La prévision probabiliste dans Supply Chains : Lokad vs. d'autres fournisseurs de logiciels d'entreprise, juillet 2025

Par Léon Levinas-Ménard

Dernière modification : 23 juillet 2025

Résumé Exécutif

Approche probabiliste unique de Lokad : Lokad a été pionnier dans l’utilisation de la prévision probabiliste dans l’optimisation de la supply chain, allant au-delà des estimations ponctuelles pour modéliser des distributions complètes des incertitudes de la demande et de l’offre. Depuis 2012, Lokad a construit sa plateforme autour de ce concept – estimant des distributions de probabilité entières (et non pas seulement des prévisions uniques ou quelques quantiles) et les utilisant pour optimiser les décisions ¹ ². Cela permet de prévoir toutes les sources d’incertitude (par exemple, la variabilité de la demande et des délais de livraison) et de calculer des plans optimisés de stocks ou de production qui tiennent compte de ces incertitudes ². Le résultat est une approche centrée sur la décision qui transforme les prévisions en actions optimisées en situation d’incertitude, plutôt que de traiter la prévision et la planification comme des étapes séparées.

Les affirmations « probabilistes » des concurrents vs. la réalité : Suite à l’avance de Lokad, de nombreux grands fournisseurs de logiciels supply chain ont adopté le vocabulaire de la prévision probabiliste – mais principalement sans la même substance. Des fournisseurs tels que ToolsGroup, Blue Yonder, o9 Solutions, SAP IBP, RELEX et Kinaxis saupoudrent désormais des termes comme « probabiliste » ou « stochastique » dans leur marketing. Cependant, un examen plus approfondi révèle des différences clés :

ToolsGroup (SO99+): Pionnier de longue date du terme « stochastique », mais l’utilisation moderne du terme probabiliste est partielle. Ils génèrent des distributions de demande (prévisions par quantiles) pour les stocks, pourtant ils ne prévoient pas les délais de livraison comme des variables aléatoires, se basant sur des entrées de délai fixes ³. Notamment, depuis 2018, ToolsGroup a vanté des « prévisions probabilistes » tout en mettant en avant des améliorations de l’exactitude MAPE – une contradiction, puisque le MAPE ne s’applique pas aux prévisions probabilistes ⁴. Cela suggère que leur mise en avant du probabilisme était plus un mot à la mode qu’un changement fondamental.
Kinaxis (RapidResponse/Maestro) : Historiquement axé sur la planification déterministe en mémoire. Ce n’est que récemment (2022–2023) que Kinaxis a adopté les méthodes probabilistes en s’associant à Wahupa (pour l’optimisation probabiliste des stocks) et en acquérant une entreprise de prévision par IA. Kinaxis a même déposé des brevets ML pour la prévision par quantiles en 2023 ⁵ ⁶, indiquant une transition vers des techniques probabilistes. Cependant, ces fonctionnalités sont nouvelles et non éprouvées, fournissant essentiellement des prévisions par quantiles (intervalles de prédiction) plutôt que la modélisation complète des distributions que fait Lokad. L’initiative Wahupa (moteur multi-niveaux probabiliste) a, jusqu’à présent, eu un impact visible limité, soulignant les défis d’intégrer la logique probabiliste dans une plateforme établie.
Blue Yonder (anciennement JDA) : Un géant des logiciels supply chain avec des moteurs de planification hérités (déterministes). Le message récent de la plateforme Luminate de Blue Yonder mentionne la prévision « autonome » et « probabiliste », mais les preuves sont rares quant au fait que ses moteurs essentiels fournissent réellement des distributions de probabilité complètes ⁷. En pratique, BY semble s’en tenir aux prévisions ponctuelles traditionnelles (méthodes de séries temporelles telles que ARIMA) avec des formules de stock de sécurité, ajoutant peut-être des ajustements pilotés par ML. Il n’y a aucune indication que Blue Yonder modélise l’incertitude des délais de livraison ou produise le type d’optimisation probabiliste de bout en bout réalisée par Lokad ⁸ ⁹. La terminologie « probabiliste » semble ainsi n’être qu’un ressort de communication pour de légères améliorations d’une approche fondamentalement déterministe.
SAP IBP (Integrated Business Planning) : La suite de planification de SAP a hérité d’un moteur probabiliste grâce à son acquisition de SmartOps en 2013 (qui réalisait l’optimisation multi-niveaux des stocks en utilisant des modèles de variabilité de la demande). En théorie, IBP for Inventory peut tenir compte de la variabilité de la demande et même de certaines variabilités de l’offre ¹⁰. En pratique, l’accent de SAP est mis sur l’intégration et les processus ; la prévision probabiliste n’est pas mise en avant dans leur communication ¹¹. La plupart des déploiements de SAP IBP utilisent encore des prévisions ponctuelles et des stocks de sécurité définis par l’utilisateur ; les délais de livraison sont généralement des entrées fixes (avec des marges optionnelles) plutôt que des incertitudes prévues par le système ¹¹. Ainsi, bien que la capacité existe profondément dans le logiciel, SAP n’a pas opérationnalisé les méthodes probabilistes comme un facteur de différenciation essentiel, et de nombreux utilisateurs risquent de ne pas exploiter ces fonctionnalités avancées.
o9 Solutions : Une plateforme plus récente qui commercialise un « Digital Brain » pour la planification supply chain. o9 se concentre sur la planification intégrée en temps réel (demande, offre, finance) avec une analyse de scénarios et l’intégration du big data. Sa force réside dans l’unification des silos de données et de planification, mais pas dans la prévision probabiliste spécifique dans laquelle Lokad excelle ¹². Les fonctionnalités AI/ML d’o9 aident principalement à l’analyse prédictive et aux simulations de type « what-if », plutôt qu’à produire des distributions de probabilité explicites pour chaque variable. En bref, o9 fournit une vaste boîte à outils de planification (avec des modèles de données basés sur des graphes et des recalculs rapides de scénarios « what-if »), tandis que Lokad offre une modélisation de l’incertitude et une optimisation plus approfondies. Les entreprises recherchant une rigueur probabiliste totale dans leurs prévisions pourraient trouver l’approche d’o9 plus incrémentale (prévisions ponctuelles augmentées) comparée à l’optimisation stochastique complète de Lokad ¹².
RELEX Solutions : Un fournisseur en pleine croissance, axé sur le secteur du retail, connu pour ses prévisions à haute fréquence et le réapprovisionnement automatisé (populaire pour l’alimentation et la mode). RELEX vante des prévisions de demande « pilotées par l’IA » et des analyses en temps réel, mais il ne produit pas de distributions de probabilité complètes pour la demande comme le fait Lokad ¹³. Les prévisions sont améliorées grâce au machine learning (et à la détection de la demande à court terme) mais restent essentiellement des prévisions ponctuelles améliorées. De manière critique, RELEX ne considère pas les délais de livraison comme probabilistes non plus ¹⁴ – les utilisateurs saisissent les délais de livraison et éventuellement des facteurs de variabilité manuels. Ainsi, malgré une architecture cloud moderne et des revendications en matière d’IA, RELEX repose sur des méthodes conventionnelles (avec un peu de ML) en coulisses ¹⁵. Son utilisation de la terminologie « probabiliste » est minimale ; l’accent est davantage mis sur la réactivité à court terme que sur la modélisation mathématique de chaque incertitude.

Conclusion : L’approche probabiliste de Lokad demeure hautement différenciée. Elle se distingue par l’intégration authentique de l’incertitude de bout en bout – prévoyant toutes les distributions pertinentes et optimisant les décisions en conséquence. D’autres fournisseurs ont, à des degrés divers, emprunté le mot à la mode ou ajouté des éléments de technologie probabiliste (souvent seulement des prévisions par quantiles ou des marges de risque) pour paraître à la pointe. Pourtant, comme détaillé dans ce rapport, aucun ne rivalise avec la profondeur de l’approche de Lokad en pratique. La plupart retombent encore sur des paradigmes de planification déterministe avec de simples remarques superficielles sur l’incertitude (par exemple, en utilisant quelques quantiles ou une logique de « safety stock » plutôt qu’une véritable optimisation stochastique). Les développements récents – tels que les brevets et partenariats de Kinaxis ou le rebranding IA de Blue Yonder – montrent que l’industrie reconnaît que les méthodes probabilistes représentent l’avenir. Cependant, la substance est en deçà du marketing chez ces acteurs établis. Les dirigeants évaluant des solutions supply chain « probabilistes » devraient donc examiner de près si l’offre d’un fournisseur se contente d’utiliser le mot ou s’il adopte véritablement le paradigme probabiliste pionnier de Lokad.

Introduction

Au cours de la dernière décennie, la prévision probabiliste est apparue comme une innovation clé dans la planification supply chain. Contrairement aux prévisions déterministes traditionnelles qui fournissent une valeur attendue unique, une prévision probabiliste donne une plage de résultats possibles avec des probabilités associées ¹⁶. Cela est crucial pour l’optimisation de la supply chain : des décisions telles que la quantité de stocks à conserver ou la planification de la production doivent tenir compte de la variabilité de la demande, des délais de livraison des fournisseurs, des retards de transport et d’autres incertitudes. Dès 2012, Lokad a reconnu que les prévisions classiques (même les prévisions « meilleure estimation » ou médianes) étaient insuffisantes pour de telles décisions, puisqu’elles ignorent le risque de résultats plus élevés ou plus faibles. Lokad a commencé à produire des prévisions par quantiles en 2012 – essentiellement des prévisions biaisées destinées à des niveaux de service spécifiques ou à des compromis de coût – et en 2015, il a évolué vers la prévision des distributions entières (via des « grilles de quantiles ») ¹⁷ ¹⁸. En 2016, Lokad a pleinement adopté la prévision probabiliste, estimant explicitement des distributions complètes de la demande plutôt que des points uniques ¹⁹ ²⁰. Cela a été suivi par le développement de techniques d’optimisation stochastique qui prennent ces distributions comme entrées pour calculer les décisions optimales en situation d’incertitude ²⁰ ²¹.

Aujourd’hui, l’approche de Lokad (parfois commercialisée sous le nom de “Forecasting & Optimization” ou “Quantitative Supply Chain”) intègre étroitement la prévision et l’optimisation des décisions ²² ²³. En utilisant son langage spécifique au domaine Envision, Lokad modélise les incertitudes (par exemple, la variabilité de la demande, la fiabilité des fournisseurs, la distribution des délais de livraison, etc.) et les contraintes commerciales (coûts des stocks, objectifs de service, limites de capacité), puis produit un plan optimisé (quantités à commander, plannings de production, etc.) qui maximise la performance attendue compte tenu des incertitudes ²⁴ ². L’essentiel est que l’incertitude n’est pas une réflexion après coup – elle est intégrée dans les calculs. Cela contraste avec les outils traditionnels qui génèrent souvent une unique prévision, puis ajoutent des marges (stock de sécurité, délai de sécurité) de manière heuristique. Le succès de Lokad dans le concours M5 de prévision en 2020 (ayant atteint la première place en termes d’exactitude au niveau SKU dans le monde) a encore démontré son leadership en modélisation prédictive. Plus important encore, Lokad soutient que la seule précision ne suffit pas – il faut prendre des décisions optimales à partir de ces prévisions probabilistes ²⁵ ²³.

Alors que Lokad a gagné en popularité grâce à cette approche probabiliste, d’autres fournisseurs de logiciels supply chain ont pris note. Au milieu des années 2010, des termes comme « stochastique », « prévision probabiliste » et « planification pilotée par l’IA » ont commencé à apparaître dans les brochures des concurrents. Vers la fin des années 2010, un certain nombre de fournisseurs ont commencé à commercialiser une forme de capacité probabiliste – du moins de nom. Le défi pour les dirigeants supply chain est de démêler ce marketing : comment ces fournisseurs définissent-ils le terme « probabiliste » et en quoi leurs solutions diffèrent-elles de celle de Lokad ? Ce rapport examine l’approche de Lokad par rapport à celle de plusieurs fournisseurs de premier plan : ToolsGroup, Kinaxis, Blue Yonder (BY), SAP IBP, o9 Solutions et RELEX Solutions. Nous nous concentrons sur la manière dont chaque fournisseur aborde l’incertitude dans la prévision et la planification :

Produisent-ils des distributions de probabilité complètes ou seulement des prévisions ponctuelles / des prédictions numériques uniques ?
Si des distributions sont évoquées, concernent-elles uniquement la demande ou aussi les délais de livraison et autres facteurs ?
Ont-ils démontré leur expertise en prévision (par exemple, lors de concours ou à travers des indicateurs publiés), ou s’agit-il principalement de mots à la mode ?
Comment intègrent-ils l’incertitude dans la prise de décision (par exemple, une véritable optimisation stochastique par opposition à de simples formules de stock de sécurité) ?
Leurs revendications en matière d’« AI/ML » sont-elles étayées par des spécificités techniques, ou s’agit-il d’adapter d’anciennes méthodes avec une nouvelle terminologie ?

En explorant ces questions, nous pouvons comprendre l’écart entre Lokad et ses concurrents en matière d’optimisation probabiliste de supply chain. Ci-dessous, nous détaillons la position et les capacités de chaque fournisseur, en soulignant comment le terme « probabiliste » est interprété dans la pratique – et s’il tient la promesse que Lokad incarne.

L’approche probabiliste de Lokad : Distributions complètes & Optimisation des décisions

La philosophie de Lokad est que de meilleures décisions découlent d’une meilleure compréhension de l’incertitude. Concrètement, cela signifie prévoir la distribution de probabilité complète de la demande future (et d’autres incertitudes) puis calculer directement les décisions qui optimisent les indicateurs (tels que le taux de service, le coût ou le profit) en utilisant ces distributions comme données d’entrée. Plusieurs éléments rendent l’approche de Lokad unique :

Adoption précoce et innovation : Lokad était près d’une décennie en avance sur le marché en promouvant les prévisions probabilistes. Dès 2012, Lokad a publiquement défendu l’idée de dépasser les moyennes – en introduisant des prévisions par quantiles adaptées aux objectifs commerciaux ²⁶ ¹. Entre 2015 et 2016, Lokad est passé à la prévision probabiliste complète, signifiant que pour chaque article, il produit une distribution de probabilité entière de la demande sur le délai de livraison (ou tout autre horizon pertinent) ¹⁹ ²⁰. Cela a constitué un changement radical par rapport à la norme de l’industrie consistant à générer un nombre par article-période. L’investissement de Lokad dans ce domaine en a fait « l’un des rares fournisseurs à mettre réellement en œuvre la prévision probabiliste (demande et offre) et la véritable optimisation stochastique » en pratique ².
Modélisation de toutes les sources d’incertitude : Contrairement à la plupart des outils qui ne modélisent que l’incertitude de la demande (et considèrent les délais de livraison des fournisseurs ou d’autres facteurs comme fixes), Lokad modélise explicitement chaque facteur stochastique significatif. Par exemple, si les délais de livraison des fournisseurs varient, Lokad prévoira une distribution des délais de livraison (par exemple, une probabilité de 10 % qu’un délai s’étende à 8 semaines au lieu de 6 semaines en moyenne). S’il y a une incertitude sur le rendement de fabrication ou un risque de retard de transport, ceux-ci peuvent également être modélisés en tant qu’entrées probabilistes. La documentation de Lokad insiste sur la prévision à la fois des incertitudes de demande et d’offre et leur intégration dans l’optimisation ². Cette approche globale signifie que les décisions résultantes (comme la quantité de stocks à conserver) protègent contre toute variabilité majeure, et pas seulement contre les fluctuations de la demande. En revanche, un fournisseur qui ignore la variabilité des délais de livraison pourrait sous-stocker par manque d’anticipation d’un fournisseur en retard (ou surstocker « juste au cas où », sans connaître la réelle distribution du risque).
Entrées probabilistiques pour l’optimisation (et pas seulement des prévisions) : De manière cruciale, Lokad ne se contente pas de prévoir des distributions ; il les utilise dans des modèles d’optimisation mathématique pour en déduire des décisions. La plateforme Envision de Lokad permet de concevoir une fonction objective (par exemple maximiser le profit espéré ou minimiser le coût total) qui est évaluée selon l’ensemble des issues probabilistiques ²⁵ ²³. Des techniques telles que la simulation d’événements discrets stochastique et l’optimisation stochastique (Lokad a introduit des méthodes comme la descente discrète stochastique en 2021 pour résoudre ces problèmes ²⁰) calculent la meilleure décision en pondérant des milliers de scénarios futurs possibles (extraits de la distribution des prévisions). Cela produit des recommandations telles que commander X unités dès maintenant (ou fixer le point de commande à Y), avec des probabilités connues de rupture de stocks ou de surstock basées sur la prévision. C’est un pipeline holistique de prévision à décision : données → prévision probabilistique → décision optimisée. De nombreux fournisseurs, en revanche, fournissent soit des prévisions et laissent le reste aux planificateurs, soit utilisent des règles simplistes (comme « stock de sécurité = Z * σ de la demande ») qui ne sont pas de véritables optimisations.
Transparence et Personnalisation : Lokad a fait l’effort de rendre son approche white-box. Envision est un moteur entièrement programmable dans lequel une entreprise peut ajuster le modèle à ses réalités. Par exemple, si l’obsolescence est une préoccupation, il est possible de modéliser une probabilité que la demande chute à zéro après une certaine date ; s’il y a un risque d’échec d’un fournisseur, on peut intégrer ce scénario. Cette flexibilité garantit que le « modèle probabilistique » n’est pas une boîte noire – il est compréhensible et ajustable, ce qui contraste avec l’IA boîte noire universelle de certains fournisseurs. De plus, les résultats et méthodes de Lokad ont été documentés en détail sur leur site web et dans des conférences sur YouTube (supply chain “Lokad TV”), reflétant un niveau de transparence technique peu commun dans les logiciels d’entreprise ²⁷ ²⁵.
Performance Prouvée : La crédibilité de Lokad en matière de prévision probabilistique est étayée par des benchmarks externes. Un point fort souvent cité est la performance de Lokad dans la compétition M5 (un concours mondial de prévisions) où elle a atteint une précision de premier ordre au niveau du SKU/article ²⁸. Cela compte car c’est une preuve objective que la technologie de prévision de Lokad est à la pointe. De plus, en étant cloud-native et entièrement automatisé, Lokad garantit que ces techniques avancées peuvent fonctionner à grande échelle sans intervention manuelle – une ré-optimisation quotidienne ou hebdomadaire peut se faire « sans intervention », ce qui est essentiel pour la praticité. En bref, Lokad allie science de pointe et automatisation, visant à éliminer le compromis traditionnel entre modèles sophistiqués et facilité d’utilisation.

En résumé, l’approche probabilistique de Lokad signifie une véritable planification stochastique de bout en bout : des incertitudes granulaires sont prévues, puis directement converties en décisions qui optimisent les résultats en situation d’incertitude. Ce n’est pas simplement un module ou une fonctionnalité, mais le cœur de la plateforme de Lokad. Le reste de ce rapport utilisera la norme de Lokad comme étalon pour examiner comment d’autres fournisseurs ont (ou n’ont pas) intégré la prévision probabilistique.

Fournisseurs concurrents et leurs approches “probabilistiques”

Alors que les méthodes probabilistiques gagnaient en attention, d’autres fournisseurs de logiciels supply chain ont réagi de diverses manières. Certains, ayant des racines dans des techniques stochastiques, ne les ont peut-être pas beaucoup développées récemment ; d’autres ont ajouté de nouvelles capacités ou ont tout simplement rebrandé certains aspects de leurs outils existants avec une terminologie probabilistique. Ci-dessous, nous examinons l’approche de chaque fournisseur majeur :

ToolsGroup – Innovateur stochastique précoce, mais axé sur les quantiles et uniquement sur la demande

Contexte : ToolsGroup est un vétéran de la planification supply chain (fondé en 1993) et est souvent reconnu pour l’utilisation précoce de modèles stochastiques, notamment pour la prévision des pièces de rechange. Dans les années 1990, ToolsGroup a introduit des méthodes qui remettaient en cause la planification purement déterministe en modélisant statistiquement la variabilité de la demande (par exemple, en utilisant la distribution de Poisson ou d’autres distributions pour une demande intermittente) ²⁹. Cet héritage signifie que ToolsGroup parle depuis longtemps de prévision probabilistique – en effet, leur système phare Service Optimizer 99+ (SO99+) calcule depuis des années des “stocks de sécurité statistiques” basés sur la variabilité. Dans le marketing moderne, ToolsGroup continue d’affirmer que “la prévision probabilistique de la demande (également appelée prévision stochastique) est la pierre angulaire d’une planification efficace” ³⁰.

Probabilistique en pratique : Malgré cet héritage, l’approche actuelle de ToolsGroup semble limitée en portée comparée au cadre probabilistique complet de Lokad. Notamment :

Distributions de demande, mais paramètres d’approvisionnement statiques : ToolsGroup génère des distributions de demande plutôt que des prévisions ponctuelles. Par exemple, SO99+ peut produire une courbe “stock-to-service”, qui montre essentiellement la distribution de probabilité de la demande sur le délai de livraison ainsi que le taux de service atteint pour un niveau de stock donné ³¹. Cela implique que le moteur de ToolsGroup simule ou déduit analytiquement la distribution de la demande pendant un délai de réapprovisionnement – un résultat probabilistique utile. Cependant, ToolsGroup ne va pas jusqu’à une modélisation probabilistique complète car il considère le délai de livraison comme une donnée d’entrée, et non comme une incertitude prévisible. Dans la documentation de ToolsGroup, les délais de livraison figurent parmi les “paramètres d’approvisionnement” que l’utilisateur fournit au modèle ³². Il n’est pas indiqué que SO99+ analysera la performance historique des fournisseurs pour produire une distribution de probabilité du délai de livraison. Au mieux, l’utilisateur pourrait entrer une moyenne et un écart-type pour le délai de livraison, et l’outil intégrera cela de manière déterministe dans les calculs des stocks de sécurité ³³. Cela signifie que ToolsGroup ignore une source majeure d’incertitude – si, par exemple, le délai de livraison d’un fournisseur double occasionnellement en raison de perturbations, l’optimisation de ToolsGroup pourrait ne pas tenir pleinement compte de ce risque car il ne prévoit pas ce scénario ³⁴. En revanche, Lokad ou une approche probabilistique “complète” modéliserait explicitement une probabilité de 10 % (par exemple) que le délai de livraison double et ajusterait les recommandations de stock en conséquence. L’absence de prévision probabilistique des délais de livraison a conduit une analyse à conclure : “ToolsGroup échoue au test probabilistique complet – il mentionne les délais de livraison uniquement comme des entrées statiques, et non comme des incertitudes prévisionnelles” ³².
Poussée “probabilistique” de 2018 et confusion autour du MAPE : ToolsGroup a commencé à faire largement la promotion des “prévisions probabilistiques” autour de 2018, vraisemblablement en réaction aux tendances du marché. Cependant, cette démarche marketing a été minée par un apparent manque de compréhension (ou de transparence) sur la façon de mesurer la performance d’une prévision probabilistique. Plus précisément, les documents de ToolsGroup de l’époque associaient des affirmations sur la prévision probabilistique à des affirmations d’amélioration du MAPE (erreur en pourcentage absolu moyenne) ⁴. Le MAPE est une métrique d’exactitude pour une prévision ponctuelle – il mesure l’écart entre une valeur de prévision unique et la demande réelle. Pour une prévision probabilistique (qui produit une distribution ou plusieurs quantiles), le MAPE n’est pas applicable ³⁵. On ne peut pas calculer “le MAPE d’une prévision de distribution” sans d’abord la réduire à une valeur ponctuelle (allant ainsi à l’encontre de l’objectif du résultat probabilistique). Ainsi, l’affirmation de ToolsGroup concernant un meilleur MAPE parallèlement à la prévision probabilistique indique soit qu’ils utilisaient toujours effectivement une prévision ponctuelle (peut-être la médiane) pour mesurer l’erreur, soit qu’il s’agissait d’une erreur marketing. Quoi qu’il en soit, cela a suscité des doutes : “Une confusion aussi évidente suggère que l’initiative probabilistique de ToolsGroup pourrait être plus du battage médiatique que de la réalité” ⁴. En d’autres termes, ToolsGroup a peut-être ajouté des fonctionnalités probabilistiques (comme fournir une plage ou certains quantiles) mais a continué à évaluer et à penser en termes déterministes en interne.
Accent sur les quantiles (taux de service) : D’après les informations disponibles, l’utilisation par ToolsGroup des données probabilistiques sert en grande partie à atteindre des taux de service cibles. Un planificateur utilisant ToolsGroup définit généralement un taux de service désiré (par exemple 95 % ou 99 %), et le système calcule les niveaux de stock requis pour l’atteindre, compte tenu de la variabilité de la demande. Ceci est réalisé en se basant sur les quantiles supérieurs de la distribution de la demande. Par exemple, si l’objectif est un service à 95 %, ToolsGroup veillera à ce que les stocks couvrent le 95e percentile de la demande sur le délai de livraison. Il s’agit effectivement de prévision par quantile : calculer le 95e percentile de la demande. Bien que cela soit utile, c’est une forme limitée de prévision probabilistique – le système pourrait calculer un ou deux quantiles (par exemple P50 et P95) pour fixer les stocks de sécurité, plutôt que de tirer parti de la forme complète de la distribution pour une décision optimisée en fonction des coûts.
Pas de percées majeures en IA/ML : ToolsGroup intègre le machine learning dans ses prévisions, mais les analyses indiquent qu’il s’agit de techniques relativement standards (régression, modèles de séries temporelles avec éventuellement quelques ajustements ML). Les affirmations de ToolsGroup concernant l’“IA” ont été accueillies avec scepticisme ³⁶ ³⁷ – des experts notant que les informations publiques sur ToolsGroup montrent l’utilisation de modèles de prévision antérieurs à 2000 ³⁸ (comme la méthode de Croston pour la demande intermittente). La société n’a pas démontré de nouveaux algorithmes probabilistiques (par exemple, aucune preuve de prévisions probabilistiques basées sur le deep learning ou de participation à des concours). Ainsi, sa prévision probabilistique peut être considérée comme une extension de ses modèles statistiques classiques (ajoutant davantage de sorties), plutôt qu’un nouveau paradigme.

Verdict sur ToolsGroup : ToolsGroup demeure une solution crédible et éprouvée pour l’optimisation des stocks avec une longue expérience. Elle a adopté les concepts probabilistiques il y a des décennies, mais l’ampleur de cette adoption semble limitée aujourd’hui. Elle modélise l’incertitude de la demande et calcule les stocks de sécurité en conséquence, ce qui est précieux. Pourtant, en ignorant la prévision explicite des délais de livraison et en mélangeant des sorties probabilistiques avec une pensée déterministe (par exemple le MAPE), l’approche “probabilistique” de ToolsGroup manque de la complétude et de la rigueur de celle de Lokad ³². Comme l’a exprimé une critique, l’utilisation par ToolsGroup de mots à la mode modernes ne correspond pas toujours à la réalité sous-jacente – “mélanger des mots à la mode modernes avec des techniques old-school” ³⁸. Les entreprises doivent comprendre que ToolsGroup aidera à déterminer les cibles de stocks pour un taux de service donné en situation d’incertitude de la demande, mais qu’il ne quantifiera pas nécessairement tous les risques ou ne ré-optimisera pas les décisions dans chaque scénario stochastique de la manière qu’une optimisation probabilistique complète le ferait.

Kinaxis – Origines déterministes avec nouvelle prévision par quantile et compléments probabilistiques pour les stocks

Contexte : Kinaxis est connu pour sa plateforme RapidResponse (récemment rebaptisée “Kinaxis Maestro”), qui a été, pendant des années, un leader dans la planification supply chain, en particulier dans le Sales & Operations Planning (S&OP) et l’analyse de scénarios. La marque de fabrique de Kinaxis est un moteur de calcul rapide en mémoire qui permet aux planificateurs de réaliser des simulations en temps réel – par exemple, “et si la demande augmentait de 10 %” – et de voir instantanément les impacts sur la supply chain. Historiquement, Kinaxis ne se focalisait pas sur le rôle de moteur de prévision lui-même ; il consommait plutôt des prévisions provenant d’ailleurs ou utilisait des méthodes simples, en mettant l’accent sur l’intégration et la rapidité dans la re-planification de l’approvisionnement, de la capacité et des stocks.

Transition vers des méthodes probabilistiques : Ces dernières années, Kinaxis a clairement reconnu la tendance du secteur (et la demande des clients) pour des prévisions plus avancées et une gestion des incertitudes. Plusieurs évolutions illustrent ce changement :

Partenariat avec Wahupa (2022) : En mai 2022, Kinaxis a annoncé un partenariat avec Wahupa – une petite entreprise de logiciels spécialisée dans l’optimisation probabilistique multi-échelons des stocks (MEIO) ³⁹. Le moteur de Wahupa est conçu pour quantifier l’incertitude (dans la demande et l’approvisionnement) et optimiser les marges de stocks à travers des réseaux complexes en utilisant des modèles probabilistiques. L’idée était d’intégrer le MEIO probabilistique de Wahupa dans la plateforme de Kinaxis (comme une “extension de solution”) ⁴⁰ ⁴¹. Cela offrirait aux clients de Kinaxis un moyen de calculer les cibles de stocks avec une logique probabilistique, plutôt que par les méthodes traditionnelles déterministes ou basées sur des règles. Kinaxis a même co-écrit des articles de blog avec le PDG de Wahupa pour discuter de la planification probabilistique vs. déterministe, montrant ainsi qu’ils faisaient la promotion de cette approche ⁴² ⁴³. Cependant, l’intégration de Wahupa semble avoir rencontré des obstacles. Fin 2023/début 2024, des observateurs du secteur ont noté que cette alliance avait montré peu de progrès visibles – la capacité MEIO probabilistique n’était pas encore largement référencée dans les études de cas ou témoignages de Kinaxis. Des rapports non confirmés (et le ton des recherches de Lokad) suggèrent que l’intégration de Wahupa n’a pas pris d’essor et a peut-être été discrètement dépriorisée ou mise de côté, essentiellement un “petit fiasco.” Le rapport annuel 2024 de Kinaxis répertorie encore Wahupa en tant que partenaire, mais il existe peu de preuves de succès. Cela souligne à quel point il peut être difficile pour une plateforme de planification établie d’ajouter un nouveau moteur d’optimisation probabilistique qui n’était pas initialement intégré dans son modèle de données ⁴⁴ ⁴⁵.
Acquisition de Rubikloud (2020) : Kinaxis a acquis Rubikloud, une entreprise de machine learning spécialisée dans la prévision de la demande dans le retail et l’IA, en 2020. La technologie de Rubikloud incluait vraisemblablement des prévisions modernes basées sur le ML capables de produire non seulement des prévisions ponctuelles mais aussi des intervalles de prédiction (une sortie probabilistique de base). Cette acquisition était un signe précoce que Kinaxis cherchait à renforcer ses capacités de prévision de la demande avec l’IA. En 2023, Kinaxis a commencé à commercialiser une suite appelée “Planning.AI” qui intègre des prévisions ML avancées dans la plateforme de planification ⁴⁶.
Brevets pour la prévision par quantile basée sur ML (2023) : En 2023, Kinaxis a déposé une demande de brevet aux États-Unis pour une méthode de prévision utilisant des modèles de machine learning et la détermination d’un ensemble de quantiles pour un échantillon de demande inconnu ⁵ ⁴⁷. Le brevet décrit l’entraînement de modèles basés sur des arbres sur des données historiques, puis la génération de valeurs synthétiques pour calculer une gamme de quantiles comme prévision de sortie ⁴⁸ ⁴⁹. Le but est explicitement d’« optimiser stocks en fonction de l’ensemble de quantiles » ⁵⁰. En essence, il s’agit d’une formalisation de la prévision par quantile avec ML – le résultat serait quelque chose du genre : pour un produit donné, le modèle pourrait fournir des prévisions de demande P50, P75, P90 (ou tout quantile spécifié), et celles-ci pourraient être utilisées pour décider des niveaux de stocks. Le fait que Kinaxis ait déposé un brevet ici indique qu’ils développent en interne une propriété intellectuelle pour la prévision de demande probabiliste (bien que, notoirement, les prévisions par quantile restent une sous-catégorie des prévisions de distribution complète et une forme comparativement « faible » de modélisation probabiliste, comme l’a justement noté la requête utilisateur).
Communication prudente & évolution : Kinaxis a été quelque peu prudent dans son marketing autour de l’IA et des prévisions probabilistes. Contrairement à certains concurrents, il n’a pas enveloppé sa marque de revendications de « magie de l’IA ». Au lieu de cela, il met souvent l’accent sur une combinaison d’intelligence humaine et machine, ainsi que sur le terme « planification concurrente » (what-if en temps réel). Cependant, à mesure qu’il a ajouté ces nouvelles capacités, Kinaxis discute maintenant de l’incertitude de façon plus ouverte. Le fait qu’un blog de Kinaxis ait exploré des concepts de théorie des probabilités est un signe positif ⁴². Néanmoins, Kinaxis reconnaît qu’il est en chemin : « vers une automatisation accrue des décisions en situation d’incertitude, quoique héritée d’un passé déterministe » ⁵¹. À début 2025, les fonctionnalités probabilistes sont naissantes. Par exemple, Kinaxis n’a pas participé à des compétitions de prévisions ouvertes, ni publié de livres blancs techniques démontrant l’efficacité de ses nouveaux moteurs probabilistes. Ainsi, la preuve de maturité est limitée ⁵².

Ce que Kinaxis offre actuellement : Avec ces changements, Kinaxis offre désormais (ou offrira bientôt) deux éléments probabilistes principaux :

MEIO probabiliste (via Wahupa) : Une optimisation de stocks qui peut calculer des marges de sécurité optimales en tenant compte de la variabilité de la demande à travers plusieurs niveaux. Si elle est mise en œuvre avec succès, cela serait analogue aux fonctionnalités d’un ToolsGroup ou de SmartOps, mais potentiellement plus avancé s’il utilise des simulations de Monte Carlo ou similaires. Cela permettrait de répondre à des questions telles que « Compte tenu de la distribution de la demande à chaque nœud et de l’incertitude en approvisionnement, quel stock de sécurité dois-je conserver à chaque site pour atteindre un service X ou minimiser les coûts ? ».
Prévision de la demande basée sur ML avec quantiles : Un module de prévision par IA (provenant de Rubikloud/Planning.AI) qui produit non seulement une prévision mais aussi une plage (par exemple, une bande haute-basse). Cela peut améliorer la planification en apportant une notion de risque (par exemple, il y a 10 % de chances que la demande dépasse la prévision P90). Les planificateurs ou les algorithmes peuvent alors ajuster les plans en conséquence (par exemple, une production accrue pour couvrir cette extrémité si le risque vaut la peine d’être atténué).

Cependant, il est important de noter que ces capacités peuvent actuellement être séparées et ne sont pas profondément unifiées dans la Platforme. La force de Kinaxis reste la capacité de recalculer rapidement les plans en fonction de nouvelles entrées. Mais si ces entrées (prévisions, paramètres de stock de sécurité) sont désormais probabilistes, Kinaxis doit s’assurer que son interface et son processus peuvent gérer cela (par exemple, en présentant aux planificateurs non pas un seul plan mais des résultats sous forme de distributions). Ce n’est pas trivial.

Verdict sur Kinaxis : Kinaxis se met à jour par rapport à la tendance probabiliste. Elle a pris des mesures concrètes (partenariats, acquisitions, R&D) pour intégrer la modélisation de l’incertitude. Pourtant, à l’heure actuelle, l’approche de Kinaxis pourrait être caractérisée comme l’ajout de prévisions par quantile et d’add-ons stochastiques à un outil de planification fondamentalement basé sur des scénarios. Ce n’est pas (encore) un paradigme où chaque calcul est effectué sous forme de distribution en interne. L’entreprise elle-même reconnaît cette transition – elle insiste toujours sur le fait que les planificateurs utilisent l’outil pour évaluer les scénarios et que l’automatisation est appliquée de manière contrôlée ⁵³ ⁵⁴ (par exemple, en exécutant automatiquement certaines décisions de planification si elles respectent des seuils, plutôt qu’en étant entièrement autonome). En somme, les capacités probabilistes de Kinaxis sont des améliorations incrémentales plutôt qu’une réinvention totale. Elles fournissent plus d’informations sur l’incertitude qu’auparavant, mais la logique fondamentale de planification reste à prouver au niveau de la sophistication de l’approche de Lokad. Les utilisateurs potentiels devraient surveiller la profondeur d’intégration du MEIO Wahupa (le cas échéant) et vérifier si Kinaxis peut démontrer que ses prévisions par quantile conduisent à de meilleurs résultats en supply chain. À partir de 2025, on pourrait dire que Kinaxis est probabiliste sur le papier, avec des brevets et des partenariats, mais la substance reste en cours de développement.

Blue Yonder – Géant de la planification héritée adoptant une terminologie probabiliste sans changements profonds

Contexte : Blue Yonder (BY), anciennement connu sous le nom de JDA Software, est un poids lourd du logiciel supply chain, offrant des solutions de prévision de demande, de planification d’approvisionnement, de merchandising, et plus encore. Il possède une longue histoire : JDA avait acquis Manugistics et i2 Technologies, deux grands acteurs du début des années 2000, héritant de leurs technologies. En 2020, JDA a adopté le nouveau nom Blue Yonder et a été par la suite acquis par Panasonic. La plateforme moderne de Blue Yonder s’appelle Luminate, qui vise à intégrer l’IA et une architecture cloud sur ces modules hérités.

Utilisation de « probabilistic » et de l’IA dans le marketing : Le marketing de Blue Yonder ces dernières années s’est fortement appuyé sur des mots à la mode tels que « planification autonome », « supply chain cognitive » et IA/ML. Ils ont explicitement mentionné la « prévision probabiliste » dans certains contextes – par exemple, la description sur Azure Marketplace pour la prévision de demande de Blue Yonder mentionne « prévisions autonomes et probabilistes » ⁵⁵. Blue Yonder a également publié des articles de blog sur des sujets tels que l’évaluation des prévisions probabilistes (calibration, netteté) ⁵⁶, indiquant que leurs équipes data science sont familières avec ces concepts. Toutefois, la question clé est de savoir dans quelle mesure tout cela relève de discussions théoriques par rapport à un produit implémenté.

Réalité dans les produits : Les preuves suggèrent que l’approche fondamentale de prévision et de planification de Blue Yonder reste en grande partie déterministe, avec quelques améliorations :

Moteur de prévision : La planification de la demande de Blue Yonder (désormais intégrée à Luminate Planning) utilise traditionnellement des algorithmes pour séries temporelles (comme le lissage exponentiel, ARIMA) éventuellement complétés par du machine learning pour la détection de la demande. Blue Yonder a mis en open source ou référencé certains outils tels que « tsfresh » (pour l’extraction de caractéristiques sur les séries temporelles) et une bibliothèque appelée « PyDSE » et « VikOS » qui se rapportent à ARIMA et à l’optimisation ⁵⁷. Une analyse des contributions open source de Blue Yonder a noté qu’ils s’appuyaient sur des méthodes vieillies de plusieurs décennies (ARIMA, régression) malgré le marketing autour de l’IA ⁵⁸ ⁵⁷. Cela indique qu’en coulisses, Blue Yonder n’utilise pas des algorithmes probabilistes de pointe (comme des régressions quantiles basées sur le deep learning ou des modèles graphiques probabilistes) ; il est plus probable qu’il utilise des méthodes de prévision éprouvées et peut-être qu’il superpose du ML pour ajuster ou sélectionner les modèles.
Sorties probabilistes : Blue Yonder produit-il réellement des prévisions probabilistes (des distributions) ? Il existe peu de preuves publiques qu’il produise par défaut des distributions complètes. Ils ont évoqué le « stock de sécurité dynamique » qui implique de recalculer les niveaux de stock de sécurité en fonction de la volatilité des prévisions – cela pourrait être interprété à tort comme une prévision probabiliste. Un scénario probable : Blue Yonder produit une prévision de base et une distribution d’erreurs (par exemple, calcule la variance de l’erreur de prévision). Il pourrait alors calculer, par exemple, une demande P90 sur le délai d’approvisionnement pour fixer le stock de sécurité (similaire à l’approche de ToolsGroup). Ce serait un quantile, mais pas un rapport de distribution complète. La documentation de Blue Yonder sur « cognitive inventory » a essentiellement reformulé l’optimisation probabiliste des stocks (niveaux de stocks basés sur des probabilités) mais sans fournir « aucun support technique » expliquant en quoi cela différait ⁵⁹. En résumé, Blue Yonder connaît les bons termes – ils reconnaissent qu’au lieu de stocks de sécurité statiques, il faut tenir compte de la variabilité de la demande de manière dynamique (probabilistiquement). Mais l’implémentation réelle repose vraisemblablement sur des formules traditionnelles de stock de sécurité (qui supposent que la variabilité de la demande suit une distribution normale, ou utilisent une recherche simple des percentiles à partir d’une distribution normale/Poisson en utilisant la moyenne et la variance des prévisions).
Incertitude du délai d’approvisionnement : Nous n’avons trouvé aucune mention de Blue Yonder prévoyant les délais d’approvisionnement ou traitant ces délais de manière stochastique dans ses solutions de planification. Il est raisonnable de supposer que BY, comme la plupart, considère le délai d’approvisionnement comme un paramètre fixe (peut-être avec une marge ajoutée par les planificateurs). Par conséquent, Blue Yonder ne répond pas aux critères probabilistes complets en ignorant explicitement l’incertitude côté approvisionnement ⁹. Il se concentre sur la prévision de la demande (et même là, principalement sur des prévisions ponctuelles).
Intégration vs Innovation : Blue Yonder est essentiellement une collection de nombreux modules. Certains modules (comme leur ESP – Enterprise Supply Planning, ou IO – Inventory Optimization) remontent aux algorithmes de Manugistics ou i2. Ceux-ci incluent vraisemblablement une optimisation de stocks multi-échelons qui était à la pointe dans les années 2000 (qui considérait analytiquement la variance de la demande). Mais le défi de Blue Yonder est qu’il ne s’agit pas d’un moteur unifié mais d’« une collection hétéroclite de produits, pour la plupart datés » ⁶⁰. Ils ont tenté de se moderniser en ajoutant une couche d’IA (Luminate) au-dessus, mais cela se limite souvent à des tableaux de bord et à des améliorations mineures pilotées par ML, plutôt que de réécrire les moteurs fondamentaux. Ainsi, toute revendication probabiliste doit être envisagée à la lumière de ce patchwork : une partie de BY pourrait produire un intervalle de confiance de prévision ; une autre partie (l’optimisation de stocks) pourrait utiliser une formule classique ; une autre partie pourrait simplement être une planification supply chain déterministe. La cohérence est discutable, et intégrer un flux de travail réellement probabiliste de bout en bout exigerait une refonte significative qui n’a pas été constatée.
Revendications vagues concernant l’IA : Des analystes ont souligné que les revendications en matière d’IA de Blue Yonder sont vagues et peu substantielles. Par exemple, BY a mentionné utiliser le ML pour augmenter les modèles probabilistes ⁵⁷, mais sans donner de détails sur les algorithmes utilisés ou leur efficacité. Blue Yonder a acquis quelques startups d’IA (comme Blue Yonder GmbH, une entreprise d’IA allemande, qui, ironiquement, est à l’origine du nouveau nom, puisque JDA a acquis cette société en 2018). Ils collaborent également avec certaines recherches universitaires. Mais rien de tout cela ne s’est traduit par des percées claires et publiées dans la prévision probabiliste de supply chain. Le marketing reste un cran au-dessus de la réalité technique.

Verdict sur Blue Yonder : Blue Yonder est bel et bien un exemple de « buzzwords avant la réalité ». Ils utilisent des termes tels que probabiliste, cognitif, autonome, mais quand on les interroge, leurs solutions semblent mettre en œuvre des techniques de prévision et de planification plutôt standards ⁵⁷ ⁶¹. Pour être franc, Blue Yonder possède une immense expérience sectorielle et une offre étendue – leur force réside dans leur capacité à couvrir tout, de la prévision de la demande à la réalisation, avec de nombreuses fonctionnalités spécifiques à l’industrie (comme des fonctionnalités spécialisées de planification dans le retail). Mais dans le contexte restreint de la prévision probabiliste : Blue Yonder en a connaissance et a probablement ajouté une logique de stock de sécurité basée sur des quantiles et des améliorations de prévision ML. Elle n’a pas démontré le type d’optimisation probabiliste que Lokad réalise (où chaque décision est tirée de scénarios simulés). Une critique interne l’a bien résumé : l’utilisation du terme « probabilistic » dans le cognitive inventory par Blue Yonder était essentiellement un rebranding, « recyclé… avec des termes chics » mais sans nouveaux algorithmes ⁵⁹. Les entreprises envisageant Blue Yonder ne devraient pas supposer qu’elles obtiendront un moteur de prévision probabiliste de pointe ; elles obtiendront plutôt un ensemble d’outils de prévision solide, quoique quelque peu daté, avec une interface moderne, et tous les avantages probabilistes découleront d’améliorations incrémentales (comme des mises à jour plus fréquentes des prévisions, peut-être une gestion automatisée des exceptions) plutôt que d’une optimisation stochastique fondamentale.

SAP IBP – Suite puissante mais complexe avec des racines probabilistes (SmartOps) largement sous-utilisée

Contexte : L’Integrated Business Planning (IBP) de SAP est le successeur de l’APO (Advanced Planning & Optimization) de SAP et intègre divers modules pour la prévision de la demande, la planification d’approvisionnement et l’optimisation de stocks. SAP, en tant que géant de l’ERP, se positionne souvent sur la promesse d’une plateforme intégrée de bout en bout (de la finance et des ventes jusqu’à l’exécution supply chain). Historiquement, les outils de planification de SAP étaient majoritairement déterministes : la planification de la demande APO fournissait des prévisions ponctuelles ; la planification des stocks APO calculait les stocks de sécurité à l’aide de formules simples ou, au mieux, de calculs à un seul niveau. Conscient d’un manque, SAP a réalisé des acquisitions stratégiques : SmartOps en 2013 (qui était une entreprise leader dans l’optimisation de stocks multi-échelons reconnue pour ses modèles probabilistes), et plus tôt SAF AG en 2009 (une société de prévision de demande). SmartOps, en particulier, a apporté un moteur probabiliste capable d’optimiser les stocks sur plusieurs échelons (sites) afin de respecter des taux de service au coût minimum ¹⁰. Essentiellement, SmartOps modélisait mathématiquement l’incertitude de la demande (et dans une certaine mesure la variabilité des délais via certaines hypothèses) pour recommander un stock de sécurité. Cela est devenu le module IBP for Inventory de SAP.

État actuel des fonctionnalités probabilistes dans SAP :

Prévision de la demande : SAP IBP dispose d’un module de Demande qui peut utiliser des méthodes statistiques avancées et même du machine learning (SAP possède une Analytics Cloud pouvant être utilisée pour la prévision, incluant des techniques telles que le gradient boosting, etc.). Cependant, SAP présente généralement cela comme une amélioration de la précision des prévisions (MAPE, etc.), plutôt que comme la fourniture de distributions de probabilité complètes. Le résultat typique demeure une seule prévision (avec peut-être un processus de consensus autour de celle-ci). La notion de prévisions de demande probabilistes n’est pas centrale ; SAP utilise rarement, voire jamais, ce terme dans son marketing.
Optimisation de stocks (SmartOps) : En principe, SmartOps inside IBP utilise des modèles probabilistes. SmartOps était connu pour calculer les distributions de probabilités des positions de stocks et déterminer les niveaux de stocks optimaux. Il prenait en compte à la fois la variabilité de la demande et la variabilité de l’offre (ce dernier de manière limitée, souvent en utilisant un « temps de sécurité » ou un facteur de variabilité sur le délai de livraison). Si IBP for Inventory est mis en œuvre, une entreprise peut entrer des distributions d’erreurs de prévision et la variabilité des délais, et obtenir en retour des stocks de sécurité recommandés à chaque emplacement qui atteignent un taux de service cible avec un minimum de stocks. Il s’agit d’une forme d’optimisation stochastique, quoique orientée vers les taux de service (un peu comme l’approche de ToolsGroup, mais multi-échelons). Cependant, peu de clients SAP déploient réellement cela dans toute son ampleur. Une des raisons est la complexité : IBP est modulaire, et toutes les implémentations n’incluent pas la partie d’optimisation de stocks (certaines pourraient se limiter à la S&OP et à la planification de la demande).
Accent probabiliste (ou son absence) : SAP n’accentue pas la prévision probabiliste dans sa communication, comme noté. Ils vendent IBP sur la base de l’intégration (« one version of the truth »), de la planification par scénarios, du fait d’être cloud-based, etc., plutôt que d’affirmer qu’ils disposent des meilleurs algorithmes de prévision. En fait, la réputation de SAP repose davantage sur l’étendue que sur la profondeur : « riche en fonctionnalités mais pas avancé algorithmiquement » ⁶². Cela semble être une reconnaissance du fait que, même si SAP dispose des éléments (comme les mathématiques de SmartOps), il ne les a pas poussés plus loin. Une critique a mentionné que même avec des acquisitions telles que KXEN (une entreprise d’analytique prédictive que SAP a rachetée en 2013), les prévisions de SAP ne sont pas nécessairement meilleures que celles issues des méthodes traditionnelles ⁶³. Une note de recherche a souligné que les méthodes modernes de ML n’ont pas clairement surpassé les anciens modèles statistiques dans ce domaine, ce qui implique que l’intégration par SAP de ces acquisitions n’a pas produit d’améliorations spectaculaires ⁶³.
Délai de livraison et autre incertitude : La planification standard de SAP suppose des délais fixes. Si on utilise l’optimiseur de stocks, on peut entrer une variabilité du délai (ou simplement majorer le délai à un percentile plus élevé). Mais SAP n’apprend pas automatiquement une distribution de délai à partir des données. Il attend des utilisateurs qu’ils fournissent un « temps de service » (comme un délai à un certain percentile) en tant que paramètre, si nécessaire. Ainsi, une fois de plus, comme d’autres, SAP ne parvient pas à générer en interne des prévisions probabilistes pour l’offre ; il s’appuie sur la configuration.
Complexité et Fragmentation : Un inconvénient majeur est que la solution de SAP est fragmentée en raison de multiples acquisitions. La prévision de la demande pourrait provenir d’un module (avec un ensemble d’hypothèses) et l’optimisation de stocks d’un autre. Si elles ne sont pas parfaitement alignées, il se peut que vous alimentiez une prévision ponctuelle de IBP Demand dans IBP Inventory, qui suppose alors en interne une distribution normale de la demande avec un écart-type donné. Si l’erreur de prévision ne suit pas cette hypothèse, les résultats d’optimisation des stocks pourraient être sous-optimaux. Une citation d’une revue : « enterprise software isn’t miscible through M&A » – les éléments de SAP ne se combinaient pas de manière homogène ⁶⁴. Ainsi, à moins qu’une implémentation ne soit soigneusement ajustée, l’aspect probabiliste peut se perdre ou produire des résultats incohérents. Dans de nombreux cas, les entreprises utilisant SAP finissent par simplifier – par exemple, en utilisant IBP pour calculer un certain stock de sécurité à l’aide d’un modèle statistique approximatif et en n’exploitant pas pleinement SmartOps, ou même en désactivant l’optimiseur parce qu’il est trop difficile à calibrer/fiabiliser, et en fixant plutôt le stock de sécurité via des règles plus simples.

Verdict sur SAP IBP : SAP IBP possède théoriquement des capacités d’optimisation probabiliste (via SmartOps) qui le rapprochent du camp de Lokad que certains autres. Mais en pratique, SAP ne met pas activement en avant ni n’évolue ces capacités, et de nombreux clients peuvent ne pas en prendre conscience ou en tirer parti ¹¹. L’élément probabiliste est effectivement un bolt-on ajouté pour satisfaire les listes de fonctionnalités (pour ceux qui ont besoin d’une optimisation de stocks multi-échelons). La principale proposition commerciale de SAP est qu’il fait partie d’un écosystème SAP complet – non pas qu’il possède le moteur analytique le plus avancé. Ainsi, comparé à Lokad, l’utilisation par SAP IBP des méthodes probabilistes est accessoire et quelque peu stagnante. Les entreprises envisageant SAP IBP pour la prévision probabiliste devraient s’assurer qu’elles implémentent spécifiquement le module d’optimisation de stocks et disposent des services d’experts (ou consultants) nécessaires pour le calibrer. En effet, il est dit que pour réussir avec les fonctionnalités de planification avancée de SAP, il faut « the very best integrators – plus a few years » ⁶⁵. Cela souligne que la technologie probabiliste de SAP, bien que présente, est enterrée sous la complexité et ne livre pas de valeur immédiatement dès sa sortie de l’emballage.

o9 Solutions – Plateforme intégrée « Digital Brain » avec un accent limité sur les distributions de probabilités

Contexte : o9 Solutions est un fournisseur plus récent (fondé en 2009 par d’anciens cadres d’i2) qui a rapidement acquis la réputation d’une plateforme de planification « next-generation ». L’objectif d’o9 est de créer un modèle unifié de l’entreprise (Enterprise Knowledge Graph) et de réaliser une planification en temps réel couvrant la demande, l’offre et les domaines financiers. C’est très buzzword-friendly : o9 commercialise des concepts comme un Digital Twin de l’organisation, une planification de scénarios en temps réel, et vante récemment même des fonctionnalités d’IA générative. Vu son origine, o9 est quelque peu comme le successeur spirituel d’i2 Technologies, en mettant l’accent sur la planification intégrée plutôt que sur des outils cloisonnés.

Approche de la prévision et de l’incertitude : o9 utilise certes l’analytique avancée pour la prévision, mais il ne semble pas mettre en avant la prévision probabiliste comme argument de vente unique. Points notables :

Analytique prédictive avec ML : o9 fournit une prévision statistique et du machine learning pour le demand sensing. Leurs études de cas mentionnent l’utilisation d’une variété de données (point de vente, météo, recherches sur le web, etc.) pour améliorer les prévisions à court terme ⁶⁶. Cela implique qu’o9 s’attaque au volet précision de la prévision – en essayant d’obtenir de meilleures prévisions ponctuelles en incorporant davantage de signaux (l’approche « sensing »). Il est fait mention d’une simulation de scénarios : le « Supply Sensing » d’o9 surveille les facteurs externes et peut simuler leur impact sur la supply chain ⁶⁶. Bien que cela reconnaisse l’incertitude (vous simulez divers scénarios), c’est toujours de manière déterministe (chaque scénario est un cas de figure, et non une distribution de probabilités sur de nombreux cas de figure considérés automatiquement).
Enterprise Knowledge Graph : L’utilisation par o9 d’un modèle basé sur les graphes (qui capture les relations entre produits, emplacements, clients, etc.) est puissante pour l’analyse de scénarios. Par exemple, si un certain composant est retardé, le graphe peut rapidement afficher tous les produits affectés et permettre aux planificateurs de recalculer un plan. Mais encore une fois, ce n’est pas intrinsèquement probabiliste – c’est un modèle de données structurel qui facilite la rapidité et l’intuition.
Aucune preuve de sorties probabilistes : Nous n’avons pas constaté de preuve qu’o9 produise des distributions de probabilités complètes pour les prévisions. Leurs supports publics (et une revue sceptique de Lokad) suggèrent qu’o9 se limite aux prévisions ponctuelles et à l’optimisation déterministe, bien que très rapide et intégrée ¹². Ils mettent en avant l’analyse what-if – ce qui implique que vous pouvez varier manuellement les entrées pour voir différents résultats, plutôt que le système ne quantifie automatiquement l’incertitude. Essentiellement, o9 pourrait permettre à l’utilisateur d’explorer différentes possibilités, mais il ne vous indique pas automatiquement la probabilité de chaque scénario ni n’optimise pour le meilleur résultat attendu. L’usage intensif des termes « Digital Twin » et « planification de scénarios en temps réel » indique une mentalité de planification interactive : les planificateurs génèrent des scénarios, le système calcule rapidement les résultats (par exemple, si la demande augmente de 10 %, à quoi ressemblent les stocks ?). C’est légèrement différent de l’approche de Lokad où le système lui-même traite des milliers de scénarios en arrière-plan pour choisir un plan optimal.
Comparaison avec Lokad : Une comparaison directe a noté qu’o9 met l’accent sur l’étendue (en unifiant de nombreuses fonctions de planification, en incorporant des données IoT, etc.) tandis qu’Lokad met l’accent sur la profondeur dans l’optimisation quantitative ¹². La force d’o9 est d’offrir aux grandes entreprises une plateforme tout-en-un qui connecte toutes les données et plans (demande, offre, finance) et permet une collaboration interfonctionnelle. La force de Lokad est de résoudre des problèmes numériques spécifiques (comme l’optimisation de stocks ou de production) avec autant de rigueur mathématique que possible (modélisation probabiliste, algorithmes personnalisés). En d’autres termes, o9 offre une vision de planification plus large – mais utilise possiblement des prévisions conventionnelles en interne – tandis que Lokad fournit une vision analytique plus étroite mais plus avancée. Comme le dit la critique de Lokad, o9 consiste à « synthétiser diverses fonctions de planification en un cadre unifié, tandis que Lokad génère des recommandations précises et actionnables grâce à une automatisation analytique approfondie » ¹².
Évolutions récentes : o9 ajoute certainement des éléments d’IA (ils mentionnent l’IA générative pour interroger le système, etc.), mais il n’est pas clair s’ils ajoutent la prévision probabiliste. Il est possible qu’o9 intègre éventuellement une bibliothèque de prévision probabiliste ou au moins permette une intégration avec Python/R où l’on pourrait effectuer ce type de modélisation. Mais à l’heure actuelle, leur différenciation ne réside pas dans l’invention de nouveaux algorithmes de prévision ; c’est plutôt dans la manière dont ils délivrent le logiciel (cloud-based, en temps réel, analytique convivial).

Verdict sur o9 : o9 Solutions est un outil de planification redoutable pour les organisations qui souhaitent disposer d’une plateforme unique pour réaliser de nombreuses tâches rapidement et de manière collaborative. Cependant, en ce qui concerne spécifiquement la prévision probabiliste, o9 ne semble pas être à la pointe ni innover dans ce domaine. Il fournit probablement des prévisions « suffisantes » en utilisant le ML et se concentre sur le fait de rendre les résultats immédiatement utilisables dans les scénarios de planification. La mention de la prévision probabiliste est presque absente dans leurs contenus publics. Si l’on devait implémenter o9 et que l’on souhaitait des prévisions probabilistes, il pourrait être nécessaire de les générer en dehors du système ou via un code personnalisé. En résumé, la proposition de valeur d’o9 est l’agilité et l’intégration, et non une optimisation stochastique avancée. Les entreprises qui privilégient une approche probabiliste rigoureuse pourraient compléter o9 par des efforts en data science externe ou considérer si un outil spécialisé (comme Lokad) convient mieux à ce besoin particulier.

RELEX Solutions – Spécialiste du retail avec des prétentions en IA, utilisant une prévision déterministe + une replanification rapide

Contexte : RELEX Solutions est une entreprise finlandaise (fondée en 2005) qui a connu une croissance rapide, notamment dans le secteur du retail et de l’épicerie. La plateforme de RELEX couvre la prévision de la demande, le réapprovisionnement, l’allocation et l’optimisation des planogrammes, avec un accent particulier sur la gestion des produits frais (périssables), des promotions et de la planification au niveau des magasins. RELEX remporte souvent des contrats avec les détaillants grâce à sa capacité à réaliser une planification très granulaire et à haute fréquence (prévisions quotidiennes par magasin/SKU, intrajournalières, etc.) et à fournir une analytique conviviale (tableaux de bord en temps réel des niveaux de stocks, etc.). Ils se commercialisent comme hautement automatisés et « AI-driven ».

Aspects probabilistes (ou leur absence) : L’approche de RELEX en matière de prévision et de stocks est, en son cœur, axée sur la rapidité et la fréquence plutôt que sur une modélisation stochastique explicite :

Re-prévision fréquente (Demand Sensing) : RELEX met en avant sa capacité à détecter rapidement les changements de demande et à mettre à jour les prévisions. Par exemple, en intégrant les ventes d’hier, les changements météorologiques, les tendances sur les réseaux sociaux, etc., pour ajuster les prévisions à court terme (ceci est souvent appelé demand sensing, un buzzword en soi). Cela peut réduire l’erreur de prévision sur le court terme (par exemple, mieux réagir à une chute soudaine ou à un pic de ventes). Cependant, cela produit toujours une seule prévision mise à jour (simplement plus fréquemment ou avec plus de données), et non une distribution de prévisions. L’affirmation de RELEX concernant la « prévision AI-driven » fait généralement référence à l’utilisation de modèles de machine learning (comme le gradient boosting, les réseaux de neurones, etc.) sur des données récentes pour améliorer la précision ¹³. Nulle part ils ne prétendent fournir des distributions de probabilités complètes pour la demande de chaque SKU. En effet, une analyse de RELEX a constaté « aucune preuve de génération de distributions de probabilités complètes pour la demande comme le fait Lokad » ¹³. Il semble que la validation du succès par RELEX se fasse encore via des mesures traditionnelles de précision (la proximité de la prévision avec la réalité), ce qui reflète une approche déterministe.
Méthode d’optimisation de stocks : RELEX réalise un réapprovisionnement et une allocation multi-échelons (notamment une allocation push pour les promotions, etc.), mais comment compense-t-il l’incertitude ? Il utilise très probablement des calculs traditionnels de stocks de sécurité en coulisses. Le système connaît les délais et la volatilité de la demande (par exemple, via une moyenne mobile de l’erreur de prévision ou un réglage du taux de service) et calcule le stock de sécurité par article et par emplacement en conséquence (comme le font de nombreux systèmes). Les délais dans RELEX sont des données d’entrée, et non des variables aléatoires que le système prédit ¹⁴. Si un utilisateur sait qu’un certain fournisseur est irrégulier, il peut ajuster manuellement le délai ou sa marge de sécurité. La documentation de RELEX ne met pas en avant l’optimisation stochastique ou Monte Carlo, nous en déduisons qu’il fait ce que les outils traditionnels faisaient : pour chaque SKU, décider du stock de sécurité en utilisant une distribution supposée (peut-être normale ou de Poisson) basée sur l’erreur de prévision, afin d’atteindre un taux de service cible. C’est une approche déterministe et formulaïque, et non une simulation de nombreux résultats. En fait, l’orientation marquée de RELEX vers le traitement en mémoire (de style OLAP) suggère qu’il privilégie la rapidité des requêtes plutôt que des calculs approfondis ⁶⁷ ⁶⁸. Comme un commentaire l’a noté, leur architecture, semblable à un cube OLAP, est « en décalage avec l’optimisation à l’échelle du réseau » pour des problèmes tels que les substitutions ou des problèmes stochastiques complexes ⁶⁹. La conception qui permet des tableaux de bord ultra-rapides n’est peut-être pas idéale pour exécuter de grandes simulations Monte Carlo sur l’incertitude – elle pourrait plutôt s’appuyer sur des méthodes analytiques (plus simples) qui tiennent en mémoire.
Prétentions vs. preuves : Le marketing de RELEX utilise des buzzwords : « autonomous supply chain, AI-driven, machine learning, digital twin », etc. ⁷⁰. Mais ils précisent rarement quels algorithmes ou ne fournissent pas d’études de cas quantifiant l’impact de leur IA au-delà d’anecdotes. Des analyses tierces ont émis des doutes : par exemple, notant que la technologie de prévision de RELEX « semble être basée sur des modèles d’avant 2000 » (ce qui signifie qu’ils utilisent probablement des méthodes classiques avec une couche ML, plutôt que des approches fondamentalement nouvelles) ¹⁵. Ils utilisent également probablement encore des concepts tels que MAPE ou biais pour mesurer la qualité des prévisions en interne, ce qui est le signe d’une pensée déterministe.
Gestion de l’incertitude dans des scénarios spécifiques : RELEX excelle dans certains domaines impliquant l’incertitude, mais souvent par le biais de règles métier ou d’approches heuristiques plutôt que par des mathématiques probabilistes. Par exemple:
- Produits frais et péremption : RELEX dispose de fonctionnalités pour gérer les dates d’expiration des produits, en assurant le principe “premier péremption, premier sorti”, suggérant un réapprovisionnement pour éviter le gaspillage, etc. ⁷¹. Bien que cela traite de l’incertitude de la demande avant la détérioration, la solution est plus heuristique (surveiller les jours d’approvisionnement par rapport à la durée de conservation) que la prévision probabiliste du risque de détérioration.
- Effets promotionnels et cannibalisation : RELEX peut modéliser l’augmentation due aux promotions et peut-être même une certaine cannibalisation (un produit qui détourne les ventes d’un autre), mais l’analyse suggère que la base OLAP de RELEX rend difficile une modélisation sophistiquée de ces interactions ⁶⁹. Ils se contentent peut-être de laisser aux planificateurs la possibilité d’ajuster manuellement ou d’utiliser une régression simple pour l’augmentation promotionnelle.
- Regroupement de commandes “intelligent” : Ils mentionnent des procédés tels que l’optimisation des chargements de camions ou l’achat anticipé pour bénéficier de remises ⁷². Ce sont des fonctionnalités précieuses qui optimisent les coûts compte tenu de contraintes, mais encore une fois, en supposant probablement une demande connue (ou du moins une demande moyenne) plutôt que de couvrir explicitement l’incertitude.
Pas d’optimisation stochastique complète : De manière cruciale, RELEX ne propose rien de comparable à l’optimisation stochastique de Lokad. Il n’est pas question de résoudre une minimisation du coût attendu en situation d’incertitude ; il s’agit plutôt d’assurer une haute disponibilité (ils vantent souvent des clients atteignant ~98-99% en stock). En fait, certains de leurs résultats revendiqués (disponibilité à plus de 99%) sont regardés avec scepticisme dans l’industrie, car la disponibilité moyenne en rayon tend à être plus faible ⁷³. Cela laisse entendre qu’ils ont peut-être obtenu ces résultats dans des pilotes contrôlés, ou qu’il s’agisse d’un scénario optimiste, pas nécessairement reproductible à grande échelle. Cela suggère encore une fois que leur approche ne change peut-être pas fondamentalement la donne en matière d’incertitude, mais se contente d’améliorer l’exécution et la surveillance pour réduire les ruptures de stocks.

Verdict sur RELEX : RELEX est un outil supply chain rapide et réactif particulièrement adapté au secteur de la vente au détail, où l’agilité quotidienne est importante. Il automatise de nombreuses décisions (comme le réapprovisionnement des magasins, par exemple) avec une grande facilité d’utilisation. Cependant, sa profondeur scientifique en matière de prévision probabiliste est limitée. Il exploite le machine learning pour améliorer les prévisions, mais pas pour produire le type de distributions de probabilité qui alimenteraient un optimiseur de type Lokad ¹³. Il s’appuie en grande partie sur la même logique de stock de sécurité et sur les améliorations de prévisions que les autres utilisent, bien que exécutées de manière très efficace à grande échelle et fréquemment. Pour un détaillant, RELEX pourrait offrir une meilleure disponibilité en rayon simplement en replanifiant plus souvent et en utilisant des données récentes (une approche pragmatique), alors que Lokad pourrait y parvenir en optimisant fondamentalement les niveaux de stocks avec des calculs probabilistes. Ce sont des philosophies différentes : l’une consiste à « corriger continuellement le plan au fur et à mesure que la réalité se dévoile » (la mentalité quasi temps réel de RELEX), l’autre à « planifier de manière optimale dès le départ en fonction de ce qui pourrait se produire » (l’optimisation ex-ante de Lokad). Les deux peuvent coexister, mais si la question porte sur la prévision probabiliste en tant que telle, RELEX n’en est pas un pionnier. Il a copié les mots à la mode de l’IA, et utilise peut-être implicitement certains concepts probabilistes (comme la variance pour le stock de sécurité), mais il n’offre pas le type de solution probabiliste explicite que propose Lokad.

Conclusion

Dans le marché des logiciels supply chain, « probabilistic » est devenu un peu un mot à la mode, tout comme « AI » et « machine learning ». Lokad se distingue en tant que fournisseur ayant véritablement construit sa solution autour de principes probabilistes – traitant l’incertitude comme un élément de premier ordre tant en prévision qu’en optimisation. Depuis qu’il a été pionnier de cette approche entre 2012 et 2015, Lokad a influencé le discours de l’industrie. Les concurrents ont, à divers degrés, emprunté la terminologie et reconnu l’importance de l’incertitude, mais leurs solutions révèlent un écart substantiel dans leur mise en œuvre.

Pour résumer les contrastes :

Lokad fournit des prévisions probabilistes complètes (demande et offre) et les utilise dans un moteur d’optimisation sur mesure. Il quantifie explicitement les incertitudes et produit des décisions optimisées pour des résultats attendus ². En d’autres termes, il « prêche par l’exemple » en gestion supply chain probabiliste.
Les autres (ToolsGroup, Blue Yonder, SAP, RELEX, o9, Kinaxis) offrent principalement des fonctionnalités partiellement ou pseudo-probabilistes :
- ToolsGroup et SAP disposent depuis des années de composants de modélisation probabiliste des stocks, mais ils se concentrent sur la variabilité de la demande et considèrent encore les paramètres clés (comme le délai de livraison) comme fixes ou simplistes, ce qui limite leur rigueur probabiliste ³ ¹¹.
- Blue Yonder et RELEX, malgré leur nouvelle image d’IA, continuent de s’appuyer sur des méthodes de prévision traditionnelles et une logique de planification déterministe, le terme « probabilistic » apparaissant principalement dans le marketing ou dans des outils mineurs (comme le recalcul plus dynamique des stocks de sécurité) ⁸ ¹³.
- Kinaxis et o9, en tant que plateformes modernes, ont commencé à intégrer des idées probabilistes (Kinaxis via des partenaires/brevets, o9 via la flexibilité des scénarios) mais évoluent encore largement à partir de fondations déterministes. Les prévisions quantiles de Kinaxis représentent un pas en avant, mais elles se limitent à la prévision à quelques points percentiles plutôt que de couvrir la distribution entière, ce qui constitue un substitut moins performant aux prévisions probabilistes complètes ⁵⁰ ⁴⁹.

Un signe révélateur d’une adoption superficielle est lorsque des fournisseurs revendiquent le terme « probabilistic » ou « stochastic » puis continuent d’utiliser des indicateurs ou processus déterministes. L’exemple précédent de ToolsGroup utilisant le MAPE pour des prévisions probabilistes en est un tel signal d’alarme ⁴. De même, tout fournisseur qui ignore l’incertitude liée au délai de livraison ou qui ne mentionne pas comment il évalue la précision probabiliste n’a probablement pas véritablement adopté ce paradigme. La critique de Lokad à l’encontre de ces incohérences est étayée par des exemples dans l’industrie : « Les revendications de prévisions probabilistes sont mises en avant parallèlement à des réductions de MAPE, ce qui est incohérent… les fournisseurs parsèment leurs brochures de termes comme ‘stochastic’ tout en demeurant dans un monde déterministe. » ⁴ ⁷⁴. La substance accuse souvent un retard par rapport aux slogans.

D’un point de vue des développements récents, il est clair que les concurrents de Lokad se contentent désormais d’un lavage de vitres en matière de méthodes probabilistes – ce qui peut être vu comme une validation de l’approche de Lokad. Cependant, le degré de capacité réelle varie. Les entreprises évaluant des solutions devraient se poser des questions telles que : L’outil prévoit-il une distribution ou seulement quelques scénarios ? Optimise-t-il les décisions à l’aide de simulations Monte Carlo ou simplement avec des formules fixes de stock de sécurité ? Peut-il prendre en compte toutes les incertitudes majeures ou seulement la demande ? Les réponses révèlent souvent que de nombreux fournisseurs continuent essentiellement à faire ce qu’ils ont toujours fait, avec une fine patine probabiliste.

En conclusion, Lokad vs. les autres dans l’optimisation probabiliste de la supply chain est une histoire de profondeur contre largeur, et d’innovation précoce contre rattrapage. Lokad propose une solution profonde et rigoureusement quantitative conçue autour de l’incertitude. Les autres grands fournisseurs offrent des suites de planification supply chain plus larges où les fonctionnalités probabilistes sont des compléments ou des composants en évolution – dans de nombreux cas, il s’agit de mesures réactives aux demandes du marché pour des analyses plus avancées, sans remanier leurs méthodologies de base. Les dirigeants devraient se méfier du terme « probabilistic » en tant que mot à la mode et rechercher des preuves techniques concrètes de la manière dont un fournisseur l’applique. En 2025, Lokad reste distinctif en fournissant de vraies prévisions et optimisations probabilistes, tandis que la plupart des concurrents s’en tiennent à des approches déterministes ou n’offrent que des capacités probabilistes limitées qui n’atteignent pas le traitement complet de l’incertitude proposé par Lokad ³² ⁸.