Logiciels d’optimisation de stocks pour entreprises, février 2025

Par Léon Levinas-Ménard

Dernière modification: 2 février 2025

Objectif: Cette étude classe les principaux fournisseurs de logiciels d’optimisation de stocks pour entreprises avec une approche stricte et fondée sur des preuves. Nous pénalisons le marketing vague, les buzzwords “AI” non étayés et l’absence de véritables capacités stochastiques. Les critères clés incluent: (1) un soutien prouvé pour la prévision probabiliste de la demande et la prévision probabiliste des délais de livraison (les fournisseurs omettant l’incertitude des délais de livraison sont considérés comme non sérieux); (2) la crédibilité des fonctionnalités avancées (la cannibalisation, le « demand sensing », AI/ML, etc. doivent être étayés par de véritables détails d’ingénierie, sinon ils sont qualifiés comme bidons); (3) le niveau d’automatisation (une optimisation vraiment sans surveillance vs. nécessitant des ajustements manuels); et (4) la capacité à gérer des contraintes complexes (dates d’expiration, suivi par série/lot, retours, tailles de lots, rabais fournisseurs, cannibalisation de produits, modèles « quasi-saisonniers » irréguliers, coûts de capacité de stockage, etc.).

Fournisseurs classés

Ci-dessous se trouve un classement objectif des meilleurs fournisseurs d’optimisation de stocks, du plus crédible au moins crédible, basé sur les critères ci-dessus. Chaque évaluation de fournisseur met en avant les points forts, expose les faiblesses et cite des preuves de toute affirmation trompeuse.

1. Lokad – Pionnier probabiliste avec une transparence totale

Vue d’ensemble: Lokad se distingue par une véritable approche probabiliste de la supply chain. Il modélise explicitement à la fois la variabilité de la demande et la variabilité des délais de livraison, traitant les délais de livraison comme des variables aléatoires prévisibles (et non comme des valeurs fixes) ¹. Le système de Lokad offre une « algèbre des variables aléatoires » – essentiellement un support de premier ordre pour les distributions de probabilité – permettant des calculs stochastiques complexes qui prennent en compte l’incertitude à chaque étape ² ³. Cette rigueur mathématique distingue Lokad des concurrents qui se contentent souvent de simuler l’incertitude de manière ponctuelle (ou qui ignorent complètement le risque lié aux délais de livraison).

Prévisions probabilistes de la demande et des délais de livraison: Lokad répond clairement au critère de prévision double. Sa documentation souligne que « les délais de livraison peuvent et doivent être prévus tout comme la demande » ¹. La plateforme est capable de produire des modèles probabilistes des délais de livraison (par exemple, en utilisant des distributions log-logistiques) et de les combiner avec les prévisions de demande ¹ – pierre angulaire pour des calculs de réapprovisionnement précis. En intégrant ces deux aspects de l’incertitude, Lokad évite le piège courant des autres outils qui supposent que les délais de livraison sont statiques ou que les stocks de sécurité suffisent à eux seuls.

Fonctionnalités avancées (Cannibalisation, etc.): Lokad fournit des détails d’ingénierie concrets sur des contraintes avancées. Il introduit l’optimisation stochastique qui maximise la rentabilité attendue tout en respectant les contraintes spécifiques au client, y compris les effets croisés entre produits tels que la cannibalisation et la substitution ⁴. Par exemple, Lokad peut modéliser comment les produits cannibalisent la demande des uns et des autres ou agissent comme substituts, et intégrer ces relations dans la logique d’optimisation. Ce n’est pas simplement une affirmation vague – c’est soutenu par une approche « programmatique » (le scripting Envision de Lokad) dans laquelle des Supply Chain Scientist codent explicitement de telles relations. De même, des phénomènes difficiles comme les retours sporadiques ou les taux de rebut peuvent être prévus de manière probabiliste et inclus dans les décisions ³. Les documents publics de Lokad approfondissent ces détails techniques (par exemple la prévision des retours pour le e-commerce ou la variabilité des rendements en production ⁵ ⁶), montrant ainsi des preuves de leur capacité. Il n’y a aucune dépendance aux buzzwords creux ; au contraire, Lokad discute des méthodes (simulations Monte Carlo, programmation probabiliste, etc.) et publie même des conférences sur leur mise en œuvre ⁷. Les affirmations concernant l’AI/ML sont minimales – l’accent est mis sur des améliorations mesurables, guidées par le modèle.

Automatisation: L’automatisation complète est un objectif central de conception pour Lokad. La plateforme est conçue pour fonctionner sans surveillance : elle « automatise de manière agressive les tâches répétitives » dans l’optimisation de la supply chain ⁸. L’approche de Lokad consiste à ce que son moteur génère des décisions optimales (commandes d’achat, allocations de stocks, plans de production) sans microgestion humaine constante. De nombreux clients font fonctionner le système en mode largement sans surveillance, n’intervenant qu’en cas d’exception. Lokad fournit même un langage de programmation propriétaire (Envision) pour personnaliser la logique décisionnelle, garantissant que tous les scénarios routiniers sont pris en charge par le logiciel. L’entreprise souligne ouvertement que des recettes numériques automatisées à grande échelle régissent les décisions quotidiennes, réduisant ainsi le besoin de procédures opérationnelles manuelles ⁸. Cette explication claire de la manière dont les décisions sont automatisées (via un script optimisé et une chaîne de solveurs) est bien plus convaincante que les promesses génériques d’« automatisation AI » des concurrents.

Gestion des contraintes: Lokad prend en charge de manière robuste des contraintes non triviales. Grâce à son langage de modélisation flexible, il peut tenir compte des dates d’expiration (par exemple, en prévoyant des distributions de durée de vie et en imposant une vente avant l’expiration), suivi par série/lot (à travers l’âge des stocks ou des variables de stock spécifiques au lot), retours et rénovations (en modélisant les probabilités de retours et les délais de livraison pour les retours ⁶), tailles de lots/MOQs (intégrées dans son optimisation par l’évaluation de quantités de lots discrètes), remises fournisseurs ou promotions (en optimisant le moment/la quantité des commandes pour maximiser l’avantage des remises par rapport aux coûts de détention ⁹), les effets de cannibalisation et de substitution (explicitement mentionnés comme gérés dans son moteur stochastique ⁴), quasi-saisonnalité (ses prévisions peuvent capturer des modèles saisonniers inhabituels via des modèles probabilistes), et des contraintes de stockage ou de capacité (en incorporant les coûts/pénalités de capacité dans l’objectif d’optimisation). La documentation de Lokad souligne même qu’il « reflète tous les leviers économiques » liés aux décisions ¹⁰ et prend en compte des « contraintes uniques » par client – un niveau de détail absent dans les descriptions de la plupart des fournisseurs. En bref, Lokad démontre avec une clarté technique qu’il s’attaque à des scénarios complexes du monde réel, plutôt que de faire des affirmations superficielles.

Verdict: Lokad est classé en tête grâce à son approche scientifique sans compromis et à sa transparence. C’est l’un des rares fournisseurs à implémenter véritablement la prévision probabiliste (demande et offre) et une véritable optimisation stochastique ⁴. Le marketing trompeur est pratiquement inexistant – au lieu de l’hype, Lokad fournit des preuves (livre blanc, documents techniques) de la manière dont il obtient des résultats. Cet éthique axée sur la vérité, combinée à une forte automatisation et à une gestion des contraintes, fait de Lokad un choix remarquable pour les entreprises recherchant une optimisation de stocks sérieuse et de nouvelle génération. La seule réserve est que l’approche de Lokad requiert un état d’esprit quantitatif – elle est intentionnellement complexe en coulisses – mais le résultat est une solution ancrée dans la réalité plutôt que dans des buzzwords.

2. Slimstock – Traditionaliste pragmatique (Honnête mais moins avancé)

Vue d’ensemble: Slimstock (avec son produit Slim4) représente une approche classique et répandue de l’optimisation de stocks. De manière unique, Slimstock est rafraîchissante par son absence de battage autour de l’AI. L’entreprise se concentre sur des méthodes éprouvées telles que les calculs de stocks de sécurité, le Economic Order Quantity (EOQ), et d’autres techniques standard de la supply chain ¹¹. La philosophie de Slimstock est de fournir des solutions pratiques, simples et concises plutôt que de faire des affirmations vagues sur l’« AI » ¹². Cette honnêteté et cette focalisation sur l’essentiel ont valu à Slimstock une grande réputation en termes de convivialité et de fiabilité auprès des praticiens.

Capacités probabilistes: C’est ici que Slimstock est insuffisant selon les standards modernes. Slim4 ne fait pas explicitement de la prévision probabiliste de la demande, ni de modélisation stochastique des délais de livraison. Sa fonctionnalité repose sur la prévision déterministe traditionnelle (souvent via des méthodes de séries temporelles) combinée à des marges (stocks de sécurité) pour gérer la variabilité. Bien que Slimstock prenne certainement en compte les délais de livraison dans ses calculs (les délais de livraison étant une donnée pour le calcul des points de commande et des stocks de sécurité), il les considère comme des paramètres donnés, et non comme des variables aléatoires à prévoir. Il n’y a aucune preuve que Slim4 produise des distributions de probabilité complètes de la demande ou des délais de livraison. Cela signifie que Slimstock, bien qu’étant robuste dans un sens classique, « ignore l’incertitude » de la manière détaillée dont les méthodes probabilistes la capturent ³. Selon nos critères, ne pas modéliser explicitement l’incertitude des délais de livraison constitue une limitation sérieuse – un point négatif sur la profondeur technique de Slimstock. Cependant, Slimstock compense cela en étant au moins transparent sur l’utilisation de méthodes simples ; il ne prétend pas disposer d’une technologie stochastique avancée. Pour de nombreuses entreprises, l’approche conservatrice de Slim4 donne des résultats acceptables, mais elle pourrait laisser de l’argent sur la table par rapport à une optimisation véritablement probabiliste.

Réclamations concernant les fonctionnalités avancées: Slimstock ne surestime généralement pas les capacités qu’il ne possède pas. Vous n’entendrez pas Slim4 se vanter de « la détection de la demande propulsée par l’AI » ou de « prévisions par machine learning ». En fait, cette approche sans bullshit est mise en avant comme un point positif: « C’est rafraîchissant de voir un fournisseur se concentrer sur le pratique… plutôt que sur de vagues affirmations sur l’AI. » ¹³. Cela dit, l’éventail de fonctionnalités de Slimstock est relativement étroit. Les interactions complexes telles que la cannibalisation de produits ou les effets de substitution ne sont pas au cœur de son offre (il faudrait les gérer par des ajustements manuels ou des analyses complémentaires). De même, la gestion d’éléments tels que les promotions, les facteurs causaux ou les techniques ML novatrices est minimale. Slimstock excelle dans ce qu’il fait (prévision statistique, réapprovisionnement multi-échelon avec stocks de sécurité) mais ne s’aventure pas dans des territoires de pointe – et à son crédit, il ne le prétend pas. Toutes les affirmations qu’il avance (par exemple, « niveaux de stocks optimisés » ou « service accru avec moins de stock ») sont étayées par une fonctionnalité simple, et non par un discours flou sur l’AI. Nous n’avons trouvé aucun buzzword problématique comme « demand sensing » dans les documents de Slimstock, indiquant une focalisation louable sur le fond plutôt que sur le style.

Automatisation: Slim4 est conçu pour être facile à utiliser par les planificateurs, ce qui implique un mélange d’automatisation et de contrôle manuel. L’outil générera automatiquement des prévisions, des points de commande et des cibles de stocks pour des milliers de SKUs à travers les échelons. Les utilisateurs définissent souvent des objectifs de taux de service et laissent Slim4 calculer les marges de stocks nécessaires. En pratique, Slimstock permet un processus semi-automatisé : les calculs de routine sont effectués par le système, mais les planificateurs examinent généralement les exceptions ou ajustent les paramètres. Slimstock ne vante pas dans son marketing une « supply chain entièrement autonome » – au contraire, il se positionne comme un outil d’aide à la décision pour les planificateurs. L’absence d’une revendication claire d’« automatisation en boîte noire » signifie que nous ne pouvons pas reprocher à Slimstock de dissimuler l’effort manuel ; ils s’attendent à ce que les utilisateurs restent impliqués. Cependant, comparée aux fournisseurs qui visent une optimisation complètement sans surveillance, l’approche de Slimstock peut nécessiter une intervention utilisateur plus fréquente (par exemple, mettre à jour les prévisions pour de nouvelles tendances, gérer manuellement les articles proches de l’expiration, etc.). C’est un niveau d’automatisation pragmatique approprié pour de nombreuses entreprises de taille moyenne, sinon l’idéal théorique d’une optimisation « sans intervention ».

Gestion des contraintes: Conformément à son approche classique, Slimstock gère les contraintes courantes de la supply chain mais pas toutes les contraintes complexes. Dates d’expiration: Slim4 peut gérer un contrôle de durée de vie de base (alertes pour les articles proches de l’expiration, rotation des stocks selon le principe du premier expiré, premier sorti), mais il ne réalise probablement pas une optimisation sophistiquée des périssables. Tailles de lots / MOQs: Oui, Slim4 prend en charge ces contraintes standard dans les calculs de réapprovisionnement. Multi-échelon: Le cœur de Slimstock est l’optimisation multi-échelon de stocks, de sorte qu’il équilibre les stocks entre les emplacements, quoique en utilisant des méthodes traditionnelles d’allocation de taux de service plutôt qu’une optimisation de réseau entièrement stochastique. Cannibalisation & substitution: largement non prise en charge de manière automatisée – les utilisateurs doivent ajuster manuellement les prévisions pour les transitions ou chevauchements de produits, car les modèles de Slim4 ne savent pas intrinsèquement que le Produit B détourne la demande du Produit A. Retours, suivi par série: en dehors du champ de la prévision de Slim4, ceux-ci seraient gérés au niveau de l’ERP/du dépôt. « Quasi-saisonnalité » (pics de demande irréguliers et liés à des événements) pourraient ne pas être capturés à moins que l’utilisateur ne les intègre manuellement dans les prévisions (par exemple, via des profils saisonniers ou des ajustements). Coûts de capacité de stockage: Slimstock part généralement du principe d’une capacité infinie ou utilise des contraintes simplistes ; il n’effectue pas d’optimisation non linéaire complexe pour l’espace de stockage – ce qui nécessiterait à nouveau un ajustement manuel (par exemple, des planificateurs baissant les objectifs lorsque l’espace est limité). En résumé, Slimstock couvre les « aspects pratiques mais essentiels » ¹⁴ – il est très efficace pour la gestion des stocks classique (points de commande appropriés, stocks de sécurité, segmentation ABC, etc.), et ce, avec intégrité. Pourtant, ce n’est pas l’outil pour modéliser tous les scénarios ésotériques. Les entreprises aux contraintes très complexes ou aux schémas d’incertitude pourraient dépasser ce que Slim4 peut offrir.

Verdict: Slimstock obtient un classement élevé grâce à son honnêteté rafraîchissante et sa solide maîtrise des fondamentaux. Il fournit une solution fiable sans recourir à un jargon à la mode ni à des promesses d’AI surestimées. Dans des environnements où les formules classiques de gestion de stocks suffisent, Slim4 donne des résultats et est apprécié pour son style convivial et sans fioritures. Cependant, selon nos critères stricts, Slimstock ne peut être considéré comme à la pointe. L’absence de prévision probabiliste explicite (notamment l’absence de modélisation de la distribution des délais de livraison) est une lacune notable – ce qui le rend non sérieux pour les organisations qui requièrent une quantification rigoureuse de l’incertitude. Nous adoucissons néanmoins cette étiquette : Slimstock est sérieux en matière de gestion de stocks, mais simplement dans un paradigme traditionnel. Dans l’ensemble, Slimstock est un excellent choix pour les entreprises qui privilégient la praticité plutôt que les buzzwords, tant qu’elles comprennent ses limites en analyse avancée.

3. RELEX Solutions – Axé sur le retail, analyses rapides – Affirmations élevées sous examen

Vue d’ensemble: RELEX Solutions a rapidement gagné du terrain, notamment dans le secteur de la vente au détail, en vantant une plateforme « AI-driven » pour la prévision de la demande et l’optimisation de stocks ¹⁵. La marque de fabrique de RELEX est un système « Live Plan » en mémoire qui offre aux utilisateurs une visibilité rapide et détaillée sur leurs stocks et prévisions à travers les magasins et centres de distribution. Cette architecture (souvent comparée à un cube OLAP ou à un « digital twin ») permet de produire des tableaux de bord en temps réel impressionnants et des analyses what-if rapides. RELEX se spécialise dans le retail et les produits frais, se targuant de fonctionnalités pour la gestion des courses, des produits périssables et des promotions. À première vue, RELEX semble très performant : il parle d’automatiser le réapprovisionnement, d’optimiser les allocations, et suggère même pouvoir maintenir une disponibilité en stock de 99%+. Cependant, un examen plus attentif révèle un mélange de points forts et de faiblesses : une analyse en temps réel robuste et quelques fonctionnalités uniques, mais d’éventuelles lacunes dans l’optimisation poussée et la science des prévisions.

Demande Probabiliste & Délais: RELEX fait-il vraiment de la prévision probabiliste ? L’entreprise met fortement en avant sa « prévision AI-driven », mais les détails sont rares. RELEX ne publie pas de preuve de génération de distributions de probabilités complètes pour la demande comme le fait Lokad. Son approche semble se concentrer sur l’amélioration des prévisions ponctuelles (utilisant l’apprentissage automatique sur des données récentes – ce que certains appellent la « détection de la demande ») puis en les intégrant dans les calculs de stocks. De manière cruciale, nous n’avons aucune mention de prévision probabiliste des délais dans les documents de RELEX. Les délais font certainement partie de la planification de RELEX (vous saisissez les délais, et le système sait que des délais plus longs nécessitent davantage de stock de sécurité), mais traiter le délai comme une variable aléatoire dotée d’une distribution – il n’y a aucune indication que RELEX le fasse. Selon nos critères, cette omission est grave. Un fournisseur qui n’aborde pas explicitement l’incertitude des délais est déficient. Le module de planification de RELEX utilise probablement un délai déterministe avec peut-être une marge pour la variabilité, ce qui est insuffisant pour une véritable optimisation stochastique. En fait, l’approche globale de RELEX vis-à-vis de l’incertitude semble traditionnelle : il utilise probablement des formules de stock de sécurité en interne. Une analyse indépendante a noté que la technologie de prévision de RELEX « semble être des modèles d’avant 2000 » ¹⁶ – ce qui suggère qu’ils s’appuient sur des méthodes éprouvées (comme le lissage exponentiel) plutôt que sur une avancée dans la prévision probabiliste. Ainsi, bien que les prévisions de demande de RELEX puissent être plus granulaires (par exemple, quotidiennes, par magasin/SKU) et mises à jour fréquemment, nous ne trouvons aucune preuve d’une véritable prévision probabiliste au sens académique. Cela place RELEX derrière des fournisseurs qui modélisent des distributions complètes de la demande et des délais.

Réclamations de Fonctionnalités Avancées (AI, Cannibalization, etc.) : Le marketing de RELEX utilise librement des termes comme « AI-driven », « machine learning » et même « digital twin ». Par exemple, il fait la promotion de « prévision de la demande AI-driven et optimisation multi-échelons de stocks » ¹⁵ et de « rééquilibrage autonome des stocks » ¹⁷. Cependant, les détails techniques font défaut. RELEX explique rarement quels algorithmes ou techniques d’IA il utilise – un signal d’alarme selon notre analyse. Les revendications de l’entreprise quant à la gestion de défis avancés dans le retail méritent d’être examinées :

Cannibalisation & Substitution : En théorie, ces aspects sont cruciaux dans le retail (par exemple, des nouveaux produits remplaçant les anciens, ou un article volant les ventes d’un autre lorsqu’ils sont placés à proximité). L’architecture de RELEX pourrait en réalité entraver une bonne modélisation de ces phénomènes. Des observateurs notent que la conception en mémoire/OLAP de RELEX est « en contradiction avec l’optimisation à l’échelle du réseau et les schémas de demande retail tels que les substitutions et cannibalisations » ¹⁸. Comme le système est conçu pour des requêtes rapides, il pourrait manquer de la couche d’optimisation sophistiquée nécessaire pour simuler la perte de demande d’un produit compensée par le gain d’un autre. Nous n’avons pas trouvé RELEX affirmant explicitement résoudre la cannibalisation au-delà d’affirmations génériques liées à l’IA. Compte tenu de la complexité, nous soupçonnons que RELEX n’a pas la capacité explicite et prouvée de modéliser les effets de cannibalisation (du moins pas bien plus que ce qu’un planificateur pourrait ajuster manuellement). Ainsi, toute revendication trop large indiquant que son IA gère de telles interactions est non étayée – nous la considérons comme fausse jusqu’à preuve du contraire.
« Détection de la demande » : RELEX propose un module de détection de la demande à court terme (intégrant des données récentes de POS, la météo, etc.). « Détection de la demande » en tant que mot à la mode est un signal d’alarme connu – souvent trop valorisé sans solide appui scientifique ¹⁹. RELEX n’a pas publié de preuves évaluées par des pairs indiquant que sa détection de la demande offre de meilleurs résultats que les prévisions traditionnelles. Nous restons sceptiques quant à tout fournisseur mettant en avant ce terme sans données claires. À moins que RELEX ne puisse démontrer comment son modèle de ML améliore quantitativement l’erreur de prévision en capturant plus rapidement les pics ou changements de demande, nous considérons les affirmations relatives à la « détection de la demande » comme du marketing creux.
IA/ML : RELEX se positionne comme une solution moderne alimentée par l’IA, mais qu’est-ce qu’il y a sous le capot ? Le manque de précision des affirmations est préoccupant. Nous savons que RELEX utilise l’apprentissage automatique pour des tâches telles que la prévision et l’optimisation des plans – mais jusqu’à présent, les exemples sont basiques (par exemple, utiliser une régression ML pour prédire les ventes quotidiennes, ce qui est acceptable mais non révolutionnaire). Il n’y a aucun signe d’« optimisation stochastique » ou d’une algèbre de variables aléatoires dans l’approche de RELEX. Sans cela, qualifier la solution d’AI-driven est quelque peu trompeur. De plus, les résultats vantés de 99%+ de disponibilité par RELEX semblent exagérés – des enquêtes sectorielles sur la disponibilité en rayon dans le retail démentent de tels chiffres ²⁰. Cela suggère un écart entre le marketing et la réalité.

Sur une note positive, RELEX possède des capacités tangibles qui sont précieuses :

Il peut optimiser les chargements de camions et le regroupement de commandes (par exemple, les taux de remplissage des conteneurs) dans le cadre de la planification du réapprovisionnement ¹⁷ ²¹.
Il inclut une fonctionnalité « d’achat anticipé intelligent » ⁹ pour exploiter les remises fournisseurs – impliquant qu’il peut calculer des scénarios d’achat de stocks supplémentaires maintenant ou ultérieurement afin de maximiser les économies. Cela répond, dans une certaine mesure, aux contraintes de seuils de prix.
RELEX se concentre fortement sur les produits frais et la réduction du gaspillage. Il affirme explicitement « prendre en compte les dates d’expiration des stocks en main pour identifier les stocks proches de l’expiration et exécuter les déclenchements forcés et les rabais nécessaires » ²². De plus, RELEX permet le suivi des stocks par lot afin de gérer l’expiration et les transformations de produits pour les produits frais (par ex., vieillissement des coupes de viande) ²³. Il s’agit de fonctionnalités concrètes, et non de simples mots à la mode, démontrant que RELEX a investi dans la gestion des produits périssables – un domaine que certains autres négligent. Ainsi, bien que RELEX ne dispose pas de mathématiques stochastiques sophistiquées, il aborde les problèmes réels du retail (comme l’expiration et le gaspillage) grâce à des heuristiques et des règles métier. Nous félicitons RELEX pour ces capacités pratiques.

Architecture & Performance: L’architecture en mémoire de RELEX (souvent basée sur des bases de données columnaires en cloud) lui confère de la rapidité, mais à un coût. Elle « fournit des rapports en temps réel impressionnants mais garantit des coûts matériels élevés » ²⁴. De plus, de telles architectures peinent souvent lorsque la complexité du problème augmente. Par exemple, passer à une optimisation globale (prendre en compte simultanément tous les emplacements et produits pour l’optimisation) est difficile si le système est essentiellement un grand cube OLAP. RELEX peut s’appuyer sur des algorithmes assez simplistes pour prendre rapidement des décisions (par exemple, des heuristiques gloutonnes pour rééquilibrer les stocks entre les magasins). Cela est acceptable pour la réactivité, mais il se peut qu’il ne trouve pas la solution optimale qu’une approche plus lente et stochastique pourrait offrir. De plus, les mises à jour en temps réel sont moins pertinentes si l’on ne modélise pas correctement l’incertitude – vous pourriez réagir instantanément à une modification de la demande, mais si vous n’avez jamais quantifié l’incertitude au départ, vous êtes toujours simplement en train de pourchasser le dernier point de données (un piège potentiel du « forecast chasing »).

Automatisation: RELEX met l’accent sur l’automatisation des opérations. Il fait la promotion de « l’automatisation et la rationalisation des processus complexes d’optimisation de stocks » ²⁵ et présente des fonctionnalités telles que « automatisez votre rééquilibrage des stocks » ¹⁷ et « réagissez en temps réel » aux changements de demande avec des commandes automatiques ²⁶. En pratique, RELEX peut en effet générer automatiquement des commandes de réapprovisionnement pour les magasins, des transferts inter-magasin et des commandes de remplacement pour les stocks arrivant à expiration avec une intervention humaine minimale. De nombreux utilisateurs de RELEX exécutent un réapprovisionnement automatique quotidien, où les planificateurs n’interviennent qu’en cas d’exception. Cependant, RELEX n’explique pas en profondeur sa logique d’automatisation. Par exemple, comment décide-t-il exactement de « déclencher les sorties forcées » des produits périmés ? Existe-t-il un modèle d’optimisation équilibrant le coût des rabais par rapport au gaspillage, ou s’agit-il simplement d’un seuil (par exemple, vendre si à moins de 2 jours de l’expiration) ? De tels détails ne sont pas publics. Ainsi, bien que nous pensions que RELEX peut automatiser efficacement les tâches routinières, nous pénalisons le manque de transparence. Il s’agit probablement d’une automatisation fondée sur des règles, qui fonctionne mais n’est pas aussi élégante qu’une politique optimisée. Néanmoins, comparé à d’anciens systèmes d’entreprise nécessitant une planification manuelle lourde, RELEX représente un bond en avant en matière d’automatisation. Sachez simplement que l’étiquette « autonome » pourrait être exagérée – un certain réglage par les planificateurs (par exemple, le paramétrage de ces règles) est nécessaire pour maintenir l’efficacité de l’automatisation.

Gestion des contraintes : RELEX performe bien sur plusieurs contraintes complexes, notamment pour les besoins spécifiques du retail :

Expiration et produits périssables : Comme mentionné, RELEX dispose de fonctionnalités solides dans ce domaine (suivi par lot, prévisions de gaspillage, planification automatique des rabais pour les produits proches de l’expiration) ²². Cela indique que RELEX peut gérer de façon automatisée les produits à courte durée de vie – ce qui est crucial pour les épiciers.
Regroupement / Chargements de camions : RELEX optimise le remplissage des camions et respecte les minimums de commande/arrondis ¹⁷ ²¹. Il mentionne spécifiquement la prévention du transport de « l’air » en remplissant les camions de manière optimale, ce qui montre une attention aux contraintes de coût de transport.
Rabais sur les prix / promotions : La fonction d’achat anticipé ⁹ suggère que RELEX recommandera d’acheter avant une augmentation des prix ou pour obtenir une remise de quantité, en équilibrant cela avec le coût de détention. Il s’agit d’une contrainte sophistiquée que de nombreux systèmes ignorent.
Cannibalisation/substitution : Point faible – comme discuté, probablement pas résolu explicitement par le moteur de RELEX.
Retours : Dans le retail (notamment le e-commerce), les retours peuvent être significatifs (retail de mode, etc.). RELEX dispose d’un module « d’inventaire prédictif » qui mentionne prendre en compte le gaspillage et pourrait vraisemblablement prendre en charge les retours ²⁷, mais les détails ne sont pas clairs. Il est raisonnable de supposer que le traitement des retours est géré par l’ERP, et non prévu par la planification de la demande de RELEX.
Quasi-saisonnalité : RELEX peut prévoir la demande saisonnière (il gère, par exemple, des profils saisonniers hebdomadaires pour chaque produit/magasin). Pour les schémas de demande irréguliers, son ML pourrait en saisir certains, mais sans documentation explicite, nous ne pouvons le confirmer. Il traite vraisemblablement les promotions comme des événements spéciaux (avec des prévisions d’augmentation séparées) – ce qui est assez standard dans les solutions retail.
Capacité de stockage : RELEX peut modéliser, dans une certaine mesure, la capacité des étagères des magasins (par exemple, ne pas commander au-delà de l’espace disponible) dans le cadre de son intégration au planogramme. Pour la capacité des centres de distribution, ce n’est pas sûr – peut-être une approche basée sur des alertes.
Multi-échelons : RELEX réalise une planification multi-échelons (magasin-DC-fournisseur). Cependant, la conception en temps réel pourrait être en conflit avec une véritable optimisation optimale des stocks multi-échelons ¹⁸. Le système pourrait optimiser chaque échelon avec des heuristiques plutôt qu’avec un modèle stochastique holistique englobant tous les échelons. C’est une nuance : oui, il fait du multi-échelons (en pratique, de nombreux clients l’utilisent pour remplacer d’anciens outils multi-échelons), mais le fait-il de manière optimale ? Probablement pas de façon mathématiquement rigoureuse – plutôt comme une optimisation séquentielle (prévision au magasin -> approvisionnement depuis le DC -> approvisionnement du DC par le fournisseur avec des marges à chaque étape).

Verdict : RELEX se positionne comme un concurrent de premier plan, en particulier pour les détaillants et les entreprises de produits frais. Ses points forts résident dans des fonctionnalités pratiques (gestion des produits périssables, analyses rapides, visibilité supply chain, gestion des promotions) et une interface utilisateur moderne, qui le différencie clairement des logiciels de planification anciens. Cependant, sous notre microscope axé sur la vérité, RELEX perd des points pour ses revendications d’IA non prouvées et son manque de profondeur probabiliste. L’utilisation excessive de mots à la mode sans méthodologie accompagnante (aucun algorithme publié ou étude de performance) signifie que nous devons aborder sa marque « AI » avec scepticisme ²⁸. De plus, en ignorant la prévision des délais et en s’appuyant sur d’anciens modèles de prévision, RELEX pourrait ne pas offrir l’optimum théorique – il fournit une bonne solution pratique, mais pas la plus avancée scientifiquement. Les entreprises évaluant RELEX devraient insister sur des précisions concernant la gestion de l’incertitude et des interactions complexes ; sinon, il faut supposer qu’une grande partie de son intelligence provient de règles métier et de la configuration par l’utilisateur plutôt que d’une IA magique. En résumé, RELEX est un acteur crédible avec quelques innovations authentiques en termes d’utilisabilité, mais il reste partiellement « boîte noire » et possiblement surévalué dans son marketing. Nous le classons parmi les meilleurs, mais en dessous des approches véritablement probabilistes et axées sur les détails.

4. ToolsGroup – Ancien joueur « probabiliste » – Revendications incohérentes

Vue d’ensemble: ToolsGroup intervient dans l’optimisation des stocks depuis des décennies (fondé en 1993) avec son logiciel phare SO99+ (Service Optimizer 99+). ToolsGroup se met fortement en avant sur la prévision probabiliste et la planification des stocks basée sur le taux de service. En fait, il pourrait être dit que ToolsGroup a été pionnier dans l’idée d’utiliser des distributions de la demande pour piloter les niveaux de stocks au début des années 2000. Ils font également la promotion de capacités couvrant la planification de la demande, la « détection de la demande », l’optimisation multi-échelons, et même la tarification (avec des modules complémentaires comme Price.io). Cependant, la communication de ToolsGroup ces dernières années soulève de sérieuses questions. L’entreprise utilise librement des mots à la mode comme IA/ML et se vante de son automatisation, pourtant ses documents publics sont souvent contradictoires ou manquent de substance technique. Nous observons un mélange d’une fonctionnalité solide (les bases mathématiques de SO99+ pour les stocks sont rigoureuses, fondées sur l’optimisation opérationnelle classique) et de supercheries marketing qui ne tiennent pas la route (par exemple, discuter de prévisions probabilistes tout en citant des erreurs MAPE, ce qui est conceptuellement erroné ²⁹).

Probabilistic Demand & Lead Times: En apparence, ToolsGroup prétend se consacrer entièrement aux prévisions probabilistes. Par exemple, leurs brochures indiquent que ToolsGroup utilise « probability forecast » avec des paramètres de supply chain (lead time, etc.) pour optimiser les stocks ³⁰. En effet, SO99+ peut générer une « stock-to-service curve » – montrant essentiellement la répartition de la demande sur le lead time et le taux de service atteint pour un investissement donné en stocks ³⁰. Cela indique que ToolsGroup modélise l’incertitude de la demande dans une certaine mesure. Cependant, il y a un hic : l’approche probabiliste de ToolsGroup semble à moitié cuite et dépassée. Notamment, depuis 2018, ils ont commencé à promouvoir des « probabilistic forecasts » dans leur marketing, tout en évoquant des améliorations du MAPE (Mean Absolute Percent Error) ²⁹. Ceci est incohérent – le MAPE est une métrique pour la précision des prévisions ponctuelles et « ne s’applique pas aux prévisions probabilistes » ²⁹. Un mélange aussi flagrant suggère que l’initiative probabiliste de ToolsGroup pourrait être plus du battage médiatique que de la réalité. C’est comme s’ils avaient ajouté une sortie probabiliste tout en continuant à l’évaluer avec d’anciennes métriques, ce qui compromet la crédibilité de l’ensemble de l’approche.

When it comes to lead time forecasting: Les documents de ToolsGroup ne mentionnent pas la prévision des lead time en tant que variables aléatoires. Les lead time sont gérés comme des paramètres d’entrée (éventuellement avec des hypothèses de variabilité) plutôt que comme quelque chose que le logiciel prévoit à partir des performances historiques des fournisseurs. Leur fiche technique montre que le lead time est l’un des « supply parameters » intégrés dans le modèle ³⁰. Ainsi, si un utilisateur fournit un lead time attendu et peut-être un écart type, SO99+ en tiendra compte dans le calcul des stocks de sécurité – mais il ne semble pas que ToolsGroup génère, de manière autonome, une distribution de probabilité dynamique des lead time. C’est une distinction cruciale. Un système véritablement probabiliste reconnaîtrait, par exemple, si les lead time d’un certain fournisseur avaient 20 % de chances de doubler (peut-être en raison de retards douaniers) et intégrerait cela dans les niveaux de stocks optimaux. Nous ne voyons aucune preuve que ToolsGroup réalise ce niveau d’analyse. Par conséquent, selon nos critères stricts, ToolsGroup échoue le test de la pleine probabilistique – il considère les lead time uniquement comme des entrées statiques, et non comme des incertitudes prévues. Ce manque de modélisation explicite des lead time rend le label « probabilistic » de ToolsGroup quelque peu superficiel. Nous considérons cela comme une lacune sérieuse : un fournisseur se positionnant comme probabiliste tout en ignorant une source majeure d’incertitude ne pratique pas véritablement ce qu’il prêche.

Advanced Feature Claims: Malheureusement, ToolsGroup déclenche plusieurs signaux d’alerte dans ce domaine :

L’entreprise a fait de larges revendications concernant « AI » dans son logiciel, lesquelles sont douteuses ³¹. Il existe peu d’informations publiques sur les techniques d’AI (le cas échéant) que ToolsGroup déploie réellement. Leurs algorithmes hérités datent d’avant le boom de l’AI, étant plus ancrés dans la statistique et l’OR. Il semble que le label « AI » soit davantage un ajustement marketing. Par exemple, ToolsGroup a acquis une startup d’AI (peut-être pour renforcer son image), mais leur produit phare ne devient pas soudainement basé sur le deep learning. Sans explications techniques concrètes (que ToolsGroup n’a pas fournies publiquement), nous considérons leurs revendications en matière d’AI comme non fondées.
Demand Sensing: ToolsGroup propose un module de « demand sensing » (ajustement à court terme des prévisions à l’aide de données aval). Cependant, une analyse indépendante constate que « les revendications de ToolsGroup concernant le demand sensing ne sont pas étayées par la littérature scientifique » ¹⁹. En d’autres termes, ToolsGroup affirme pouvoir détecter les variations de la demande grâce à l’AI, mais il n’existe aucune preuve que cette approche soit plus efficace que ce que des méthodes statistiques conventionnelles ou un planificateur humain pourraient réaliser. Étant donné que le terme « demand sensing » est un buzzword bien connu souvent utilisé de manière vague, nous minimisons fortement cette revendication. À moins que ToolsGroup ne puisse démontrer, par exemple, une étude de cas évaluée par des pairs montrant que son algorithme de demand sensing apporte de meilleurs taux de disponibilité en stock, nous considérons ceci comme vaporware. Cela rejoint les avis d’experts qui qualifient ce type de fonctionnalités de « vaporware » chez plusieurs fournisseurs en l’absence d’évidences ³².
Cannibalization, Promotions, ML: ToolsGroup ne met pas en avant de manière évidente la modélisation avancée de la cannibalisation ou des effets croisés entre produits – probablement parce qu’il n’excelle pas dans ce domaine. Si on le pressait, ils pourraient dire « notre machine learning peut gérer des motifs complexes », mais encore une fois, aucun détail n’est fourni. Nous n’avons trouvé aucune documentation indiquant que ToolsGroup implémente, par exemple, une matrice de substitution ou un modèle d’attache pour lier la demande entre produits. Par conséquent, toute suggestion que ToolsGroup optimise la gestion de produits interconnectés est peu crédible sans preuve. De même, ils mentionnent l’utilisation de « self-adaptive models » et de machine learning, mais les méthodes évoquées (par exemple, une forme de reconnaissance de motifs) paraissent assez standards et possiblement datées. En effet, les documents publics laissent entendre que ToolsGroup utilise encore des modèles de prévision d’avant 2000 ³³ (comme la méthode de Croston pour la demande irrégulière, voire ARIMA pour d’autres cas). Rien n’est particulièrement problématique avec ces méthodes en soi, mais cela contredit le discours flatteur sur l’AI.

En résumé, l’habitude de ToolsGroup de mélanger des buzzwords modernes avec des techniques démodées est préoccupante. Cela suggère une actualisation pilotée par le marketing, non soutenue par une véritable R&D. Par exemple, le site web de ToolsGroup évoque « l’automatisation pour surmonter les défis » ³⁴ et d’autres platitudes similaires, mais, lorsqu’on y regarde de près, il décrit essentiellement ce que leur logiciel a toujours fait (optimisation de stocks multi-échelons) désormais requalifié en AI.

Automation: ToolsGroup a toujours présenté sa solution comme hautement automatisée et « basée sur les exceptions ». Ils soulignent souvent que SO99+ est très automatisé, nécessitant une saisie minimale une fois configuré. Un commentaire d’IDC dans leur brochure indique que « malgré sa puissance… ToolsGroup MEIO est hautement automatisé pour un coût de possession extrêmement faible » ³⁵. En effet, de nombreux déploiements de ToolsGroup fonctionnent automatiquement pour produire des propositions de réapprovisionnement quotidiennes ou hebdomadaires que les planificateurs examinent ensuite. Toutefois, nous critiquons le manque de clarté quant à la manière dont les décisions sont prises de façon autonome. ToolsGroup n’explique pas un « moteur de décision autonome » au-delà de l’affirmation que les modèles s’ajustent et émettent des recommandations. Les défis clés de l’automatisation – comme ajuster dynamiquement les politiques de commande lors d’un changement de tendance, ou éviter de pourchasser la variabilité – ne sont pas détaillés. Nous pensons que l’automatisation de ToolsGroup se limite en grande partie à la mise à jour des prévisions et au calcul des niveaux de stocks de sécurité (le système recalcule les niveaux min/max ou les suggestions de commande sans intervention manuelle). Cela est précieux, mais standard pour ce type de logiciel. Sans plus de détails d’ingénierie, nous ne pouvons pas accorder de crédit supplémentaire à ToolsGroup ici. Ils répondent au niveau de base d’automatisation attendu d’un logiciel d’optimisation de stocks (et ce, depuis des années), mais toute implication d’une Supply Chain autonome se rapproche de l’hyperbole. Notamment, ToolsGroup requiert une configuration significative (objectifs de taux de service pour chaque article, règles de segmentation, etc.), souvent définie manuellement par des planificateurs ou consultants. Si ces paramètres sont erronés, l’automatisation peut conduire à des résultats médiocres. ToolsGroup n’a pas articulé d’AI capable de choisir automatiquement les taux de service optimaux ou d’ajuster les politiques de manière autonome – des tâches qui restent confiées aux humains. Par conséquent, nous affirmons que ToolsGroup fournit des calculs automatisés efficaces mais pas une planification autonome de bout en bout dans le sens moderne.

Constraint Handling: Historiquement, SO99+ de ToolsGroup était performant en mathématiques de base des stocks, mais plus faible concernant les contraintes périphériques :

Multi-échelons: Oui, il a été conçu pour l’optimisation de stocks multi-échelons. Il peut optimiser les buffers de stocks à travers un réseau en tenant compte de l’incertitude (principalement via une approche « target service level »). C’est un avantage – il peut gérer efficacement des réseaux de centres de distribution et de magasins, en assurant que les bons stocks se trouvent au bon niveau pour atteindre les objectifs de taux de service.
Variabilité du lead time: Il en tient compte dans les stocks de sécurité (si vous fournissez un paramètre pour la variance du lead time, il l’inclura dans le calcul des stocks). Mais, comme noté, il ne prévoit pas les lead time ni ne planifie de scénarios à leur sujet.
Tailles de lots, MOQ: ToolsGroup peut gérer ces contraintes d’approvisionnement standard. Vous pouvez entrer des multiples de taille de lot, des quantités minimales de commande, et il recommandera des commandes en respectant ces contraintes.
Dates d’expiration: ToolsGroup n’est pas reconnu pour l’optimisation de stocks périssables. Il est probable qu’il ne dispose pas de logique spécialisée pour la durée de vie (et nous n’en avons trouvé aucune mention). Un utilisateur devrait gérer manuellement les articles périssables ou les traiter comme des SKU séparés par date d’expiration (ce qui est fastidieux). C’est une limitation pour des industries comme l’alimentaire ou les produits chimiques. Contrairement à RELEX qui s’attaque explicitement au gâchis, ToolsGroup semble se concentrer sur des stocks « non périssables ».
Suivi de série/lot: Hors du scope de la planification – c’est davantage l’exécution/ERP. ToolsGroup n’optimise pas au niveau des numéros de série.
Cannibalisation & substitution: La philosophie de ToolsGroup repose principalement sur des prévisions univariées (la demande de chaque SKU étant prévue individuellement, éventuellement avec quelques entrées de régression). Il ne modélise pas nativement le scénario « si le Produit A est en rupture de stock, une partie de la demande se tourne vers le Produit B » ou similaire. Un utilisateur averti pourrait ajuster les prévisions de manière externe pour en tenir compte, mais l’outil lui-même n’offre aucune fonctionnalité explicite. Ainsi, il échoue sur ce critère de contrainte avancée.
Retours: ToolsGroup gère principalement la nouvelle demande et l’approvisionnement. Il ne prévoit pas nativement les retours dans la vente au détail ou les rendements issus de la remanufacturation. Les utilisateurs doivent intégrer les retours moyens dans la demande nette si nécessaire.
Quasi-saisonnalité: Si les schémas sont irréguliers, les anciens modèles de ToolsGroup pourraient avoir des difficultés. Sans machine learning moderne, il se peut qu’ils ne captent pas les moteurs complexes de la demande. Ils mentionnent le ML, mais, comme nous le soupçonnons, il pourrait être simpliste. Ainsi, des schémas inhabituels pourraient être manqués (conduisant soit à des ruptures de stock, soit à un excès si les planificateurs n’interviennent pas manuellement).
Stockage/Capacité: Ce n’est pas l’objectif principal. ToolsGroup optimise les stocks en cherchant à équilibrer service et coût, mais suppose que vous disposez de l’espace nécessaire pour stocker les quantités recommandées. Il ne résout pas de problèmes de type sac à dos liés à l’espace ou au budget limité, à moins que vous ne simuliez manuellement des scénarios.

Dans l’ensemble, ToolsGroup couvre bien les contraintes de stocks de base et les plus courantes (multi-échelons, MOQ, incertitude de demande dans une certaine mesure). Il est insuffisant face aux défis nouveaux ou spécialisés. Notamment, ToolsGroup manque d’une perspective moderne d’« optimisation financière » – c’est-à-dire qu’il ne maximise pas directement le profit ni ne minimise le coût total sous contraintes ; il fonctionne typiquement sur la base d’objectifs de taux de service. Cette approche peut être sous-optimale si, par exemple, deux produits présentent des marges très différentes – un optimiseur probabiliste allouerait les stocks pour maximiser le profit attendu, tandis que ToolsGroup pourrait les traiter de façon égale s’ils partagent un même objectif de service. Cette nuance contribue à expliquer pourquoi la technologie de ToolsGroup, bien que solide à son époque, montre aujourd’hui son âge.

Verdict: ToolsGroup se situe dans une position intéressante. C’est un fournisseur de longue date avec un produit stable et performant, et il fut l’un des premiers à dépasser la planification purement déterministe. Cependant, dans une comparaison fondée sur la réalité, ToolsGroup obtient un avis mitigé. Nous saluons le fait qu’il parle le langage de l’inventaire probabiliste – un concept absolument pertinent – mais nous devons « exposer » le fait que ToolsGroup ne pratique pas entièrement ce qu’il prêche. La communication incohérente (PF + MAPE ²⁹) et l’absence d’évidences d’une véritable optimisation stochastique (aucune « algèbre des variables aléatoires » publiée dans leur pile technologique, par exemple) font que les revendications probabilistes de ToolsGroup reposent sur des bases fragiles. En pratique, il se contente peut-être de calculer le stock de sécurité à l’aide de distributions de probabilité – utile, mais non révolutionnaire. Nous pénalisons sévèrement ToolsGroup pour s’être appuyé sur des buzzwords comme AI et demand sensing sans preuve. Ces revendications fallacieuses ³⁶ nuisent à sa crédibilité. Ceci étant dit, de nombreuses entreprises ont obtenu de bons résultats avec le logiciel de ToolsGroup pour réduire les stocks et améliorer le taux de service – ce n’est pas du snake oil ; c’est juste qu’il n’est pas aussi avancé que ce qui est annoncé. Nous classons ToolsGroup en dessous des acteurs véritablement innovants, mais au-dessus des pires contrevenants, car, en substance, il dispose d’un moteur mathématiquement solide (quoique old-school) et d’une fonctionnalité étendue (prévision + stocks + réapprovisionnement en un). Les utilisateurs potentiels devraient exiger que ToolsGroup démontre ses prétendues capacités d’AI/probabilistes sur des données réelles ; sinon, considérez-les simplement comme de jolis libellés sur ce qui est essentiellement un paquet d’optimisation de stocks bien réglé, mais conventionnel.

5. GAINS Systems – Solution Vétéran, Expertise de Domaine Atténuée par le Battage Médiatique

Overview: GAINSystems est un acteur plus ancien (fondé en 1971 !) qui propose une suite complète de planification de supply chain, avec une spécialité dans l’optimisation de stocks et l’analytique supply chain. Leur logiciel (GAINS) a historiquement été reconnu pour son solide support des pièces de rechange et de l’inventaire MRO (Maintenance, Réparation & Operations) – des domaines à demande intermittente dans lesquels GAINS s’est fait un nom. GAINS Systems offre des modules pour la prévision de la demande, l’optimisation de stocks (y compris multi-échelons), le S&OP, etc., dans un périmètre similaire à celui de ToolsGroup. Ces dernières années, GAINS a tenté de moderniser son image, évoquant l’optimization-as-a-service et intégrant le machine learning. Cependant, tout comme ToolsGroup, GAINS souffre de l’inflation marketing : il vante désormais l’“AI/ML” et le “demand sensing” sans preuve convaincante, et ses techniques de base semblent rester les modèles classiques de prévision d’avant 2000 qu’il a toujours utilisés ³⁷.

Demande probabiliste et délais : GAINS ne met pas en avant publiquement la prévision probabiliste. Il utilise probablement des modèles statistiques classiques (Croston pour la demande intermittente, peut-être le bootstrapping pour la demande selon les délais). Nous n’avons vu aucune mention explicite de la prévision de l’incertitude des délais – un signe révélateur que GAINS pourrait lui aussi être en carence dans ce domaine. L’objectif de GAINS est souvent d’atteindre un taux de remplissage ou un taux de service cible au coût minimal, ce qui implique certaines considérations stochastiques (similaire à la manière de définir un stock de sécurité). Mais les détails d’implémentation sont rares. GAINS a tendance à mettre l’accent sur les résultats (« améliorer le service, réduire les stocks ») plutôt que sur la manière exacte dont ils sont calculés. L’absence d’un langage probabiliste clair nous amène à penser que GAINS s’appuie en grande partie sur des méthodes déterministes ou semi-analytiques : par exemple, il peut supposer une variance de la demande et une variance des délais, puis les insérer dans des formules plutôt que de fournir des distributions complètes. Selon nos critères, GAINS ne se distingue pas en tant que leader de la prévision probabiliste. Nous la classons comme un autre outil qui utilise probablement des calculs classiques de stock de sécurité et peut-être une simulation, mais qui ne considère pas les délais comme des variables aléatoires prévisibles. Par conséquent, GAINS serait noté comme « non sérieux » en termes de rigueur probabiliste – il n’affiche pas cette capacité, et nous en doutons.

Réclamations de fonctionnalités avancées : GAINS a commencé à lancer des mots à la mode alors qu’il se reconditionne pour les années 2020. Leur communication inclut des revendications de « précision supérieure » via des algorithmes propriétaires et même des mentions de machine learning pour l’appariement et le clustering ³⁸. Décortiquons :

« Précision supérieure » des prévisions : GAINS vante prétendument que ses prévisions sont plus précises que celles de ses concurrents. Cependant, une analyse qualifie cela de « douteux », notant que l’algorithme propriétaire de GAINS n’apparaît pas en tête des principales compétitions de prévision ³⁹. En effet, une revendication était que l’algorithme de GAINS, « Procast », surpassait les autres, mais il est absent des meilleurs classements dans des compétitions telles que la compétition M5 de prévision ³⁹. Cela jette un sérieux doute – si GAINS possédait une technologie de prévision de classe mondiale, elle se démarquerait dans des benchmarks objectifs, mais ce n’est pas le cas. Ainsi, nous rejetons l’orgueil de précision de GAINS comme non prouvé. En fait, les méthodes open-source (telles que celles des packages R du Dr Rob Hyndman) font probablement mieux ⁴⁰.
Demand Sensing & ML : GAINS commercialise le « demand sensing » et utilise des termes comme le clustering ML. La revue indépendante est franche : « Des techniques comme le ‘demand sensing’ sont de la poudre aux yeux, non étayées par la littérature scientifique. [Et] les éléments ML avancés, tels que l’appariement et le clustering, sont également des techniques d’avant 2000. » ³². Cela indique que GAINS pourrait présenter des pratiques statistiques assez standards comme s’il s’agissait d’une IA innovante. Par exemple, regrouper des articles similaires pour les prévoir ou les classer est une pratique vieille de plusieurs décennies, et non du deep learning de pointe. Le fait qu’ils le mettent en avant suggère que le « ML » de GAINS est rudimentaire – certainement rien de comparable au deep learning ni à une programmation probabiliste avancée. Nous pénalisons donc GAINS pour sa conformité aux mots à la mode : ils cochent les cases (IA, ML, etc.) dans leur marketing, sans fournir de détails ni de percées pour les étayer. Ce comportement s’aligne avec le schéma global que nous critiquons dans l’industrie : utiliser des termes à la mode sans substance.
Optimisation en tant que service : GAINS a évoqué la transition vers un modèle de service cloud, impliquant que vous pouvez leur fournir des données et obtenir des résultats d’optimisation. Bien que ce soit une stratégie de déploiement moderne, cela ne signifie pas en soi que l’optimisation soit avancée. Nous soupçonnons que les méthodes de résolution sous-jacentes de GAINS restent similaires ; seul le modèle de livraison (cloud/SaaS) change. Rien de mal à cela, mais ce n’est pas un élément différenciateur en termes de capacités (de nombreux fournisseurs proposent désormais des solutions cloud).

Sur une note positive, GAINS Systems est reconnu pour sa profonde expertise sectorielle dans certains domaines :

Ils comprennent de manière approfondie la planification des pièces détachées (ex. modélisation des pièces à rotation lente, contrats de taux de service, rendements des boucles de réparation). Leur logiciel peut probablement gérer des scénarios tels que la prévision des retours d’unités réparables ou l’intégration des taux de rebut, ce que les outils de stocks généraux risquent de ne pas prendre en charge. Cela reste quelque peu spéculatif, mais compte tenu de leur longévité dans ce domaine, c’est probable.
GAINS jouit d’une réputation pour son support client solide et sa collaboration étroite avec les planificateurs – mais cela signifie souvent que la solution est complétée par du conseil plutôt qu’une magie totalement automatisée.

Automatisation : GAINS promeut l’idée d’automatiser la gestion des stocks (leur site web dit même « Automatisez votre système de gestion des stocks avec GAINS » ⁴¹). L’outil peut certainement automatiser la génération de prévisions et de politiques de stocks. GAINS prend en charge la planification continue : mise à jour des recommandations à mesure que de nouvelles données arrivent. Cependant, nous manquons de détails sur le degré d’autonomie réel. Nous soupçonnons, comme pour d’autres, qu’il automatise les calculs tout en attendant que les planificateurs approuvent les décisions finales. GAINS a introduit une initiative (la méthodologie « P3 », etc.) qui pourrait insuffler une optimisation continue accrue. Sans preuve explicite, nous restons neutres : GAINS offre probablement un niveau typique d’automatisation pour un outil d’entreprise – bon, mais pas notablement supérieur à celui de ses pairs. Il convient de noter que GAINS est une entreprise de moindre envergure, et les petits fournisseurs adaptent souvent leurs solutions aux besoins spécifiques des clients (ce qui peut améliorer l’automatisation pratique puisque le système est personnalisé pour vous). Mais d’un point de vue technique, GAINS n’a publié aucune logique d’automatisation unique à louer.

Gestion des contraintes : GAINS couvre de nombreuses contraintes traditionnelles ainsi que quelques contraintes spécialisées :

Multi-échelon : Oui, GAINS pratique l’optimisation de stocks multi-échelons (son expérience dans les pièces de rechange pour l’aérospatiale et la défense implique un positionnement des stocks à plusieurs niveaux).
Variation des délais : Prise en compte dans les calculs de taux de service, vraisemblablement.
Tailles de lots/MOQs : Supporté, comme tout outil sérieux.
Demande intermittente : L’une des forces historiques de GAINS. Celui-ci utilise vraisemblablement la méthode de Croston ou une méthode similaire pour les articles à rotation lente (couramment constatée dans les pièces de rechange), ce qui est nécessaire pour éviter une sous-alimentation des SKU intermittents.
Retours/Réparations : Probablement oui pour le MRO – GAINS gérerait les délais de réparation et les rendements (par exemple, le pourcentage de pièces mises au rebut par rapport à celles réparées) dans ses calculs pour les pièces de rechange. Cela constitue un domaine que tous les fournisseurs ne couvrent pas, et GAINS pourrait ainsi avoir un avantage.
Expiration : Ce n’est pas un point de focus typique pour GAINS (ses secteurs étaient plus industriels que périssables), donc probablement un support minimal pour la durée de vie en rayon.
Cannibalisation : Manifestement non prise en charge ; comme les autres, GAINS traite probablement les articles de manière indépendante dans ses prévisions.
Contraintes de stockage : Incertain ; GAINS n’a pas vanté la résolution, par exemple, des contraintes d’espace d’entrepôt grâce à l’optimisation.
Optimisation des coûts : GAINS met en avant le profit et le coût dans certains messages, mais la méthode concrète reste inconnue. Possiblement, comme Lokad, il dispose de la capacité d’intégrer les marges sur articles ou les coûts de détention dans l’objectif d’optimisation (ce qui serait appréciable). Ou il procède peut-être toujours via les taux de service, comme ToolsGroup.

Verdict : GAINSystems est un vétéran respecté doté d’une compréhension approfondie des défis liés aux stocks, notamment dans des domaines de niche (pièces de rechange, industriel). Cependant, dans ce classement axé sur la recherche de la vérité, GAINS ne peut échapper à une position moyenne. Les raisons sont claires : ses modèles de prévision sont datés et ses récentes tentatives marketing (demand sensing, ML clustering) apparaissent comme des tentatives d’avoir l’air tendance sans réelle innovation ³². GAINS est essentiellement une solution solide des années 1990/2000 qui essaie de rester pertinente. Nous lui reconnaissons sa connaissance du domaine et ses résultats pratiques – les clients rapportent en effet des réductions de stocks et des améliorations de service – mais nous lui enlevons des points pour manque de transparence et revendications exagérées. À une époque où les principaux fournisseurs partagent du contenu technique ou publient des recherches, GAINS reste relativement opaque ; ce que nous avons pu glaner (par exemple, en se vantant de ses algorithmes propriétaires) n’était pas convaincant. Pour les entreprises ayant des besoins très spécialisés (comme la planification des pièces détachées), GAINS pourrait encore constituer un choix de premier plan grâce à ses fonctionnalités sur mesure. Mais pour celles qui recherchent l’optimisation la plus avancée, fondée sur la science, GAINS risquerait de décevoir à moins d’une refonte technologique majeure. Dans notre classement, GAINS se situe au-dessus des fournisseurs qui ne sont que du battage médiatique sans substance, mais en dessous de ceux qui allient honnêteté et innovation. Il obtient un modeste compliment en tant que solution capable, enveloppée dans une technologie dépassée et quelques mots à la mode injustifiés.

6. SAP (IBP for Stocks / Anciennement SmartOps) – Collection complexe d’outils, intégration plutôt qu’innovation

Aperçu : SAP, le géant des logiciels d’entreprise, est bien évidemment présent sur ce marché grâce à son vaste portefeuille d’applications supply chain. Au fil des ans, SAP a acquis plusieurs technologies spécialisées dans l’optimisation des stocks – SmartOps (acquis en 2013), SAF AG (2009, prévision de la demande) et même une société d’analytique, KXEN (2013) pour la modélisation prédictive ⁴². Ces acquisitions étaient destinées à compléter les systèmes de planification internes de SAP, tels qu’APO (Advanced Planner & Optimizer) puis SAP IBP (Integrated Business Planning). Aujourd’hui, SAP offre des capacités d’optimisation des stocks principalement via SAP IBP for Stocks (un module IBP qui intègre vraisemblablement les algorithmes multi-échelons de SmartOps) et possiblement via des modules complémentaires dans S/4HANA. Cependant, l’histoire de SAP est celle de la fragmentation et de la complexité. Comme l’a résumé une revue, « sous la bannière SAP se cache une collection hétéroclite de produits » en raison de toutes ces acquisitions ⁴³. Le résultat est que l’optimisation des stocks de SAP donne l’impression d’être une solution « ajoutée » – pas un optimiseur de pointe parfaitement intégré, mais plutôt un ensemble de fonctionnalités nécessitant une intégration significative et des services d’experts pour en tirer une réelle valeur.

Demande probabiliste et délais : Les solutions patrimoniales de SAP (comme APO) étaient pour la plupart déterministes (en se basant sur des prévisions ponctuelles, un stock de sécurité établi à partir de modèles statistiques simples). SmartOps, l’outil que SAP a acquis, était reconnu pour sa modélisation probabiliste multi-échelons – il calculait des distributions de stocks et des niveaux de stocks recommandés pour atteindre des taux de service cibles en situation d’incertitude. Ainsi, en théorie, SAP IBP for Stocks dispose d’un moteur probabiliste en son sein (grâce à SmartOps). SmartOps prenait en compte à la fois la variabilité de la demande et une partie de la variabilité de l’offre. Mais SAP lui-même ne met pas l’accent sur la « prévision probabiliste » dans son marketing ; ce n’est pas un élément de communication auprès du marché. Ainsi, de nombreux clients SAP pourraient même ne pas utiliser pleinement le module d’optimisation avancée des stocks. La prévision des délais n’est pas non plus mise en avant par SAP. À moins qu’un client n’utilise explicitement la composante SmartOps qui permettrait des délais variables, la planification par défaut de SAP suppose des délais fixes (avec éventuellement une marge de sécurité temporelle). Selon nos critères, SAP ne parvient pas à démontrer un engagement en faveur de la prévision probabiliste. La capacité pourrait être présente en profondeur dans le logiciel, mais si elle n’est pas clairement exposée ou mise en valeur, nous la considérons comme un manquement. De plus, le mélange de multiples technologies acquises pourrait rendre les choses incohérentes – par exemple, les prévisions de demande pourraient provenir d’un moteur (déterministe) tandis que l’optimisation des stocks proviendrait d’un autre (stochastique), et les deux ne seraient pas entièrement alignés. En effet, une critique fut : « les logiciels d’entreprise ne se combinent pas aisément dans le cadre de fusions et acquisitions », indiquant que les éléments acquis par SAP ne se mélangent pas harmonieusement ⁴⁴.

Fonctionnalités avancées et revendications : SAP n’exagère généralement pas l’IA dans la supply chain (du moins pas de manière aussi flagrante que d’autres), mais dernièrement même SAP utilise quelques termes relatifs au ML/IA dans le marketing d’IBP. Toutefois, SAP est généralement perçu comme riche en fonctionnalités, mais pas avancé algorithmiquement. La composante SmartOps a offert à SAP un optimiseur multi-échelons respectable. Cependant, il est douteux que SAP ait maintenu cette technologie à jour ou qu’elle soit supérieure aux modèles plus récents ⁴⁵. En fait, le constat est que SmartOps (et des composants similaires) utilisait des techniques classiques d’optimisation opérationnelle et que les méthodes ML post-2000 « ne surpassent pas les modèles pré-2000 » dans ce contexte ⁴⁵ – ce qui implique que SAP ne fournit pas de prévisions meilleures que celles d’ARIMA ou de Croston, malgré la possession de technologie ML comme KXEN. Le marketing de SAP tend à se concentrer sur l’intégration (plateforme de bout en bout, « une version de la vérité » dans l’ERP, etc.) plutôt que de prétendre surpasser les concurrents en matière de prévisions. Cette honnêteté est une arme à double tranchant : ils ne mentent pas ostensiblement sur une magie IA, mais ils ne sont pas non plus à la pointe de l’innovation.

La force de SAP pourrait résider dans la gestion de contraintes complexes dans le contexte plus large de la supply chain, car ils disposent de toutes les données et des détails transactionnels :

Ils peuvent prendre en compte les contraintes de capacité et de production dans IBP si les modules sont interconnectés (la planification des stocks peut être liée à la planification de l’offre).
Ils pourraient utiliser les données sur la performance des fournisseurs issues de l’ERP pour ajuster manuellement les temps de sécurité ou le stock de sécurité en cas de variation des délais (même si cela ne constitue pas une « prévision » automatique).
Les solutions SAP peuvent gérer les expirations dans le système d’exécution (SAP EWM ou ERP gère l’expiration des lots, et APO proposait la planification de la durée de vie pour s’assurer que l’offre réponde à la demande avant expiration). Cependant, l’optimisation des stocks en présence d’expirations (comme décider du surstock nécessaire pour compenser les pertes liées à la détérioration) n’est pas une fonctionnalité marquante – SAP se contente principalement d’émettre des alertes concernant les lots arrivant à expiration. SAP mentionne l’utilisation de AI/ML dans la prévision de la demande (SAP Analytics Cloud propose des prévisions, IBP dispose de certaines fonctionnalités de prévision basées sur le ML), mais rien de révolutionnaire n’a été constaté. De plus, l’argument commercial principal de SAP réside souvent dans le fait qu’il s’agit d’une plateforme intégrée plutôt que dans l’éclat d’un algorithme unique. L’inconvénient est que chaque élément peut être moyen, mais l’ensemble reste complexe. Il est à noter que l’optimisation des stocks par SAP requiert un effort d’implémentation considérable – « Les meilleurs intégrateurs – plus quelques années – seront nécessaires pour réussir » ⁴⁶. Cela suggère que, même si SAP possède des fonctionnalités avancées, les utiliser efficacement reste difficile. De nombreux projets SAP IBP peinent à automatiser totalement l’optimisation ; ils reviennent souvent à des modes de planification plus simples en raison de problèmes de données ou d’intégration.

Automatisation: le paradigme de SAP ne concerne pas l’automatisation en boîte noire ; il s’agit de processus de planification. Dans un environnement SAP, l’optimisation de stocks serait une étape dans un cycle plus large de S&OP ou de supply planning. SAP IBP peut automatiser certains calculs (comme lancer un optimiseur chaque nuit), mais généralement les planificateurs humains dans SAP sont fortement impliqués – configurer le système, l’alimenter en scénarios et examiner les résultats. SAP ne revendique pas vraiment la « planification autonome » ; au contraire, il fournit des outils de prévision et d’optimisation que des utilisateurs qualifiés et des consultants doivent orchestrer. Par conséquent, comparé à d’autres, SAP paraît moins automatisé – ou du moins, toute automatisation est construite sur mesure par les implémenteurs. Nous pénalisons SAP pour cela, car leur approche ne permet pas facilement une expérience sans intervention. De nombreuses entreprises utilisant SAP se retrouvent avec une planification semi-manuelle malgré la possession de modules d’optimisation, simplement parce que rendre la boîte noire de SAP digne de confiance est un projet à part entière. La « boîte noire » est là, mais elle n’est pas ajustée de manière triviale à chaque entreprise sans de lourds conseils.

Gestion des contraintes: Un domaine que SAP couvre bien est l’étendue des contraintes, grâce à sa suite complète:

Multi-échelon: Oui (via SmartOps dans IBP Inventory).
Tailles de lot/MOQ: Oui, les outils de planification SAP peuvent en tenir compte dans leurs optimiseurs.
Contraintes de capacité: Si vous utilisez l’optimiseur de supply de SAP (faisant partie d’IBP ou d’APO CTM), vous pouvez intégrer les contraintes de capacité de production/stockage – mais cela relève davantage de la planification de l’offre que de l’optimisation de stocks en soi.
Expiration: La gestion au niveau de l’exécution est excellente (SAP peut suivre l’expiration des lots, allocation FEFO). Au niveau de la planification, APO disposait de certaines fonctionnalités pour s’assurer que les stocks ne dépassent pas leur durée de vie (par exemple, ne pas envoyer des stocks proches de l’expiration vers des emplacements éloignés). Il n’est pas clair si IBP a repris ces fonctionnalités.
Cannibalisation/Substitution: SAP IBP dispose d’un module pour l’introduction de nouveaux produits qui peut utiliser une modélisation de profils similaires (donc pas très avancé, mais avec une certaine capacité à lier les prévisions de produits successeurs/prédécesseurs). Mais il est sans doute en retard par rapport aux outils spécialisés du retail à cet égard.
Retours: SAP peut certainement intégrer la prévision des retours dans la planification de la demande si l’on le modélise (en particulier pour le retail, où ils pourraient prévoir la demande nette moins les retours). Encore une fois, cela nécessite une configuration.
Complexité des coûts de stockage: L’optimiseur de SAP pourrait prendre en compte les coûts de détention et donc limiter indirectement les stocks en cas de pic des coûts de détention (représentant les limites de stockage). Mais il faudrait le configurer soigneusement ; ce n’est pas prêt à l’emploi.

En essence, la solution d’optimisation de stocks de SAP peut être configurée pour gérer beaucoup de choses, mais cela demande des efforts. C’est comme une boîte à outils qui, lorsqu’elle est configurée avec expertise, peut émuler de nombreux comportements avancés – mais SAP lui-même ne fournit pas de solution avancée par simple pression d’un bouton.

Verdict: SAP est classé plus bas dans notre étude parce qu’il illustre le problème du « touche-à-tout, maître de rien ». Il possède quelques capacités ici et là (notamment une optimisation probabiliste héritée d’acquisitions), mais aucune offre claire, cohérente et à la pointe de la technologie spécifiquement en matière d’optimisation de stocks. La complexité et la « collection hétéroclite » d’outils sous l’égide de SAP rendent difficile d’obtenir de la valeur sans investir beaucoup de temps et d’argent ⁴³. Nous pénalisons sévèrement SAP pour cette complexité et pour le fait que l’intégration a éclipsé l’innovation – les technologies acquises ont largement stagné une fois intégrées chez SAP (avec même souvent leurs mérites perdus ou sous-utilisés). Les revendications de SAP sont généralement modérées (ils ne mentent pas ouvertement sur l’IA ; si quoi que ce soit, leur marketing peut maintenant saupoudrer de mots à la mode sur l’IA parce que tout le monde le fait, mais ce n’est pas excessif). Le problème principal est que l’optimisation de stocks de SAP n’est pas de la poudre aux yeux marketing – elle est tout simplement enfouie et lourde.

Pour les entreprises déjà profondément ancrées dans l’écosystème SAP, utiliser les outils intégrés de SAP peut séduire (l’intégration des données est plus aisée, une seule personne à tenir responsable, etc.). Mais d’un point de vue purement performant, peu diraient que SAP IBP surpasse les fournisseurs spécialisés. Dans une quête de vérité, nous voyons SAP comme fiable mais pas à la fine pointe, complet mais excessivement complexe. Il est classé dans la moitié inférieure parce que la facilité d’obtenir une supply chain optimisée avec SAP est faible – non pas en raison d’un manque de fonctionnalités, mais à cause de la difficulté à les rassembler et du rendement douteux par rapport à l’effort. En bref : SAP peut remplir la case des fonctionnalités, mais nous doutons qu’il puisse livrer des stocks optimaux en pratique sans un investissement massif. Cela le place bien en dessous des spécialistes de haut niveau dans notre classement.

7. o9 Solutions – Grandes ambitions, gros battage, profondeur non prouvée

Vue d’ensemble: o9 Solutions est un nouvel entrant (fondé en 2009) qui a rapidement suscité de l’engouement en tant que plateforme de planification de nouvelle génération. Souvent décrite comme le “cerveau numérique” ou l’“Enterprise Knowledge Graph (EKG)” pour la supply chain, o9 vante une plateforme moderne native cloud avec une interface utilisateur élégante, un modèle de données basé sur les graphes, et une multitude de promesses en IA/analyse. Ils se positionnent comme la solution de style “big tech” pour la supply chain – beaucoup de puissance de calcul, de mémoire et un modèle de données unifié pour prendre en charge tout, de la prévision de la demande à la planification de l’offre en passant par la gestion des revenus. En termes d’optimisation de stocks, o9 affirme l’effectuer dans le cadre de sa planification end-to-end. Cependant, la réputation d’o9 dans les cercles techniques est marquée par un fort battage médiatique et moins de clarté sur les méthodes réelles. Ils éblouissent les prospects avec une forte “masse techno” (de nombreuses fonctionnalités, de belles démos), mais sous examen, leurs véritables différenciateurs restent flous. Comme le résume une analyse, “La masse techno d’o9 est hors normes… Le design in-memory garantit des coûts matériels élevés. De nombreuses affirmations sur la prévision via la base de données graphique (marquée EKG) sont douteuses et non étayées par la littérature scientifique. Une tonne de battage IA, mais des éléments trouvés sur Github laissent entrevoir des techniques banales.” ⁴⁷. Cela résume nos constats : o9 est vraiment dans le camp du “bla-bla IA” jusqu’à preuve du contraire.

Demande probabiliste et délais de livraison: Il n’y a aucune preuve qu’o9 produise nativement des prévisions probabilistes pour la demande ou les délais de livraison. Leur référence à un Enterprise Knowledge Graph implique la liaison de diverses données (ce qui pourrait aider à identifier les causes de variabilité des délais, etc.), mais les études de cas et documents publiés par o9 ne mentionnent pas explicitement de distributions statistiques ou d’optimisation stochastique. Ils se concentrent davantage sur la planification de scénarios et la re-planification en temps réel. Nous déduisons qu’o9 utilise probablement des techniques de prévision classiques (ML sur séries temporelles ou même des bibliothèques standards) pour générer des prévisions à chiffre unique, possiblement assorties de plages. N’ayant pas de précisions de leur part, nous supposons que les délais de livraison sont pris comme entrées (peut-être avec quelques règles de marge) mais ne sont pas prévus comme des variables aléatoires. Ainsi, selon nos critères, o9 échoue au test probabiliste. En fait, compte tenu de leur accent sur l’intégration des big data, ils pourraient être plus déterministes que la plupart – visant à intégrer de nombreux signaux (partant du principe que l’on peut tout prévoir si l’on dispose de suffisamment de données), ce qui est conceptuellement à l’opposé de l’acceptation de l’incertitude. Jusqu’à ce qu’o9 publie quelque chose à propos de modèles probabilistes, nous considérons leur approche comme déterministe avec une intégration de données sophistiquée. Cela les rend peu sérieux dans la modélisation de l’incertitude, s’appuyant plutôt sur une planification réactive.

Fonctionnalités avancées revendiquées: Le marketing d’o9 regorge d’affirmations à consonance avancée :

Knowledge Graph (EKG): Ils affirment que leur base de données graphique peut modéliser les relations à travers la supply chain, améliorant soi-disant les prévisions (par exemple, en capturant comment une promotion peut influencer la demande d’articles connexes, etc.). Bien qu’un modèle de données basé sur les graphes soit flexible, il n’existe aucune preuve scientifique que cela produise des prévisions plus précises ou de meilleures décisions en matière de stocks. Cela aide principalement à intégrer des sources de données. L’affirmation selon laquelle il s’agirait d’une innovation en matière de prévision par IA est douteuse ⁴⁸. Sans voir d’algorithme spécifique exploitant le graphe pour, disons, des prévisions probabilistes, nous considérons cela simplement comme une architecture moderne, et non comme une méthode d’analyse supérieure.
AI/ML: o9 jette tous les mots à la mode – knowledge graphs, big data, AI/ML, voire des termes comme reinforcement learning, bien qu’aucun détail ne soit offert. Une analyse externe est cinglante : “De nombreuses affirmations de prévisions… sont douteuses… Une tonne de battage IA, mais des éléments trouvés sur Github laissent entrevoir des techniques banales.” ⁴⁸. En effet, certains des outils partagés publiquement par o9 (comme tsfresh pour l’extraction de caractéristiques de séries temporelles, ou vikos, etc.) sont mentionnés – ce sont des bibliothèques Python standards ou des approches de prévision basiques (ARIMA, etc.) ⁴⁹. Cela laisse penser que l’équipe de développement d’o9 pourrait utiliser des modèles de prévision assez classiques en coulisses, malgré leurs affirmations à l’extérieur. Nous exposons o9 ici : qualifier quelque chose de plateforme pilotée par IA ne le rend pas tel, et les premiers aperçus suggèrent que leur “IA” se résume souvent à une régression linéaire ou à un ARIMA en arrière-plan ⁴⁹. Si c’est vrai, c’est beaucoup de poudre aux yeux.
Planification de scénarios en temps réel: o9 excelle à permettre des scénarios instantanés (grâce aux calculs en mémoire). Mais la planification de scénarios n’est pas de l’optimisation. On peut rapidement simuler ce qui se passe si le délai de livraison augmente ou si la demande explose, ce qui est utile pour que les planificateurs visualisent les problèmes, mais cela ne fournit pas automatiquement la meilleure solution – l’utilisateur doit toujours interpréter et ajuster. Ainsi, bien qu’o9 puisse affirmer qu’il aide à gérer les perturbations, il peut compter davantage sur la prise de décision humaine que, par exemple, une optimisation stochastique.

Un autre constat: “Les trivialités ne peuvent pas être qualifiées d’IA parce qu’elles sont interactives.” ⁵⁰ – cela fait vraisemblablement référence au fait qu’o9 qualifie de “IA” des tableaux de bord interactifs ou des réponses simples basées sur des règles. Nous pénalisons fortement cela. Si o9 commercialise quelque chose comme “notre système signale automatiquement les exceptions et suggère des commandes – piloté par IA !” alors qu’en réalité il s’agit d’une simple règle if-then ou d’une tour de contrôle statistique, c’est attribuer à tort la mention IA à des fonctionnalités basiques.

Automatisation: o9 se positionne en facilitateur du “Digital Operating Model” – ce qui suggère un haut degré d’automatisation. Il peut indubitablement automatiser certaines tâches de planification (comme générer automatiquement des prévisions, détecter automatiquement les exceptions). Cependant, compte tenu du manque de détails, nous craignons qu’une grande partie de la valeur d’o9 ne repose encore sur des décisions humaines via sa jolie interface utilisateur. On parle de “planification autonome” dans l’industrie autour d’outils comme o9, mais il n’existe aucune preuve concrète qu’une entreprise utilise o9 de manière totalement automatisée. L’implication importante des analystes de grands clients avec o9 indique qu’il s’agit d’un système d’aide à la décision, et non d’un optimiseur entièrement automatisé. Nous pénalisons l’écart entre ambition et réalité. À moins qu’o9 ne puisse démontrer comment son “graph AI” optimise de manière autonome les stocks (ce qu’ils n’ont pas publiquement prouvé), nous considérons que ses affirmations sur l’automatisation sont exagérées.

Gestion des contraintes: En tant que plateforme flexible, o9 peut théoriquement gérer de nombreuses contraintes:

Il dispose du modèle de données permettant d’intégrer les dates d’expiration, les attributs de lot, etc. Ainsi, il pourrait suivre les stocks par lot et potentiellement inclure une logique pour éviter l’expiration. Mais il n’est pas certain qu’il possède un algorithme prêt à l’emploi pour les stocks périssables – probablement non; un utilisateur devrait programmer une règle ou assurer manuellement la rotation.
Multi-échelon: o9 réalise une planification à plusieurs niveaux; il peut modéliser un réseau et exécuter des optimisations de stocks multi-échelons (ils disposent probablement de quelque chose de similaire à SmartOps, ou du moins de calculs de stock de sécurité pour chaque échelon).
Contraintes de capacité: Puisqu’o9 couvre le S&OP, il peut intégrer des contraintes de production et de stockage dans ses cycles de planification.
Cannibalisation & substitution: C’est ici que leur Knowledge Graph pourrait, en principe, modéliser des relations (par exemple, lier des produits en tant que substituts). Mais optimisent-ils réellement à l’aide de ces informations ? Ils ne l’ont pas démontré. Possiblement, ils pourraient faire un “what-if” : “si le produit A est en rupture, observer une hausse des ventes du produit B” lors d’une simulation. Mais cela nécessite de modéliser le comportement des consommateurs – ce qui n’est pas trivial, et il n’existe aucune preuve qu’o9 ait construit ce modèle. Il est donc probable que cela ne soit pas pris en charge, mis à part par des hypothèses manuelles des planificateurs.
Quasi-saisonnalité: Si le ML d’o9 est décent, il pourrait détecter des schémas saisonniers inhabituels s’il reçoit suffisamment de données. Mais là encore, aucune fonctionnalité spécifique au-delà d’une prévision générale par ML.
Optimisation financière: o9 parle de gestion des revenus et d’IBP, il pourrait donc être capable d’optimiser pour le profit, et pas seulement le taux de service, s’il est configuré. Ceci dit, la confiance dans leur optimiseur reste incertaine.

Un aspect préoccupant: l’approche in-memory d’o9 (comme RELEX) pourrait rendre la résolution de certaines optimisations lourdes en contraintes extrêmement gourmande en ressources. Ils vantent leur scalabilité, mais si vous modélisez véritablement chaque SKU-emplacement et contrainte, le calcul pourrait exploser, nécessitant un matériel massif. Donc, en pratique, ils pourraient simplifier le problème ou se reposer sur des heuristiques.

Verdict: o9 Solutions est classé dans la tranche inférieure en raison de sa forte dépendance vis-à-vis d’affirmations non prouvées et de mots à la mode, malgré son attrait soigné. Nous reconnaissons qu’o9 dispose d’une interface moderne et d’une approche unifiée des données que les clients trouvent attrayante. Cela améliore probablement la collaboration et la visibilité. Mais en ce qui concerne la science fondamentale de l’optimisation de stocks, nous ne constatons aucune innovation concrète de la part d’o9 qui justifierait le battage médiatique. Son marketing est truffé de signaux d’alerte – tous les termes à la mode apparaissent avec peu de soutien technique ⁴⁸. Cela nous amène à remettre en question la substance derrière sa valorisation considérable. Nous pénalisons sévèrement o9 pour cet écart. Sans une démonstration claire de, par exemple, comment son IA prédit mieux la demande ou comment son graph aboutit à des décisions optimales en matière de stocks, nous devons considérer ses promesses comme “douteuses” au mieux ⁴⁸.

En termes simples, o9 pourrait être une bonne planning platform (intégrant diverses fonctions), mais en tant que inventory optimization engine spécifiquement, il ne semble offrir rien que les outils plus anciens n’offrent déjà – sauf une interface utilisateur plus élégante. Il n’a certainement pas prouvé qu’il gère mieux l’incertitude ou des contraintes complexes ; si quoi que ce soit, il pourrait même ignorer l’incertitude au profit d’un déterminisme basé sur les big data, ce que nous considérons comme une approche défaillante. Par conséquent, dans un classement fondé sur la vérité, o9 se situe près du bas des fournisseurs sérieux. C’est fondamentalement un cas de “big talk, standard walk.” Les entreprises envisageant o9 devraient se méfier du discours marketing et exiger de voir les algorithmes et résultats réels. Jusqu’à ce que les affirmations d’IA d’o9 soient prouvées par des preuves techniques explicites, nous les catégorisons comme fausses/non fondées dans ce domaine.

8. Blue Yonder (formerly JDA) – Patchwork of Legacy Systems Marketed as “AI”

Vue d’ensemble: Blue Yonder (BJDA) est l’un des plus anciens et des plus grands fournisseurs de logiciels supply chain. Autrefois connu sous le nom de JDA (qui avait acquis Manugistics et i2 Technologies dans les années 2000), ils se sont rebrandés en Blue Yonder et ont été acquis par Panasonic. Les capacités d’optimisation de stocks de Blue Yonder proviennent d’une lignée de produits – par exemple, l’optimiseur de supply chain d’i2 et les modules de stocks de JDA. Au fil du temps, ils ont tenté de se moderniser via leur plateforme Luminate, en y intégrant des concepts d’IA/ML. Cependant, Blue Yonder souffre de ce que nous appelons « M&A spaghetti » : c’est « le résultat d’une longue série d’opérations de fusions-acquisitions », ce qui aboutit à « une collection hâtivement assemblée de produits, la plupart datés. » ⁵¹. En substance, l’offre de Blue Yonder est un amalgame de logiciels hérités collés ensemble. Ils véhiculent l’image d’être désormais axés sur l’IA (avec des termes comme planification cognitive, Luminate AI), mais notre analyse approfondie montre que ces affirmations sont pour la plupart vagues et dénuées de substance ²⁸.

Demande Probabiliste & Délais: Historiquement, Blue Yonder fournissait des outils de prévision de la demande et de planification des stocks, mais principalement en utilisant des méthodes déterministes ou heuristiques. Par exemple, la planification de la demande héritée de JDA produisait des prévisions ponctuelles, et l’optimisation de stocks calculait des stocks de sécurité pour un taux de service cible. Dans des documents récents, Blue Yonder mentionne la “prévision probabiliste” et le “stock de sécurité dynamique” comme concepts dans leur approche ⁵². Ils ont reconnu la valeur des méthodes probabilistes dans des blogs, ce qui suggère qu’ils maîtrisent le jargon. Mais l’ont-ils mis en œuvre? Il y a peu de preuves que les solutions de base de Blue Yonder produisent des distributions de probabilité complètes ou optimisent les décisions de manière stochastique. Étant donné qu’ils citent des éléments tels que tsfresh et ARIMA en open source ⁴⁹, il semble qu’ils se contentent principalement de la prévision classique des séries temporelles, et non d’une programmation probabiliste de pointe. Nous n’avons vu aucune indication de capacités de prévision des délais – il est probable que Blue Yonder suppose des délais fixes, éventuellement avec un tampon. Ainsi, Blue Yonder ne répond pas à nos critères probabilistes : il n’est fait mention d’aucun modèle explicite d’incertitude sur la demande et le délai. Ils se contentent probablement de modèles traditionnels de taux de service, ce qui signifie qu’ils ne sont pas non plus sérieux en matière d’incertitude globale malgré l’utilisation sporadique du terme probabiliste dans certaines communications.

Réclamations de Fonctionnalités Avancées: Blue Yonder a été libéral dans ses affirmations liées à l’IA/ML. Leur marketing utilise des expressions telles que “planification autonome,” “supply chain cognitive,” etc. Pourtant, une analyse souligne : “BY met en avant l’IA de manière proéminente, cependant, les affirmations sont vagues et manquent de substance.” ²⁸. Nous confirmons cela:

Blue Yonder a acquis quelques startups d’IA et met en avant des partenariats avec des universités, mais concrètement, les seules choses que nous voyons sont quelques projets open source. Ces projets (tsfresh, PyDSE, VikOS) indiquent des méthodes de prévision très standard (extraction de caractéristiques, ARMA/ARIMA, régression) ⁴⁹. Rien n’indique l’existence d’un algorithme d’IA novateur propre à Blue Yonder. Cela signifie que l’« IA de pointe » de Blue Yonder est très probablement simplement une analytics traditionnelle rebrandée. Nous considérons catégoriquement toute affirmation générique en matière d’IA de leur part comme non prouvée.
Par exemple, Blue Yonder pourrait dire “nous utilisons le ML pour augmenter nos modèles probabilistes” ⁵³ – mais sans détails, cela pourrait signifier n’importe quoi, que ce soit un modèle de machine learning simple pour ajuster les prévisions, ou un réseau de neurones qui n’aurait pas réellement surpassé des modèles plus simples. Sans preuve, nous considérons cela comme du blabla.
Blue Yonder affirme disposer de solutions de bout en bout incluant l’optimisation des prix, l’assortiment, etc. Il est vrai qu’ils possèdent de nombreux modules. Cependant, le fait d’avoir beaucoup de modules ne signifie pas que chacun soit le meilleur dans son domaine. La planification de stocks de Blue Yonder pourrait encore utiliser l’ancienne optimisation du taux de service d’i2, ce qui est loin d’être quelque chose dont on pourrait se vanter en 2025.

Une affirmation particulièrement problématique du passé : la documentation de Blue Yonder sur le “cognitive stocks” a essentiellement recyclé l’idée d’un inventory probabiliste avec des termes à la mode ⁵⁴ ⁵², encore une fois sans support technique. Nous considérons cela comme du marketing signalant un drapeau rouge. Cela semble perspicace mais n’apporte aucune substance algorithmique.

Automatisation: Les solutions de Blue Yonder nécessitaient historiquement une supervision humaine importante – par exemple, les planificateurs utilisaient le logiciel JDA pour obtenir des recommandations puis effectuaient des ajustements. Avec Luminate, Blue Yonder parle de « planification autonome », mais à notre connaissance, cela reste largement une vision. Ils ont peut-être introduit un “assistant IA” ou une résolution automatisée des exceptions, mais rien de détaillé publiquement. Étant donné la clientèle de Blue Yonder (de nombreux grands détaillants, fabricants), il est probable que le logiciel soit encore utilisé de manière traditionnelle : les prévisions et commandes sont générées, puis les planificateurs les vérifient ou les exécutent via des workflows. Nous n’avons vu aucune preuve claire que Blue Yonder permette une optimisation entièrement autonome. De plus, parce que leur architecture est un assemblage de composants, obtenir une automatisation homogène à travers ceux-ci est un défi. Nous pénalisons Blue Yonder pour ce manque de clarté. À moins qu’ils ne puissent montrer l’exemple d’un client où le système fonctionne de manière autonome pendant des mois, nous considérons leurs affirmations en matière d’automatisation comme minimales.

Gestion des Contraintes: Grâce à des décennies d’expérience, Blue Yonder couvre dans une certaine mesure de nombreuses contraintes :

Multi-échelon : Oui, JDA disposait d’une optimisation de stocks multi-échelon (approche probablement similaire à ToolsGroup/SmartOps).
Tailles de lots/MOQs : Prises en charge dans leurs paramètres de planification.
Promotions : JDA/BlueYonder disposait de modules de prévision des promotions, bien que parfois distincts.
Cannibalisation : Ils disposent d’un outil de modélisation de la demande capable d’intégrer la cannibalisation pour le commerce de détail (JDA possédait quelque chose pour la prévision de la gestion des catégories). Mais il s’agit d’un module spécialisé, pas nécessairement intégré à l’optimisation de stocks.
Expiration : Les secteurs principaux de Blue Yonder étaient le commerce de détail (y compris l’épicerie) et la fabrication. Ils avaient quelques solutions pour la gestion des produits frais dans le logiciel de gestion des catégories. Mais leur planification de base ne mettait pas l’accent sur les produits périssables comme le fait RELEX. Donc, une prise en compte limitée de la durée de conservation.
Retours : Ce n’est pas un point fort. Possiblement géré dans leur planification de détail par compensation des prévisions, mais sans fonction spéciale.
Contraintes de stockage : Si l’on utilise leur gestion d’entrepôt ou leur planification de production, oui, mais l’optimisation de stocks elle-même suppose probablement un stockage non contraint (comme chez les autres, la minimisation des coûts permet implicitement de garder les stocks gérables).
Quasi-saisonnalité : La prévision de Blue Yonder peut gérer des schémas saisonniers, mais des schémas inhabituels nécessitent soit un ajustement humain, soit des modèles avancés dont nous doutons qu’ils disposent au-delà du standard.
Optimisation financière : Blue Yonder dispose de modules d’optimisation des profits (optimisation des prix, etc.), mais son optimisation de stocks se concentre généralement sur le respect des taux de service à coût minimal, et non sur la maximisation directe des profits.

En résumé, la couverture des capacités de Blue Yonder est large mais superficielle par endroits. Il essaie d’être tout, ce qui conduit à des compromis. Il est important de noter qu’étant donné que Blue Yonder gère tant de composants de produits, les clients le trouvent souvent complexe à mettre en œuvre et à maintenir.

Verdict: Blue Yonder se classe près du bas de notre étude principalement en raison de sa dépendance à une technologie obsolète dissimulée par des mots à la mode et des inefficacités inhérentes à une plateforme patchwork. Il est révélateur que les contributions open source de Blue Yonder reposent sur des méthodes qui datent de plusieurs décennies (ARIMA, régression) ⁴⁹ alors même que l’entreprise se présente comme un leader en IA. Cette dissonance érode la confiance. Nous pénalisons sévèrement Blue Yonder pour ce manque de transparence et l’utilisation excessive de prétentions vagues en matière d’IA ²⁸. La marque peut avoir du poids (elle est un “Leader” dans certains rapports d’analystes en raison de sa portée et de sa part de marché), mais quand on se concentre strictement sur la vérité et le mérite technique, Blue Yonder n’impressionne pas.

Cela dit, Blue Yonder n’est pas entièrement dépourvu de valeur. Il possède une empreinte fonctionnelle vaste et une connaissance du domaine intégrée – ainsi, il peut gérer de nombreux scénarios pratiques s’il est correctement configuré. Mais ce sont des bases obligatoires; ce que nous recherchons, c’est une véritable performance en optimisation. Sur ce front, Blue Yonder est loin derrière des fournisseurs tels que Lokad ou même la fiabilité candide de Slimstock. À moins qu’un client ne soit déjà intégré dans l’écosystème de Blue Yonder ou n’ait besoin d’une solution tout-en-un plutôt que d’une analytics best-in-class, nous déconseillons l’optimisation de stocks de Blue Yonder si la qualité d’optimisation factuelle et mesurable est la priorité. Dans notre classement, Blue Yonder est sauvé de la toute dernière place uniquement par le fait qu’il dispose réellement d’un produit fonctionnel (bien que daté) et d’une large base d’utilisateurs – ce qui signifie qu’il résout au moins les bases – tandis que les affirmations de certains acteurs plus petits pourraient être encore plus creuses.

9. Infor (Rhythm / Predictix) – Concurrent décoloré avec une IA douteuse

Vue d’ensemble: Infor a tenté de concurrencer dans ce domaine par le biais d’acquisitions comme Predictix (acquis en 2016), spécialiste de la prévision dans le commerce de détail. La force principale d’Infor a toujours été l’ERP, mais ils ont essayé de construire une suite de planification de détail en cloud (Infor Rhythm, Demand Management, etc.) avec la technologie de Predictix. Cependant, les choses ne se sont pas déroulées sans accrocs. Predictix avait une histoire complexe (problèmes juridiques avec des partenaires comme LogicBlox) ⁵⁵, et après avoir rejoint Infor, l’élan semble s’être arrêté. L’attention d’Infor s’est déplacée vers son ERP principal et des initiatives plus importantes, et « l’angle prévisionnel est resté un second rôle, dépriorisé au cours des dernières années » ⁵⁶. En bref, la présence d’Infor dans l’optimisation de stocks / la planification de la demande a diminué. Ils ont encore des produits dans ce domaine, mais ils ne sont pas des leaders du marché, et le pipeline d’innovation semble maigre.

Fonctionnalités Probabilistes & Avancées: Predictix était connu pour revendiquer certaines approches modernes de ML (ils furent parmi les premiers à parler du big data dans la prévision du commerce de détail). Mais des experts notent, « Predictix a tenté d’introduire quelques techniques de ML post-2000… cependant, il est douteux que ces méthodes surpassent les modèles d’avant 2000. » ⁴⁵. Cela implique que même la technologie phare acquise par Infor n’était pas démontrablement meilleure que les approches classiques. Infor a probablement hérité de certaines capacités de détection de la demande ou de prévision par machine learning de Predictix, mais avec cette équipe dissipée, il est difficile de savoir dans quelle mesure elles sont utilisées. Infor parle désormais rarement d’IA dans la supply chain, et quand il le fait, c’est de manière générale. Nous avons vu mentionner que « les prétentions en matière d’IA » sont également douteuses ⁴⁵ concernant leurs prévisions. Cela reflète ce que nous observons ailleurs : Infor n’a fourni aucune preuve que ses outils (Rhythm, planification de la demande, etc.) sont particulièrement précis ou avancés. Ils les ont simplement intégrés comme des fonctionnalités dans la pile Infor. De plus, aucune indication de prévision probabiliste ou de modélisation des délais n’est donnée – probablement inexistante. Ainsi, selon notre mesure, la solution d’Infor est à la traîne et ne traite pas sérieusement l’incertitude avec de nouvelles techniques.

Automatisation & Contraintes: Les offres d’Infor en matière de planification des stocks/de la demande ne sont pas largement discutées, ce qui suggère une adoption limitée. Il est probable qu’ils gèrent les contraintes de base (multi-échelon, etc.) mais rien de sophistiqué que d’autres n’offrent pas. Et compte tenu de leur dépriorisation, on peut supposer que peu de choses ont été faites pour les automatiser entièrement non plus. Il s’agit probablement d’un système de planification conventionnel où les utilisateurs génèrent des prévisions et des niveaux de stocks recommandés, avec une intégration aux ERP d’Infor pour l’exécution. Rien ne se démarque, sauf peut-être certaines fonctionnalités spécifiques au commerce de détail issues de Predictix (comme la prévision des profils taille/couleur pour la mode, ou quelque chose dans ce genre – mais encore une fois, pas clairement supérieures à celles de la concurrence).

Verdict: Nous classons Infor près du bas car elle ne dispose ni d’un produit actuel solide ni d’affirmations crédibles d’unicité. Leur incursion via Predictix semble avoir perdu de sa vigueur, et toute la rhétorique IA/ML issue de cette acquisition est désormais dépassée ou non prouvée ⁴⁵. Essentiellement, l’optimisation de stocks d’Infor n’est plus un facteur majeur sur le marché actuellement. Les entreprises ne retiennent que rarement Infor pour une planification avancée à moins qu’elles soient déjà de gros utilisateurs de l’ERP Infor. Ne présentant rien de notable en termes d’optimisation probabiliste ou automatisée, Infor reçoit une évaluation sévère : principalement irrélevante dans les discussions de pointe, et les affirmations qu’elle a faites dans le passé concernant l’IA étaient infondées.

10. John Galt Solutions – Prévision pour le marché intermédiaire avec des affirmations grandioses

Vue d’ensemble: John Galt Solutions (du nom du célèbre personnage d’Atlas Shrugged) fournit des outils de prévision et de planification depuis les années 1990. Leur produit phare est Atlas Planning (bien nommé), destiné aux entreprises du marché intermédiaire pour la planification de la demande, des stocks, et le S&OP. Ils proposent également un outil plus simple appelé ForecastX (un add-in Excel pour des prévisions de base). La niche de John Galt réside dans la facilité d’utilisation et le déploiement rapide. Cependant, ils ont fait quelques affirmations audacieuses concernant leurs algorithmes propriétaires (comme quelque chose appelé « Procast »), ce qui suscite des interrogations. L’entreprise n’a pas la solidité des plus grands acteurs, et leur approche technologique semble assez traditionnelle, malgré des indices marketing faisant allusion à une propriété intellectuelle unique.

Fonctionnalités Probabilistes & Avancées: Les solutions de John Galt ne mettent pas en avant la prévision probabiliste. Elles se concentrent sur la génération de prévisions et d’objectifs de stocks en utilisant des méthodes classiques (régression, séries temporelles, peut-être quelques heuristiques). Atlas Planning dégage une “forte impression de consultingware” ⁵⁷ – c’est-à-dire qu’il nécessite souvent beaucoup de conseil pour être ajusté pour chaque client, plutôt qu’un moteur avancé intégré. La technologie de prévision semble datée ⁵⁸, ce qui implique qu’ils n’ont pas introduit de modèles prédictifs novateurs au-delà de ce qui est largement connu. Ils évoquent “Procast” – leur algorithme de prévision propriétaire – en affirmant qu’il est plus précis que ceux de la concurrence. Cependant, cette affirmation est hautement douteuse : si Procast était vraiment supérieur, il apparaîtrait dans des compétitions de prévision (comme les M Competitions), mais il est absent des premiers classements ³⁹. Cela suggère que Procast est probablement un reconditionnement de méthodes standards ou un léger ajustement, et non une avancée majeure. En effet, des experts estiment que les outils open source (comme les bibliothèques R de Hyndman) surpassent probablement la technologie de John Galt ⁵⁹. John Galt ne fait pas beaucoup de publicité pour l’IA ou le ML, ce qui est en réalité à son crédit (ils n’exagèrent pas avec des mots à la mode qu’ils ne possèdent pas). Mais ils formulent des affirmations vagues de “meilleure précision” sans preuve, ce que nous ne pouvons accepter. Ils ne mentionnent pas non plus quoi que ce soit concernant la gestion de complexités telles que la cannibalisation ou l’optimisation en situation d’incertitude ; leur communication porte davantage sur l’expérience utilisateur (dashboards agréables, etc.) et la planification collaborative. Cela indique un manque d’optimisation avancée.

Automation: Atlas Planning s’adresse aux planificateurs et aux cadres pour simuler et collaborer. Il n’est pas reconnu pour son automatisation; c’est plutôt une boîte à outils permettant aux utilisateurs de prévoir et ensuite de lancer des scénarios. Il est probablement très loin d’une optimisation de stocks entièrement automatisée – l’utilisateur doit prendre des décisions à partir des résultats du logiciel. Nous ne voyons donc pas John Galt promouvoir une automatisation sans surveillance. Cela limite son classement car, en termes modernes, c’est plutôt un outil semi-manuel.

Constraints: Les clients typiques de John Galt ont souvent des besoins plus simples, ainsi Atlas Planning peut gérer des contraintes de base (distribution multiniveau, délais, stock de sécurité, etc.). Mais il n’est pas particulièrement reconnu pour des aspects tels que l’optimisation multi-niveaux (bien qu’il ait probablement une certaine capacité), et certainement pas pour ce qui concerne des produits périssables ou des contraintes d’approvisionnement complexes. C’est une solution de milieu de gamme – une richesse de fonctionnalités mais sans profondeur dans un domaine spécifique.

Verdict: John Galt Solutions arrive en dernier dans notre classement des fournisseurs clés. Bien qu’il fournisse un logiciel honnête et utilisable pour la prévision et la planification, il n’arrive pas à démontrer aucun avantage technique ni une prise en charge sérieuse de l’incertitude. La grande allégation concernant leur recette secrète (Procast) semble non étayée et même réfutée par omission ³⁹. En l’absence de preuves, nous qualifions de telles allégations propriétaires de bogus marketing. L’entreprise ne se livre pas à autant de battage sur l’IA que d’autres (peut-être en raison du ciblage d’un segment différent), mais elle n’excelle pas non plus. Elle semble se contenter d’offrir du “consultingware” – des solutions qui valent autant que les consultants qui les configurent. Cela peut convenir à certains clients, mais dans une comparaison honnête, cela signifie aucune innovation claire. L’approche de John Galt pour l’optimisation de stocks implique probablement de mettre en place des modèles de prévision et des politiques de stocks manuellement, plutôt que d’utiliser un calcul automatisé et probabiliste. Ainsi, il obtient de faibles scores sur presque tous nos critères : pas de modélisation probabiliste des délais, aucune IA/ML notable fonctionnelle, aucune preuve d’une optimisation avancée des contraintes, et une automatisation limitée.

L’essentiel concernant John Galt : Il dessert un segment du marché avec des outils plus simples pilotés par l’utilisateur. Mais toute affirmation selon laquelle il serait plus précis ou “plus intelligent” que de plus grandes solutions n’est pas étayée par des preuves et doit être vue avec scepticisme. Les entreprises confrontées à de sérieux défis de stocks (forte incertitude, réseaux complexes) trouveraient très probablement que la technologie de John Galt est sous-dimensionnée.

Conclusion & Principaux enseignements

Cette étude de marché critique révèle un paysage des logiciels supply chain rempli d’affirmations ambitieuses mais pauvre en capacités nouvelles et éprouvées. Des fournisseurs comme Lokad et Slimstock se distinguent en promouvant soit des méthodes véritablement avancées (le moteur probabiliste de Lokad ⁶⁰) soit en s’en tenant à des fondamentaux honnêtes (l’approche pragmatique de Slimstock ¹²). De nombreux autres acteurs – même des noms bien connus comme ToolsGroup, Blue Yonder, et o9 – sont enlisés dans des mots à la mode sans les appuyer :

Prévision probabiliste : Étonnamment, peu de fournisseurs l’adoptent réellement. Lokad se distingue en modélisant explicitement à la fois l’incertitude de la demande et des délais ¹. La plupart des autres ne gèrent au mieux la variabilité de la demande de manière rudimentaire et ignorent l’incertitude des délais, ce que nous considérons comme un échec critique. Une solution qui “ignore l’incertitude” dans les délais est fondamentalement limitée ³. Les utilisateurs devraient faire pression sur les fournisseurs: Prévoient-ils les délais de manière probabiliste ? Sinon, attendez-vous à ce que les cibles de stocks soient sous-optimales.
Mots à la mode trompeurs : Le terme “demand sensing” est un récidiviste – utilisé par ToolsGroup, GAINS, etc., avec peu de fondement scientifique ¹⁹ ³². De même, les allégations génériques d’“AI/ML” sont omniprésentes. Blue Yonder et o9 en sont des exemples, affichant une terminologie à la mode tout en proposant des algorithmes pas meilleurs que de la régression ²⁸ ⁶¹. Les signaux d’alerte sont cohérents : si un fournisseur ne peut décrire concrètement ce que fait son IA (par exemple, “utilise le gradient boosting sur l’historique des expéditions pour prévoir la demande SKU-magasin”) et se contente ensuite de platitudes, il faut assumer le pire – qu’il y a “peu ou pas de substance” derrière l’allégation ²⁸. Dans cette étude, nous avons pénalisé fortement tous ces cas. Notamment, les LLM (modèles de type ChatGPT) n’ont aucun rôle démontré dans le calcul de politiques optimales de stocks (ils manquent de la capacité d’optimisation numérique), si bien que toute allusion à ce qu’un LLM optimise vos stocks relève de la pure fiction. Heureusement, aucun des principaux fournisseurs ne prétend cela – mais certains pourraient intégrer des chatbots pour les requêtes des utilisateurs, ce qui n’est pas la même chose que l’optimisation fondamentale.
Optimisation stochastique : Le test ultime pour un moteur “d’optimisation” est de savoir s’il résout vraiment un objectif défini dans l’incertitude (maximiser le profit attendu, minimiser le coût sous contrainte de taux de service, etc.). La plupart des fournisseurs ici, à l’exception de Lokad (et peut-être de l’élément SmartOps au sein de SAP), ne réalisent pas une véritable optimisation stochastique. Ils se contentent d’heuristiques : fixer une cible de service, calculer le stock de sécurité. Ce n’est pas optimiser – c’est du satisficing. ToolsGroup, par exemple, fonctionne encore en grande partie sur des taux de service, et sa mention d’une “algèbre des variables aléatoires” relève plus du marketing que de la réalité. Nous avons souligné cette incohérence pour ToolsGroup ²⁹. Les utilisateurs en quête de décisions optimales devraient se méfier : nombreux sont les outils qui n’optimisent pas réellement un objectif financier; ils se contentent d’imposer des cibles de service. Il y a une grande différence. Si un fournisseur ne peut présenter une fonction objective et expliquer comment elle est résolue (par exemple, “nous maximisons le taux de remplissage attendu moins le coût de détention, en utilisant une simulation Monte Carlo”), alors il est probable qu’il ne réalise pas une véritable optimisation.
Automation: La promesse d’une “self-driving supply chain” est séduisante. En pratique, peu l’ont réalisée. Notre évaluation a montré que la plupart des fournisseurs nécessitent une intervention humaine significative, et leur automatisation est basée sur des règles ou limitée à des calculs. Lokad vise l’automatisation en permettant une programmation complète de la logique décisionnelle (et ils éliminent explicitement les tâches manuelles répétitives) ⁸. RELEX automatise de nombreuses tâches dans le retail, mais en coulisses, utilise probablement des règles simples pour celles-ci. ToolsGroup et GAINS automatisent les calculs, mais nécessitent toujours des planificateurs pour gérer les paramètres. L’automatisation totale – où le système s’adapte lui-même aux nouvelles conditions – est rare. Ainsi, quand un fournisseur dit “autonome” ou “automatique,” exigez une explication: Qu’est-ce qui est exactement automatisé ? Comment les exceptions sont-elles gérées ? Existe-t-il une boucle de rétroaction ? Si les réponses sont floues, l’allégation d’automatisation mérite d’être remise en question. Nous avons constaté que les fournisseurs qui expliquaient le moins (o9, Blue Yonder) automatisent probablement le moins, malgré de grandes allégations ⁶¹ ²⁸.
Contraintes complexes: Il est évident que une solution unique ne convient pas à tous. Certains fournisseurs s’adressent à des complexités spécifiques (RELEX pour la péremption des produits frais ²², GAINS pour les pièces réparables). D’autres se contentent principalement de couvrir des contraintes génériques et recourent à des solutions de contournement pour les cas particuliers. Il incombe à l’acheteur de faire ressortir ses besoins spécifiques (produits périssables, retours importants, etc.) et de demander au fournisseur comment il y répond. Si la réponse est “nous avons des clients dans votre secteur” sans plus de détails, c’est un avertissement. Dans notre étude, seul Lokad discute ouvertement du soutien à des aspects tels que la cannibalisation et des contraintes personnalisées via son cadre de modélisation ⁴. La plupart des autres les ignorent ou les mentionnent en passant sans méthode.

En conclusion, cette étude de marché sépare le signal du bruit. Les fournisseurs les mieux classés ont mérité leur place en alignant leurs affirmations avec la réalité et en se concentrant sur une ingénierie solide:

Lokad – pour son approche probabiliste rigoureuse et sa volonté d’expliquer en détail son fonctionnement ⁶⁰.
Slimstock – pour fournir des résultats fiables sans se cacher derrière des buzzwords ⁶² (bien qu’il manque d’analyses avancées, il en est honnête).
RELEX – pour son innovation pratique dans le retail (produits frais, etc.) tout en restant prudents quant à son battage d’IA non prouvé ¹⁸.

Les fournisseurs de milieu de gamme tels que ToolsGroup et GAINS possèdent une profondeur fonctionnelle mais ont été déclassés en raison de “marketing malpractice” – une terminologie trompeuse et un manque d’évolution technique ³⁶ ³².

Enfin, plusieurs solutions de grandes enseignes (o9, Blue Yonder, SAP, Infor, John Galt) se sont retrouvées plus bas dans notre classement que ne le suggère leur notoriété sur le marché. La raison est simple : la réputation d’entreprise et le volume des ventes n’équivalent pas à l’excellence technique. En effet, ces grandes suites portent souvent le poids d’un héritage ou une focalisation diffuse, ce qui entrave une évaluation axée sur la recherche de la vérité. Nous n’avons pas tenu compte des brochures tape-à-l’œil ou des positions dans le Gartner Magic Quadrant, car celles-ci reflètent souvent le chiffre d’affaires et l’ampleur, et non la véritable puissance d’optimisation.

Conseil aux praticiens: Coupez à travers le superflu. Insistez sur des démonstrations ou des études de cas qui montrent des distributions d’erreurs réelles, des résultats en termes de taux de service, ou des économies de coût dans l’incertitude. Demandez aux fournisseurs de tester vos données dans le cadre d’un pilote et d’examiner si leurs résultats reflètent véritablement l’incertitude (par exemple, une gamme de scénarios) ou simplement un seul chiffre. Vérifiez si leurs recommandations changent lorsque les conditions évoluent (indiquant une capacité d’adaptation), ou s’il s’agit essentiellement de règles statiques. Beaucoup de fournisseurs faibliront lorsqu’ils seront mis au défi sur ces aspects. Ceux qui se distinguent seront ceux qui ont construit leurs solutions sur des bases analytiques solides plutôt que sur du sable mouvant marketing.

En fin de compte, l’optimisation de stocks efficace nécessite de marier une bonne science à une exécution pratique. Comme le montre cette étude, très peu de fournisseurs excellent dans les deux domaines. Ceux qui y parviennent se démarquent clairement – et ceux qui ne le font pas, nous les avons exposés en détail avec citations et faits. Nous exhortons les décideurs à utiliser cette information pour percer le bruit marketing et faire des choix fondés sur la vérité et les preuves, et non sur du battage.