ne vous indiquera pas le meilleur prix pour maximiser le profit (sauf en fin de processus via des suggestions de remises). C’est une distinction importante : l’optimisation de ToolsGroup est principalement orientée vers l’approvisionnement (niveaux de stocks, réapprovisionnement), tandis que des fournisseurs comme Blue Yonder ou RELEX ont investi dans des moteurs de tarification pour suggérer également des actions orientées vers la demande (changements de prix, stratégies promotionnelles) ¹⁴² ¹⁴³.

Technology Stack: ToolsGroup propose désormais une version SaaS cloud et a rebrandé certaines parties avec des noms tels que “Inventory Hub” et “Fulfill.io” pour moderniser son image. En coulisse, le calcul intensif repose probablement toujours sur du C++ hautement optimisé ou un code similaire qui a été affiné au fil des ans. Aucune plainte n’a été formulée concernant les performances de ToolsGroup – ils ont des clients avec des millions de combinaisons SKU-emplacement et les gèrent. Le talon d’Achille de ToolsGroup pourrait être le fait qu’il est perçu comme un « outil d’optimisation » nécessitant une configuration experte pour en tirer le meilleur parti ¹⁴⁴ ¹⁴⁵. Ils ont intégré davantage de ML prêt-à-l’emploi, comme la détection de la demande (ajustements à court terme des prévisions en utilisant la dernière tendance) et l’identification automatisée des facteurs influençant la demande ¹⁴⁵ ¹⁴⁶. Par exemple, ils pourraient exécuter des algorithmes d’importance des variables pour indiquer à un utilisateur quelles variables (prix, météo, promotions) influencent le plus une prévision ¹⁴⁷. Ils ont même abordé dans un blog le mythe selon lequel la prévision probabiliste ne peut pas intégrer le jugement humain – en clarifiant que les planificateurs peuvent saisir des corrections et que le système les traitera de manière appropriée (en tenant compte du biais historique de ce planificateur) ¹⁴⁸. Cela reflète une approche équilibrée : ToolsGroup ne cherche pas à éliminer complètement l’humain ; ils fournissent un moteur sophistiqué et permettent l’intervention humaine, mais les mathématiques veillent à ce que cette intervention ne compromette pas l’intégrité statistique (par exemple, si un planificateur surestime systématiquement, le système apprend ce biais) ¹⁴⁶ ¹⁴⁸.

ToolsGroup peut gérer la cannibalisation et le multi-channel dans une certaine mesure. Leurs modèles probabilistes peuvent prendre en compte des produits connexes s’ils sont configurés (vous devez probablement définir des groupes de substituts ou utiliser leur ML pour regrouper les articles connexes) ¹⁴⁹. Ce n’est pas entièrement automatique, mais ils ont la capacité de modéliser, par exemple, si le produit A est en rupture de stock, une partie de la demande se dirige vers le produit B ¹⁴⁹. Ils ont écrit sur les défis de la planification multi-channel (agréger la demande provenant de plusieurs flux) et ont souligné que les prévisions à chiffre unique traditionnelles échouent dans de tels scénarios ¹⁵⁰. La solution de ToolsGroup peut, par exemple, produire une prévision de demande totale pour tous les canaux et même aider à allouer les stocks par canal si nécessaire ¹⁵¹. De nombreux acteurs du e-commerce vendent également sur des marketplaces ou disposent de plusieurs sites ; ToolsGroup conseillerait probablement de planifier globalement puis d’allouer de manière optimale (leur système garantissant, par exemple, que vous n’affectez pas tous les stocks à votre propre site web si Amazon génère en réalité une demande plus forte, etc.). L’allocation par canal peut souvent être gérée par des règles métier plus simples, mais il est appréciable que leur approche supporte intrinsèquement le multi-channel en exploitant les probabilités (qui permettent naturellement de fusionner et de scinder les prévisions selon les besoins) ¹⁵¹.

Le user experience après l’acquisition est à surveiller. RELEX (construit en interne comme une plateforme unique) pourrait sembler plus unifié que ToolsGroup+JustEnough, qui étaient séparés. ToolsGroup a vraisemblablement retravaillé l’interface utilisateur pour la rendre fluide, mais certains utilisateurs pourraient encore percevoir une différence entre le module de stocks et le module d’assortiment, par exemple ¹⁵² ¹⁵³. Nous n’avons pas vu d’avis d’utilisateurs sur la nouvelle plateforme combinée, mais c’est un point de friction potentiel. Ils ont sans aucun doute intégré la planification promotionnelle à la prévision (ainsi, les relances promotionnelles sont intégrées aux prévisions) ¹⁵⁴ ¹⁵⁵, ce qui est essentiel. En tant que sceptiques, nous conseillerions aux utilisateurs potentiels de demander une démo d’un workflow complet (par exemple, de la planification d’une promotion à la visualisation de l’ajustement du plan de stocks) afin de vérifier que l’intégration est aussi fluide que promis.

Track Record: ToolsGroup dispose de nombreuses études de cas axées sur la réduction des stocks et l’amélioration du taux de service – c’est leur spécialité. Ils n’ont pas connu d’échecs scandaleux dans le domaine public comme certains grands acteurs, peut-être parce qu’ils sont plus petits et gèrent les projets de près. Certains anciens clients de JustEnough ont été hérités, et l’évolutivité de JustEnough pour les très grands détaillants était peut-être limitée (c’était plutôt orienté vers le marché intermédiaire), de sorte que ToolsGroup a probablement dû renforcer cet aspect ¹⁵⁴ ¹⁵⁶. C’est un point à considérer si vous êtes un détaillant de premier plan – assurez-vous que la partie assortiment/planification s’adapte à la taille de vos données. La force de ToolsGroup en calcul inspire confiance, mais l’intégration de cette composante retail a peut-être nécessité une certaine réingénierie.

En conclusion, ToolsGroup est une option très crédible pour les entreprises cherchant à optimiser les stocks et les taux de service grâce à des mathématiques avancées, désormais renforcées par quelques capacités de planification retail. Nous le classons parmi les leaders en approche technique grâce à son utilisation de longue date des modèles probabilistes et à son moteur d’optimisation éprouvé. Il répond à bon nombre de nos critères : modélisation de l’incertitude (excellent), optimisation économique (il optimise intrinsèquement les compromis entre service et coûts, ce qui constitue un objectif économique), scalabilité (généralement bonne, gérant des millions de combinaisons SKU-emplacement), et un degré croissant d’automatisation (les clients réduisent souvent considérablement la planification manuelle). Il est un peu insuffisant sur l’aspect tarification de l’optimisation conjointe – vous pourriez avoir besoin d’une solution ou d’une stratégie supplémentaire pour la tarification dynamique si cela est central pour votre activité, puisque ToolsGroup lui-même n’optimise pas vos prix quotidiens ¹⁴⁰ ¹⁴². De plus, en tant que fournisseur quelque peu plus petit, ToolsGroup pourrait ne pas disposer de l’écosystème étendu ou d’une armée d’implémenteurs comparable à celle des grandes entreprises – mais cela peut être positif si cela signifie une attention plus directe de la part de leurs experts. Notre regard sceptique est que ToolsGroup, malgré un marketing moins tape-à-l’œil, a en réalité été pionnier dans bon nombre d’aspects du « AI supply chain » (prévision probabiliste, automatisation) ¹¹⁴ ¹¹⁵, mais il n’a pas toujours été reconnu comme « AI » parce qu’il le faisait avant que le terme ne devienne à la mode. Maintenant qu’ils ont ajouté des mots à la mode dans leur communication, c’est essentiellement le même moteur solide avec un vernis moderne. Les entreprises devraient regarder au-delà des buzzwords et évaluer la substance – dans le cas de ToolsGroup, la substance repose sur des mathématiques solides en supply chain, le défi étant désormais de voir comment ils intègrent les capacités de planification retail plus larges dans ce cadre.

Sources: L’orientation historique de ToolsGroup et son approche probabiliste sont décrites dans leur documentation et dans des analyses tierces ¹¹² ¹¹⁴. L’intégration de JustEnough et les affirmations concernant le Real-Time Retail proviennent des annonces de ToolsGroup ¹¹⁸ ¹²³. Nous citons les propres affirmations de ToolsGroup sur la charge de travail et la réduction des stocks ¹³⁵ ¹³⁶ et notons le scepticisme quant à leur caractère optimal ¹³⁷. Le manque de force en optimisation quotidienne des prix est souligné à partir des connaissances sectorielles et de l’offre de ToolsGroup (ou de son absence) dans ce domaine ¹⁴⁰ ¹⁴². La gestion du multi-channel et de la cannibalisation est référencée à partir des blogs et documents de ToolsGroup ¹⁴⁹ ¹⁵¹. De plus, nous utilisons un contexte indépendant, comme la mention des “legacy vendors” qui s’appuient sur des acquisitions (Logility/Garvis, Kinaxis/Rubikloud) pour contraster avec le défi d’intégration post-acquisition de ToolsGroup ¹⁵⁷. Les points d’intégration de l’expérience utilisateur sont déduits de la nature des plateformes et de tout commentaire disponible (par exemple, les déclarations sur le modèle de données unifié de ToolsGroup ¹²²).

5. o9 Solutions – Planification intégrée “Digital Brain” avec une ambition élevée

o9 Solutions est un nouvel entrant (fondé en 2009) qui a rapidement gagné du terrain, se positionnant comme un « digital brain » de prochaine génération pour la planification d’entreprise intégrée. La plateforme d’o9 est construite sur l’idée d’un Enterprise Knowledge Graph – essentiellement un modèle de données unifié de l’ensemble de l’entreprise – combiné à des analyses avancées et de l’IA pour soutenir la prise de décision dans la planification de la demande, la planification d’approvisionnement, SNOP/IBP (Sales & Operations Planning), et même la gestion des revenus. En termes simples, o9 vise à être la plateforme unique où toutes les fonctions de planification (prévision, supply chain, commercial, financier) se rejoignent, propulsées par des algorithmes d’IA et une intégration de données en temps réel ¹⁴⁷ ¹⁵⁸.

Integrated Scope: o9 couvre un large périmètre : prévision de la demande, planification de la supply chain (de l’approvisionnement à la production et à la distribution), et dispose également de modules pour des choses comme la planification des prix et des promotions ¹⁵⁹ ¹⁶⁰. Ils font largement la promotion de “Integrated Business Planning (IBP)”, signifiant que les plans de demande, d’approvisionnement et financiers sont tous synchronisés sur o9 ¹⁶¹. Cela s’inscrit dans la tendance à briser les silos – non seulement au sein de la supply chain, mais aussi entre la supply chain et les plans commerciaux. Par exemple, si l’équipe commerciale planifie une promotion, le plan d’approvisionnement sur o9 en prend immédiatement connaissance ; si le côté approvisionnement rencontre une contrainte, le plan financier en perçoit l’impact. C’est une approche globale à laquelle de grandes entreprises aspirent.

Pour l’optimisation conjointe spécifiquement, o9 propose des outils d’optimisation des prix : ils mentionnent l’intégration de la planification de la demande avec des modèles d’élasticité et des scorecards de facteurs externes pour déterminer le meilleur moment pour modifier les prix ¹⁵⁹. Ils disposent également de capacités d’optimisation des promotions pour analyser la performance historique des promos et planifier les campagnes futures. Bien qu’il ne soit pas un fournisseur de tarification dédié à proprement parler, o9 possède les éléments permettant d’ajuster la demande via la tarification et d’alimenter ainsi les décisions d’approvisionnement. Il est probablement plus orienté haut niveau (par exemple, la planification de scénarios pour des stratégies de tarification) et moins granulaire que Revionics pour les changements de prix quotidiens, mais il couvre les promotions et la tarification dans le contexte de la planification globale. Ainsi, contrairement à Kinaxis (qui n’avait historiquement rien dans la tarification), o9 aborde dans une certaine mesure le volet revenu, ce qui est un plus dans nos critères d’optimisation conjointe.

AI and Analytics: o9 se présente comme une plateforme propulsée par l’IA. En coulisse, elle intègre une gamme d’analyses :

Predictive analytics: prévisions statistiques et modèles de ML pour la demande/l’approvisionnement ¹⁴⁷.
Prescriptive optimization: elle dispose de moteurs d’optimisation (probablement des solveurs de programmation linéaire/entière, etc.) pour des scénarios de planification ¹⁵⁸.
Simulation & scenario planning: une analyse intégrée « et si » permettant aux utilisateurs de simuler facilement différents scénarios de demande/approvisionnement ¹⁶².
Generative AI and NLP: Récemment, o9 a mis en avant l’utilisation de l’IA générative (semblable à ChatGPT) pour des tâches telles que l’interrogation du plan en langage naturel ou la génération automatique d’insights ¹⁶³. Il s’agit d’une tendance récente visant à améliorer l’expérience utilisateur plutôt que le cœur du calcul.
Open architecture: o9 permet l’intégration avec des bibliothèques R/Python ¹⁶⁴, ce qui signifie que les data scientists peuvent brancher des algorithmes personnalisés si nécessaire. Cette ouverture est appréciée des utilisateurs avancés qui souhaitent étendre l’IA de la plateforme.

Ces fonctionnalités suggèrent que l’IA d’o9 n’est pas qu’une fine couche superficielle ; elle est pleinement intégrée. Ils présentent l’IA/ML non pas comme une solution additionnelle, mais comme une partie intégrante du moteur analytique ¹⁶⁵. Par exemple, o9 pourrait utiliser le ML pour la détection de la demande (similaire à RELEX, ajustant les prévisions à court terme avec les dernières données). Ils mettent également l’accent sur un “Digital Twin” de l’entreprise, sur lequel l’optimisation s’exécute pour fournir des recommandations prescriptives ¹⁶⁶ ¹⁵⁸. Ce concept repose sur le fait que le modèle d’o9 reflète si fidèlement votre supply chain réelle (capacités, contraintes, etc.) qu’il peut simuler les résultats avec précision et suggérer des actions (par exemple, si une certaine usine tombe en panne, le système pourrait suggérer de rediriger la production vers une autre usine et de rééquilibrer les stocks en conséquence).

Technical Stack: o9 est conçu comme une solution moderne basée sur le cloud, souvent déployée sur Microsoft Azure. Ils mettent en avant :

Un Integrated Business Planning Language (IBPL) – un environnement de script personnalisé dans o9 pour construire des modèles et des rapports ¹⁶⁷. Cela ressemble à l’Envision de Lokad ou au langage de modélisation d’AIMMS, permettant une personnalisation au-delà de la configuration standard.
Big data & in-memory processing: Ils utilisent une combinaison de technologies ; les mentions de Hadoop et des techniques en mémoire indiquent qu’ils essaient de gérer de grandes quantités de données grâce à un mélange de stockage distribué et d’un accès mémoire rapide ¹⁶⁸. Il se peut qu’ils stockent les données de base dans Hadoop (ou un système de fichiers distribué similaire) puis chargent des tranches en mémoire pour des calculs rapides.
Graph databases: Forbes a noté l’utilisation par o9 de concepts de bases de données graphiques ¹⁶⁹, ce qui s’aligne avec leur approche du “knowledge graph” – représentant des entités (produits, clients, fournisseurs) et leurs relations dans un graphe, ce qui peut s’avérer puissant pour certaines requêtes, comme déterminer comment une perturbation se propage dans un réseau ¹⁷⁰.
API and integration: Ils disposent d’API ouvertes pour se connecter aux ERP et à d’autres systèmes, reconnaissant que l’intégration est essentielle ¹⁷¹.

Techniquement, o9 est donc assez cloud-native et conçu pour l’échelle. On peut s’attendre à ce qu’il gère de grands volumes de prévisions, des modèles de supply chain, etc., grâce à une combinaison de mémoire et de calcul distribué. Il nécessite probablement encore une configuration importante pour chaque client (comme la construction du modèle digital twin de leur supply chain). La présence d’un langage de script personnalisé permet aux clients avancés de le personnaliser en profondeur, mais cela signifie également qu’il n’est pas entièrement prêt à l’emploi – un certain effort de modélisation est requis (similaire à la philosophie de Lokad, bien qu’o9 propose aussi davantage de modèles préconçus pour des processus standards, puisqu’ils ciblent également les grandes entreprises aux processus standardisés).

Independent Validation: o9 a connu une croissance rapide et compte des clients de renom (ex : ils ont annoncé un accord avec Toyota en 2025 ¹⁷²). Des articles indépendants ont souligné l’innovation d’o9 : par exemple, un article de Dallas Innovates a discuté de leur “Digital Brain” et de la manière dont il brise les cloisonnements ¹⁷³. Forbes a mis en avant leur différenciation technologique, comme l’utilisation de graph DB et l’optimisation avancée ¹⁷⁰. Cela ajoute de la crédibilité en montrant qu’o9 ne se contente pas de faire du marketing – ils ont attiré l’attention pour une véritable innovation. De plus, ils se sont associés à de grands SIs (system integrators) comme HCL, et même à des entreprises technologiques comme Microsoft, ce qui témoigne d’une certaine confiance en leur plateforme ¹⁷⁴.

Skeptical View – Challenges: Bien que la vision d’o9 soit attrayante, nous faisons preuve de prudence sur plusieurs fronts :

Buzzword Overload: o9 utilise des termes comme “self-driving supply chain”, “digital twin”, “knowledge graph”, “generative AI” de manière libérale. Certains de ces concepts sont réellement intégrés dans le produit, mais ils peuvent masquer les éléments de base. Par exemple, de nombreux fournisseurs réalisent de la planification de scénarios et l’appellent un digital twin – le fait qu’o9 l’emballe avec des noms à la mode ne signifie pas automatiquement que c’est mieux. La véritable question est de savoir dans quelle mesure ils peuvent mettre en œuvre ces idées pour un client, et non simplement les mentionner.
Integration Complexity: Construire un modèle digital unifié d’une grande entreprise est difficile. Cela signifie se connecter à de nombreuses sources de données (ERP, CRM, MES, etc.), nettoyer les données et les mapper dans la structure d’o9. Si la qualité des données est médiocre ou cloisonnée, un projet o9 peut rencontrer des difficultés. Le succès de la plateforme « hinges on data quality, seamless integration…, and user adoption » comme le souligne une analyse ¹⁷⁰. Cela est vrai pour tous les logiciels de planification, mais la portée étendue d’o9 implique qu’elle touche à de nombreux systèmes – ce qui augmente le travail d’intégration. Certains utilisateurs pourraient trouver écrasant de digitaliser chaque aspect de la planification simultanément.
User Adoption: Si la culture d’une entreprise est habituée à séparer les processus de planification, passer à une plateforme unique comme o9 peut représenter un grand changement. L’outil peut être excellent, mais si, par exemple, l’équipe financière ne fait pas confiance aux projections issues de la supply chain, elle pourrait résister. Le fait qu’o9 soit la seule source de vérité nécessite un alignement organisationnel, ce qui peut être difficile (ce n’est pas un défaut technique d’o9, mais une barrière du monde réel).
Proven ROI: o9 dispose d’études de cas et a connu une croissance rapide, ce qui implique qu’il apporte de la valeur. Cependant, en tant que produit relativement jeune, les données sur son efficacité à long terme sont limitées dans le domaine public. Certains clients en font l’éloge, d’autres peuvent le trouver complexe. La question est de savoir si ses résultats (amélioration du taux de service, réduction de stocks, etc.) surpassent clairement les approches plus anciennes. Étant donné qu’il remplace souvent soit des systèmes hérités, soit des processus Excel/manuels dans les grandes entreprises, on s’attendrait à des améliorations significatives, mais chaque environnement est unique.

Comparé à d’autres dans cette étude, l’approche d’o9 est un peu plus large (pas seulement la supply chain mais l’ensemble de l’IBP). Spécifiquement, sur l’optimisation conjointe de stocks et de tarification, o9 répond aux exigences en disposant de modules pour les deux, mais leur optimisation de tarification pourrait ne pas être aussi approfondie que celle de Lokad ou de Blue Yonder. Elle pourrait s’appuyer davantage sur l’analyse de scénarios (par exemple « voici comment la demande pourrait évoluer à différents niveaux de prix ») puis les planificateurs décident, plutôt que de générer automatiquement les prix optimaux quotidiennement. Ils mentionnent « PriceAI » sur la source d’applications de Microsoft, qui ajuste les prix en fonction des données de marché et des objectifs ¹⁷⁵, ce qui suggère qu’ils disposent au moins d’une certaine capacité de tarification dynamique automatisée. Si tel est le cas, o9 pourrait potentiellement optimiser les prix sans surveillance pour, par exemple, un site le e-commerce, en prenant en compte les règles et les données des concurrents. Sans retour direct des utilisateurs, nous restons prudemment optimistes quant à la qualité de la tarification d’o9, mais elle n’a pas été mise en avant comme leur principal argument différenciateur.

Là où o9 excelle probablement, c’est dans la planification de scénarios et la coordination interfonctionnelle. Un utilisateur peut mettre en œuvre des scénarios hypothétiques (par exemple, « Et si nous augmentions les prix de 5% sur cette catégorie et qu’un fournisseur clé accusait un retard de 2 semaines ? Quel en serait l’impact sur le chiffre d’affaires et les stocks ? ») et o9 peut simuler toute la chaîne d’impact. Cela est puissant pour la prise de décision, bien qu’il nécessite des utilisateurs compétents pour interpréter et agir sur les insights. Le modèle penche davantage vers un modèle human-in-the-loop (le système génère des insights, les humains prennent les décisions) par opposition à une automatisation pure. Cependant, ils évoluent vers des recommandations plus automatisées. Ils se qualifient de système de “decision management” ou “decision intelligence” en marketing, ce qui signifie qu’ils veulent également automatiser les décisions routinières.

Current Market Standing: o9 est souvent classé comme Leader ou Visionnaire dans les rapports d’analystes (IDC, Gartner, etc.), crédité pour sa technologie moderne et sa croissance rapide. Il serait par ailleurs indiqué que leurs revenus d’abonnement ont augmenté de 37 % en 2024 ¹⁷⁶, ce qui témoigne d’une dynamique. Ils ont également remporté des succès notables (l’exemple Toyota et d’autres Fortune 500). Cela suggère qu’en pratique, les grandes entreprises perçoivent o9 comme une alternative viable face à des acteurs établis tels que SAP ou Kinaxis pour la planification.

Il faut toutefois noter qu’o9 n’est pas à l’abri des défis généraux des logiciels d’entreprise. La mise en œuvre peut être complexe ; le succès dépend souvent du partenaire d’implémentation (puisque de nombreux grands SIs déploient o9 pour leurs clients). Si un projet est mal exécuté, l’outil pourrait être blâmé. Nous n’avons pas rencontré d’histoires d’horreur spécifiques concernant o9 – ce qui pourrait signifier qu’ils n’ont pas encore connu d’échecs publics majeurs, ou qu’il est trop tôt pour le dire. Cela peut également refléter le fait qu’ils complètent souvent plutôt que de tout remplacer immédiatement (certains clients pourraient utiliser o9 pour certains aspects de la planification et l’introduire progressivement).

Our Assessment: Nous considérons o9 Solutions comme un concurrent sérieux apportant une architecture véritablement moderne et une philosophie intégrée. Il répond à nos critères de plusieurs façons : il prend bien en compte la tarification et la promotion dans la planification, et non en tant qu’idée secondaire (bien que la profondeur de l’optimisation puisse être modérée, l’intégration est présente) ¹⁵⁹ ¹⁶⁰. Il gère l’incertitude grâce à une prévision avancée (ils supportent probablement la planification probabiliste ou du moins basée sur des scénarios, étant donné leur accent sur le risque et la détection). Il est conçu pour l’échelle et la vitesse, en tirant parti du cloud computing et de la technologie in-memory lorsque cela est approprié ¹⁶⁸, bien que nous surveillerions le coût si une grande quantité de mémoire in-memory est utilisée (similaire aux considérations de Kinaxis entre vitesse et mémoire). Son approche de l’automatisation est un peu hybride : il automatise l’analytique et peut fournir des suggestions prescriptives, mais nous soupçonnons que de nombreux utilisateurs d’o9 l’utilisent encore en tant qu’outil d’aide à la décision plutôt que comme système entièrement automatisé en boucle fermée. Cela dit, la vision d’une supply chain “self-driving” est clairement présente dans leur communication – ils appellent même leur plateforme le “AI-powered digital brain” à cet effet ¹⁷³.

Nous restons sceptiques quant aux promesses excessives (par exemple, si quelqu’un laisse entendre qu’o9 unifiera sans effort tous les aspects de la planification du jour au lendemain – cela demandera du travail). Mais ce scepticisme est atténué par le fait qu’o9 a fait preuve de sa capacité via sa clientèle en expansion. Essentiellement, c’est l’une de ces plateformes qui pourrait offrir beaucoup si elle était utilisée à son plein potentiel, mais l’étendue à laquelle les entreprises automatisent leurs décisions avec elle varie.

Dans une perspective de classement, si notre focus est restreint (optimisation de stocks et de tarification), o9 pourrait se situer juste en dessous de ceux tels que Lokad ou RELEX, car ces derniers sont ultra spécialisés sur ce problème précis (Lokad) ou sur ce secteur (RELEX pour le retail) avec des algorithmes éprouvés. o9 est plus généraliste et pourrait ainsi ne pas disposer des algorithmes très spécialisés dans certains domaines, mais il couvre bien le terrain et est technologiquement à jour. Nous attribuons à o9 des notes élevées pour sa vision et sa solide fondation technique, avec pour seule réserve que nous souhaitons voir davantage de preuves publiques des résultats qu’il délivre (par exemple, a-t-il aidé des entreprises à atteindre un certain pourcentage d’automatisation ou de réduction de stocks, etc., au-delà d’allégations anecdotiques).

Sources: Les capacités d’o9 sont résumées à partir de sources officielles ¹⁶¹ ¹⁵⁹ et d’une revue rédigée par Lokad mettant en lumière ses caractéristiques techniques ¹⁶⁷ ¹⁶⁸. Des articles indépendants confirmant l’approche et le succès d’o9 sont cités ¹⁷³ ¹⁷⁰. Nos points sceptiques font référence à une évaluation générale des buzzwords face à la réalité ¹⁷⁰. Les informations sur le module de tarification d’o9 et la planification des promotions sont tirées des descriptions présentes sur leur site ¹⁵⁹ ¹⁶⁰. Nous notons également des exemples de leur croissance et de leurs succès auprès des clients tels que rapportés dans des communiqués de presse ¹⁷⁶ ¹⁷².

6. Kinaxis – Leader de la « Concurrent Planning » rapide, manquant l’élément de tarification

Kinaxis est un fournisseur canadien connu pour sa plateforme RapidResponse, qui est un pilier de la planification de supply chain (notamment dans les secteurs de haute technologie et de l’automobile) depuis des décennies. La marque de fabrique de Kinaxis est la concurrent planning – la capacité pour toutes les parties d’un plan de supply chain (demande, supply, stocks, capacité) d’être mises à jour en temps réel simultanément, et pour plusieurs planificateurs de travailler en même temps sur les mêmes données. Essentiellement, Kinaxis a été pionnier d’un moteur de planification in-memory ultra rapide capable de recalculer les plans à la volée dès qu’un changement survenait, offrant aux utilisateurs une analyse what-if instantanée et des mises à jour en cascade ¹⁷⁷ ¹³. Cela était révolutionnaire il y a 15 ans, alors que la plupart de la planification se faisait par lots. Il reste très populaire pour le Sales & Operations Planning (S&OP) et la planification opérationnelle dans la fabrication complexe.

Cependant, Kinaxis s’est historiquement concentré sur l’équilibrage de l’offre et de la demande – et non sur la tarification ou la gestion des revenus. Leurs clients sont souvent des fabricants en mode build-to-stock ou build-to-order qui se préoccupent de la précision des prévisions, des engagements d’approvisionnement et du respect des taux de service, plutôt que de fixer dynamiquement les prix des produits. Jusqu’à récemment, Kinaxis ne disposait pas d’un module de prévision statistique avancée intégré ; les clients importaient soit des prévisions, soit utilisaient des méthodes basiques. Conscient du tournant du marché vers l’IA, Kinaxis a commencé à ajouter du machine learning forecasting and analytics via des acquisitions et des partenariats. Notamment, en 2020, Kinaxis a acquis Rubikloud, une startup en IA spécialisée dans la prévision de la demande dans le retail et l’analytics ¹⁷⁸. Ils se sont également associés pour des capacités de prévision probabiliste. Il s’agissait essentiellement de “bolt-ons” pour combler des lacunes ¹⁷⁸ ¹⁵⁷. Par exemple, la technologie de Rubikloud pouvait fournir une meilleure détection de la demande pour le retail/CPG, en complément de la force de Kinaxis en matière de supply planning. Mais l’intégration de ces solutions dans RapidResponse est un processus en cours.

Selon nos critères, Kinaxis est en retrait sur l’optimisation conjointe de stocks et de tarification car il ne traite en grande partie pas de la tarification. C’est avant tout un outil de planification de supply chain (demande, supply, stocks, capacité, voire les aspects financiers SNOP), et non un outil de merchandising ou de tarification. Même après l’acquisition de Rubikloud – qui disposait d’une certaine IA retail pour les promotions – l’offre centrale de Kinaxis manque toujours d’optimisation de prix. Ils pourraient permettre un scénario dans lequel vous simulez un plan de demande avec différentes hypothèses de prix, mais ils ne possèdent pas de moteur pour recommander des prix. Ainsi, si une entreprise a besoin de décisions de tarification intégrées, Kinaxis devrait être associé à une solution de tarification distincte. Il s’agit d’un écart critique en termes d’optimisation conjointe ; c’est pourquoi nous pénalisons Kinaxis dans ce contexte d’optimisation AI globale.

Concernant la gestion de l’incertitude, l’approche initiale de Kinaxis était plus déterministe. Il se basait sur une seule prévision (souvent fournie par l’utilisateur ou résultant d’un plan consensuel) avant de procéder à la propagation de l’offre. Ils ne produisaient pas nativement de prévisions probabilistes ni d’optimisations de stocks de sécurité ; les utilisateurs définissaient les politiques de stocks de sécurité et Kinaxis les respectait. Avec les améliorations récentes, ils ont introduit une planification probabiliste (probablement via des partenariats) pour calculer, par exemple, des niveaux de tampon en cas d’incertitude. Mais on ne peut pas dire que Kinaxis ait été un pionnier des méthodes probabilistes – il rattrape son retard grâce à des add-ons. Leur communication inclut désormais l’IA/ML et ils proposent quelque chose baptisé « Planning.AI », mais les détails manquent. Il semble qu’ils intègrent principalement la prévision pilotée par ML et peut-être la détection d’anomalies, plutôt qu’une optimisation stochastique de fond. En effet, une analyse critique a noté que Kinaxis est essentiellement une architecture héritée en évolution : un noyau déterministe avec de nouveaux composants AI greffés ¹⁷⁹. Cela soulève des questions sur la cohérence de l’empreinte technologique. Les nouveaux composants AI pourraient ne pas être entièrement intégrés (par exemple, il se peut que vous deviez encore exécuter un processus séparé pour la prévision ML avant de l’alimenter dans le moteur in-memory).

Le moteur concurrent in-memory de Kinaxis est à la fois sa force et son talon d’Achille. Il offre des calculs extrêmement rapides et une simulation de scénarios pour des volumes de données modérés, mais si vous lui imposez des données à très grande échelle, vous atteindrez les limites de la mémoire et des performances ¹⁸⁰ ¹⁸¹. C’est comme disposer d’un tableur super-puissant avec lequel plusieurs personnes peuvent jouer simultanément – excellent pour une utilisation interactive, mais pas conçu, par exemple, pour analyser des milliards d’enregistrements à la fois. Kinaxis fonctionne généralement à un niveau agrégé (par tranches hebdomadaires, par famille de produits ou SKU selon le cas). Si une entreprise tentait d’utiliser Kinaxis pour planifier, par exemple, des millions de combinaisons SKU-client en temps réel, elle pourrait rencontrer des difficultés ou nécessiter une quantité énorme de RAM et des clusters de serveurs. C’est un compromis connu : Kinaxis privilégie la vitesse au détriment de l’échelle. Ils ont atténué ce problème en permettant de déléguer certains détails (par exemple, en utilisant des heuristiques ou des hypothèses simplifiantes pour des détails très fins). Mais il n’est pas aussi intrinsèquement orienté « big data » que l’approche de Lokad ou celle d’o9 ¹⁸² ¹⁸³. Par exemple, une source a noté que les entreprises pourraient atteindre des murs coût/performance si leurs données sont gigantesques, à moins d’investir dans du matériel puissant pour Kinaxis ¹⁸⁰. Kinaxis est conscient de cela et travaille vraisemblablement à mieux distribuer ses calculs (surtout maintenant avec les déploiements cloud), mais c’est une contrainte de sa conception.

Un autre angle : Kinaxis est reconnu pour sa forte capacité en planification de scénarios et en prise de décision avec l’humain dans la boucle. Les planificateurs l’utilisent pour collaborer et réagir rapidement aux changements (comme un pic soudain de demande ou un problème avec un fournisseur). Il s’agit moins d’automatiser chaque décision que de guider les planificateurs humains afin qu’ils prennent des décisions meilleures et plus rapides. Kinaxis promeut souvent la synergie du « human + AI » plutôt que l’autonomie totale ¹⁸⁴ ¹⁸⁵. Ils nomment même leurs capacités en IA « Maestro » – une plateforme d’orchestration destinée à aider les planificateurs, et non à les remplacer ¹⁸⁶ ¹⁸⁷. Selon nos critères, nous privilégions une automatisation plus poussée, mais on pourrait soutenir que la philosophie de Kinaxis est pragmatique : laisser les humains faire ce qu’ils font de mieux (jugement, gestion des exceptions) et laisser les machines effectuer instantanément le calcul des chiffres. L’inconvénient est qu’elle nécessite encore plus d’apport des planificateurs et ne supprime pas autant de travail que, par exemple, Lokad ou ToolsGroup le prétendent.

Kinaxis n’a pas participé à des compétitions de prévision ou autre chose de ce genre publiquement, et étant une plateforme, il est plus difficile de quantifier son excellence algorithmique de façon isolée. Sa valeur a été démontrée dans de nombreuses entreprises par une agilité améliorée et des indicateurs de service (il existe des études de cas sur la réduction de stocks, des cycles de planification plus rapides, etc., bien que nous ne citions pas d’exemples spécifiques car ils proviennent souvent du marketing de Kinaxis). De plus, l’acquisition de Rubikloud par Kinaxis indique qu’il avait réalisé qu’il fallait une meilleure prévision par AI/ML, en particulier pour servir les segments retail/CPG et pour ne pas se laisser distancer par le battage de l’IA. Rubikloud a apporté une expertise dans le demand AI et même le pricing AI pour le retail (Rubikloud disposait de produits pour l’optimisation des promotions). Mais intégrer Rubikloud dans Kinaxis signifie vraisemblablement que ces fonctionnalités existent en tant que modules ou services séparés plutôt que d’être intimement intégrés dans une optimisation unique.

Competitive Position: Dans le Magic Quadrant 2024 de Gartner pour la planification de supply chain, Kinaxis demeurait un Leader, en grande partie grâce à son solide palmarès opérationnel (de nombreux clients, des finances solides) ¹³. Mais, techniquement, il est perçu comme évolutif plutôt que véritablement à la pointe de l’IA. Gartner a salué son automatisation et son alignement, mais des analyses indépendantes ont relevé des contradictions : Kinaxis parle de temps réel et de n’importe quel niveau de détail, alors qu’en réalité, étendre le niveau de détail et le temps réel est difficile, même pour Kinaxis ¹⁸¹. La capacité de traitement simultané de Kinaxis est excellente pour la replanification et la simulation à court terme, mais n’est pas intrinsèquement probabiliste ni optimisante sur le plan des coûts – il faut encore définir les règles et observer les résultats, plutôt que de laisser le système optimiser lui-même une fonction objectif (bien que Kinaxis possède certains solveurs d’optimisation pour des cas spécifiques comme l’allocation de supply, ce n’est pas une optimisation globale de toutes les décisions).

Pour l’intégration des prix et des données de marché, Kinaxis n’ingère pas nativement les prix des concurrents ni ne conduit les décisions tarifaires. Il peut vraisemblablement inclure des leviers de demande tels que le prix comme variables d’entrée dans ses prévisions, si ceux-ci sont fournis, mais il ne les collecte pas. L’acquisition de Rubikloud par Kinaxis leur a peut-être conféré une certaine capacité à intégrer des facteurs de lift promotionnel et peut-être à utiliser l’IA pour analyser l’efficacité des promotions. Mais la tarification quotidienne ne relève pas de leur champ d’action.

Assessment: Kinaxis reste une solution de premier plan pour la planification de supply chain dans des scénarios complexes de fabrication/distribution où la rapidité de réponse et la collaboration simultanée sont vitales. Elle aide indéniablement les entreprises à exécuter des scénarios what-if extrêmement rapidement tout en maintenant la synchronisation des plans. Cependant, selon notre définition de l’optimization de la supply chain alimentée par IA qui inclut la tarification et une prise de décision véritablement automatisée, Kinaxis est à la traîne. Elle considère la planification comme une tâche effectuée par des planificateurs avec un excellent support outil, et non comme quelque chose que le système automatise intégralement de bout en bout. Elle n’optimise ni la tarification ni l’assortiment (au-delà d’assurer que les plans de supply respectent un plan d’assortiment existant). Ainsi, dans un classement d’optimisation conjointe, Kinaxis serait classé plus bas car elle optimise principalement dans le silo de la supply chain. Nous nous méfions également de sa dépendance à la technologie in-memory – bien qu’excellente pour une utilisation interactive, elle peut devenir coûteuse et nécessiter une simplification des données pour des problèmes de très grande envergure ¹⁸⁰ ¹⁸³. Par exemple, si une entreprise du e-commerce tentait d’utiliser Kinaxis pour une replanification minute par minute de 100 millions de combinaisons SKU-location, ce ne serait pas l’outil adapté ; il convient mieux à une planification de niveau supérieur, peut-être de milliers de familles de SKU, etc.

Il faut également considérer que les clients typiques de Kinaxis (comme un OEM en électronique ou un fournisseur automobile) n’ont peut-être pas besoin d’optimisation tarifaire de la part de Kinaxis, car la tarification est souvent gérée par des équipes commerciales distinctes ou au moyen de formules de coût-plus dans ces secteurs. Ainsi, Kinaxis n’a pas fait de ce domaine une priorité. Mais à mesure que le monde évolue vers des décisions plus intégrées et l’IA, Kinaxis devra soit s’étendre dans ces domaines, soit risquer de paraître dépassé.

Nous notons que Kinaxis a commencé à s’associer avec d’autres technologies également (par exemple, un partenariat avec Databricks a été annoncé pour aider avec l’IA et réduire la fragmentation ¹⁸⁸). Cela suggère qu’ils savent qu’ils doivent mieux gérer le big data et l’IA en s’appuyant sur des plateformes de données modernes. C’est une bonne initiative, mais cela souligne qu’ils ajoutent des pièces à un noyau plus ancien.

En conclusion, Kinaxis est un mélange hétérogène. Il excelle dans ce pour quoi il a été conçu – une planification de supply chain rapide et simultanée avec intervention humaine – et sa valeur est prouvée dans ce domaine. Mais, dans le cadre de cette étude sur l’optimisation holistique alimentée par IA, Kinaxis manque d’ingrédients clés (tarification, automatisation complète, optimisation probabiliste) et possède une architecture technique qui, bien qu’efficace à une certaine échelle, ne se déploie pas de manière économique pour d’immenses volumes de données ni n’intègre l’incertitude de la manière la plus élégante. Les entreprises disposant de réseaux de retail à grande échelle ou nécessitant des décisions tarifaires pourraient trouver Kinaxis insuffisant sans complément. Ainsi, nous classons Kinaxis plus bas sur l’échelle d’innovation en optimisation par IA, tout en reconnaissant son solide historique d’exécution dans la planification de supply chain. C’est le cas classique d’un acteur établi tentant de se réinventer : il ajoute des fonctionnalités d’IA (comme la technologie de Rubikloud) et met en avant « Planning AI » dans son marketing ¹⁸⁹, mais nous conseillons aux utilisateurs potentiels de regarder sous le capot – une grande partie de l’IA de Kinaxis pourrait être des ajouts superficiels ou des solutions ponctuelles plutôt qu’un noyau transformé, du moins pour l’instant ¹⁸⁹.

Sources: La planification concurrente de Kinaxis et son héritage de l’approche in-memory sont soulignés dans diverses analyses ¹⁷⁷ ¹⁸⁰. L’ajout de l’IA via l’acquisition de Rubikloud est documenté ¹⁷⁸. Les critiques concernant l’IA en bolt-ons et les problèmes de scalabilité proviennent d’une revue Lokad du Gartner MQ ¹⁵⁷ ¹³. Les affirmations de Kinaxis sur l’automatisation et la réalité des limites de mémoire sont citées ¹³ ¹⁸¹. Nous nous référons également aux déclarations de Kinaxis sur la combinaison de l’humain et de l’IA (leur site web et leur marketing utilisent des termes comme “human intelligence with AI” ¹⁸⁴). Le partenariat avec Databricks pour renforcer la gestion des données par l’IA est mentionné dans un article de BusinessWire ¹⁸⁸, montrant leur volonté de combler certaines lacunes.

Conclusion: Naviguer entre le battage médiatique et la réalité dans l’optimisation de la supply chain par IA

Dans cette étude de marché, nous avons adopté une approche critique et fondée sur des preuves pour examiner le domaine de l’optimisation de la supply chain alimentée par IA. Les résultats révèlent un paysage où peu d’acteurs sont véritablement capables et nombreux sont les imposteurs. Le concept d’optimisation de bout en bout des stocks, de la tarification et de l’assortiment dans un contexte d’incertitude est incroyablement exigeant – il requiert des mathématiques rigoureuses, une technologie évolutive et une confiance dans l’automatisation que tous les fournisseurs ne peuvent offrir.

Lokad se distingue par son approche unifiée et probabiliste et son accent sur l’optimisation des décisions plutôt que sur la planification en silo. Il illustre ce que devrait signifier “alimenté par IA” : une modélisation personnalisée d’une entreprise, des prévisions probabilistes alimentant directement des règles de décision économique, et une automatisation telle que les systèmes puissent fonctionner en grande partie sans surveillance ²¹ ³. L’efficacité de son architecture cloud ³² et des preuves tangibles comme la performance lors de la compétition M5 ²¹ renforcent son statut de leader. Le compromis réside dans la nécessité d’une configuration experte – un prix à payer pour la flexibilité et la profondeur.

RELEX et Blue Yonder, en tant que fournisseurs majeurs de suites, offrent une large fonctionnalité et se précipitent pour se moderniser. RELEX brille dans le retail grâce à son flair IA et sa plateforme intégrée, couvrant tout, de l’espace en rayon à la tarification, avec une IA pragmatique qui traite d’innombrables signaux ⁴⁰ ⁴⁹. Nous avons constaté que les atouts de RELEX en prévision probabiliste et en expérience utilisateur fluide sont partiellement compensés par le fait que certaines de ses “autonomies” nécessitent encore une orientation humaine et une rigueur dans la vérification des données ⁵⁹ ¹¹. Blue Yonder, un pilier de la supply chain depuis des décennies, possède clairement tous les éléments (notamment après l’ajout de Revionics pour la tarification) et des algorithmes de domaine approfondis ⁷¹ ⁹⁸. Pourtant, c’est un patchwork en transition : notre analyse a révélé que la vision unifiée “Luminate” de Blue Yonder est ambitieuse mais pas pleinement réalisée en pratique ⁷⁵ ⁷⁷. Les clients doivent se méfier des lacunes d’intégration et de la dette technique dissimulée derrière les mots à la mode de l’IA – la saga judiciaire de Dillard’s rappelle avec force ce qui arrive lorsque les promesses dépassent la réalité ²³. RELEX et Blue Yonder sont tous deux des leaders en termes de capacités, mais un regard sceptique est nécessaire pour distinguer leurs véritables innovations (par exemple, la reforecast continue de RELEX, les algorithmes MEIO éprouvés de BY) de l’hyperbole marketing (par exemple, les affirmations d’une omniscience totale en temps réel).

ToolsGroup vient d’un héritage de rigueur quantitative (ayant pionnier l’optimisation probabiliste des stocks) et s’est désormais renforcé avec la planification retail via acquisitions. Nous avons constaté que ToolsGroup est techniquement solide dans la gestion de l’incertitude et l’automatisation de la planification de supply ⁷ ¹³⁵, et il est relativement franc quant à ce qu’il fait (taux de service et stocks) et ce qu’il ne fait pas (optimisation quotidienne des prix) ¹⁴⁰ ¹⁴². Son défi sera d’intégrer pleinement les capacités merchandising récentes pour offrir une optimisation conjointe plutôt qu’une planification séquentielle. Néanmoins, son accent sur les mathématiques de l’optimisation plutôt que sur un marketing tape-à-l’œil est rafraîchissant dans une industrie où certains acteurs récents se perdent dans les buzzwords.

o9 Solutions représente la nouvelle vague des “plateformes IA” et impressionne réellement par une pile technologique moderne et une portée intégrée étendue. Elle aspire à être un “cerveau digital” englobant l’ensemble de la planification, et elle exploite des idées de pointe telles que les graphes de connaissances et les hubs d’algorithmes ouverts ¹⁶⁷ ¹⁷⁰. Notre scepticisme à l’égard d’o9 ne porte pas sur sa technologie (qui semble robuste), mais sur la complexité de livrer en réalité une plateforme tout-en-un. Elle promet beaucoup – et il est probable qu’elle puisse fournir rapidement certains éléments (des projets réussis en témoignent) – mais les entreprises doivent veiller à ne pas se laisser emporter par cette grande vision sans obtenir une valeur concrète étape par étape. La densité de buzzwords autour d’o9 est élevée, si bien que les utilisateurs potentiels devraient exiger des démonstrations concrètes concernant leurs problèmes spécifiques (par exemple, comment exactement o9 optimisera notre tarification et nos stocks de façon conjointe, avec nos données ?). Le potentiel est indubitablement là.

Enfin, Kinaxis (et de même SAP ou Oracle de manière générale) démontre qu’être un leader dans la planification traditionnelle de supply chain ne se traduit pas directement par un leadership dans l’optimisation alimentée par l’IA. Le moteur de planification concurrente de Kinaxis est excellent pour ce pour quoi il a été conçu – une replanification rapide avec intervention humaine – mais cela souligne un constat : de nombreux acteurs historiques intègrent des fonctionnalités d’IA à des noyaux existants ¹⁷⁸ ¹⁷⁹. Ils peuvent cocher la case « dispose d’AI/ML », mais de manière fragmentée, parfois superficielle. L’absence d’intégration tarifaire chez Kinaxis constitue un défaut évident dans une étude qui valorise l’optimisation conjointe. SAP et Oracle, qui n’ont pas été abordés en profondeur ici, suivent un schéma similaire : d’immenses portefeuilles avec une touche d’IA ici et là (SAP vante « Business AI » dans l’ensemble de sa suite ¹⁹⁰, Oracle met en avant une « architecture composable » avec l’IA ¹⁹¹), mais ces géants offrent en grande partie des solutions modulaires que les utilisateurs doivent assembler. La charge de l’intégration incombe souvent au client ou à des consultants onéreux, tandis que les fournisseurs précédemment évoqués s’efforcent d’offrir une expérience plus fluide. Et, comme l’ont souligné les critiques du Gartner MQ, ces grands acteurs bénéficient souvent du statut de Leader en raison de leur taille et de leurs relations, et non de leur supériorité technique ¹⁹² ¹⁹³.

Key Takeaways:

Beware of Buzzwords: De nombreux fournisseurs utilisent librement des termes comme “AI-driven, cognitive, autonomous”. Nos recherches ont montré que, sans examiner en profondeur la documentation technique ou des études indépendantes, il est facile de se faire tromper. Par exemple, un fournisseur vantant une “planification IA en temps réel” peut encore s’appuyer sur des traitements par lots nocturnes avec une prévision ML – essentiellement du vieux vin dans une nouvelle bouteille ⁸⁵ ⁸⁶. Demandez toujours des précisions : que fait exactement l’IA ? Comment est-elle testée ou validée ? Peuvent-ils quantifier les améliorations avec des preuves ? L’approche sceptique consiste à exiger la transparence, et nous l’avons fait – découvrant, par exemple, que certains “IA” signifient simplement utiliser XGBoost ou des réseaux neuronaux pour la prévision au lieu d’ARIMA, ce qui est acceptable mais non révolutionnaire.
Integration is King (and the Achilles Heel): Le Saint Graal est un système unique qui optimise l’ensemble des domaines traditionnellement séparés (stocks, tarification, assortiment). La réalité est que les fournisseurs viennent d’origines différentes et assemblent leurs capacités. Lokad a contourné ce problème par conception (en construisant un modèle unifié via du code). RELEX a développé la plupart des fonctionnalités en interne et semble donc cohérent, mais même lui a dû ajouter la tarification par la suite. Blue Yonder et ToolsGroup ont emprunté des voies alimentées par des acquisitions et assemblent encore ces éléments ⁷⁵ ¹¹⁸. L’état actuel de la plupart des offres est « intégrées mais non parfaitement unifiées ». Les entreprises doivent se préparer à des efforts conséquents pour faire fonctionner les pièces en concert. Les fournisseurs qui migrent vers des plateformes de données communes (Blue Yonder avec Snowflake, ToolsGroup avec Inventory Hub, etc.) sont sur la bonne voie, mais c’est un parcours. En attendant, il faut considérer que l’optimisation interfonctionnelle nécessitera des processus itératifs et une supervision humaine afin que rien ne soit oublié.
Probabilistic & Economic Optimization are Non-Negotiable for Uncertainty: Nous avons été heureux de constater que l’importance de la prévision probabiliste est désormais largement reconnue. Tous les principaux fournisseurs de notre étude la réalisent de manière native ou, du moins, prétendent la soutenir. C’est une évolution positive par rapport aux plans déterministes d’autrefois qui menaient souvent à de mauvaises surprises. De même, on assiste à une tendance à intégrer les considérations de coûts et de profits – passant essentiellement d’une approche purement basée sur le taux de service ou le fill-rate à des décisions profit-optimales ¹⁹⁴. Toutefois, le degré varie. ToolsGroup et Lokad optimisent très explicitement en fonction de cibles de service ou de profit. RELEX et Blue Yonder intègrent des compromis de coûts dans certaines planifications (comme l’équilibre entre les coûts de sur-prévision et de sous-prévision ¹⁹⁵). Les utilisateurs évaluant les solutions devraient se pencher sur la capacité d’un outil à hiérarchiser selon la valeur économique (par exemple, ne pas traiter toutes les ruptures de stock de manière homogène – une rupture sur un article à faible marge n’est pas aussi critique que sur un article à forte marge, etc.). Si un fournisseur ne peut pas facilement intégrer les coûts unitaires, les coûts de détention, l’élasticité des prix, etc., alors aucune magie d’IA ne produira un résultat véritablement optimal. Il fournira simplement un plan “faisable”, ce qui pourrait signifier laisser de l’argent sur la table.
Automatisation vs. Contrôle – Le facteur humain: Un fil conducteur dans toutes les analyses des fournisseurs était le niveau d’automatisation atteignable par rapport au besoin de contrôle humain. Il faut trouver un équilibre entre l’automatisation extrême (programmez-le et oubliez-le) et la flexibilité utilisateur. Certains fournisseurs se focalisent sur l’automatisation (Lokad y vise, RELEX le suggère mais ajoute ensuite de nombreux leviers configurables par l’utilisateur ¹¹). D’autres, comme Kinaxis, privilégient de donner plus de contrôle aux utilisateurs au détriment de l’automatisation. Le choix idéal dépend de la culture et de la maturité de l’entreprise. La position sceptique de cette étude est que de nombreux fournisseurs promettent une “planification autonome”, mais la réalité est généralement, au mieux, semi-autonome ⁵⁹ ¹⁹⁶. Les entreprises ne devraient pas se laisser bercer par des mots à la mode pour penser qu’elles peuvent dissoudre leur équipe de planification après l’installation d’un système d’IA. Au contraire, elles devraient viser à rehausser le rôle de l’équipe de planification : laisser l’IA s’occuper du travail ingrato et des calculs, tandis que les humains gèrent les exceptions, la stratégie et la validation. Au fil du temps, si la confiance s’installe, une plus grande autonomie pourra être accordée au système. Les fournisseurs qui facilitent cette transition (en offrant transparence, capacités d’intervention et apprentissage à partir des interventions) sont susceptibles d’obtenir les meilleurs résultats. À cet égard, une approche de “boîte de verre” (comme celle de Lokad ou de ToolsGroup, où vous pouvez voir et ajuster la logique) pourrait inspirer plus de confiance qu’une boîte noire pure qui fournit des réponses sans aucune explication.
Preuve et Rigueur plutôt que le Battage Publicitaire: Enfin, une méta-observation : le marché des logiciels de supply chain regorge de rapports d’analystes, d’études de cas sponsorisées, et de revendications optimistes sur le ROI. Nous les avons délibérément écartés dans cette étude, et ce faisant nous avons constaté un décalage entre certaines perceptions populaires et la réalité technique. Par exemple, le Magic Quadrant de Gartner pourrait classer X en tant que leader en raison de sa présence sur le marché, mais techniquement X pourrait être à la traîne en matière d’IA (nous avons détecté des indices de cela, notamment avec Oracle et Logility). Pendant ce temps, un fournisseur qui n’est même pas sur le radar de certains analystes (peut-être parce qu’ils ne paient pas pour jouer) pourrait apporter une innovation radicale ²⁵ ¹⁹². Par conséquent, les décideurs feraient bien de regarder au-delà des quadrants tape-à-l’œil et plutôt d’examiner des livres blancs architecturaux, des présentations techniques de clients de référence, ou même de demander un petit projet prototype. Lorsqu’on presse un fournisseur de démontrer sa technologie sur une partie de votre problème (par exemple, une preuve de concept sur une gamme de produits pendant 8 semaines), cela révèle souvent l’ampleur de la substance derrière l’argumentaire commercial. Nous avons constaté, par exemple, que les fournisseurs qui participent à des compétitions externes ou publient des blogs techniques (Lokad, une partie de l’équipe de Blue Yonder, les blogs de ToolsGroup) ont tendance à être plus ancrés dans la réalité – ils exposent leur réflexion à la critique ¹⁰³. C’est de bon augure. En revanche, les fournisseurs qui n’ont qu’un langage marketing générique et aucune analyse technique approfondie disponible peuvent dissimuler un manque de profondeur.

En résumé, le marché de l’optimization de la supply chain propulsée par l’IA est en maturation mais reste caractérisé par de grandes promesses et une exécution inégale. Les entreprises en quête de solutions doivent confronter les affirmations de chaque fournisseur aux faits concrets : le fournisseur démontre-t-il une optimisation conjointe ou se contente-t-il de parler d’intégration ? Sont-ils capables de gérer l’incertitude de manière quantitative ou se fient-ils encore à des marges simplistes ? Utilisent-ils l’IA de manière significative (par exemple, en remportant ou en obtenant de bons résultats lors d’évaluations neutres) ou se contentent-ils d’asperger des termes liés à l’IA sur d’anciennes méthodes ? En posant ces questions difficiles – comme nous l’avons fait dans cette étude – on peut faire la part des choses. La récompense consiste à trouver ces quelques solutions qui font réellement progresser l’état de l’art, par opposition à celles qui se contentent de suivre le cycle du battage publicitaire. En 2025, la technologie existe pour révolutionner les décisions supply chain (de la prévision probabiliste à la tarification automatisée), mais choisir un fournisseur nécessite de distinguer la véritable innovation de “AI-washing”. Nous espérons que ce rapport a permis d’éclairer cette distinction, offrant une vision plus claire de quels fournisseurs repoussent réellement les limites et lesquels essaient de rattraper leur retard avec une terminologie élégante.