Retour aux études de marché
Algonomy fournit des logiciels destinés au commerce pour la prévision de la demande, le réapprovisionnement, le merchandising, la collaboration fournisseurs, les données clients et la personnalisation du e-commerce. Order Right produit des recommandations d’achat et de transfert ; Vendor Link relie les distributeurs à leurs fournisseurs. ADA a achevé l’acquisition d’Algonomy en juillet 2026 et rassemble les activités sous la marque ADA. (1, 2)
Note globale en supply chain : 3,9/10
| Dimension | Note |
|---|---|
| Profondeur en supply chain | 3,6/10 |
| Substance des décisions et de l’optimisation | 4,4/10 |
| Intégrité du produit et de l’architecture | 4,2/10 |
| Transparence technique | 4,2/10 |
| Sérieux de l’éditeur | 3,2/10 |
Order Right suit un processus identifiable : prévoir la demande des produits, appliquer des contraintes de réapprovisionnement, puis fournir des recommandations de commande. Les documents publics décrivent des contraintes du commerce et des intégrations opérationnelles, mais laissent inexpliqué le calcul économique central. Ils n’établissent pas comment des commandes concurrentes sont valorisées face à l’incertitude conjointe de la demande et de l’approvisionnement. Une vaste collection d’algorithmes de prévision ne comble pas cette lacune.
La communication rend cette faiblesse plus préoccupante. ADA annonce une précision de prévision de la demande de 97 % sans la définition nécessaire pour l’interpréter. L’histoire d’Algonomy s’étend aussi d’un assistant analytique présenté comme humain en 2017 au positionnement agentique actuel, avec peu de continuité mesurée entre la promesse et le travail éliminé. Les preuves les plus nettes de productivité concernent l’administration des fournisseurs, tandis que le moteur numérique de réapprovisionnement reste difficile à examiner. (3, 5, 10, 15)
Algonomy face à Lokad
La différence pratique concerne la responsabilité de l’écriture et de la maintenance de la logique décidant quoi acheter, transférer ou solder. Algonomy fournit des modules prêts à l’emploi de prévision et de réapprovisionnement, configurés par ses ingénieurs et accompagnés par des spécialistes des données, des applications et de la modélisation. Les distributeurs apportent les politiques opérationnelles et peuvent modifier les recommandations. L’offre de merchandising ajoute des interfaces analytiques et conversationnelles pour les équipes chargées des catégories. (2, 13)
L’approche de supply chain quantitative de Lokad organise la prestation autour de décisions exécutables, valorisées en argent sous incertitude. Un Supply Chain Scientist prépare les données, formalise la logique de décision, met en place la surveillance et maintient le processus en production dans le cadre du service géré. Les priorités économiques et les actions disponibles deviennent des composantes de ce calcul entretenu.
Prenons des produits frais partageant un espace en rayon et une livraison fournisseur. Des commandes plus fréquentes peuvent réduire la casse tout en augmentant les coûts de transport et de réception ; solder un produit peut détourner la demande d’un autre. Le problème d’ingénierie consiste à comparer ces actions liées et leurs conséquences financières incertaines. Algonomy documente les entrées des prévisions, les contraintes de commande et les fonctions de merchandising, mais n’expose pas de calcul commun résolvant ces arbitrages.
Les deux offres exigent de la maintenance lorsque l’activité évolue. Le coût pertinent est l’effort nécessaire pour corriger une règle de décision défectueuse, la tester sur l’ensemble de l’assortiment et déployer la correction. Introduction to Supply Chain de Lokad explique cette perspective économique ; sa mise en œuvre doit néanmoins justifier le coût du service par de meilleures décisions et moins de travail récurrent.
Ce que calcule Order Right
La FAQ d’Order Right décrit des prévisions multivariées par SKU et lieu, avec des méthodes hiérarchiques pour les séries peu renseignées et une sélection automatique parmi des modèles candidats. Les résultats couvrent les achats des magasins, les achats des entrepôts et les transferts, livrés par Excel ou une interface de commandes d’achat dans l’ERP. (2)
La fiche technique de 2022 précise l’étape de décision. Les prévisions alimentent des algorithmes propriétaires de réapprovisionnement tenant compte de la péremption, de la durée de conservation, du délai d’approvisionnement, des quantités minimales de commande et de présentation, ainsi que de la fréquence de commande. Les utilisateurs choisissent un niveau de risque ; la casse potentielle peut intervenir dans le choix du modèle. Ces contrôles sont utiles, mais le document ne donne ni objectif monétaire, ni modèle probabiliste derrière le réglage du risque, ni algorithme conciliant les ressources rares entre produits. (3)
Cette distinction compte lorsque la prévision est raisonnable et la recommandation reste mauvaise. Un colis peut dépasser la quantité économiquement souhaitable. Accepter une petite perte de disponibilité peut économiser davantage de casse qu’elle ne coûte en marge perdue. Un camion ou un budget partagé peut faire de la meilleure commande individuelle une utilisation inférieure des ressources. Un moteur de réapprovisionnement doit valoriser explicitement ces décisions ; améliorer la prévision seule ne fournit pas cette valorisation.
La page destinée au commerce alimentaire décrit les déplacements dus aux promotions, les prédicteurs météorologiques, les calendriers de livraison configurables et les alertes de péremption par produit. La page de prévision prétend également prédire la cannibalisation entre produits similaires. Aucune expérience publiée ne sépare la demande promotionnelle supplémentaire des ventes transférées entre produits. Cette séparation détermine si le stock d’un article en promotion crée du profit ou déplace simplement la même vente. (4, 5)
L’incertitude d’approvisionnement reste non résolue
La FAQ publique cite le délai contractuel et les dates d’arrivée attendues comme entrées. Le cas d’un distributeur alimentaire d’Asie du Sud-Est indique que l’application modélise dynamiquement les paramètres d’approvisionnement et coordonne les stocks entre plusieurs échelons. Aucun des deux n’explique les distributions des dates réelles de réception, les pénuries corrélées ou l’effet de l’incertitude amont sur les achats en aval. (2, 6)
Une livraison fournisseur en retard peut affecter plusieurs magasins simultanément, tandis qu’une promotion modifie à la fois la demande et la substitution. Calculer une prévision de demande pour chaque lieu et mettre à jour un paramètre de délai ne prouve pas le traitement économique de ces risques conjoints. Il manque un modèle calibré des résultats possibles relié au calcul des commandes.
Algonomy annonce des modèles probabilistes de demande dans son offre de conseil Databricks. Ce service sur mesure ne publie aucun détail sur les distributions ou la calibration et n’identifie pas le modèle utilisé dans Order Right. Le lien entre ces modèles et les calculs de commandes en production reste inexpliqué. (9)
Des promesses de précision qui masquent le problème de planification
La page de prévision d’ADA affiche 97 % de précision de prévision de la demande. Elle ne fournit ni formule d’erreur, ni horizon, ni agrégation, ni pondération, ni exclusions, ni évaluation hors échantillon. Une deuxième étude de cas revendique plus de 95 % de précision aux niveaux magasin, produit et SKU, là encore sans définir la mesure. Ce sont de graves lacunes pour un produit vendu sur la qualité de ses prévisions. (5, 23)
Le concours historique M5 consacré au commerce illustre l’importance de cette définition. Recalculer 100 × (1 − WAPE) sur les 28 derniers jours des 50 meilleures soumissions de prévisions ponctuelles publiées par les organisateurs donne environ 22,1–25,1 % par SKU/magasin/jour, contre 95,8–98,2 % lorsque produits et magasins sont regroupés par jour. Le vainqueur global atteint environ 99,8 % si l’on regroupe aussi ces jours. Il s’agit de recalculs diagnostiques des prévisions publiées, et non de la métrique officielle de M5. (8)
L’agrégation peut faire coexister un pourcentage impressionnant avec de fortes erreurs là où se prennent les décisions de réapprovisionnement. Elle compense des pénuries par des excédents qui ne peuvent physiquement s’annuler : du yaourt supplémentaire dans un magasin ne satisfait pas le client cherchant du pain dans un autre. Le chiffre de 97 % d’Algonomy ne peut être situé dans ce spectre et ne démontre donc ni précision exploitable au niveau SKU, ni rendement économique.
Le cas d’Asie du Sud-Est fait une autre affirmation : la prévision s’est améliorée pour 90 % des SKU. Cela mesure la proportion de séries améliorées, pas une précision de prévision de 90 %. Le cas décrit aussi moins de ruptures et de stocks, mais ne fournit aucune évaluation reproductible reliant les changements de prévision à ces résultats. (6)
Une validation utile figerait les prévisions avant l’échéance de commande pertinente, les évaluerait à l’horizon produit-lieu de l’action, puis suivrait les commandes obtenues jusqu’à la marge, la casse, la disponibilité et les coûts de manutention. Un pourcentage élevé de précision privé de ce contexte encourage exactement le mauvais critère d’achat.
Histoire technologique : de l’intelligence conversationnelle aux agents
2017 : Maya et la promesse d’une analytique quasi humaine
Manthan a annoncé Maya en janvier 2017 comme un agent conversationnel fondé sur l’IA pour l’analytique d’entreprise. Le communiqué décrivait une interaction avec l’analytique comme avec un humain, des réponses adaptées au rôle, un apprentissage continu et une intégration à Amazon Alexa. La présentation annoncée devait se tenir au salon NRF du commerce. (10)
Le mécanisme dévoilé était une porte d’entrée conversationnelle vers l’analytique. Le communiqué ne documentait ni couverture fiable des tâches, ni taux d’échec, ni décisions autonomes, ni économies de travail mesurées. Le vocabulaire de l’intelligence dépassait largement les preuves proposées. Les capacités actuelles des LLM ne peuvent valider rétrospectivement ces anciennes affirmations.
2021–2022 : une plateforme unifiée et des milliers d’algorithmes
L’annonce de la fusion RichRelevance–Manthan en 2021 promouvait une plateforme unifiée de décision pour le commerce et plus de 300 algorithmes prêts à l’emploi couvrant l’activité. Les exemples concrets concernaient surtout la personnalisation, l’activation des clients, l’analytique et les processus commerciaux. (11)
En janvier 2022, Algonomy a annoncé son intention d’acquérir l’activité de prévision de Linear Squared, sous réserve d’autorisations. Plus tard la même année, la fiche d’Order Right décrivait un réapprovisionnement automatisé fondé sur les prévisions. (12, 3) Cela établissait une proposition de produit supply chain plus précise, sans publier la formulation d’optimisation ni la règle financière de décision.
La FAQ actuelle promeut désormais plus de 2 000 algorithmes candidats de prévision et un avantage général d’au moins 20 points de pourcentage sur les méthodes traditionnelles. (2) Le nombre d’algorithmes ne révèle ni diversité des méthodes ni performance sur des données inédites. Choisir parmi davantage de candidats peut accroître les efforts de validation et de maintenance, surtout lorsque de nombreux historiques produits contiennent peu d’information.
2026 : un vocabulaire agentique, des étapes opérationnelles familières
La page actuelle de planification des approvisionnements d’ADA décrit Maya répondant aux questions métier et recommandant des actions. La page de réapprovisionnement qualifie maintenant ses prévisions de fondées sur la GenAI, tout en décrivant toujours l’intégration des données, la prévision de la demande, la génération des commandes et le traitement des alertes. Aucun exposé technique publié n’identifie la contribution du modèle génératif à la prédiction numérique de la demande. (13, 25)
La collaboration fournisseurs est promue séparément à travers Vendor Link et ATLAS : intégration, prévisions partagées, échange de commandes d’achat, validation des expéditions, rapprochement des factures et collaboration promotionnelle. (14) Ces activités peuvent être automatisées, mais attribuer une productivité supplémentaire aux agents exige de comparer leurs apports à l’automatisation des processus déjà livrée.
Le problème historique est l’absence de bilan des affirmations successives. La promesse conversationnelle de Maya subsiste neuf ans plus tard ; les preuves ne montrent toujours pas quelle quantité totale de travail de planification elle élimine. Le passage de l’apprentissage automatique aux étiquettes génératives et agentiques est beaucoup plus explicite que le changement correspondant dans le calcul du réapprovisionnement.
Productivité, maintenance de la configuration et coût de possession
Il existe des preuves concrètes de suppression de travail administratif. Le cas Keells décrit KANE, son déploiement de la plateforme fournisseurs d’Algonomy, remplaçant extractions répétées, échanges de courriels et rapprochements manuels par des données partagées et des processus électroniques. Il annonce une intégration des fournisseurs 92 % plus rapide et une intégration des produits 85 % plus rapide. (15)
Ces gains comptent pour un distributeur coordonnant des centaines de fournisseurs. Ils concernent l’administration des transactions et ont été documentés avant le positionnement actuel d’ATLAS. Ils ne démontrent pas une réduction du travail humain nécessaire à la maintenance de la logique de prévision et d’achat.
Dans Order Right, l’utilisateur définit la fréquence de commande. L’offre alimentaire expose aussi des règles de programmation, des critères de sélection des modèles et des seuils d’alerte par produit. (2, 4) Chacun devient une hypothèse à entretenir. Une modification des calendriers fournisseurs peut changer la couverture de stock, le risque de péremption et le nombre d’alertes. Améliorer le paramétrage d’un produit peut augmenter le travail ailleurs.
Le coût comprend donc les personnes qui examinent les changements de données, révisent les contraintes, vérifient la qualité des recommandations et maintiennent les correspondances avec l’ERP. Les spécialistes de l’éditeur peuvent effectuer une partie de ce travail ; leur effort récurrent appartient toujours au coût total de possession. Les documents publics ne quantifient ni les heures restantes des planificateurs ni l’effort d’ingénierie par modification.
Une réponse conversationnelle peut accélérer une investigation. Le gain de productivité plus important apparaît lorsque la correction devient une logique exécutable testée et appliquée à tous les produits concernés. Les documents publics de planification d’Algonomy n’exposent ni changements de politiques versionnés, ni rejeu historique de décisions révisées, ni retour contrôlé à une version antérieure du moteur numérique. Cela limite les preuves d’une amélioration continue peu coûteuse.
Nomenclature logicielle
Les preuves identifient plusieurs environnements distincts de produits et de prestation.
| Produit ou activité | Composants documentés | Date et périmètre |
|---|---|---|
| Order Right | Microsoft Azure ; provisionnement d’un environnement propre au client | FAQ actuelle du produit. (2) |
| Déploiement de produits et entrepôts analytiques | Procédures SQL, réglage des bases, ETL ; T-SQL/PL-SQL et SSIS parmi les compétences demandées | Offre Database Programmer de l’employeur consultée en novembre 2026 ; module non précisé. (16) |
| Ingénierie CDP en temps réel | Services Java/Scala et services AWS, dont DynamoDB, SQS, S3, Lambda et EC2 | Ancienne publication d’une recruteuse Algonomy pour l’équipe rCDP. (17) |
| Conseil en données et IA | Databricks sur Azure, Delta Lake, Unity Catalog, Workflows et recherche vectorielle | Architecture actuelle du service, incluant des projets de plateformes de données clients. (9) |
| Extensions Active Content | JavaScript, API HTTP externes et Data Model Extensions internes | Documentation actuelle des développeurs CodeFusion. (19, 20) |
La charge opérationnelle se situe aux frontières de ces environnements. Les transactions commerciales doivent conserver des identités produits, unités, dates promotionnelles et significations de stock cohérentes en passant vers l’analytique et le réapprovisionnement. Chaque copie ou transformation supplémentaire exige surveillance, récupération et responsable lorsque les chiffres divergent.
La pile de conseil introduit un cycle de vie distinct de plateforme de données : ingestion, stockage, politiques d’accès, orchestration des calculs et déploiement des modèles. Son coût doit être justifié par les décisions améliorées. L’infrastructure et les capacités de Databricks appartiennent à Databricks ; la contribution d’ingénierie d’Algonomy doit se manifester dans ses modèles commerciaux, ses intégrations et ses améliorations opérationnelles mesurées.
Les documents publics d’architecture ne retracent pas un calcul complet de la promotion à la commande à travers les produits de données clients et de supply chain. Une marque commune et des échanges de données laissent ouverte la question essentielle : quel composant assume la décision économique lorsque génération de demande, stocks et priorités de démarque se contredisent ?
Sécurité : le code d’extension exige des limites imposées
L’API de profils clients documente des jetons OAuth avec des périmètres de ressources et des dates d’expiration. Ce sont des contrôles précis de l’accès aux données. (18) La description des environnements clients d’Order Right donne un contexte de déploiement, mais peu de détails sur les accès privilégiés du support, la récupération après des modifications destructrices ou l’application de l’isolation.
Active Content soulève une inquiétude plus concrète. Son éditeur CodeFusion permet aux utilisateurs d’écrire du JavaScript, d’accéder aux modèles de données internes et d’appeler des API externes. Le guide de création montre un exemple de récupération de profil client ; le guide de test demande d’examiner les résultats, puis d’enregistrer et de publier. (19, 20, 21)
L’accès documenté au réseau et aux données rend le confinement indispensable. Un script erroné ou une intégration compromise peut divulguer des informations clients sans jamais modifier un enregistrement métier. Les guides publics n’expliquent ni restrictions imposées aux destinations, ni séparation des secrets, ni privilèges de données par script, ni isolation de l’exécution entre clients, ni limites de ressources, ni approbation indépendante pour la production.
Le guide de l’API POST indique que sa finalité est la récupération de données plutôt que la modification de systèmes distants. Il n’explique pas comment cette restriction est imposée au service destinataire et expose des fonctions de journalisation des requêtes et réponses. (22) Les services distants déterminent les effets des requêtes reçues ; un usage déclaré ne remplace pas des frontières d’accès.
Cette inquiétude concerne la surface d’extension d’Active Content. La documentation n’établit pas que les utilisateurs d’Order Right exécutent du JavaScript. Elle montre toutefois pourquoi la programmabilité de l’ensemble de la suite exige un exposé de sécurité plus solide que des instructions de test et la vigilance des utilisateurs.
Résultats clients et responsabilité économique
Le cas d’un distributeur alimentaire du Moyen-Orient est particulièrement utile, car il distingue le pilote de l’extrapolation mise en avant. Trois rayons d’un magasin phare auraient réduit les stocks de 21 % et les occurrences de rupture de 9 %. Le chiffre de $60 millions annoncé dans le titre est projeté sur plus de 300 magasins. (7)
Ce pilote est potentiellement intéressant, mais le chiffre à l’échelle du réseau n’est pas un rendement réalisé. Les rayons retenus avaient connu des hausses de stock particulièrement fortes ; un déploiement plus large doit donc montrer que l’amélioration initiale se généralise. Le récit ne publie ni période d’observation, ni référence financière, ni coûts d’implémentation et d’exploitation, ni méthode séparant les effets du logiciel des autres changements.
Le même cas situe la disponibilité deux semaines après l’intégration des données. Cela exclut de l’intervalle annoncé une partie potentiellement substantielle de l’implémentation. L’évaluation des délais et des coûts doit inclure la préparation des données et la maintenance continue.
Le cas du distributeur multiformat rapporte des améliorations des démarques et des transferts, en plus de son taux de précision indéfini de 95 %. Déplacer des stocks vers les magasins où existe la demande est une action utile, mais la valeur annoncée des stocks transférés n’est pas du profit ; les ventes perdues estimées comme évitées ne le sont pas davantage. (23) La marge supplémentaire doit intégrer les coûts de transfert, les ventes déplacées, les démarques et les stocks restant invendus.
Les récits publics d’Algonomy ne définissent ni condition d’échec économique net, ni obligations client bornées, ni responsabilité pour corriger des résultats décevants. Cela rend la proposition économique difficile à réfuter. Cela empêche aussi les succès publiés d’étayer une estimation fiable du rendement attendu sur plusieurs déploiements.
Note en supply chain
Profondeur en supply chain
| Critère | Note |
|---|---|
| Cadrage économique | 3/10 |
| Aboutissement opérationnel de la décision | 6/10 |
| Netteté conceptuelle en supply chain | 4/10 |
| Indépendance vis-à-vis de doctrines centrales dépassées | 4/10 |
| Résistance à la mise en scène des KPI | 1/10 |
Moyenne : 3,6/10
Cadrage économique — 3/10. La casse et les coûts de stock figurent dans la proposition, mais l’objectif monétaire du moteur de commande n’est pas publié. Les usages concurrents de trésorerie, de rayon et de transport manquent donc d’une règle de valorisation examinable. (3)
Aboutissement opérationnel de la décision — 6/10. Les recommandations d’achat et de transfert disposent d’un chemin d’exécution vers l’ERP. C’est une sortie opérationnelle concrète ; les preuves publiques n’établissent pas combien d’approbations et de traitements d’exceptions subsistent d’un déploiement à l’autre. (2)
Netteté conceptuelle en supply chain — 4/10. Durée de conservation, conditionnements, promotions et substitution reçoivent un traitement précis. Les aborder comme entrées et fonctionnalités laisse non résolues les interactions économiques à l’échelle du système. (3, 4)
Indépendance vis-à-vis de doctrines centrales dépassées — 4/10. La génération automatique des commandes réduit la dépendance aux tableurs. La conception centrale privilégie toujours la prévision suivie d’un réapprovisionnement configuré, les choix de politiques portant une grande part de la charge économique. (2, 25)
Résistance à la mise en scène des KPI — 1/10. Les précisions indéfinies de 97 % et 95 % empêchent une évaluation utile. Elles ne peuvent démontrer ni précision à l’horizon de commande SKU-lieu, ni meilleures décisions économiques. (5, 23)
Substance des décisions et de l’optimisation
| Critère | Note |
|---|---|
| Profondeur de la modélisation probabiliste | 2/10 |
| Substance distinctive de l’optimisation ou de l’apprentissage automatique | 4/10 |
| Prise en compte des contraintes réelles | 6/10 |
| Automatisation des décisions et productivité du travail | 6/10 |
| Résilience face à la complexité opérationnelle réelle | 4/10 |
Moyenne : 4,4/10
Profondeur de la modélisation probabiliste — 2/10. Une offre de conseil mentionne des modèles probabilistes de demande. Aucun exposé public d’Order Right n’établit des résultats conjoints calibrés de demande et d’approvisionnement alimentant la valorisation des commandes. (9, 3)
Substance distinctive de l’optimisation ou de l’apprentissage automatique — 4/10. La modélisation hiérarchique et la sélection automatique des modèles fournissent une approche de prévision identifiable. Les nombres de candidats et l’optimiseur propriétaire rendent difficile l’évaluation de la contribution numérique distinctive. (2)
Prise en compte des contraintes réelles — 6/10. La documentation de réapprovisionnement couvre plusieurs restrictions concrètes du commerce. Reste à savoir comment le logiciel arbitre les contraintes souples et alloue les ressources communes lorsque des plans individuellement réalisables se concurrencent. (3)
Automatisation des décisions et productivité du travail — 6/10. La génération des commandes et les processus fournisseurs documentés chez Keells suppriment du travail récurrent. Les nouveaux assistants manquent de mesures montrant des économies de travail supplémentaires par rapport à cette automatisation existante. (2, 15)
Résilience face à la complexité opérationnelle réelle — 4/10. Les paramètres de cycle de vie des produits et les prédicteurs configurables offrent des voies d’adaptation. Les modifications des objectifs, du sens des données ou des actions disponibles restent dépendantes de l’intervention de l’éditeur, sans exposé public des tests et déploiements reproductibles. (2)
Intégrité du produit et de l’architecture
| Critère | Note |
|---|---|
| Cohérence architecturale | 4/10 |
| Clarté des frontières du système | 5/10 |
| Sérieux en matière de sécurité | 3/10 |
| Sobriété logicielle et coût de possession | 4/10 |
| Compatibilité avec les opérations programmatiques et assistées par agents | 5/10 |
Moyenne : 4,2/10
Cohérence architecturale — 4/10. La documentation propre aux produits identifie des composants fonctionnels. Leurs différents environnements de données et d’exécution manquent d’un exposé publié sur une logique économique de décision commune. (16, 17)
Clarté des frontières du système — 5/10. Le passage des commandes et les rôles dans les transactions fournisseurs sont compréhensibles. La responsabilité de réconcilier les données et les décisions commerciales concurrentes entre modules reste moins explicite. (2, 14)
Sérieux en matière de sécurité — 3/10. L’authentification à périmètre limité est documentée pour les données clients. Le confinement du code d’extension écrit par les utilisateurs métier est mal expliqué, tandis que les mécanismes de récupération et d’accès privilégié propres à la planification restent opaques. (18, 19, 20, 21)
Sobriété logicielle et coût de possession — 4/10. Les descriptions de déploiement et de service révèlent un travail important d’ingénierie des données et de configuration. Les cas publics ne quantifient pas ce travail continu et ne justifient pas son coût par la valeur supplémentaire des décisions. (2, 9)
Compatibilité avec les opérations programmatiques et assistées par agents — 5/10. API, exports et intégrations commerciales scriptées offrent des surfaces d’automatisation. Les objectifs et le processus de révision du moteur de planification sont beaucoup moins accessibles à une amélioration programmatique. (18, 20, 24)
Transparence technique
| Critère | Note |
|---|---|
| Documentation technique publique | 5/10 |
| Examen possible sans médiation de l’éditeur | 4/10 |
| Visibilité de la portabilité et de la dépendance | 4/10 |
| Transparence de la méthode d’implémentation | 5/10 |
| Densité de preuves derrière les affirmations techniques | 3/10 |
Moyenne : 4,2/10
Documentation technique publique — 5/10. Les API de données clients et d’Active Content sont largement documentées. Les méthodes de supply chain reçoivent des FAQ et fiches produit plutôt qu’une documentation numérique comparable. (18, 2, 3)
Examen possible sans médiation de l’éditeur — 4/10. Le comportement des intégrations peut être examiné publiquement. La valorisation des commandes, la calibration de l’incertitude et les changements d’algorithmes ne peuvent être reproduits indépendamment à partir des documents publiés. (2, 18)
Visibilité de la portabilité et de la dépendance — 4/10. Les exports de commandes et les destinations documentées des données clients facilitent le déplacement des enregistrements. L’export de la logique de réapprovisionnement apprise, des dépendances de configuration et de l’historique complet des décisions n’est pas expliqué de manière comparable. (24)
Transparence de la méthode d’implémentation — 5/10. La documentation produit et les récits clients décrivent l’intégration des données et les changements de processus. Ils rendent moins visibles la maintenance continue, les tests d’acceptation et la responsabilité des corrections. (2, 15)
Densité de preuves derrière les affirmations techniques — 3/10. Les exemples opérationnels étayent certaines capacités. Les assertions les plus ambitieuses de précision et d’intelligence apportent peu de preuves expérimentales. (6, 7, 5)
Sérieux de l’éditeur
| Critère | Note |
|---|---|
| Sérieux technique de la communication publique | 3/10 |
| Intégrité de la feuille de route technologique | 3/10 |
| Netteté conceptuelle | 3/10 |
| Responsabilité économique | 3/10 |
| Défendabilité dans un monde de logiciels agentiques | 4/10 |
Moyenne : 3,2/10
Sérieux technique de la communication publique — 3/10. Des descriptions produit utiles coexistent avec une précision indéfinie, des nombres d’algorithmes et des affirmations inexpliquées sur la prévision générative. Ces affirmations empêchent une évaluation rigoureuse de la proposition centrale du produit. (5, 11, 25)
Intégrité de la feuille de route technologique — 3/10. L’historique daté établit des produits de réapprovisionnement et de collaboration fournisseurs livrés. Les promesses successives d’intelligence conversationnelle manquent d’un bilan mesuré des progrès de capacité et de productivité. (10, 13, 14, 15)
Netteté conceptuelle — 3/10. Le récit public traite régulièrement la précision prédictive, les suggestions de prochaine action et l’optimisation économique comme interchangeables. Leurs exigences différentes sont centrales pour un moteur d’achat fiable. (13, 25)
Responsabilité économique — 3/10. Les cas clients signalent des changements de mesures opérationnelles, mais les rendements nets et les conditions d’échec restent indéfinis. Les projections de pilotes et les valeurs de stocks transférés ne satisfont pas la promesse économique plus large. (7, 23)
Défendabilité dans un monde de logiciels agentiques — 4/10. Les intégrations installées et les processus métier conservent leur valeur. Une interface conversationnelle devient de plus en plus facile à reproduire ; une différenciation durable exige de meilleures décisions et une maintenance moins coûteuse de la logique qui les produit. (14, 15)
Sources
Toutes les sources ont été consultées le 4 novembre 2026. Les dates de publication sont indiquées lorsqu’elles sont disponibles ; la documentation non datée reflète la version publique examinée.
ADA acquiert Algonomy. 2026-07-30. Acquisition achevée et marque ADA.
FAQ d’Order Right. Non datée ; consultée le 2026-11-04. Prévisions, chemins d’exécution, configuration, support et déploiement.
[3] Fiche technique d’Order Right
Fiche technique d’Order Right. Répertoire d’URL 2022-06. Réapprovisionnement fondé sur les prévisions, contraintes, sélection du risque et critères de casse.
[4] Order Right pour le commerce alimentaire
Order Right pour le commerce alimentaire. Non datée. Programmation alimentaire, effets promotionnels et configuration des alertes.
[5] Prévision de la demande avec une précision hyperlocale
Prévision de la demande avec une précision hyperlocale. Non datée. Affirmation indéfinie de précision à 97 % et processus de prévision.
[6] Distributeur alimentaire d’Asie du Sud-Est
Distributeur alimentaire d’Asie du Sud-Est. Non datée. Périmètre des améliorations de prévision et cas de réapprovisionnement multi-échelons.
[7] Un distributeur alimentaire du Moyen-Orient projette $60M d’économies de stock
Un distributeur alimentaire du Moyen-Orient projette $60M d’économies de stock. Non datée. Pilote dans un magasin, améliorations annoncées et projection à l’échelle du réseau.
[8] Méthodes et soumissions du concours M5
Méthodes et soumissions du concours M5. Commit fixe du dépôt. Soumissions de prévisions des organisateurs utilisées pour la comparaison des agrégations.
[9] Services d’intelligence décisionnelle en données et IA
Services d’intelligence décisionnelle en données et IA. Non datée. Prévision probabiliste propre au conseil et architecture Databricks.
Manthan dévoile Maya. 2017-01-16. Annonce de Maya à l’époque et interface Alexa.
Lancement d’Algonomy. 2021-01-19. Fusion achevée, périmètre de la plateforme et affirmations sur les algorithmes.
[12] Intention d’acquérir l’activité de Linear Squared
Intention d’acquérir l’activité de Linear Squared. 2022-01-05. Acquisition proposée et extension prévue de la prévision.
[13] Planification des approvisionnements et Maya
Planification des approvisionnements et Maya. Non datée. Maya et processus actuel de merchandising.
[14] Collaboration fournisseurs et ATLAS
Collaboration fournisseurs et ATLAS. Non datée. Affirmations de processus pour Vendor Link et ATLAS.
[15] Cas Keells de collaboration fournisseurs
Cas Keells de collaboration fournisseurs. Répertoire d’URL 2024-06. Déploiement nommé, administration des fournisseurs et changements de processus.
[16] Recrutement Database Programmer chez Algonomy
Recrutement Database Programmer chez Algonomy. Non datée ; consultée le 2026-11-04. Exigences de l’employeur pour les entrepôts analytiques et le déploiement de produits.
[17] Recrutement d’ingénierie rCDP chez Algonomy
Recrutement d’ingénierie rCDP chez Algonomy. Ancienne publication de recrutement. Éléments historiques de recrutement cloud et logiciel propres à l’équipe.
[18] Présentation de l’API de profils clients
Présentation de l’API de profils clients. Documentation actuelle. Périmètres d’autorisation des profils clients et comportement des jetons.
[19] Créer un script CodeFusion
Créer un script CodeFusion. Documentation actuelle. JavaScript écrit par l’utilisateur et processus de publication.
[20] Développer un script CodeFusion
Développer un script CodeFusion. Documentation actuelle. Accès aux données internes et possibilités d’API externes.
[21] Tester un script CodeFusion
Tester un script CodeFusion. Documentation actuelle. Étapes manuelles de test, d’enregistrement et de publication.
API POST de CodeFusion. Documentation actuelle. Finalité déclarée de simple récupération et comportement de journalisation.
[23] Planification commerciale d’un distributeur multiformat
Planification commerciale d’un distributeur multiformat. Non datée. Affirmations sur la précision, les démarques et les transferts de stock.
[24] Paramètres de destination Amazon S3
Paramètres de destination Amazon S3. Documentation actuelle. Configuration d’une destination d’export de données.
[25] Prévision de la demande et réapprovisionnement actuels
Prévision de la demande et réapprovisionnement actuels. Non datée. Étiquette actuelle d’IA générative et processus de réapprovisionnement.