Revue de DecisionBrain, fournisseur de logiciels d'aide à la décision

Par Léon Levinas-Ménard

Dernière mise à jour: Novembre, 2025

DecisionBrain est un éditeur de logiciels français fondé en 2012 et basé à Paris, spécialisé dans la création d’applications d’aide à la décision propulsées par l’optimisation pour la planification, la programmation et la logistique dans la fabrication, la supply chain, la gestion de la main-d’œuvre et la maintenance. Incorporée légalement en tant que DECISIONBRAIN S.A.S. fin 2012, l’entreprise est enregistrée comme une petite structure (environ 20–49 employés) et exploite des bureaux supplémentaires à Montpellier et à Bologne, avec des projets clients en Europe, dans les Amériques et en Asie.¹²³⁴ Son produit phare est DB Gene, une plateforme de développement low-code qui fournit les blocs de construction génériques communs à la plupart des applications d’aide à la décision — interface web, gestion de scénarios, services de données, sécurité et un serveur d’optimisation — afin que les experts en optimisation puissent se concentrer sur la modélisation plutôt que sur la mise en place technique.⁵ DB Gene est généralement associé à DBOS (DecisionBrain Optimization Server), une couche d’orchestration pour les charges de travail d’optimisation et d’analytics intensives en CPU qui peut être déployée sur Docker, Kubernetes ou OpenShift et est agnostique aux solveurs (soutenant IBM CPLEX, Gurobi et d’autres moteurs).⁶⁷ La même pile technologique sous-tend l’offre commerciale Decision Optimization Center (DOC) d’IBM, pour laquelle DecisionBrain est un partenaire de mise en œuvre de longue date.⁸⁹ Par-dessus cette pile, l’entreprise propose des solutions « d’intelligence décisionnelle » sur mesure — telles que la prévision de la supply chain et la planification de la demande, la conception de réseaux, l’acheminement de véhicules, l’établissement d’horaires de la main-d’œuvre et la planification de la production — mises en œuvre sous forme d’applications personnalisées plutôt que de modules préemballés.¹⁰¹¹¹² Des sources publiques répertorient une base installée de dizaines de clients d’entreprise, incluant Toyota, IBM, Carhartt, la Banque centrale européenne, JLL et de grandes entreprises de logistique et de fabrication, ce qui suggère un fournisseur commercialement mature mais encore relativement petit, axé sur des projets d’optimisation à haute valeur ajoutée.¹⁰¹³¹⁴

Aperçu de DecisionBrain

Profil de l’entreprise, historique et implantation

Les registres d’entreprises français indiquent que DECISIONBRAIN S.A.S. a été créée le 30 novembre 2012, avec son siège à Paris (10e arrondissement), avec le code NAF 6311Z (« traitement de données, hébergement et activités connexes ») et un capital social de 69 631 €.¹ L’entreprise est répertoriée dans la tranche des 20–49 employés dans les statistiques officielles et les annuaires professionnels.¹²³⁴ L’Annuaire-Entreprises (l’annuaire consolidé du gouvernement français) confirme le même SIREN (790003453), la même forme juridique et la même classification d’activité, sans indication de consolidation de groupe ; DecisionBrain semble être une PME indépendante plutôt qu’une filiale d’un grand groupe de logiciels.²

Des bases de données commerciales telles que Datanyze et Dun & Bradstreet décrivent DecisionBrain comme une entreprise privée fondée en 2012, avec des revenus estimés à quelques millions de dollars et des clients répartis dans plus de 15 pays.¹⁰⁴ Aucune trace publique de grands tours de capital-risque ou de transactions de fusion et acquisition n’a été trouvée dans les bases de données de capital-risque standards ; le seul signal de financement externe est la participation aux programmes d’accélération d’EIT Digital plutôt que les levées de fonds institutionnelles classiques.⁴ La page « À propos de nous » met en avant une équipe d’experts en optimisation, dont beaucoup possèdent une expérience antérieure chez ILOG et dans le groupe d’optimisation de décision d’IBM, positionnant l’entreprise comme autofinancée et spécialisée plutôt que tournée vers une hyper-croissance.¹⁵⁹

DecisionBrain répertorie des bureaux à Paris, Montpellier et Bologne et fait référence à des projets clients en Europe, en Amérique du Nord, en Amérique du Sud et en Asie, incluant des centres de transport et des installations de production, ce qui correspond aux zones géographiques mises en avant dans la presse et les études de cas.¹⁰¹⁵¹³¹⁴ Aucune preuve d’acquisitions (que ce soit en tant qu’acquéreur ou acquis) n’a été relevée, indiquant une croissance purement organique sur plus d’une décennie.

Pile de produits : DB Gene, DBOS et IBM DOC

Le portefeuille de produits de DecisionBrain n’est pas un ensemble de « modules » discrets prêts à l’emploi, mais une pile centrée sur DB Gene et DBOS, ainsi que sur des services et des variantes sous marque IBM.¹⁰⁵⁶

DB Gene – plateforme d’aide à la décision low-code. DB Gene est présenté comme « une plateforme ultramoderne » qui réduit de « plus de 70% l’effort requis pour développer une solution d’aide à la décision » en regroupant les préoccupations transversales présentes dans les applications web modernes.⁵ Les capacités offertes de base incluent une interface web avancée, l’analyse de scénarios hypothétiques, la gestion des utilisateurs, le traitement en parallèle et la surveillance, un déploiement en conteneur et une sécurité intégrée.⁵ L’architecture est décomposée en services :
- un Service Frontend Web avec des tableaux de bord configurables et une bibliothèque de composants d’interface utilisateur prêts à l’emploi (tableaux, graphiques, diagrammes de Gantt, cartes, etc.);
- un Service de scénarios gérant des hiérarchies d’espaces de travail, de dossiers et de scénarios, avec des API pour la création/lecture/mise à jour/suppression des scénarios;
- un Service de données gérant des données relationnelles indexées par scénario, exposant des API CRUD;
- une couche de Sécurité gérant OpenID Connect, OAuth 2.0 et SAML 2.0 pour le SSO, les permissions basées sur les rôles et le HTTPS;
- une abstraction d’Optimisation Server qui délègue les tâches intensives en CPU à DBOS.⁵⁶
Les logos de la section technologique de DB Gene montrent une intégration avec Spring Boot, Python, IBM CPLEX, OPL et les principaux fournisseurs de cloud (AWS, Azure, Google Cloud, IBM Cloud, Scaleway, DigitalOcean), indiquant un back end basé sur Java/Spring avec une intégration Python et un support pour de multiples solutions de déploiement.⁵
DBOS – DecisionBrain Optimization Server. DBOS est la colonne vertébrale d’exécution des modèles d’optimisation, conçu pour « emmener votre modèle d’optimisation dans le cloud » et orchestrer de multiples tâches intensives en CPU via une architecture master–worker.⁶ Il offre :
- la surveillance des exécutions en temps réel via une console web, incluant la récupération et la relecture des exécutions passées;
- le partage de ressources entre utilisateurs et applications (CPU et licences de solveur);
- un déploiement « localement ou dans le cloud » via Docker et Kubernetes/OpenShift sur IBM, AWS, Azure et d’autres clouds;
- une intégration agnostique aux solveurs avec IBM CPLEX, Gurobi et d’autres technologies analytiques telles que le machine learning et les bibliothèques d’IA.⁶
L’architecture sépare les rôles de client, master et worker, le master orchestrant la répartition des tâches et les workers exécutant des modèles en Java, OPL, Python ou CPLEX.⁶⁷ Il s’agit d’un schéma assez standard mais robuste pour des charges de travail d’optimisation par lots.
IBM Decision Optimization Center (DOC) et les extensions de plateforme IBM. DecisionBrain est répertorié dans l’annuaire des partenaires d’IBM en tant que partenaire mondial pour le Decision Optimization Center et les produits associés (CPLEX Optimization Studio, Optimization Server), et la documentation d’IBM crédite DecisionBrain d’avoir implémenté et étendu DOC pour divers clients.⁸⁹ Plusieurs articles de blog et communiqués de presse de DecisionBrain décrivent explicitement DB Gene comme la technologie sous-jacente d’IBM DOC 4.x, et DecisionBrain maintient des outils de migration et une documentation pour les clients passant d’anciennes versions d’IBM DOC.¹⁶¹⁷¹⁸⁹ En effet, IBM DOC est une version produit de la même plateforme et partage une grande partie de la pile technologique.

Du point de vue fonctionnel, DecisionBrain positionne cette pile comme une plateforme générique pour construire des « solutions d’intelligence décisionnelle » dans cinq grandes familles de solutions — fabrication, supply chain, logistique, main-d’œuvre et maintenance — avec des pages de solutions plus détaillées pour la planification de la supply chain et des stocks, le S&OP, la planification de la production, la conception de réseaux, le transport et la 3PL, la gestion des plannings de la main-d’œuvre et la planification de la maintenance.¹⁰¹¹¹² La plateforme est commercialisée comme low-code : les clients démarrent à partir de modèles préconçus qu’ils étendent avec une logique personnalisée, des éléments d’interface graphique et des modèles d’optimisation pour répondre à leurs cas d’usage spécifiques.¹⁰⁵¹²

Historique des versions et évolution

DecisionBrain publie des notes de version régulières pour DB Gene, offrant une vue utile de l’évolution du produit. La version 4.0.3 (juin 2022) a introduit d’importantes améliorations des performances de l’interface utilisateur (notamment pour les diagrammes de Gantt), une interactivité renforcée, un rendu des tableaux de bord côté serveur et un meilleur support pour les grands ensembles de données, ce qui a été largement relayé dans les médias spécialisés en logistique.¹⁸¹⁹¹³²⁰ DB Gene 4.1.0 (février 2023) a ajouté des fonctionnalités telles qu’un nouveau Data Explorer, une intégration renforcée avec DBOS et des optimisations pour gérer d’énormes scénarios ; la presse a souligné la capacité de « réduire de manière spectaculaire le temps de développement pour des applications complexes d’IBM DOC. »¹⁷²¹ DB Gene 4.7.0 (octobre 2024) s’est concentré sur la modularisation, une sécurité et une configuration améliorées, ainsi qu’une documentation et des modèles enrichis.¹⁶

Ces versions témoignent d’un investissement constant dans la couche de plateforme — performances de l’interface utilisateur, évolutivité, déploiement et intégration — plutôt que dans de nouveaux modules métier préemballés. Cela correspond à la stratégie déclarée par l’entreprise de fournir une plateforme générique permettant aux partenaires et aux clients (y compris IBM) de construire leurs propres applications d’aide à la décision.¹⁵⁵¹²

Sécurité, conformité et modèle de déploiement

DecisionBrain commercialise sa plateforme comme des solutions d’aide à la décision « sécurisées et certifiées ISO ».²² La page sur la sécurité et la conformité affirme son adhésion aux normes ISO/IEC 27017 (sécurité cloud) et 27018 (protection des informations personnelles identifiables dans les clouds publics), avec une attestation de conformité indépendante disponible sous forme de certificat PDF.²²²³ La section sécurité de DB Gene indique la prise en charge des protocoles d’identité standard (OpenID Connect, OAuth2, SAML2), des permissions fines au niveau des scénarios et des visualisations, ainsi qu’une communication exclusivement via HTTPS.⁵

DBOS et DB Gene sont conçus pour un déploiement sur site ou dans le cloud, avec un support officiel pour Docker Compose, Kubernetes, OpenShift et les serveurs Linux standards.⁵⁶⁷ Cela offre aux équipes informatiques la flexibilité de faire fonctionner les composants de DecisionBrain dans des centres de données privés, sur des clouds choisis par les clients (IBM, AWS, Azure, etc.) ou dans des configurations hybrides. L’architecture est modulaire : des composants tels que le serveur d’optimisation, le service de scénarios et le frontend peuvent être scalés indépendamment. DecisionBrain met en avant des fonctionnalités telles que le basculement, la relecture des exécutions et le benchmarking entre les versions de modèles en tant que capacités opérationnelles intégrées.⁵⁶⁷

Cette architecture est relativement moderne selon les standards de l’entreprise — conviviale pour les conteneurs, semblable à des microservices et agnostique au cloud — mais pas inhabituelle en 2025 pour des fournisseurs ancrés dans Java/Spring et Kubernetes.

IA, machine learning et optimisation

L’origine de DecisionBrain se situe clairement dans la recherche opérationnelle (OR) et l’optimisation mathématique. Le message « agnostique aux solveurs » de DBOS met en avant IBM CPLEX et Gurobi, et le marketing de DB Gene fait référence aux « experts en optimisation » et aux « modèles CPLEX » en tant que citoyens de premier ordre.⁵¹⁸²⁴⁶ Des annuaires de produits tiers tels que DecideWise décrivent DB Gene comme intégrant « une gamme de solveurs d’optimisation incluant IBM ILOG CPLEX et Gurobi » et ciblant des cas d’usage tels que la planification de la main-d’œuvre et la planification de la production.²⁴

La narration autour du machine learning / IA est plus générique. La page de la solution Prévision & Demand Planning indique que DecisionBrain « utilise des approches avancées de prévision, de machine learning et de segmentation pour optimiser la planification de la demande afin que vos opérations soient mieux alignées avec la dynamique de marché attendue. »¹¹ Cependant, il n’existe aucune documentation technique publique détaillant des algorithmes ML spécifiques (par exemple, le gradient boosting, les réseaux de neurones récurrents) ni leur intégration aux modèles d’optimisation. Contrairement au volet optimisation (où CPLEX, OPL, Python et DBOS sont explicitement nommés), le volet ML est décrit de manière globale.

Pris ensemble, les preuves suggèrent :

Le facteur différenciant de DecisionBrain n’est pas des algorithmes de machine learning propriétaires, mais plutôt sa capacité à héberger et orchestrer des modèles construits avec des outils existants (Python, CPLEX, OPL, bibliothèques ML externes) au sein d’un cadre robuste d’interface utilisateur / scénarios / déploiement.⁵¹⁸²⁴⁶¹²
L’optimisation est principalement gérée via des solveurs commerciaux bien établis (CPLEX, éventuellement Gurobi) et des formulations de modèles personnalisées plutôt que par une technologie de solveur innovante. Aucune trace de développement par DecisionBrain d’un solveur en programmation en nombres entiers mixtes ou d’un moteur d’optimisation stochastique n’est visible ; DBOS fait abstraction des solveurs existants.¹⁸²⁴⁶
Le ML est utilisé lorsque cela est approprié pour la prévision ou la classification, mais l’entreprise ne publie pas de détails méthodologiques, de résultats de benchmarks ou de collaborations académiques qui soutiendraient des revendications d’IA de pointe au-delà des pratiques industrielles standards.¹¹¹²

Pour les utilisateurs de supply chain, cela signifie que DecisionBrain offre des capacités d’optimisation et de prévision solides et grand public, fondées sur CPLEX/Gurobi et le ML standard, intégrées dans un solide cadre applicatif — mais pas un paradigme de prévision radicalement nouveau.

Déploiement, services et méthodologie de mise en œuvre

DecisionBrain se positionne non pas comme un produit SaaS en libre-service, mais comme un fournisseur de solutions centré sur le projet. Les pages « À propos de nous » et « Services » mettent en avant :

une plateforme prête à 80% (DB Gene + DBOS) avec des blocs de construction réutilisables,
des projets de mise en œuvre où les experts en optimisation de DecisionBrain collaborent avec les équipes clients pour adapter les modèles et les applications,
un délai de mise en valeur typique de l’ordre de 3–6 mois pour les déploiements initiaux,
un support continu de la part de la même équipe d’experts tout au long du cycle de vie de la solution.¹⁵¹²

La méthodologie de mise en œuvre est décrite comme itérative et optimisée : démarrer par un pilote ciblé, construire une application d’aide à la décision viable minimale sur DB Gene, valider avec les utilisateurs métier via l’analyse de scénarios, puis étendre.¹⁵¹² L’intégration avec les systèmes existants se fait généralement via des connexions à des bases de données, des fichiers plats ou des API ; le service de données de DB Gene est explicitement conçu autour de bases de données relationnelles et des API CRUD, ce qui le rend assez simple à connecter aux sources de données ERP/WMS.⁵⁷¹²

En pratique, cela rapproche DecisionBrain davantage d’un cabinet de conseil en optimisation avec une plateforme réutilisable robuste que d’une suite de planification « à configurer et exécuter ». Les clients doivent compter sur l’équipe de DecisionBrain (ou sur des spécialistes partenaires) pour concevoir et maintenir leurs modèles ; la plateforme réduit l’effort en infrastructure et en UI/UX, mais la modélisation du domaine reste sur mesure.

Clients, secteurs et maturité commerciale

Le site principal et les pages de solution de DecisionBrain répertorient un mélange de clients dans les secteurs de la manufacture, de la logistique, du transport, des installations et de la finance. La page Forecasting & Demand Planning et les brochures supply chain citent des cas d’utilisation tels que la planification de la production pour l’électronique, l’emballage, la fabrication de semi-conducteurs, l’habillement et un grand producteur de porc européen, accompagnés de vignettes d’études de cas et de logos.¹¹

Les communiqués de presse et les articles re-syndiqués à propos de DB Gene soulignent que les solutions de DecisionBrain sont « trusted by more than 50 customers worldwide », mentionnant Toyota, IBM, Carhartt, la Banque Centrale Européenne, JLL, le Port de Hong Kong et d’autres comme clients de référence.¹⁰¹³¹⁴ Le répertoire de partenaires d’IBM corrobore cette relation, listant DecisionBrain comme un partenaire fournissant des solutions basées sur DOC.⁸⁹

Ces références nommées sont vérifiables (logos et études de cas sur le site propre de DecisionBrain, les listes de partenaires d’IBM et des articles spécialisés tiers) plutôt que de simples affirmations anonymisées (« un grand distributeur européen »).¹⁰⁸¹³¹¹¹⁴ Par ailleurs, l’effectif global et l’échelle du chiffre d’affaires indiquent un petit mais expérimenté fournisseur spécialisé : DecisionBrain semble être une boutique d’optimisation de 10 ans, avec des dizaines (et non des centaines) de projets d’entreprise.

Pour les acheteurs spécifiquement supply chain, cela implique un compromis :

Il existe une expérience crédible avec des problèmes de planification complexes (conception de réseau, planification de la production, planification de stocks) dans divers secteurs.¹⁰¹¹¹²¹⁴
L’entreprise est matériellement plus petite que les grands fournisseurs d’APS ; le succès des projets dépend vraisemblablement de la disponibilité et de la continuité d’une équipe d’experts relativement réduite.

DecisionBrain vs Lokad

DecisionBrain et Lokad se positionnent tous deux autour de « decision intelligence » pour des problèmes de planification complexes, mais leurs approches divergent nettement sur plusieurs axes : l’orientation sectorielle, la philosophie technologique, le paradigme de prévision et le modèle de déploiement.

Focalisation sur le domaine. DecisionBrain se présente comme une plateforme d’aide à la décision intersectorielle couvrant la manufacture, la supply chain, la logistique, la gestion des effectifs et la maintenance dans de nombreux secteurs (électronique, services aux installations, santé, 3PL, exploitation minière, aérospatial, etc.).¹⁰⁵¹¹¹² La supply chain est l’une des plusieurs familles de solutions, et la même pile DB Gene / DBOS la sous-tend toutes. Lokad, en revanche, se concentre étroitement sur l’optimisation quantitative de la supply chain : toute sa technologie (le DSL Envision, le moteur de prévision probabiliste et les algorithmes d’optimisation) vise à la prévision de la demande, à la planification des stocks et de l’approvisionnement, à la planification de la production et aux décisions tarifaires dans les supply chains.²⁵²⁶²⁷

Philosophie produit : plateforme low-code vs langage spécifique au domaine. La principale offre de DecisionBrain est une plateforme web low-code (DB Gene) ainsi qu’un serveur d’optimisation (DBOS) sur lequel sont construites des applications personnalisées. Les clients ou partenaires configurent les composants d’interface utilisateur, les structures de scénarios et les schémas de données et branchent des modèles d’optimisation (généralement en CPLEX/OPL ou Python) de sorte que DB Gene devienne effectivement une application d’aide à la décision sur-mesure.⁵¹⁸²⁴⁶ Lokad, en revanche, propose un langage de programmation spécifique au domaine (Envision) expressément conçu pour l’optimisation prédictive des supply chains.²⁶²⁸ Plutôt que de configurer des modèles, les utilisateurs (typiquement des “Supply Chain Scientist”) écrivent des scripts Envision qui définissent l’ingestion des données, la prévision probabiliste et l’optimisation des décisions ; Lokad exécute ces scripts sur son propre environnement d’exécution en cluster.²⁶²⁸²⁹

En d’autres termes, DecisionBrain minimise le codage pour la coquille de l’application (UI, scénario, persistance) mais attend une modélisation mathématique complète dans des langages et solveurs existants, tandis que Lokad minimise la configuration de la coquille en regroupant tout dans un unique DSL qui contrôle les données, la prévision et l’optimisation.

Paradigme de prévision et modélisation de l’incertitude. Pour les cas d’utilisation supply chain, la solution Forecasting & Demand Planning de DecisionBrain fait la promotion de “prévisions avancées, machine learning et segmentation” pour générer des prévisions de demande alimentant la planification et la programmation.¹¹ Cependant, les documents publics ne mentionnent pas de distributions de demande probabilistes, de quantiles, de simulations Monte-Carlo ou de modélisation conjointe de la demande et des délais ; l’accent est mis sur des prévisions dynamiques et pilotées par les données, sans détail méthodologique.¹¹ Les documents publiés par Lokad, en revanche, placent la prévision probabiliste au cœur du dispositif : la demande future est représentée comme des distributions de probabilité complètes, et toutes les décisions en aval (commandes, allocations, tarification) sont optimisées par rapport à ces distributions.²⁵²⁷²⁹ La documentation technique de Lokad décrit une algèbre de variables aléatoires intégrée dans Envision et l’utilisation de l’échantillonnage Monte-Carlo pour propager l’incertitude jusqu’aux décisions.²⁶²⁸

En conséquence, DecisionBrain semble utiliser des prévisions conventionnelles ponctuelles ou basées sur des scénarios renforcées par le ML (modèles en boîte noire intégrés à la plateforme), tandis que Lokad utilise un pipeline de prévision centré sur la distribution étroitement intégré à la logique d’optimisation.

Technologie d’optimisation. DecisionBrain s’appuie sur des solveurs d’optimisation standards — principalement IBM CPLEX et, dans certains contextes, Gurobi — pilotés par DBOS, qui gère l’orchestration des tâches, le partage de licences et le déploiement.¹⁸²⁴⁶ La valeur ajoutée de l’entreprise réside dans la formulation de modèles et la conception d’applications plutôt que dans l’innovation des solveurs. Lokad, en revanche, a investi dans des algorithmes d’optimisation propriétaires tels que Stochastic Discrete Descent et Latent Optimization, explicitement conçus pour fonctionner avec des prévisions probabilistes et des objectifs économiques complexes.²⁵²⁸²⁹ Ces méthodes sont intégrées dans l’environnement d’exécution Envision et opèrent directement sur des scénarios de demande probabilistes, plutôt que de passer des scénarios déterministes à un solveur MIP standard.

Pour un acheteur, cela signifie que DecisionBrain propose un environnement d’optimisation centré sur CPLEX/Gurobi familier, enveloppé dans une coque d’application moderne, tandis que Lokad offre un moteur de prévision et d’optimisation plus tranché mais étroitement intégré.

Modèle de déploiement et d’exploitation. La pile de DecisionBrain est déployable on-premise ou sur n’importe quel grand cloud, utilisant Docker/Kubernetes/OpenShift et une infrastructure d’entreprise standard.⁵⁶⁷²² Les clients hébergent souvent eux-mêmes DB Gene/DBOS et exécutent le développement et l’exécution des modèles au sein de leur propre périmètre IT, avec des experts de DecisionBrain fournissant des services d’implémentation et de support.¹⁵¹² Lokad exploite un SaaS multi-tenant sur Microsoft Azure ; les scripts Envision s’exécutent sur l’infrastructure propre de Lokad, et les clients consomment le service via une UI web et des API, sans exécuter le moteur central sur-prem.²⁵²⁶²⁹ Le modèle économique de Lokad ressemble donc à un service d’analytics géré, tandis que celui de DecisionBrain ressemble à une plateforme accompagnée de projets de conseil pouvant vivre dans l’infrastructure du client.

Workflow de décision. Dans les déploiements de DecisionBrain, le flux de travail typique est :

ingérer les données dans une base de données relationnelle par scénario ;
exécuter des modèles d’optimisation via DBOS ;
visualiser les résultats dans les tableaux de bord DB Gene et vues Gantt ;
itérer les scénarios avec une analyse what-if ;
exporter manuellement ou intégrer les décisions dans les systèmes d’exécution.⁵⁶⁷¹¹

Le flux de travail de Lokad se rapproche davantage d’un traitement quotidien par lots de décisions optimisées :

ingérer les données dans l’environnement Envision ;
calculer des prévisions probabilistes ;
exécuter des algorithmes d’optimisation qui évaluent les moteurs économiques (coûts de rupture de stock, coûts de détention, etc.) ;
produire des listes de décisions priorisées (commandes, allocations, modifications de prix) avec un impact monétaire attendu.²⁵²⁶²⁷²⁹

Les deux approches nécessitent l’intervention d’experts, mais celle de DecisionBrain est plus centrée sur les scénarios et l’UI, tandis que celle de Lokad est plus centrée sur les modèles et le DSL, avec un accent plus marqué sur l’optimisation financière en situation d’incertitude.

D’un point de vue supply chain, les implications pratiques sont :

DecisionBrain est attractif si un client souhaite un contrôle on-premise, des solveurs OR standards et des applications web riches et configurables couvrant divers types de problèmes de planification (et pas seulement la supply chain) et est prêt à co-développer des modèles avec un fournisseur en optimisation.¹⁰⁵¹⁸⁶¹¹¹²
Lokad est attractif si un client se sent à l’aise avec un environnement cloud-only piloté par DSL qui privilégie la modélisation probabiliste et une optimisation sur mesure pour les décisions supply chain, et est prêt à accepter une pile plus tranchée en échange d’un pipeline de prévision vers décision plus serré.²⁵²⁶²⁷²⁸²⁹

Mécanismes techniques et architecture

Cette section examine en détail comment la pile de DecisionBrain fonctionne en pratique, basée uniquement sur la documentation accessible au public et sur des rapports tiers.

Couche applicative (DB Gene)

Au niveau de la couche applicative, DB Gene fournit les services standards nécessaires aux applications web modernes d’aide à la décision : UI, scénarios, données et sécurité.⁵

Le Web Frontend Service est une SPA configurable qui offre des widgets de tableau de bord synchronisés (tableaux, graphiques, cartes, diagrammes de Gantt), supportant plusieurs vues sur les mêmes données de scénario sous-jacentes.⁵ Les utilisateurs métier peuvent comparer les scénarios côte à côte, inspecter les KPI et explorer des plannings détaillés.
Le Scenario Service expose des API pour créer, renommer, dupliquer et supprimer des scénarios et des espaces de travail, fournissant ainsi une abstraction semblable à un système de fichiers sur les données sous-jacentes.⁵
Le Data Service maintient un schéma relationnel par scénario, avec des API pour les opérations CRUD et le mapping objet-relationnel. Cela laisse penser à une base de données SQL sous-jacente (non explicitement nommée), qui est un choix conventionnel pour les données de planification.⁵
Le composant Security s’intègre avec des fournisseurs d’identité d’entreprise via OpenID Connect, OAuth2 et SAML2, implémente des permissions basées sur les rôles au niveau des scénarios et des visualisations, et impose le HTTPS.⁵²²

Cette conception n’est pas particulièrement exotique ; elle ressemble à de nombreux portails d’analytics internes. Le facteur distinctif est son couplage étroit avec DBOS et son accent sur les cas d’utilisation liés à la planification/programmation (par exemple, le support prêt à l’emploi pour de grands diagrammes de Gantt et des cartes) plutôt que sur la BI générique.

Couche d’exécution (DBOS)

DBOS agit comme une couche d’orchestration pour des tâches computationnelles intensives — principalement des exécutions d’optimisation dans CPLEX, mais aussi des scripts Python et d’autres charges analytiques.⁶⁷

Les mécanismes clés comprennent :

Une architecture maître–esclave, où un composant maître reçoit des demandes de tâches de la part des clients (y compris DB Gene), les place en file d’attente et délègue leur exécution à des travailleurs fonctionnant sur des serveurs locaux ou dans des pods Kubernetes.⁶⁷
Un modèle de tâche qui stocke les entrées, les sorties et les logs, permettant la surveillance et la répétition des exécutions via la console DBOS.⁶
La gestion des ressources entre les CPU et les licences de solveurs, permettant à plusieurs applications et utilisateurs de partager des ressources d’optimisation limitées.⁶
Le support au déploiement via des images Docker et des charts Helm pour Kubernetes/OpenShift ; cela rend DBOS portable sur différents clouds et sur site.⁶⁷
Une approche par plug-in agnostique des solveurs, supportant explicitement IBM CPLEX et Gurobi et annoncée comme extensible à « any other types of analytics technology (e.g. Machine Learning, Artificial Intelligence, cognitive) ». ⁶

D’un point de vue à la pointe de la technologie, DBOS est une mise en œuvre compétente de l’orchestration de tâches par lots pour les charges d’optimisation, approximativement analogue (dans l’esprit) aux systèmes de planification internes utilisés par les équipes data science. Il n’existe aucune preuve de techniques d’optimisation distribuée plus avancées (par exemple, des algorithmes de décomposition intégrés à la plateforme) ; DBOS se concentre plutôt sur l’orchestration, et non sur l’innovation algorithmique.

Données et intégration

Le Data Service de DB Gene et l’architecture DBOS supportent ensemble l’intégration avec des systèmes externes via :

des connexions directes à des bases de données relationnelles (pour les données transactionnelles) ;
l’import/export de jeux de données pour la création de scénarios ;
des appels API entre DB Gene et DBOS ;
une intégration potentielle avec Python et des bibliothèques de ML externes.⁵¹⁸⁷¹²

La conception est typique des applications analytiques sur mesure : les données sont périodiquement extraites d’ERP/WMS et chargées dans les scénarios DB Gene, où les exécutions d’optimisation sont lancées et les résultats sont renvoyés ou exportés. La plateforme ne semble pas fournir son propre entrepôt de données ou magasin basé sur des événements ; elle présume une base de données relationnelle par scénario en plus de sources de données externes.

Évaluation des revendications en matière d’IA et d’optimisation

Compte tenu de la prédominance du langage « AI » dans les logiciels d’entreprise, il est important de séparer les capacités étayées des revendications marketing.

Optimization : Les revendications de DecisionBrain en matière d’optimisation — « solver-agnostic », « CPLEX models », « Java, OPL, Python, CPLEX models » — sont bien étayées par la documentation technique et les visuels. DBOS exécute clairement des modèles externes dans ces langages et orchestre leur exécution.⁵¹⁸²⁴⁶ Cela est crédible et cohérent avec les pratiques de l’industrie.
Machine Learning : La principale revendication explicite en ML est que DecisionBrain utilise des approches « de prévision avancée, machine learning et segmentation » pour la planification de la demande.¹¹ Cependant, il n’existe aucun détail public sur les types de modèles, les régimes d’entraînement, les métriques de validation ou les collaborations académiques. En l’absence de telles preuves, il est raisonnable de supposer que DecisionBrain utilise des bibliothèques ML standards (en Python ou similaire) plutôt que des algorithmes propriétaires à la pointe de la technologie. Il n’y a aucun signe de pipelines de prévision probabiliste basés sur le deep learning ou de programmation différentiable comme on peut le voir chez certains fournisseurs spécialisés.
AI : Les références à « Artificial Intelligence » apparaissent principalement dans de longues listes de technologies que DBOS peut intégrer (« Machine Learning, Artificial Intelligence, cognitive ») plutôt que dans des descriptions concrètes de fonctionnalités natives en IA.⁶¹¹¹² Il n’existe aucun exemple de code, diagramme d’architecture ou benchmark montrant des modèles d’IA intégrés aux flux de décision. En l’absence de telles preuves, l’interprétation la plus conservatrice est que l’IA est l’un des plusieurs composants optionnels, et non un pilier architectural central.
une plateforme d’optimisation et de déploiement mature (DB Gene + DBOS) liée à CPLEX/Gurobi;
un modèle de livraison axé sur les projets avec des experts en optimisation;
applicabilité inter-domaines (au-delà de la supply chain) pour les problèmes de planification et d’ordonnancement.¹⁰⁵¹⁸²⁴⁶¹¹¹²

Ses capacités d’IA/ML, bien qu’assez adéquates pour de nombreuses tâches de prévision, ne se distinguent pas comme particulièrement avancées comparativement aux pratiques courantes parmi les fournisseurs axés sur l’optimisation opérationnelle.

Maturité commerciale et limites

Sur le plan commercial, DecisionBrain démontre plusieurs signes de maturité:

Plus d’une décennie d’exploitation sans détresse financière signalée;
Une gamme de produits stable avec des sorties régulières de DB Gene et une cohérence architecturale constante;⁵¹⁶¹⁷¹⁸
Un portefeuille de clients d’entreprise reconnus dans divers secteurs;¹⁰¹³¹¹¹⁴
Une intégration profonde avec l’écosystème d’optimisation décisionnelle d’IBM en tant que partenaire technologique et de services.⁸⁹

Par ailleurs, les données publiques sur l’effectif et les revenus placent DecisionBrain dans le segment des petits fournisseurs. Cela a des conséquences pratiques:

Le succès des projets est vraisemblablement sensible à la disponibilité d’une équipe centrale relativement restreinte d’experts seniors en optimisation.
Il n’existe pas d’écosystème de partenaires visible s’appuyant sur DB Gene comparable aux grandes plateformes APS; les clients sont principalement servis directement par DecisionBrain et, dans certains cas, par IBM.
La solution n’est pas une suite de planification plug-and-play : chaque déploiement significatif est un projet sur mesure. Cela peut être un atout (adaptation personnalisée) ou un inconvénient (dépendance accrue vis-à-vis du fournisseur et des champions internes).

Pour les acheteurs supply chain comparant DecisionBrain avec Lokad et d’autres fournisseurs, cela implique:

DecisionBrain est mieux considéré comme une plateforme de développement d’optimisation associée à des services d’experts, particulièrement adaptée lorsque l’organisation souhaite héberger elle-même la pile, exploiter CPLEX/Gurobi, et répondre à un ensemble de problèmes de planification allant au-delà de la simple planification des stocks et de la demande.¹⁰⁵¹⁸⁶¹¹¹²
Cela est moins convaincant si l’exigence principale est la prévision probabiliste de la demande prête à l’emploi et une optimisation prévision-décision entièrement intégrée à travers de vastes réseaux de SKU, où des fournisseurs spécialisés en probabilistique tels que Lokad se distinguent clairement.²⁵²⁶²⁷²⁸²⁹

Conclusion

DecisionBrain fournit une plateforme d’optimisation à la fois techniquement compétente et commercialement éprouvée, centrée sur DB Gene et DBOS, utilisée pour construire des applications de planification et d’ordonnancement sur-mesure pour les domaines de la fabrication, de la logistique, de la gestion des effectifs et de la supply chain. La pile offre une architecture moderne, adaptée aux conteneurs, une interface web riche basée sur des scénarios, une sécurité robuste et une couche d’exécution indépendante du solveur pour les modèles basés sur CPLEX/Gurobi et Python.⁵¹⁸²⁴⁶⁷ Ces capacités sont bien documentées et s’alignent avec le parcours de l’équipe, issue de l’écosystème d’optimisation décisionnelle d’ILOG/IBM.¹⁵⁸⁹

D’un point de vue strictement technique, DecisionBrain est à la pointe en matière d’infrastructure de plateforme (interface utilisateur, gestion de scénarios, orchestration, déploiement) et courant en matière d’algorithmes (s’appuyant sur des solveurs MIP standard et un ML conventionnel). Il n’existe aucune preuve publique d’algorithmes de prévision ou d’optimisation propriétaires comparables à ceux des fournisseurs qui investissent massivement dans la modélisation probabiliste ou la programmation différentiable. Pour de nombreuses entreprises, cependant, la combinaison d’une plateforme solide, de solveurs établis et de consultants expérimentés en optimisation opérationnelle est suffisante pour relever des problèmes de planification complexes—en particulier lorsqu’ils requièrent un contrôle sur site et couvrent plusieurs domaines au-delà de la supply chain.

Comparé à Lokad, DecisionBrain représente une approche plus large, centrée sur la plateforme et sur le solveur : flexible à travers les domaines, fortement intégré avec les outils d’IBM et propice à un déploiement sur site, mais moins dogmatique quant à la méthodologie de prévision et moins intégré en termes d’optimisation probabiliste de bout en bout.¹⁰⁵¹⁸⁶¹¹¹²²⁵²⁶²⁷²⁸²⁹ Les organisations disposant de capacités internes avancées en optimisation opérationnelle et souhaitant héberger leur propre plateforme d’optimisation pourraient trouver en DecisionBrain une base attrayante. Les organisations à la recherche d’un moteur spécialisé, probabiliste et natif du cloud pour la prise de décision supply chain en situation d’incertitude pourraient trouver l’approche basée sur DSL de Lokad plus en accord avec leur objectif.

En fin de compte, DecisionBrain doit être évalué comme un fournisseur de plateforme d’optimisation centrée sur les projets : son succès dépendra moins de mots à la mode tels que “AI” et davantage de la qualité de ses modélisateurs, de l’adéquation de sa pile DB Gene/DBOS dans le paysage IT du client, et de la volonté de l’organisation de co-développer et de maintenir des applications d’aide à la décision sur mesure au fil du temps.