Recensione di IBM Planning Analytics, un fornitore di software per la gestione delle prestazioni aziendali

Di Léon Levinas-Ménard

Ultimo aggiornamento: novembre, 2025

IBM è un fornitore aziendale centenario con un portafoglio software molto ampio, di cui un sottoinsieme specifico si rivolge alla pianificazione, esecuzione e ottimizzazione della supply chain: IBM Planning Analytics (TM1) per la pianificazione multidimensionale e le previsioni, ILOG CPLEX Optimization Studio come risolutore generico, la famiglia Sterling Order Management (inclusi Intelligent Promising e Fulfillment Optimizer) per l’orchestrazione degli ordini omnichannel e il sourcing basato sui costi, e la Supply Chain Intelligence Suite e Transparent Supply per la visibilità e la tracciabilità; messi insieme, questi componenti formano una piattaforma tecnicamente solida e commercialmente matura, costruita su tecnologia aziendale convenzionale (Java, TM1, CPLEX, Kubernetes) con alcune aggiunte di AI e ML, sebbene il loro posizionamento “cognitivo” e “AI-powered” si basi spesso su un linguaggio di marketing piuttosto che su descrizioni algoritmiche trasparenti, in netto contrasto con la piattaforma quantitativa di supply chain di Lokad, focalizzata e guidata da DSL, costruita attorno a previsioni probabilistiche e ottimizzazione stocastica su misura.

Panoramica di IBM

IBM è una grande e diversificata azienda tecnologica con sede ad Armonk, New York, operante in oltre 170 paesi e consolidata nel campo del software, della consulenza e dell’infrastruttura.¹ Le sue attuali offerte rilevanti per la supply chain sono un mosaico di sviluppi interni e acquisizioni: il motore TM1 (ora IBM Planning Analytics) per la pianificazione multidimensionale, la linea ILOG/CPLEX per l’ottimizzazione matematica, e il portafoglio Sterling Commerce per la gestione degli ordini e l’integrazione B2B.²³ Negli ultimi dieci anni IBM ha cercato di integrare questi asset in narrazioni più coese, come l’IBM Sterling Order and Fulfillment Suite e l’IBM Supply Chain Intelligence Suite, e più recentemente in un posizionamento “AI-powered” legato alla più ampia strategia watsonx di IBM.⁴⁵ Per i professionisti della supply chain, la realtà pratica è un insieme di prodotti distinti ma collegabili: Planning Analytics per la pianificazione della domanda e dell’offerta, CPLEX come toolkit di risoluzione, Sterling OMS insieme a Intelligent Promising e Fulfillment Optimizer per l’evasione omnichannel, e SCIS/Transparent Supply per la visibilità, la tracciabilità e la sostenibilità.⁴⁵⁶

Da un punto di vista tecnico, lo stack per la supply chain di IBM è un software aziendale convenzionale: Java e database relazionali per OMS, un motore OLAP in-memory per Planning Analytics, CPLEX per l’ottimizzazione, un deployment containerizzato su Kubernetes/OpenShift e uno strato in crescita di modelli ML e assistenti basati su LLM; IBM non è una startup in fase iniziale: i suoi prodotti per la supply chain si fondano su decenni di codice e su un ampio ecosistema di implementazioni, ma ereditano anche design legacy e una certa opacità negli algoritmi. Commercialmente, IBM si colloca saldamente nel campo dei “fornitori consolidati”, con clienti noti nei settori del retail, della manifattura e della distribuzione sia per Planning Analytics che per Sterling OMS.

IBM vs Lokad

A grandi linee, IBM e Lokad affrontano problemi sovrapposti—pianificazione della domanda, pianificazione degli inventari e della capacità, evasione omnichannel—ma lo fanno con filosofie di prodotto quasi opposte.

Strategia e ambito del prodotto. IBM offre un portafoglio di prodotti relativamente indipendenti che possono essere combinati: IBM Planning Analytics (TM1) per la pianificazione e il budgeting, Sterling Order Management per l’orchestrazione transazionale degli ordini, Intelligent Promising e Fulfillment Optimizer per le promesse e il sourcing, e la Supply Chain Intelligence Suite e Transparent Supply per una visibilità e tracciabilità in stile control-tower.⁴⁵⁶ Lokad offre una piattaforma SaaS multi-tenant unica focalizzata esclusivamente sull’ottimizzazione quantitativa della supply chain, dove tutta la logica di forecasting e ottimizzazione è implementata come codice nel linguaggio specifico di dominio di Lokad, Envision, anziché tramite menu di configurazione del prodotto.⁷⁸⁹ L’approccio di IBM è incentrato sul prodotto e guidato da moduli; quello di Lokad è incentrato sulla piattaforma e programmabile.

Approccio alle previsioni. In IBM Planning Analytics, la previsione è integrata nel motore TM1 come una funzionalità di modellazione automatica delle serie temporali che rileva tendenze, stagionalità e dipendenze temporali nei dati dei cubi e genera proiezioni future che possono essere incorporate nei modelli di pianificazione.¹⁰¹¹¹² La documentazione pubblica sottolinea la selezione automatica dei modelli e il “forecasting AI” strettamente integrato nei flussi di lavoro di pianificazione, ma fornisce quasi nessun dettaglio sugli algoritmi sottostanti (ARIMA, smoothing esponenziale, gradient-boosted trees, ecc.).¹⁰¹¹¹² Al contrario, Lokad da anni posiziona la previsione probabilistica – non previsioni puntuali – come la base della sua piattaforma, mirando esplicitamente a stimare le distribuzioni complete della domanda e dei tempi di consegna per guidare le decisioni in condizioni di incertezza.⁷¹³¹⁴ I materiali pubblici di Lokad e le integrazioni di terze parti (ad es. Cin7 Core) descrivono costantemente le previsioni probabilistiche come impostazione di default – non come un add-on – e le collegano direttamente alle decisioni di inventario a valle.¹³¹⁵ In termini semplici, IBM considera il forecasting come un modulo all’interno di una suite di pianificazione più ampia, mentre Lokad tratta il forecasting (in forma probabilistica) come l’oggetto matematico centrale su cui si fonda tutto il resto.

Ottimizzazione e decision-making. Il componente decisionale tecnicamente più avanzato di IBM nel settore della supply chain è Sterling Fulfillment Optimizer con Watson, che si integra con OMS per minimizzare il costo totale del servizio attraverso le opzioni di evasione, utilizzando ottimizzazione mista a interi basata su CPLEX e modelli di costo predittivi; espone API REST per le decisioni di sourcing e API “Explainer” per giustificare le scelte.¹⁶¹⁷ Intelligent Promising estende questo con modelli di domanda a livello di negozio (regressione più deep learning) per stimare il rischio di esaurimento scorte e di sconti su un orizzonte di 60 giorni e utilizza regole configurabili e driver di costo per guidare le promesse.¹⁸¹⁹ Al di fuori di questi strati, OMS stesso rimane un sistema transazionale e Planning Analytics è principalmente un motore di pianificazione con una logica di ottimizzazione implementata tramite regole dei cubi e integrazioni con risolutori esterni. Al contrario, Lokad integra l’ottimizzazione nel cuore della piattaforma: il suo DSL Envision dispone di primitive per variabili probabilistiche e driver economici, e gli algoritmi proprietari di Lokad (forecasting probabilistico, discesa stocastica discreta, ottimizzazione latente) producono direttamente liste di decisioni prioritarie — ordini di acquisto, movimenti di riequilibrio, lotti di produzione o decisioni di prezzo — classificate in base all’impatto finanziario atteso.⁷⁸⁹¹⁴ Dove IBM utilizza tipicamente CPLEX per problemi di minimizzazione dei costi ben formulati attorno all’evasione, Lokad impiega la ricerca stocastica e la programmazione differenziabile per ottimizzare le decisioni in condizioni di complessa incertezza, combinando strettamente forecasting e ottimizzazione.⁷⁸¹⁴

Architettura e trasparenza. Lo stack per la supply chain di IBM si basa su tecnologie aziendali mainstream: microservizi Java eseguiti in container su Kubernetes/OpenShift per Sterling OMS; il motore OLAP in-memory proprietario di TM1 per Planning Analytics; RDBMS standard (Db2, Oracle) e JMS (IBM MQ) per la persistenza e il messaging; e IBM Cloud o hyperscalers per l’hosting.⁶²⁰²¹ Questa architettura è convenzionale e robusta, ma dispersa su molti prodotti e basi di codice. La piattaforma di Lokad è molto più ristretta e orientata: una singola piattaforma SaaS multi-tenant ospitata su Azure, dove tutte le analisi sono espresse in Envision, compilate in una VM distribuita personalizzata e supportate da un sistema di storage basato su eventi anziché su un RDBMS tradizionale, con pochissime dipendenze di terze parti.⁸⁹ Lokad pubblicizza una filosofia “white-box” — ogni calcolo è visibile come codice e ogni decisione può essere tracciata attraverso lo script Envision — mentre IBM espone configurazioni e una certa spiegabilità attorno ai singoli ottimizzatori (ad es. le API Explainer di Fulfillment Optimizer), ma non rivela le formulazioni interne di ML o di ottimizzazione con una profondità comparabile.¹⁶¹⁷⁷⁹

Ruolo nel panorama IT. Sterling OMS è progettato per essere il sistema di riferimento per ordini e disponibilità degli inventari, strettamente integrato con ERP e front-end ecommerce; Planning Analytics è un sistema centrale di pianificazione aziendale utilizzato in ambito finanziario, operativo e della supply chain.⁵¹⁰²⁰ IBM quindi si colloca senza ambiguità negli strati transazionali e di pianificazione aziendale, con l’ottimizzazione integrata intorno ad essi. Lokad evita esplicitamente di essere un software transazionale; si posiziona come un livello di ottimizzazione e decisionale sopra gli ERP, WMS e OMS esistenti, ingerendo dati e restituendo azioni o liste di decisioni consigliate, invece di sostituire i sistemi centrali.⁷⁸¹⁵ Per un acquirente, la questione con IBM è spesso “Standardizziamo OMS e la pianificazione con IBM?”, mentre con Lokad la domanda è “Aggiungiamo un livello di ottimizzazione quantitativa sopra il nostro stack esistente, e siamo disposti ad adottare un modo di lavorare incentrato sul DSL?”

In sintesi, IBM offre un ampio e integrabile insieme di prodotti per la supply chain all’interno di un vasto portafoglio aziendale, con forti capacità di ottimizzazione in componenti specifici, ma con un’architettura per lo più convenzionale e una trasparenza algoritmica limitata; Lokad offre una piattaforma ristretta ma profonda, la cui vantaggio competitivo risiede nel forecasting probabilistico, nella modellazione personalizzata basata su DSL e in pipeline unificate di forecasting–ottimizzazione, anziché in una vasta funzionalità confezionata.

Portafoglio software per la supply chain di IBM

Planning Analytics (TM1)

IBM Planning Analytics, alimentato da TM1, è un motore di pianificazione multidimensionale in-memory utilizzato sia per la pianificazione finanziaria che operativa, inclusi casi d’uso relativi alla domanda e all’offerta.¹⁰ TM1 memorizza i dati in cubi e dimensioni tenute in memoria, con calcoli definiti tramite regole proprietarie e “feeders”; i clienti interagiscono tramite interfacce web e componenti aggiuntivi per Excel.¹⁰¹² Il forecasting in Planning Analytics Workspace è implementato come una funzionalità di modellazione automatica delle serie temporali che rileva tendenze, stagionalità e dipendenze temporali nei dati storici ed estende le serie in avanti, con bande di confidenza e la selezione automatica dei modelli.¹² Il materiale di AI Forecasting di IBM sottolinea che queste previsioni sono “incorporate” (senza strumenti esterni) e strettamente integrate nei flussi di lavoro di pianificazione, permettendo alle variazioni delle previsioni di propagarsi immediatamente attraverso il conto economico, i piani del personale e gli indicatori operativi.¹¹ Tuttavia, la documentazione non specifica gli algoritmi esatti utilizzati (ad es. ARIMA, smoothing esponenziale, modelli ML), dunque “AI forecasting” va interpretato come modellazione automatica delle serie temporali piuttosto che come prova di architetture ML all’avanguardia.¹¹¹²

Dal punto di vista della supply chain, Planning Analytics è fondamentalmente una tela di pianificazione: le aziende costruiscono piani di domanda, piani di capacità e obiettivi di inventario sotto forma di cubi con calcoli incorporati; la sofisticazione di tali modelli dipende fortemente da come TM1 è configurato e dalle eventuali integrazioni con risolutori esterni.¹⁰ Studi di caso di IBM (ad es. Novolex e Solar Coca-Cola) indicano che Planning Analytics viene utilizzato per il forecasting, la pianificazione della capacità e l’analisi degli scenari, con riduzioni riportate nello sforzo di pianificazione e nell’eccesso di inventario, anche se si tratta di dati aneddotici e non di benchmark formali.²⁰²¹

ILOG CPLEX Optimization Studio

IBM ILOG CPLEX Optimization Studio fornisce un risolutore di programmazione matematica ad alte prestazioni per modelli lineari, a interi misti, quadratici e di programmazione a vincoli, con API in diverse lingue.³ Storicamente ha supportato le applicazioni per la supply chain di ILOG (LogicTools) per il design di reti e l’ottimizzazione degli inventari, che IBM in seguito ha ceduto a LLamasoft; CPLEX stesso rimane un risolutore generico utilizzato sia all’interno che all’esterno della linea di prodotti IBM.³¹⁶ Nell’attuale portafoglio per la supply chain, CPLEX è esplicitamente citato come il motore di ottimizzazione all’interno di Sterling Fulfillment Optimizer, dove la documentazione di troubleshooting menziona “nodi CPLEX” nel contesto di chiamate REST e cifrature TLS, indicando fortemente che Fulfillment Optimizer esegue modelli CPLEX internamente.¹⁶¹⁷ Come risolutore, CPLEX è ampiamente considerato nella comunità OR come uno dei migliori motori commerciali MIP; la differenziazione di IBM risiede meno nel nucleo del risolutore e più in come esso viene integrato in offerte specifiche come Fulfillment Optimizer.

Sterling Order Management System (OMS)

IBM Sterling Order Management System (OMS) è un’applicazione di gestione degli ordini omnichannel che orchestra la cattura degli ordini, la visibilità degli inventari, il sourcing e l’evasione attraverso canali e nodi.⁵⁶²² Fornisce una vista unica degli ordini e degli inventari, supporta le restituzioni e i processi post-vendita ed è posizionato come lo scheletro transazionale sia per l’evasione B2C che B2B.⁵⁶²² Tecnicamente, Sterling OMS V10 è implementato come un insieme di servizi Java EE confezionati in container certificati da IBM, distribuiti su Kubernetes/OpenShift o servizi Kubernetes di terze parti, supportati da database relazionali (Db2 o Oracle) e JMS per il messaging.⁶ L’architettura è convenzionale: immagini container, operatori Kubernetes per la gestione del ciclo di vita, schemi di database per i dati relativi agli ordini e agli inventari, e flussi di configurazione per definire i workflow di processo e i ruoli dei partecipanti.⁶

Non esistono prove nella documentazione pubblica che le funzioni core di OMS (ad es. a quale nodo assegnare un ordine) vengano risolte tramite MILP o ML avanzato all’interno di OMS stesso; invece, IBM posiziona i servizi add-on (Intelligent Promising, Fulfillment Optimizer) come i livelli decisionali “intelligenti”, mentre OMS si occupa dell’orchestrazione.⁴⁵ Clienti noti, come il rivenditore tedesco di bricolage hagebau, utilizzano Sterling OMS come piattaforma centrale di gestione degli ordini per esperienze omnichannel integrate, tipicamente implementate con servizi di IBM o partner.²²

Sterling Intelligent Promising and Inventory Visibility

Sterling Intelligent Promising è un servizio di visibilità dell’inventario e promising che centralizza l’inventario attraverso vari canali e applica regole e logiche basate sui costi per decidere come rispondere alle richieste dei clienti (ad es. spedizione dal negozio vs DC, offrire opzioni di consegna alternative).⁴ Il componente Inventory Visibility fornisce una vista unica e in tempo reale dell’inventario attraverso sistemi disparati, progettata per scalare sotto carichi di picco.⁴ Nella sua edizione Premium, Intelligent Promising aggiunge AI predittiva e ML: le FAQ di IBM affermano esplicitamente che Premium utilizza tecniche di regressione e deep learning per prevedere le vendite quotidiane in-store e BOPIS su un orizzonte di 60 giorni, usando variabili come vendite storiche, inventario, prezzo e velocità per stimare rischi di esaurimento delle scorte e di markdown.¹⁸¹⁹

Anche se questo è uno dei pochi casi in cui IBM fornisce dettagli concreti sul ML (regressione più deep learning sulla domanda a livello di negozio), il lato ottimizzazione di Intelligent Promising rimane descritto in termini generali—bilanciando regole e driver di costo, ottimizzando le promesse tra le permutazioni—senza formulazioni pubbliche o dettagli sui solver.¹⁸¹⁹ È quindi ragionevole considerare i modelli di domanda come fondati e le affermazioni sull’“ottimizzazione” come plausibili, ma non verificabili in modo indipendente.

Sterling Fulfillment Optimizer con Watson

Sterling Fulfillment Optimizer è un servizio cloud che si integra con OMS (IBM o di terze parti) per scegliere il nodo(i) di adempimento ottimale per ogni ordine, con l’obiettivo dichiarato di minimizzare il costo totale di servizio nel rispetto degli SLA e dei vincoli.¹⁶¹⁷ La panoramica tecnica descrive un modello a due fasi: una fase offline che acquisisce dati storici in blocco (ordini, metriche di costo, vincoli) per costruire un modello di costo, e una fase in tempo reale in cui OMS chiama le REST API di Fulfillment Optimizer con gli ordini e riceve decisioni ottimizzate sulla provenienza.¹⁶ La configurazione include profili di ottimizzazione, coefficienti di bilanciamento dei nodi e altri parametri per definire gli obiettivi.¹⁷

La documentazione per la risoluzione dei problemi di Fulfillment Optimizer fa riferimento direttamente ai nodi CPLEX, e IBM posiziona il suo stack di ottimizzazione decisionale (ILOG + CPLEX) come il motore dietro Fulfillment Optimizer.¹⁶¹⁷ Questa combinazione—modelli MILP basati su CPLEX integrati in un SaaS con API REST e di spiegazione—è tecnicamente sofisticata e in linea con le pratiche correnti per l’ottimizzazione dell’adempimento omnicanale. Tuttavia, IBM non pubblica le formulazioni dei modelli o benchmark rispetto ad altri solver o offerte di fornitori, per cui le affermazioni su “cognitive fulfillment” e “migliaia di permutazioni in millisecondi” devono essere considerate marketing e non evidenza scientifica.

Supply Chain Intelligence Suite, Transparent Supply e Envizi

IBM Supply Chain Intelligence Suite (SCIS) è un servizio cloud che aggrega dati provenienti da sistemi supply chain in dashboard, widget e viste elenco, fornendo una visione unificata della supply chain e approfondimenti basati sull’IA per la gestione del rischio e delle interruzioni.⁶²³ I componenti includono Control Tower, una postazione di lavoro per monitorare e gestire le eccezioni, e Transparent Supply, un’applicazione basata su blockchain per la tracciabilità e la condivisione di documenti.⁶²³ Transparent Supply espone API per tracciare istanze di prodotto, eventi e documenti lungo la catena, ed è tipicamente utilizzato in progetti di tracciabilità per alimenti e beni di consumo.²³

La pagina del ciclo di vita SaaS di SCIS mostra la disponibilità generale alla fine del 2021 e il ritiro dal marketing nel maggio 2025, il che indica che, sebbene i clienti esistenti rimangano supportati in base alle politiche di lifecycle XaaS di IBM, SCIS non viene più venduto attivamente come SKU standalone.²⁴²⁵ Ciò, insieme a un repository documentale archiviato per Transparent Supply, suggerisce una linea di prodotto in transizione piuttosto che focalizzata sulla crescita.

Separatamente, l’Envizi ESG Suite di IBM dispone di un modulo Supply Chain che acquisisce dati transazionali e li mappa alle categorie di emissioni Scope 3 per la reportistica e l’analisi, rilevante per le metriche supply chain legate alla sostenibilità ma non per un motore di ottimizzazione centrale.²⁶

Stack tecnologico e architettura

In questi prodotti, lo stack tecnologico della supply chain di IBM è:

Linguaggi e runtime. Microservizi Java e web app per Sterling OMS e servizi correlati; il server OLAP proprietario di TM1 per Planning Analytics; librerie CPLEX in C/C++/Java/Python per l’ottimizzazione; front-end JavaScript/React per alcuni portali più recenti.³⁶¹⁰
Persistenza e messaggistica. Db2 o Oracle come principali archivi relazionali per OMS; JMS (IBM MQ) per la messaggistica asincrona; l’archivio in-memory basato su file di TM1 per cubi e dimensioni.⁶¹⁰
Infrastruttura. Immagini container per Sterling OMS distribuite su Kubernetes/OpenShift con Operators per il ciclo di vita; erogazione SaaS su IBM Cloud per SCIS e Transparent Supply; supporto per il deployment su hyperscalers per alcuni componenti.⁴⁶²³
Servizi AI/ML. Previsione delle serie temporali integrata in Planning Analytics Workspace; modelli ML per Intelligent Promising Premium; integrazione con watsonx.ai e Watson Assistant/Discovery per assistenti conversazionali e ricerca documentale negli esempi di SCIS.¹¹¹²²³

Questo stack è tecnicamente ortodosso per un grande fornitore aziendale: privilegia la stabilità, l’integrazione con il middleware IBM esistente e gli strumenti di lifecycle, e l’allineamento con le piattaforme cloud e AI più ampie di IBM. Non adotta idee architetturali più radicali, come DSL personalizzati o modelli di dati core basati su event sourcing come fa Lokad.

Modelli di deployment e rollout

I deployment di Sterling OMS tipicamente comportano:

provisioning di cluster OMS containerizzati con Kubernetes Operators;
configurazione di database, JMS e volumi persistenti;
integrazione con front-end ecommerce, ERP e sistemi logistici a valle tramite REST e messaggistica;
e, in via opzionale, collegare Intelligent Promising e Fulfillment Optimizer come servizi esterni per decisioni relative a promising e sourcing.⁴⁵⁶

I deployment di Planning Analytics possono essere on-premises o SaaS; richiedono la progettazione di cubi TM1 e regole per la logica di pianificazione, l’integrazione dei dati tramite connettori e, facoltativamente, l’attivazione delle funzionalità di previsione AI in Planning Analytics Workspace.¹⁰¹¹¹² SCIS e Transparent Supply vengono forniti come SaaS, con pipeline di ingestione dei dati (spesso tramite IBM App Connect) e la configurazione di dashboard, alert e schemi di tracciabilità.⁶²³ Il modulo Supply Chain di Envizi dipende in modo analogo dall’acquisizione e dalla mappatura dei dati transazionali verso i fattori di emissione.²⁶

La documentazione pubblica e i case study forniscono esempi di progetti di successo, ma non statistiche sistematiche sulla durata delle implementazioni, i tassi di fallimento o il costo totale di proprietà. Come per la maggior parte del software aziendale, i risultati sembrano dipendere fortemente dai partner di implementazione e dalla complessità dell’ambiente del cliente.

Maturità commerciale e clienti

Il software supply chain di IBM è maturo dal punto di vista commerciale:

Planning Analytics (TM1) vanta una vasta base installata in ambito finanziario e operativo, con clienti noti nei settori della produzione, del retail e dei servizi che lo utilizzano per previsioni e pianificazione.¹⁰²⁰²¹
Sterling OMS è ampiamente adottato da retailer e organizzazioni B2B come OMS centrale, con hagebau e altri citati come casi di riferimento, ed è riconosciuto dagli analisti di settore come un OMS leader in termini di adozione.⁴⁵²²
SCIS e Transparent Supply hanno meno riferimenti noti e appaiono più di nicchia, ma esistono progetti documentati nella tracciabilità alimentare e nella visibilità dal’ordine alla consegna tramite partner.²³

Il posizionamento di IBM nei report degli analisti (ad es. BARC Score per la pianificazione integrata, riconoscimento degli analisti per Sterling OMS) conferma che viene considerata una scelta consolidata e mainstream piuttosto che una tecnologia sperimentale. Detto ciò, alcune parti del portafoglio (in particolare SCIS SaaS) mostrano segni di essere dismesse o ristrutturate, per cui gli acquirenti dovrebbero prestare attenzione ai documenti sul ciclo di vita e alle roadmap.²⁴²⁵²⁷

Conclusione

Lo stack supply chain di IBM è meglio inteso come una costellazione di prodotti ancorati a tecnologie aziendali consolidate: TM1 per la pianificazione, CPLEX per l’ottimizzazione, Sterling OMS per l’elaborazione delle transazioni, e SCIS/Transparent Supply per la visibilità e la tracciabilità. Tecnologicamente, questa costellazione è solida: CPLEX rimane vicino allo stato dell’arte come solver MILP commerciale; il servizio decisionale basato su CPLEX di Fulfillment Optimizer e le sue API di spiegazione sono sofisticate; l’OMS containerizzato su Kubernetes è in linea con le pratiche moderne; e Planning Analytics offre un ambiente di pianificazione maturo e flessibile con previsione delle serie temporali integrata. Ciò che IBM non fornisce è una profonda trasparenza algoritmica o un ambiente di modellazione unificato e specifico per dominio: le affermazioni ML su “AI forecasting” e “cognitive” supply chains sono solo parzialmente fondate, e le capacità di ottimizzazione sono concentrate in pochi componenti specializzati anziché distribuite in tutto lo stack.

Rispetto a Lokad, IBM offre una copertura funzionale molto più ampia e una stretta integrazione con i sistemi transazionali, ma si affida a modelli relativamente opachi e a un’architettura convenzionale; Lokad sacrifica l’ampiezza e l’ambito transazionale per concentrarsi su una piattaforma fortemente orientata, guidata da DSL, probabilistica e incentrata sull’ottimizzazione, con una trasparenza insolitamente elevata sulle tecniche e sui compromessi. Per le organizzazioni in cerca di un OMS e di una suite di pianificazione standard, comodi dal punto di vista IT, con opzioni di ottimizzazione aggiuntive, IBM rappresenta un incumbente naturale. Per le organizzazioni il cui principale problema è la qualità delle decisioni quantitative in condizioni di incertezza piuttosto che l’integrazione di sistema in sé, e che sono disposte ad abbracciare uno strato di ottimizzazione programmabile, l’approccio di Lokad è più radicale ma anche maggiormente in linea con le previsioni probabilistiche all’avanguardia e l’ottimizzazione stocastica.