Software per l'Ottimizzazione dell'Inventario Aziendale, febbraio 2025

Di Léon Levinas-Ménard

Ultima modifica: 2 febbraio 2025

Obiettivo: Questo studio classifica i principali fornitori di software per l’ottimizzazione dell’inventario aziendale con un approccio rigoroso e basato su evidenze. Penalizziamo il marketing vago, le parole d’ordine “AI” non supportate e la mancanza di vere capacità stocastiche. I criteri chiave includono: (1) supporto comprovato per entrambi la previsione probabilistica della domanda e la previsione probabilistica dei tempi di consegna (i fornitori che omettono l’incertezza dei tempi di consegna sono considerati non seri); (2) credibilità delle funzionalità avanzate (la cannibalizzazione, il “demand sensing”, AI/ML, ecc. devono essere supportati da dettagli ingegneristici reali, altrimenti etichettati come futili); (3) livello di automazione (ottimizzazione veramente automatizzata rispetto a quella che richiede aggiustamenti manuali); e (4) capacità di gestire vincoli complessi (date di scadenza, tracciamento seriale/lotti, resi, dimensioni dei lotti, sconti sui prezzi, cannibalizzazione dei prodotti, schemi irregolari “quasi stagionali”, costi di capacità di stoccaggio, ecc.).

Fornitori Classificati

Di seguito è riportata una classifica obiettiva dei migliori fornitori di ottimizzazione dell’inventario, dal più al meno credibile, basata sui criteri sopra descritti. Ogni valutazione evidenzia punti di forza, mette in luce le debolezze e cita prove di eventuali affermazioni fuorvianti.

1. Lokad – Pioniere Probabilistico con Massima Trasparenza

Panoramica: Lokad si distingue per un vero approccio probabilistico alla supply chain. Modella esplicitamente sia la variabilità della domanda che la variabilità dei tempi di consegna, trattando i tempi di consegna come variabili casuali prevedibili (non come input fissi) ¹. Il sistema di Lokad fornisce una “algebra delle variabili casuali” – sostanzialmente un supporto di prim’ordine per le distribuzioni di probabilità – consentendo calcoli stocastici complessi che tengono conto dell’incertezza in ogni fase ² ³. Questo rigore matematico distingue Lokad dai concorrenti che spesso simulano l’incertezza in modi ad hoc (o ignorano del tutto il rischio dei tempi di consegna).

Previsioni probabilistiche della domanda e dei tempi di consegna: Lokad soddisfa chiaramente il criterio della doppia previsione. La sua documentazione sottolinea che “i tempi di consegna possono e devono essere previsti proprio come la domanda” ¹. La piattaforma è in grado di produrre modelli probabilistici dei tempi di consegna (ad es. utilizzando distribuzioni log-logistiche) e di integrarli con le previsioni di domanda ¹ – un pilastro per calcoli accurati dei riordini. Abbracciando entrambe le sfaccettature dell’incertezza, Lokad evita l’insidia comune di altri strumenti che assumono tempi di consegna statici o che ritengono sufficienti solo i livelli di sicurezza.

Funzionalità avanzate (Cannibalizzazione, ecc.): Lokad fornisce dettagli ingegneristici concreti sui vincoli avanzati. Introduce l’ottimizzazione stocastica che massimizza la redditività attesa rispettando i vincoli specifici del cliente, inclusi effetti incrociati tra prodotti come la cannibalizzazione e la sostituzione ⁴. Ad esempio, Lokad può modellare come i prodotti si cannibalizzino a vicenda o fungano da sostituti, e incorporare queste relazioni nella logica di ottimizzazione. Non si tratta solo di una affermazione vaga – è supportata da un approccio “programmabile” (lo scripting Envision di Lokad) in cui gli supply chain scientists codificano esplicitamente tali relazioni. Analogamente, fenomeni difficili come resi sporadici o tassi di rottamazione possono essere previsti in modo probabilistico e inclusi nelle decisioni ³. I materiali pubblici di Lokad approfondiscono questi dettagli tecnici (ad es. la previsione dei resi per l’e-commerce o la variabilità del rendimento nella produzione ⁵ ⁶), mostrando prove della capacità. Non si fa affidamento su parole d’ordine vuote; invece, Lokad discute metodi (simulazioni Monte Carlo, programmazione probabilistica, ecc.) e pubblica persino lezioni su come questi vengono implementati ⁷. Le affermazioni su AI/ML sono minime – l’attenzione è su miglioramenti misurabili e guidati dai modelli.

Automazione: L’automazione completa è un obiettivo fondamentale per Lokad. La piattaforma è progettata per operare in modo non supervisionato: “automatizza in modo aggressivo i compiti ripetitivi” nell’ottimizzazione della supply chain ⁸. L’approccio di Lokad prevede che il suo motore generi decisioni ottimali (ordini di acquisto, allocazioni di stock, piani di produzione) senza una costante microgestione umana. Molti dei suoi clienti fanno girare il sistema in modalità in gran parte non supervisionata, intervenendo solo in caso di eccezioni. Lokad fornisce addirittura un linguaggio di programmazione proprietario (Envision) per personalizzare la logica decisionale, garantendo che tutti gli scenari di routine siano gestiti dal software. L’azienda sottolinea apertamente che ricette numeriche automatizzate su larga scala guidano le decisioni quotidiane, riducendo la necessità di SOP manuali ⁸. Questa chiara spiegazione di come le decisioni vengono automatizzate (attraverso uno script ottimizzato e una pipeline di solver) è di gran lunga più convincente delle promesse generiche di “automazione AI” dei concorrenti.

Gestione dei vincoli: Lokad supporta in modo robusto vincoli non banali. Grazie a un linguaggio di modellazione flessibile, è in grado di tenere conto di date di scadenza (ad es. prevedendo le distribuzioni della shelf-life e forzando la “liquidazione” prima della scadenza), tracciamento seriale/lotti (attraverso variabili di stock legate all’età dell’inventario o specifiche per lotto), resi e ristrutturazioni (modellando le probabilità di reso e i tempi di consegna per i resi ⁶), dimensioni dei lotti/MOQs (integrati nell’ottimizzazione valutando quantità discrete per lotto), sconti sui prezzi dei fornitori o promozioni (ottimizzando il timing/quantità degli ordini per massimizzare il beneficio dei ribassi rispetto al costo di mantenimento ⁹), effetti di cannibalizzazione e sostituzione (esplicitamente menzionati come gestiti nel suo motore stocastico ⁴), quasi-stagionalità (le sue previsioni possono catturare schemi stagionali insoliti tramite modelli probabilistici) e vincoli di capacità o di stoccaggio (integrando i costi/penali di capacità nell’obiettivo di ottimizzazione). La documentazione di Lokad sottolinea persino che esso “riflette tutti i driver economici” legati alle decisioni ¹⁰ e considera “vincoli unici” per ogni cliente – un livello di dettaglio assente nella descrizione della maggior parte dei fornitori. In breve, Lokad dimostra con chiarezza tecnica di affrontare scenari complessi del mondo reale, anziché fare affermazioni superficiali.

Verdetto: Lokad si posiziona al vertice grazie al suo approccio scientifico senza compromessi e alla trasparenza. È uno dei pochi fornitori a implementare realmente previsioni probabilistiche (domanda e supply) e una vera ottimizzazione stocastica ⁴. Il marketing fuorviante è sostanzialmente inesistente – invece dell’hype, Lokad fornisce prove (whitepaper, documentazione tecnica) di come ottiene risultati. Questo ethos, che mette la verità al primo posto, combinato con una forte automazione e gestione dei vincoli, rende Lokad una scelta eccezionale per le aziende che cercano un’ottimizzazione dell’inventario di nuova generazione e seria. L’unico avvertimento è che l’approccio di Lokad richiede una mentalità quantitativa – è intenzionalmente complesso all’interno – ma il risultato è una soluzione radicata nella realtà anziché in parole d’ordine.

2. Slimstock – Tradizionalista Pragmatico (Onesto ma Meno Avanzato)

Panoramica: Slimstock (con il suo prodotto Slim4) rappresenta un approccio classico e mainstream all’ottimizzazione dell’inventario. In modo unico, Slimstock è rinfrescante privo dell’hype AI. L’azienda si concentra su metodi comprovati come il calcolo degli stock di sicurezza, l’Economic Order Quantity (EOQ) e altre tecniche standard della supply chain ¹¹. La filosofia di Slimstock è fornire soluzioni pratiche, semplici e dirette invece di affermazioni vaghe sull’‘AI’ ¹². Questa onestà e attenzione alle basi hanno guadagnato a Slimstock un’alta reputazione per usabilità e affidabilità tra i professionisti.

Capacità probabilistiche: Qui Slimstock è inadeguato secondo gli standard moderni. Slim4 non pubblicizza esplicitamente la previsione probabilistica della domanda, né alcuna forma di modellazione stocastica dei tempi di consegna. La sua funzionalità ruota attorno a previsioni deterministiche tradizionali (spesso tramite metodi di serie temporali) combinate con buffer (stock di sicurezza) per gestire la variabilità. Pur considerando i tempi di consegna nei suoi calcoli (i tempi di consegna sono un input per calcolare i punti di riordino e lo stock di sicurezza), li tratta come parametri dati, non come variabili casuali da prevedere. Non ci sono prove che Slim4 produca distribuzioni complete di probabilità per la domanda o per i tempi di consegna. Ciò significa che Slimstock, pur essendo robusto in senso classico, “ignora l’incertezza” nel modo dettagliato in cui i metodi probabilistici la catturano ³. Secondo i nostri criteri, la mancata modellazione esplicita dell’incertezza dei tempi di consegna è una limitazione seria – un segno contro la profondità tecnica di Slimstock. Tuttavia, Slimstock attenua questo aspetto essendo almeno trasparente sull’uso di metodi semplici; non finge di possedere una tecnologia stocastica avanzata. Per molte aziende, l’approccio conservativo di Slim4 offre risultati accettabili, ma potrebbe lasciare potenzialmente dei profitti non sfruttati rispetto a una vera ottimizzazione probabilistica.

Affidabilità delle affermazioni sulle funzionalità avanzate: Slimstock generalmente non esagera sulle capacità che non possiede. Non sentirai Slim4 vantarsi di “demand sensing guidato da AI” o di “previsioni basate su machine learning”. Infatti, questo approccio privo di futili esagerazioni è evidenziato come positivo: “È rinfrescante vedere un fornitore concentrarsi sulle praticità… anziché su vaghe affermazioni sull’AI.” ¹³. Detto questo, il set di funzionalità di Slimstock è relativamente limitato. Interazioni complesse come la cannibalizzazione dei prodotti o gli effetti di sostituzione non sono un focus centrale (bisognerebbe gestirle tramite aggiustamenti manuali o analisi ausiliarie). Analogamente, la gestione di elementi come promozioni, fattori causali o tecniche ML innovative è minima. Slimstock eccelle in ciò che fa (previsioni statistiche, riordino multi-echelon con stock di sicurezza) ma non si avventura in territori all’avanguardia – e a suo merito, non finge di farlo. Qualsiasi affermazione (ad es. “livelli di inventario ottimizzati” o “servizio aumentato con meno stock”) è supportata da funzionalità dirette, non da affermazioni nebulose sull’AI. Abbiamo trovato nessun termine ingannevole come “demand sensing” nei materiali di Slimstock, a indicare un encomiabile focus sulla sostanza piuttosto che sullo stile.

Automazione: Slim4 è progettato per facilitare l’uso da parte dei pianificatori, il che implica una combinazione di automazione e controllo manuale. Lo strumento genererà automaticamente previsioni, punti di riordino e obiettivi di inventario per migliaia di SKU attraverso gli echelons. Gli utenti spesso impostano obiettivi di livello di servizio e lasciano che Slim4 calcoli i buffer di stock necessari. In pratica, Slimstock consente un processo semi-automatizzato: i calcoli di routine sono gestiti dal sistema, ma i pianificatori tipicamente revisionano le eccezioni o aggiustano i parametri. Slimstock non proclama nel suo marketing una “supply chain completamente autonoma” – invece, si posiziona come uno strumento di supporto alle decisioni per i pianificatori. L’assenza di una chiara affermazione di automazione in “black-box” significa che non possiamo biasimare Slimstock per il fatto di non nascondere il contributo manuale; si aspettano che gli utenti restino coinvolti. Tuttavia, rispetto ai fornitori che mirano a un’ottimizzazione completamente non supervisionata, l’approccio di Slimstock potrebbe richiedere un intervento continuativo da parte dell’utente (ad es. aggiornare le previsioni per nuove tendenze, gestire manualmente gli articoli prossimi alla scadenza, ecc.). Si tratta di un livello pragmatico di automazione appropriato per molte aziende di medie dimensioni, se non dell’ideale teorico dell’ottimizzazione “senza contatto”.

Gestione dei vincoli: In linea con il suo approccio classico, Slimstock gestisce i vincoli comuni della supply chain, ma non tutti quelli complessi. Date di scadenza: Slim4 può gestire un controllo di base della shelf-life (avvisi per articoli prossimi alla scadenza, rotazione dello stock basata sul principio “first-expire-first-out”), ma probabilmente non effettua un’ottimizzazione sofisticata dei deperibili. Dimensioni dei lotti / MOQs: Sì, Slim4 supporta questi vincoli standard nei calcoli di riordino. Multi-echelon: Il nucleo di Slimstock è l’ottimizzazione multi-echelon dell’inventario, quindi bilancia lo stock tra le sedi, sebbene utilizzi metodi tradizionali di allocazione basati sul livello di servizio anziché un’ottimizzazione di rete completamente stocastica. Cannibalizzazione e sostituzione: in gran parte non supportate in modo automatizzato – gli utenti devono regolare manualmente le previsioni per le transizioni o sovrapposizioni di prodotti, poiché i modelli di Slim4 non sanno intrinsecamente che il Prodotto B sottrae domanda dal Prodotto A. Resi, tracciamento seriale: al di fuori dell’ambito delle previsioni di Slim4, questi verrebbero gestiti nel sistema ERP/warehouse. “Quasi-stagionalità” (picchi di domanda irregolari, guidati da eventi) potrebbero non essere catturati a meno che l’utente non li incorpori manualmente nelle previsioni (ad es. tramite profili stagionali o sovrascritture). Costi di capacità di stoccaggio: Slimstock tipicamente assume capacità infinita o utilizza vincoli semplificati; non esegue un’ottimizzazione non lineare complessa per lo spazio di stoccaggio – ciò richiederebbe nuovamente un aggiustamento umano (ad es. i pianificatori che abbassano gli obiettivi quando lo spazio è limitato). In sintesi, Slimstock copre le “pratiche banali ma critiche” ¹⁴ – è molto efficace per la gestione dell’inventario da manuale (punti di riordino corretti, stock di sicurezza, segmentazione ABC, ecc.), e lo fa con integrità. Tuttavia, non è lo strumento per modellare ogni scenario esoterico. Le aziende con vincoli o schemi di incertezza molto complessi potrebbero superare ciò che Slim4 può offrire.

Verdetto: Slimstock si posiziona in alto per la sua onestà rinfrescante e la solida comprensione dei fondamenti. Fornisce una soluzione affidabile senza ricorrere a gergo alla moda o promesse esagerate sull’AI. In contesti in cui le formule classiche per l’inventario sono sufficienti, Slim4 offre risultati ed è apprezzato per il suo stile user-friendly e senza fronzoli. Tuttavia, secondo i nostri criteri severi, Slimstock non può essere considerato all’avanguardia. La sua mancanza di previsioni probabilistiche esplicite (soprattutto l’assenza di modellazione della distribuzione dei tempi di consegna) rappresenta una lacuna notevole – rendendolo “non serio” per le organizzazioni che richiedono una rigorosa quantificazione dell’incertezza. Tuttavia, moderiamo tale etichetta: Slimstock è serio nella gestione dell’inventario, seppur in un paradigma tradizionale. Nel complesso, Slimstock è un’eccellente scelta per le aziende che danno valore al pragmatismo piuttosto che a parole d’ordine, purché comprendano i suoi limiti nell’analisi avanzata.

3. RELEX Solutions – Focalizzato sul Retail, Analisi Veloci – Grandi Affermazioni Sotto Esame

Panoramica: RELEX Solutions è cresciuta rapidamente, soprattutto nel settore della vendita al dettaglio, promuovendo una piattaforma “AI-driven” per la previsione della domanda e l’ottimizzazione dell’inventario ¹⁵. Il tratto distintivo di RELEX è un sistema “Live Plan” in memoria che fornisce agli utenti una visibilità rapida e dettagliata del loro inventario e delle previsioni in negozi e centri di distribuzione. Questa architettura (spesso paragonata a un cubo OLAP o a un “gemello digitale”) consente cruscotti in tempo reale impressionanti e rapide analisi what-if. RELEX si specializza nella vendita al dettaglio e nei prodotti freschi, vantando funzionalità per la gestione di generi alimentari, prodotti deperibili e promozioni. In apparenza, RELEX sembra molto capace: parla di automatizzare il rifornimento, ottimizzare le allocazioni e suggerisce persino di poter mantenere una disponibilità a scaffale del 99%+. Tuttavia, un’analisi più approfondita rivela un mix di punti di forza e debolezze: analisi in tempo reale robuste e alcune funzionalità uniche, ma possibili carenze in una profonda ottimizzazione e nella scienza della previsione.

Domanda Probabilistica e Tempi di Consegna: RELEX fa davvero previsioni probabilistiche? L’azienda promuove pesantemente le sue “previsioni guidate dall’AI”, ma i dettagli sono scarsi. RELEX non pubblica prove di generare distribuzioni di probabilità complete per la domanda come fa Lokad. Il suo focus sembra essere su previsioni puntuali migliorate (utilizzando il machine learning sui dati recenti – ciò che alcuni chiamano “demand sensing”) e poi impiegandole nei calcoli dell’inventario. Criticamente, non abbiamo trovato alcun riferimento alle previsioni probabilistiche dei tempi di consegna nei materiali di RELEX. I tempi di consegna fanno certamente parte della pianificazione di RELEX (si inseriscono i tempi di consegna, e il sistema sa che tempi di consegna più lunghi richiedono uno stock di sicurezza maggiore), ma trattare il tempo di consegna come una variabile casuale con una distribuzione – non c’è alcuna indicazione che RELEX lo faccia. Secondo i nostri criteri, questa omissione è grave. Un fornitore che non affronta esplicitamente l’incertezza dei tempi di consegna è carente. Il modulo di pianificazione di RELEX probabilmente utilizza un tempo di consegna deterministico più forse un margine per la variabilità, il che risulta inferiore a una vera ottimizzazione stocastica. Infatti, l’approccio complessivo di RELEX all’incertezza sembra tradizionale: probabilmente utilizza formule di stock di sicurezza “sotto il cofano”. Un’analisi indipendente ha notato che la tecnologia di previsione di RELEX “sembra basata su modelli pre-2000” ¹⁶ – suggerendo che si affida a metodi collaudati (come la smussatura esponenziale) piuttosto che a qualche svolta nelle previsioni probabilistiche. Quindi, sebbene le previsioni della domanda di RELEX possano essere più granulari (ad esempio giornaliere, per negozio/SKU) e aggiornate frequentemente, non troviamo evidenze di una vera previsione probabilistica nel senso accademico. Questo posiziona RELEX al di sotto dei fornitori che modellano intere le distribuzioni di domanda e tempi di consegna.

Reclami di Funzionalità Avanzate (AI, Cannibalizzazione, ecc.): Il marketing di RELEX utilizza liberamente termini come “AI-driven”, “machine learning” e persino “digital twin”. Ad esempio, pubblicizza “previsione della domanda guidata dall’AI e ottimizzazione dell’inventario multi-echelon” ¹⁵ e “ri-bilanciamento autonomo dell’inventario” ¹⁷. Tuttavia, mancano specifiche tecniche. RELEX spiega raramente quali algoritmi o tecniche di AI utilizza – un campanello d’allarme secondo il nostro esame. Le affermazioni dell’azienda di affrontare sfide avanzate nel retail meritano un’attenta analisi:

Cannibalizzazione e Sostituzione: In teoria, questi aspetti sono cruciali nel retail (ad esempio, nuovi prodotti che sostituiscono quelli vecchi, o un articolo che ruba vendite a un altro quando posizionato nelle vicinanze). L’architettura di RELEX potrebbe effettivamente ostacolare una corretta modellizzazione di tali dinamiche. Gli osservatori notano che il design in-memory/OLAP di RELEX è “in contrasto con l’ottimizzazione a livello di rete e con i modelli di domanda del retail come sostituzioni e cannibalizzazioni” ¹⁸. Poiché il sistema è progettato per interrogazioni rapide, potrebbe mancare il livello sofisticato di ottimizzazione necessario per simulare la perdita di domanda di un prodotto come guadagno per un altro. Non abbiamo trovato che RELEX dichiari esplicitamente di risolvere il problema della cannibalizzazione oltre alle generiche affermazioni sull’AI. Data la complessità, sospettiamo che RELEX non possieda una capacità esplicita e provata di modellare gli effetti della cannibalizzazione (almeno non molto oltre a quanto un pianificatore potrebbe regolare manualmente). Pertanto, ogni affermazione ampia secondo cui la sua AI gestisca tali interazioni è infondata – la trattiamo come falsa finché non si dimostri il contrario.
“Demand Sensing”: RELEX offre un modulo per il rilevamento della domanda a breve termine (integrando dati POS recenti, previsioni meteorologiche, ecc.). “Demand sensing” come termine d’ordine è un noto campanello d’allarme – spesso esagerato e con scarso supporto scientifico ¹⁹. RELEX non ha pubblicato prove sottoposte a revisione paritaria che il suo demand sensing produca risultati migliori rispetto alle previsioni tradizionali. Rimaniamo scettici riguardo a qualsiasi fornitore che utilizzi questo termine senza dati chiari. A meno che RELEX non possa dimostrare come il suo modello di ML migliori quantitativamente l’errore di previsione catturando picchi o cambiamenti nella domanda più rapidamente, consideriamo le affermazioni sul “demand sensing” come semplice retorica di marketing.
AI/ML: RELEX si presenta come una soluzione moderna, alimentata da AI, ma cosa c’è sotto il cofano? La vaghezza delle affermazioni è preoccupante. Sappiamo che RELEX utilizza il machine learning per attività come la previsione e l’ottimizzazione dei piani – ma finora gli esempi sono basilari (ad es., l’uso della regressione ML per prevedere le vendite giornaliere, che va bene ma non è rivoluzionario). Non si nota traccia di “ottimizzazione stocastica” o di un’algebra delle variabili casuali nell’approccio di RELEX. Senza questo, definirla AI-driven risulta in qualche modo fuorviante. Inoltre, i risultati annunciati di una disponibilità a scaffale del 99%+ appaiono esagerati – i sondaggi di settore sulla disponibilità nei negozi smentiscono tali numeri elevati ²⁰. Ciò suggerisce un divario tra marketing e realtà.

In una nota positiva, RELEX possiede capacità tangibili che risultano preziose:

Può ottimizzare i carichi di camion e il raggruppamento degli ordini (ad es., i tassi di riempimento dei container) come parte della pianificazione del rifornimento ¹⁷ ²¹.
Include una funzionalità di “acquisto anticipato intelligente” ⁹ per sfruttare gli sconti dei fornitori – implicando che possa calcolare scenari di acquisto di inventario extra ora anziché in seguito per massimizzare i risparmi. Questo affronta, in una certa misura, i vincoli legati agli sconti progressivi.
RELEX si concentra fortemente su cibo fresco e sulla riduzione degli sprechi. Afferma esplicitamente di “considerare le date di scadenza per l’inventario disponibile per identificare le scorte prossime alla scadenza ed eseguire le necessarie eliminazioni forzate e sconti” ²². Inoltre, RELEX supporta il tracciamento dell’inventario per lotto/partita per gestire la scadenza e le trasformazioni dei prodotti freschi (ad es. l’invecchiamento dei tagli di carne) ²³. Queste sono funzionalità concrete, non soltanto parole d’ordine, che dimostrano come RELEX abbia investito nella gestione dei prodotti deperibili – un ambito che altri trascurano. Quindi, sebbene RELEX possa non disporre di una matematica stocastica sofisticata, affronta problemi reali del retail (come la scadenza e gli sprechi) mediante euristiche e regole aziendali. Diamo credito a RELEX per queste capacità pratiche.

Architettura e Prestazioni: L’architettura in-memory di RELEX (spesso sfruttando database colonnari cloud) gli conferisce rapidità, ma a un costo. Essa “fornisce una reportistica in tempo reale impressionante ma garantisce costi hardware elevati” ²⁴. Inoltre, tali architetture spesso faticano quando la complessità dei problemi cresce. Ad esempio, scalare verso un’ottimizzazione globale (considerando simultaneamente tutte le sedi e tutti i prodotti per l’ottimizzazione) risulta difficile se il sistema è essenzialmente un grande cubo OLAP. RELEX potrebbe affidarsi ad algoritmi piuttosto semplicistici per prendere decisioni rapidamente (ad es. euristiche greedy per il ribilanciamento dello stock tra i negozi). Questo è accettabile per la reattività, ma potrebbe non trovare la soluzione ottimale che un approccio stocastico più lento potrebbe garantire. Inoltre, gli aggiornamenti in tempo reale sono meno rilevanti se non si modella correttamente l’incertezza – si potrebbe reagire istantaneamente a un cambiamento della domanda, ma se l’incertezza non viene mai quantificata, si sta comunque inseguendo l’ultimo dato disponibile (un potenziale tranello del “forecast chasing”).

Automazione: RELEX sottolinea l’automazione nelle operazioni. Pubblicizza “l’automatizzazione e la semplificazione dei complessi processi di ottimizzazione dell’inventario” ²⁵ e presenta funzionalità come “automatizza il ribilanciamento del tuo inventario” ¹⁷ e “rispondi in tempo reale” ai cambiamenti della domanda con ordini automatici ²⁶. In pratica, RELEX può effettivamente generare automaticamente ordini di rifornimento per i negozi, trasferimenti tra negozi e ordini sostitutivi per lo stock in scadenza con un intervento umano minimo. Molti utilizzatori di RELEX eseguono un auto-rifornimento giornaliero, dove i pianificatori intervengono solo in casi eccezionali. Tuttavia, RELEX non spiega in maniera approfondita la logica della sua automazione. Ad esempio, come decide esattamente di “attivare le eliminazioni forzate” dei prodotti in scadenza? Esiste un modello di ottimizzazione che bilancia il costo degli sconti rispetto allo spreco, o si basa semplicemente su una soglia (ad es. vendere se mancano 2 giorni alla scadenza)? Tali dettagli non sono pubblici. Quindi, sebbene riteniamo che RELEX possa automatizzare bene le attività di routine, penalizziamo la mancanza di trasparenza. È probabile che si tratti di molta automazione basata su regole, che funziona ma non è elegante quanto una politica ottimizzata. Tuttavia, rispetto ai vecchi sistemi aziendali che richiedevano una pesante pianificazione manuale, RELEX rappresenta un notevole avanzamento in tema di automazione. Bisogna essere consapevoli che l’etichetta “autonomo” potrebbe essere esagerata – è necessaria una certa messa a punto da parte dei pianificatori (ad es. impostazione dei parametri per tali regole) per mantenere l’efficacia dell’automazione.

Gestione dei Vincoli: RELEX ottiene buoni risultati su diversi vincoli complessi, specialmente per le esigenze specifiche del retail:

Scadenza e Deperibilità: Come osservato, RELEX possiede funzionalità importanti in questo ambito (tracciamento a livello di lotto, proiezioni di deterioramento, pianificazione automatica degli sconti per i prodotti prossimi alla scadenza) ²². Ciò indica che RELEX può gestire prodotti a breve durata in maniera automatizzata – fondamentale per i supermercati.
Raggruppamento / Carichi di Camion: RELEX ottimizza il riempimento dei camion e rispetta i minimi d’ordine/arrotondamenti ¹⁷ ²¹. Menziona specificamente di evitare il trasporto di “aria” riempiendo i camion in modo ottimale, il che dimostra attenzione ai vincoli dei costi di trasporto.
Sconti Progressivi / Promozioni: La funzione di acquisto anticipato ⁹ suggerisce che RELEX raccomanderà di acquistare in anticipo rispetto a un aumento dei prezzi o per ottenere uno sconto in blocco, bilanciandolo con il costo di mantenimento. Questo è un vincolo sofisticato che molti sistemi ignorano.
Cannibalizzazione/Sostituzione: Punto debole – come discusso, probabilmente non risolto esplicitamente dal motore di RELEX.
Resi: Nel retail (specialmente nell’e-commerce), i resi possono essere significativi (ad es. nella moda). RELEX dispone di un modulo di “inventario predittivo” che menziona la considerazione dello spreco e presumibilmente potrebbe tener conto anche dei resi ²⁷, ma i dettagli non sono chiari. È ragionevole supporre che l’elaborazione dei resi venga gestita nell’ERP, e non prevista dalla pianificazione della domanda di RELEX.
Quasi-Stagionalità: RELEX può prevedere la domanda stagionale (gestisce, per esempio, profili stagionali settimanali per ogni prodotto/negozio). Per modelli di domanda irregolari, il suo ML potrebbe captare alcuni segnali, ma senza documentazione esplicita non possiamo confermare. Probabilmente gestisce le promozioni come eventi speciali (con previsioni di incremento separate) – una pratica abbastanza standard nelle soluzioni per il retail.
Capacità di Stoccaggio: RELEX è in grado di modellare, in una certa misura, la capacità degli scaffali dei negozi (ad es. evitando di ordinare oltre lo spazio disponibile), come parte dell’integrazione con il planogramma. Per quanto riguarda la capacità dei centri di distribuzione, non è chiaro – probabilmente adotta un approccio basato su allarmi.
Multi-echelon: RELEX effettua una pianificazione multi-echelon (negozio-DC-fornitore). Tuttavia, il design in tempo reale potrebbe entrare in conflitto con una vera ottimizzazione multi-echelon dello stock ¹⁸. Il sistema potrebbe ottimizzare ogni echelon con euristiche anziché con un modello stocastico olistico che li collega. Questa è una sfumatura: sì, RELEX opera in modalità multi-echelon (praticamente, molti clienti lo usano per sostituire i vecchi strumenti multi-echelon), ma lo fa in modo ottimale? Probabilmente non in maniera rigorosamente matematica – più come un’ottimizzazione sequenziale (previsione al negozio -> approvvigionamento dal DC -> fornitura dal venditore con buffer in ogni fase).

Verdetto: RELEX si posiziona come un contendente di primo piano, in particolare per i rivenditori e le aziende di prodotti freschi. I suoi punti di forza risiedono nelle funzionalità pratiche (gestione dei prodotti deperibili, analisi rapide, visibilità della supply chain, gestione delle promozioni) e in un’esperienza utente moderna, che lo distingue nettamente dai software di pianificazione tradizionali. Tuttavia, sotto il nostro microscopio alla ricerca della verità, RELEX perde punti per affermazioni sull’AI non dimostrate e per la mancanza di profondità probabilistica. L’uso eccessivo di parole d’ordine senza una metodologia di supporto (nessun algoritmo o studio sulle prestazioni pubblicato) fa sì che dobbiamo trattare il marchio “AI” con scetticismo ²⁸. Inoltre, ignorando le previsioni dei tempi di consegna e affidandosi a modelli di previsione datati, RELEX potrebbe non fornire l’ottimo teorico – offre una buona soluzione pratica, ma non la più avanzata scientificamente. Le aziende che valutano RELEX dovrebbero insistere sui dettagli su come gestisce l’incertezza e le interazioni complesse; altrimenti, si può assumere che gran parte della sua intelligenza derivi da regole aziendali e configurazioni utente, piuttosto che da una magia AI. In sintesi, RELEX è un attore credibile con alcune vere innovazioni in termini di usabilità, eppure rimane parzialmente una “scatola nera” e possibilmente sovra-promosso nel marketing. Lo classifichiamo in alto, ma al di sotto degli approcci veramente probabilistici e orientati ai dettagli.

4. ToolsGroup – Giocatore “Probabilistico” Legacy – Affermazioni Incoerenti

Panoramica: ToolsGroup opera nel campo dell’ottimizzazione dell’inventario da decenni (fondata nel 1993) con il suo software di punta SO99+ (Service Optimizer 99+). ToolsGroup si commercializza pesantemente puntando sulla “previsione probabilistica” e sulla pianificazione dell’inventario guidata dal livello di servizio. Infatti, ToolsGroup può essere considerata una pioniera nell’uso delle distribuzioni di domanda per determinare i livelli di stock nei primi anni 2000. Pubblicizza inoltre funzionalità che spaziano dalla pianificazione della domanda al “demand sensing”, dall’ottimizzazione multi-echelon, fino alla determinazione dei prezzi (con add-on come Price.io). Tuttavia, il messaggio di ToolsGroup negli ultimi anni solleva serie domande. L’azienda utilizza liberamente parole d’ordine come AI/ML e si vanta dell’automazione, eppure i materiali pubblici risultano spesso contraddittori o carenti di sostanza tecnica. Osserviamo un mix di funzionalità solide (la matematica di base di SO99+ per l’inventario è valida, basata sulla classica ricerca operativa) e di retorica di marketing che non regge (ad es., discutere di previsioni probabilistiche citando errori MAPE, concettualmente sbagliato ²⁹).

Domanda probabilistica e tempi di consegna: In apparenza, ToolsGroup afferma di riguardare interamente le previsioni probabilistiche. Ad esempio, le loro brochure sostengono che ToolsGroup utilizza “probability forecast” insieme a parametri di approvvigionamento (tempo di consegna, ecc.) per ottimizzare i livelli di inventario ³⁰. Infatti, SO99+ può generare una “stock-to-service curve” – essenzialmente mostrando la distribuzione della domanda nel tempo di consegna e il livello di servizio raggiunto per un determinato investimento in inventario ³⁰. Ciò indica che ToolsGroup modella effettivamente parzialmente l’incertezza della domanda. Tuttavia, c’è un problema: l’approccio di ToolsGroup alle previsioni probabilistiche appare incompleto e obsoleto. In particolare, dal 2018 hanno cominciato a promuovere “probabilistic forecasts” nel marketing, e nello stesso tempo parlavano di miglioramenti del MAPE (Mean Absolute Percent Error) ²⁹. Questo è incoerente – il MAPE è una metrica per l’accuratezza delle previsioni puntuali e “non si applica alle previsioni probabilistiche.” ²⁹ Una confusione così evidente suggerisce che l’iniziativa probabilistica di ToolsGroup possa essere più clamore che realtà. È come se avessero aggiunto un output probabilistico ma continuassero a valutarlo con vecchi parametri, minando la credibilità dell’intero progetto.

Quando si tratta di previsione dei tempi di consegna: il materiale di ToolsGroup non menziona la previsione dei tempi di consegna come variabili casuali. I tempi di consegna vengono trattati come parametri di input (eventualmente con ipotesi di variabilità) anziché come qualcosa che il software prevede basandosi sul rendimento storico dei fornitori. Il loro datasheet mostra che il tempo di consegna è uno dei “parametri di fornitura” inseriti nel modello ³⁰. Quindi, se un utente fornisce un tempo di consegna atteso e magari una deviazione standard, SO99+ lo prenderà in considerazione nei calcoli dello stock di sicurezza – ma sembra che ToolsGroup non generi autonomamente una distribuzione di probabilità dinamica dei tempi di consegna. Questa è una distinzione cruciale. Un sistema veramente probabilistico, per esempio, riconoscerebbe se i tempi di consegna di un certo fornitore hanno una probabilità del 20% di raddoppiare (forse a causa di ritardi doganali) e lo integrerebbe nei livelli ottimali di inventario. Non osserviamo alcuna evidenza che ToolsGroup esegua un’analisi a questo livello. Pertanto, secondo il nostro rigido criterio, ToolsGroup non supera il test probabilistico completo – menziona i tempi di consegna solo come input statici, non come incertezze previste. Questa mancanza di modellizzazione esplicita dei tempi di consegna rende l’etichetta “probabilistica” di ToolsGroup alquanto superficiale. Riteniamo questo un grave difetto: un fornitore che si posiziona come probabilistico ma ignora una fonte di incertezza fondamentale non sta facendo ciò che predica.

Affermazioni sulle funzionalità avanzate: Purtroppo, ToolsGroup fa scattare molte bandiere rosse in quest’area:

L’azienda ha fatto ampie affermazioni riguardo all’“AI” nel suo software, che sono dubbie ³¹. Ci sono poche informazioni pubbliche sulle tecniche di AI (se presenti) che ToolsGroup effettivamente impiega. I loro algoritmi legacy precedono il boom dell’AI, essendo maggiormente radicati nella statistica/ricerca operativa. Sembra che l’etichetta “AI” sia semplicemente un adattamento per il marketing. Per esempio, ToolsGroup ha acquisito una startup di AI (forse per rafforzare la propria immagine), ma il loro prodotto principale non diventa improvvisamente basato sul deep learning. Senza spiegazioni tecniche concrete (che ToolsGroup non ha fornito pubblicamente), consideriamo le loro affermazioni sull’AI come non comprovate.
Demand Sensing: ToolsGroup offre un modulo per il “demand sensing” (adeguamento a breve termine delle previsioni utilizzando dati a valle). Tuttavia, analisi indipendenti rilevano che “le affermazioni riguardanti il ‘demand sensing’ (da parte di ToolsGroup) non sono supportate dalla letteratura scientifica.” ¹⁹ In altre parole, ToolsGroup afferma di poter percepire i cambiamenti nella domanda tramite AI, ma non ci sono prove che questo approccio sia efficace oltre a ciò che potrebbe fare la statistica convenzionale o un pianificatore umano. Dato che il “demand sensing” è un buzzword noto spesso usato in modo vago, sminuiamo fortemente questa affermazione. A meno che ToolsGroup non possa dimostrare, per esempio, tramite uno studio peer-reviewed che il suo algoritmo di demand sensing produce migliori tassi di disponibilità, lo consideriamo vaporware. Questo è in linea con le recensioni degli esperti che etichettano tali funzionalità come “vaporware” tra i fornitori in assenza di prove ³².
Cannibalizzazione, Promozioni, ML: ToolsGroup non pubblicizza in modo evidente la modellizzazione avanzata della cannibalizzazione o degli effetti incrociati tra prodotti – probabilmente perché non eccelle in questo ambito. Se sottoposto a pressione, potrebbero affermare “il nostro machine learning può gestire pattern complessi”, ma ancora una volta senza fornire dettagli. Non abbiamo trovato alcuna documentazione che attesti l’implementazione, ad esempio, di una matrice di sostituzione o di un modello attach-rate per collegare la domanda dei prodotti. Pertanto, qualsiasi implicazione secondo cui ToolsGroup ottimizza tra prodotti interagenti è non credibile senza prove. Analogamente, menzionano l’uso di “modelli auto-adattivi” e del machine learning, ma i metodi accennati (ad es. una sorta di riconoscimento di pattern) appaiono alquanto standard e possibilmente datati. Infatti, i materiali pubblici suggeriscono che ToolsGroup utilizzi ancora modelli di previsione pre-2000 ³³ (come il metodo di Croston per la domanda intermittente, forse ARIMA per altri). Nulla di intrinsecamente sbagliato, ma ciò contraddice la brillante narrativa dell’AI.

In sintesi, l’abitudine di ToolsGroup di mescolare buzzword moderne con tecniche tradizionali è preoccupante. Suggerisce un rinnovamento trainato dal marketing, non supportato da una vera attività di R&S. Ad esempio, il sito di ToolsGroup parla di “automazione per superare le sfide” ³⁴ e di altre platitudini simili, ma, se analizzato attentamente, descrive sostanzialmente ciò che il loro software ha sempre fatto (ottimizzazione multi-echelon dello stock) ora ridefinita come AI.

Automazione: ToolsGroup ha sempre presentato la sua soluzione come altamente automatizzata e basata su eccezioni. Spesso evidenzia che SO99+ è molto automatizzato, richiedendo un input minimo da parte dell’utente una volta configurato. Un commento IDC nella loro brochure osserva che “nonostante la sua potenza… ToolsGroup MEIO è altamente automatizzato con un costo di proprietà estremamente basso.” ³⁵. Infatti, molte implementazioni di ToolsGroup funzionano automaticamente per produrre proposte di rifornimento giornaliere o settimanali che i pianificatori poi revisionano. Tuttavia, critichiamo la mancanza di chiarezza su come vengano prese le decisioni in modo autonomo. ToolsGroup non spiega un “motore decisionale autonomo” oltre ad affermare che i modelli si adattano e producono raccomandazioni. Le sfide chiave dell’automazione – come regolare dinamicamente le politiche di ordinazione quando le tendenze cambiano, o evitare di inseguire la variabilità – non sono dettagliate. Sospettiamo che l’automazione di ToolsGroup risieda principalmente nella previsione e nel calcolo dei livelli di stock (il sistema aggiorna le previsioni e ricalcola i livelli min/max o i suggerimenti d’ordine senza intervento manuale). Ciò è prezioso, ma standard per questo tipo di software. Senza ulteriori dettagli ingegneristici, non possiamo riconoscere a ToolsGroup crediti extra. Soddisfano il minimo di automazione atteso dal software di ottimizzazione dell’inventario (come da anni), ma qualsiasi implicazione che si tratti di una supply chain completamente autonoma è iperbole. È importante notare che ToolsGroup richiede una configurazione significativa (obiettivi di livello di servizio per ciascun articolo, regole di segmentazione, ecc.), che sono spesso impostati manualmente da pianificatori o consulenti. Se questi risultano errati, l’automazione può produrre risultati inferiori. ToolsGroup non ha articolato alcuna AI in grado di selezionare automaticamente i livelli di servizio ottimali o di regolare le politiche autonomamente – compiti che restano a carico degli uomini. Pertanto, affermiamo che ToolsGroup fornisce buoni calcoli automatizzati ma non una vera pianificazione autonoma end-to-end in senso moderno.

Gestione dei vincoli: Storicamente, il SO99+ di ToolsGroup era forte nella matematica degli inventari di base, ma più debole nei vincoli marginali:

Multi-echelon: Sì, è stato progettato per l’ottimizzazione multi-echelon degli inventari. Può ottimizzare i buffer di stock attraverso una rete in presenza di incertezza (per lo più tramite un approccio basato su un “livello di servizio target”). Questo è un punto a favore – è in grado di gestire reti di centri di distribuzione e negozi abbastanza bene, garantendo che lo stock giusto sia al livello giusto per raggiungere gli obiettivi di servizio.
Variabilità dei tempi di consegna: La considera nello stock di sicurezza (se si fornisce un parametro per la varianza dei tempi di consegna, lo includerà nel calcolo dello stock). Ma, come già notato, non prevede i tempi di consegna né li pianifica in scenari.
Dimensioni dei lotti, MOQ: ToolsGroup può gestire questi vincoli standard di approvvigionamento. È possibile inserire multipli della dimensione del lotto, quantità minime d’ordine, e il sistema raccomanderà gli ordini rispettandoli.
Date di scadenza: ToolsGroup non è noto per l’ottimizzazione degli inventari deperibili. Probabilmente non dispone di una logica specializzata per la shelf-life (e non ne abbiamo trovato alcun riferimento). Un utente dovrebbe gestire manualmente gli articoli in scadenza o considerarli come SKU separati in base alla data di scadenza (cosa macchinosa). Questa è una limitazione per settori come alimentare/chimico. In contrasto con RELEX, che affronta esplicitamente il deterioramento, ToolsGroup sembra concentrarsi su uno stoccaggio “non soggetto a scadenza”.
Tracciamento seriale/di lotto: Al di fuori dell’ambito della pianificazione – è più rilevante per l’esecuzione/ERP. ToolsGroup non ottimizza a livello seriale.
Cannibalizzazione e sostituzione: La filosofia di ToolsGroup è prevalentemente la previsione univariata (la domanda di ogni SKU viene prevista singolarmente, forse con alcuni input di regressione). Non modella intrinsecamente situazioni come “se il Prodotto A esaurisce lo stock, parte della domanda passa al Prodotto B” o simili. Un utente esperto potrebbe regolare esternamente le previsioni per tenerne conto, ma lo strumento in sé non offre alcuna funzionalità esplicita. Quindi, su questo aspetto dei vincoli avanzati, risulta non credibile senza prove.
Resi: ToolsGroup gestisce principalmente la domanda e l’offerta nuove. Non prevede nativamente i resi nel retail o i rendimenti della rigenerazione. Gli utenti devono incorporare i resi medi nella domanda netta, se necessario.
Quasi-stagionalità: Se i pattern sono irregolari, i modelli più vecchi di ToolsGroup potrebbero avere difficoltà. Senza un ML moderno, potrebbe non catturare driver di domanda complessi. Menzionano il ML, ma sospettiamo che possa essere semplicistico. Quindi, pattern insoliti potrebbero sfuggire (portando a esaurimenti o eccessi se i pianificatori non intervengono manualmente).
Capacità/Spazio di stoccaggio: Non è un focus. ToolsGroup ottimizza l’inventario in base al compromesso tra servizio e costo, ma presume che si disponga dello spazio per immagazzinare lo stock raccomandato. Non risolve problemi di tipo knapsack, ovvero di spazio o budget limitato, a meno che non si simulino manualmente gli scenari.

Nel complesso, ToolsGroup copre bene i vincoli di inventario di base e più comuni (multi-echelon, MOQ, incertezza della domanda in una certa misura). Rimane carente su sfide più nuove o specializzate. In particolare, ToolsGroup manca di una prospettiva di “ottimizzazione finanziaria” moderna – cioè, non massimizza direttamente il profitto né minimizza il costo totale sotto vincoli; invece lavora tipicamente in base agli obiettivi di livello di servizio. Questo approccio può risultare subottimale se, per esempio, due prodotti hanno margini di profitto molto differenti – un ottimizzatore probabilistico alloccherebbe lo stock per massimizzare il profitto atteso, mentre ToolsGroup potrebbe trattarli allo stesso modo se condividono un obiettivo di servizio. Questa sfumatura spiega in parte perché la tecnologia di ToolsGroup, pur essendo solida nel suo tempo, ora mostra la sua età.

Verdict: ToolsGroup occupa una posizione interessante. È un fornitore consolidato con un prodotto stabile e capace, ed è stato uno dei primi a spingersi oltre la pianificazione puramente deterministica. Tuttavia, in un confronto basato sulla realtà, ToolsGroup riceve una valutazione mista. Apprezziamo che parli della previsione probabilistica – concetto assolutamente corretto – ma dobbiamo “smontare” il fatto che ToolsGroup non metta in pratica quanto proclama. Il marketing incoerente (PF + MAPE ²⁹) e la mancanza di evidenze di una genuina ottimizzazione stocastica (nessuna “algebra delle variabili casuali” pubblicata, per esempio) significano che le affermazioni probabilistiche di ToolsGroup sono su basi fragili. In pratica, potrebbe fare poco più che calcolare lo stock di sicurezza utilizzando distribuzioni di probabilità – utile, ma non rivoluzionario. Penalizziamo severamente ToolsGroup per affidarsi a buzzword come AI e demand sensing senza sostegno. Queste note affermazioni infondate ³⁶ ne danneggiano la credibilità. Detto ciò, molte aziende hanno ottenuto buoni risultati con il software di ToolsGroup nella riduzione degli stock e nel miglioramento del servizio – non è olio di serpente; è semplicemente non così avanzato come pubblicizzato. Classifichiamo ToolsGroup al di sotto dei veri innovatori, ma al di sopra dei peggiori, perché nel suo nucleo possiede un motore matematicamente solido (seppur old-school) e una funzionalità ampia (previsione + inventario + reintegrazione in uno). Gli utenti potenziali dovrebbero richiedere che ToolsGroup dimostri le cosiddette capacità AI/probabilistiche con dati reali; altrimenti, consideratele solo etichette appariscenti su ciò che è essenzialmente un pacchetto di ottimizzazione degli inventari ben calibrato, ma convenzionale.

5. GAINS Systems – Soluzione veterana, competenza di dominio attenuata dall’hype

Overview: GAINSystems è un operatore storico (fondato nel 1971!) che offre una suite completa per la pianificazione della supply chain, con una specializzazione nell’ottimizzazione degli inventari e nell’analisi della supply chain. Il suo software (GAINS) è storicamente noto per il forte supporto offerto ai ricambi di servizio e all’inventario MRO (Maintenance, Repair & Operations) – settori con domanda intermittente in cui GAINS si è fatto un nome. GAINS Systems offre moduli per la previsione della domanda, l’ottimizzazione degli inventari (incluso il multi-echelon), l’S&OP, ecc., simili per portata a ToolsGroup. Negli ultimi anni, GAINS ha cercato di modernizzare la propria immagine, parlando di “optimization-as-a-service” e incorporando il machine learning. Tuttavia, proprio come ToolsGroup, GAINS soffre di una inflazione del marketing: ora promuove “AI/ML” e “demand sensing” senza prove convincenti, e le sue tecniche di base sembrano rimanere i classici modelli di previsione pre-2000 che ha sempre utilizzato ³⁷.

Domanda Probabilistica & Tempi di Consegna: GAINS non evidenzia pubblicamente la previsione probabilistica. Probabilmente utilizza modelli statistici tradizionali (Croston per la domanda intermittente, forse bootstrapping per la domanda nei tempi di consegna). Non abbiamo visto alcun riferimento esplicito all’incertezza nella previsione dei tempi di consegna – un segnale inequivocabile che GAINS, anch’esso, potrebbe essere carente in questo ambito. L’attenzione di GAINS è spesso rivolta al raggiungimento di un obiettivo di fill rate o livello di servizio a costo minimo, il che implica alcune considerazioni stocastiche (simile a come si imposta lo safety stock). Però, i dettagli di implementazione sono scarsi. GAINS tende a enfatizzare i risultati (“migliorare il servizio, ridurre l’inventario”) anziché spiegare come li calcola esattamente. La mancanza di un linguaggio probabilistico chiaro ci porta a credere che GAINS si basi principalmente su metodi deterministici o semi-analitici: per esempio, potrebbe assumere la varianza della domanda e dei tempi di consegna e inserirle in formule anziché produrre distribuzioni complete. Secondo i nostri criteri, GAINS non si distingue come leader nella previsione probabilistica. Lo classifichiamo come un altro strumento che probabilmente utilizza i classici calcoli per lo safety stock e magari qualche simulazione, ma non tratta i tempi di consegna come variabili casuali prevedibili. Di conseguenza, GAINS verrebbe valutato come “non serio” in termini di rigore probabilistico – non pubblicizza tale capacità e dubitiamo che la possieda.

Reclami di Funzionalità Avanzate: GAINS ha iniziato a lanciare parole d’ordine mentre si riposiziona per gli anni 2020. Il loro messaggio include affermazioni di “accuratezza superiore” tramite algoritmi proprietari e persino menzioni di machine learning per il matching e il clustering ³⁸. Analizziamo:

“Accuratezza superiore” delle previsioni: GAINS sostiene, secondo quanto riferito, che le sue previsioni siano più accurate dei concorrenti. Tuttavia, un’analisi definisce questo “dubbio”, osservando che l’algoritmo proprietario di GAINS non compare tra i migliori nelle principali competizioni di forecasting ³⁹. Infatti, una delle affermazioni era che l’algoritmo “Procast” di GAINS superasse gli altri, ma esso è assente dai vertici di competizioni come la M5 forecasting competition ³⁹. Questo solleva seri dubbi – se GAINS avesse una tecnologia di previsione eccezionale, dovrebbe emergere nei benchmark oggettivi, ma non lo fa. Pertanto, respingiamo la presunta accuratezza di GAINS come non provata. In realtà, metodi open-source (come quelli dei pacchetti R del Dr. Rob Hyndman) probabilmente performano meglio ⁴⁰.
Demand Sensing & ML: GAINS commercializza il “demand sensing” e usa termini come clustering ML. La recensione indipendente è schietta: “Tecniche come il ‘demand sensing’ sono vapori, non supportate dalla letteratura scientifica. [E] gli elementi ML proposti, come il matching e il clustering, sono anch’essi tecniche pre-2000.” ³². Questo indica che GAINS potrebbe presentare pratiche statistiche piuttosto standard come se fossero una nuova forma di IA. Per esempio, raggruppare articoli simili per prevederli o classificarli è una pratica di decenni, non un machine learning all’avanguardia. Il fatto che lo evidenzino suggerisce che il “ML” di GAINS è rudimentale – sicuramente nulla paragonabile al deep learning o ad una programmazione probabilistica avanzata. Pertanto, penalizziamo GAINS per l’aderenza ai buzzword: spunta le caselle (AI, ML, ecc.) nel marketing, ma non offre dettagli o innovazioni a sostegno. Questo comportamento si allinea al modello più ampio che critichiamo nell’industria: l’uso di termini di moda senza sostanza.
Ottimizzazione come Servizio: GAINS ha parlato di spostarsi verso un modello di servizio cloud, implicando che puoi fornire loro dati e ottenere risultati di ottimizzazione. Sebbene questa sia una strategia di deployment moderna, ciò non implica intrinsecamente che l’ottimizzazione stessa sia avanzata. Sospettiamo che i metodi di risoluzione sottostanti di GAINS rimangano simili; cambia solo il modello di erogazione (cloud/SaaS). Non c’è nulla di sbagliato in ciò, ma non rappresenta un elemento differenziante in termini di capacità (molti fornitori ora offrono soluzioni cloud).

In una nota positiva, GAINS Systems è noto per la sua profonda competenza di settore in alcuni verticali:

Hanno una conoscenza approfondita della pianificazione dei pezzi di ricambio (ad es. modellazione di parti a lento movimento, contratti di livello di servizio, rese del ciclo di riparazione). È probabile che il loro software sia in grado di gestire scenari come la previsione dei ritorni di unità riparabili o il calcolo dei tassi di rottamazione, che gli strumenti generici di inventario potrebbero non coprire. Questo è in parte speculativo, ma data la loro longevità in questo campo, è plausibile.
GAINS ha la reputazione di offrire un forte supporto clienti e di lavorare a stretto contatto con i pianificatori – ma ciò spesso significa che la soluzione è arricchita dalla consulenza anziché essere una magia completamente automatizzata.

Automazione: GAINS promuove l’idea di automatizzare la gestione dell’inventario (il loro sito web dice addirittura “Automatizza il tuo sistema di gestione dell’inventario con GAINS” ⁴¹). Lo strumento può certamente automatizzare la generazione di previsioni e politiche di inventario. GAINS supporta la pianificazione continua: aggiornando le raccomandazioni man mano che arrivano nuovi dati. Tuttavia, non abbiamo dettagli su quanto sia effettivamente autonoma. Sospettiamo, come altri, che automatizzi i calcoli numerici ma si affidi ai pianificatori per approvare le decisioni finali. GAINS ha introdotto un’iniziativa (la metodologia “P3”, ecc.) che potrebbe infondere un’ottimizzazione più continua. Senza evidenze esplicite, rimaniamo neutrali: GAINS probabilmente offre un livello tipico di automazione per uno strumento aziendale – buono, ma non notevolmente migliore rispetto ai concorrenti. Vale la pena notare che GAINS è una società più piccola, e i fornitori più piccoli spesso adattano le soluzioni alle esigenze del cliente (il che può migliorare l’automazione pratica poiché personalizzano le regole del sistema per te). Ma da un punto di vista ingegneristico, GAINS non ha pubblicato alcuna logica di automazione unica da elogiare.

Gestione dei Vincoli: GAINS copre molti vincoli tradizionali e alcuni specializzati:

Multi-echelon: Sì, GAINS realizza l’ottimizzazione multi-echelon dell’inventario (la sua esperienza nei ricambi per aerospazio/difesa implica un posizionamento dello stock su più livelli).
Variazione dei tempi di consegna: presumibilmente considerata nei calcoli del livello di servizio.
Dimensioni dei lotti/MOQs: supportato, come qualsiasi strumento serio.
Domanda intermittente: una delle forze storiche di GAINS. Probabilmente utilizza il metodo di Croston o simili per articoli a lento movimento (comunemente riscontrati nei pezzi di ricambio), necessario per evitare scorte insufficienti di SKU intermittenti.
Resi/Riparazioni: probabilmente sì per MRO – GAINS gestirebbe i tempi di intervento per le riparazioni e le rese (ad es. la percentuale di articoli rottamati rispetto a quelli riparati) nei suoi calcoli per i pezzi di ricambio. Questo è qualcosa che non tutti i fornitori trattano, quindi GAINS potrebbe avere un vantaggio.
Scadenza: non è un focus tipico per GAINS (i suoi settori erano più industriali che deperibili), quindi probabilmente offre un supporto minimo per la shelf-life.
Cannibalizzazione: non gestita in modo evidente; come altri, GAINS probabilmente tratta gli articoli in modo indipendente nelle previsioni.
Vincoli di stoccaggio: poco chiari; GAINS non ha pubblicizzato soluzioni, per esempio, ai vincoli di spazio di magazzino tramite ottimizzazione.
Ottimizzazione dei costi: GAINS enfatizza il profitto e i costi in alcuni messaggi, ma il metodo concreto è sconosciuto. Possibilmente, come Lokad, ha qualche capacità di considerare i margini per articolo o i costi di mantenimento nell’obiettivo di ottimizzazione (cosa che sarebbe positiva). Oppure, potrebbe ancora farlo tramite i livelli di servizio come ToolsGroup.

Verdetto: GAINSystems è un veterano rispettato con una profonda comprensione delle sfide legate all’inventario, specialmente in nicchie (pezzi di ricambio, industriale). Tuttavia, in questa classifica alla ricerca della verità, GAINS non riesce a sfuggire a una posizione mediocre. Le ragioni sono chiare: i suoi modelli di previsione sono datati e i suoi recenti tentativi di marketing (demand sensing, ML clustering) appaiono come tentativi di sembrare alla moda senza vera innovazione ³². GAINS è essenzialmente una solida soluzione degli anni ‘90/2000 che cerca di rimanere rilevante. Gli diamo credito per la conoscenza del settore e i risultati pratici – i clienti riportano riduzioni dell’inventario e miglioramenti nel servizio – ma detraggono punti per la mancanza di trasparenza e affermazioni esagerate. In un’epoca in cui i fornitori leader condividono contenuti tecnici o pubblicano ricerche, GAINS risulta relativamente opaco; quel poco che abbiamo colto (ad es. il vantarsi di algoritmi proprietari) non è stato convincente. Per le aziende con esigenze molto specializzate (come la pianificazione dei pezzi di ricambio), GAINS potrebbe ancora essere la scelta ideale grazie alle sue funzionalità su misura. Ma per chi cerca l’ottimizzazione più avanzata, basata sulla scienza, GAINS probabilmente deluderà a meno che non subisca un importante aggiornamento tecnologico. Nella nostra classifica, GAINS è sopra i fornitori che sono pura pubblicità senza sostanza, ma al di sotto di quelli che combinano onestà con innovazione. Riceve un modesto plauso come soluzione capace, racchiusa in tecnologia obsoleta e alcuni buzzword ingiustificati.

6. SAP (IBP per Inventory / Ex SmartOps) – Collezione Complessa di Strumenti, Integrazione Più che Innovazione

Panoramica: SAP, il gigante del software aziendale, è ovviamente presente in questo mercato in virtù del suo vasto portafoglio di applicazioni per la supply chain. Nel corso degli anni, SAP ha acquisito diverse tecnologie specializzate di ottimizzazione dell’inventario – SmartOps (acquisita nel 2013), SAF AG (2009, previsione della domanda) e persino una società di analytics, KXEN (2013) per il modellamento predittivo ⁴². Queste acquisizioni erano intese ad integrare i sistemi di pianificazione interni di SAP come APO (Advanced Planner & Optimizer) e successivamente SAP IBP (Integrated Business Planning). Oggi, SAP offre capacità di ottimizzazione dell’inventario principalmente tramite SAP IBP for Inventory (un modulo IBP che probabilmente incorpora gli algoritmi multi-echelon di SmartOps) e possibilmente attraverso add-on in S/4HANA. Tuttavia, la storia di SAP è una di frammentazione e complessità. Come osserva una recensione, “sotto il marchio SAP si nasconde una collezione disordinata di prodotti” a causa di tutte queste acquisizioni ⁴³. Il risultato è che l’ottimizzazione dell’inventario di SAP sembra un’aggiunta – non un ottimizzatore integrato e all’avanguardia, ma piuttosto un insieme di funzionalità che richiedono un’integrazione significativa e servizi esperti per ottenere valore.

Domanda Probabilistica & Tempi di Consegna: Le soluzioni storiche di SAP (come APO) erano per lo più deterministiche (utilizzando previsioni puntuali, safety stock basato su modelli statistici semplici). SmartOps, lo strumento acquisito da SAP, era noto per il modellamento multi-echelon probabilistico – calcolava distribuzioni di inventario e livelli di stock raccomandati per raggiungere i target di servizio in condizioni di incertezza. Quindi, in teoria, SAP IBP for Inventory possiede un motore probabilistico interno (grazie a SmartOps). SmartOps teneva conto sia della variabilità della domanda che di una certa variabilità dell’offerta. Ma SAP stesso non enfatizza la “previsione probabilistica” nel marketing; non fa parte del messaggio rivolto al mercato. Di conseguenza, molti clienti SAP potrebbero non utilizzare appieno il modulo avanzato di ottimizzazione dell’inventario. La previsione dei tempi di consegna non è qualcosa che SAP pubblicizza. A meno che un cliente non utilizzi esplicitamente il componente SmartOps, che potrebbe consentire tempi di consegna variabili, la pianificazione predefinita di SAP presume tempi di consegna fissi (con magari un margine di sicurezza). Secondo i nostri criteri, SAP non riesce a dimostrare un impegno verso la previsione probabilistica. La capacità potrebbe esistere in profondità nel software, ma se non è chiaramente evidenziata, la consideriamo una lacuna. Inoltre, l’integrazione di tecnologie acquisite potrebbe portare a incoerenze – ad es., le previsioni della domanda potrebbero provenire da un motore (deterministico) mentre l’ottimizzazione dell’inventario da un altro (stocastico), e questi potrebbero non essere pienamente allineati. Infatti, una critica è stata “il software aziendale non si amalgama bene attraverso fusioni e acquisizioni (M&A)”, indicando che i componenti acquisiti da SAP non si integravano senza problemi ⁴⁴.

Funzionalità Avanzate & Reclami: SAP di solito non esagera con l’IA nella supply chain (almeno non in modo così esplicito come altri), ma ultimamente anche SAP utilizza del linguaggio ML/AI nel marketing di IBP. Tuttavia, SAP è generalmente visto come ricco di funzionalità, ma non avanzato dal punto di vista algoritmico. Il componente SmartOps ha fornito a SAP un ottimizzatore multi-echelon rispettabile. Tuttavia, è dubbio che SAP abbia mantenuto quella tecnologia aggiornata o superiore ai modelli più recenti ⁴⁵. In effetti, si percepisce che SmartOps (e simili) utilizzassero tecniche classiche di OR e che i metodi ML post-2000 “non superino i modelli pre-2000” in questo contesto ⁴⁵ – il che implica che SAP non fornisce previsioni migliori rispetto a soluzioni come ARIMA o Croston, nonostante possegga tecnologie ML come KXEN. Il marketing di SAP tende a concentrarsi sull’integrazione (piattaforma end-to-end, “una versione della verità” nell’ERP, ecc.) piuttosto che sostenere di superare i concorrenti nelle previsioni. Questa onestà è un’arma a doppio taglio: non mentono palesemente sulla magia dell’IA, ma non sono nemmeno all’avanguardia in termini di innovazione.

Il punto di forza di SAP potrebbe essere la gestione di vincoli complessi all’interno del contesto più ampio della supply chain, perché dispone di tutti i dati e dei dettagli transazionali:

Possono considerare vincoli di capacità e produzione in IBP se i moduli vengono collegati (la pianificazione dell’inventario può essere integrata con quella della fornitura).
Potrebbero utilizzare dati sulle prestazioni dei fornitori dall’ERP per regolare manualmente i tempi di sicurezza o lo safety stock in base alla variazione dei tempi di consegna (sebbene non venga effettuata una “previsione” automatica in merito).
Le soluzioni SAP possono gestire le scadenze nel sistema operativo (SAP EWM o ERP gestiscono la scadenza dei lotti, e APO prevedeva la pianificazione della shelf-life per garantire che l’offerta soddisfacesse la domanda entro la scadenza). Tuttavia, l’ottimizzazione dell’inventario con le scadenze (per esempio, decidere quanto eccedere lo stock per tener conto del deterioramento) non è una funzionalità prominente – SAP emette principalmente avvisi per i lotti in scadenza.

SAP menziona l’uso di AI/ML nella previsione della domanda (SAP Analytics Cloud ha funzionalità di previsione, IBP include alcune caratteristiche di previsione ML), ma non è stato notato nulla di rivoluzionario. Inoltre, il grande punto di forza di SAP è spesso il fatto di essere una piattaforma integrata piuttosto che l’eccellenza di un singolo algoritmo. Il lato negativo è che ogni componente può essere nella media, ma l’insieme risulta complesso.

È da notare che l’ottimizzazione dell’inventario di SAP richiede un ampio sforzo di implementazione – “i migliori integratori – oltre a qualche anno – saranno necessari per ottenere successo” ⁴⁶. Ciò suggerisce che, anche se SAP possiede funzionalità avanzate, utilizzarle efficacemente risulta difficile. Molti progetti SAP IBP faticano a automatizzare completamente l’ottimizzazione; spesso ricorrono a modalità di pianificazione più semplici a causa di sfide legate ai dati o all’integrazione.

Automazione: Il paradigma di SAP non riguarda l’automazione in scatola nera; si tratta di processi di pianificazione. In un ambiente SAP, l’ottimizzazione dell’inventario rappresenterebbe un passaggio in un ciclo più ampio di S&OP o di pianificazione delle forniture. SAP IBP può automatizzare alcuni calcoli (ad esempio, eseguire un ottimizzatore ogni notte), ma solitamente i pianificatori umani in SAP sono fortemente coinvolti – configurando il sistema, alimentandolo con scenari e revisionando i risultati. SAP non sostiene davvero la “pianificazione autonoma”; invece fornisce strumenti di previsione e ottimizzazione che utenti esperti e consulenti devono orchestrare. Pertanto, rispetto ad altri, SAP appare meno automatizzato – o almeno, qualsiasi automazione è costruita su misura dagli implementatori. Penalizziamo SAP per questo, poiché il loro approccio non consente facilmente un’esperienza hands-off. Molte aziende con SAP finiscono per ricorrere a una pianificazione semi-manuale nonostante possiedano moduli di ottimizzazione, semplicemente perché rendere affidabile la scatola nera di SAP è un progetto a sé. La “scatola nera” è presente, ma non è facilmente adattata a ogni business senza un’ampia consulenza.

Gestione dei Vincoli: Un’area in cui SAP eccelle è l’ampiezza dei vincoli, grazie alla sua suite completa:

Multi-livello: Sì (tramite SmartOps in IBP Inventory).
Taglie di lotto/MOQ: Sì, gli strumenti di pianificazione SAP possono tenerne conto nei loro ottimizzatori.
Vincoli di capacità: Se si utilizza l’ottimizzatore di forniture di SAP (parte di IBP o APO CTM), è possibile incorporare i vincoli di capacità produttiva/di stoccaggio – ma questo rientra maggiormente nella pianificazione delle forniture piuttosto che nell’ottimizzazione dell’inventario in sé.
Scadenza: La gestione a livello di esecuzione è eccellente (SAP può tracciare la scadenza dei lotti, l’allocazione FEFO). A livello di pianificazione, APO disponeva di alcune funzionalità per garantire che le scorte non superassero la data di scadenza (ad esempio, evitando di inviare scorte prossime alla scadenza verso sedi distanti). Non è chiaro se IBP abbia mantenuto queste funzionalità.
Cannibalizzazione/Sostituzione: SAP IBP dispone di un modulo per l’introduzione di nuovi prodotti che può utilizzare la modellazione per profili simili (quindi non molto avanzato, ma con una certa capacità di collegare le previsioni del prodotto successore/predecessore). Tuttavia, è probabilmente arretrato rispetto a strumenti retail specializzati in questo ambito.
Resi: SAP può certamente incorporare la previsione dei resi nella pianificazione della domanda se opportunamente modellata (in particolare per il retail, potrebbe prevedere la domanda netta al netto dei resi). Ancora, è qualcosa che richiede configurazione.
Complessità dei costi di stoccaggio: L’ottimizzatore di SAP potrebbe considerare i costi di mantenimento e quindi indirettamente limitare l’inventario in caso di picchi nei costi di holding (che rappresentano limiti di stoccaggio). Tuttavia, bisognerebbe configurarlo con attenzione; non è immediatamente operativo.

In sostanza, la soluzione di inventario di SAP può essere resa in grado di gestire molto, ma richiede impegno. È come un kit di strumenti che, se configurato da esperti, può emulare molti comportamenti avanzati – ma SAP di per sé non fornisce una soluzione avanzata con un semplice pulsante.

Verdetto: SAP è posizionato in basso nel nostro studio perché incarna il problema del “tuttofare, maestro di nulla”. Ha frammenti di capacità (alcune ottimizzazioni probabilistiche ereditate da acquisizioni), ma nessuna offerta chiara, coerente e all’avanguardia specificamente nell’ottimizzazione dell’inventario. La complessità e la “collezione casuale” di strumenti sotto l’egida di SAP rendono difficile ottenere valore senza un investimento significativo di tempo e costi ⁴³. Penalizziamo fortemente SAP per questa complessità e per il fatto che l’integrazione ha oscurato l’innovazione – le tecnologie acquisite sono in gran parte stagnate una volta sotto SAP (con anche i loro meriti spesso persi o sottoutilizzati). Le affermazioni di SAP sono solitamente moderate (non mentono apertamente sull’IA; se mai il loro marketing ora potrebbe aggiungere parole d’ordine sull’IA perché tutti lo fanno, ma non è esagerato). Il problema principale è che l’ottimizzazione dell’inventario di SAP non è superficialità di marketing – è semplicemente sepolta e ingombrante.

Per le aziende già ben integrate negli ecosistemi SAP, l’utilizzo degli strumenti integrati di SAP potrebbe risultare attraente (l’integrazione dei dati è più semplice, un solo responsabile a cui puntare, ecc.). Ma da un punto di vista puramente prestazionale, pochi sostengono che SAP IBP superi i fornitori specializzati. In una luce orientata alla verità, vediamo SAP come affidabile ma non all’avanguardia, completo ma eccessivamente complesso. È classificato nella metà inferiore perché la facilità di ottenere una supply chain ottimizzata con SAP è bassa – non a causa della mancanza di funzionalità, ma per via della difficoltà di integrare tutte queste funzionalità e del ritorno dubbio rispetto allo sforzo. In breve: SAP può coprire le caselle delle funzionalità, ma mettiamo in dubbio se possa fornire un inventario ottimale nella pratica senza un investimento massiccio. Questo lo tiene ben al di sotto dei migliori specialisti nella nostra classifica.

7. o9 Solutions – Grandi Ambizioni, Grande Hype, Profondità Non Dimostrata

Panoramica: o9 Solutions è un entrante più recente (fondata nel 2009) che ha rapidamente guadagnato attenzione come piattaforma di pianificazione di “prossima generazione”. Spesso descritta come il “cervello digitale” o il “Enterprise Knowledge Graph (EKG)” per la supply chain, o9 proclama una piattaforma moderna cloud-native con un’interfaccia utente elegante, un modello di dati basato su grafi e una serie di promesse in ambito AI/analytics. Si posizionano come la soluzione in stile “big tech” per la supply chain – molta potenza di calcolo, memoria e un modello di dati unificato a supporto di tutto, dalla previsione della domanda alla pianificazione delle forniture fino alla gestione dei ricavi. In termini di ottimizzazione dell’inventario, o9 sostiene di farlo come parte della sua pianificazione end-to-end. Tuttavia, la reputazione di o9 nei circoli tecnici è quella di un forte hype con minore chiarezza sui metodi reali. Affascinano i potenziali clienti con un’alta “massa tecnologica” (molte funzionalità, demo accattivanti), ma ad un’analisi più attenta, i loro veri fattori differenzianti risultano oscuri. Come affermato in una analisi, “La massa tecnologica di o9 è fuori scala… Il design in-memory garantisce elevati costi hardware. Molte affermazioni sulla previsione legate al database a grafo (marchiato EKG) sono dubbie e non supportate dalla letteratura scientifica. Tonnellate di hype sull’IA, ma elementi trovati su Github suggeriscono tecniche banali.” ⁴⁷. Questo riassume i nostri risultati: o9 è decisamente nel campo “dell’IA bla-bla” finché non si dimostra il contrario.

Domanda Probabilistica e Tempi di Consegna: Non ci sono prove che o9 produca nativamente previsioni probabilistiche per la domanda o i tempi di consegna. Il loro riferimento a un Enterprise Knowledge Graph implica il collegamento di vari dati (che potrebbe aiutare a identificare le cause della variabilità dei tempi di consegna, ecc.), ma i case study e i materiali pubblicati da o9 non menzionano esplicitamente distribuzioni statistiche o ottimizzazione stocastica. Si concentrano maggiormente sulla pianificazione degli scenari e sulla ripianificazione in tempo reale. Presumiamo che o9 utilizzi tecniche di previsione tipiche (ML per serie temporali o anche librerie pronte all’uso) per generare previsioni in forma di numero singolo, possibilmente con alcuni intervalli. In assenza di una loro dichiarazione, assumiamo che i tempi di consegna siano forniti come input (magari con alcune regole di buffer) ma non previsti come variabili casuali. Pertanto, secondo i nostri criteri, o9 non supera il test probabilistico. Infatti, data la loro enfasi sull’integrazione dei big data, potrebbero essere più deterministici rispetto alla maggior parte – mirano a incorporare molti segnali (implicando che si possa prevedere tutto se si hanno abbastanza dati), il che è concettualmente opposto all’abbracciare l’incertezza. Fino a quando o9 non pubblichi qualcosa sui modelli probabilistici, trattiamo il loro approccio come deterministico con una sofisticata integrazione dei dati. Questo li rende non seri nella modellazione dell’incertezza, affidandosi invece a una pianificazione reattiva.

Affermazioni su Funzionalità Avanzate: Il marketing di o9 è pieno di affermazioni che suonano avanzate:

Knowledge Graph (EKG): Sostengono che il loro database a grafo può modellare le relazioni lungo la supply chain, migliorando presumibilmente le previsioni (ad esempio, catturando come una promo di vendita potrebbe influenzare la domanda degli articoli correlati, ecc.). Sebbene un modello di dati a grafo sia flessibile, non ci sono prove scientifiche che ciò produca previsioni più accurate o decisioni migliori sull’inventario. Aiuta principalmente a integrare le fonti di dati. L’affermazione che si tratti di un’innovazione in “previsione AI” è dubbia ⁴⁸. Senza vedere un algoritmo specifico che sfrutti il grafo, per esempio, per previsioni probabilistiche, consideriamo questo semplicemente come un’architettura moderna, non come un metodo analitico superiore.
AI/ML: o9 utilizza tutte le parole d’ordine – knowledge graphs, big data, AI/ML, e presumibilmente anche termini come reinforcement learning, sebbene senza dettagli specifici. Un’analisi esterna è severa: “Molte affermazioni sulla previsione… sono dubbie… Tonnellate di hype sull’IA, ma elementi trovati su Github suggeriscono tecniche banali.” ⁴⁸. Infatti, alcuni degli strumenti condivisi pubblicamente da o9 (come tsfresh per l’estrazione di caratteristiche dalle serie temporali, o vikos, ecc.) vengono menzionati – si tratta di librerie Python standard o approcci di previsione basilari (ARIMA, ecc.) ⁴⁹. Ciò implica che il team di sviluppo di o9 potrebbe utilizzare modelli di previsione abbastanza normali dietro le quinte, nonostante le affermazioni esterne. Confutiamo o9 qui: etichettare qualcosa come una piattaforma guidata dall’IA non la rende tale, e i primi sguardi suggeriscono che la loro “IA” è spesso semplicemente una regressione lineare o ARIMA under the hood ⁴⁹. Se fosse vero, è solo fumo negli occhi.
Pianificazione degli scenari in tempo reale: o9 è bravo a permettere scenari al volo (grazie al calcolo in-memory). Ma la pianificazione degli scenari non è ottimizzazione. Si può rapidamente simulare cosa succede se i tempi di consegna aumentano o se la domanda esplode, il che è utile ai pianificatori per visualizzare i problemi, ma non fornisce automaticamente la soluzione migliore – l’utente deve comunque interpretare e adeguare. Quindi, mentre o9 potrebbe affermare che aiuta a gestire le interruzioni, potrebbe fare affidamento sul decision making umano più che, per esempio, su un’ottimizzazione stocastica.

Un’altra osservazione: “Le banalità non qualificano come ‘IA’ perché sono interattive.” ⁵⁰ – probabilmente si riferisce al fatto che o9 chiama dashboard interattivi o risposte semplici basate su regole “IA”. Penalizziamo fortemente questo aspetto. Se o9 commercializza qualcosa come “il nostro sistema segnala automaticamente le eccezioni e suggerisce ordini – guidato dall’IA!” ma in realtà si tratta di una semplice regola if-then o di una torre di controllo statistica, ciò equivale a etichettare erroneamente funzionalità basilari come IA.

Automazione: o9 si posiziona come abilitante del “Digital Operating Model” – il che suggerisce un alto grado di automazione. Indubbiamente può automatizzare alcuni compiti di pianificazione (come la generazione automatica delle previsioni, la rilevazione automatica delle eccezioni). Tuttavia, data la mancanza di dettagli, temiamo che gran parte del valore di o9 derivi comunque da decisioni con l’intervento umano attraverso la sua bella interfaccia utente. Si parla di “pianificazione autonoma” nell’industria intorno a strumenti come o9, ma non ci sono prove concrete che qualche azienda esegua o9 in modalità lights-out. Il forte coinvolgimento degli analisti dei grandi clienti con o9 indica che si tratta di un sistema di supporto decisionale, non di un ottimizzatore completamente automatizzato. Penalizziamo il divario tra aspirazione e realtà. A meno che o9 non possa dimostrare come la sua “IA a grafo” ottimizzi autonomamente l’inventario (cosa che non hanno reso pubblica), trattiamo le sue affermazioni sull’automazione come esagerate.

Gestione dei Vincoli: Essendo una piattaforma flessibile, in teoria o9 può gestire molti vincoli:

Ha il modello di dati per incorporare date di scadenza, attributi dei lotti, ecc. Quindi potrebbe monitorare l’inventario per lotto e potenzialmente includere una logica per evitare la scadenza. Ma se possiede un algoritmo preconfezionato per l’inventario deperibile è sconosciuto – probabilmente no; l’utente dovrebbe scrivere una regola o assicurare manualmente la rotazione.
Multi-livello: o9 esegue la pianificazione su più livelli; può modellare una rete ed eseguire ottimizzazioni di inventario multi-livello (probabilmente dispone di qualcosa di simile a SmartOps, o almeno calcoli per lo stock di sicurezza per ogni livello).
Vincoli di capacità: Poiché o9 copre l’S&OP, può incorporare vincoli di produzione e stoccaggio nelle sue esecuzioni di pianificazione.
Cannibalizzazione & sostituzione: Qui il loro Knowledge Graph potrebbe, in linea di principio, modellare le relazioni (ad es. collegare prodotti come sostituti). Ma effettivamente ottimizzano utilizzando tali informazioni? Non lo hanno dimostrato. Eventualmente potrebbero effettuare un’analisi what-if: “se il prodotto A è esaurito, osserva l’aumento delle vendite del prodotto B” in una simulazione. Tuttavia, ciò richiede la modellazione della scelta del consumatore – non banale, e non ci sono prove che o9 abbia costruito tale modello. Quindi probabilmente non gestito, salvo ipotesi manuali dei pianificatori.
Quasi-stagionalità: Se l’ML di o9 è decente, potrebbe rilevare pattern stagionali insoliti se alimentato con dati sufficienti. Ma ancora, nessuna funzionalità specifica oltre alla previsione generale con ML.
Ottimizzazione finanziaria: o9 parla di revenue management e IBP, quindi potrebbe essere in grado di ottimizzare per il profitto, non solo per il livello di servizio, se configurato. Detto ciò, la fiducia nel loro ottimizzatore è incerta.

Un aspetto preoccupante: l’approccio in-memory di o9 (simile a RELEX) potrebbe rendere estremamente intensivo l’uso di risorse la risoluzione di ottimizzazioni gravate da molti vincoli. Propongono scalabilità, ma se si modella veramente ogni SKU-località e vincolo, il calcolo potrebbe esplodere, richiedendo hardware enorme. Quindi, in pratica, potrebbero semplificare il problema o affidarsi a euristiche.

Verdetto: o9 Solutions è classificata nel livello inferiore a causa della sua forte dipendenza da affermazioni non dimostrate e parole d’ordine, nonostante il suo aspetto lucido. Riconosciamo che o9 ha un’interfaccia moderna e un approccio unificato ai dati, che i clienti trovano attraente. Probabilmente migliora la collaborazione e la visibilità. Ma quando si tratta della scienza fondamentale dell’ottimizzazione dell’inventario, non troviamo nessuna innovazione concreta da parte di o9 che giustifichi l’hype. Il suo marketing è pieno di segnali d’allarme – tutti i termini alla moda appaiono con scarso supporto tecnico ⁴⁸. Questo ci porta a mettere in dubbio la sostanza dietro la sua considerevole valutazione. Penalizziamo fortemente o9 per questo divario. Senza una chiara dimostrazione, per esempio, di come la sua IA preveda meglio la domanda o di come il suo grafo produca decisioni ottimali sull’inventario, dobbiamo considerare le sue promesse come “dubbie” nella fattispecie ⁴⁸.

In termini semplici, o9 potrebbe essere una buona piattaforma di pianificazione (in grado di integrare varie funzioni), ma come motore di ottimizzazione dell’inventario specificamente, sembra non offrire nulla che gli strumenti più vecchi non offrano – eccetto un’interfaccia utente più elegante. Sicuramente non ha dimostrato di gestire l’incertezza o i vincoli complessi in modo migliore; se mai, potrebbe ignorare l’incertezza a favore di un determinismo basato sui big data, che consideriamo un approccio difettoso. Pertanto, nel nostro ranking basato sulla verità, o9 si colloca vicino al fondo tra i fornitori seri. È fondamentalmente un caso di “grandi parole, standard risultati.” Le aziende che considerano o9 dovrebbero stare attente al discorso di marketing e insistere per vedere gli algoritmi effettivi e i risultati. Fino a quando le affermazioni sull’IA di o9 non saranno provate con evidenze tecniche esplicite, le categorizziamo come false/non fondate in questo ambito.

8. Blue Yonder (ex JDA) – Un mosaico di sistemi legacy commercializzati come “IA”

Panoramica: Blue Yonder (BJDA) è uno dei fornitori di software per la supply chain più antichi e grandi. In precedenza noto come JDA (che aveva acquisito Manugistics e i2 Technologies negli anni 2000), ha fatto rebranding in Blue Yonder ed è stato acquisito da Panasonic. Le capacità di ottimizzazione dell’inventario di Blue Yonder derivano da una discendenza di prodotti – per esempio, l’ottimizzatore della supply chain di i2 e i moduli di inventario di JDA. Col tempo, hanno cercato di modernizzarsi tramite la loro piattaforma Luminate, infondendo concetti di AI/ML. Tuttavia, Blue Yonder soffre di quello che chiamiamo “M&A spaghetti”: è “l’esito di una lunga serie di operazioni di M&A”, con il risultato di *“una raccolta disordinata di prodotti, per lo più datati.” ⁵¹. In sostanza, l’offerta di Blue Yonder è un amalgama di software legacy incollati insieme. Proiettano un’immagine di essere ora guidati dall’AI (con termini come pianificazione cognitiva, Luminate AI), ma il nostro approfondimento mostra che queste affermazioni sono per lo più vague e prive di sostanza ²⁸.

Domanda probabilistica e tempi di consegna: Blue Yonder storicamente forniva strumenti per la previsione della domanda e la pianificazione dell’inventario, ma principalmente utilizzando metodi deterministici o euristici. Per esempio, la pianificazione della domanda legacy di JDA produceva previsioni puntuali, e l’ottimizzazione dell’inventario calcolava gli stock di sicurezza per un servizio target. Nei materiali recenti, Blue Yonder menziona “previsione probabilistica” e “stock di sicurezza dinamico” come concetti nel loro approccio ⁵². Hanno riconosciuto il valore dei metodi probabilistici nei blog, suggerendo di conoscere il gergo. Ma l’hanno implementato? Ci sono poche evidenze che le soluzioni core di Blue Yonder producano distribuzioni di probabilità complete o ottimizzino decisioni in maniera stocastica. Dato che citano strumenti come tsfresh e ARIMA in open source ⁴⁹, sembra che stiano facendo per lo più previsioni classiche di serie temporali, e non programmazione probabilistica d’avanguardia. Non abbiamo visto alcuna indicazione di capacità di previsione dei tempi di consegna – probabilmente Blue Yonder assume tempi di consegna fissi, eventualmente con un buffer. Quindi, Blue Yonder non soddisfa i nostri criteri probabilistici: nessuna modellazione esplicita dell’incertezza duale domanda/tempo di consegna menzionata. Probabilmente si attengono a modelli tradizionali di livello di servizio, il che significa che anche loro sono poco “seri” nell’affrontare un’incertezza globale nonostante utilizzino il termine probabilistico in alcuni articoli di thought leadership.

Affidamenti su funzionalità avanzate: Blue Yonder è stato espansivo nelle affermazioni relative all’AI/ML. Il loro marketing usa frasi come “pianificazione autonoma,” “supply chain cognitiva,” ecc. Tuttavia, un’analisi osserva: “BY dà risalto all’AI, tuttavia le affermazioni sono vaghe e prive di sostanza.” ²⁸. Lo confermiamo:

Blue Yonder ha acquisito alcune startup di AI e vanta partnership con università, ma concretamente, l’unica cosa che vediamo sono alcuni progetti open-source. Questi progetti (tsfresh, PyDSE, VikOS) indicano metodi di previsione molto standard (estrazione di feature, ARMA/ARIMA, regressione) ⁴⁹. Niente suggerisce un algoritmo AI nuovo e unico di Blue Yonder. Ciò significa che il “cutting-edge AI” di Blue Yonder è probabilmente solo analisi tradizionali riprogettate. Consideriamo categoricamente qualsiasi affermazione generica sull’AI da parte loro come non provata.
Per esempio, Blue Yonder potrebbe dire “utilizziamo il ML per potenziare i nostri modelli probabilistici” ⁵³ – ma senza dettagli, ciò potrebbe significare qualsiasi cosa, da un semplice modello di machine learning per adeguare le previsioni, a una rete neurale che in realtà non supera i modelli più semplici. Senza evidenze, lo consideriamo come una decorazione.
Blue Yonder sostiene di avere soluzioni end-to-end che includono ottimizzazione dei prezzi, assortimento, ecc.. È vero che hanno molti moduli. Tuttavia, il fatto di avere molti moduli non significa che ciascuno sia il migliore della categoria. La pianificazione dell’inventario di Blue Yonder potrebbe ancora utilizzare l’antico metodo di ottimizzazione del livello di servizio di i2, ben poco di cui vantarsi nel 2025.

Un’affermazione particolarmente problematica del passato: la letteratura di Blue Yonder sul “cognitive inventory” ha sostanzialmente rielaborato l’idea dell’inventario probabilistico con termini sofisticati ⁵⁴ ⁵², ancora una volta senza supporto tecnico. Segnaliamo questo come marketing a bandiera rossa. Sembra perspicace, ma non fornisce sostanza algoritmica.

Automazione: Le soluzioni di Blue Yonder in passato richiedevano un notevole controllo umano – per esempio, i pianificatori usavano il software JDA per ottenere raccomandazioni e poi intervenivano. Con Luminate, Blue Yonder parla di “pianificazione autonoma”, ma a nostra conoscenza questa rimane in gran parte una visione. Possono aver introdotto un “assistente AI” o una risoluzione automatizzata delle eccezioni, ma nulla di dettagliato pubblicamente. Considerando la clientela di Blue Yonder (molti grandi rivenditori, produttori), è probabile che il software venga ancora utilizzato in maniera tradizionale: le previsioni e gli ordini vengono generati e poi i pianificatori li revisionano o li eseguono tramite workflow. Non abbiamo visto prove chiare che Blue Yonder offra un’ottimizzazione completamente automatizzata. Inoltre, poiché la loro architettura è un miscuglio di componenti, ottenere un’automazione senza soluzione di continuità è una sfida. Penalizziamo Blue Yonder per la mancanza di chiarezza in questo ambito. A meno che non possano mostrare un esempio di un cliente in cui il sistema funzioni autonomamente per mesi, consideriamo minime le loro affermazioni sull’automazione.

Gestione delle restrizioni: Blue Yonder, grazie a decenni di esperienza, copre molte restrizioni in una certa misura:

Multi-livello: Sì, JDA disponeva dell’ottimizzazione dell’inventario multi-livello (probabilmente con un approccio simile a ToolsGroup/SmartOps).
Dimensioni del lotto/MOQ: Supportato nei loro parametri di pianificazione.
Promozioni: JDA/Blue Yonder disponeva di moduli per la previsione delle promozioni, sebbene a volte separati.
Cannibalizzazione: Dispongono di uno strumento di modellizzazione della domanda che può incorporare la cannibalizzazione per il retail (JDA aveva qualcosa per la previsione nella gestione delle categorie). Ma si tratta di un modulo specializzato, non necessariamente integrato nell’ottimizzazione dell’inventario.
Scadenza: I settori principali di Blue Yonder erano il retail (incluso il grocery) e la manifattura. Avevano alcune soluzioni per la gestione degli articoli freschi nel software di gestione delle categorie. Ma la loro pianificazione core non enfatizzava i deperibili come fa RELEX. Quindi, probabilmente, una consapevolezza limitata della durata sullo scaffale.
Resi: Non è un punto di forza. Probabilmente gestito nella pianificazione retail compensando le previsioni, ma nessuna funzionalità speciale.
Vincoli di stoccaggio: Se si utilizza il loro sistema di gestione del magazzino o la pianificazione della produzione, sì, ma l’ottimizzazione dell’inventario stessa probabilmente presuppone uno stoccaggio non vincolato (come altri, minimizzare i costi implicitamente mantiene lo stock gestibile).
Quasi-stagionalità: Le previsioni di Blue Yonder possono gestire i pattern stagionali, ma pattern insoliti richiedono o un intervento umano o modelli avanzati che dubitiamo abbiano oltre il tipico.
Ottimizzazione finanziaria: Blue Yonder dispone di moduli per l’ottimizzazione del profitto (ottimizzazione dei prezzi, ecc.), ma l’ottimizzazione dell’inventario tipicamente ruota attorno al rispetto dei livelli di servizio al minimo costo, e non alla massimizzazione diretta del profitto.

In sintesi, la copertura delle capacità di Blue Yonder è ampia ma superficiale in alcuni punti. Cerca di essere tutto, il che porta a compromessi. Importante, poiché Blue Yonder concatena così tanti componenti di prodotto, i clienti spesso lo trovano complesso da implementare e mantenere.

Verdetto: Blue Yonder si classifica tra gli ultimi del nostro studio principalmente a causa della sua dipendenza da tecnologie datate mascherata da parole d’ordine e dalle inefficienze intrinseche di una piattaforma a patchwork. È significativo notare che i contributi open-source di Blue Yonder mostrano una dipendenza da metodi vecchi di decenni (ARIMA, regressione) ⁴⁹ anche mentre l’azienda si promuove come leader nell’AI. Questa dissonanza erode la fiducia. Penalizziamo severamente Blue Yonder per questa mancanza di trasparenza e per l’uso eccessivo di affermazioni vaghe sull’AI ²⁸. Il marchio potrebbe avere peso (è un “Leader” in alcuni rapporti di analisti grazie all’ampiezza e alla quota di mercato), ma quando ci si concentra rigorosamente sulla verità e il merito tecnico, Blue Yonder non impressiona.

Detto ciò, Blue Yonder non è del tutto privo di valore. Ha una vastissima impronta funzionale e una conoscenza di dominio integrata – quindi può gestire molti scenari pratici se configurato correttamente. Ma questi sono requisiti di base; ciò che cerchiamo è una vera capacità di ottimizzazione. Su questo fronte, Blue Yonder resta molto indietro rispetto a fornitori come Lokad o anche l’affidabilità sincera di Slimstock. A meno che un cliente non sia già integrato nell’ecosistema di Blue Yonder o non necessiti di un servizio completo piuttosto che di analisi best-in-class, consigliamo di evitare l’ottimizzazione dell’inventario di Blue Yonder se la qualità dell’ottimizzazione, fattuale e misurabile è la priorità. Nel nostro ranking, Blue Yonder è stato risparmiato dall’ultima posizione solo dal fatto che possiede effettivamente un prodotto funzionante (seppur datato) e una vasta base di utenti – il che significa che almeno risolve le cose basilari – mentre le affermazioni di alcuni attori minori potrebbero risultare ancora più vuote.

9. Infor (Rhythm / Predictix) – Concorrente sbiadito con AI dubbia

Panoramica: Infor ha cercato di competere in questo settore attraverso acquisizioni come Predictix (acquisita nel 2016), che era specializzata nella previsione retail. Il punto di forza di Infor è stato l’ERP, ma hanno tentato di costruire una suite di pianificazione retail cloud (Infor Rhythm, Demand Management, ecc.) utilizzando la tecnologia di Predictix. Tuttavia, le cose non sono andate lisce. Predictix aveva una storia complessa (problemi legali con partner come LogicBlox) ⁵⁵, e dopo essersi unita a Infor, lo slancio sembra essersi fermato. L’attenzione di Infor si è spostata sul proprio ERP core e su iniziative più ampie, e “l’angolo della previsione è rimasto un cittadino di seconda classe, de-prioritizzato negli ultimi anni” ⁵⁶. In breve, la presenza di Infor nell’ottimizzazione dell’inventario/pianificazione della domanda è diminuita. Hanno ancora prodotti in questo ambito, ma non sono leader di mercato, e il flusso di innovazione sembra scarso.

Caratteristiche probabilistiche e avanzate: Predictix era noto per affermare alcune metodologie moderne di ML (è stato uno dei primi a parlare di big data nella previsione retail). Ma gli esperti osservano, “Predictix ha tentato di introdurre alcune tecniche di ML post-2000… tuttavia è dubbio che tali metodi superino i modelli pre-2000.” ⁴⁵. Ciò implica che anche la tecnologia di punta acquistata da Infor non fosse dimostrabilmente migliore dei metodi classici. Infor probabilmente ha ereditato alcune capacità di demand sensing o di previsione mediante machine learning da Predictix, ma con quel team disperso, non è chiaro quanto venga effettivamente utilizzato. Infor ora parla raramente di AI nella supply chain, e quando lo fa, rimane a un livello elevato. Abbiamo notato che “le affermazioni sull‘AI’ sono anche dubbie.” ⁴⁵ riguardo alle loro previsioni. Questo rispecchia ciò che vediamo altrove: Infor non ha fornito prove che i suoi strumenti (Rhythm, pianificazione della domanda, ecc.) siano particolarmente accurati o avanzati. Li ha semplicemente integrati come funzionalità all’interno del proprio stack. Inoltre, non si evidenzia alcuna indicazione di previsioni probabilistiche o di modellazione dei tempi di consegna – probabilmente non esistono. Quindi, secondo i nostri criteri, la soluzione di Infor è indietro rispetto ai tempi e non affronta seriamente l’incertezza con nuove tecniche.

Automazione e Vincoli: Le offerte di pianificazione dell’inventario/della domanda di Infor non sono ampiamente discusse, suggerendo una adozione limitata. È probabile che gestiscano i vincoli di base (multi-livello, ecc.), ma nulla di particolarmente sofisticato che altri non facciano. E, data la de-prioritizzazione, si può presumere che non sia stato fatto molto per automatizzarli completamente. Probabilmente si tratta di un sistema di pianificazione convenzionale, in cui gli utenti generano previsioni e livelli di scorta raccomandati, con integrazione agli ERP di Infor per l’esecuzione. Niente spicca, eccetto forse qualche funzionalità specifica per il retail derivante da Predictix (come la previsione del profilo dimensione/colore per la moda, o qualcosa di simile – ma ancora, non chiaramente migliore rispetto ai concorrenti).

Verdetto: Classifichiamo Infor tra gli ultimi perché non possiede né un prodotto attuale forte né affermazioni credibili di unicità. La loro incursione tramite Predictix sembra aver perso slancio, e qualsiasi retorica AI/ML derivante da quell’acquisizione è ormai datata o non provata ⁴⁵. Essenzialmente, l’ottimizzazione dell’inventario di Infor non è un fattore rilevante sul mercato attuale. Le aziende raramente includono Infor nella lista per la pianificazione avanzata, a meno che non siano già grandi utilizzatori degli ERP Infor. Senza nulla di notevole da mostrare in termini di ottimizzazione probabilistica o automatizzata, Infor riceve una valutazione severa: per lo più irrilevante nelle discussioni all’avanguardia, e le affermazioni fatte in passato sull’AI erano infondate.

10. John Galt Solutions – Previsione per il mid-market con affermazioni grandiose

Panoramica: John Galt Solutions (prendendo il nome dal famoso personaggio di Atlas Shrugged) fornisce strumenti per la previsione e la pianificazione sin dagli anni ‘90. Il loro fiore all’occhiello è Atlas Planning (nome appropriato), destinato alle aziende del mid-market per la pianificazione della domanda, l’inventario e l’S&OP. Offrono anche uno strumento più semplice chiamato ForecastX (un add-in di Excel per previsioni di base). La nicchia di John Galt è stata la facilità d’uso e una rapida implementazione. Tuttavia, hanno avanzato alcune affermazioni audaci riguardo ai loro algoritmi proprietari (come qualcosa chiamato “Procast”), che sollevano sospetti. L’azienda non ha il peso dei grandi player, e il loro approccio tecnologico sembra piuttosto tradizionale, nonostante i suggerimenti di marketing su un IP unico.

Caratteristiche probabilistiche e avanzate: Le soluzioni di John Galt non mettono in evidenza la previsione probabilistica. Si concentrano sulla generazione di previsioni e obiettivi di inventario utilizzando metodi comuni (regressione, serie temporali, forse alcune euristiche). Atlas Planning trasmette una “forte sensazione da software di consulenza” ⁵⁷ – nel senso che spesso richiede molta consulenza per essere adattato a ciascun cliente, piuttosto che un motore avanzato preconfigurato. La tecnologia per le previsioni sembra datata ⁵⁸, il che implica che non hanno introdotto modelli predittivi innovativi al di là di quanto già ampiamente conosciuto. Parlano di “Procast” – il loro algoritmo di previsione proprietario – sostenendo che sia più accurato rispetto ai concorrenti. Tuttavia, questa affermazione è altamente dubbia: se Procast fosse veramente superiore, si evidenzierebbe nelle competizioni di previsione (come le M Competitions), ma è assente dai vertici ³⁹. Ciò suggerisce che Procast sia probabilmente una riformulazione dei metodi standard o qualche modifica minore, e non una svolta. In effetti, gli esperti ritengono che gli strumenti open-source (come le librerie R di Hyndman) probabilmente superino la tecnologia di John Galt ⁵⁹. John Galt non pubblicizza pesantemente AI o ML, il che è in realtà a loro favore (non abbelliscono con parole d’ordine che non possiedono). Tuttavia, avanzano affermazioni vaghe di “maggiore accuratezza” senza evidenze, cosa che non possiamo accettare. Inoltre, non menzionano nulla riguardo alla gestione di complessità come la cannibalizzazione o all’ottimizzazione in condizioni di incertezza; il loro messaggio è più incentrato sull’esperienza utente (interfacce gradevoli, dashboard, ecc.) e sulla pianificazione collaborativa. Ciò indica una mancanza di ottimizzazione avanzata.

Automation: Atlas Planning è rivolto a pianificatori e dirigenti per simulare e collaborare. Non è noto per l’automatizzazione; piuttosto, è un toolkit in cui gli utenti possono fare previsioni e poi eseguire scenari. È probabilmente lontano da una completa ottimizzazione automatizzata dell’inventario – ci si aspetta che l’utente prenda decisioni basate sui risultati del software. Quindi non vediamo John Galt spingere per un’automatizzazione senza supervisione. Questo ne limita il posizionamento perché, in termini moderni, è più uno strumento semi-manuale.

Constraints: I clienti tipici di John Galt hanno esigenze spesso più semplici, quindi Atlas Planning può gestire vincoli di base (distribuzione multilivello, tempi di consegna, scorte di sicurezza, ecc.). Ma non è particolarmente noto per cose come l’ottimizzazione multi-livello (sebbene probabilmente disponga di una certa capacità), e sicuramente non per cose come prodotti deperibili o vincoli complessi di fornitura. È una soluzione di fascia media – ampia per funzionalità, ma senza profondità in nessun settore.

Verdict: John Galt Solutions si posiziona per ultimo nella nostra classifica dei fornitori chiave. Pur offrendo un software onesto e utilizzabile per le previsioni e la pianificazione, non riesce a dimostrare alcun vantaggio tecnico o una gestione seria dell’incertezza. La grandiosa affermazione riguardo la loro arma segreta (Procast) appare senza fondamento e persino confutata per omissione ³⁹. In assenza di evidenze, etichettiamo tali affermazioni proprietarie come marketing fasullo. L’azienda non si immerge nell’hype dell’IA quanto altri (forse per mirare a un segmento diverso), ma non eccelle neppure. Sembra accontentarsi di offrire “consultingware” – soluzioni che sono buone quanto i consulenti che le configurano. Ciò va bene per alcuni clienti, ma in un confronto orientato alla verità, significa nessuna innovazione chiara. L’approccio di John Galt all’ottimizzazione dell’inventario probabilmente implica la configurazione manuale di modelli previsionali e politiche di inventario, anziché un calcolo automatizzato e probabilistico. Pertanto, ottiene punteggi bassi in quasi tutti i nostri criteri: nessuna modellizzazione probabilistica dei tempi di consegna, nessun AI/ML notevole che funzioni, nessuna evidenza di un’ottimizzazione avanzata dei vincoli e un’automatizzazione limitata.

Il punto chiave su John Galt: Serve un segmento del mercato con strumenti più semplici e guidati dall’utente. Tuttavia, qualsiasi affermazione secondo cui sia più accurato o “più intelligente” rispetto a soluzioni di maggiori dimensioni non è supportata da prove e va considerata con scetticismo. Le aziende con sfide rilevanti nell’ottimizzazione dell’inventario (alta incertezza, reti complesse) troverebbero molto probabilmente la tecnologia di John Galt sottodimensionata.

Conclusioni e Punti Chiave

Questo studio critico di mercato rivela un panorama di software per la supply chain pieno di affermazioni altisonanti ma scarso di capacità innovative e comprovate. Fornitori come Lokad e Slimstock emergono come eccezioni, spingendo metodi veramente avanzati (il motore probabilistico di Lokad ⁶⁰) o attenendosi a fondamentali onesti (l’approccio pragmatico di Slimstock ¹²). Molti altri attori – anche ben noti come ToolsGroup, Blue Yonder e o9 – sono intrappolati nei buzzword senza riuscire a supportarli:

Previsione Probabilistica: Sorprendentemente pochi fornitori la adottano veramente. Lokad si distingue per modellare esplicitamente sia l’incertezza della domanda che quella dei tempi di consegna ¹. La maggior parte degli altri, al massimo, gestisce in maniera rudimentale la variabilità della domanda e ignora l’incertezza dei tempi di consegna, il che riteniamo un grave fallimento. Una soluzione che “ignora l’incertezza” nei tempi di consegna è fondamentalmente limitata ³. Gli utenti dovrebbero sollecitare i fornitori: Prevedete i tempi di consegna in modo probabilistico? Se no, aspettatevi che gli obiettivi di stock siano subottimali.
Buzzword Fuorvianti: Il termine “demand sensing” è un recidivo – usato da ToolsGroup, GAINS, ecc., con poca base scientifica ¹⁹ ³². Analogamente, le affermazioni generiche di “AI/ML” sono dilaganti. Blue Yonder e o9 ne sono esempi, mostrando una terminologia alla moda ma fornendo algoritmi non migliori di una regressione ²⁸ ⁶¹. Le bandiere rosse sono costanti: se un fornitore non riesce a descrivere in termini concreti cosa faccia la sua IA (es. “utilizza gradient boosting sulla cronologia delle spedizioni per prevedere la domanda SKU-store”) e invece offre banalità, si dovrebbe presumere il peggio – cioè che dietro l’affermazione ci sia “poca o nessuna sostanza” ²⁸. In questo studio, abbiamo penalizzato pesantemente tutti tali casi. È da notare che LLMs (modelli simili a ChatGPT) non hanno un ruolo dimostrato nel calcolare politiche ottimali di inventario (mancano della capacità di ottimizzazione numerica), per cui qualsiasi accenno a un LLM che ottimizza il vostro inventario è pura finzione. Per fortuna, nessuno dei fornitori di punta lo afferma – sebbene alcuni possano integrare chatbot per le richieste degli utenti, il che non equivale all’ottimizzazione di base.
Ottimizzazione Stocastica: Il banco di prova per un motore di “ottimizzazione” è se esso riesce davvero a risolvere un obiettivo definito in condizioni di incertezza (massimizzare il profitto atteso, minimizzare i costi soggetti a livelli di servizio, ecc.). La maggior parte dei fornitori qui, ad eccezione di Lokad (e forse del componente SmartOps in SAP), non esegue una vera ottimizzazione stocastica. Si affidano a euristiche: fissare un obiettivo di servizio, calcolare le scorte di sicurezza. Questo non è ottimizzazione – è soddisfacimento. Ad esempio, ToolsGroup lavora ancora principalmente sui livelli di servizio, e il suo discorso sull’“algebra delle variabili casuali” è più marketing che realtà. Abbiamo evidenziato questa incoerenza per ToolsGroup ²⁹. Gli utenti in cerca di decisioni ottimali dovrebbero star attenti: molti strumenti non ottimizzano realmente un obiettivo finanziario; si limitano a far rispettare gli obiettivi di servizio. La differenza è sostanziale. Se un fornitore non riesce a mostrare una funzione obiettivo e come essa viene risolta (es. “massimizziamo il fill rate atteso meno il costo di mantenimento, usando la simulazione Monte Carlo”), allora probabilmente non sta facendo una vera ottimizzazione.
Automazione: La promessa di una “supply chain self-driving” è allettante. In pratica, pochi ce l’hanno fatta. La nostra valutazione ha rilevato che la maggior parte dei fornitori richiede un notevole contributo umano, e la loro automazione si basa su regole o è limitata a calcoli. Lokad mira all’automazione consentendo la scrittura completa della logica decisionale (rimuovendo esplicitamente le attività manuali ripetitive) ⁸. RELEX automatizza molte attività nel retail ma, dietro le quinte, probabilmente utilizza regole semplici per tali operazioni. ToolsGroup e GAINS automatizzano i calcoli, ma richiedono ancora pianificatori per gestire i parametri. L’automazione completa – in cui il sistema si adatta autonomamente a nuove condizioni – è rara. Pertanto, quando un fornitore afferma “autonomo” o “automatico,” chiedete una spiegazione: cosa esattamente viene automatizzato? Come vengono gestite le eccezioni? Esiste un ciclo di feedback? Se le risposte sono vaghe, l’affermazione sull’automazione merita scetticismo. Abbiamo riscontrato che i fornitori che spiegavano meno (o9, Blue Yonder) probabilmente automatizzano meno, nonostante le grandi affermazioni ⁶¹ ²⁸.
Vincoli Complessi: È chiaro che una soluzione unica non va bene per tutti. Alcuni fornitori si occupano di complessità specifiche (RELEX per la scadenza dei prodotti freschi ²², GAINS per parti riparabili). Altri coprono principalmente vincoli generici e si affidano a soluzioni alternative per casi particolari. Spetta all’acquirente evidenziare le proprie esigenze uniche (prodotti deperibili, alti tassi di reso, ecc.) e chiedere al fornitore come le gestisce. Se la risposta è “abbiamo clienti nel vostro settore” senza ulteriori dettagli, è un segnale d’allarme. Nel nostro studio, solo Lokad discute apertamente il supporto per aspetti come la cannibalizzazione e i vincoli personalizzati tramite il suo framework di modellizzazione ⁴. La maggior parte degli altri o ignora questi problemi o li menziona superficialmente.

In conclusione, questo studio di mercato separa il segnale dal rumore. I fornitori di primo livello hanno conquistato il loro posto allineando le affermazioni con la realtà e concentrandosi su una solida ingegneria:

Lokad – per il suo rigoroso approccio probabilistico e la disponibilità a dettagliare il suo funzionamento ⁶⁰.
Slimstock – per fornire risultati affidabili senza nascondersi dietro buzzword ⁶² (pur mancando di analisi avanzate, è onesto al riguardo).
RELEX – per l’innovazione pratica nel retail (prodotti freschi, ecc.) pur rimanendo cauti riguardo al suo hype sull’IA non dimostrato ¹⁸.

Fornitori di fascia media come ToolsGroup e GAINS hanno una notevole profondità funzionale, ma sono stati declassati a causa di “pratiche di marketing scorrette” – una terminologia fuorviante e l’incapacità di evolversi tecnicamente ³⁶ ³².

Infine, diverse soluzioni di grande nome (o9, Blue Yonder, SAP, Infor, John Galt) si sono posizionate più in basso nella nostra classifica di quanto la loro notorietà di mercato lascerebbe supporre. La ragione è semplice: la reputazione aziendale e il volume di vendite non equivalgono all’eccellenza tecnica. Infatti, queste grandi suite spesso portano con sé bagagli di legacy o una focalizzazione dispersa, il che ostacola una valutazione orientata alla verità. Non abbiamo dato credito a brochure patinate o posizioni nel Gartner Magic Quadrant, poiché queste riflettono spesso il fatturato e l’ampiezza, non il reale potere di ottimizzazione.

Consiglio per i professionisti: Fate a pezzi le apparenze. Insistete su demo o case study che mostrino effettive distribuzioni degli errori, risultati a livello di servizio o risparmi sui costi in condizioni di incertezza. Chiedete ai fornitori di far girare i vostri dati per un pilota ed esaminate se i loro risultati riflettano davvero l’incertezza (es. una gamma di scenari) o solo un numero unico. Verificate se le loro raccomandazioni cambiano al variare delle condizioni (a dimostrazione di adattabilità), oppure se si limitano a regole statiche. Molti fornitori vacilleranno quando verranno messi alla prova su questi fronti. Quelli che brillano saranno coloro che hanno costruito le loro soluzioni su solide basi analitiche anziché sul marketing fuorviante.

Alla fine, un’ottimizzazione efficace dell’inventario richiede di unire una buona scienza a un’esecuzione pratica. Come mostra questo studio, pochissimi fornitori eccellono in entrambe le aree. Chi lo fa si distingue nettamente – e chi non lo fa, lo abbiamo smascherato con citazioni e fatti. Esortiamo i responsabili delle decisioni a utilizzare queste informazioni per fare chiarezza sul rumore del marketing e prendere decisioni basate sulla verità e sulle evidenze, non sull’hype.