L'analyse de ClearOps, fournisseur de logiciels Supply Chain

Par Léon Levinas-Ménard

Dernière mise à jour: Novembre, 2025

ClearOps est une entreprise de logiciels basée à Munich spécialisée dans les supply chains aftersales des fabricants de machines, exploitant une cloud platform qui connecte les OEM avec des milliers de dealers et leur parc de machines installées afin d’améliorer la disponibilité des pièces de rechange et le temps de fonctionnement des machines. Fondée au milieu des années 2010 sous la direction du CEO William Barkawi et incubée au sein du groupe Barkawi supply chain, ClearOps se positionne comme une couche intermédiaire indépendante entre les OEM, les systèmes de gestion de concessionnaires et, de plus en plus, les partenaires d’extraction de processus et d’optimisation. La plateforme a été adoptée par des OEM industriels tels que Jungheinrich, Terex et AGCO pour orchestrer les opérations aftersales à travers plus de 2 000 dealers, plus de 50 systèmes de gestion de concessionnaires et plusieurs millions de SKU de pièces détachées, avec des affirmations de planification de l’ordre de 5 millions de pièces par jour et des dizaines de milliers de commandes par semaine. Commercialement, ClearOps reste un fournisseur relativement petit mais spécialisé (environ quelques dizaines d’employés) dont l’empreinte produit est étroitement centrée sur les écosystèmes aftersales en réseau plutôt que sur la planification de supply chain à usage général. Techniquement, les preuves publiquement disponibles indiquent une intégration cloud mature et une couche de collaboration, avec des fonctionnalités d’optimisation et « AI » partiellement fournies via des partenariats (notamment Servigistics de PTC et Celonis) plutôt que par des moteurs d’optimisation multi-échelons propriétaires clairement documentés.

Aperçu de ClearOps

ClearOps se présente comme une « plateforme aftersales qui permet la collaboration entre fabricants, dealers et clients finaux », visant à garantir la disponibilité des pièces de rechange pour les OEM et l’efficacité des techniciens pour les dealers en réunissant OEM, dealers et machines sur une seule cloud platform.¹² Les documents destinés aux clients et des annuaires tiers la décrivent systématiquement comme un logiciel aftersales B2B holistique pour l’optimisation pilotée par les données de supply chain dans l’industrie de la fabrication de machines.³⁴

Le positionnement et l’échelle sont suffisamment étayés. EU-Startups et des annuaires d’entreprises indiquent que ClearOps est une startup SaaS basée à Munich dirigée par le CEO William Barkawi et que sa solution est utilisée chez de grands OEM industriels tels que Jungheinrich, Terex et AGCO depuis environ 2016.³⁴ Les mêmes sources précisent que ClearOps est déjà utilisé pour planifier environ 5 millions de pièces de rechange par jour et traiter environ 30 000 commandes par semaine à travers ces réseaux.³⁴ La description de portefeuille du groupe Barkawi affirme en outre que ClearOps a, au cours des dernières années, connecté plus de 2 000 dealers, intégré plus de 50 systèmes de gestion de concessionnaires communs et géré plus de 5 millions de SKU d’une valeur de plus d’un milliard d’euros de stocks dans des secteurs incluant la construction et les machines agricoles, les équipements de manutention et les outils électriques.⁵

La couverture régionale des startups par Munich Startup décrit l’objectif principal de ClearOps comme rendant les supply chains plus transparentes afin de minimiser les temps d’arrêt en connectant numériquement les fabricants de machines avec leurs réseaux de dealers et de distribution.⁶⁷ Un entretien ultérieur « de suivi » confirme le même récit et note que ClearOps se concentre sur la prévention des pannes grâce à cette connectivité plutôt que, par exemple, sur la planification d’entreprise générique.⁷⁸ La page À propos de ClearOps résume sa mission comme « pour que le monde de la machinerie demeure en mouvement » en exploitant les données pour transformer la façon dont les OEM gèrent leurs réseaux aftersales.⁹ Les pages clients et des études de cas soulignent que la plateforme aftersales est déjà « trusted by the world’s leading manufacturers and over 8000 associated dealers », bien que ce chiffre de plus de 8000 soit une revendication marketing sans corroboration indépendante.¹⁰

Maturité commerciale. Des listes d’effectifs telles que The Org indiquent une taille d’entreprise allant de 11 à 50 employés, dont le siège est à Munich.⁴ Combiné à la présence d’annonces d’emploi récentes pour des rôles tels que Enterprise Account Executive et DevSecOps Engineer en 2024–2025, cela suggère un fournisseur SaaS de petite taille mais en recrutement actif, toujours plus proche d’une phase de scale-up que d’un statut de grande entreprise.¹¹¹² Il n’y a aucune preuve de levées de fonds en capital-risque majeures; au contraire, ClearOps semble être incubé et financé au sein du groupe Barkawi, qui se spécialise dans la création d’entreprises technologiques pour la supply chain issues du conseil et des missions client.¹¹ Des interviews publiques mentionnent « financement et défis » mais ne fournissent pas de détails précis sur la répartition du capital ou les tours de table.⁷⁸ Dans l’ensemble, ClearOps est mieux caractérisé comme un fournisseur SaaS ciblé et spécialisé verticalement, avec plusieurs références OEM de haut niveau et une échelle de production significative, mais une taille organisationnelle encore modeste.

ClearOps vs Lokad

ClearOps et Lokad opèrent tous deux dans le vaste domaine des logiciels de supply chain, mais ils occupent des couches différentes de la pile et incarnent des philosophies distinctes.

ClearOps est étroitement concentré sur les écosystèmes aftersales en réseau pour les OEM de machines industrielles. Sa proposition de valeur déclarée consiste à connecter les OEM, les dealers, les systèmes DMS/ERP et, de plus en plus, la télémétrie des machines sur une unique cloud platform pour améliorer la disponibilité des pièces de rechange et le temps de fonctionnement des machines à travers des réseaux de dealers distribués.¹²⁶ En pratique, ClearOps fonctionne comme un hub d’hyper-connectivité et d’orchestration : il standardise et ingère des données provenant de plus de 50 systèmes de gestion de concessionnaires et de plus de 2 000 dealers, centralise les informations relatives aux pièces, aux commandes et au parc installé, et expose des workflows collaboratifs et des analyses aux OEM et aux dealers.⁵¹⁰

Lokad, en revanche, se positionne comme un moteur d’optimisation quantitative programmatique pour les supply chains dans de nombreuses industries (commerce de détail, fabrication, aéronautique, etc.), et pas uniquement pour l’aftersales des machines. Sa cloud platform est construite autour d’Envision, un langage de domaine spécifique (DSL) conçu spécifiquement pour l’optimisation prédictive des supply chains.¹³¹⁴ Lokad met l’accent sur la prévision probabiliste et l’optimisation numérique : il modélise des distributions complètes de la demande et des délais, puis optimise les décisions (quantités de commande, allocations, plans de production, tarification) afin de maximiser les résultats économiques attendus.¹²¹⁵ La plateforme est explicitement pilotée par le code : les Supply Chain Scientist expriment la logique de prévision et d’optimisation dans des scripts Envision, qui s’exécutent automatiquement sur une infrastructure SaaS multi-tenant.¹³¹⁴¹²

D’un point de vue technique et d’architecture, les documents publics de ClearOps mettent en avant une connectivité étendue aux systèmes DMS/ERP des dealers via un hub d’intégration déjà connecté à plus de 80 systèmes ERP, promettant une « intégration rapide et durable des systèmes » à travers le réseau de dealers.¹⁶ Cela souligne sa force en intégration des données, digitalisation des workflows et UX spécifique aux rôles pour les OEM et les dealers. Cependant, la documentation de ClearOps reste relativement vague sur les algorithmes internes ; des descriptions détaillées des approches de prévision, des solveurs d’optimisation ou des modèles probabilistes font défaut dans les sources publiques.

Lokad, en revanche, documente ouvertement le cœur de sa pile : la documentation technique décrit Lokad comme une plateforme SaaS programmatique où les scripts Envision implémentent l’ensemble du pipeline : intégration des données, modélisation probabiliste et optimisation décisionnelle.¹³¹² Le moteur de prévision de Lokad est décrit comme fournissant des prévisions de demande probabilistes intégrées qui intègrent des délais probabilistes, tenant compte de la saisonnalité, des cycles de vie des produits et des distorsions de la demande telles que les ruptures de stock et les promotions.¹⁵ Les explications propres à Lokad et les études de cas expliquent en outre que les décisions (commandes d’achat, allocations, etc.) sont dérivées via des solveurs numériques et une optimisation stochastique, et non par des règles heuristiques.¹²¹⁵¹⁷

En ce qui concerne « AI » et optimisation, les liens les plus explicites de ClearOps avec des moteurs d’optimisation avancés proviennent de son partenariat avec Servigistics de PTC : l’annonce conjointe PTC–ClearOps présente ClearOps comme fournissant une intégration des données à travers le réseau de supply chain de service, tandis que Servigistics apporte des « capacités d’optimisation des pièces de service » qui reposent sur l’IA, le machine learning et l’optimisation multi-échelons.¹⁷¹⁸¹⁹ En d’autres termes, l’optimisation de niveau industriel dans l’écosystème ClearOps est, d’après les preuves publiques, largement déléguée à un produit partenaire (Servigistics). Un deuxième partenariat, plus récent, avec Celonis positionne ClearOps en tant que spécialiste pour « maximiser le temps de fonctionnement des machines en orchestrant des écosystèmes de service connectés », Celonis fournissant l’extraction de processus et des capacités de process-intelligence pour mettre en lumière les goulets d’étranglement et favoriser des décisions proactives.²⁰²¹¹⁶

Lokad, en comparaison, intègre directement sa propre pile de prévision probabiliste et d’optimisation dans sa plateforme. Sa documentation et son manifeste mettent l’accent sur le fait que l’incertitude est modélisée explicitement à travers des prévisions probabilistes, et que les solveurs numériques considèrent et évaluent toutes les décisions possibles afin de choisir celles qui optimisent les objectifs économiques.¹²¹⁵²² La participation de Lokad au concours de prévision M5, où une équipe de Lokad s’est classée 6e sur 909 équipes au total (et a ensuite affiché une performance de niveau SKU en tête), fournit une preuve indépendante de ses capacités de prévision.²³¹²⁴

En termes de surface produit et de modèle utilisateur, ClearOps se rapproche davantage d’une couche applicative : les équipes produit des OEM, les opérations des dealers et les responsables de service travaillent au sein d’une interface utilisateur spécifique au domaine conçue autour des processus aftersales (workflows de commande des dealers, campagnes de service, tableaux de bord de disponibilité des pièces). Les OEM peuvent ensuite intégrer des moteurs d’optimisation lourds ou d’extraction de processus (Servigistics, Celonis) en dessous ou à côté de ClearOps via des partenariats.¹⁷²⁰²¹ Lokad se rapproche davantage d’un moteur d’analyse et d’un environnement de développement : les Supply Chain Scientist écrivent du code Envision et exposent les tableaux de bord et listes d’actions résultants aux planificateurs ; il n’existe pas d’« application aftersales » préconçue à proprement parler, mais des blocs de construction à usage général pour encoder n’importe quel modèle de supply chain.¹³¹⁴¹²

Pour un OEM de machines, cela se traduit par des compromis :

Si le principal problème est la fragmentation des données des dealers, des intégrations DMS incohérentes et un manque de visibilité unifiée/de workflows standardisés, le hub d’intégration, la connectivité des dealers et l’UX OEM/dealer de ClearOps répondent directement au problème, avec des déploiements éprouvés dans ce contexte précis.⁵⁶¹⁰²²²⁵
Si le principal problème est d’optimiser mathématiquement les stocks, la production et les décisions de tarification à travers de nombreux échelons en situation d’incertitude, le moteur de modélisation probabiliste et d’optimisation de Lokad cible ce problème plus directement, mais il attend que le client (avec l’aide de Lokad) code sa logique métier de manière programmatique.¹³¹²¹⁵¹⁷

Ces approches ne sont pas strictement mutuellement exclusives : un OEM pourrait, en théorie, utiliser ClearOps comme couche de données et de workflows aftersales pour son réseau de dealers et alimenter des données nettoyées et standardisées dans un moteur d’optimisation quantitative tel que Lokad ou Servigistics. Cependant, tel que positionné actuellement dans les documents publics, ClearOps met l’accent sur la connectivité et la collaboration opérationnelle, tandis que Lokad met l’accent sur l’optimisation quantitative et l’automatisation de la prise de décision.

Contexte d’entreprise, propriété et historique

ClearOps est décrit à plusieurs reprises comme une startup basée à Munich dirigée par le CEO et fondateur William Barkawi.³⁶⁷¹⁹ L’entreprise semble avoir été fondée au milieu des années 2010 : EU-Startups note que sa solution SaaS basée sur le cloud est utilisée « depuis 2016 » chez de grands OEM industriels.³ Le premier profil de Munich Startup (2022) décrit ClearOps comme une jeune entreprise visant une « visibilité maximale de la supply chain pour un temps d’arrêt minimal » en connectant les fabricants de machines avec leurs réseaux de dealers et de distribution.⁶

Le Barkawi Group, un groupe de conseil et de technologie spécialisé de longue date dans la supply chain, répertorie ClearOps parmi ses sociétés de portefeuille et indique que les entreprises Barkawi émergent généralement en interne à partir de recherches sur la demande, des exigences client ou des projets de transformation, avec un financement initial et en phase de démarrage assuré par Barkawi lui-même.¹¹⁵ La page en allemand de Barkawi à propos de ClearOps quantifie la portée de la plateforme (plus de 2 000 dealers, plus de 50 systèmes DMS, >5m SKU, plus d'1 milliard d’euros de stocks), suggérant que ClearOps a mûri au sein de l’écosystème Barkawi avant (ou parallèlement à) un marketing externe.⁵

Il n’existe aucune preuve publique que ClearOps ait été acquis ou qu’elle ait acquis d’autres entreprises. Les interviews disponibles évoquent le financement et les défis sans mentionner de levées de fonds externes, d’investisseurs stratégiques majeurs ou de fusions-acquisitions.⁷⁸ De cela, l’interprétation la plus prudente est :

ClearOps est privée, probablement majoritairement détenue au sein de l’écosystème Barkawi ainsi que par le fondateur et les premiers employés.
La croissance semble organique et fondée sur des références, ancrée dans un petit nombre de grands programmes OEM plutôt que dans une hyper-croissance soutenue par le VC.

Cette structure de propriété reflète celle d’autres entreprises d’origine Barkawi et est cohérente avec le focus vertical étroit de ClearOps et son effectif relativement réduit.

Portée du produit et couverture fonctionnelle

Portée fonctionnelle : écosystèmes aftersales et réseaux de dealers

Sur l’ensemble de son site, ClearOps présente systématiquement son produit comme une plateforme aftersales pour les OEM et les dealers, et non comme une suite de planification générale de supply chain.¹²¹⁰¹⁹ Les thèmes fonctionnels clés incluent :

Intégration des dealers/DMS et unification des données. ClearOps fait la promotion d’un « hub d’intégration avancé » déjà connecté à plus de 80 systèmes ERP différents, visant explicitement à offrir aux OEM « visibilité et contrôle » sur les réseaux de dealers et de distribution fragmentés « en un rien de temps » grâce à sa suite d’hyper-connectivité.¹⁶ Barkawi quantifie cela à plus de 50 systèmes de gestion de concessionnaires intégrés au fil du temps.⁵
Disponibilité des pièces de rechange et temps de fonctionnement. La page d’accueil allemande de ClearOps indique que la plateforme assure la disponibilité des pièces de rechange pour les OEM et l’efficacité des techniciens pour les dealers en réunissant OEM, dealers et machines sur une seule plateforme.² Munich Startup souligne que l’objectif est de prévenir les pannes en rendant la supply chain plus transparente.⁶⁷
Workflows après-vente et collaboration. Les pages clients et études de cas décrivent des workflows collaboratifs entre OEMs et concessionnaires : par exemple, Terex indique qu’exploiter le ClearOps Aftersales Hub permet aux concessionnaires de gagner du temps sur les tâches quotidiennes grâce à l’automatisation des processus, d’améliorer les profils de stocks en réduisant l’obsolescence tout en augmentant la disponibilité des pièces, et finalement d’augmenter les ventes et la fidélité à la marque.²² Cela implique des capacités telles que des propositions de commande automatisées, la gestion des exceptions et la gestion des campagnes, bien que la documentation publique s’arrête avant d’entrer dans le détail des diagrammes de workflow.
Analyse au niveau OEM sur l’ensemble du réseau. Les études de cas font référence à des OEMs utilisant ClearOps pour obtenir une visibilité transversale sur le réseau, identifier les endroits en sous- ou sur-stock et coordonner les actions entre concessionnaires. Par exemple, l’« Étude de succès » d’AGCO mentionne un vaste réseau de plus de 2 000 concessionnaires confrontés aux pénuries de pièces et à un service réactif, positionnant implicitement ClearOps comme la couche digitale pour résoudre ces problèmes.²⁵

Notablement, ClearOps ne présente pas de modules tels que « demand planning », « S&OP » ou « network design » de la même manière que le font les fournisseurs APS classiques. Son champ d’action est plus restreint mais plus approfondi dans le contexte après-vente : il cible la problématique spécifique des réseaux de concessionnaires fragmentés et des bases installées dans des industries où l’arrêt des machines est coûteux (engins de construction, machines agricoles, manutention).

Clients nommés et cas d’utilisation de référence

Les références nommées sont relativement solides pour une entreprise de la taille de ClearOps :

EU-Startups et les profils d’entreprise indiquent que ClearOps est utilisé chez Jungheinrich, Terex et AGCO depuis 2016.³⁴
La section études de cas de ClearOps répertorie plusieurs OEMs, dont Jungheinrich, Terex et d’autres, même si toutes les études de cas ne sont pas entièrement accessibles sans inscription.¹⁰²⁴²²
L’étude de cas de Terex attribue explicitement l’amélioration de l’efficacité des concessionnaires et des profils de stocks au ClearOps Aftersales Hub.²²
L’étude de succès d’AGCO se concentre sur le défi de maintenir la disponibilité des pièces à travers un réseau de plus de 2 000 concessionnaires pour protéger la continuité de service des agriculteurs, positionnant implicitement ClearOps comme la plateforme facilitatrice.²⁵

Ce sont des clients vérifiables et nommés dans les segments cibles (material-handling, engins de construction, machines agricoles) disposant de réseaux de concessionnaires mondiaux, ce qui soutient les affirmations de ClearOps quant à son exploitation à grande échelle. Cependant, les études de cas publiquement disponibles restent principalement qualitatives ; elles ne divulguent pas d’indicateurs quantitatifs (par exemple, des réductions en pourcentage spécifiques des stocks ou des temps d’arrêt attribuables exclusivement à ClearOps), ni ne détaillent les algorithmes internes.

En revanche, les affirmations marketing de ClearOps selon lesquelles elle est « de confiance parmi les principaux fabricants mondiaux et plus de 8000 concessionnaires associés » doivent être considérées comme de niveau marketing : les identités spécifiques des OEM au-delà des exemples nommés et le décompte précis de plus de 8000 concessionnaires ne sont pas vérifiés indépendamment.¹⁰

Architecture, pile technologique et intégrations

Hub d’intégration et modèle de données

Les pages produits publiques et la sous-page d’intégration DMS décrivent une image architecturale cohérente : ClearOps exploite un hub d’intégration conçu pour intégrer rapidement les OEM et leurs concessionnaires en se connectant aux systèmes ERP/DMS existants.¹⁶ Le hub est déjà connecté à plus de 80 systèmes ERP différents et à plus de 50 solutions de gestion de concessionnaires, permettant l’ingestion des commandes, des stocks, des données sur les machines et des données clients dans une plateforme cloud centrale.⁵¹⁶

À partir de cela, nous pouvons déduire quelques caractéristiques :

La plateforme repose très probablement sur une infrastructure cloud multi-tenant, compte tenu de la diversité des systèmes de concessionnaires auxquels elle se connecte et de son positionnement en tant que SaaS ; EU-Startups décrit explicitement ClearOps comme une solution SaaS basée sur le cloud.³
Le modèle de données logique central semble tourner autour d’entités telles que l’emplacement du concessionnaire, l’OEM, la machine, la pièce, la commande et la base installée, permettant des analyses et des workflows à l’échelle du réseau.
La couche d’intégration doit gérer des qualités de données variables et des schémas différents à travers chaque DMS – une tâche d’ingénierie non triviale – mais il n’existe pas de documentation technique publique sur la manière dont l’harmonisation des schémas, la latence des données ou le traitement des erreurs sont implémentés. Par exemple, il n’est pas précisé si ClearOps utilise une architecture pilotée par les événements, des files de messages ou des outils ETL spécifiques.

Bien que cette architecture soit plausible et cohérente avec le problème à résoudre, ClearOps publie très peu de détails sur sa pile interne : il n’est fait aucune mention publique du principal fournisseur de cloud (AWS/Azure/GCP), des langages de programmation, des bases de données (relationnelles vs documentaires vs en colonnes) ou de frameworks spécifiques. Des annonces d’emploi occasionnelles pour des ingénieurs DevSecOps suggèrent une posture moderne en CI/CD et en sécurité cloud, mais elles n’énumèrent pas la pile.¹¹ Par conséquent, toute évaluation technique plus approfondie de la scalabilité ou de la tolérance aux pannes serait spéculative.

Optimisation et analytique : ClearOps vs moteurs partenaires

Les informations techniques les plus concrètes sur l’optimisation proviennent non pas du site de ClearOps lui-même, mais des documents du partenaire PTC sur Servigistics :

PTC positionne Servigistics comme fournissant une optimisation multi-échelon des stocks pour les pièces de service, en utilisant des algorithmes avancés, l’AI et le machine learning pour optimiser les niveaux de stock dans des réseaux de service complexes.¹⁸¹⁹
Le blog conjoint PTC–ClearOps présente la contribution de ClearOps comme une « technologie d’intégration de données de pointe » et celle de Servigistics comme des « capacités d’optimisation des pièces de service de premier ordre », dans le but de combiner ces technologies pour offrir une meilleure visibilité et communication à travers la supply chain de service.¹⁷

Cela suggère fortement que pour les clients utilisant à la fois Servigistics et ClearOps, ClearOps est avant tout le tissu de données et de collaboration, tandis que Servigistics joue le rôle du cerveau de l’optimisation pour les stocks de pièces de service. Dans ces cas-là, le rôle de ClearOps est essentiel (sans bonnes données, l’optimisation n’a aucun sens), mais la lourde charge des calculs mathématiques est externalisée.

Les pages de ClearOps évoquent l’automatisation, la recommandation et l’analytique, mais ne décrivent pas les algorithmes en termes formels (par exemple, aucune mention de prévision probabiliste, de modèles multi-échelons, d’optimisation stochastique ou de techniques spécifiques de machine learning). En l’absence d’une telle documentation, l’interprétation la plus prudente est :

ClearOps inclut probablement une automatisation basée sur des règles et une analytique de base pour les workflows des concessionnaires (par exemple, des suggestions de réapprovisionnement, la classification ABC, des alertes), comme le font la plupart des plateformes SaaS modernes dans ce créneau.
Pour une planification sophistiquée des pièces de service fondée sur une optimisation multi-échelons et une forte utilisation de l’AI, ClearOps s’appuie sur des moteurs partenaires tels que Servigistics, qui sont explicitement commercialisés comme offrant ces capacités.¹⁷¹⁸¹⁹

Le partenariat plus récent avec Celonis s’inscrit dans ce modèle : Celonis fournit une plateforme de process mining et d’intelligence des processus qui ingère des données d’événements, découvre les goulets d’étranglement des processus et recommande des améliorations.²⁰²¹¹¹¹⁵ ClearOps apporte des données réseau et un contexte sectoriel, tandis que Celonis fournit un moteur mature d’intelligence des processus. Là encore, ClearOps est l’orchestrateur et le connecteur plutôt que le moteur de process mining lui-même.²⁰²¹¹⁶

D’un point de vue à la pointe de la technologie, cette approche écosystémique est raisonnable et souvent pragmatique, mais cela signifie que les algorithmes propriétaires de ClearOps (le cas échéant) restent en grande partie opaques dans les documents publics. Les acheteurs potentiels devraient donc considérer les affirmations concernant l’« optimisation » ou l’« AI » dans le marketing de ClearOps comme conditionnelles aux produits partenaires effectivement déployés dans un projet donné.

Évaluation de l’AI, de l’optimisation et des affirmations à la pointe de la technologie

Preuves de l’échelle et de l’industrialisation

Sur le front de l’échelle et de l’industrialisation, les affirmations de ClearOps sont globalement crédibles et validées par de multiples sources indépendantes :

5 millions de pièces planifiées par jour et 30 000 commandes traitées par semaine sont cités par EU-Startups, The Org et plusieurs profils d’entreprise, et pas seulement par le marketing de ClearOps.³⁴⁷⁴
La description du portefeuille de Barkawi quantifie plus de 2 000 concessionnaires, plus de 50 intégrations DMS et plus de 5 millions de SKU d’une valeur de plus d'1 milliard d’euros transitant par la plateforme.⁵
Des OEM nommés (Jungheinrich, Terex, AGCO) avec des réseaux de concessionnaires mondiaux et des études de cas publiées confirment que ClearOps est utilisé dans des environnements de production réels, et pas seulement lors de projets pilotes.³¹⁰²⁴²²²⁵

Ces faits soutiennent la conclusion que ClearOps est éprouvé commercialement en tant que couche de connectivité et de collaboration dans des contextes après-vente.

Lacunes en matière de transparence algorithmique

En ce qui concerne la sophistication algorithmique et l’AI, cependant, la documentation publique de ClearOps est beaucoup moins détaillée :

Il n’existe pas d’exposé détaillé des méthodes de prévision, par exemple si ClearOps utilise des modèles classiques de séries temporelles, des modèles de machine learning, des prévisions probabilistes ou de simples heuristiques historiques.
Il n’y a aucune description de la logique d’optimisation des stocks : aucune mention d’optimisation multi-échelons, de modèles stochastiques, de simulation Monte Carlo ou même de formules traditionnelles de stock de sécurité. Lorsque de tels termes apparaissent (par exemple, « optimisation multi-échelons » ou « industrial AI »), ils se situent dans le contexte de PTC Servigistics, et non dans le code propre à ClearOps.¹⁷¹⁸¹⁹
Aucune collaboration académique, aucun code open-source ou livre blanc technique de ClearOps n’est visible publiquement pour permettre un examen indépendant de ses algorithmes.

En revanche, des partenaires comme PTC et Celonis publient des récits techniques relativement étendus sur leurs moteurs (optimisation multi-échelons, intelligence des processus alimentée par l’AI), même si ces récits restent teintés de marketing.¹⁸¹⁹²¹

Compte tenu de cela, une évaluation prudente et sceptique est :

ClearOps opère clairement à grande échelle et a industrialisé sa couche de connectivité et son modèle de données.
Les affirmations concernant une optimisation avancée ou l’AI doivent être interprétées comme se référant principalement aux produits partenaires (Servigistics, Celonis) plutôt qu’aux algorithmes propriétaires de ClearOps, sauf si ClearOps peut fournir une documentation technique contraire.
D’un point de vue de pointe, ClearOps se rapproche davantage d’une plateforme d’intégration et de collaboration moderne, native du cloud pour l’après-vente – vraisemblablement à la pointe dans sa connectivité de niche – que d’un moteur d’optimisation autonome.

Cela ne diminue pas la valeur de ClearOps dans les projets (de bonnes données et des workflows efficaces sont souvent la partie la plus difficile), mais cela clarifie où réside « l’intelligence » : principalement dans les moteurs partenaires et chez les analystes humains utilisant les données harmonisées.

Modèle de déploiement et mise en place

Les sources publiques décrivent un schéma de déploiement cohérent avec d’autres plateformes SaaS B2B dans des contextes industriels :

Le hub d’intégration permet une connexion relativement rapide aux systèmes ERP/DMS existants ; cependant, ClearOps note lui-même que le délai dépend de la taille du réseau de concessionnaires et des systèmes sous-jacents, suggérant un travail d’intégration non trivial.¹⁶
Des interviews de Munich Startup indiquent que connecter de nombreux concessionnaires et systèmes et convaincre les parties prenantes d’adopter de nouveaux workflows digitaux a constitué un défi pratique majeur.⁶⁷
Les études de cas impliquent un déploiement progressif, avec un groupe initial de concessionnaires/pilotes, suivi d’une adoption plus large du réseau une fois les bénéfices prouvés (par exemple, dans le cas de Terex).²²

Il n’existe pas de documentation publique détaillée sur la méthodologie de mise en œuvre (par exemple, les phases de projet, le nombre typique de mois jusqu’à la mise en service, des guides de gestion du changement). Pour les acheteurs potentiels, cela signifie que le risque et l’effort d’implémentation devraient être évalués via des appels de référence directs plutôt qu’en supposant un déploiement clé en main.

Conclusion

ClearOps est mieux compris comme un fournisseur SaaS spécialisé verticalement, en phase intermédiaire, axé sur les écosystèmes après-vente des OEM d’équipements industriels. Sa principale force, comme le montrent des sources indépendantes et corporatives, réside dans :

Hyper-connectivité et unification des données à travers des paysages fragmentés de concessionnaires et de systèmes DMS/ERP.¹⁵¹⁶
Collaboration opérationnelle et digitalisation des workflows entre les OEM et des milliers de concessionnaires, avec un accent sur la disponibilité des pièces de rechange et le temps de fonctionnement des machines.²⁶¹⁰²²²⁵
Échelle de production démontrée auprès d’OEM nommés tels que Jungheinrich, Terex et AGCO, traitant des millions de pièces et des dizaines de milliers de commandes chaque semaine.³⁵⁴²²²⁵

D’un point de vue de profondeur technique, les capacités documentées publiquement de ClearOps sont plus modestes :

Les affirmations concernant l’optimisation et l’AI semblent largement liées aux moteurs partenaires (PTC Servigistics pour l’optimisation multi-échelons et l’AI pour les pièces de service ; Celonis pour l’intelligence des processus) plutôt qu’à des algorithmes internes clairement spécifiés.¹⁷¹⁸¹⁹²⁰²¹¹⁶
La transparence algorithmique est faible : il n’existe aucun modèle probabiliste, solveur ou livre blanc technique décrit publiquement qui permettrait une évaluation externe rigoureuse de l’optimisation propre à ClearOps.
La maturité commerciale est solide mais pas massive : une petite équipe, incubée chez Barkawi, avec plusieurs clients phares mais loin de l’échelle des fournisseurs APS mondiaux.⁵⁷⁴¹¹

Comparé à Lokad, qui se positionne comme un moteur d’optimisation quantitative programmatique avec une prévision probabiliste documentée publiquement et une modélisation basée sur un DSL, ClearOps occupe une niche différente : il se rapproche davantage d’une couche applicative après-vente en réseau que d’un moteur d’optimisation générique. Pour les OEM dont le principal goulot d’étranglement est la digitalisation du réseau de concessionnaires et la qualité des données, ClearOps est une option crédible et éprouvée sur le terrain. Pour les organisations recherchant principalement une optimisation probabiliste à la pointe de la technologie sur l’ensemble de leur supply chain, ClearOps devrait typiquement être complété par une plateforme d’optimisation dédiée (qu’il s’agisse de Servigistics, de Lokad ou d’un autre moteur).

Dans tout processus de due diligence, un acheteur techniquement sceptique devrait donc :

Séparer la connectivité de l’optimisation et demander explicitement quelles décisions sont optimisées par ClearOps lui-même par opposition aux moteurs partenaires.
Demander des données de cas concrètes et quantitatives (réductions de stocks, améliorations du taux de service, réductions des délais) avec une attribution claire de la composante ayant apporté chaque bénéfice.
Clarifier l’architecture à long terme : ClearOps sera-t-il l’épine dorsale des données alimentant les moteurs d’optimisation, ou est-il prévu qu’il évolue en une couche d’optimisation complète ?

À la fin de 2025, les preuves publiquement accessibles étayent l’idée que ClearOps est un fournisseur sérieux et spécialisé de digitalisation du réseau après-vente, mais que ses capabilités d’optimisation à la pointe de la technologie sont principalement accessibles via des partenariats d’écosystème plutôt que par des algorithmes transparents et développés en interne.