Revue de GAINSystems, fournisseur de logiciels d’optimisation de la supply chain

Par Léon Levinas-Ménard

Dernière mise à jour : novembre 2025

GAINSystems (GAINS) est un fournisseur basé aux États-Unis de logiciels de planification en cloud pour la supply chain et d’optimisation de stocks, désormais commercialisé sous la plateforme GAINS Halo360° “Decision Engineering & Orchestration” (DEO). L’entreprise puise ses origines dans une histoire de plus de 40 ans de planification de style recherche opérationnelle et se positionne aujourd’hui comme servant des entreprises “intensives en stocks et en actifs” dans les secteurs de la fabrication, de la distribution, du retail, et de l’après-vente/MRO. Son offre moderne combine l’optimisation multi-échelons des stocks, la prévision de la demande, le S&OP/IBP, et la conception de réseaux à l’aide de la simulation par événements discrets, avec une intégration assurée par la couche API GAINSConnect. GAINS a reçu d’abord un investissement minoritaire puis majoritaire de la part du fonds de private equity Francisco Partners (2020 et 2022), et en 2023 a acquis 3 Tenets Optimization (3TO), une petite entreprise spécialisée dans les logiciels de conception de supply chain, pour étendre son offre à la conception de réseaux et à la modélisation “jumeau numérique” ajustée au risque.¹²³⁴⁵⁶ En 2024, GAINS a été classé Visionary dans le Magic Quadrant for Supply Chain Planning Solutions de Gartner et, début 2025, Frost & Sullivan a décerné à l’entreprise un “Technology Innovation Leadership Award” dans la planification de supply chain alimentée par AI/ML, en mettant explicitement en avant trois composants : le service de prédiction des délais, la couche d’intégration GAINSConnect, et l’application de “constrained service level optimization” (CSLO).⁷⁸ Techniquement, les artefacts en AI/optimisation les plus concrets dans le domaine public sont : un service de prédiction des délais basé sur le boosting, un moteur de politique basé sur un algorithme génétique de longue date pour l’optimisation de stocks, et un moteur de simulation par événements discrets pour la conception de supply chain.⁹¹⁰¹¹¹²¹³ GAINS utilise manifestement des méthodes modernes plutôt que des heuristiques obsolètes, mais en dehors des textes marketing et d’un livre blanc technique sur les délais, l’entreprise publie peu de détails sur la manière dont les modèles sont entraînés, réglés ou validés à grande échelle. En termes de maturité de marché, GAINS n’est pas une startup en phase de démarrage : c’est un fournisseur de planification de taille moyenne, soutenu par des fonds de private equity et commercialement établi, avec un portefeuille client non négligeable (par exemple, Border States, L’Oréal, Invacare, Belron, Australian Defence Force) et une gamme de produits qui couvre la conception de réseaux, la planification et le support à l’exécution. La question analytique clé n’est donc pas de savoir si GAINS “possède l’IA”, mais de déterminer à quel point l’optimisation et la prévision proposées sont transparentes, techniquement fondées et à la pointe de la technologie lorsqu’on les examine attentivement et qu’on les compare à une plateforme probabiliste entièrement programmable comme Lokad.

Présentation de GAINSystems

De manière générale, GAINS se présente comme une plateforme d’optimisation de la performance de supply chain qui aligne la conception stratégique, la planification et les décisions d’exécution quotidienne sur un système unique basé sur le cloud.⁹¹⁰ L’image de marque actuelle s’articule autour de la plateforme Halo360° DEO, qui vise à “transcender les silos traditionnels des ERP et de la planification” et à soutenir les décisions allant de la conception de réseaux à l’exécution au niveau des commandes.¹⁰⁸ Les principaux piliers fonctionnels sont :

Planification des stocks et d’approvisionnement : optimisation multi-échelons des politiques de stocks, paramètres de stock de sécurité et de réapprovisionnement, recommandations d’achat et de redistribution, ainsi que l’optimisation du taux de service contraint (CSLO). Historiquement, c’est le cœur de GAINS, construit sur un moteur de politique basé sur un algorithme génétique.⁹¹¹¹²
Planification et prévision de la demande : prévision des séries temporelles et améliorations par AI/ML ; des documents récents mettent en avant une “AI Demand Forecast Factory” ainsi que des expérimentations avec du generative AI pour l’exploration de scénarios, bien que les détails techniques soient limités.¹⁴¹⁵
Conception de supply chain (“conception ajustée au risque”) : un module de conception et de simulation de réseaux (issu en grande partie de l’acquisition de 3TO) utilisant la simulation par événements discrets pour modéliser les flux, la capacité et la variabilité à travers les configurations potentielles du réseau.¹²²⁶
S&OP / IBP et analytique : des flux de travail pour le S&OP, la comparaison de scénarios, des tableaux de bord et des simulations what-if.
Intégration et plateforme de données : GAINSConnect, une couche d’intégration basée sur une API (REST/JSON, OAuth2, JWT, webhooks) conçue pour relier les ERP, WMS et autres systèmes aux services d’optimisation de GAINS, y compris le service de prédiction des délais proposé en tant que service autonome.¹³¹⁶¹⁷⁸

Du point de vue de l’acheteur, GAINS est une suite d’applications SaaS packagée mettant fortement l’accent sur des processus métier préconçus (politique de stocks, ciblage du taux de service, cycles S&OP) plutôt qu’un environnement de modélisation à usage général. Les principales références publiques de l’entreprise mettent en avant des leviers classiques de ROI : réduction des stocks, taux de remplissage plus élevés et automatisation du réapprovisionnement (par exemple, Border States a rapporté >90% de bons de commande automatisés et >97% de disponibilité des matériaux après le déploiement de la prédiction des délais et de la planification de GAINS).¹⁸¹⁹⁸

Historique de l’entreprise, propriété et maturité commerciale

Origines et évolution

GAINS puise ses origines dans une entreprise familiale démarrée il y a plus de 40 ans ; le PDG actuel, Bill Benton, fait souvent référence aux travaux de son père en planification de style “recherche opérationnelle” des débuts, bien que la documentation écrite des toutes premières années soit limitée. Le compte rendu du prix 2025 de Frost & Sullivan indique que GAINSystems “est dans la planification de supply chain depuis plus de 40 ans”, ce qui est en accord avec les interviews de Benton et les anciens documents de l’entreprise.⁸ Dans les années 2000, l’entreprise apparaît sous le nom de GAINSystems, avec un siège au Midwest des États-Unis (historiquement à Chicago, et plus récemment également à Atlanta).

Ce qui est documenté de manière plus concrète est la trajectoire financière :

Juillet 2020 – investissement de croissance minoritaire : GAINSystems a reçu son premier capital institutionnel de Francisco Partners, décrit comme un “fournisseur en forte croissance de solutions avancées de planification de supply chain et d’optimisation de stocks” dans le communiqué de presse conjoint.⁵²⁰
Janvier 2022 – investissement majoritaire : Francisco Partners a approfondi son implication par un investissement majoritaire ; des communiqués de presse et des avis d’avocats confirment que Francisco Partners est devenu actionnaire majoritaire, positionnant GAINS comme un fournisseur de solutions innovantes de planification de supply chain basées sur le cloud.¹²¹²²
2023 – acquisition de 3 Tenets Optimization (3TO) : GAINS a acquis 3TO, basé à Atlanta, un petit fournisseur de logiciels d’optimisation de la conception de supply chain fondé en 2020 et spécialisé dans la conception de réseaux, l’optimisation en nombres entiers mixtes et la planification de scénarios.²³⁶²³
2023–2024 – croissance et reconnaissance : Les communiqués de presse de GAINS rapportent une forte croissance du chiffre d’affaires et de l’ARR ainsi qu’une “adoption record de la plateforme”, et le fournisseur a été reconnu dans les Gartner Magic Quadrants pour la planification de supply chain en 2023 et 2024 (Visionary en 2024).⁴⁷²⁴

Selon l’analyste Tracxn, GAINSystems est répertorié comme un fournisseur de planification de supply chain soutenu par des fonds de private equity avec au moins un tour de financement et indique que Francisco Partners a finalement acquis l’entreprise en 2022, confirmant ainsi la structure de contrôle.²⁰

Le modèle est typique d’un fournisseur de logiciels à un stade intermédiaire, soutenu par des fonds de private equity : de longues racines techniques, mais l’image de marque actuelle et l’architecture produit (Halo360° DEO, GAINSConnect, conception ajustée au risque, communication AI/ML) résultent en grande partie de rafraîchissements du produit et de la stratégie de mise sur le marché entre 2020 et 2025.

Empreinte client et secteurs

La page dédiée au succès client de GAINS répertorie une large gamme de clients identifiés dans la distribution, la fabrication, le retail et les pièces de service (par exemple, Border States, L’Oréal, Invacare, ORS Nasco, Continental Battery, Lawson, Belron, Australian Defence Force, Naghi Group).²⁵ Des études de cas individuelles soulignent, par exemple :

Border States (distributeur électrique américain) : utilisant GAINS Halo360° avec une prédiction des délais basée sur ML pour le réapprovisionnement ; les bénéfices rapportés incluent plus de 90% de bons de commande automatisés, plus de 97% de disponibilité des matériaux, et une meilleure réactivité face aux perturbations.¹⁸⁸¹⁹
L’Oréal : une étude de cas de GAINS (et des rapports tiers) décrit des améliorations au niveau des stocks et du service pour les supply chain de la beauté.²⁶
Autres exemples nommés : Frost & Sullivan mentionne des clients tels que Stuller (bijoux), qui aurait atteint un taux de remplissage des commandes de 99% et une réduction de 27% des stocks actifs après des améliorations permises par GAINS dans la prévision basée sur les attributs et la gestion de capacité.⁸

Ce sont des références nommées vérifiables ; elles constituent des preuves qualitativement plus solides que le marketing anonymisé (“un grand distributeur nord-américain”). GAINS est clairement présent sur des marchés matures et dans des supply chain complexes. Par ailleurs, la plupart des résultats sont documentés dans des supports fournis ou co-écrits par le fournisseur ; des audits indépendants ou des études évaluées par des pairs sur les déploiements de GAINS ne sont pas publics.

Du point de vue de la maturité :

GAINS n’est pas une startup en phase de démarrage ou non éprouvée : elle possède des décennies d’expérience, le soutien de fonds de private equity, et de multiples marques mondiales parmi ses clients.
Elle est nettement plus petite que les méga-fournisseurs (SAP, Blue Yonder, Kinaxis, o9) et se trouve encore dans le quadrant “Visionary” plutôt que “Leader” de Gartner, ce qui implique généralement des fonctionnalités innovantes mais une portée ou une échelle de marché limitée.⁷

Capacités du produit et périmètre fonctionnel

Optimisation des stocks et planification de l’approvisionnement

Historiquement, GAINS a été surtout reconnu pour l’optimisation de stocks. Des descriptions antérieures du produit et des profils secondaires décrivent le moteur de GAINS comme utilisant un algorithme génétique (GA) pour explorer les politiques de stocks possibles (points de réapprovisionnement, quantités de commande, niveaux min/max, etc.) en cas de demande et d’approvisionnement stochastiques.¹¹¹² Les algorithmes génétiques sont une technique courante en recherche opérationnelle : ils font évoluer de manière heuristique les solutions par mutation et sélection, et sont appliqués aux problèmes d’optimisation multi-échelons des stocks depuis au moins les années 1990.²⁷²⁸ Le marketing de GAINS suggère que :

Le moteur évalue les politiques candidates en fonction de la variabilité de la demande, de l’incertitude des délais et des paramètres de coût (coûts de détention, de commande, de rupture de stock).
Les politiques peuvent être optimisées pour atteindre des objectifs de taux de service contraints – le module CSLO – qui a récemment été actualisé avec une interface utilisateur en self-service et des capacités de simulation.⁸
Les considérations multi-échelons (par exemple, usine–centre de distribution–magasin) et des contraintes telles que les MOQ et la capacité peuvent être modélisées, bien que les détails de l’implémentation ne soient pas publics.

La combinaison de la recherche basée sur les algorithmes génétiques et des contraintes multi-échelons sur les stocks et le taux de service est techniquement respectable et conforme aux meilleures pratiques académiques pour l’optimisation non linéaire et discrète des stocks. Cependant :

Il n’existe aucune documentation technique publique sur la manière dont GAINS paramètre l’algorithme génétique (taille de la population, taux de mutation, critères de convergence), ni sur la façon dont il garantit la robustesse face au surapprentissage ou aux données bruitées.
Il n’est pas clair comment GAINS traite l’incertitude conjointe de la demande et des délais dans l’objectif d’optimisation — que ce soit par une simulation Monte Carlo complète, des ajustements simples par facteur de sécurité ou quelque chose entre les deux.
Le module CSLO apparaît principalement comme une couche applicative exposant les compromis de politiques de service ; le moteur d’optimisation sous-jacent n’est pas décrit au-delà d’un langage de haut niveau (“algorithmes éprouvés et AI/ML”).⁸

Ainsi, bien que l’on puisse affirmer que GAINS utilise des méthodes d’optimisation sérieuses (et pas seulement des formules de point de réapprovisionnement), nous ne pouvons certifier que l’implémentation est à la pointe de la technologie par rapport aux avancées académiques récentes en optimisation stochastique multi-échelons ; le fournisseur ne publie tout simplement pas assez de détails.

Prévision de la demande et affirmations relatives à l’AI/ML

GAINS propose un module de planification de la demande qui combine la prévision classique des séries temporelles avec le machine learning. Des documents récents – incluant des billets de blog et des pages de solutions – évoquent :

La prévision améliorée par AI (“AI Demand Forecast Factory”), avec des références à des modèles ML capables de gérer des signaux causaux, des promotions et des facteurs externes.¹⁴¹⁵
L’utilisation de generative AI comme assistant pour l’exploration et l’explication de scénarios (“AI that actually works” dans la page de conception), où un “agent AI” peut proposer des scénarios ou exécuter des modèles.²
L’AI/ML utilisé pour améliorer la prévision pour de nouveaux articles et attributs, comme dans l’exemple de Stuller cité par Frost & Sullivan.⁸

Du point de vue des preuves techniques :

GAINS n’a pas publié d’architectures de modèles, de métriques d’erreur sur des benchmarks publics, ni de détails sur les stratégies d’entraînement (par exemple, modèles globaux vs par SKU, réconciliation hiérarchique, prévisions probabilistes vs ponctuelles).
L’unique artefact AI au niveau du modèle détaillé dans le domaine public est le service de prédiction des délais (discuté ci-après) ; la prévision de la demande elle-même est décrite dans un langage de marketing.
Le compte rendu du prix de Frost & Sullivan mentionne la “prévision basée sur les attributs” et les “algorithmes éprouvés et AI/ML”, mais cela provient d’un rapport d’analyste sponsorisé par le fournisseur plutôt que d’une documentation technique indépendante.⁸

Les “bases indispensables” de la prévision de supply chain moderne incluraient :

Prévisions probabilistes (distributions complètes, et pas seulement des moyennes),
Des modèles ML globaux (par exemple, gradient boosting, deep learning),
Un traitement hiérarchique (SKU–localisation–région),
Des backtests rigoureux et une calibration continue.

GAINS utilise presque certainement certaines de ces techniques en interne – compte tenu du livre blanc LTP et de la description de la plateforme par Frost & Sullivan – mais sans documentation transparente ni benchmarks, l’affirmation que la prévision de GAINS est à la pointe de la technologie reste non prouvée.

Service de prédiction des délais (LTP)

Un domaine où GAINS fournit des détails techniques concrets est son service de prédiction des délais (LTP). Un livre blanc LTP et le compte rendu du prix de Frost & Sullivan décrivent conjointement :

Un service autonome qui ingère des données historiques de bons de commande et de réceptions (souvent issues de systèmes comme SAP S/4HANA) pour estimer les délais spécifiques par SKU et localisation à l’aide de AI/ML.¹³⁸
L’utilisation d’algorithmes de boosting (une famille de méthodes d’ensemble incluant le gradient boosting) pour modéliser le délai en fonction de caractéristiques telles que le fournisseur, les attributs de l’article, la région, les retards historiques, etc.¹³
Des diagnostics d’importance des variables pour identifier quels facteurs influencent le plus la variabilité des délais.
Un déploiement sous forme de micro-service faiblement couplé qui peut alimenter à la fois la plateforme GAINS et les ERP externes via GAINSConnect.¹³⁸¹⁷

Les méthodes de boosting (par exemple, XGBoost, LightGBM) constituent la référence de facto pour les problèmes de prédiction tabulaire, tels que l’estimation du lead time ; elles surpassent généralement les modèles linéaires tout en restant interprétables et efficaces. La conception LTP – combinant le gradient boosting avec l’importance des caractéristiques et une intégration via une API dédiée – est donc techniquement solide et conforme aux meilleures pratiques de la communauté ML.

De manière critique :

Le LTP semble bien étayé : le livre blanc, la description d’analystes indépendants et des exemples clients (Border States) s’alignent tous.¹³⁸¹⁸
Il est précisément délimité : il résout un seul problème (l’estimation du lead time) et peut s’intégrer à plusieurs systèmes.
C’est l’un des rares composants qui semblent réellement reproductibles que GAINS expose ; une équipe de data science compétente pourrait mettre en place un pipeline similaire avec des outils open-source, mais GAINS l’offre sous forme intégrée et packagée.

Si l’on cherche le “state-of-the-art” au sein de GAINS, LTP est le candidat le plus crédible.

Supply chain design et simulation à événements discrets

Après avoir acquis 3 Tenets Optimization, GAINS a lancé une offre de supply chain design mettant l’accent sur le “risk-adjusted design” (RAD) et la simulation à événements discrets:

La page produit de supply chain design indique que GAINS utilise la simulation à événements discrets pour modéliser des réseaux “avec un niveau de détail réaliste”, testant des scénarios what-if concernant la capacité, les flux et les impacts sur le service avant que des modifications physiques ne soient apportées.²
Les blogs et documents de presse relatifs à l’acquisition par 3TO expliquent que 3TO a apporté son expertise en supply chain design, optimisation des flux de réseau et simulation pour étendre l’optimisation de stocks de longue date de GAINS avec des capacités de design.²⁶
Frost & Sullivan note que l’acquisition a “permis à GAINSystems d’entrer dans le monde du supply chain design”, intégrant une planification centrée sur l’AI/ML avec le design.⁶

La simulation à événements discrets et l’évaluation de scénarios ajustés au risque sont des techniques standard en network design et planification logistique. Le profil de 3TO mentionne des outils mathématiques tels que l’optimisation linéaire et en nombres mixtes ainsi que le conseil en network design.²³ La force de GAINS ici ne réside pas dans la nouveauté des mathématiques en soi, mais dans la combinaison de:

Simulation et optimisation de la structure du réseau,
Optimisation des politiques de stocks pour les décisions de stockage,
Et intégration avec la planification opérationnelle et l’exécution sur la même plateforme.

Il n’existe aucune publication au niveau du modèle pour le moteur de design (par exemple, des solveurs spécifiques, des stratégies de décomposition), nous devons donc considérer à nouveau le “risk-adjusted design” comme conforme aux meilleures pratiques, mais non démontré pour les dépasser.

S&OP / IBP, workflows et analyses

GAINS superpose des workflows S&OP/IBP et des tableaux de bord sur les moteurs d’optimisation. La liste des Visionnaires de Gartner et le rapport de Frost & Sullivan indiquent tous deux que GAINS Halo360° est une plateforme “composable” où les composants (LTP, design, CSLO, etc.) peuvent être combinés selon les besoins.⁷⁸ Le matériel public ici est peu détaillé d’un point de vue technique ; il confirme principalement :

Un support pour des cycles S&OP basés sur des scénarios et des comparaisons what-if.
Des tableaux de bord qui exposent des métriques de service, de coût et de stocks.
Des écrans de configuration pour les politiques de taux de service et la segmentation.

Cette partie de la pile semble fonctionnellement comparable à d’autres suites SCP ; elle est importante pour l’adoption, mais ne détermine pas l’évaluation “state-of-the-art”.

Pile technologique, architecture et intégration

GAINSConnect et modèle d’intégration

GAINSConnect est la principale couche d’intégration et d’API:

Frost & Sullivan décrivent GAINSConnect comme une “technologie basée sur une API conçue spécifiquement pour moderniser le mécanisme d’échange de données” pour la plateforme d’optimisation de la performance de GAINS, permettant notamment une connectivité aisée pour des services comme LTP vers des ERP tels que SAP S/4HANA.⁸
La documentation de GAINSConnect (hébergée sur readme.io) décrit des points de terminaison REST entrants et sortants utilisant des charges utiles JSON, le support à la fois pour les flux d’authentification basique et OAuth2, les tokens porteurs JWT, et la configuration pour un échange de données par lots et basé sur des événements.¹⁶¹⁷
Le discours sur l’intégration met en avant des modèles hybrides : les clients peuvent continuer les transferts de fichiers par lots lorsque cela est approprié, tandis que les API gèrent des mises à jour plus fréquentes et des déclencheurs basés sur des événements.¹³¹⁶

Tout cela est parfaitement en phase avec les pratiques contemporaines d’intégration SaaS. Il n’y a aucun signe d’une architecture monolithique héritée ; GAINSConnect suggère une approche par services moderne. Cela dit, il n’existe aucune description publique détaillée de :

L’architecture microservices interne,
Les détails de l’infrastructure cloud (fournisseurs, conception multi-tenant),
Ou des choix technologiques spécifiques (langages, bases de données).

Les offres d’emploi et les références dans la presse confirment une croissance dans des domaines tels que “data engineering, network design, operations research”, mais n’exposent pas de pile technologique.⁴ Nous pouvons donc seulement dire que GAINS semble fonctionner comme une application cloud moderne utilisant des API HTTP/JSON standard et une sécurité basée sur des tokens ; l’intérieur reste une boîte noire.

Mise en œuvre de l’AI/ML et de l’optimisation

À travers la plateforme, les composants algorithmiques les plus concrets que nous pouvons identifier sont :

Lead Time Prediction (LTP) : modèle ML à gradient boosting avec importance des caractéristiques et déploiement via API.¹³⁸
Moteur d’optimisation de stocks : recherche par algorithme génétique de longue date sur l’espace des politiques.¹¹¹²
Supply chain design : simulation à événements discrets plus optimisation de réseau par OR, héritée de 3TO.¹²²⁶²³

Tout le reste – IA en planification de la demande, assistant IA pour le design, prévision basée sur des attributs, optimisation contrainte des taux de service – est décrit uniquement au niveau de mots à la mode (“AI/ML”, “algorithmes éprouvés”) dans le marketing et les publications d’analystes.¹⁰²⁸¹⁴¹⁵

En termes de rigueur technique et de transparence :

GAINS mérite des éloges pour au moins un livre blanc approprié (LTP) et pour l’utilisation d’algorithmes grand public, statistiquement solides.
L’histoire de l’algorithme génétique est plausible et alignée avec la littérature en OR, mais est documentée uniquement dans des descriptions par le fournisseur et des sources secondaires datant de plusieurs années ; aucun article technique moderne n’explique comment GAINS gère la malédiction de la dimensionnalité, les compromis multi-objectifs, ou l’intégration des entrées probabilistes.
Le branding AI/ML est seulement partiellement étayé. Frost & Sullivan mentionnent explicitement la prédiction du lead time, GAINSConnect, et le CSLO en tant qu’investissements concrets en AI/ML ; au-delà, les références restent génériques.⁸

En conséquence, il ne faut pas accepter la narration plus large de GAINS selon laquelle il proposerait une “AI/ML-powered planning platform” au pied de la lettre. L’entreprise applique manifestement l’ML et l’OR dans des domaines spécifiques, mais le degré de planification probabiliste de bout en bout, guidée par l’optimisation est impossible à vérifier de l’extérieur.

Modèle de déploiement et mise en œuvre pratique

Le schéma de déploiement (d’après des études de cas et des rapports d’analystes) ressemble à un déploiement SaaS en entreprise standard :

GAINS positionne Halo360° comme une solution cloud-only, avec des clients se connectant via GAINSConnect depuis des ERP, WMS et d’autres systèmes transactionnels.¹⁰¹²¹
Les projets d’implémentation sont menés en collaboration entre les experts de GAINS (l’équipe data science de “GAINS Labs”, spécialistes en OR) et les équipes de supply chain des clients.⁸¹⁸
Border States et d’autres études de cas suggèrent une adoption progressive : d’abord intégrer les données et déployer la prédiction du lead time et l’optimisation de stocks ; ensuite automatiser progressivement les POs et étendre le périmètre à plus de SKUs ou de sites.¹⁸¹⁹⁸

Les documents publics laissent entendre des délais de mise en œuvre de l’ordre de plusieurs mois plutôt que de quelques semaines. Frost & Sullivan, par exemple, mettent en avant la méthodologie “Proven Path-to-Performance (P3)” et le programme “Results Now” de GAINS – des modèles de solutions pré-configurés pour des résultats rapides – mais ne fournissent pas de distributions quantifiables des temps d’implémentation.¹⁰⁸

Dans l’ensemble, le récit du déploiement est conventionnel et crédible : GAINS n’est pas un outil en libre-service pur ; les clients sont censés travailler étroitement avec les spécialistes de GAINS pour configurer les politiques, contraintes et scénarios.

GAINSystems vs Lokad

Dans le contexte de l’optimisation des décisions supply chain, GAINS et Lokad occupent des domaines de problèmes qui se recoupent (prévision, stocks, network design) mais incarnent des philosophies et des architectures techniques très différentes.

Philosophie produit

GAINS : Propose une suite d’applications au sein de la plateforme Halo360° DEO – optimisation de stocks, planification de la demande, design, S&OP – exposées sous forme de processus métier avec des paramètres configurables et des workflows pré-définis.⁹¹⁰²⁸ Les clients opèrent en grande partie dans le modèle de GAINS de comment la planification devrait fonctionner, avec toutefois un ajustement des politiques, segments et contraintes.
Lokad : Fournit une plateforme programmable pour la “Quantitative Supply Chain”. L’interface principale est Envision, un langage spécifique au domaine (DSL) pour l’optimisation prédictive des supply chains ; toute la logique – de la préparation des données aux prévisions probabilistes en passant par l’optimisation – est exprimée en code.²⁹³⁰³¹³² Plutôt que des modules préconstruits, Lokad propose des applications sur mesure écrites dans ce DSL.

Concrètement, GAINS vise à être application-first (vous adoptez GAINS pour exécuter les processus de GAINS), tandis que Lokad est language-first (vous utilisez Lokad pour programmer vos propres processus).

Prévision et traitement de l’incertitude

GAINS : Parle d’“AI/ML” et de design “risk-adjusted”, mais ne révèle pas si la planification de base s’appuie sur des distributions probabilistes complètes ou principalement sur des prévisions ponctuelles complétées par une logique de stock de sécurité. Le service LTP fournit clairement des estimations de lead time probabilistes ou du moins sensibles à l’incertitude.¹³⁸ La prévision basée sur des attributs et l’AI Demand Forecast Factory sont décrits, mais pas décomposés techniquement.¹⁴¹⁵
Lokad : Se positionne explicitement autour de la prévision probabiliste, calculant la demande complète et souvent les distributions du lead time à grande échelle, puis intégrant ces distributions dans les workflows d’optimisation.²⁹³³³⁴ La documentation technique de Lokad et plusieurs articles détaillent comment les prévisions probabilistes remplacent les prévisions ponctuelles classiques et alimentent une optimisation consciente de Monte-Carlo (par exemple, via le Stochastic Discrete Descent et le Latent Optimization).³³³⁵³⁶³⁷

Par conséquent, bien que les deux fournisseurs mentionnent “incertitude” et “risque”, seul Lokad documente publiquement des méthodes probabilistes à distribution complète et leur utilisation ultérieure dans l’optimisation. GAINS semble plus traditionnel, avec des poches de modélisation probabiliste (notamment LTP) plutôt qu’une chaîne entièrement probabiliste.

Mécanismes d’optimisation

GAINS : Utilise :
- Un moteur de politiques basé sur un algorithme génétique pour l’optimisation de stocks (multi-échelons, contraint par le taux de service).¹¹¹²
- La simulation à événements discrets pour le network design et l’analyse des risques, principalement via l’acquisition de 3TO.²⁶²³
- Des méthodes classiques d’OR et des heuristiques intégrées dans des applications spécifiques au domaine telles que CSLO.⁸
Le cadre d’optimisation est intégré à l’intérieur des applications ; les utilisateurs configurent principalement les objectifs et les contraintes, mais n’écrivent pas directement le code d’optimisation.
Lokad : Met en œuvre une pile d’optimisation à deux générations :
- Stochastic Discrete Descent (SDD) – un paradigme d’optimisation stochastique introduit en 2021 pour les décisions d’inventaire et d’allocation sous incertitude.³⁵³⁸³⁹
- Latent Optimization – introduit en 2024 pour des problèmes de planification combinatoire et d’allocation plus complexes ; décrit explicitement comme la deuxième génération de technologies d’optimisation à usage général pour les supply chains.³⁷
Ces optimiseurs sont accessibles via le DSL Envision, et la documentation de Lokad décrit explicitement des pipelines de données : préparer les données → générer des prévisions probabilistes → exécuter l’optimisation stochastique.³⁵³⁷⁴⁰

Techniquement, l’approche basée sur les GA de GAINS est cohérente avec une littérature OR plus ancienne ; la pile SDD/Latent de Lokad reflète des recherches plus récentes sur la recherche stochastique concernant les scénarios probabilistes. Lokad publie également des détails significativement plus nombreux sur la conception et la logique de ces algorithmes que GAINS ne le fait pour son moteur GA.

Architecture, ouverture et extensibilité

GAINS :
- Halo360° est une plateforme d’applications fermée. Les clients intègrent des données via les API GAINSConnect et configurent des paramètres métier ; les modèles et moteurs internes restent entièrement propriétaires et non programmables depuis l’extérieur.¹⁰⁸¹⁶
- L’extensibilité se fait principalement par la configuration, des modèles, et l’intégration – et non par l’écriture d’une logique arbitraire au sein de la plateforme.
Lokad :
- Le Envision DSL est l’interface principale : les utilisateurs (ou les “Supply Chain Scientists” de Lokad) écrivent des scripts qui décrivent comment calculer les prévisions et les optimisations ; la plateforme compile et exécute ces scripts dans un environnement SaaS multi-tenant.³⁰³¹⁴¹⁴²
- La documentation technique offre une vue d’ensemble (“Big Picture”) d’Envision, discutant ouvertement de la conception du langage, des contraintes (par exemple, non Turing-complet pour permettre une analyse automatique), et de la manière dont il se compare aux langages à usage général.⁴¹
- La plateforme de Lokad est expressément dédiée à la construction d’applications d’optimisation prédictive sur mesure, avec moins de processus métiers préconçus mais plus de liberté de modélisation.³²⁴⁰

Pour les organisations souhaitant une suite prête à l’emploi configurable, GAINS est un choix plus conventionnel. Pour celles désirant un laboratoire d’optimisation programmable capable d’encoder des règles métier et des structures de coûts hautement idiosyncratiques, Lokad est structurellement plus performant (et plus exigeant).

Preuves et transparence

GAINS :
- Expose publiquement peu d’artefacts techniques : le livre blanc LTP et la récompense de Frost & Sullivan sont les principales fenêtres sur les coulisses de l’AI/ML.¹³⁸
- D’autres capacités sont décrites principalement dans des textes marketing et des analyses, et non dans la documentation technique.
Lokad :
- Fournit une documentation technique étendue sur Envision, les méthodes d’optimisation stochastique, la prévision probabiliste et l’architecture.³⁰³¹³³³⁵⁴¹
- Publie des études de cas détaillées (par exemple, Air France Industries) et des contenus longs (LokadTV, essais techniques) expliquant le fonctionnement du système et les algorithmes utilisés en pratique.³¹³⁴⁴³

Du point de vue de la due-diligence technique, Lokad est bien plus transparent et ouvert à l’examen. Le mérite technique de GAINS doit être déduit de descriptions de haut niveau, de récompenses et de résultats clients, plutôt que de modèles ou de langages consultables publiquement.

Évaluation technique : à quel point GAINS est-il « state-of-the-art »?

Pour chaque composant :

Lead-time prediction (LTP) : Construit sur des algorithmes de boosting intégrant l’importance des caractéristiques, déployé en tant que service API. Ceci est tout à fait aligné avec la pratique state-of-the-art pour le ML tabulaire. La documentation est suffisamment claire pour conclure que LTP est techniquement solide et moderne.¹³⁸
Inventory optimization : L’optimisation de stocks par politique multi-niveaux basée sur les GA est une méthode sérieuse, mais conceptuellement plus proche des techniques établies des années 2000 que de la recherche la plus récente des années 2020. Sans preuve d’une modélisation probabiliste des délais dans l’objectif d’optimisation ou de métaheuristiques récentes, il est plus prudent de qualifier cela de « OR robuste et mature » plutôt que de pointe.¹¹¹²²⁷²⁸
Supply chain design : La simulation à événements discrets associée à l’optimisation de réseau est une pratique bien établie; la nouveauté réside dans l’association du design et de la planification, et non dans l’invention de nouveaux algorithmes de simulation.¹²²⁶
Demand planning : Les affirmations concernant l’IA/ML sont plausibles mais peu étayées. Il n’existe pas de descriptions publiques de modèles, de benchmarks, ni de preuves d’une prévision entièrement probabiliste similaire à l’approche documentée par Lokad.¹⁴¹⁵²⁹³³

Au niveau de la plateforme, GAINS se qualifie clairement comme une suite SCP moderne, augmentée par l’IA, avec une combinaison crédible de composants OR et ML, mais :

Il ne se présente pas comme un environnement quantitatif programmable ; son architecture est centrée sur l’application, avec une extensibilité limitée au-delà de ce que le fournisseur offre.
Son discours IA/ML n’est étayé qu’en partie. Le seul composant ML entièrement documenté (LTP) est de pointe pour ce problème spécifique, mais le reste de la plateforme « AI-powered » demeure opaque.
Comparé aux fournisseurs (comme Lokad) qui publient des algorithmes internes, des DSL et des pipelines probabilistes, GAINS est moins transparent et, sans doute, moins ambitieux dans la manière dont il traite l’incertitude et l’économie.

Commercialement, GAINS est clairement mature : longue histoire opérationnelle, propriété de fonds de PE, reconnaissance par Gartner et une base de clients de taille moyenne visible publiquement. Techniquement, GAINS se situe dans le segment milieu-supérieur :

Plus performant que les outils APS hérités qui reposent sur des prévisions ponctuelles et des heuristiques déterministes de stocks de sécurité.
Moins ouvert et moins véritablement à la pointe que des plateformes entièrement probabilistes, pilotées par DSL.

Pour les acheteurs, l’essentiel pratique est :

Si vous recherchez une suite SCP packagée avec du ML moderne dans certains domaines (lead-time, certaines prévisions) et un déploiement conventionnel basé sur la configuration, GAINS est une option crédible.
Si vous recherchez un environnement d’optimisation probabiliste profondément programmable dans lequel chaque décision est codée et vérifiée dans un DSL dédié, l’architecture et la documentation de GAINS ne vont tout simplement pas aussi loin; un fournisseur comme Lokad est plus en phase avec cette ambition.

Conclusion

GAINSystems a évolué d’un fournisseur de planification basé sur l’OR de longue date en un fournisseur SaaS soutenu par des fonds de PE, avec une large plateforme Halo360° DEO couvrant l’optimisation de stocks, la planification de la demande, la conception de supply chain et le S&OP. Des preuves concrètes soutiennent plusieurs affirmations clés : GAINS fonctionne véritablement sur une optimisation non triviale (algorithmes génétiques pour les politiques), utilise un ML moderne pour la prédiction du lead-time (service LTP basé sur le boosting) et a déployé avec succès son logiciel chez des clients importants et identifiés tels que Border States, L’Oréal et d’autres, offrant des améliorations tangibles en matière de stocks et de taux de service. L’acquisition de 3 Tenets Optimization et la mise en place d’une capacité de design basée sur la simulation à événements discrets démontrent en outre une volonté délibérée d’intégrer le design de réseau à la planification quotidienne sur une seule plateforme.

Cependant, une lecture rigoureuse et sceptique du matériel disponible révèle également des limites. En dehors de la prédiction du lead-time, GAINS ne publie pas suffisamment de détails techniques pour étayer bon nombre de ses affirmations les plus ambitieuses « pilotées par IA/ML » et « ajustées au risque ». Les moteurs de planification essentiels demeurent des boîtes noires propriétaires exposées via des écrans de configuration et des workflows standardisés; il n’existe pas d’analogue public à un DSL, ni de documentation ouverte sur les algorithmes ou de description de pipeline probabiliste. Par conséquent, GAINS doit être considéré comme une suite SCP compétente et mature dotée de quelques composants ML/OR véritablement modernes, et non pas comme une plateforme de recherche transparents et state-of-the-art pour l’optimisation quantitative de supply chain.

Comparé à Lokad, le contraste est principalement architectural et philosophique : GAINS est une suite centrée sur l’application, où vous adoptez les processus du fournisseur et bénéficiez d’un ensemble spécifique d’algorithmes intégrés; Lokad est un environnement probabiliste programmable dans lequel vous ou votre partenaire fournisseur codez les décisions dans un DSL et opérez directement sur des distributions et des objectifs économiques. Les deux peuvent coexister sur le même marché, mais ils résolvent des problèmes légèrement différents pour des profils d’acheteurs distincts. Pour les organisations privilégiant une suite configurable mais en grande partie « finie » et prêtes à faire confiance aux modèles internes du fournisseur, GAINS est un choix défendable et techniquement compétent. Pour les organisations recherchant une transparence maximale, une programmabilité et la capacité de pousser l’optimisation probabiliste jusqu’à ses limites, les preuves suggèrent que l’approche de Lokad est matériellement plus avancée et plus ouverte à l’examen.