Revisione di GAINSystems, Fornitore di Software per l'Ottimizzazione della supply chain

By Léon Levinas-Ménard

Ultimo aggiornamento: Novembre, 2025

GAINSystems (GAINS) è un fornitore statunitense di software cloud per la pianificazione e l’ottimizzazione dell’inventario della supply chain, ora commercializzato con la piattaforma GAINS Halo360° “Decision Engineering & Orchestration” (DEO). L’azienda affonda le sue radici in oltre 40 anni di pianificazione in stile ricerca operativa e oggi si posiziona come fornitore per imprese “ad alta intensità di inventario e asset” nei settori della produzione, distribuzione, vendita al dettaglio e aftermarket/MRO. La sua offerta moderna combina l’ottimizzazione multi-livello dell’inventario, la previsione della domanda, S&OP/IBP e la progettazione di reti tramite simulazione ad eventi discreti, con integrazione fornita attraverso lo strato API GAINSConnect. GAINS ha ricevuto investimenti di crescita, prima di minoranza e poi di maggioranza, dalla società di private equity Francisco Partners (2020 e 2022), e nel 2023 ha acquisito 3 Tenets Optimization (3TO), una piccola ma specializzata azienda di software per la progettazione della supply chain, per espandersi nella progettazione di reti e nella modellazione “digital twin” con adeguamento al rischio.¹²³⁴⁵⁶ Nel 2024 GAINS è stata inserita come Visionary nel Magic Quadrant for Supply Chain Planning Solutions di Gartner e all’inizio del 2025 Frost & Sullivan ha assegnato all’azienda un “Technology Innovation Leadership Award” per la pianificazione della supply chain supportata da AI/ML, evidenziando esplicitamente tre componenti: il servizio di previsione dei tempi di consegna, lo strato di integrazione GAINSConnect e l’applicazione di “ottimizzazione del livello di servizio vincolato” (CSLO).⁷⁸ Dal punto di vista tecnico, gli artefatti di AI/ottimizzazione più concreti nel dominio pubblico sono: un servizio di previsione dei tempi di consegna basato sul boosting, un motore di policy basato su algoritmo genetico consolidato per l’ottimizzazione dell’inventario, e un motore di simulazione ad eventi discreti per la progettazione della supply chain.⁹¹⁰¹¹¹²¹³ GAINS opera chiaramente su metodi moderni piuttosto che su euristiche legacy, ma al di fuori dei testi di marketing e di un whitepaper tecnico sui tempi di consegna, l’azienda pubblica pochi dettagli su come i modelli vengono addestrati, ottimizzati o validati su larga scala. In termini di maturità di mercato, GAINS non è una startup in fase iniziale: è un fornitore di pianificazione di medie dimensioni, supportato da private equity, commercialmente affermato, con un portafoglio clienti non banale (ad es., Border States, L’Oréal, Invacare, Belron, Australian Defence Force) e una gamma di prodotti che spazia dalla progettazione di reti, alla pianificazione, al supporto all’esecuzione.¹⁴¹⁵¹⁶¹⁷ La questione analitica principale non è quindi se GAINS “abbia AI”, ma quanto siano trasparenti, solidamente fondate e all’avanguardia le sue soluzioni di ottimizzazione e previsione quando esaminate attentamente e confrontate con una piattaforma probabilistica completamente programmabile come Lokad.

Panoramica di GAINSystems

A grandi linee, GAINS si presenta come una piattaforma di “ottimizzazione delle prestazioni della supply chain” che allinea le decisioni di progettazione strategica, pianificazione e esecuzione quotidiana su un unico sistema basato sul cloud.⁹¹⁰ L’attuale brand si concentra sulla piattaforma Halo360° DEO, che mira a “trascendere i tradizionali compartimenti stagni di ERP e pianificazione” e supportare le decisioni dalla progettazione della rete fino all’esecuzione a livello di ordine.¹⁰⁸ I principali pilastri funzionali sono:

Pianificazione dell’inventario e dell’approvvigionamento: ottimizzazione delle politiche di inventario multi-livello, parametri di scorta di sicurezza e di riordino, raccomandazioni per acquisto e redistribuzione, e ottimizzazione del livello di servizio vincolato (CSLO). Storicamente, questo è il core di GAINS, basato su un motore di policy basato su algoritmo genetico.⁹¹¹¹²
Pianificazione e previsione della domanda: previsione delle serie temporali con potenziamenti AI/ML; materiali recenti promuovono una “AI Demand Forecast Factory” ed esperimenti con AI generativa per l’esplorazione di scenari, sebbene i dettagli tecnici siano scarsi.¹⁸¹⁹
Supply chain design (“risk-adjusted design”): un modulo di progettazione e simulazione di reti (per lo più derivante dall’acquisizione di 3TO) che utilizza la simulazione ad eventi discreti per modellare flussi, capacità e variabilità attraverso potenziali configurazioni di rete.¹²²⁶
S&OP / IBP e analisi: flussi di lavoro per S&OP, confronto di scenari, dashboard e simulazioni what-if.
Integrazione e piattaforma dati: GAINSConnect, uno strato di integrazione basato su API (REST/JSON, OAuth2, JWT, webhooks) progettato per collegare ERP, WMS e altri sistemi con i servizi di ottimizzazione di GAINS, inclusa la previsione dei tempi di consegna offerta come servizio indipendente.¹³²⁰²¹⁸

Dal punto di vista dell’acquirente, GAINS è una suite di applicazioni SaaS confezionate con un forte accento su processi aziendali predefiniti (politiche di inventario, targeting del livello di servizio, cicli S&OP) piuttosto che su un ambiente di modellazione a scopo generale. Le principali storie di riferimento pubbliche dell’azienda evidenziano leve ROI classiche: riduzione dell’inventario, tassi di riempimento più elevati e automazione del riordino (ad es., Border States ha riportato oltre il 90% di PO automatizzate e oltre il 97% di disponibilità di materiali dopo aver implementato la previsione dei tempi di consegna e la pianificazione di GAINS).¹⁶²²⁸

Storia dell’azienda, proprietà e maturità commerciale

Origini ed evoluzione

GAINS deve le sue origini a un’azienda familiare avviata oltre 40 anni fa; l’attuale CEO Bill Benton fa spesso riferimento al lavoro del padre nella pianificazione in stile “operations research”, anche se la documentazione scritta primaria dei primi anni è scarsa. Il report del premio Frost & Sullivan del 2025 afferma che GAINSystems “opera nella supply chain planning da oltre 40 anni,” il che è coerente con le interviste a Benton e con materiali aziendali più datati. Nei 2000 l’azienda appare come GAINSystems, con sede nel Midwest degli Stati Uniti (storicamente a Chicago, più recentemente anche ad Atlanta).

Ciò che è documentato in modo più concreto è la traiettoria finanziaria:

Luglio 2020 – investimento di crescita di minoranza: GAINSystems ha ricevuto il suo primo capitale istituzionale da Francisco Partners, descritta come un “fornitore in rapida crescita di soluzioni avanzate per la pianificazione della supply chain e l’ottimizzazione dell’inventario” nel comunicato stampa congiunto.⁵²³
Gennaio 2022 – investimento di maggioranza: Francisco Partners ha rafforzato il suo coinvolgimento con un investimento di maggioranza; comunicati stampa e relazioni di studi legali confermano che Francisco Partners è diventato l’azionista di maggioranza, inquadrando GAINS come un fornitore di soluzioni innovative per la pianificazione della supply chain basate su cloud.¹²⁴²⁵
2023 – acquisizione di 3 Tenets Optimization (3TO): GAINS ha acquisito 3TO, con sede ad Atlanta, un piccolo fornitore di ottimizzazione della progettazione della supply chain fondato nel 2020 e specializzato in progettazione di reti, ottimizzazione a variabili miste e pianificazione di scenari.²³⁶²⁶
2023–2024 – crescita e riconoscimenti: I comunicati stampa di GAINS riportano una forte crescita dei ricavi e dell’ARR e una “adozione record della piattaforma,” e il fornitore è stato riconosciuto nei Magic Quadrant del 2023 e del 2024 di Gartner per la pianificazione della supply chain (Visionary nel 2024).⁴⁷²⁷

L’analisi di Tracxn elenca GAINSystems come fornitore di pianificazione della supply chain supportato da PE con almeno un round di finanziamento e indica che Francisco Partners ha infine acquisito l’azienda nel 2022, confermando la struttura di controllo.²³

Il modello è tipico di un fornitore di software supportato da PE in una fase intermedia: radici tecniche profonde, ma l’attuale brand e l’architettura del prodotto (Halo360° DEO, GAINSConnect, progettazione con adeguamento al rischio, comunicazione AI/ML) sono in gran parte il risultato di aggiornamenti di prodotto e strategie di go-to-market nel periodo 2020–2025.

Presenza clienti e settori

La pagina dedicata al successo dei clienti di GAINS elenca una vasta gamma di clienti nominati nei settori della distribuzione, produzione, vendita al dettaglio e parti di ricambio (ad es., Border States, L’Oréal, Invacare, ORS Nasco, Continental Battery, Lawson, Belron, Australian Defence Force, Naghi Group).¹⁴ Studi di caso individuali evidenziano, ad esempio:

Border States (distributore elettrico statunitense): utilizzo di GAINS Halo360° con previsione dei tempi di consegna basata su ML per il riapprovvigionamento; benefici riportati includono oltre il 90% di PO automatizzate, oltre il 97% di disponibilità di materiali, e una maggiore reattività alle interruzioni.¹⁶⁸²²
L’Oréal: uno studio di caso di GAINS (e rapporti di terze parti) descrive miglioramenti nell’inventario e nel servizio per le supply chain nel settore della bellezza.¹⁵
Altri esempi nominati: Frost & Sullivan menziona clienti come Stuller (gioielli), che a quanto riferito ha raggiunto un tasso di evasione degli ordini del 99% e una riduzione del 27% dell’inventario attivo dopo i miglioramenti abilitati da GAINS nelle previsioni basate su attributi e nella gestione della capacità.⁸

Questi sono riferimenti nominativi verificabili; costituiscono una prova qualitativamente più solida rispetto al marketing anonimizzato (“un grande distributore nordamericano”). GAINS ha chiaramente una presenza in mercati maturi e in supply chain complesse. Allo stesso tempo, la maggior parte dei risultati è documentata in materiali forniti dal fornitore o co-autoriali del fornitore; audit indipendenti o studi sottoposti a revisione paritaria delle implementazioni di GAINS non sono pubblici.

Dal punto di vista della maturità:

GAINS non è una startup in fase iniziale o non provata: ha decenni di storia, supporto di private equity e molteplici marchi globali come clienti.
È notevolmente più piccolo dei mega-fornitori (SAP, Blue Yonder, Kinaxis, o9) e si trova ancora nel quadrante “Visionary” piuttosto che “Leader” di Gartner, il che solitamente implica caratteristiche innovative ma alcune lacune in termini di ampiezza o scala di mercato.⁷

Capacità del prodotto e ambito funzionale

Ottimizzazione dell’inventario e pianificazione dell’approvvigionamento

Storicamente, GAINS è meglio conosciuta per l’ottimizzazione dell’inventario. Le descrizioni dei prodotti precedenti e i profili secondari descrivono il motore di GAINS come utilizzante un algoritmo genetico (GA) per ricercare tra le possibili politiche di inventario (punti di riordino, quantità d’ordine, livelli min/max, ecc.) in condizioni di domanda e approvvigionamento stocastici.¹¹¹² Gli algoritmi genetici sono una tecnica consolidata nella ricerca operativa: evolvono soluzioni in maniera euristica tramite mutazione e selezione, e sono stati applicati ai problemi di inventario multi-livello fin almeno dagli anni ‘90.²⁸²⁹ Il marketing di GAINS suggerisce che:

Il motore valuta le politiche candidate in base alla variabilità della domanda, all’incertezza dei tempi di consegna e ai parametri di costo (di mantenimento, di ordinazione, di stock-out).
Le politiche possono essere ottimizzate per soddisfare obiettivi di livello di servizio vincolati – il modulo CSLO – che è stato recentemente aggiornato con un’interfaccia utente self-service e capacità di simulazione.⁸
Le considerazioni multi-livello (ad es. impianto–centro di distribuzione–negozio) e vincoli come MOQ e capacità possono essere modellati, sebbene i dettagli di implementazione non siano pubblici.

La combinazione della ricerca basata su GA più l’inventario multi-livello e i vincoli sul livello di servizio è tecnicamente rispettabile e in linea con le migliori pratiche accademiche per l’ottimizzazione non lineare e discreta dell’inventario. Tuttavia:

Non esiste documentazione tecnica pubblica su come GAINS parametrizzi il GA (dimensione della popolazione, tassi di mutazione, criteri di convergenza), né su come garantisca la robustezza contro l’overfitting o dati rumorosi.
Non è chiaro come GAINS tratti l’incertezza congiunta nella domanda e nei tempi di consegna nell’obiettivo di ottimizzazione — se tramite una simulazione Monte Carlo completa, semplici aggiustamenti di fattore di sicurezza, o qualcosa di intermedio.
Il CSLO appare principalmente come un strato applicativo che espone i compromessi nelle politiche di servizio; il motore di ottimizzazione sottostante non è descritto oltre a un linguaggio ad alto livello (“algoritmi comprovati e AI/ML”).⁸

Quindi, pur potendo affermare che GAINS utilizza metodi di ottimizzazione seri (non solo formule per il punto di riordino), non possiamo certificare che l’implementazione sia all’avanguardia rispetto agli ultimi progressi accademici nell’ottimizzazione stocastica multi-livello; il fornitore semplicemente non pubblica abbastanza dettagli.

Previsione della domanda e affermazioni AI/ML

GAINS offre un modulo di pianificazione della domanda che combina la previsione classica delle serie temporali con il machine learning. Materiali recenti – inclusi post di blog e pagine di soluzioni – parlano di:

Previsione potenziata da AI (“AI Demand Forecast Factory”), con riferimenti a modelli ML che gestiscono segnali causali, promozioni e fattori esterni.¹⁸¹⁹
Uso di generative AI come assistente per l’esplorazione e l’esplicazione di scenari (“AI che funziona davvero” nella pagina di progettazione), dove un “agente AI” può proporre scenari o eseguire modelli.²
Uso di AI/ML per migliorare la previsione per nuovi articoli e attributi, come nell’esempio di Stuller citato da Frost & Sullivan.⁸

Dal punto di vista delle prove tecniche:

GAINS non ha pubblicato architetture di modelli, metriche di errore su benchmark pubblici, o dettagli sulle strategie di addestramento (ad es., modelli globali vs per SKU, riconciliazione gerarchica, previsioni probabilistiche vs puntuali).
L’unico artefatto AI a livello di modello dettagliato presente nel dominio pubblico è il servizio di previsione dei tempi di consegna (discusso di seguito); la previsione della domanda stessa è descritta in linguaggio pubblicitario.
Il report del premio di Frost & Sullivan menziona “previsione basata su attributi” e “algoritmi comprovati e AI/ML”, ma ciò proviene da un rapporto di analisi sponsorizzato dal fornitore piuttosto che da documentazione tecnica indipendente.⁸

Le “basi imprescindibili” per la previsione della supply chain moderna includerebbero:

Previsioni probabilistiche (distribuzioni complete, non solo medie),
Modelli ML globali (ad es., gradient boosting, deep learning),
Trattamento gerarchico (SKU–location–region),
Backtesting rigoroso e calibrazione continua.

GAINS quasi certamente utilizza alcune di queste tecniche internamente – dato il whitepaper LTP e la descrizione della piattaforma da Frost & Sullivan – ma senza una documentazione trasparente o benchmark, l’affermazione che la previsione di GAINS sia all’avanguardia rimane non provata.

Servizio di Previsione dei Tempi di Consegna (LTP)

Un’area in cui GAINS fornisce dettagli tecnici concreti è il suo servizio di Previsione dei Tempi di Consegna (LTP). Un whitepaper LTP e il report del premio Frost & Sullivan descrivono congiuntamente:

Un servizio indipendente che elabora dati storici di PO e ricevute (spesso da sistemi come SAP S/4HANA) per stimare i tempi di consegna specifici per SKU-location utilizzando AI/ML.¹³⁸
L’uso di algoritmi di boosting (una famiglia di metodi ensemble che includono il gradient boosting) per modellare il tempo di consegna in funzione di caratteristiche quali fornitore, attributi dell’articolo, regione, ritardi storici, ecc.¹³
Diagnostiche di importanza delle feature per identificare quali fattori influenzano maggiormente la variabilità dei tempi di consegna.
Implementazione come micro-servizio debolmente accoppiato che può alimentare sia la piattaforma GAINS che ERP esterni tramite GAINSConnect.¹³⁸²¹

I metodi di boosting (ad es., XGBoost, LightGBM) sono lo stato dell’arte de facto per i problemi di previsione tabellare, come la stima dei tempi di consegna; in genere superano i modelli lineari, rimanendo interpretabili ed efficienti. Il design LTP – che combina il gradient boosting con l’importanza delle feature e l’integrazione tramite un’API dedicata – è quindi tecnicamente solido e in linea con le migliori pratiche della comunità ML.

Criticamente:

LTP appare ben fondato: whitepaper, descrizione indipendente da analisti ed esempi di clienti (Border States) sono in linea.¹³⁸¹⁶
È definito con precisione: risolve un solo problema (la stima dei tempi di consegna) e può integrarsi in molteplici sistemi.
È uno dei pochi componenti dal carattere veramente riproducibile che GAINS espone; un team di data science competente potrebbe implementare una pipeline simile con strumenti open-source, ma GAINS la fornisce confezionata e integrata.

Se cerchiamo lo “stato dell’arte” all’interno di GAINS, LTP è il candidato più credibile.

Supply chain design e simulazione ad eventi discreti

Dopo aver acquisito 3 Tenets Optimization, GAINS ha lanciato un’offerta di supply chain design che enfatizza il “design correttamente adeguato al rischio” (RAD) e la simulazione ad eventi discreti:

La pagina del prodotto di supply chain design afferma che GAINS utilizza la simulazione ad eventi discreti per modellare le reti “con dettagli realistici”, testando scenari what-if relativi a capacità, flussi e impatti sul servizio prima che vengano apportati cambiamenti fisici.²
I blog e i materiali stampa sull’acquisizione di 3TO spiegano che 3TO ha portato competenze nel supply chain design, nell’ottimizzazione del flusso di rete e nella simulazione, per estendere l’ottimizzazione degli stock, presente da tempo in GAINS, con capacità di design.²⁶
Frost & Sullivan osserva che l’acquisizione “ha permesso a GAINSystems di entrare nel mondo del supply chain design”, integrando la pianificazione centralizzata su AI/ML con il design.⁶

La simulazione ad eventi discreti e la valutazione di scenari a rischio corretto sono tecniche standard nella progettazione di reti e nella pianificazione logistica. Il profilo di 3TO menziona strumenti matematici come l’ottimizzazione lineare e a programmi misti, oltre alla consulenza per il network design.²⁶ Il punto di forza di GAINS qui non è la novità della matematica in sé, ma la combinazione di:

Simulazione e ottimizzazione per la struttura della rete,
Ottimizzazione delle politiche di inventario per le decisioni di stoccaggio,
E integrazione con la pianificazione operativa e l’esecuzione all’interno della stessa piattaforma.

Non esiste, per il motore di design, una pubblicazione a livello di modello (ad es., solver specifici, strategie di decomposizione), quindi dovremmo considerare il “design correttamente adeguato al rischio” come in linea con le migliori pratiche, sebbene non dimostrato superiore a queste.

S&OP / IBP, workflow e analisi

GAINS sovrappone i workflow S&OP/IBP e i cruscotti sopra i motori di ottimizzazione. L’inserimento nella lista dei Gartner Visionary e il rapporto di Frost & Sullivan indicano entrambi Halo360° di GAINS come una piattaforma “componibile” dove i componenti (LTP, design, CSLO, ecc.) possono essere combinati a seconda delle necessità.⁷⁸ Il materiale pubblico qui è scarno dal punto di vista tecnico; conferma principalmente:

Supporto per cicli S&OP basati su scenari e confronti what-if.
Cruscotti che espongono metriche di servizio, costi e inventario.
Schermate di configurazione per politiche di livello di servizio e segmentazione.

Questa parte dello stack appare funzionalmente paragonabile ad altre suite SCP; è importante per l’adozione, ma non determina la valutazione di “stato dell’arte”.

Stack tecnologico, architettura e integrazione

GAINSConnect e pattern di integrazione

GAINSConnect è il principale livello di integrazione e API:

Frost & Sullivan descrivono GAINSConnect come una “tecnologia basata su API, appositamente progettata per modernizzare il meccanismo di scambio dati” per la piattaforma di ottimizzazione delle prestazioni di GAINS, consentendo in particolare una facile connettività per servizi come LTP in ERP come SAP S/4HANA.⁸
La documentazione di GAINSConnect (ospitata su readme.io) descrive endpoint REST in entrata e in uscita che utilizzano payload JSON, con supporto sia per l’autenticazione base che per i flussi OAuth2, token JWT bearer e configurazioni per lo scambio dati sia in batch che basato su eventi.²⁰²¹
La narrazione sull’integrazione enfatizza i pattern ibridi: i clienti possono continuare a trasferire file in batch dove opportuno, mentre le API gestiscono aggiornamenti più frequenti e trigger basati su eventi.¹³²⁰

Il tutto è perfettamente in linea con le pratiche contemporanee di integrazione SaaS. Non emerge alcun segno di un’architettura legacy monolitica; GAINSConnect suggerisce un approccio ai servizi moderno. Detto ciò, non esiste una descrizione pubblica dettagliata di:

L’architettura microservizi interna,
I dettagli dell’infrastruttura cloud (provider, design multi-tenancy),
O delle scelte tecnologiche specifiche (linguaggi, data store).

Le offerte di lavoro e le referenze stampa confermano la crescita in aree come “data engineering, network design, operations research”, ma non rivelano uno stack.⁴ Possiamo quindi solo dire: GAINS sembra funzionare come un’applicazione cloud moderna che utilizza API standard HTTP/JSON e sicurezza basata su token; l’interno rimane un mistero.

Implementazione di AI/ML e ottimizzazione

In tutta la piattaforma, i componenti algoritmici più concreti a cui possiamo far riferimento sono:

Lead Time Prediction (LTP): modello ML basato su gradient boosting con importanza delle feature e distribuzione tramite API.¹³⁸
Motore di ottimizzazione degli stock: ricerca con algoritmo genetico consolidato nello spazio delle politiche.¹¹¹²
Supply chain design: simulazione ad eventi discreti più ottimizzazione di rete basata sulla Ricerca Operativa, ereditata da 3TO.¹²²⁶²⁶

Tutto il resto – AI nella pianificazione della domanda, assistente AI per il design, forecasting basato su attributi, ottimizzazione del livello di servizio vincolato – è descritto solo a livello di parole d’ordine (“AI/ML”, “algoritmi comprovati”) nei materiali di marketing e analisi.¹⁰²⁸¹⁸¹⁹

In termini di rigore tecnico e trasparenza:

GAINS merita credito, almeno per un whitepaper adeguato (LTP) e per l’utilizzo di algoritmi mainstream, statisticamente solidi.
La storia del genetic algorithm è plausibile e in linea con la letteratura OR, ma è documentata solo in descrizioni del fornitore e fonti secondarie di qualche anno fa; nessun documento tecnico moderno spiega come GAINS affronta la maledizione della dimensionalità, i compromessi multi-obiettivo o l’integrazione di input probabilistici.
Il branding AI/ML è solo parzialmente supportato. Frost & Sullivan menziona esplicitamente lead time prediction, GAINSConnect e CSLO come investimenti concreti in AI/ML; al di là di ciò, le referenze rimangono generiche.⁸

Di conseguenza, non si dovrebbe accettare acriticamente la narrativa più ampia di GAINS sulla “piattaforma di pianificazione basata su AI/ML”. L’azienda applica chiaramente ML e OR in aree specifiche, ma il grado di pianificazione end-to-end basata su ottimizzazione e probabilità è impossibile da verificare esternamente.

Modello di implementazione e distribuzione nella pratica

Il modello di implementazione (da case study e rapporti di analisti) appare come una tipica distribuzione SaaS aziendale:

GAINS posiziona Halo360° come una soluzione esclusivamente cloud, con clienti che si connettono tramite GAINSConnect da ERP, WMS e altri sistemi transazionali.¹⁰¹²⁴
I progetti di implementazione sono gestiti in collaborazione tra gli esperti di GAINS (“GAINS Labs”, team di data science, specialisti OR) e i team supply chain dei clienti.⁸¹⁶
Border States e altri case study suggeriscono un’adozione graduale: prima si integrano i dati e si implementano lead time prediction e ottimizzazione degli stock; poi si automatizzano progressivamente gli ordini d’acquisto e si amplia l’ambito a più SKU o località.¹⁶²²⁸

I materiali pubblici implicano tempi di implementazione dell’ordine di mesi piuttosto che settimane. Frost & Sullivan, ad esempio, sottolineano la metodologia “Proven Path-to-Performance (P3)” di GAINS e il programma “Results Now” – template di soluzioni preconfigurate per risultati rapidi – ma non forniscono distribuzioni temporali quantificabili per l’implementazione.¹⁰⁸

In generale, la storia della distribuzione è convenzionale e credibile: GAINS non è uno strumento completamente self-service; ci si aspetta che i clienti collaborino strettamente con gli specialisti di GAINS per configurare politiche, vincoli e scenari.

GAINSystems vs Lokad

Nel contesto dell’ottimizzazione delle decisioni nella supply chain, GAINS e Lokad occupano spazi di problematica sovrapposti (previsione, inventario, network design) ma incarnano filosofie e architetture tecniche molto differenti.

Filosofia del prodotto

GAINS: Offre una suite di applicazioni all’interno della piattaforma Halo360° DEO – ottimizzazione degli stock, pianificazione della domanda, design, S&OP – presentate come processi aziendali con parametri configurabili e workflow predefiniti.⁹¹⁰²⁸ I clienti operano in gran parte secondo il modello di GAINS su come la pianificazione dovrebbe funzionare, sebbene con l’adeguamento di politiche, segmenti e vincoli.
Lokad: Fornisce una piattaforma programmabile per la “Quantitative Supply Chain.” L’interfaccia principale è Envision, un linguaggio specifico di dominio (DSL) per l’ottimizzazione predittiva delle supply chain; tutta la logica – dalla preparazione dei dati alle previsioni probabilistiche fino all’ottimizzazione – è espressa come codice.³⁰³¹³²³³ Invece di moduli pre-costruiti, Lokad offre applicazioni su misura scritte in questo DSL.

Praticamente, GAINS punta a essere application-first (si adotta GAINS per gestire i processi di GAINS), mentre Lokad è language-first (si utilizza Lokad per programmare i propri processi).

Previsione e gestione dell’incertezza

GAINS: Parla di “AI/ML” e di design “adjustato al rischio”, ma non divulga se la pianificazione centrale si basi su distribuzioni probabilistiche complete o principalmente su previsioni puntuali integrate con logica di safety stock. Il servizio LTP fornisce chiaramente stime dei tempi di consegna probabilistiche o almeno sensibili all’incertezza.¹³⁸ Il forecasting basato su attributi e l’AI Demand Forecast Factory sono descritti, ma non analizzati a livello tecnico.¹⁸¹⁹
Lokad: Si posiziona esplicitamente attorno al forecasting probabilistico, calcolando la domanda complessiva e spesso le distribuzioni dei tempi di consegna su larga scala, per poi integrare queste distribuzioni nei workflow di ottimizzazione.³⁰³⁴³⁵ La documentazione tecnica di Lokad e numerosi articoli dettagliano come le previsioni probabilistiche sostituiscano le classiche previsioni puntuali e alimentino un’ottimizzazione consapevole di Monte Carlo (ad es. tramite Stochastic Discrete Descent e Latent Optimization).³⁴³⁶³⁷³⁸

Quindi, mentre entrambi i fornitori menzionano “incertezza” e “rischio”, solo Lokad documenta pubblicamente metodi probabilistici a distribuzione completa e il loro utilizzo a valle nell’ottimizzazione. GAINS appare più tradizionale, con alcune applicazioni di modellazione probabilistica (notabilmente LTP), piuttosto che con una pipeline completamente probabilistica.

Meccaniche di ottimizzazione

GAINS: Utilizza:
- Un motore di policy basato su algoritmo genetico per l’ottimizzazione dell’inventario (multi-echelon, vincolato al livello di servizio).¹¹¹²
- Simulazione ad eventi discreti per il network design e l’analisi del rischio, principalmente tramite l’acquisizione di 3TO.²⁶²⁶
- OR classica ed euristiche integrate in applicazioni specifiche di dominio come CSLO.⁸
Il framework di ottimizzazione è integrato all’interno delle applicazioni; gli utenti configurano principalmente obiettivi e vincoli senza scrivere direttamente codice di ottimizzazione.
Lokad: Implementa uno stack di ottimizzazione a due generazioni:
- Stochastic Discrete Descent (SDD) – un paradigma di ottimizzazione stocastica introdotto nel 2021 per decisioni di inventario e allocazione in condizioni di incertezza.³⁶³⁹⁴⁰
- Latent Optimization – introdotto nel 2024 per problemi combinatori più complessi di scheduling e allocazione; descritto esplicitamente come la seconda generazione di tecnologie di ottimizzazione a uso generale per le supply chain.³⁸
Questi ottimizzatori sono accessibili tramite il DSL Envision, e la documentazione di Lokad descrive esplicitamente pipeline di dati: preparare i dati → generare previsioni probabilistiche → eseguire l’ottimizzazione stocastica.³⁶³⁸⁴¹

Dal punto di vista tecnico, l’approccio basato su GA di GAINS è in linea con una letteratura OR più datata; lo stack SDD/Latent di Lokad riflette ricerche più recenti sulla ricerca stocastica in scenari probabilistici. Lokad pubblica inoltre dettagli significativamente maggiori sul design e la logica di questi algoritmi rispetto a quanto fa GAINS per il suo motore GA.

Architettura, apertura ed estensibilità

GAINS:
- Halo360° è una piattaforma applicativa chiusa. I clienti integrano i dati attraverso le API di GAINSConnect e configurano i parametri aziendali; i modelli interni e i motori rimangono completamente proprietari e non programmabili dall’esterno.¹⁰⁸²⁰
- L’estensibilità avviene principalmente tramite configurazione, template e integrazione – non scrivendo logica arbitraria all’interno della piattaforma.
Lokad:
- L’Envision DSL è l’interfaccia principale: gli utenti (o i “Supply Chain Scientists” di Lokad) scrivono script che descrivono come calcolare previsioni e ottimizzazioni; la piattaforma compila ed esegue questi script in un ambiente SaaS multi-tenant.³¹³²⁴²⁴³
- La documentazione tecnica fornisce una visione d’insieme (“Big Picture”) di Envision, discutendo apertamente il design del linguaggio, le limitazioni (ad es., non Turing completo per abilitare l’analisi automatica) e il confronto con i linguaggi a uso generale.⁴²
- La piattaforma di Lokad è espressamente dedicata alla creazione di app di ottimizzazione predittiva su misura, con meno processi aziendali preconfezionati ma con maggiore libertà di modellizzazione.³³⁴¹

Per le organizzazioni che desiderano una suite pronta all’uso configurabile, GAINS rappresenta una scelta più convenzionale. Per le organizzazioni che cercano un laboratorio di ottimizzazione programmabile in grado di codificare regole aziendali e strutture di costo altamente idiosincratiche, Lokad è strutturalmente più capace (e più esigente).

Evidenza e trasparenza

GAINS:
- Espone pubblicamente pochi artefatti tecnici: il whitepaper LTP e il riconoscimento di Frost & Sullivan sono le principali finestre sull’interno di AI/ML.¹³⁸
- Altre capacità sono descritte in larga misura tramite testi di marketing e analisi, non in documentazione tecnica.
Lokad:
- Fornisce un’ampia documentazione tecnica su Envision, metodi di ottimizzazione stocastica, forecasting probabilistico e architettura.³¹³²³⁴³⁶⁴²
- Pubblica case study dettagliati (ad es., Air France Industries) e contenuti approfonditi (LokadTV, saggi tecnici) che spiegano come funziona il sistema e quali algoritmi vengono utilizzati nella pratica.³²³⁵⁴⁴

Dal punto di vista della due diligence tecnica, Lokad è molto più trasparente e aperto al controllo. Il merito tecnico di GAINS deve essere dedotto da descrizioni di alto livello, premi e risultati dei clienti, piuttosto che da modelli o linguaggi pubblicamente ispezionabili.

Valutazione tecnica: quanto è all’avanguardia GAINS?

Su base per componente:

Previsione dei tempi di consegna (LTP): Basata su algoritmi di boosting con importanza delle caratteristiche, distribuita come servizio API. Questo è fortemente allineato alle pratiche all’avanguardia per il ML su dati tabellari. La documentazione è sufficientemente chiara da concludere che LTP è tecnicamente solida e moderna.¹³⁸
Ottimizzazione dell’inventario: L’ottimizzazione delle politiche multi-echelon basata su GA è un metodo serio, ma concettualmente più vicina alle tecniche consolidate degli anni 2000 che alle ricerche più recenti degli anni 2020. Senza evidenze di modellazione probabilistica dei tempi di consegna nell’obiettivo di ottimizzazione o metaeuristiche più recenti, è più sicuro definirla come una “OR robusta e matura” piuttosto che all’avanguardia.¹¹¹²²⁸²⁹
Progettazione della supply chain: La simulazione a eventi discreti combinata con l’ottimizzazione della rete è ancora una pratica consolidata; la novità sta nell’unire progettazione e pianificazione, non nell’inventare nuovi algoritmi di simulazione.¹²²⁶
Pianificazione della domanda: Le affermazioni relative a AI/ML sono plausibili ma scarsamente supportate. Non esistono descrizioni pubbliche dei modelli, benchmark o prove di una previsione completamente probabilistica simile all’approccio documentato da Lokad.¹⁸¹⁹³⁰³⁴

A livello di piattaforma, GAINS si qualifica chiaramente come una suite SCP moderna, potenziata da AI, con una combinazione credibile di componenti OR e ML, ma:

Non si presenta come un ambiente quantitativo programmabile; la sua architettura è centrata sull’applicazione, con estendibilità limitata oltre a quanto fornito dal venditore.
La sua narrazione AI/ML è solo parzialmente supportata. L’unico componente ML documentato approfonditamente (LTP) è all’avanguardia per quel problema specifico, ma il resto della piattaforma “alimentata da AI” rimane opaco.
Rispetto ai venditori (come Lokad) che pubblicano algoritmi interni, DSL e pipeline probabilistiche, GAINS è meno trasparente e, si potrebbe dire, meno ambiziosa nel modo in cui tratta l’incertezza e l’economia.

Dal punto di vista commerciale, GAINS è chiaramente maturo: lunga storia operativa, proprietà PE, riconoscimento da Gartner e una base di clienti di medie dimensioni visibile pubblicamente. Dal punto di vista tecnico, GAINS si colloca nella fascia medio-alta:

Più robusto rispetto agli strumenti APS legacy che si basano su previsioni puntuali e euristiche deterministiche per lo stock di sicurezza.
Meno aperto e meno chiaramente all’avanguardia rispetto alle piattaforme completamente probabilistiche guidate da DSL.

Per gli acquirenti, la conclusione pratica è:

Se cercate una suite SCP confezionata con ML moderno in specifici ambiti (previsione dei tempi di consegna, alcune previsioni) e un’implementazione convenzionale guidata dalla configurazione, GAINS è un’opzione credibile.
Se cercate un ambiente di ottimizzazione probabilistica profondamente programmabile in cui ogni decisione sia codificata e verificabile tramite un DSL dedicato, l’architettura e la documentazione di GAINS non raggiungono tale livello; un venditore come Lokad è più in linea con quella ambizione.

Conclusione

GAINSystems si è evoluta da un fornitore di pianificazione basato sull’OR di lunga data a un provider SaaS supportato da PE, con una vasta piattaforma Halo360° DEO che copre l’ottimizzazione dell’inventario, la pianificazione della domanda, la progettazione della supply chain e l’S&OP. Diverse evidenze concrete supportano le affermazioni chiave: GAINS si basa realmente su un’ottimizzazione non banale (algoritmi genetici per le politiche), utilizza ML moderno per la previsione dei tempi di consegna (servizio LTP basato su boosting) e ha implementato con successo il suo software presso clienti di rilievo come Border States, L’Oréal e altri, offrendo miglioramenti tangibili negli indicatori di inventario e servizio. L’acquisizione di 3 Tenets Optimization e lo sviluppo di una capacità di progettazione basata su simulazione a eventi discreti mostrano ulteriormente uno sforzo deliberato per integrare il design della rete con la pianificazione quotidiana in un’unica piattaforma.

Tuttavia, una lettura rigorosa e scettica del materiale disponibile rivela anche dei limiti. Fuori dalla previsione dei tempi di consegna, GAINS non pubblica sufficienti dettagli tecnici per supportare molte delle sue affermazioni più ambiziose “alimentate da AI/ML” e “aggiustate per il rischio”. I motori di pianificazione core rimangono scatole nere proprietarie esposte tramite schermate di configurazione e flussi di lavoro predefiniti; non esiste un equivalente pubblico di un DSL, una documentazione aperta degli algoritmi o una descrizione della pipeline probabilistica. Di conseguenza, GAINS dovrebbe essere considerata come una suite SCP competente e matura con alcuni componenti ML/OR genuinamente moderni, e non come una piattaforma di ricerca trasparente e all’avanguardia per l’ottimizzazione quantitativa della supply chain.

Rispetto a Lokad, il contrasto è principalmente architettonico e filosofico: GAINS è una suite centrata sull’applicazione, in cui si adottano i processi del fornitore e si beneficia di un set specifico di algoritmi integrati; Lokad è un ambiente probabilistico programmabile in cui voi o il vostro partner fornitore codificate le decisioni in un DSL e operate direttamente su distribuzioni e obiettivi economici. Entrambi possono coesistere nello stesso mercato, ma risolvono problemi leggermente differenti per differenti profili di acquirenti. Per le organizzazioni che danno priorità a una suite configurabile ma in gran parte “finita” e sono disposte a fidarsi dei modelli interni del fornitore, GAINS è una scelta difendibile e tecnicamente competente. Per le organizzazioni che cercano massima trasparenza, programmabilità e la capacità di spingere l’ottimizzazione probabilistica al suo limite, le evidenze suggeriscono che l’approccio di Lokad è materialmente più avanzato e più aperto al controllo.