Analyse de Getron, AI‑driven Supply Chain Software Vendor

Par Léon Levinas-Ménard

Dernière mise à jour: avril, 2025

Getron, fondée en 2003 et se positionnant comme “your Data & AI partner”, offre une suite d’outils logiciels intégrés destinés à optimiser la gestion des stocks et la supply chain. La plateforme englobe des services prescriptifs, prédictifs et diagnostiques — y compris des transactions de stocks automatisées, des prévisions de tarification et de coûts, et la gestion des commandes — le tout délivré via une solution SaaS/PaaS cloud‑native basée sur Microsoft Azure. Promettant une mise en œuvre rapide (aussi vite qu’en deux semaines) et un retour sur investissement rapide, la solution de Getron repose sur une structure de données propriétaire (GDS) et une Interface de Mass Customization sans code conçue pour simplifier la définition des règles et l’intégration à l’ERP. Toutefois, un examen critique des détails disponibles publiquement révèle que, bien que Getron vante une prise de décision alimentée par l’IA et une explicabilité (xAI), ses divulgations techniques restent vagues concernant les algorithmes sous-jacents et les méthodes d’optimisation qui soutiennent ses revendications.

Historique et Contexte de l’Entreprise

Selon son profil LinkedIn, Getron a été fondée en 2003 et se présente comme un partenaire “Data & AI” intersectoriel desservant les secteurs de la vente au détail, de la santé, de la fabrication, de l’énergie et de l’automobile¹. Bien que certaines recherches en ligne suggèrent d’éventuelles pistes d’acquisition, les preuves publiquement disponibles ne confirment aucun événement d’acquisition significatif dans l’histoire de l’entreprise.

Aperçu du Produit et Fonctionnalités

Getron commercialise une suite intégrée de services AI pour répondre à divers défis liés aux stocks et à la supply chain:

Getron PST (Transactions de Stocks Prescriptives): Conçu pour générer et exécuter automatiquement des ordres de travail pour le mouvement des stocks entre entrepôts, fournisseurs et magasins, grâce à une technologie xAI‑powered qui explique les décisions sous-jacentes².
Getron ARE (Entités Recommandées d’Action): Se concentre sur l’optimisation des baisses de prix, les stratégies d’achats répétés, et les recommandations de retrait.
Getron PBD (Diagnostics Prédictifs d’Entreprise): Fournit des diagnostics prédictifs basés sur plusieurs KPI et des informations pilotées par des tableaux de bord.
Getron PSP (Planification Prescriptive d’Approvisionnement): Fournit une planification d’approvisionnement à long terme avec prévision de la demande et analyse de scénarios.
Getron PRIX (Coût et Tarification Prescriptifs): Prévoit simultanément les coûts, la demande et la tarification, en intégrant l’élasticité des prix et les effets saisonniers.
Getron OMP (Gestion et Planification des Commandes): Optimise les flux de travail des commandes et s’intègre aux systèmes ERP des clients.

Technologie et Architecture

Getron met en avant un modèle de livraison flexible et cloud‑native basé sur les principes SaaS/PaaS. La solution complète est hébergée sur Microsoft Azure, promettant un déploiement rapide et une réduction des investissements matériels³⁴. Une revendication technologique clé est l’utilisation d’une “Getron Data Structure (GDS)” propriétaire qui transforme les données brutes d’entrée pour un traitement efficace, réduisant apparemment le besoin d’équipes de data science spécialisées. De plus, l’Interface de Mass Customization (MCI) est présentée comme une plateforme sans code permettant aux clients de définir des règles commerciales personnalisées et de s’intégrer de manière transparente aux systèmes ERP tiers, bien que peu de détails techniques sur l’implémentation aient été divulgués⁵.

Déploiement et Modèle de Lancement

Les supports marketing mettent en avant la capacité de Getron à être opérationnel en 2 semaines avec un retour sur investissement dès 2 mois. La solution complète est délivrée via un modèle cloud qui élimine les installations sur site et exploite les fonctionnalités de sécurité et de performance d’Azure. Cette approche de mise en œuvre rapide contraste avec les déploiements de logiciels d’entreprise traditionnels et plus lents, bien que ces promesses soient assorties de la réserve d’une preuve technique publiquement limitée à l’appui de ces délais accélérés⁴.

Analyse des Composants d’IA, ML et d’Optimisation

Getron affirme que sa plateforme utilise l’intelligence artificielle pour générer des ordres de travail actionnables, réaliser des prévisions de demande avancées et optimiser les niveaux de stocks en utilisant des approches multi-modèles. L’utilisation de l"explainable AI (xAI)" est mise en avant comme moyen de fournir une transparence sur la logique décisionnelle. Cependant, un examen plus approfondi révèle plusieurs points sceptiques:

Méthodologies Vagues: Malgré de fréquentes références à l’IA/ML, peu d’informations détaillées sont fournies sur les algorithmes spécifiques, les architectures de modèles ou les techniques d’optimisation utilisées.
Exigences en Données vs. Revendications: Il existe un conflit apparent entre les revendications d’une opération efficace avec un minimum de données historiques et les recommandations suggérant l’utilisation d’au moins deux ans de données pour capturer la saisonnalité.
Approche d’Optimisation: Bien que le système aborde apparemment l’optimisation de stocks, les stratégies de baisses de prix et les recommandations de coût/tarification, il reste incertain si celles-ci sont pilotées par des algorithmes sophistiqués et dynamiques basés sur le ML ou simplement par des méthodes heuristiques et statistiques.

Offres d’Emploi et Pile Technologique

Les informations provenant de la page carrières de Getron soulignent une culture de travail à distance et agile avec une équipe diversifiée, tout en fournissant peu de détails sur la pile technologique sous-jacente. Des indices indirects provenant de sources tierces laissent supposer l’utilisation de technologies web standard (HTML5, Apache Server, etc.), mais les spécificités concernant les langages de programmation backend ou les bibliothèques AI/ML ne sont pas divulguées⁶.

Getron vs Lokad

Un contraste marqué émerge lorsqu’on compare l’offre de Getron à la plateforme quantitative supply chain bien documentée de Lokad. Alors que Getron promeut une suite intégrée et déployable rapidement basée sur une structure de données propriétaire et une interface de configuration sans code, ses divulgations techniques restent limitées et ses fondements en IA/ML largement non vérifiés. En revanche, Lokad—fondée en 2008—a poursuivi une évolution rigoureuse et axée sur la recherche dans l’optimisation de la supply chain. La plateforme de Lokad utilise un langage spécifique au domaine (Envision) pour créer des “apps” d’optimisation sur mesure et emploie des prévisions probabilistes avancées, des techniques de deep learning, et même de la programmation différentiable pour permettre des décisions en temps réel et à haute précision⁷. Là où Getron met en avant un retour sur investissement rapide et la simplicité, Lokad investit dans la construction d’une approche entièrement transparente, modulaire et mathématiquement fondée pour l’automatisation des décisions supply chain, bien qu’au prix d’exiger une expertise technique plus élevée de la part de ses utilisateurs.

Conclusion

Getron présente une vision attrayante avec sa suite intégrée de services alimentés par l’IA visant à transformer la gestion des stocks et de la supply chain, en promettant un déploiement rapide et des résultats opérationnels améliorés. Cependant, cette analyse révèle d’importantes lacunes en matière de transparence technique concernant ses méthodologies en IA/ML et optimisation. Par rapport à des plateformes technologiquement matures comme Lokad—qui démontrent un engagement profond et fondé sur la recherche dans l’optimisation quantitative de la supply chain—l’approche de Getron peut offrir une facilité de déploiement mais manque de fournir des détails vérifiables. Les entreprises envisageant Getron devraient peser les avantages d’une mise en œuvre rapide face au besoin d’une fondation technologique robuste et clairement articulée, et pourraient bénéficier d’une validation technique indépendante supplémentaire avant une adoption à grande échelle.