L'analyse d'Asper.ai, Supply Chain Software Vendor

Par Léon Levinas-Ménard

Dernière mise à jour : Avril, 2025

Dans un monde de supply chain de plus en plus axé sur les données, Asper.ai émerge comme une solution SaaS basée sur le cloud visant à affiner la prévision de la demande et la prise de décision opérationnelle pour les secteurs des biens de consommation et du retail. Fondée en 2022 et intégrée au sein de la suite Fractal Analytics, la platforme “Dynamic Demand.ai” d’Asper.ai exploite diverses données internes et externes — allant des ventes historiques et des niveaux de stocks aux indicateurs macroéconomiques et aux calendriers de jours fériés — pour délivrer des prévisions et des recommandations pilotées par l’IA. Forte de déploiements rapides permettant de prouver sa valeur généralement en huit semaines et d’un accent mis sur l’explicabilité, la platforme automatise des processus décisionnels à faible risque tout en signalant les scénarios plus critiques nécessitant une intervention humaine. Conçue pour s’intégrer parfaitement aux anciens systèmes de Sales & Operation Planning et déployée sur l’infrastructure AWS (en utilisant des services tels que Redshift, EMR et ElastiCache), Asper.ai se positionne à la fois comme un facilitateur pratique et dynamique pour les cadres de supply chain cherchant à améliorer la précision des prévisions, la gestion des revenus et l’efficacité opérationnelle.

Présentation de l’entreprise

1.1 Historique et Contexte

Asper.ai a été établie en 2022, comme confirmé par les profils de startups sur YNOS ¹. La platforme est proposée sous l’égide de Fractal Analytics, soutenue par un investissement d’environ 20 millions de dollars mentionné dans des publications spécialisées ². Plutôt que de chercher à se positionner comme un unicorn indépendant, Asper.ai est présentée comme un outil conçu spécifiquement pour améliorer la prise de décision sur les marchés des biens de consommation et du retail en optimisant la prévision de la demande, les stocks et les processus de tarification.

Présentation du produit

2.1 Ce que la solution apporte

La fonctionnalité centrale de la platforme Dynamic Demand.ai d’Asper.ai se concentre sur : • Améliorer la prévision de la demande en consolidant les signaux internes tels que les ventes, les stocks et les calendriers promotionnels avec des données externes comme les jours fériés et les indicateurs économiques ³. • Optimiser les revenus et les stocks à travers des recommandations basées sur l’IA qui ajustent les tarifications, les stratégies promotionnelles et les niveaux de stock afin de réduire les coûts en fonds de roulement. • Automatiser les décisions de routine à faible risque pour permettre aux planificateurs de la demande de consacrer plus d’attention aux exceptions complexes et à fort impact.

2.2 Fonctionnement

Asper.ai ingère plusieurs sources de données structurées et non structurées afin de capturer les interactions non linéaires latentes entre les différents moteurs de demande. Son moteur de prévision piloté par l’IA met l’accent sur l’explicabilité en offrant des indications sur la manière dont chaque facteur influe sur les résultats des prévisions. Grâce à des cycles de rafraîchissement des prévisions rapides — fournissant des prévisions quasi définitives pour un horizon glissant de quatre mois en quelques jours et des mises à jour subséquentes en quelques heures —, la solution est conçue pour des déploiements prouvant rapidement sa valeur (souvent en huit semaines) et une intégration aisée avec les systèmes S&OP existants. La platforme fonctionne comme un produit SaaS basé sur le cloud sur AWS, avec des détails de déploiement disponibles via l’AWS Marketplace ⁴.

Aspects techniques et IA

3.1 Pile technologique et infrastructure

Asper.ai exploite les services cloud d’AWS (dont Redshift, EMR et ElastiCache) pour assurer l’évolutivité et un déploiement rapide. Des indicateurs provenant d’annonces d’emploi et de profils techniques suggèrent un environnement de développement moderne soutenu par des outils collaboratifs et des moniteurs de performance numérique ⁵. Cette infrastructure supporte le besoin de la platforme à gérer de grands volumes de données à travers plusieurs canaux tout en maintenant une intégration robuste avec les systèmes d’entreprise legacy.

3.2 Capacités en machine learning et IA

La platforme utilise des modèles de machine learning qui ajustent les prévisions en se basant à la fois sur des métriques internes (telles que le volume des ventes et les calendriers promotionnels) et sur des variables externes (comme les indicateurs macroéconomiques). Bien qu’Asper.ai mette en avant une “IA explicable” pour une meilleure attribution des facteurs influençant les prévisions, la documentation technique reste limitée en ce qui concerne les architectures de modèles spécifiques ou les méthodologies d’entraînement. Le système distingue également entre les scénarios de demande à haut risque et à faible risque, automatisant les décisions pour ces derniers tout en veillant à ce que les cas critiques fassent l’objet d’une vérification humaine ³⁶. Bien que les métriques de performance citées dans les études de cas client incluent des améliorations de 5 à 15 % de la précision des prévisions et jusqu’à 40 % d’augmentation de la productivité des planificateurs, les divulgations détaillées sur la validation des modèles et les marges d’erreur sont limitées ⁷.

Analyse critique et sceptique

Un examen plus approfondi révèle que, bien qu’Asper.ai adopte un déploiement moderne basé sur le cloud et intègre efficacement des sources de données diverses, plusieurs revendications techniques manquent de détails granulaires. La dépendance de la platforme aux composants AWS conformes aux normes de l’industrie soutient son évolutivité, mais l’absence de divulgations approfondies concernant les architectures de modèles ou les ensembles de données d’entraînement laisse place au scepticisme quant à savoir si son “IA conçue spécialement” représente une avancée ou simplement une application bien intégrée des techniques de prévision existantes. Les améliorations de la précision des prévisions et de la productivité des planificateurs, citées dans diverses études de cas ⁸⁹, sont prometteuses mais peuvent être fortement dépendantes de la qualité des données clients et des contextes de marché spécifiques. Ainsi, bien qu’Asper.ai offre des bénéfices opérationnels tangibles, ses revendications concernant une IA de pointe demeurent, dans une certaine mesure, promotionnelles sans une substantiation technique complète.

Asper.ai vs Lokad

Comparé à Lokad — un pionnier établi en 2008 dans le domaine de l’optimization de la supply chain —, des différences claires apparaissent. L’approche de Lokad est profondément enracinée dans une méthodologie quantitative et programmable utilisant son langage propriétaire Envision DSL et des techniques avancées incluant le deep learning et la programmation différentiable. Fonctionnant sur Microsoft Azure avec une pile technologique centrée autour de F#, C# et TypeScript, Lokad cible un large éventail d’industries (de l’aérospatiale à la mode) et met l’accent sur l’automatisation end-to-end des décisions supply chain.

En revanche, Asper.ai, fondée il y a seulement quelques années et alignée avec Fractal Analytics, se concentre spécifiquement sur les secteurs des biens de consommation et du retail. Tirant parti de l’infrastructure AWS, elle met l’accent sur une mise en œuvre rapide, l’explicabilité des résultats de l’IA et l’automatisation des processus décisionnels de routine plutôt que sur une platforme d’optimization de la supply chain hautement personnalisable et pilotée par le code. Essentiellement, alors que Lokad défend une approche profondément technique, presque “faites-le vous-même”, de l’optimization de la supply chain, Asper.ai offre une solution plus intégrée, prête à l’emploi, avec un accent sur la transparence et la facilité de déploiement. Cela rend chacune attrayante pour des segments de marché différents : Lokad pour les entreprises prêtes à investir dans un système hautement personnalisé et programmable, et Asper.ai pour les organisations cherchant à déployer rapidement une prévision améliorée et un support décisionnel sans lourdes contraintes d’ingénierie initiale.

Conclusion

Asper.ai présente une solution moderne prometteuse pour automatiser et affiner la prévision de la demande ainsi que les processus décisionnels associés dans les secteurs des biens de consommation et du retail. En intégrant diverses sources de données dans un moteur de prévision piloté par l’IA axé sur l’explicabilité et un déploiement rapide, la platforme offre des avantages concrets en termes d’amélioration de la précision des prévisions et d’efficacité opérationnelle accrue. Cependant, le manque relatif de divulgations techniques détaillées signifie que, bien que les résultats soient encourageants, les adopteurs potentiels devraient évaluer si les méthodes de la platforme représentent véritablement une percée en IA ou simplement une application bien intégrée des techniques existantes. En comparant Asper.ai avec des acteurs établis comme Lokad, il apparaît clairement que, malgré des différences d’approche et d’infrastructure — AWS et mise en œuvre rapide contre une optimization alimentée par Azure et profondément programmable —, chacun présente des atouts uniques adaptés à son marché cible.