Previsioni probabilistiche in supply chains: Lokad contro altri fornitori di software aziendale, luglio 2025

Di Léon Levinas-Ménard

Ultima modifica: 23 luglio 2025

Sommario Esecutivo

L’Approccio Probabilistico Unico di Lokad: Lokad ha introdotto l’uso delle previsioni probabilistiche nell’ottimizzazione della supply chain, andando oltre le stime puntuali per modellare intere distribuzioni delle incertezze di domanda e offerta. Dal 2012, Lokad ha costruito la sua piattaforma attorno a questo concetto – stimando intere distribuzioni di probabilità (non solo singole previsioni o pochi quantili) e utilizzandole per ottimizzare le decisioni ¹ ². Ciò permette di prevedere tutte le fonti di incertezza (ad es. la variabilità della domanda e dei tempi di consegna) e di calcolare piani ottimizzati di inventario o produzione che tengano conto di tali incertezze ². Il risultato è un approccio incentrato sulla decisione che trasforma le previsioni in azioni ottimizzate in condizioni di incertezza, anziché trattare previsione e pianificazione come fasi separate.

Le affermazioni “probabilistiche” dei concorrenti contro la realtà: Seguendo la guida di Lokad, molti grandi fornitori di software per supply chain hanno adottato il linguaggio delle previsioni probabilistiche – ma in gran parte senza la stessa sostanza. Fornitori come ToolsGroup, Blue Yonder, o9 Solutions, SAP IBP, RELEX e Kinaxis ora cospargono i loro materiali di termini come “probabilistico” o “stocastico” nel loro marketing. Tuttavia, un’analisi più approfondita rivela differenze chiave:

ToolsGroup (SO99+): Pioniere “stocastico” da lungo tempo, ma l’uso moderno di probabilistico è parziale. Generano distribuzioni di domanda (previsioni dei quantili) per l’inventario, tuttavia non prevedono i tempi di consegna come variabili casuali, affidandosi a input fissi per i tempi di consegna ³. Notevole, dal 2018 ToolsGroup vantava “previsioni probabilistiche” mentre continuava a vantare miglioramenti di accuratezza MAPE – una contraddizione, dal momento che il MAPE non si applica alle previsioni probabilistiche ⁴. Questo suggerisce che la loro spinta probabilistica fosse più un termine d’effetto che un cambiamento fondamentale.
Kinaxis (RapidResponse/Maestro): Storicamente concentrato sulla pianificazione deterministica in memoria. Solo di recente (2022–2023) Kinaxis ha abbracciato metodi probabilistici collaborando con Wahupa (per l’ottimizzazione probabilistica dell’inventario) e acquisendo una società di previsioni basate su AI. Kinaxis ha persino depositato brevetti 2023 per previsioni dei quantili basate su ML ⁵ ⁶, indicando un orientamento verso tecniche probabilistiche. Tuttavia, queste funzionalità sono nuove e non collaudate, essenzialmente fornendo previsioni dei quantili (intervalli di previsione) anziché la modellazione della distribuzione completa che fa Lokad. L’iniziativa Wahupa (motore probabilistico multi-echelon) finora ha avuto un impatto visibile limitato, evidenziando le sfide nel retrofitting della logica probabilistica in una piattaforma consolidata.
Blue Yonder (ex JDA): Un gigante del software per supply chain con motori di pianificazione (deterministici) legacy. Il recente messaging della piattaforma Luminate di Blue Yonder menziona previsioni “autonome” e “probabilistiche”, ma le prove della loro capacità centrale di generare vere distribuzioni di probabilità sono scarse ⁷. In pratica, BY sembra attenersi alle previsioni puntuali tradizionali (metodi di serie temporali come ARIMA) con formule per lo stock di sicurezza, magari aggiungendo aggiustamenti guidati da ML. Non vi è alcuna indicazione che Blue Yonder modelli l’incertezza dei tempi di consegna o produca il tipo di ottimizzazione probabilistica end-to-end che realizza Lokad ⁸ ⁹. La terminologia “probabilistica” sembra pertanto essere per lo più un marchio di minor miglioramenti a un approccio fondamentalmente deterministico.
SAP IBP (Integrated Business Planning): La suite di pianificazione di SAP ha ereditato un motore probabilistico attraverso l’acquisizione, nel 2013, di SmartOps (che eseguiva l’ottimizzazione dell’inventario multi-echelon usando modelli di variabilità della domanda). In teoria, IBP per l’Inventario può tenere conto della variabilità della domanda e persino di parte della variabilità dell’offerta ¹⁰. In pratica, l’attenzione di SAP è sull’integrazione e sul processo; le previsioni probabilistiche non sono enfatizzate nel loro messaging ¹¹. La maggior parte delle implementazioni di SAP IBP utilizza ancora previsioni puntuali e scorte di sicurezza impostate dagli utenti; i tempi di consegna sono tipicamente input fissi (con eventuali buffer opzionali) anziché incertezze quantificate dal sistema ¹¹. Quindi, sebbene la capacità esista in profondità nel software, SAP non ha operativizzato i metodi probabilistici come elemento distintivo fondamentale, e molti utenti potrebbero non sfruttare quelle funzionalità avanzate.
o9 Solutions: Una piattaforma più recente che commercializza un “Digital Brain” per la pianificazione della supply chain. o9 si concentra sulla pianificazione integrata in tempo reale (domanda, offerta, finanza) con analisi di scenario e integrazione dei big data. Il suo punto di forza è unificare dati e silos di pianificazione, ma non le previsioni probabilistiche nello specifico del tipo in cui Lokad è specializzato ¹². Le funzionalità AI/ML di o9 supportano principalmente l’analisi predittiva e le simulazioni what-if, anziché produrre distribuzioni di probabilità esplicite per ogni variabile. In breve, o9 fornisce un ampio kit di strumenti di pianificazione (con modelli di dati basati su grafici e ricalcoli rapidissimi what-if), mentre Lokad offre una modellazione e ottimizzazione più approfondita delle incertezze. Le aziende che cercano una rigorosità probabilistica completa nelle previsioni potrebbero trovare l’approccio di o9 più incrementale (previsioni puntuali aumentate) rispetto alla completa ottimizzazione stocastica di Lokad ¹².
RELEX Solutions: Un fornitore in rapida crescita, focalizzato sul retail e noto per le previsioni ad alta frequenza e il rifornimento automatizzato (popolare per la spesa e la moda). RELEX vanta previsioni della domanda “guidate da AI” e analisi in tempo reale, ma non produce intere distribuzioni di probabilità per la domanda come fa Lokad ¹³. Le previsioni vengono migliorate tramite machine learning (e il rilevamento della domanda a breve termine) ma rimangono essenzialmente previsioni puntuali potenziate. In maniera critica, RELEX non tratta i tempi di consegna come probabilistici ¹⁴ – gli utenti inseriscono i tempi di consegna e magari fattori di variabilità manuali. Quindi, nonostante l’architettura cloud moderna e le affermazioni sull’AI, RELEX si affida a metodi convenzionali (con un po’ di ML) in sostanza ¹⁵. Il suo uso della terminologia “probabilistica” è minimo; l’enfasi è più sulla reattività a breve termine che sulla modellizzazione matematica di ogni incertezza.

Conclusioni: L’approccio probabilistico di Lokad rimane altamente differenziato. Si distingue per aver effettivamente integrato l’incertezza end-to-end – prevedendo tutte le distribuzioni rilevanti e ottimizzando le decisioni di conseguenza. Altri fornitori hanno, in vari gradi, preso in prestito il termine d’effetto o aggiunto pezzi di tecnologia probabilistica (spesso solo previsioni dei quantili o buffer di rischio) per apparire all’avanguardia. Eppure, come dettagliato in questo rapporto, nessuno eguaglia la profondità dell’approccio di Lokad nella pratica. La maggior parte ricade ancora su paradigmi di pianificazione deterministica con accenni superficiali all’incertezza (ad es. utilizzando pochi quantili o la logica dello “safety stock” anziché una vera ottimizzazione stocastica). Sviluppi recenti – come i brevetti e le partnership di Kinaxis o il rebranding AI di Blue Yonder – mostrano il riconoscimento da parte dell’industria che i metodi probabilistici sono il futuro. Tuttavia, la sostanza è in ritardo rispetto al marketing per questi attori consolidati. I dirigenti che valutano soluzioni “probabilistiche” per la supply chain dovrebbero quindi esaminare attentamente se l’offerta di un fornitore si limiti a usare la parola o se abbracci davvero il paradigma probabilistico innovato da Lokad.

Introduzione

Negli ultimi dieci anni, le previsioni probabilistiche sono emerse come un’innovazione fondamentale nella pianificazione della supply chain. A differenza delle previsioni deterministiche tradizionali che forniscono un unico valore atteso, una previsione probabilistica offre una gamma di possibili risultati con le relative probabilità ¹⁶. Questo è cruciale per l’ottimizzazione della supply chain: decisioni come quanta merce mantenere in inventario o come programmare la produzione devono tenere conto della variabilità della domanda, dei tempi di consegna dei fornitori, dei ritardi nei trasporti e di altre incertezze. Già nel 2012, Lokad aveva compreso che le previsioni classiche (anche le previsioni “migliore stima” o mediane) erano insufficienti per tali decisioni, poiché ignoravano il rischio di risultati superiori o inferiori. Lokad ha iniziato a produrre previsioni dei quantili nel 2012 – fondamentalmente previsioni con una certa distorsione, mirate a specifici livelli di servizio o compromessi di costo – e nel 2015 si è evoluta verso la previsione di intere distribuzioni (attraverso “griglie di quantili”) ¹⁷ ¹⁸. Nel 2016 Lokad ha pienamente abbracciato le previsioni probabilistiche, stimando esplicitamente intere distribuzioni della domanda anziché singoli punti ¹⁹ ²⁰. Questo è stato seguito dallo sviluppo di tecniche di ottimizzazione stocastica che prendono quelle distribuzioni come input per calcolare decisioni ottimali in condizioni di incertezza ²⁰ ²¹.

Oggi, l’approccio di Lokad (a volte denominato “Forecasting & Optimization” o “Quantitative Supply Chain”) integra in modo stretto le previsioni con l’ottimizzazione delle decisioni ²² ²³. Utilizzando il suo linguaggio specifico di dominio Envision, Lokad modella le incertezze (ad es. la variabilità della domanda, l’affidabilità dei fornitori, la distribuzione dei tempi di consegna, ecc.) e le restrizioni aziendali (costi dell’inventario, obiettivi di servizio, limiti di capacità), quindi produce un piano ottimizzato (quantità da ordinare, programmi di produzione, ecc.) che massimizza la performance attesa date le incertezze ²⁴ ². La chiave è che l’incertezza non è un ripensamento – è integrata nei calcoli. Questo contrasta con gli strumenti tradizionali che spesso generano una singola previsione, per poi aggiungere buffer (scorte di sicurezza, tempo di sicurezza) in modo euristico. Il successo di Lokad nella competizione di previsione M5 nel 2020 (ottenendo la massima accuratezza a livello di SKU in tutto il mondo) ha ulteriormente dimostrato la sua leadership nella modellazione predittiva. Più importante, Lokad sostiene che l’accuratezza da sola non basta – è necessario prendere decisioni ottimali a partire da quelle previsioni probabilistiche ²⁵ ²³.

Man mano che Lokad ha guadagnato terreno con questo approccio probabilistico, altri fornitori di software per supply chain hanno prestato attenzione. A metà degli anni 2010, termini come “stocastico”, “previsioni probabilistiche” e “pianificazione guidata da AI” hanno iniziato ad apparire nei materiali dei concorrenti. Verso la fine degli anni 2010, un certo numero di fornitori ha cominciato a commercializzare una qualche forma di capacità probabilistica – almeno nel nome. La sfida per i dirigenti della supply chain è fare chiarezza in mezzo a questo marketing: come definiscono questi fornitori il termine “probabilistico” e in che modo le loro soluzioni differiscono da quella di Lokad? Questo rapporto esamina l’approccio di Lokad rispetto a quello di diversi fornitori leader: ToolsGroup, Kinaxis, Blue Yonder (BY), SAP IBP, o9 Solutions e RELEX Solutions. Ci concentriamo su come ciascun fornitore affronta l’incertezza nelle previsioni e nella pianificazione:

Producono distribuzioni di probabilità complete o solamente previsioni puntuali / previsioni a numero singolo?
Se vengono menzionate distribuzioni, sono solo per la domanda, o anche per tempi di consegna e altri fattori?
Hanno dimostrato la loro abilità nelle previsioni (ad es. in competizioni o metriche pubblicate), oppure si tratta principalmente di parole d’effetto?
In che modo incorporano l’incertezza nel processo decisionale (ad es. vera ottimizzazione stocastica vs. semplici formule per lo safety stock)?
Le loro affermazioni “AI/ML” sono supportate da specifiche tecniche, oppure stanno riciclando metodi vecchi con una nuova terminologia?

Esaminando queste domande, possiamo comprendere il divario tra Lokad e i suoi concorrenti riguardo all’ottimizzazione probabilistica della supply chain. Di seguito, illustriamo la posizione e le capacità di ciascun fornitore, evidenziando come il termine “probabilistico” venga interpretato nella pratica – e se riesca davvero a mantenere la promessa che Lokad esemplifica.

L’Approccio Probabilistico di Lokad: Distribuzioni Complete & Ottimizzazione delle Decisioni

La filosofia di Lokad è che decisioni migliori derivano da una migliore comprensione dell’incertezza. In concreto, ciò significa prevedere l’intera distribuzione di probabilità della domanda futura (e di altre incertezze) e poi calcolare direttamente le decisioni che ottimizzano metriche (come il livello di servizio, il costo o il profitto) utilizzando quelle distribuzioni come input. Diversi elementi rendono l’approccio di Lokad unico:

Adozione Precoce e Innovazione: Lokad è stata quasi un decennio avanti rispetto al mercato nel promuovere le previsioni probabilistiche. Già nel 2012, Lokad ha sostenuto pubblicamente l’idea di andare oltre le medie – introducendo previsioni dei quantili su misura per gli obiettivi aziendali ²⁶ ¹. Nel periodo 2015–2016, Lokad è passata alle previsioni probabilistiche complete, il che significa che per ogni articolo produce un’intera distribuzione di probabilità della domanda durante il lead time (o in qualsiasi orizzonte di interesse) ¹⁹ ²⁰. Questo rappresentava un cambio radicale rispetto alla norma del settore, che prevedeva la generazione di un solo numero per articolo e per periodo. L’investimento di Lokad in questo ambito l’ha resa “uno dei pochi fornitori a implementare realmente la previsione probabilistica (domanda e offerta) e la vera ottimizzazione stocastica” nella pratica ².
Tutte le Fonti di Incertezza Modellate: A differenza della maggior parte degli strumenti che modellano solo l’incertezza della domanda (trattando i tempi di consegna o altri fattori come fissi), Lokad modella esplicitamente ogni fattore stocastico significativo. Ad esempio, se i tempi di consegna dei fornitori variano, Lokad prevede una distribuzione dei tempi di consegna (ad es. una probabilità del 10% che il tempo di consegna si estenda a 8 settimane anziché la media di 6 settimane). Se vi è incertezza sul rendimento produttivo o rischio di ritardo nei trasporti, anche questi possono essere modellati come input probabilistici. La documentazione di Lokad sottolinea la previsione sia dell’incertezza della domanda che di quella dell’offerta, integrandole entrambe nell’ottimizzazione ². Questo approccio completo significa che le decisioni risultanti (come la quantità di inventario da mantenere) proteggono contro tutte le principali variabilità, e non solo contro le fluttuazioni della domanda. In contrasto, un fornitore che ignora la variabilità dei tempi di consegna potrebbe rimanere con scorte insufficienti perché non ha mai previsto un ritardo del fornitore (o eccedere nell’inventario “per ogni evenienza”, non conoscendo la reale distribuzione del rischio).
Input probabilistici per l’ottimizzazione (non solo previsioni): In modo cruciale, Lokad non si ferma alle distribuzioni previsionali; le utilizza nei modelli di ottimizzazione matematica per derivare le decisioni. La piattaforma Envision di Lokad consente di definire una funzione obiettivo (ad es. massimizzare il profitto atteso o minimizzare il costo totale) che viene valutata sull’intera gamma di risultati probabilistici ²⁵ ²³. Tecniche come la Simulazione a Eventi Discreti Stocastica e l’Ottimizzazione Stocastica (Lokad ha introdotto metodi come la Discesa Discreta Stocastica nel 2021 per risolvere questi problemi ²⁰) calcolano la migliore decisione pesando migliaia di possibili scenari futuri (estratti dalla distribuzione previsiva). Ciò produce raccomandazioni come ordinare X unità ora (o impostare il punto di riordino a Y), con probabilità note di esaurimento scorte o di eccesso di stock basate sulla previsione. Si tratta di una pipeline olistica dalla previsione alla decisione: dati → previsione probabilistica → decisione ottimizzata. Molti fornitori, al contrario, o forniscono le previsioni lasciando il resto ai pianificatori, oppure usano regole semplicistiche (come “scorta di sicurezza = Z * σ della domanda”) che non sono vere ottimizzazioni.
Trasparenza e personalizzazione: Lokad si è impegnata per rendere il proprio approccio white-box. Envision è un motore completamente programmabile in cui un’azienda può adattare il modello alle proprie realtà. Per esempio, se l’obsolescenza è un problema, si può modellare una probabilità che la domanda scenda a zero dopo una certa data; se c’è la possibilità di fallimento del fornitore, si può incorporare quello scenario. Questa flessibilità garantisce che il “modello probabilistico” non sia una scatola nera – è comprensibile e regolabile, in contrasto con l’approccio “taglia unica” dell’IA in scatola nera di alcuni fornitori. Inoltre, i risultati e i metodi di Lokad sono stati documentati in dettaglio sul loro sito web e nelle lezioni su YouTube (supply chain “Lokad TV”), riflettendo un livello di trasparenza tecnica non comune nel software aziendale ²⁷ ²⁵.
Performance comprovata: La credibilità di Lokad nelle previsioni probabilistiche è supportata da benchmark esterni. Uno degli aspetti più citati è la performance di Lokad nella competizione M5 (un concorso globale di previsione) in cui ha raggiunto la massima precisione a livello di SKU/articolo ²⁸. Questo è importante perché costituisce una prova oggettiva che la tecnologia previsionale di Lokad è all’avanguardia. Inoltre, essendo nativo cloud e completamente automatizzato, Lokad garantisce che queste tecniche avanzate possano essere eseguite in scala senza intervento manuale – la riorganizzazione giornaliera o settimanale può avvenire in modalità “hands-off”, fondamentale per la praticità. In breve, Lokad combina scienza all’avanguardia con automazione, mirando a eliminare il tradizionale compromesso tra modelli sofisticati e facilità d’uso.

In sintesi, l’approccio probabilistico di Lokad significa una vera pianificazione stocastica end-to-end: le incertezze dettagliate vengono previste, poi convertite direttamente in decisioni che ottimizzano i risultati in condizioni di incertezza. Questo non è solo un modulo o una funzionalità, ma il nucleo della piattaforma di Lokad. Il resto di questo rapporto utilizzerà lo standard di Lokad come metro di paragone per esaminare come altri fornitori abbiano (o meno) incorporato la previsione probabilistica.

Fornitori concorrenti e i loro approcci “probabilistici”

Man mano che i metodi probabilistici hanno attirato l’attenzione, altri fornitori di software per la supply chain hanno risposto in vari modi. Alcuni hanno radici nelle tecniche stocastiche, ma potrebbero non averle sviluppate di recente; altri hanno aggiunto nuove capacità o semplicemente ribattezzato aspetti dei loro strumenti esistenti con una terminologia probabilistica. Di seguito esploriamo l’approccio di ciascun fornitore principale:

ToolsGroup – Innovatore stocastico precoce, ma focalizzato sui quantili e solo sulla domanda

Contesto: ToolsGroup è un veterano nella pianificazione della supply chain (fondato nel 1993) ed è spesso riconosciuto per il suo precoce utilizzo di modelli stocastici, specialmente per la previsione dei pezzi di ricambio. Negli anni ‘90, ToolsGroup introdusse metodi che sfidavano la pianificazione puramente deterministica modellando statisticamente la variabilità della domanda (ad es. utilizzando la distribuzione di Poisson o altre per domande intermittenti) ²⁹. Questa eredità fa sì che ToolsGroup parli da tempo di previsioni probabilistiche – infatti, il loro sistema di punta Service Optimizer 99+ (SO99+) ha da anni calcolato “scorte di sicurezza statistiche” basate sulla variabilità. Nel marketing moderno, ToolsGroup continua a sostenere che “la previsione della domanda probabilistica (nota anche come previsione stocastica) è la pietra angolare di una pianificazione efficace” ³⁰.

Previsioni probabilistiche in pratica: Nonostante l’eredità, l’approccio attuale di ToolsGroup appare limitato nell’ambito rispetto al quadro probabilistico completo di Lokad. In particolare:

Distribuzioni della domanda, ma parametri di fornitura statici: ToolsGroup genera distribuzioni della domanda anziché previsioni a singolo punto. Ad esempio, SO99+ può produrre una curva “stock-to-service”, che essenzialmente mostra la distribuzione di probabilità della domanda durante il lead time e il livello di servizio raggiunto per un determinato livello di stock ³¹. Ciò implica che il motore di ToolsGroup simula o deriva analiticamente la distribuzione della domanda durante un lead time di riapprovvigionamento – un output probabilistico utile. Tuttavia, ToolsGroup non arriva a una modellazione probabilistica completa perché tratta il lead time come un input, e non come un’incertezza prevista. Nella documentazione di ToolsGroup, i lead time sono elencati tra i “parametri di fornitura” che l’utente fornisce al modello ³². Non vi è alcuna indicazione che SO99+ analizzi le prestazioni storiche dei fornitori e produca una distribuzione di probabilità del lead time. Nel migliore dei casi, l’utente potrebbe inserire una media e una deviazione standard per il lead time, e lo strumento li considererebbe nei calcoli delle scorte di sicurezza in maniera deterministica ³³. Ciò significa che ToolsGroup ignora una fonte importante di incertezza – se il lead time di un fornitore dovesse occasionalmente raddoppiare a causa di interruzioni, l’ottimizzazione di ToolsGroup potrebbe non tenerne pienamente conto, poiché non prevede nativamente quello scenario ³⁴. Al contrario, Lokad o un approccio probabilistico “completo” modellerebbe esplicitamente una probabilità del 10% (per esempio) che il lead time raddoppi e regolerebbe di conseguenza le raccomandazioni relative alle scorte. L’assenza di previsioni probabilistiche del lead time ha portato un’analisi a concludere: “ToolsGroup non supera il test probabilistico completo – menziona i lead time solo come input statici, non come incertezze previste” ³².
Spinta “probabilistica” del 2018 e confusione sul MAPE: ToolsGroup ha iniziato a pubblicizzare fortemente le “previsioni probabilistiche” intorno al 2018, probabilmente in reazione alle tendenze del mercato. Tuttavia, questa spinta di marketing è stata indebolita da una apparente mancanza di comprensione (o trasparenza) su come misurare le prestazioni delle previsioni probabilistiche. In particolare, i materiali di ToolsGroup di quell’epoca abbinavano affermazioni di previsioni probabilistiche con quelle di un miglioramento del MAPE (Mean Absolute Percentage Error) ⁴. Il MAPE è una metrica per l’accuratezza delle previsioni puntuali – misura la deviazione di un singolo valore previsivo dalla domanda effettiva. Per una previsione probabilistica (che produce una distribuzione o più quantili), il MAPE non è applicabile ³⁵. Non si può calcolare “il MAPE di una previsione distribuzionale” senza prima ridurla a una stima puntuale (vanificando lo scopo dell’output probabilistico). Di conseguenza, l’orgoglio di ToolsGroup per un MAPE migliore insieme a previsioni probabilistiche indica o che stavano ancora utilizzando in pratica una previsione puntuale (forse la mediana) per la misurazione dell’errore, oppure si trattava di un errore di marketing. In ogni caso, ciò ha suscitato scetticismo: “Un evidente pasticcio suggerisce che l’iniziativa probabilistica di ToolsGroup potrebbe essere più un clamore che una realtà” ⁴. In altre parole, ToolsGroup potrebbe aver aggiunto funzionalità probabilistiche (come la produzione di un intervallo o di alcuni quantili) ma ha continuato a valutare e interpretare i dati in termini deterministici internamente.
Focus sui quantili (livelli di servizio): Dalle informazioni disponibili, l’utilizzo dei dati probabilistici da parte di ToolsGroup è in gran parte finalizzato a raggiungere livelli di servizio target. Un pianificatore che utilizza ToolsGroup di solito imposta un livello di servizio desiderato (ad es. 95% o 99%), e il sistema calcola i livelli di scorte necessari per ottenerlo, data la variabilità della domanda. Questo viene fatto esaminando i quantili superiori della distribuzione della domanda. Ad esempio, se l’obiettivo è un servizio al 95%, ToolsGroup si assicurerà che l’inventario copra il 95° percentile della domanda durante il lead time. Questo equivale a una previsione per quantile: calcolare il 95° percentile della domanda. Pur essendo utile, si tratta di una forma limitata di previsione probabilistica – il sistema potrebbe calcolare uno o due quantili (ad es. P50 e P95) per definire le scorte di sicurezza, anziché sfruttare l’intera forma della distribuzione per una decisione ottimizzata nei costi. Al contrario, Lokad potrebbe considerare l’intera distribuzione e i costi dell’eccesso di scorte contro l’esaurimento per scegliere in modo dinamico un quantile ottimale (forse il 87° percentile che massimizza il profitto atteso, per esempio), invece di mirare semplicemente a un obiettivo fisso di servizio.
Nessuna grande rivoluzione nell’AI/ML: ToolsGroup integra il machine learning nelle sue previsioni, ma le recensioni indicano che si tratta di tecniche relativamente standard (regressione, modelli di serie temporali con eventualmente qualche aggiustamento ML). Le affermazioni di ToolsGroup sull’“IA” sono state accolte con scetticismo ³⁶ ³⁷ – con esperti che hanno notato come le informazioni pubbliche su ToolsGroup mostrino l’uso di “modelli previsionali pre-2000” ³⁸ (come il metodo di Croston per domande intermittenti). L’azienda non ha dimostrato alcun nuovo algoritmo probabilistico (ad es., nessuna evidenza di previsioni probabilistiche basate sul deep learning o di partecipazione a concorsi). Pertanto, le sue previsioni probabilistiche possono essere viste come un ’estensione dei suoi modelli statistici classici (aggiungendo più output), piuttosto che come un nuovo paradigma.

Verdetto su ToolsGroup: ToolsGroup rimane una soluzione credibile e comprovata per l’ottimizzazione delle scorte, con una lunga esperienza. Ha abbracciato i concetti probabilistici decenni fa, ma l’ampiezza di tale approccio appare limitata oggi. Modella l’incertezza della domanda e calcola le scorte di sicurezza di conseguenza, il che è prezioso. Tuttavia, ignorando le previsioni esplicite del lead time e mescolando output probabilistici con un ragionamento deterministico (ad es. il MAPE), l’approccio “probabilistico” di ToolsGroup manca della completezza e del rigore di quello di Lokad ³². Come affermato in una recensione critica, l’uso da parte di ToolsGroup di termini alla moda moderni non sempre corrisponde alla realtà sottostante – “mescolare termini moderni con tecniche tradizionali” ³⁸. Le aziende devono comprendere che ToolsGroup aiuterà a determinare gli obiettivi di inventario per un determinato livello di servizio in condizioni di incertezza della domanda, ma non quantificherà necessariamente tutti i rischi né riorganizzerà le decisioni in ogni scenario stocastico come farebbe un’ottimizzazione probabilistica completa.

Kinaxis – Origini deterministiche con nuove previsioni per quantili e componenti aggiuntive di inventario probabilistico

Contesto: Kinaxis è nota per la sua piattaforma RapidResponse (recentemente ribattezzata “Kinaxis Maestro”), che per anni è stata leader nella pianificazione della supply chain, in particolare nella Sales & Operations Planning (S&O P) e nell’analisi degli scenari. Il segno distintivo di Kinaxis è un motore di calcolo in memoria rapido che permette ai pianificatori di eseguire simulazioni in tempo reale – ad es., “cosa succede se la domanda aumenta del 10%” – e di vedere immediatamente gli impatti sull’intera supply chain. Storicamente, Kinaxis non si è concentrata sull’essere un motore di previsione in sé; piuttosto, consumava previsioni da altre fonti o utilizzava metodi semplici, enfatizzando l’integrazione e la velocità nel ripianificare la fornitura, la capacità e le scorte. La sua pianificazione era in gran parte deterministica – gli scenari rappresentavano una singola versione della realtà, e le scorte di sicurezza o i buffer erano stabiliti dai pianificatori o seguendo regole basilari.

Passaggio verso metodi probabilistici: Negli ultimi anni, Kinaxis ha chiaramente riconosciuto la tendenza del settore (e la domanda dei clienti) verso previsioni più avanzate e una migliore gestione dell’incertezza. Diversi sviluppi illustrano questo cambiamento:

Partnership con Wahupa (2022): Nel maggio 2022, Kinaxis annunciò una partnership con Wahupa – una piccola azienda di software specializzata nell’Ottimizzazione Probabilistica Multi-Echelon delle Scorte (MEIO) ³⁹. Il motore di Wahupa è progettato per quantificare l’incertezza (nella domanda e nell’offerta) e ottimizzare i buffer di inventario attraverso reti complesse mediante modelli probabilistici. L’idea era di integrare il MEIO probabilistico di Wahupa all’interno della piattaforma di Kinaxis (come una “estensione della soluzione”) ⁴⁰ ⁴¹. Ciò avrebbe dato ai clienti di Kinaxis un modo per calcolare gli obiettivi di inventario con una logica probabilistica, anziché con i metodi tradizionali deterministici o basati su regole. Kinaxis ha persino collaborato a contenuti sul blog con il CEO di Wahupa per discutere di pianificazione probabilistica versus deterministica, dimostrando di promuovere questo approccio ⁴² ⁴³. Tuttavia, l’integrazione di Wahupa sembra aver incontrato ostacoli. Verso la fine del 2023/inizio del 2024, gli osservatori del settore hanno notato che questa alleanza aveva fatto pochi progressi visibili – la capacità MEIO probabilistica non era ancora ampiamente citata negli studi di caso o nelle testimonianze degli utenti di Kinaxis. Rapporti non confermati (e il tono delle ricerche di Lokad) suggeriscono che l’integrazione di Wahupa non ha preso piede e potrebbe essere stata silenziosamente deprioritizzata o accantonata, essenzialmente un “piccolo fiasco.” Il rapporto annuale 2024 di Kinaxis elenca ancora Wahupa come partner, ma ci sono scarse evidenze di successo. Questo sottolinea quanto possa essere difficile per una piattaforma di pianificazione consolidata integrare un nuovo motore di ottimizzazione probabilistica, non originariamente integrato nel suo modello di dati ⁴⁴ ⁴⁵.
Acquisizione di Rubikloud (2020): Kinaxis ha acquisito Rubikloud, un’azienda di machine learning focalizzata sulla previsione della domanda nel retail e sull’IA, nel 2020. La tecnologia di Rubikloud presumibilmente includeva previsioni moderne basate su ML, in grado di produrre non solo previsioni puntuali ma anche intervalli di previsione (un output probabilistico di base). Questa acquisizione fu un segnale precoce dell’intento di Kinaxis di rafforzare le proprie capacità di previsione della domanda con l’IA. Entro il 2023, Kinaxis ha iniziato a commercializzare una suite denominata “Planning.AI” che integra previsioni avanzate basate su ML nella piattaforma di pianificazione.
Brevetto per Previsione Quantile basata su ML (2023): Nel 2023, Kinaxis ha depositato una domanda di brevetto negli Stati Uniti per un metodo di previsione che utilizza modelli di machine learning e determina un insieme di quantili per un campione di domanda sconosciuto ⁵ ⁴⁶. Il brevetto descrive l’addestramento di modelli ad albero su dati storici e poi la generazione di valori sintetici per calcolare una gamma di quantili come previsione di output ⁴⁷ ⁴⁸. L’obiettivo è esplicitamente “ottimizzare l’inventario basandosi sull’insieme di quantili” ⁴⁹. In sostanza, questa è una formalizzazione della previsione quantile con ML – il risultato sarebbe qualcosa del tipo: per un dato prodotto, il modello potrebbe fornire previsioni di domanda P50, P75, P90 (o qualsiasi quantile specificato), che possono essere usati per decidere i livelli di inventario. Il fatto che Kinaxis abbia perseguito un brevetto in quest’area indica che stanno sviluppando internamente proprietà intellettuale per la previsione della domanda probabilistica (sebbene, è importante notare, le previsioni quantili siano ancora un sottoinsieme delle previsioni su distribuzione completa e una forma comparativamente “debole” di modellazione probabilistica, come correttamente osservato nella query dell’utente).
Comunicazione Prudente & Evoluzione: Kinaxis è stato piuttosto cauto nel suo marketing riguardo l’IA e la previsione probabilistica. A differenza di alcuni concorrenti, non ha inondato il suo marchio con affermazioni di “magia dell’IA”. Invece, enfatizza spesso una combinazione di intelligenza umana e artificiale, e il termine “pianificazione concorrente” (what-if in tempo reale). Tuttavia, man mano che ha aggiunto queste nuove capacità, Kinaxis ora discute più apertamente dell’incertezza. Il fatto che un blog di Kinaxis abbia approfondito concetti di teoria della probabilità è un segnale positivo ⁴². Tuttavia, Kinaxis riconosce di essere in cammino: “muovendosi verso una maggiore automazione decisionale in condizioni di incertezza, seppur partendo da un retaggio deterministico” ⁵⁰. All’inizio del 2025, le funzionalità probabilistiche sono ancora nascenti. Kinaxis, ad esempio, non ha partecipato a competizioni aperte di previsione, né ha pubblicato white paper tecnici che dimostrino l’efficacia dei suoi nuovi motori probabilistici. Quindi, la prova di maturità è limitata ⁵¹.

Cosa offre attualmente Kinaxis: Con questi cambiamenti, Kinaxis ora offre (o offrirà presto) due elementi probabilistici principali:

MEIO probabilistico (via Wahupa): Un’ottimizzazione dell’inventario che può calcolare buffer ottimali considerando la variabilità della domanda su più livelli. Se implementato con successo, ciò sarebbe analogo alla funzionalità di ToolsGroup o SmartOps, ma potenzialmente più avanzato se utilizza simulazioni Monte Carlo o simili. Risponderebbe a domande come “Data la distribuzione della domanda in ciascun nodo e l’incertezza nell’offerta, quale scorta di sicurezza dovrei mantenere in ogni sede per raggiungere un certo livello di servizio o minimizzare i costi?”.
Previsione della domanda basata su ML con quantili: Un modulo di previsione AI (proveniente da Rubikloud/Planning.AI) che non produce solo una previsione, ma anche una gamma (ad esempio, una banda alta-bassa). Ciò può migliorare la pianificazione dando una percezione del rischio (ad esempio, c’è il 10% di probabilità che la domanda superi la previsione P90). I pianificatori o gli algoritmi possono quindi adeguare i piani di conseguenza (ad esempio, aumentando la produzione per coprire quella coda, se il rischio vale la pena di essere mitigato).

Tuttavia, è importante notare che queste capacità potrebbero attualmente essere separate e non profondamente integrate nella piattaforma. Il punto di forza di Kinaxis rimane la capacità di ricalcolare rapidamente i piani alla luce di ogni nuovo input. Ma se tali input (previsioni, parametri per le scorte di sicurezza) sono ora probabilistici, Kinaxis deve assicurarsi che la sua interfaccia utente e il processo possano gestirli (ad esempio, presentando ai pianificatori non un solo piano, ma risultati distribuzionali). Questo non è banale.

Verdetto su Kinaxis: Kinaxis sta recuperando terreno rispetto alla tendenza probabilistica. Ha compiuto mosse concrete (partnership, acquisizioni, R&S) per incorporare la modellizzazione dell’incertezza. Tuttavia, al momento, l’approccio di Kinaxis potrebbe essere caratterizzato come l’aggiunta di previsioni quantili e componenti stocastiche a uno strumento di pianificazione fondamentalmente basato su scenari. Non è (ancora) un paradigma in cui ogni calcolo venga fatto internamente in forma distribuzionale. L’azienda stessa riconosce la transizione – sottolineano ancora che i pianificatori usano lo strumento per valutare scenari e che l’automazione viene applicata in modo controllato ⁵² ⁵³ (ad es. eseguendo automaticamente alcune decisioni di pianificazione se rientrano nei limiti, piuttosto che in maniera completamente automatica). In breve, le capacità probabilistiche di Kinaxis sono miglioramenti incrementali piuttosto che una reinvenzione totale. Forniscono maggiori approfondimenti sull’incertezza rispetto a prima, ma la logica di pianificazione di base deve ancora dimostrarsi al livello di sofisticazione dell’approccio di Lokad. Gli utenti potenziali dovrebbero monitorare quanto in profondità diventi integrato il MEIO Wahupa (se mai) e se Kinaxis riuscirà a dimostrare che le sue previsioni quantili portano a migliori risultati nella supply chain. Al 2025, si potrebbe dire che Kinaxis è probabilistico sulla carta, con brevetti e partnership, ma la sostanza è ancora in fase di sviluppo.

Blue Yonder – Il gigante della pianificazione legacy adotta la terminologia probabilistica senza cambiamenti profondi

Contesto: Blue Yonder (BY), precedentemente noto come JDA Software, è un attore di peso nel software per la supply chain, fornendo soluzioni per la previsione della domanda, la pianificazione dell’offerta, il merchandising e altro ancora. Ha una lunga storia: JDA aveva acquisito Manugistics e i2 Technologies, due grandi realtà dei primi anni 2000, ereditando le loro tecnologie. Nel 2020, JDA ha rebrandizzato in Blue Yonder ed è stato successivamente acquisito da Panasonic. La moderna piattaforma di Blue Yonder si chiama Luminate, e mira a integrare l’IA e un’architettura cloud sopra questi moduli legacy.

Uso di “Probabilistic” e IA nel Marketing: Il marketing di Blue Yonder negli ultimi anni ha puntato pesantemente su parole d’ordine come “pianificazione autonoma”, “supply chain cognitiva” e AI/ML. Hanno esplicitamente menzionato la “previsione probabilistica” in alcuni contesti – per esempio, la descrizione su Azure Marketplace per la Previsione della Domanda di Blue Yonder cita “previsioni autonome e probabilistiche” ⁵⁴. Blue Yonder ha anche pubblicato articoli sul blog su argomenti come la valutazione delle previsioni probabilistiche (calibrazione, precisione) ⁵⁵, indicando che i loro team di data science conoscono questi concetti. Tuttavia, la domanda chiave è quanto di questo sia una discussione teorica rispetto a un prodotto implementato.

Realtà nei Prodotti: Le evidenze suggeriscono che l’approccio centrale di previsione e pianificazione di Blue Yonder rimane in gran parte deterministico, con alcuni miglioramenti:

Motore di Previsione: La pianificazione della domanda di Blue Yonder (ora parte di Luminate Planning) utilizza tradizionalmente algoritmi per serie temporali (come l’esponenziale smoothing, ARIMA) possibilmente arricchiti con machine learning per il rilevamento della domanda. Blue Yonder ha reso open-source o ha fatto riferimento a certi strumenti come “tsfresh” (per l’estrazione di caratteristiche dalle serie temporali) e a una libreria chiamata “PyDSE” e “VikOS” che sono collegati ad ARIMA e all’ottimizzazione ⁵⁶. Un’analisi dei contributi open-source di Blue Yonder ha osservato che si basano su metodi vecchi di decenni (ARIMA, regressione) nonostante il marketing sull’IA ⁵⁷ ⁵⁶. Ciò indica che internamente Blue Yonder non utilizza algoritmi probabilistici all’avanguardia (come regressori quantili basati su deep learning o modelli grafici probabilistici); piuttosto, probabilmente si affida a metodi di previsione collaudati e magari integra il ML per regolare o selezionare i modelli.
Output Probabilistici: Blue Yonder produce realmente previsioni probabilistiche (distribuzioni)? Ci sono poche evidenze pubbliche che mostrino la produzione di distribuzioni complete di default. Hanno parlato di “scorta di sicurezza dinamica”, il che implica il ricalcolo dei livelli di scorta di sicurezza basato sulla volatilità della previsione – qualcosa che potrebbe essere interpretato erroneamente come previsione probabilistica. Uno scenario probabile: Blue Yonder produce una previsione di base e una distribuzione degli errori (ad es., calcolando la varianza dell’errore di previsione). Successivamente, potrebbe calcolare, ad esempio, una domanda P90 sul lead time per impostare la scorta di sicurezza (simile all’approccio di ToolsGroup). Quel valore rappresenterebbe un quantile, ma non un rapporto completo di distribuzione. La documentazione di Blue Yonder sulla “cognitive inventory” ha essenzialmente riformulato l’ottimizzazione probabilistica dell’inventario (livelli di scorta basati su probabilità) ma ha fornito “nessun supporto tecnico” su come fosse diverso ⁵⁸. In sintesi, Blue Yonder conosce le parole giuste – riconoscono che, invece di scorte di sicurezza statiche, si dovrebbe considerare la variabilità della domanda in maniera dinamica (probabilisticamente). Tuttavia, l’implementazione effettiva probabilmente si basa su formule tradizionali per la scorta di sicurezza (che assumono che la variabilità della domanda sia distribuita normalmente, oppure utilizzano una semplice ricerca dei percentili partendo da una distribuzione normale/di Poisson utilizzando la media e la varianza della previsione).
Incertezza del Lead Time: Non abbiamo trovato alcuna menzione che Blue Yonder preveda i lead time o li tratti come variabili in modo stocastico nelle sue soluzioni di pianificazione. È ragionevole presumere che BY, come la maggior parte, tratti il lead time come un parametro fisso (forse con un margine aggiunto dai pianificatori). Pertanto, Blue Yonder non soddisfa il pieno criterio probabilistico ignorando esplicitamente l’incertezza lato fornitura ⁹. Si concentra sulla previsione della domanda (e anche in questo caso, prevalentemente con previsioni puntuali).
Integrazione vs Innovazione: Blue Yonder è essenzialmente una raccolta di molti moduli. Alcuni moduli (come il loro ESP – Enterprise Supply Planning, o IO – Inventory Optimization) risalgono agli algoritmi di Manugistics o i2. Questi probabilmente includono l’ottimizzazione multi-livello dell’inventario che era all’avanguardia nei primi anni 2000 (che considerava analiticamente la varianza della domanda). Ma la sfida di Blue Yonder è che non si tratta di un motore unificato, bensì di “una collezione casuale di prodotti, per la maggior parte obsoleti” ⁵⁹. Hanno cercato di modernizzarsi aggiungendo uno strato di IA (Luminate) sopra, ma spesso ciò si traduce in dashboard e lievi miglioramenti guidati da ML, piuttosto che in una riscrittura dei motori centrali. Quindi, ogni affermazione probabilistica va valutata alla luce di questo patchwork: una parte di BY potrebbe fornire un intervallo di confidenza per la previsione; un’altra parte (l’ottimizzazione dell’inventario) potrebbe utilizzare una formula classica; un’altra ancora potrebbe semplicemente consistere in una pianificazione dell’offerta deterministica. La coerenza è discutibile, e integrare un flusso di lavoro veramente probabilistico end-to-end richiederebbe un significativo refactoring che finora non è emerso.
Affermazioni Vague sull’IA: Gli analisti hanno sottolineato che le affermazioni sull’IA di Blue Yonder sono vague e prive di sostanza. Ad esempio, BY ha menzionato l’utilizzo di ML per potenziare i modelli probabilistici ⁵⁶, ma senza fornire dettagli su quali algoritmi o su quanto siano efficaci. Blue Yonder ha acquisito alcune startup nel campo dell’IA (come Blue Yonder GmbH, una società tedesca di IA, da cui ironicamente proviene il nuovo nome, poiché JDA ha acquisito quella società nel 2018). Collaborano inoltre con alcune ricerche universitarie. Tuttavia, nulla di tutto ciò si è tradotto in evidenti e pubblicate scoperte innovative nella previsione probabilistica per la supply chain. Il marketing rimane un livello sopra la realtà tecnica.

Verdetto su Blue Yonder: Blue Yonder è un vero esempio di “parole d’ordine prima della realtà.” Usano termini come probabilistico, cognitivo, autonomo, ma quando sollecitati, le loro soluzioni sembrano implementare tecniche di previsione e pianificazione abbastanza standard ⁵⁶ ⁶⁰. Ad essere equi, Blue Yonder ha un’enorme esperienza di settore e una suite molto ampia – il loro punto di forza è coprire tutto, dalla previsione della domanda al fulfillment, con numerose capacità specifiche per l’industria (come funzionalità specializzate per la pianificazione nel retail). Ma nel contesto ristretto della previsione probabilistica: Blue Yonder ne è consapevole e probabilmente ha aggiunto una logica basata sui quantili per le scorte di sicurezza e miglioramenti nella previsione tramite ML. Non ha dimostrato il tipo di ottimizzazione probabilistica che Lokad realizza (dove ogni decisione deriva da scenari simulati). Una critica interna lo ha riassunto bene: l’uso di “probabilistico” nella cognitive inventory di Blue Yonder è stato essenzialmente un rebranding, “riformulato… con termini fantasiosi” ma senza nuovi algoritmi ⁵⁸. Le aziende che stanno considerando Blue Yonder non dovrebbero presupporre di ottenere un motore di previsione probabilistica all’avanguardia; al contrario, otterranno un set di strumenti di previsione solido, seppur alquanto datato, con un’interfaccia moderna, e i benefici probabilistici deriveranno da miglioramenti incrementali (come aggiornamenti più frequenti delle previsioni, forse una gestione automatica delle eccezioni) anziché da una fondamentale ottimizzazione stocastica.

SAP IBP – Suite potente ma complessa con radici probabilistiche (SmartOps) ampiamente sottoutilizzata

Contesto: L’Integrated Business Planning (IBP) di SAP è il successore dell’APO (Advanced Planning & Optimization) di SAP e incorpora vari moduli per la previsione della domanda, la pianificazione dell’offerta e l’ottimizzazione dell’inventario. SAP, essendo un gigante dell’ERP, compete spesso sulla promessa di una piattaforma integrata end-to-end (dalle finanze e vendite fino all’esecuzione della supply chain). Storicamente, gli strumenti di pianificazione di SAP erano per lo più deterministici: la pianificazione della domanda in APO forniva previsioni puntuali; la pianificazione dell’inventario in APO calcolava le scorte di sicurezza usando formule semplici o, al massimo, calcoli a stadio singolo. Riconoscendo una lacuna, SAP ha effettuato acquisizioni strategiche: SmartOps nel 2013 (che era una delle principali società di ottimizzazione multi-livello dell’inventario nota per i modelli probabilistici), e in precedenza SAF AG nel 2009 (una società di previsione della domanda). In particolare, SmartOps ha introdotto un motore probabilistico in grado di ottimizzare l’inventario attraverso più livelli (località) per raggiungere livelli di servizio al costo minimo ¹⁰. In sostanza, SmartOps ha modellato matematicamente l’incertezza della domanda (e, in una certa misura, la variabilità del lead time tramite alcune ipotesi) per raccomandare la scorta di sicurezza. Questo è diventato il modulo IBP for Inventory di SAP.

Stato attuale delle funzionalità probabilistiche in SAP:

Previsione della Domanda: SAP IBP dispone di un modulo per la domanda che può impiegare metodi statistici avanzati e persino il machine learning (SAP dispone di un Analytics Cloud che può essere utilizzato per le previsioni, incluse tecniche come il gradient boosting, ecc.). Tuttavia, SAP solitamente presenta queste tecniche come un miglioramento nell’accuratezza delle previsioni (MAPE, ecc.), e non come fornitura di distribuzioni complete di probabilità. L’output tipico è ancora una singola previsione (forse affiancata da un processo di consenso attorno ad essa).
Ottimizzazione dell’Inventario (SmartOps): In linea di principio, SmartOps all’interno di IBP usa modelli probabilistici. SmartOps era noto per il calcolo delle distribuzioni di probabilità delle posizioni d’inventario e per risolvere i livelli di scorte ottimali. Considerava sia la variabilità della domanda che quella dell’offerta (questa seconda in modo limitato, spesso usando un “tempo di sicurezza” o un fattore di variabilità sul lead time). Se IBP per l’Inventario è implementato, un’azienda può inserire distribuzioni dell’errore di previsione e variabilità del lead time e ottenere come risultato scorte di sicurezza raccomandate per ogni sede, in modo da raggiungere un livello di servizio target con un inventario minimo. Questa è una forma di ottimizzazione stocastica, sebbene orientata ai livelli di servizio (simile all’approccio di ToolsGroup, ma multi-echelon). Tuttavia, pochi clienti SAP implementano questo nella sua interezza. Una ragione è la complessità: IBP è modulare, e non ogni implementazione include la parte di ottimizzazione dell’inventario (alcuni potrebbero limitarsi a S&O e pianificazione della domanda). Un’altra ragione è l’usabilità: gli algoritmi di SmartOps potrebbero essere una scatola nera e richiedere molti dati statistici che le aziende trovano difficile fornire o mantenere (ad es., è necessario avere una buona conoscenza della distribuzione dell’errore di previsione per ogni articolo, cosa che non tutti possiedono prontamente).
Enfasi Probabilistica (o la sua mancanza): SAP non enfatizza le previsioni probabilistiche nei suoi messaggi, come già notato. Vendono IBP basandosi sull’integrazione (“una versione della verità”), sulla pianificazione degli scenari, sul fatto che sia basato su cloud, ecc., piuttosto che sostenere di avere i migliori algoritmi di previsione. Infatti, la reputazione di SAP riguarda più l’ampiezza che la profondità: “ricco di funzionalità ma non avanzato a livello algoritmico” ⁶¹. Questo sembra essere un’ammissione che, pur essendo in possesso dei pezzi (come la matematica di SmartOps), non li ha ulteriormente sviluppati. Una critica ha evidenziato che, anche con acquisizioni come KXEN (una società di analisi predittiva acquistata da SAP nel 2013), le previsioni di SAP non sono necessariamente migliori rispetto ai metodi tradizionali ⁶². Una nota di ricerca ha sottolineato che i moderni metodi di ML non hanno chiaramente superato i vecchi modelli statistici in questo campo, implicando che l’integrazione di tali acquisizioni da parte di SAP non ha prodotto miglioramenti drammatici ⁶².
Lead Time e altra incertezza: La pianificazione standard di SAP presuppone lead time fissi. Se si utilizza l’ottimizzatore di inventario, è possibile inserire una variabilità del lead time (o semplicemente aumentare il lead time a un percentile più alto). Ma SAP non apprende automaticamente una distribuzione dei lead time dai dati. Si aspetta che gli utenti forniscano un “tempo di servizio” (come un lead time a percentile) come parametro, se necessario. Quindi, ancora una volta, come altri, SAP non genera internamente previsioni probabilistiche per l’offerta; si affida alla configurazione.
Complessità e Frammentazione: Uno svantaggio importante è che la soluzione SAP è frammentata a causa di molteplici acquisizioni. La previsione della domanda potrebbe provenire da un modulo (con un insieme di assunzioni), mentre l’ottimizzazione dell’inventario da un altro. Se non sono perfettamente allineati, potresti inserire una previsione puntuale da IBP Demand in IBP Inventory, che poi internamente assume una distribuzione normale della domanda con una determinata deviazione standard. Se l’errore di previsione non segue tale assunzione, i risultati in termini di inventario potrebbero essere subottimali. Una citazione da una recensione recita: “il software aziendale non si miscela per fusioni e acquisizioni” – i componenti SAP non si sono integrati senza soluzione di continuità ⁶³. Quindi, a meno che un’implementazione non sia attentamente calibrata, l’aspetto probabilistico può perdersi o produrre risultati incoerenti. In molti casi, le aziende che utilizzano SAP finiscono per semplificare – ad esempio, utilizzando IBP per calcolare alcune scorte di sicurezza con un modello statistico approssimativo e non sfruttando pienamente SmartOps, o addirittura disattivando l’ottimizzatore perché è troppo difficile da fidarsi/calibrare, impostando invece le scorte di sicurezza mediante regole più semplici.

Verdetto su SAP IBP: SAP IBP possiede teoricamente capacità di ottimizzazione probabilistica (tramite SmartOps) che lo avvicinano al campo di Lokad rispetto ad altri. Ma in pratica, SAP non sostiene attivamente né sviluppa queste capacità, e molti clienti potrebbero non rendercene conto o non sfruttarle ¹¹. La componente probabilistica è fondamentalmente un componente aggiuntivo per soddisfare le liste di controllo delle funzionalità (per chi necessita di un’ottimizzazione multi-echelon dell’inventario). La principale proposta di vendita di SAP è che fa parte di un ecosistema SAP completo – non che sia il motore analitico più avanzato. Così, rispetto a Lokad, l’uso dei metodi probabilistici in SAP IBP è incidentale e alquanto stagnante. Le aziende che stanno valutando SAP IBP per le previsioni probabilistiche dovrebbero assicurarsi di implementare specificamente il modulo di ottimizzazione dell’inventario e disporre dei significativi servizi di esperti (o consulenti) necessari per la calibrazione. Infatti, si dice che per avere successo con le funzionalità avanzate di pianificazione di SAP, occorrano “i migliori integratori – più qualche anno” ⁶⁴. Questo sottolinea che la tecnologia probabilistica di SAP, pur presente, è sepolta sotto la complessità e non fornisce immediatamente valore out-of-the-box.

o9 Solutions – Piattaforma Integrata “Cervello Digitale” con Limitata Enfasi sulle Distribuzioni di Probabilità

Contesto: o9 Solutions è un fornitore più giovane (fondato nel 2009 da ex dirigenti di i2) che ha rapidamente guadagnato una reputazione come piattaforma di pianificazione di “prossima generazione”. L’attenzione di o9 è rivolta alla creazione di un modello unificato dell’azienda (Enterprise Knowledge Graph) e all’esecuzione di pianificazioni in tempo reale attraverso i domini di domanda, offerta e finanza. È molto amichevole verso i buzzword: o9 promuove concetti come il Digital Twin dell’organizzazione, la pianificazione degli scenari in tempo reale, e recentemente ha persino annunciato funzionalità di AI generativa. Data la sua origine, o9 è in qualche modo come un successore spirituale di i2 Technologies, enfatizzando la pianificazione integrata rispetto agli strumenti compartimentalizzati.

Approccio alla Previsione e all’Incertezza: o9 utilizza certamente analitiche avanzate per la previsione, ma non sembra promuovere le previsioni probabilistiche come punto di forza distintivo. Punti notevoli:

Analisi Predittiva con ML: o9 offre previsioni statistiche e machine learning per il rilevamento della domanda. I loro case study menzionano l’utilizzo di una varietà di dati (punto vendita, meteo, ricerche web, ecc.) per migliorare le previsioni a breve termine ⁶⁵. Ciò implica che o9 si concentra sul lato dell’accuratezza delle previsioni – cercando di ottenere previsioni puntuali migliori incorporando più segnali (l’approccio del “rilevamento”). Si accenna anche alla simulazione di scenari: il “Supply Sensing” di o9 monitora fattori esterni e può simulare il loro impatto sulla supply chain ⁶⁵. Pur riconoscendo l’incertezza (si simulano vari scenari), rimane comunque in un contesto deterministico (ogni scenario è un ipotetico, non una distribuzione di probabilità su molti ipotetici automaticamente considerati).
Enterprise Knowledge Graph: L’uso da parte di o9 di un modello basato su grafi (che cattura le relazioni tra prodotti, sedi, clienti, ecc.) è potente per l’analisi degli scenari. Ad esempio, se un certo componente subisce un ritardo, il grafo può mostrare rapidamente tutti i prodotti interessati e permettere ai pianificatori di ricalcolare un piano. Ma ancora, ciò non è intrinsecamente probabilistico – è un modello strutturale di dati che favorisce velocità e comprensione.
Nessuna Evidenza di Output Probabilistici: Non abbiamo visto prove che o9 generi distribuzioni di probabilità complete per le previsioni. I loro materiali pubblici (e una recensione scettica di Lokad) suggeriscono che o9 si attiene a previsioni puntuali e ottimizzazione deterministica, sebbene in modo molto veloce e integrato ¹². Evidenziano l’analisi what-if – il che implica che è possibile variare manualmente gli input per osservare risultati differenti, piuttosto che il sistema quantifichi automaticamente l’incertezza. In sostanza, o9 potrebbe consentire all’utente di esplorare diverse possibilità, ma non indica automaticamente la probabilità di ciascun scenario né ottimizza per il miglior risultato atteso. L’uso intensivo dei termini “Digital Twin” e “pianificazione degli scenari in tempo reale” indica una mentalità di pianificazione interattiva: i pianificatori generano scenari, il sistema calcola rapidamente i risultati (ad es., se la domanda aumenta del 10%, come appare l’inventario?). Questo è leggermente diverso dall’approccio di Lokad, in cui il sistema stesso elabora migliaia di scenari in background per scegliere un piano ottimale.
Confronto con Lokad: Un confronto diretto ha osservato che o9 enfatizza l’ampiezza (unificando molte funzioni di pianificazione, incorporando dati IoT, ecc.) mentre Lokad enfatizza la profondità nell’ottimizzazione quantitativa ¹². Il punto di forza di o9 è fornire alle grandi aziende una piattaforma unica che collega tutti i dati e i piani (domanda, offerta, finanza) e permette la collaborazione interfunzionale. Il punto di forza di Lokad è risolvere specifici problemi numerici (come l’ottimizzazione dell’inventario o della produzione) con il massimo rigore matematico possibile (modellazione probabilistica, algoritmi personalizzati). In altre parole, o9 offre una visione di pianificazione più ampia – ma probabilmente utilizza previsioni convenzionali all’interno – mentre Lokad fornisce una visione analitica più ristretta ma più avanzata. Come affermato nella recensione di Lokad, o9 riguarda “la sintesi di varie funzioni di pianificazione in un quadro unificato, mentre Lokad genera raccomandazioni precise e azionabili attraverso una profonda automazione analitica” ¹².
Sviluppi Recenti: o9 sta certamente aggiungendo elementi di AI (menzionano AI generativa per interrogare il sistema, ecc.), ma non è chiaro se stiano aggiungendo previsioni probabilistiche. È possibile che o9 possa eventualmente incorporare qualche libreria di previsioni probabilistiche o almeno consentire l’integrazione con Python/R, dove si potrebbe effettuare tale modellazione. Ma, per ora, la loro differenziazione non risiede nell’invenzione di nuovi algoritmi di previsione; è piuttosto nel modo in cui distribuiscono il software (basato su cloud, in tempo reale, con analisi user-friendly).

Verdetto su o9: o9 Solutions è uno strumento di pianificazione formidabile per le organizzazioni che desiderano una piattaforma unica per fare molte cose in modo rapido e collaborativo. Tuttavia, per quanto riguarda specificamente le previsioni probabilistiche, o9 non sembra guidare o innovare in quest’area. Probabilmente fornisce previsioni “abbastanza buone” utilizzando ML e si concentra nel rendere i risultati immediatamente utilizzabili negli scenari di pianificazione. Il riferimento alle previsioni probabilistiche è quasi assente nei loro contenuti pubblici. Se si implementasse o9 e si desiderassero previsioni probabilistiche, potrebbe essere necessario generarle all’esterno del sistema o tramite codice personalizzato. In sintesi, la proposta di valore di o9 è agilità e integrazione, non l’ottimizzazione stocastica avanzata. Le aziende che danno priorità a un approccio probabilistico rigoroso potrebbero integrare o9 con sforzi esterni di data science o valutare se uno strumento specializzato (come Lokad) sia più adatto a quella particolare esigenza.

RELEX Solutions – Specialista Retail con Claim di AI, Utilizzando Previsioni Deterministiche + Rapida Riplanificazione

Contesto: RELEX Solutions è un’azienda finlandese (fondata nel 2005) che è cresciuta rapidamente, specialmente nel settore retail e della grande distribuzione. La piattaforma di RELEX copre la previsione della domanda, il rifornimento, l’allocazione e l’ottimizzazione dei planogrammi, con un’attenzione particolare al trattamento di prodotti freschi (deperibili), promozioni e alla pianificazione a livello di negozio. RELEX spesso trionfa presso i rivenditori grazie alla sua capacità di effettuare pianificazioni molto granulare e ad alta frequenza (previsioni giornaliere per negozio/SKU, intraday, ecc.) e alle sue analisi intuitive (dashboard in tempo reale dei livelli di inventario, ecc.). Si promuovono come altamentё automatizzati e “guidati dall’AI.”

Aspetti Probabilistici (o la loro mancanza): L’approccio di RELEX alle previsioni e all’inventario è, in sostanza, centrato sulla velocità e sulla frequenza piuttosto che su una modellizzazione stocastica esplicita:

Rifacimento Frequente delle Previsioni (Demand Sensing): RELEX enfatizza la sua capacità di rilevare i cambiamenti della domanda e aggiornare rapidamente le previsioni. Ad esempio, ingerendo le vendite di ieri, le variazioni meteorologiche, le tendenze dei social media, ecc., per adeguare le previsioni a breve termine (questo è spesso definito demand sensing, un buzzword in sé). Ciò può ridurre l’errore di previsione sul breve periodo (ad es., reagire meglio a un improvviso calo o aumento delle vendite). Tuttavia, questo produce comunque una singola previsione aggiornata (più frequente o con più dati), e non una distribuzione di previsioni. L’affermazione di RELEX sulle “previsioni guidate dall’AI” di solito si riferisce all’uso di modelli di machine learning (come gradient boosting, reti neurali, ecc.) su dati recenti per migliorare l’accuratezza ¹³. In nessun punto sostengono di generare distribuzioni di probabilità complete per la domanda di ogni SKU. Infatti, un’analisi di RELEX ha evidenziato “nessuna evidenza di generare distribuzioni di probabilità complete per la domanda nel modo in cui lo fa Lokad” ¹³. Sembra che la validazione del successo di RELEX avvenga ancora tramite metriche tradizionali di accuratezza (quanto la previsione sia vicina ai dati reali), il che riflette una mentalità deterministica.
Metodo di Ottimizzazione dell’Inventario: RELEX effettua il rifornimento e l’allocazione multi-echelon (in particolare l’allocazione push per le promozioni, ecc.), ma come compensa l’incertezza? Probabilmente utilizza calcoli tradizionali delle scorte di sicurezza dietro le quinte. Il sistema conosce i lead time e la volatilità della domanda (ad es., tramite una media mobile dell’errore di previsione o una impostazione del livello di servizio) e calcola di conseguenza le scorte di sicurezza per articolo-sede (come fanno molti sistemi). I lead time in RELEX sono input, non variabili casuali che il sistema prevede ¹⁴. Se un utente sa che un certo fornitore è inaffidabile, potrebbe regolare manualmente il lead time o il relativo margine di sicurezza. La documentazione di RELEX non mette in evidenza l’ottimizzazione stocastica o il metodo Monte Carlo, quindi si deduce che faccia quanto facevano gli strumenti legacy: per ogni SKU, decide le scorte di sicurezza utilizzando una distribuzione assunta (forse normale o di Poisson) basata sull’errore di previsione, per raggiungere un livello di servizio target. Questo è un approccio deterministico e formulistico, e non una simulazione di molteplici risultati. Infatti, la forte orientazione di RELEX all’elaborazione in-memory (stile OLAP) suggerisce che dia priorità a query veloci rispetto a calcoli approfonditi ⁶⁶ ⁶⁷. Come osservato in un commento, la loro architettura, essendo simile a un cubo OLAP, è “in contrasto con l’ottimizzazione a livello di rete” per quanto riguarda sostituzioni o problemi stocastici complessi ⁶⁸. Il design che offre dashboard estremamente veloci potrebbe non essere ideale per eseguire grandi simulazioni Monte Carlo sull’incertezza – potrebbe invece affidarsi a metodi analitici (più semplici) che si adattano alla memoria.
Affermazioni vs. Evidenze: Il marketing di RELEX utilizza i buzzword: “supply chain autonoma, AI-driven, machine learning, digital twin,” ecc. ⁶⁹. Tuttavia, raramente specificano quali algoritmi usino o forniscono case study che quantifichino l’impatto della loro AI oltre a aneddoti. Analisi di terze parti hanno sollevato dubbi: ad esempio, notando che la tecnologia di previsione di RELEX “sembra basarsi su modelli pre-2000” (il che significa che probabilmente usano metodi classici con qualche wrapper ML, piuttosto che approcci fondamentalmente nuovi) ¹⁵. Probabilmente utilizzano ancora concetti come MAPE o bias per misurare internamente la qualità delle previsioni, segno di una mentalità deterministica.
Gestione dell’incertezza in scenari specifici: RELEX eccelle in alcune aree che coinvolgono l’incertezza, ma spesso tramite regole di business o approcci euristici piuttosto che matematica probabilistica. Per esempio:
- Prodotti freschi e scadenza: RELEX dispone di funzionalità per gestire le date di scadenza dei prodotti, garantendo il principio first-expiry-first-out, suggerendo il rifornimento per evitare sprechi, ecc. ⁷⁰. Pur trattando l’incertezza della domanda prima del deterioramento, la soluzione è più euristica (monitorare i giorni di supply vs durata della conservazione) che una previsione probabilistica del rischio di deterioramento.
- Effetti delle promozioni e cannibalizzazione: RELEX può modellare i miglioramenti derivanti dalle promozioni e forse anche una certa cannibalizzazione (un prodotto che ruba le vendite ad un altro), ma l’analisi suggerisce che la base OLAP di RELEX renda difficile effettuare una modellizzazione sofisticata di queste interazioni ⁶⁸. Potrebbero semplicemente permettere ai pianificatori di regolare manualmente o utilizzare una regressione semplice per il miglioramento promozionale.
- Batching degli ordini “intelligente”: Vengono menzionate operazioni come l’ottimizzazione dei carichi dei camion o l’acquisto anticipato per ottenere sconti ⁷¹. Queste sono funzionalità preziose che ottimizzano i costi data la presenza di vincoli, ma ancora, presumibilmente, assumono una domanda nota (o almeno una domanda media) piuttosto che coprire esplicitamente l’incertezza.
Nessuna ottimizzazione stocastica completa: Fondamentalmente, RELEX non pubblicizza nulla di simile all’ottimizzazione stocastica di Lokad. Non si parla di risolvere una minimizzazione del costo atteso in condizioni di incertezza; si tratta piuttosto di garantire un’elevata disponibilità (spesso si vantano con clienti che raggiungono circa il 98-99% di prodotti in stock). Infatti, alcuni dei risultati dichiarati (disponibilità superiore al 99%) sono visti con scetticismo nell’industria, poiché la disponibilità media sugli scaffali tende ad essere inferiore ⁷². Ciò implica che forse tali risultati sono stati ottenuti in progetti pilota controllati, o che rappresentano uno scenario ottimistico, non necessariamente ampiamente replicabile. Questo ancora una volta suggerisce che il loro approccio potrebbe non cambiare fondamentalmente il gioco dell’incertezza, ma solo migliorare l’esecuzione e il monitoraggio per ridurre le rotture di stock.

Verdict su RELEX: RELEX è uno strumento supply chain veloce e reattivo particolarmente adatto per il retail, dove l’agilità quotidiana è importante. Automatizza molte decisioni (per esempio, i rifornimenti dei negozi) con facilità d’uso. Tuttavia, la sua profondità scientifica nelle previsioni probabilistiche è limitata. Sfrutta il ML per ottenere previsioni migliori, ma non per produrre il tipo di distribuzioni di probabilità che alimenterebbero un ottimizzatore in stile Lokad ¹³. Si basa in gran parte sulla stessa logica degli stock di sicurezza e sui miglioramenti delle previsioni adottati da altri, sebbene eseguiti in maniera molto efficiente su larga scala e con elevata frequenza. Per un rivenditore, RELEX potrebbe garantire una migliore disponibilità sugli scaffali semplicemente ripianificando più spesso e usando dati recenti (un approccio pragmatico), mentre Lokad potrebbe ottenerla ottimizzando fondamentalmente i livelli di stock con calcoli probabilistici. Si tratta di filosofie differenti: una è “continuare a correggere il piano man mano che la realtà si svela” (la mentalità quasi in tempo reale di RELEX), l’altra è “pianificare in modo ottimale fin dall’inizio, considerando ciò che potrebbe accadere” (l’ottimizzazione ex-ante di Lokad). Entrambe possono coesistere, ma se la questione riguarda le previsioni probabilistiche in sé, RELEX non è un pioniere in questo campo. Ha copiato le parole d’ordine dell’AI, e forse utilizza implicitamente alcuni concetti probabilistici (come la varianza per gli stock di sicurezza), ma non offre il tipo di soluzione probabilistica esplicita che Lokad propone.

Conclusione

Nel mercato del software supply chain, “probabilistic” è diventato un po’ una parola d’ordine, proprio come lo sono “AI” e “machine learning”. Lokad si distingue come il fornitore che ha realmente costruito la sua soluzione attorno a principi probabilistici – trattando l’incertezza come un elemento fondamentale sia nelle previsioni che nell’ottimizzazione. Avendo pionierato questo approccio nel 2012–2015, Lokad ha influenzato il discorso dell’industria. I concorrenti hanno, in misura variabile, adottato in prestito la terminologia e riconosciuto l’importanza dell’incertezza, ma le loro soluzioni rivelano un sostanziale divario nell’implementazione.

Per riassumere i contrasti:

Lokad fornisce previsioni probabilistiche complete (domanda e supply) e le utilizza in un motore di ottimizzazione costruito su misura. Quantifica esplicitamente le incertezze e produce decisioni ottimizzate per risultati attesi ². In altre parole, pratica ciò che predica nella gestione supply chain probabilistica.
Altri (ToolsGroup, Blue Yonder, SAP, RELEX, o9, Kinaxis) forniscono per lo più funzionalità parziali o pseudo-probabilistiche:
- ToolsGroup e SAP hanno da anni componenti di modellizzazione probabilistica degli stock, ma si concentrano sulla variabilità della domanda e trattano ancora gli input chiave (come il lead time) come fissi o semplicistici, il che limita il loro rigore probabilistico ³ ¹¹.
- Blue Yonder e RELEX, nonostante il nuovo marchio AI, continuano a fare affidamento su metodi di previsione tradizionali e logiche di pianificazione deterministiche, con “probabilistic” che appare principalmente nel marketing o in strumenti minori (come il ricalcolo dinamico degli stock di sicurezza) ⁸ ¹³.
- Kinaxis e o9, in quanto piattaforme moderne, hanno iniziato a integrare idee probabilistiche (Kinaxis tramite partner/patent, o9 tramite flessibilità negli scenari) ma stanno ancora evolvendo in gran parte da basi deterministiche. Le previsioni a quantili di Kinaxis rappresentano un passo avanti, eppure costituiscono previsioni in pochi percentili anziché l’intera distribuzione, il che è un sostituto più debole delle previsioni probabilistiche complete ⁴⁹ ⁴⁸.

Un segnale evidente di adozione superficiale è quando i fornitori sostengono di essere “probabilistic” o “stochastic” ma continuano a usare metriche o processi deterministici. L’esempio precedente di ToolsGroup che utilizza il MAPE per previsioni probabilistiche è uno di questi segnali d’allarme ⁴. Analogamente, qualsiasi fornitore che ignora l’incertezza del lead time o non spiega come valuta la precisione probabilistica probabilmente non ha veramente abbracciato il paradigma. La critica di Lokad a queste incoerenze è supportata da esempi in tutta l’industria: “Le affermazioni di previsioni probabilistiche vengono pubblicizzate insieme a riduzioni del MAPE, il che è incoerente… i fornitori spargono termini come ‘stochastic’ nei depliant rimanendo in un mondo deterministico.” ⁴ ⁷³. La sostanza spesso arretra rispetto agli slogan.

Dal punto di vista degli sviluppi recenti, è chiaro che i concorrenti di Lokad stanno ora dando solo lip service ai metodi probabilistici – il che può essere visto come una convalida dell’approccio di Lokad. Tuttavia, il grado di capacità reale varia. Le aziende che valutano soluzioni dovrebbero approfondire domande come: Lo strumento prevede una distribuzione o solo pochi scenari? Ottimizza le decisioni utilizzando la simulazione Monte Carlo o solo formule fisse per gli stock di sicurezza? Può tener conto di tutte le principali incertezze o solo della domanda? Le risposte rivelano spesso che molti fornitori sostanzialmente continuano a fare ciò che hanno sempre fatto, con una sottile facciata probabilistica.

In conclusione, Lokad vs. gli altri nell’ottimizzazione probabilistica della supply chain è una questione di profondità contro ampiezza, e di innovazione precoce contro recupero. Lokad offre una soluzione profonda e quantitativamente rigorosa costruita appositamente attorno all’incertezza. Gli altri principali fornitori offrono suite più ampie per la pianificazione della supply chain in cui le funzionalità probabilistiche sono componenti aggiuntivi o in evoluzione – in molti casi, si tratta di misure reattive alla domanda di mercato per analisi più avanzate, senza rivoluzionare le loro metodologie di base. I dirigenti dovrebbero essere cauti con il termine “probabilistic” come parola d’ordine e cercare evidenze tecniche concrete su come un fornitore la implementi. A partire dal 2025, Lokad rimane distintivo nel fornire vere previsioni e ottimizzazioni probabilistiche, mentre la maggior parte dei concorrenti o adotta approcci deterministici oppure offre solo capacità probabilistiche limitate che non sono all’altezza della trattazione completa dell’incertezza di Lokad ³² ⁸.